一种基于多行为特征增强的注意力序列推荐方法

    公开(公告)号:CN114329218A

    公开(公告)日:2022-04-12

    申请号:CN202111670732.8

    申请日:2021-12-31

    Abstract: 本发明公开了一种基于多行为特征增强的注意力序列推荐方法。本发明采用项目交互模式模块和自适应增强的注意力模块,对注意力图进行修正,使得注意力机制更关注符合用户行为规律的局部特征。项目交互模式模块有四种类型的项目交互模式,分别来增强注意力机制对用户行为序列的正反向行为不对称信息、瞬时性信息、连续性信息、非强顺序依赖性信息的感知能力。自适应增强的注意力模块主要有两种增强的结构,单通道结构可以更高效地增强注意力机制,双通道结构则具有更好的推荐性能。自适应增强的注意力模块采用可学习参数对机制可以对局部特征增强程序进行精准的阈值控制。本发明在花费极小的计算开销情况下,提高真实场景下行为序列推荐的准确率。

    一种基于多行为特征增强的注意力序列推荐方法

    公开(公告)号:CN114329218B

    公开(公告)日:2025-05-09

    申请号:CN202111670732.8

    申请日:2021-12-31

    Abstract: 本发明公开了一种基于多行为特征增强的注意力序列推荐方法。本发明采用项目交互模式模块和自适应增强的注意力模块,对注意力图进行修正,使得注意力机制更关注符合用户行为规律的局部特征。项目交互模式模块有四种类型的项目交互模式,分别来增强注意力机制对用户行为序列的正反向行为不对称信息、瞬时性信息、连续性信息、非强顺序依赖性信息的感知能力。自适应增强的注意力模块主要有两种增强的结构,单通道结构可以更高效地增强注意力机制,双通道结构则具有更好的推荐性能。自适应增强的注意力模块采用可学习参数对机制可以对局部特征增强程序进行精准的阈值控制。本发明在花费极小的计算开销情况下,提高真实场景下行为序列推荐的准确率。

    基于多元时序数据分析的高精度长期时间序列预测方法

    公开(公告)号:CN114239718A

    公开(公告)日:2022-03-25

    申请号:CN202111539166.7

    申请日:2021-12-15

    Abstract: 本发明公开了一种基于多元时序数据分析的高精度长期时间序列预测方法,使用离散网络用于分层平行提取多元时间序列的全局特征和局部特征,在提高多元时间序列预测精度的同时降低了计算复杂度、减少了模型规模并且增加了模型的预测长度。本发明采用分层平行提取多元时间序列的全局特征和局部特征机制,提升了预测精度,降低了模型的内存使用量,利用局部特征提高对多元时间序列的局部细微波动的拟合能力,并且增加了模型的预测长度,大大提升了模型在多元时间序列预测上的效果。

Patent Agency Ranking