-
公开(公告)号：CN109002488B
公开(公告)日：2020-10-02
申请号：CN201810669341.6
申请日：2018-06-26
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种基于元路径上下文的推荐模型训练方法及装置。该方法包括：在样本信息平台中获得多个用户信息对；针对每个用户信息对，获得该用户信息对所对应的路径实例，并生成该用户信息对所对应样本用户表征信息、样本对象表征信息和元路径上下文表征信息；针对每个用户信息对，将上述三种信息进行拼接得到训练样本；将得到的多个训练样本作为输入，对预设神经网络模型进行训练，直至通过损失函数计算得到的函数值小于预设阈值时，完成神经网络模型的训练。与现有技术相比，应用本发明实施例提供的方案，训练得到的基于元路径上下文的推荐模型可以学习到更优化的特征，进而，可以提高基于该模型得到的推荐结果的准确性。
-
公开(公告)号：CN107944629B
公开(公告)日：2020-08-07
申请号：CN201711239629.1
申请日：2017-11-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于异质信息网络表示的推荐方法及装置，所述方法包括：对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。应用本发明实施例能够提高推荐率。
-
公开(公告)号：CN114707644A
公开(公告)日：2022-07-05
申请号：CN202210440602.3
申请日：2022-04-25
Applicant: 支付宝(杭州)信息技术有限公司 , 北京邮电大学
Abstract: 本说明书实施例提供一种图神经网络的训练方法，涉及基于用户关系图谱对图神经网络进行多轮次迭代更新，其中任一轮次包括：利用当前图神经网络对所述用户关系图谱进行处理，得到与该用户关系图谱中多个用户节点对应的多个分类预测向量；基于所述多个分类预测向量，为所述多个用户节点中第一数量的未标注节点分配对应的伪分类标签；针对所述第一数量的未标注节点中的各个未标注节点，确定利用其训练所述当前图神经网络而产生的信息增益；根据与所述多个用户节点中各个标注节点对应的分类预测向量和真实分类标签，以及与所述各个未标注节点对应的分类预测向量、伪分类标签和信息增益，更新所述当前图神经网络中的模型参数。
-
公开(公告)号：CN109002488A
公开(公告)日：2018-12-14
申请号：CN201810669341.6
申请日：2018-06-26
Applicant: 北京邮电大学
IPC: G06F17/30
Abstract: 本发明实施例提供了一种基于元路径上下文的推荐模型训练方法及装置。该方法包括：在样本信息平台中获得多个用户信息对；针对每个用户信息对，获得该用户信息对所对应的路径实例，并生成该用户信息对所对应样本用户表征信息、样本对象表征信息和元路径上下文表征信息；针对每个用户信息对，将上述三种信息进行拼接得到训练样本；将得到的多个训练样本作为输入，对预设神经网络模型进行训练，直至通过损失函数计算得到的函数值小于预设阈值时，完成神经网络模型的训练。与现有技术相比，应用本发明实施例提供的方案，训练得到的基于元路径上下文的推荐模型可以学习到更优化的特征，进而，可以提高基于该模型得到的推荐结果的准确性。
-
公开(公告)号：CN107944629A
公开(公告)日：2018-04-20
申请号：CN201711239629.1
申请日：2017-11-30
Applicant: 北京邮电大学
CPC classification number: G06Q10/04 , G06Q30/0631
Abstract: 本发明实施例提供了一种基于异质信息网络表示的推荐方法及装置，所述方法包括：对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。应用本发明实施例能够提高推荐率。
-
Patent Agency Ranking
公开(公告)号：CN106951528B
公开(公告)日：2019-11-08
申请号：CN201710168928.4
申请日：2017-03-21
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06K9/62
