-
公开(公告)号：CN114510652B
公开(公告)日：2023-04-07
申请号：CN202210412917.7
申请日：2022-04-20
申请人： 宁波大学
IPC分类号： G06F16/9536 , G06F18/214 , G06N20/20
摘要： 本发明公开了一种基于联邦学习的社交协同过滤推荐方法，包括以下步骤：步骤1、由中央服务器选择参与本地训练的用户客户端；步骤2、在用户客户端上进行E轮本地训练，每轮本地训练过程中，分别通过矩阵分解模块、用户对比模块和物品对比模块来计算模型损失函数；步骤3、完成E轮本地训练后，通过梯度保护模块，得到最终需要上传的梯度，并将其上传至中央服务器进行梯度聚合；步骤4、重复步骤1至步骤3，得到充分训练后的用户嵌入向量和物品嵌入向量；步骤5、将用户嵌入向量和物品嵌入向量作为评分预测模块的输入，得到对用户推荐的物品序列。本发明能够有效缓解联邦社交推荐中的数据非独立同分布问题对模型推荐性能的影响。
-
公开(公告)号：CN113421006A
公开(公告)日：2021-09-21
申请号：CN202110746975.9
申请日：2021-07-01
申请人： 宁波大学
摘要： 本发明公开了一种基于语义的可解释人职匹配方法及系统，匹配方法包括：接收求职者的简历文本、招聘人员的招聘信息文本，将每个文本向量化为文本嵌入向量表示；对每个文本的嵌入向量表示进行建模得到每句话的状态表示和每个文本的整体状态表示；将每个文本中每句话的状态表示通过相似度矩阵的方法模拟全局语义得到每句话的针对表示和每个文本的整体针对表示；将每个文本的整体状态表示与整体针对表示拼接得到每个文本的最终表示并输入多层感知机计算匹配度；给出推荐与解释。本发明可用于解决目前的推荐算法不能很好地处理非结构化招聘信息及简历的问题及推荐过程中无法给出合适的推荐理由的问题。
-
公开(公告)号：CN113392319B
公开(公告)日：2022-06-24
申请号：CN202110522753.9
申请日：2021-05-13
申请人： 宁波大学
IPC分类号： G06F16/9535 , G06F16/9532
摘要： 本发明公开了一种基于网络表示和辅助信息嵌入的学术论文推荐方法，包括以下步骤：步骤1、构建引文网络，利用主成分分析对每篇论文中具有显著影响的变量进行降维，得到由多因子组成的论文边权重，在引文网络的基础上加入论文边权重，构建论文影响力网络；步骤2、在论文影响力网络中生成论文序列，由算法来学习论文序列的嵌入向量，得到论文的初级图嵌入函数，同时在初级图嵌入函数中加入论文的辅助信息，得到论文的终极图嵌入函数；步骤3、以论文的终极图嵌入函数作为嵌入模型，计算每篇论文与用户感兴趣的论文之间的相似度，生成推荐列表。本发明具有论文推荐结果的准确性高、在一定程度上缓解了论文的冷启动问题的优点。
-
公开(公告)号：CN115270001A
公开(公告)日：2022-11-01
申请号：CN202211161306.6
申请日：2022-09-23
申请人： 宁波大学
IPC分类号： G06F16/9535 , G06F21/62 , G06N20/20
摘要： 本发明公开了一种基于云端协同学习的隐私保护推荐方法及系统，推荐方法包括：将用户数据分为公开数据和隐私数据，中央服务器收集各用户终端设备中的公开数据并构建公开数据集，基于公开数据集训练公共模型；各用户在其终端设备中基于隐私数据训练本地私有模型，并将模型梯度发送至中央服务器，中央服务器聚合接收到的梯度，使用聚合后的梯度更新全局私有模型，并将更新结果发送至用户终端设备；迭代训练直至私有模型收敛；各用户在本地融合公开模型和私有模型以获得最终推荐模型，并基于最终推荐模型预测用户对候选集项目评分，根据评分完成推荐。本发明解决了现有的隐私保护推荐技术中推荐精度不高和用户终端设备计算负荷过大的问题。
-
公开(公告)号：CN113421006B
公开(公告)日：2022-05-17
申请号：CN202110746975.9
申请日：2021-07-01
申请人： 宁波大学
