-
公开(公告)号：CN111008858B
公开(公告)日：2023-10-31
申请号：CN201911019618.1
申请日：2019-10-24
Applicant: 清华大学 , 杭州微拓科技有限公司
IPC: G06Q30/0202 , G06N3/0464 , G06N3/082
Abstract: 本发明实施例提供一种商品销量预测方法及系统，包括：获取目标商品在预设历史时间段的销量序列和所有类似商品在预设历史时间段内的销量序列；获取相同特征商品促销活动序列的归一化销量；将目标商品在预设历史时间段的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到卷积层中，获取特征空间向量；将目标商品的静态特征、在预设历史时间段内的销量序列、平台爆发销量序列、商品爆发销量序列和特征空间向量进行拼接，将拼接之后的特征输入全连接层，获取目标商品在预测未来时间段内的销量。本发明实施例有效利用未来时间内平台的促销活动及商品的特卖排期信息，大幅提升预估准确度。
-
公开(公告)号：CN118761653B
公开(公告)日：2024-11-19
申请号：CN202411245265.8
申请日：2024-09-06
Applicant: 清华大学
IPC: G06Q10/0637 , G06Q50/26 , G06F16/901 , G06N3/042 , G06N3/0455 , G06N3/0499
Abstract: 本公开涉及移动数据生成技术领域，尤其涉及一种基于图去噪扩散的城市起终点矩阵通用生成装置及方法。该方法包括：获取目标城市的静态属性信息；根据静态属性信息构建针对目标城市的城市群体移动图，城市群体移动图包括多个节点以及连接在节点之间的多个有向边；将城市群体移动图输入到训练好的目标生成模型中，生成目标城市的起终点矩阵；目标生成模型是基于图去噪扩散的通用生成模型，通用生成模型用于根据城市群体移动图确定出带噪声的加噪多模态图，而后对加噪多模态图进行去噪声处理，生成目标城市的起终点矩阵。在各种不同结构和类型的目标城市上均达到高精度生成的优异性能表现。生成的起终点矩阵准确性高。
-
公开(公告)号：CN118378734A
公开(公告)日：2024-07-23
申请号：CN202410214203.4
申请日：2024-02-27
Applicant: 清华大学
IPC: G06Q10/04 , G06F18/10 , G06F18/214 , G06N3/08 , G06F17/18
Abstract: 本发明提供一种基于深度学习的时空事件预测方法和装置，包括：获取历史时空事件序列，将所述历史时空事件序列包括的预设数量个历史时空事件依次输入至预先构建的时空自注意力模块，得到隐藏层表征；将所述隐藏层表征输入至预先训练的时空去噪扩散模型，得到目标预测事件；其中，所述时空去噪扩散模型是基于深度神经网络，根据预先构建的共注意力机制利用海量历史时空事件样本进行训练得到的。本发明利用去噪扩散概率建模，能够有效地学习时空点过程的联合分布，适用于各种不同领域的时空点过程，实现扩展性更强、应用范围不受限的时空事件预测。
-
公开(公告)号：CN110889747B
公开(公告)日：2023-05-09
申请号：CN201911215534.5
申请日：2019-12-02
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G06Q30/0601
Abstract: 本发明涉及商品推荐方法、装置、系统、计算机设备及存储介质，属于信息推荐技术领域。该方法包括：获取预先构建的第一样本采集模型；所述第一样本采集模型用于表征曝光商品负样本和初始商品负样本之间的相关性；所述初始商品负样本中包含有未曝光商品负样本；根据所述第一样本采集模型，从所述初始商品负样本中确定目标采样商品负样本；根据所述目标采样商品负样本确定目标推荐商品。上述技术方案，解决了传统商品推荐方法不能得到准确的商品推荐结果的问题。能从包含有未曝光商品负样本的初始商品负样本中选取出代表用户真实负向喜好的负样本，进而得到准确的商品推荐结果。
-
公开(公告)号：CN110858374B
公开(公告)日：2022-07-08
申请号：CN201810961395.X
申请日：2018-08-22
Applicant: 清华大学
IPC: G06Q30/06
Abstract: 本发明提供一种BPR中样本空间缩小方法及装置，所述方法包括：对于目标购物系统中的任一用户，根据该用户购买过的商品获取该用户对应的负采样比例系数，将所述目标购物系统的商品全集中除该用户购买过的商品以外的商品作为负样本候选集；根据该用户对应的负采样比例系数和负样本候选集，获取该用户对应的负样本空间。本发明缩小负样本空间，在保证推荐性能的基础上基于缩小的负样本空间进行商品推荐，提高了商品推荐的效率。