Abstract: 本发明实施例公开了一种推荐信息确定方法及装置，所利用的推荐信息模型的构建过程包括：获取N个用户的标识数据及每个用户的至少两种反馈数据，N大于1；利用预设偏序样本生成算法，对每个用户的第一类反馈数据进行运算，得到每个用户对应的偏序样本；结合预设建模框架及预设矩阵分解算法，对每个用户对应的偏序样本及每个用户的第二类反馈数据进行运算，得到推荐信息模型。由此可见，利用用户的至少两种反馈数据，构建推荐信息模型，可以有效利用获取到的多种反馈数据；相比于现有技术中，仅针对“评分数据”这一种反馈数据构建的模型，提高了确定推荐信息的准确性。
-
公开(公告)号：CN114372566A
公开(公告)日：2022-04-19
申请号：CN202210277845.X
申请日：2022-03-21
Applicant: 支付宝(杭州)信息技术有限公司 , 北京邮电大学
Abstract: 本说明书实施例公开了图数据的增广、图神经网络训练方法、装置以及设备。增广方案包括：所述图数据包括多个节点以及节点之间的边；确定所述图数据中的指定节点以及所述指定节点的邻居节点；在所述邻居节点中选择部分节点，作为待增广节点；在所述图数据中的所述待增广节点对应的路径上，选择与所述待增广节点的距离小于预设阈值的节点，作为目标节点；将所述待增广节点与所述指定节点之间的边删除，并在所述目标节点与所述指定节点之间生成新的边，以生成增广图数据。
-
公开(公告)号：CN106951527B
公开(公告)日：2020-01-17
申请号：CN201710168927.X
申请日：2017-03-21
Applicant: 北京邮电大学
IPC: G06F16/68
Abstract: 本发明实施例提供了一种歌曲推荐方法及装置，该方法中，获取多个用户的听歌记录，其中，多个用户中包括待推荐用户，听歌记录中记录有每个用户针对歌曲库中的各首歌曲的反馈信息，反馈信息为收听、下载和收藏中的至少一个；根据听歌记录中的反馈信息对歌曲库中的歌曲进行聚类，得到多类歌曲；从聚类获得的多类歌曲中，确定待推荐用户所对应的目标类别歌曲；从目标类别歌曲中，选取一首歌曲推荐至待推荐用户。由此，通过聚类的方式，将歌曲库中的歌曲分类，从聚类得到的多类歌曲中确定目标类别歌曲，再从目标类别歌曲中选取一首歌曲推荐至待推荐用户，相比于直接从歌曲库中选取一首歌曲进行推荐，大大减少了计算量，提高了歌曲推荐速率。
-
公开(公告)号：CN106951528A
公开(公告)日：2017-07-14
申请号：CN201710168928.4
申请日：2017-03-21
Applicant: 北京邮电大学
Abstract: 本发明实施例公开了一种推荐信息确定方法及装置，所利用的推荐信息模型的构建过程包括：获取N个用户的标识数据及每个用户的至少两种反馈数据，N大于1；利用预设偏序样本生成算法，对每个用户的第一类反馈数据进行运算，得到每个用户对应的偏序样本；结合预设建模框架及预设矩阵分解算法，对每个用户对应的偏序样本及每个用户的第二类反馈数据进行运算，得到推荐信息模型。由此可见，利用用户的至少两种反馈数据，构建推荐信息模型，可以有效利用获取到的多种反馈数据；相比于现有技术中，仅针对“评分数据”这一种反馈数据构建的模型，提高了确定推荐信息的准确性。
-
公开(公告)号：CN114707644B
公开(公告)日：2024-09-06
申请号：CN202210440602.3
申请日：2022-04-25
Applicant: 支付宝(杭州)信息技术有限公司 , 北京邮电大学
IPC: G06N3/042 , G06F18/214 , G06F18/2415 , G06F16/28 , G06N3/08
Abstract: 本说明书实施例提供一种图神经网络的训练方法，涉及基于用户关系图谱对图神经网络进行多轮次迭代更新，其中任一轮次包括：利用当前图神经网络对所述用户关系图谱进行处理，得到与该用户关系图谱中多个用户节点对应的多个分类预测向量；基于所述多个分类预测向量，为所述多个用户节点中第一数量的未标注节点分配对应的伪分类标签；针对所述第一数量的未标注节点中的各个未标注节点，确定利用其训练所述当前图神经网络而产生的信息增益；根据与所述多个用户节点中各个标注节点对应的分类预测向量和真实分类标签，以及与所述各个未标注节点对应的分类预测向量、伪分类标签和信息增益，更新所述当前图神经网络中的模型参数。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
