-
公开(公告)号：CN110110094A
公开(公告)日：2019-08-09
申请号：CN201910323380.5
申请日：2019-04-22
Applicant: 华侨大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/00
Abstract: 本发明公开了基于社交网络知识图谱的跨网络人物关联方法，属于知识图谱与社交网络分析领域，包括以下步骤：步骤1.训练词向量；步骤2.发现候选实体；步骤3.根据社交网络知识图谱的结构特征，计算网络度量指标；步骤4.用户向量生成；步骤5.定义社交网络结构相似度和用户画像语义相似度；步骤6.融合相似度计算，根据融合相似度确定待关联的人物实体的跨网络人物关联的最终节点。该发明可用于社交网络中挖掘用户信息，发现重要节点，也可以用作对重要节点信息的补全，为精准推荐提供数据支撑。
-
Patent Agency Ranking
公开(公告)号：CN110110094B
公开(公告)日：2022-07-01
申请号：CN201910323380.5
申请日：2019-04-22
Applicant: 华侨大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/00
Abstract: 本发明公开了基于社交网络知识图谱的跨网络人物关联方法，属于知识图谱与社交网络分析领域，包括以下步骤：步骤1.训练词向量；步骤2.发现候选实体；步骤3.根据社交网络知识图谱的结构特征，计算网络度量指标；步骤4.用户向量生成；步骤5.定义社交网络结构相似度和用户画像语义相似度；步骤6.融合相似度计算，根据融合相似度确定待关联的人物实体的跨网络人物关联的最终节点。该发明可用于社交网络中挖掘用户信息，发现重要节点，也可以用作对重要节点信息的补全，为精准推荐提供数据支撑。
-
公开(公告)号：CN113553510B
公开(公告)日：2023-06-20
申请号：CN202110875172.3
申请日：2021-07-30
Applicant: 华侨大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06F40/289 , G06F40/30 , G06F16/28 , G06F16/36
Abstract: 本发明公开了一种文本信息推荐方法、装置及可读介质，通过获取用户数据及所对应的文本语料，对文本语料进行预处理，得到文本数据；将用户数据进行处理得到用户属性特征，将文本数据通过词注意力网络生成文本特征，将用户数据利用知识图谱表示学习模型生成用户知识图谱特征，将用户属性特征、文本特征和用户知识图谱特征进行拼接，得到综合特征；将综合特征输入多层感知机，得到用户偏好类别及对应的推送数量。本发明加强对用户兴趣的识别度和扩展性，从而提高推荐结果的准确性和多样性，通过综合特征可得到多个维度的抽象特征表示，缓解传统个性化信息推荐中的数据稀疏、冷启动等问题。将注意力机制应用到文本推荐，进一步提高准确度。
-
公开(公告)号：CN111985247B
公开(公告)日：2022-08-26
申请号：CN202010895778.9
申请日：2020-08-31
Applicant: 华侨大学
IPC: G06F40/30 , G06F40/258 , G06F40/242 , G06F16/35 , G06V10/82 , G06V30/19 , G06N3/04
Abstract: 一种基于多粒度文本特征表示的微博用户兴趣识别方法，包括：对获取的语料进行预处理，包括文本清洗、分词、去停用词和数据过滤；从主题层、词序层和词汇层三个方面构造文本向量；对所述主题向量、语义向量和词义向量按顺序进行拼接融合，得到多粒度的文本特征表示；将多粒度的文本特征表示输入CNN模型中进行训练分类，得到微博用户兴趣识别的结果，并根据文本分类问题的评价指标进行效果评估。本发明提供的方法，综合多粒度文本特征的考量，提高了模型的表征能力，进而提高文本分类的准确性，达到精准分类的效果，能够解决社交网络文本表示模型解释性差、特征稀疏和词序语义表达不足的问题。
-
公开(公告)号：CN111985247A
公开(公告)日：2020-11-24
申请号：CN202010895778.9
申请日：2020-08-31
Applicant: 华侨大学
IPC: G06F40/30 , G06F40/258 , G06F40/242 , G06F16/35 , G06K9/62 , G06N3/04
Abstract: 一种基于多粒度文本特征表示的微博用户兴趣识别方法，包括：对获取的语料进行预处理，包括文本清洗、分词、去停用词和数据过滤；从主题层、词序层和词汇层三个方面构造文本向量；对所述主题向量、语义向量和词义向量按顺序进行拼接融合，得到多粒度的文本特征表示；将多粒度的文本特征表示输入CNN模型中进行训练分类，得到微博用户兴趣识别的结果，并根据文本分类问题的评价指标进行效果评估。本发明提供的方法，综合多粒度文本特征的考量，提高了模型的表征能力，进而提高文本分类的准确性，达到精准分类的效果，能够解决社交网络文本表示模型解释性差、特征稀疏和词序语义表达不足的问题。
-
公开(公告)号：CN113553510A
公开(公告)日：2021-10-26
申请号：CN202110875172.3
申请日：2021-07-30
Applicant: 华侨大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06F40/289 , G06F40/30 , G06F16/28 , G06F16/36
Abstract: 本发明公开了一种文本信息推荐方法、装置及可读介质，通过获取用户数据及所对应的文本语料，对文本语料进行预处理，得到文本数据；将用户数据进行处理得到用户属性特征，将文本数据通过词注意力网络生成文本特征，将用户数据利用知识图谱表示学习模型生成用户知识图谱特征，将用户属性特征、文本特征和用户知识图谱特征进行拼接，得到综合特征；将综合特征输入多层感知机，得到用户偏好类别及对应的推送数量。本发明加强对用户兴趣的识别度和扩展性，从而提高推荐结果的准确性和多样性，通过综合特征可得到多个维度的抽象特征表示，缓解传统个性化信息推荐中的数据稀疏、冷启动等问题。将注意力机制应用到文本推荐，进一步提高准确度。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
