-
公开(公告)号：CN117876069A
公开(公告)日：2024-04-12
申请号：CN202410048329.9
申请日：2024-01-12
Applicant: 重庆邮电大学
IPC: G06Q30/0601 , G06F16/9535 , G06F18/214 , G06N3/096 , G06N3/0895 , G06N3/084 , G06N3/045
Abstract: 本发明属于推荐系统领域，具体涉及一种基于迁移学习和解耦负采样的推荐方法及系统；本发明根据因果推断中的对撞效应构造负采样模块得到训练数据；构建两个独立的编码器，将训练数据输入编码器中进行训练得到用户以及正负样本的真实特征和干扰特征；对真实特征和干扰特征设计解耦表征学习任务和全局对比学习任务；借鉴迁移学习中的领域对齐方法来对真实特征设计迁移学习模块；设计样本选择器模块，将真实特征以及干扰特征输入到该模块得到优化集。最后，根据优化集设计推荐损失函数去优化现有推荐模型的预测参数；被发明有效提高了现有推荐模型的鲁棒性和准确率。
-
公开(公告)号：CN119961614A
公开(公告)日：2025-05-09
申请号：CN202510125841.3
申请日：2025-01-27
Applicant: 重庆邮电大学
IPC: G06F18/20 , G06F18/213 , G06F18/25 , G06F16/9535 , G06N3/045 , G06N3/048 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明属于推荐系统领域，涉及一种基于注意力机制的长短期偏好融合序列推荐方法，包括：获取用户行为数据并输入训练好的序列推荐模型，得到推荐结果；序列推荐模型的训练过程包括：获取用户行为数据并进行预处理得到每个用户的交互序列Su；将Su输入嵌入模块得到项目嵌入矩阵EI、位置嵌入矩阵P以及总嵌入矩阵E；将EI和E输入非对称注意力机制层得到用户长期偏好Ac和短期偏好As；将EI、Ac和As输入自适应融合模块得到融合特征；将EI和融合特征输入预测模块得到推荐结果；根据推荐结果更新模型参数，直到得到训练好的推荐模型；本发明利用非对称注意力机制层从EI和E中提取用户长短期偏好，能够更细致地表示用户偏好。
-
公开(公告)号：CN118042525A
公开(公告)日：2024-05-14
申请号：CN202410163766.5
申请日：2024-02-05
Applicant: 重庆邮电大学
IPC: H04W28/08 , G06N3/0464 , G06N3/08
Abstract: 本发明属于边缘计算卸载技术领域，具体涉及一种基于多目标权重网络的任务卸载方法，包括构建移动边缘计算网络，该网络包括一个边缘服务器、多个路边收发单元和多个终端单元；获取网络中的数据；根据网络中的数据确定优化目标和限制条件；构建多智能体深度强化框架；采用多智能体深度强化框架对优化目标进行处理，得到状态空间、动作空间和回报函数；根据状态空间、动作空间和回报函数采用训练好的改进多目标权重网络进行任务卸载决策；本发明通过多目标权重网络的任务卸载方法能够寻求多个冲突目标的综合最优，获得更合适的任务决策。
-
公开(公告)号：CN117828192A
公开(公告)日：2024-04-05
申请号：CN202410050266.0
申请日：2024-01-12
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06N3/045 , G06F17/16 , G06N3/0442 , G06N3/094
Abstract: 本发明属于推荐系统领域，涉及一种融合时间信息的自注意力序列推荐方法，包括：获取用户历史行为数据及其时间信息，并进行预处理，得到用户历史交互序列和时间序列；将用户历史交互序列和时间序列输入嵌入模块进行嵌入编码，得到项目嵌入矩阵MI和相对时间嵌入矩阵MR，将矩阵MI和矩阵MR进行组合，得到总嵌入矩阵E；将矩阵MI、矩阵E以及时间序列输入全局特征建模模块，得到用户全局特征和用户干扰偏好；将用户全局特征和用户干扰偏好输入预测模块得到推荐预测概率；本发明通过数据增强模块增强时间和位置的表征，使模型获得更完整的信息表示；通过对抗调整模块区分注意力权重的决定性部分和干扰部分，降低噪声的影响。
-
-
-
Search Results
4
records
(took 0.016 seconds)
