-
公开(公告)号：CN116467510A
公开(公告)日：2023-07-21
申请号：CN202310153112.X
申请日：2023-02-22
Applicant: 苏州市职业大学(苏州开放大学)
IPC: G06F16/9535 , G06Q10/10 , G06F18/23213 , G06F18/214 , G06F18/22 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种协同过滤模型的生成方法、项目推荐方法及其装置，该生成方法包括以下步骤：获取多个训练样本，每个训练样本均包含用户、以及与所述用户有过交互的项目；获取每个训练样本对应的图像特征，获取每个训练样本对应的文本特征；对多个训练样本进行预处理，创建协同过滤模型，并利用多个训练样本对该协同过滤模型进行训练。综上所述，该协同过滤模型能够向用于推荐将来最有可能交互的若干项目，从而极大的提高该用户购买该项目的可能性。
-
公开(公告)号：CN116228365A
公开(公告)日：2023-06-06
申请号：CN202310237936.5
申请日：2023-03-13
Applicant: 苏州市职业大学(苏州开放大学)
IPC: G06Q30/0601 , G06N3/045 , G06N3/08 , G06F18/40
Abstract: 本发明公开了一种物品推荐的神经网络的生成方法、物品推荐方法及其装置，该生成方法包括：获取多个交互队列，每个交互队列均对应有用户，每个交互队列均包含有对应的用户交互过的若干物品，且物品对应的交互的发生事件越早，在所述交互队列中，越靠近队头；创建注意力机制的神经网络，所述神经网络包含有频率斜坡采样层、时域自注意力层和频域注意力层；基于所有交互队列，对所述神经网络进行训练。从而生成了一个能够进行物品推荐的神经网络。
-
公开(公告)号：CN115391676A
公开(公告)日：2022-11-25
申请号：CN202211142031.1
申请日：2022-09-20
Applicant: 苏州市职业大学
IPC: G06F16/9536 , G06Q30/06 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于四元数的协同推荐方法、装置、终端及可读存储介质，该协同推荐方法包括：从预设协同推荐模型中，获取用户对应的四元数向量；获取在预设时间段中的与所述用户具有隐式的关系多个物品，基于所述预设协同推荐模型，生成每个物品对应的四元数向量；基于多个物品的四元数向量、得到用户对应的修正四元数向量；并基于修正四元数向量向用户推荐物品。该协同推荐方法具有准确性高的优点。
-
公开(公告)号：CN110619082B
公开(公告)日：2022-05-17
申请号：CN201910894851.8
申请日：2019-09-20
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本申请公开了一种基于重复搜索机制的项目推荐方法、装置、设备及可读存储介质，该方案基于图神经网络和重复搜索机制来实现项目推荐，首先将用户在当前会话中交互的项目序列作为会话图进行处理，每个项目都被编码为图结构数据；然后，应用注意机制层捕获当前会话中用户的主要目的，确定当前会话属于重复行为模式和探索行为模式的概率分布；最后，利用重复搜索机制确定候选项目分别在重复行为模式和探索行为模式的得分，并据此确定候选项目的最终得分，以决定是否向用户推荐该候选项目。可见，该方案通过分别考虑重复行为模式和探索行为模式两种情形，能够更精准的预测用户行为，提升推荐效果。
-
公开(公告)号：CN110619081B
公开(公告)日：2022-05-17
申请号：CN201910893757.0
申请日：2019-09-20
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于交互图神经网络的新闻推送方法、装置、设备及可读存储介质，该方案在嵌入过程中，利用基于知识的卷积神经网络从知识层和语义层学习基于新闻内容的特征，并利用嵌入传播层的高阶连通性，将用户新闻交互图中潜在的协作信号编码到用户和新闻表示的学习过程中，最终基于嵌入结果确定用户对候选新闻的偏好程度以决定是否向用户推送该候选新闻。可以看出，该方案使用两个图获得用户和新闻的表示，一个是知识图，另一个是用户新闻交互图，通过这种对嵌入过程的改进，提升了新闻推荐性能和用户满意度。
-
