-
公开(公告)号：CN110545558B
公开(公告)日：2023-03-28
申请号：CN201910844144.8
申请日：2019-09-06
Applicant: 山东省交通规划设计院集团有限公司 , 清华大学
Abstract: 本公开提供了一种基于Wi‑Fi数据的高速服务区人群密度估计系统，包括数据采集装置，其被配置为采集各个服务区的地理位置相关信息及Wi‑Fi数据；利用回归模型估计出服务区人数；回归模型的自变量为各个服务区各个小时区间内连接Wi‑Fi人数，因变量为对应服务区人数；自变量的斜率为连接意愿的倒数，连接意愿由各个服务区的环境特征、功能定位特征、天特征和小时特征与相应学习参数相乘构成；环境特征和功能定位特征分别从相应服务区的Wi‑Fi数据和地理位置相关信息中提取；天特征和小时特征均为预设分段函数；根据估计出的服务区人数以及用户进入服务区的连接AP顺序，预测用户的行为偏好，进而估计出服务区中各功能区的人数，最后得到服务区的人群密度。
-
公开(公告)号：CN113269612A
公开(公告)日：2021-08-17
申请号：CN202110585850.2
申请日：2021-05-27
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
Abstract: 本公开关于一种物品推荐方法、装置、电子设备及存储介质，属于计算机技术领域。该方法包括：基于账号在历史互动行为中交互的多个物品，获取该账号的长期兴趣特征和短期兴趣特征；对该长期兴趣特征和该短期兴趣特征进行融合，得到该账号的目标兴趣特征；基于该目标兴趣特征和目标物品的嵌入特征，确定是否对该账号推荐该目标物品。本公开通过在目标兴趣特征中较好地融合账号的长期、短期两种不同类型的兴趣偏好，从而提高了对目标物品的推荐准确度。
-
公开(公告)号：CN116450860A
公开(公告)日：2023-07-18
申请号：CN202310220409.3
申请日：2023-03-08
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
IPC: G06F16/435 , H04N21/2343 , H04N21/4402 , H04N21/466 , G06F18/214 , G06F18/25
Abstract: 本公开关于一种媒体资源推荐方法、推荐模型的训练方法及相关设备，该方法通过推荐模型，对媒体资源序列和操作反馈序列进行融合编码处理，得到初始媒体资源特征；初始媒体资源特征包括多个媒体资源子特征，每个所述媒体资源子特征包含对应的正反馈标签或负反馈标签；以及对初始媒体资源特征进行基于所述媒体资源序列对应的正反馈标签和负反馈标签相混合的编码处理，得到目标媒体资源特征；对目标媒体资源特征进行基于正反馈维度的反馈拆分处理，得到正反馈序列表征；以及基于候选资源的推荐结果确定推荐资源，从而提高了媒体资源的推荐准确率。
-
公开(公告)号：CN115203543A
公开(公告)日：2022-10-18
申请号：CN202210778190.4
申请日：2022-06-29
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
IPC: G06F16/9535 , G06F16/9536 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开关于一种内容推荐方法、内容推荐模型的训练方法及装置，所述方法包括：获取待推荐对象在目标场景下的历史交互内容序列和候选内容；通过内容推荐模型分别对历史交互内容序列和候选内容进行特征提取，得到历史交互内容和候选内容的场景特征和全局特征；对历史交互内容的场景特征和全局特征分别进行编码，得到历史交互内容序列的场景序列特征和全局序列特征；对历史交互内容序列的场景序列特征进行特征提取，得到待推荐对象的群体特征；根据群体特征、场景序列特征、全局序列特征及候选内容的场景特征和全局特征得到推荐指标信息；基于推荐指标信息，从候选内容中确定出针对待推荐对象的目标推荐内容。该方法可提高跨场景的推荐内容的质量。
-
公开(公告)号：CN115080856A
公开(公告)日：2022-09-20
申请号：CN202210764376.4
申请日：2022-06-29
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
IPC: G06F16/9535 , G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本公开关于一种推荐方法及装置、推荐模型的训练方法及装置。该训练方法包括：获取待推荐对象的用户账户和至少两个待推荐对象的对象标识；将超图的信息输入超图卷积网络，得到训练数据中训练用户账户、对象和行为的嵌入表示信息，其中，训练数据包括多个元组，每个元组包括一个训练用户账户、一个对象的对象标识、训练用户账户对对象产生的行为的行为标识，超图是基于训练数据中的多个元组构建的以训练用户账户、对象标识和行为标识为节点的图；将嵌入表示信息、用户账户和至少两个待推荐对象的对象标识输入到推荐网络，得到每个待推荐对象的推荐信息；基于推荐信息向用户账户推荐至少两个待推荐对象。
-
Patent Agency Ranking
公开(公告)号：CN111611472B
公开(公告)日：2024-02-27
申请号：CN202010244341.9
