公开(公告)号：CN116127193A

公开(公告)日：2023-05-16

申请号：CN202310062006.0

申请日：2023-01-18

Applicant: 重庆邮电大学

Inventor： 苏畅 ,  彭劭闻 ,  谢显中 ,  陈敏

IPC: G06F16/9535 ,  G06F16/9536 ,  G06F40/30 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于评论信息的个性化推荐方法，属于计算机领域。本发明利用word2vec初始化词向量矩阵，再利用CNNs将评论映射到特征。然后借助注意力机制并且利用评论和评分来初始化用户和项目的特征表示。最后，结合用户和项目的交互图来捕获它们之间的高阶交互关系，从而学习用户/项目的潜在特征表示。通过在真实数据集上的实验，证明了本发明模型能利用评分和评论提升模型的性能。

公开(公告)号：CN108804646A

公开(公告)日：2018-11-13

申请号：CN201810573999.7

申请日：2018-06-06

Applicant: 重庆邮电大学

Inventor： 苏畅 ,  刘宁宁 ,  谢显中 ,  彭劭闻

IPC: G06F17/30 ,  G06Q10/04

CPC classification number: G06Q10/04

Abstract: 本发明涉及一种融合深度学习和因子分解机的兴趣点签到预测方法，属于位置签到预测领域包括：S1：获取用户签到数据；S2：对输入的离散数据进行嵌入处理；S3：离散数据去稀疏处理，并学习数据之间的隐含二阶关系；S4：对于连续特征加入全连接隐藏层进行学习，选取合适的激励函数；S5：输入由离散特征经过处理的结果和连续特征经过处理的结果相加作为隐藏层h1的输入；S6：隐藏层h1的输出l1经过一阶线性和特征交互结构并相加作为隐藏层h2的输入；S7：隐藏层h3接收的输入来自隐藏层h1和h2的输出l1和l2，同时加入shortcut结构保证参数学习时梯度的稳定性，确定最佳的模型结构，最后输出预测结果。本发明通过分析用户签到信息，充分挖掘学习签到规律，预测兴趣点签到问题。

公开(公告)号：CN108804646B

公开(公告)日：2021-05-11

申请号：CN201810573999.7

申请日：2018-06-06

Applicant: 重庆邮电大学

Inventor： 苏畅 ,  刘宁宁 ,  谢显中 ,  彭劭闻

IPC: G06F16/9537 ,  G06Q10/04

Abstract: 本发明涉及一种融合深度学习和因子分解机的兴趣点签到预测方法，属于位置签到预测领域包括：S1：获取用户签到数据；S2：对输入的离散数据进行嵌入处理；S3：离散数据去稀疏处理，并学习数据之间的隐含二阶关系；S4：对于连续特征加入全连接隐藏层进行学习，选取合适的激励函数；S5：输入由离散特征经过处理的结果和连续特征经过处理的结果相加作为隐藏层h1的输入；S6：隐藏层h1的输出l1经过一阶线性和特征交互结构并相加作为隐藏层h2的输入；S7：隐藏层h3接收的输入来自隐藏层h1和h2的输出l1和l2，同时加入shortcut结构保证参数学习时梯度的稳定性，确定最佳的模型结构，最后输出预测结果。本发明通过分析用户签到信息，充分挖掘学习签到规律，预测兴趣点签到问题。