-
公开(公告)号：CN110210933B
公开(公告)日：2022-02-11
申请号：CN201910425004.7
申请日：2019-05-21
Applicant: 清华大学深圳研究生院
Abstract: 本发明涉及一种基于生成对抗网络的隐语义推荐方法，包括如下步骤：S1、生成网络模型基于评论信息来预测用户喜欢的top‑M商品列表以及最喜欢某个商品的top‑N用户列表；其中M和N为正整数；S2、用判别模型区分生成模型预测的分数与真实的分数；S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度，其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间。本发明能提高个性化推荐的准确性。
-
公开(公告)号：CN110210933A
公开(公告)日：2019-09-06
申请号：CN201910425004.7
申请日：2019-05-21
Applicant: 清华大学深圳研究生院
Abstract: 本发明涉及一种基于生成对抗网络的隐语义推荐方法，包括如下步骤：S1、生成网络模型基于评论信息来预测用户喜欢的top-M商品列表以及最喜欢某个商品的top-N用户列表；其中M和N为正整数；S2、用判别模型区分生成模型预测的分数与真实的分数；S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度，其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间。本发明能提高个性化推荐的准确性。
-
公开(公告)号：CN110188349A
公开(公告)日：2019-08-30
申请号：CN201910425014.0
申请日：2019-05-21
Applicant: 清华大学深圳研究生院
IPC: G06F17/27
Abstract: 本发明涉及一种基于抽取式多文档摘要方法的自动化写作方法，包括如下步骤：A1、用户输入与数据预处理：接收用户输入的关键词，在数据检索平台检索相关数据，并对检索出来的相关数据进行初步处理；A2、图排序：对多个文档的输入，系统首先识别出所有句子，并对所有句子的重要性进行评分；A3、去冗余：如果句子中存在的两个或多个相似度超过预定阈值的句子，则只保留其中一个，输出去除了冗余句的有序句子列表；A4、构造输出：按照篇幅限制在上一阶段提供的有序句子列表中从前到后选择最重要的句子，并对这些句子进行重新排序，输出排好序的句子所构成的文稿。
-
公开(公告)号：CN110188772A
公开(公告)日：2019-08-30
申请号：CN201910430128.4
申请日：2019-05-22
Applicant: 清华大学深圳研究生院
Abstract: 本发明提供基于深度学习的中文图像描述方法，包括如下步骤：S1、基本描述特征抽取：使用Sequence-to-sequence深度神经网络从图像中提取基本描述特征；S2、图像实体特征抽取：引入Faster RCNN目标检测网络检测图像中的重要物体，转化为语义作为上下文信息，提取实体特征；S3、丰富语义描述生成：构建基于短语的统计语言模型，基于最大概率将主题信息与上下文信息进行整合，生成语义更丰富的图像描述。本方法可以从缺乏上下文信息标注的数据中自动学习图像实体并转化为上下文信息，极大地减小人工参与程度，无需编制提取规则，并且可以生成内容丰富概括性更强的描述。与目前先进的算法比较，证实本发明的方法在多方面都有着突出的效果。
-
-
-
Search Results
4
records
(took 0.02 seconds)