申请日：2020-03-31
Applicant: 清华大学
IPC: G06F16/9535 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06Q30/0601
Abstract: 本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法及系统。该方法包括：获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；再输入至捆绑推荐模型中，得到捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型通过基于用户数据集合、捆绑数据集合和物品数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。本发明实施例通过将用户、捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的拓扑结构和高阶连通性中学习三种关联实体表示，能达到更好的推荐性能。
-
公开(公告)号：CN113190757A
公开(公告)日：2021-07-30
申请号：CN202110535282.5
申请日：2021-05-17
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
IPC: G06F16/9535 , G06F16/48 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开关于一种多媒体资源推荐方法、装置、电子设备及存储介质，涉及计算机技术领域。本公开实施例，通过用户账号曾经交互过的多媒体资源，对用户账号的兴趣进行整合分析，通过多媒体资源根据相似度确定的聚集情况，分析哪些多媒体资源为用户账号的核心兴趣，通过多媒体资源与候选多媒体资源之间的相似度，能够分析出哪些多媒体资源与候选多媒体资源比较相似，结合这两种因素，自然能够从用户账号曾经交互过的多媒体资源中，分析出与候选多媒体资源相似且能够代表用户账号的核心兴趣的多媒体资源，以此来为用户账号来进行多媒体资源推荐，能够使得推荐的目标多媒体资源符合用户账号的核心兴趣，符合用户偏好，提高推荐结果的准确性。
-
公开(公告)号：CN110096804A
公开(公告)日：2019-08-06
申请号：CN201910361223.3
申请日：2019-04-30
Applicant: 山东省交通规划设计院 , 清华大学
IPC: G06F17/50
Abstract: 本公开公开了基于移动终端数据的高速公路服务区的布局方法及系统，采用多元线性回归模型，依据既有服务区B的理想面积、既有服务区B最近邻高速公路的车流量、既有服务区B最近邻高速公路的人流量、既有服务区B的地理优势度、既有服务区B的邻接既有服务区C实际面积和既有服务区C每个功能区域的功能完善度，建立服务区理想面积预测模型；将待建服务区A最近邻高速公路的车流量、待建服务区A最近邻高速公路的人流量、待建服务区A的地理优势度、既有服务区B的实际面积和既有服务区B每个功能区域的功能完善度，输入到服务区理想面积预测模型中，输出待建服务区A的理想面积。
-
公开(公告)号：CN111611472A
公开(公告)日：2020-09-01
申请号：CN202010244341.9
申请日：2020-03-31
Applicant: 清华大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法及系统。该方法包括：获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；再输入至捆绑推荐模型中，得到捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型通过基于用户数据集合、捆绑数据集合和物品数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。本发明实施例通过将用户、捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的拓扑结构和高阶连通性中学习三种关联实体表示，能达到更好的推荐性能。
-
公开(公告)号：CN110545558A
公开(公告)日：2019-12-06
申请号：CN201910844144.8
申请日：2019-09-06
Applicant: 山东省交通规划设计院 , 清华大学
Abstract: 本公开提供了一种基于Wi-Fi数据的高速服务区人群密度估计系统，包括数据采集装置，其被配置为采集各个服务区的地理位置相关信息及Wi-Fi数据；利用回归模型估计出服务区人数；回归模型的自变量为各个服务区各个小时区间内连接Wi-Fi人数，因变量为对应服务区人数；自变量的斜率为连接意愿的倒数，连接意愿由各个服务区的环境特征、功能定位特征、天特征和小时特征与相应学习参数相乘构成；环境特征和功能定位特征分别从相应服务区的Wi-Fi数据和地理位置相关信息中提取；天特征和小时特征均为预设分段函数；根据估计出的服务区人数以及用户进入服务区的连接AP顺序，预测用户的行为偏好，进而估计出服务区中各功能区的人数，最后得到服务区的人群密度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.041 seconds)