Patent Agency Ranking
公开(公告)号：CN110060097A
公开(公告)日：2019-07-26
申请号：CN201910257110.9
申请日：2019-04-01
Applicant: 苏州市职业大学
Abstract: 本发明公开了一种基于注意力机制和卷积神经网络的用户行为序列推荐方法，其中，包括以下步骤：采集用户过往的行为数据作为长期偏好交互序列数据；利用注意力机制算法计算所述长期偏好交互序列数据中各行为数据的权重，并根据所述权重计算出用户的长期偏好；选取一段时间内的行为数据作为短期偏好交互序列数据；根据所述短期偏好交互序列数据，利用卷积神经网络算法计算出用户的短期偏好；将用户的长期偏好与短期偏好进行拼接，以产生用户行为序列推荐；本发明能相比与传统的拟合用户-项目或项目-项目之间的交互的方法，够快速有效的的结合用户的长期偏好和短期偏好向用户推荐。
-
公开(公告)号：CN115203518A
公开(公告)日：2022-10-18
申请号：CN202110387536.3
申请日：2021-04-12
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06N3/08
Abstract: 本发明是一种控制推荐系统的解纠缠表示的方法，该方法包括构建变分自编码器VAE模型，对β‑VAE模型的优化目标使用改进的比例积分微分PID控制器，以使用总相关性KL散度的输出作为反馈来自动调整超参数β，进一步引入了项目嵌入，以指导系统使用因式高斯分布来学习与实际概念相关的用户表示。本发明可以在最先进的基准模型上获得关键性的改进，模型在控制重建误差与解纠缠质量之间权衡的有效性得到验证。
-
公开(公告)号：CN111553766A
公开(公告)日：2020-08-18
申请号：CN202010349514.3
申请日：2020-04-28
Applicant: 苏州市职业大学
Abstract: 本申请公开了一种商品推荐方法、装置、设备及计算机可读存储介质，方法包括：输入包含多个特征的数据集，对特征进行映射得到特征向量；利用全连接层计算每个特征向量对应的输入感知权重因子，通过输入感知权重因子得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，根据交互向量对向量层面后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量输入到因子分解机模型得到商品的推荐值，按照推荐值由大到小的顺序为用户推荐前N个商品。本申请公开的上述技术方案，从向量层面和位层面对特征向量进行调整，以提高推荐值预测的准确性，从而提高商品推荐的准确性。
-
公开(公告)号：CN120011622A
公开(公告)日：2025-05-16
申请号：CN202311526781.3
申请日：2023-11-16
Applicant: 苏州市职业大学(苏州开放大学)
IPC: G06F16/9535 , G06F17/16 , G06N3/098
Abstract: 本发明公开了一种对比学习框架的生成方法、推荐方法及其装置，该生成方法包括：获取用户集合，项目集合，以及交互矩阵；创建对比学习框架，所述对比学习框架包括：L层原始表示模型，能够学习的增强表示模型和联合学习模型；基于用户集合、项目集合和交互矩阵，对所述对比学习框架进行训练。该对比学习框架具有推荐的准确性高的优点，且在面临数据稀疏性和噪声问题时，仍然具有较高的推荐准确性。
-
公开(公告)号：CN118467828A
公开(公告)日：2024-08-09
申请号：CN202410605946.4
申请日：2024-05-15
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06N3/042 , G06N3/0455 , G06N3/0499 , G06N3/0464 , G06N3/08 , G06F18/25
Abstract: 本发明提供一种序列推荐的推荐模型的生成方法及其装置，该生成方法包括：获取用户集合U，项目集合V′，用户和项目的交互序列，以及每个交互序列分别一一对应的推荐项目；生成推荐模型，所述推荐模型包括：第一预处理模块、第二预处理模块、Transformer神经网络、超图神经网络和协作网络；对所述推荐模型进行训练。从而生成推荐模型。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.038 seconds)