摘要： 本发明公开了一种基于语义的可解释人职匹配方法及系统，匹配方法包括：接收求职者的简历文本、招聘人员的招聘信息文本，将每个文本向量化为文本嵌入向量表示；对每个文本的嵌入向量表示进行建模得到每句话的状态表示和每个文本的整体状态表示；将每个文本中每句话的状态表示通过相似度矩阵的方法模拟全局语义得到每句话的针对表示和每个文本的整体针对表示；将每个文本的整体状态表示与整体针对表示拼接得到每个文本的最终表示并输入多层感知机计算匹配度；给出推荐与解释。本发明可用于解决目前的推荐算法不能很好地处理非结构化招聘信息及简历的问题及推荐过程中无法给出合适的推荐理由的问题。
-
公开(公告)号：CN113392319A
公开(公告)日：2021-09-14
申请号：CN202110522753.9
申请日：2021-05-13
申请人： 宁波大学
IPC分类号： G06F16/9535 , G06F16/9532
摘要： 本发明公开了一种基于网络表示和辅助信息嵌入的学术论文推荐方法，包括以下步骤：步骤1、构建引文网络，利用主成分分析对每篇论文中具有显著影响的变量进行降维，得到由多因子组成的论文边权重，在引文网络的基础上加入论文边权重，构建论文影响力网络；步骤2、在论文影响力网络中生成论文序列，由算法来学习论文序列的嵌入向量，得到论文的初级图嵌入函数，同时在初级图嵌入函数中加入论文的辅助信息，得到论文的终极图嵌入函数；步骤3、以论文的终极图嵌入函数作为嵌入模型，计算每篇论文与用户感兴趣的论文之间的相似度，生成推荐列表。本发明具有论文推荐结果的准确性高、在一定程度上缓解了论文的冷启动问题的优点。
-
公开(公告)号：CN116049570A
公开(公告)日：2023-05-02
申请号：CN202310023586.2
申请日：2023-01-09
申请人： 宁波大学
摘要： 本发明公开了一种基于联邦对比学习的双塔社交推荐方法，包括：步骤1、中央服务器随机选取固定数量的用户客户端，并将所需参数发送至对应客户端；步骤2、用户客户端通过双塔学习模块和用户注意力对比模块，完成本地训练；步骤3、通过梯度保护模块，对需要更新的梯度进行保护，并上传至中央服务器；步骤4、中央服务器接收到用户客户端上传的梯度，聚合后通过扰动对比学习模块，得到最终需要更新的梯度；步骤5、重复步骤1至4，得到最后收敛的模型；步骤6、根据用户即候选物品集作为模型的输入，得到用户推荐物品集合。本发明能够做到保护用户隐私安全的同时，还能降低用户间的社交噪声和数据扰动引入的噪声对推荐模型性能的影响。
-
公开(公告)号：CN115270001B
公开(公告)日：2022-12-23
申请号：CN202211161306.6
申请日：2022-09-23
申请人： 宁波大学
IPC分类号： G06F16/9535 , G06F21/62 , G06N20/20
摘要： 本发明公开了一种基于云端协同学习的隐私保护推荐方法及系统，推荐方法包括：将用户数据分为公开数据和隐私数据，中央服务器收集各用户终端设备中的公开数据并构建公开数据集，基于公开数据集训练公共模型；各用户在其终端设备中基于隐私数据训练本地私有模型，并将模型梯度发送至中央服务器，中央服务器聚合接收到的梯度，使用聚合后的梯度更新全局私有模型，并将更新结果发送至用户终端设备；迭代训练直至私有模型收敛；各用户在本地融合公开模型和私有模型以获得最终推荐模型，并基于最终推荐模型预测用户对候选集项目评分，根据评分完成推荐。本发明解决了现有的隐私保护推荐技术中推荐精度不高和用户终端设备计算负荷过大的问题。
-
公开(公告)号：CN114510652A
公开(公告)日：2022-05-17
申请号：CN202210412917.7
申请日：2022-04-20
申请人： 宁波大学
IPC分类号： G06F16/9536 , G06K9/62 , G06N20/20
摘要： 本发明公开了一种基于联邦学习的社交协同过滤推荐方法，包括以下步骤：步骤1、由中央服务器选择参与本地训练的用户客户端；步骤2、在用户客户端上进行E轮本地训练，每轮本地训练过程中，分别通过矩阵分解模块、用户对比模块和物品对比模块来计算模型损失函数；步骤3、完成E轮本地训练后，通过梯度保护模块，得到最终需要上传的梯度，并将其上传至中央服务器进行梯度聚合；步骤4、重复步骤1至步骤3，得到充分训练后的用户嵌入向量和物品嵌入向量；步骤5、将用户嵌入向量和物品嵌入向量作为评分预测模块的输入，得到对用户推荐的物品序列。本发明能够有效缓解联邦社交推荐中的数据非独立同分布问题对模型推荐性能的影响。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.014 秒)