-
Patent Agency Ranking
公开(公告)号：CN109087178B
公开(公告)日：2021-05-18
申请号：CN201810989667.7
申请日：2018-08-28
Applicant: 清华大学
Abstract: 本发明实施例提供一种商品推荐方法和装置。其中，方法包括：获取用户的编号，将所述用户的编号输入预设的贝叶斯个性化排序模型，根据预设的贝叶斯个性化排序模型的输出，获取该用户对商品的预测喜好；根据该用户对商品的预测喜好，获取该用户的推荐商品列表。本发明实施例提供的商品推荐方法和装置，利用用户的辅助反馈数据，基于传统贝叶斯个性化排序模型获取用户对商品的预测喜好，从而获得用户的推荐商品列表，能更加精准地建模用户喜好，有效利用用户的辅助反馈数据，能够实现推荐结果的精准度的大幅度提升。
-
公开(公告)号：CN111008858A
公开(公告)日：2020-04-14
申请号：CN201911019618.1
申请日：2019-10-24
Applicant: 清华大学 , 杭州微拓科技有限公司
Abstract: 本发明实施例提供一种商品销量预测方法及系统，包括：获取目标商品在预设历史时间段的销量序列和所有类似商品在预设历史时间段内的销量序列；获取相同特征商品促销活动序列的归一化销量；将目标商品在预设历史时间段的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到卷积层中，获取特征空间向量；将目标商品的静态特征、在预设历史时间段内的销量序列、平台爆发销量序列、商品爆发销量序列和特征空间向量进行拼接，将拼接之后的特征输入全连接层，获取目标商品在预测未来时间段内的销量。本发明实施例有效利用未来时间内平台的促销活动及商品的特卖排期信息，大幅提升预估准确度。
-
公开(公告)号：CN110858374A
公开(公告)日：2020-03-03
申请号：CN201810961395.X
申请日：2018-08-22
Applicant: 清华大学
IPC: G06Q30/06
Abstract: 本发明提供一种BPR中样本空间缩小方法及装置，所述方法包括：对于目标购物系统中的任一用户，根据该用户购买过的商品获取该用户对应的负采样比例系数，将所述目标购物系统的商品全集中除该用户购买过的商品以外的商品作为负样本候选集；根据该用户对应的负采样比例系数和负样本候选集，获取该用户对应的负样本空间。本发明缩小负样本空间，在保证推荐性能的基础上基于缩小的负样本空间进行商品推荐，提高了商品推荐的效率。
-
公开(公告)号：CN109102127A
公开(公告)日：2018-12-28
申请号：CN201811011469.X
申请日：2018-08-31
Applicant: 杭州贝购科技有限公司 , 清华大学
Abstract: 本发明实施例提供一种商品推荐方法及装置，包括：获取用户群的购物数据，利用所述购物数据训练基于eALS算法构建的预测模型，获得使所述预测模型达到最优解时的每个用户的用户特征向量以及每个商品的商品特征向量；所述用户特征向量与所述商品特征向量的内积用于表征用户对商品的预测喜好；对于用户群中的任意一个用户，根据该用户的用户特征向量与各商品特征向量的内积，获得该用户对所有商品的预测喜好，根据该用户对所有商品的预测喜好获得该用户的商品推荐列表。本发明实施例在eALS算法中加入用户关注的商品信息的影响，使得构建的预测模型能够更真实的反应用户对商品的喜好程度，从而达到更好的推荐效果。
-
公开(公告)号：CN109087178A
公开(公告)日：2018-12-25
申请号：CN201810989667.7
申请日：2018-08-28
Applicant: 清华大学
Abstract: 本发明实施例提供一种商品推荐方法和装置。其中，方法包括：获取用户的编号，将所述用户的编号输入预设的贝叶斯个性化排序模型，根据预设的贝叶斯个性化排序模型的输出，获取该用户对商品的预测喜好；根据该用户对商品的预测喜好，获取该用户的推荐商品列表。本发明实施例提供的商品推荐方法和装置，利用用户的辅助反馈数据，基于传统贝叶斯个性化排序模型获取用户对商品的预测喜好，从而获得用户的推荐商品列表，能更加精准地建模用户喜好，有效利用用户的辅助反馈数据，能够实现推荐结果的精准度的大幅度提升。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.052 seconds)
