公开(公告)号：CN119598034A

公开(公告)日：2025-03-11

申请号：CN202411591587.8

申请日：2024-11-08

Applicant: 北京工业大学

Inventor： 简萌 ,  李若溪 ,  王拓 ,  白钰龙 ,  石戈 ,  毋立芳

IPC: G06F16/9536 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明公开了一种基于层次化意图的用户兴趣解耦的推荐方法。当前细粒度兴趣推荐系统大多数仅从交互中解耦出多种表面的意图因素，忽视了意图间的层次化关系。其次，在意图学习的过程中，大多数研究严重依赖于对交互数据的划分。这种学习范式不能从整体的角度探索潜在的意图，可能加剧数据稀疏并损害推荐性能。本发明为了探索意图之间的层次化关系，设计了一种意图感知兴趣建模层来学习每个意图层级中的多样化的用户/物品表征。然后，堆叠多个兴趣建模层从低层级中提取更加抽象和深入的意图语义以丰富协同过滤信号。此外，为了避免由于划分交互导致的训练效率低并缓解交互稀疏问题，还在每个兴趣建模层中设计了一种自适应意图学习策略。

公开(公告)号：CN118551103A

公开(公告)日：2024-08-27

申请号：CN202410603353.4

申请日：2024-05-15

Applicant: 北京工业大学

Inventor： 简萌 ,  白钰龙 ,  夏卓阳 ,  石戈 ,  毋立芳

IPC: G06F16/9535 ,  G06F16/9536 ,  G06N5/025 ,  G06F16/36 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/0985

Abstract: 本发明公开了一种基于知识引导的图卷积兴趣对比学习个性化推荐方法。现有的推荐方法将知识语义信息直接融合到物品嵌入中，虽然有益于建模物品属性，但可能会无意中引入与个性化推荐目标无关的额外信息。同时，现有方法在缓解数据偏差上采用随机或用户兴趣无关的图增广方式，限制了推荐性能。本发明提出了一种知识引导的个性化图增广方法，首先通过知识引导的兴趣建模模块捕获语义增强的用户和物品特征，再通过知识引导的图增广模块得到用户兴趣相关的交互图子图，通过跨视图对比学习损失和推荐损失的联合训练得到用户特征表达。利用电商平台、音乐网站以及电影网站的公开数据集分别进行训练测试和优化模型，验证了本发明的有效性。