公开(公告)号：CN115422442B

公开(公告)日：2024-01-19

申请号：CN202210976839.3

申请日：2022-08-15

Applicant: 暨南大学

Inventor： 吴汉瑞 ,  龙锦益 ,  李诺思

IPC: G06F16/9535 ,  G06F16/2457 ,  G06Q30/0601 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/096 ,  G06N3/084

Abstract: 本发明公开一种面向冷启动推荐的对抗自编码迁移学习方法，通过五个步骤处理物品冷启动问题，首先构建正负超图。然后利用多层感知机获取暖用户、冷用户的常规特征。构建超图自编码器，分别获取暖用户和物品的正、负特征，并重构正、负超图。开发一个匹配判别器，用以最小化暖用户正、负特征的分类损失以及暖用户的正特征和常规特征之间的分布差距。由此，暖用户的正特征和常规特征被连接起来，而暖用户的正特征与物品的正特征通过正超图相关联，使冷启动用户的常规特征与物品的正特征的关系被发现，计算冷用户的常规特征和物品的正特征的欧式距离并排序，向用户推荐Top‑K个物品，并用精度、召回率、NDCG、击中率为指标在多个现实数据集上验证本方法的优越性。本方法有效解决冷启动问题，为用户提供更加精确且个性化的推荐建

公开(公告)号：CN115424262A

公开(公告)日：2022-12-02

申请号：CN202210933026.6

申请日：2022-08-04

Applicant: 暨南大学

Inventor： 吴汉瑞 ,  龙锦益 ,  张帆

IPC: G06V20/70 ,  G06V10/77 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明公开了一种用于优化零样本学习的方法，具体涉及数据处理领域。本发明通过利用了视觉和语义特征共享的潜在概念，提出匹配它们潜在的视觉和语义表示，并引入了视觉和语义特征损失的重构以减少域移和信息损失，从而将重构正则化添加到相似的特征中，通过所提出的方法获得保留知识的共享概念；在数学上该问题被表述为其潜在公共子空间的相互正交投影的最小化问题，将该问题分解为两个子问题，利用基于巴兹莱‑波温步长的搜索算法进一步解决了这两个子问题；精度优于现有的ZSL方法。

公开(公告)号：CN119441969A

公开(公告)日：2025-02-14

申请号：CN202411432545.X

申请日：2024-10-14

Applicant: 暨南大学

Inventor： 吴汉瑞 ,  谢辉阳 ,  田磊

IPC: G06F18/241 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及信息分类技术领域，公开一种面向跨网络异构节点分类的异构域适应学习方法，包括以下步骤：S1、构建源网络和目标网络的PPMI矩阵获取网络的全局结构信息，并运用变分图自编码器获取源网络和目标网络的节点特征，对其进行解码以恢复原PPMI矩阵从而保留节点之间的全局邻近信息；S2、构建一个超图，利用标记的源节点和目标节点，更加密切地关联源网络和目标网络；S3、构建一个超图自编码器，从而获取源网络和目标网络节点的高阶特征，将学习到的特征用于重构超图以保留高阶关系。本发明的优点在于：通过构建了几个基于真实世界的数据集学习任务，并进行了广泛的实验。该方法的性能优于现有的一些其他方法，更好的完成跨网络异构节点分类任务。

公开(公告)号：CN117746131A

公开(公告)日：2024-03-22

申请号：CN202311762968.3

申请日：2023-12-20

Applicant: 暨南大学

Inventor： 吴汉瑞 ,  张戈 ,  龙锦益

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0895 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明公开了一种面向半监督节点和超边分类的超图协作网络方法，涉及超图学习技术领域，包括超图协作网络，它是由三个主要部分组成，用于学习节点表示的节点编码器、用于学习超边表示的超边编码器和用于重构超图的解码器，该方法同时考虑了前一个节点和超边的信息以获得信息丰富的潜在表示，进一步引入超图重构误差作为正则化器来学习有效的分类器，能够解决半监督场景下的超图节点分类和超边分类的问题，并用准准确率、精度、召回率、F1分数、精准匹配率、0/1损失在多个基准数据集上与现有的几种方法进行比较，实验结果表明本方法的优越性。

公开(公告)号：CN115422442A

公开(公告)日：2022-12-02

申请号：CN202210976839.3

申请日：2022-08-15

Applicant: 暨南大学

Inventor： 吴汉瑞 ,  龙锦益 ,  李诺思

IPC: G06F16/9535 ,  G06F16/2457 ,  G06Q30/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种面向冷启动推荐的对抗自编码迁移学习方法，通过五个步骤处理物品冷启动问题，首先构建正负超图。然后利用多层感知机获取暖用户、冷用户的常规特征。构建超图自编码器，分别获取暖用户和物品的正、负特征，并重构正、负超图。开发一个匹配判别器，用以最小化暖用户正、负特征的分类损失以及暖用户的正特征和常规特征之间的分布差距。由此，暖用户的正特征和常规特征被连接起来，而暖用户的正特征与物品的正特征通过正超图相关联，使冷启动用户的常规特征与物品的正特征的关系被发现，计算冷用户的常规特征和物品的正特征的欧式距离并排序，向用户推荐Top‑K个物品，并用精度、召回率、NDCG、击中率为指标在多个现实数据集上验证本方法的优越性。本方法有效解决冷启动问题，为用户提供更加精确且个性化的推荐建议。