-
公开(公告)号：CN112131469A
公开(公告)日：2020-12-25
申请号：CN202011001987.0
申请日：2020-09-22
Applicant: 安徽农业大学
IPC: G06F16/9535 , G06F40/30 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于评论文本的深度学习推荐方法，运用BERT模型得到用户和物品语义特征和特征向量矩阵；运用BLSTM模型，结合CNN对向量矩阵进行卷积、最大池化和全连接操作，分别得到用户特征和物品特征的最终表示；通过MLP全连接网络将得到的用户特征和物品特征表示的拼接作为输入，运用Top‑N排序，生成推荐列表。本发明运用BERT模型进行词嵌入特征提取，避免了一词多义的失配问题，BLSTM模型避免了单向LSTM无法获取从后向前的语义信息和对句子的表述缺乏完整性的问题，分别从正向和逆向进行句子的语义编码，获得更精准的句子向量表示，获得更精确的隐表示，通过CNN提取局部语义特征，进行有效的推荐。
-
公开(公告)号：CN106372099B
公开(公告)日：2020-06-16
申请号：CN201610534240.9
申请日：2016-07-07
Applicant: 安徽农业大学
IPC: G06F16/28
Abstract: 本发明公开了一种农业领域本体有效性评估方法，结合查全率R、查准率P和F1指数对农业领域本体概念进行评估，结合概念间的语义相似度对农业领域本体概念间分类关系的一致性、准确性、简洁性进行评估，根据评估指标对农业领域本体概念间对象属性关系进行评估。如此，重点解决了农业领域本体有效性评估中存在的三个重要问题——本体概念的有效性评估、本体分类关系的有效性评估和本体非分类关系的有效性评估。本发明提出的农业领域本体有效性评估方法体系以农业领域本体为研究对象，可有效地评估农业领域本体的质量，提升农业本体构建效率。
-
公开(公告)号：CN106599117B
公开(公告)日：2019-12-03
申请号：CN201611087353.5
申请日：2016-12-01
Applicant: 安徽农业大学
IPC: G06F16/35
Abstract: 一种茶学领域虚拟本体建模方法，基于云计算的MapReduce框架的，包括若干个Map任务和一个Reduce任务。其中，Map任务主要开展茶学领域本体模块的虚拟抽取，Map任务的个数由所涉及到茶学领域本体的个数确定。Reduce任务主要是对虚拟抽取后的茶学领域本体模块进行映射，最终生成茶学领域虚拟本体。为了更好的发挥MapReduce的效率，方法中所涉及的茶学虚拟本体知识均储存在HBase数据库中。本方法能实现云计算环境下多个茶学本体知识的按需获取，有效提高茶学本体知识的共享和复用效率。
-
公开(公告)号：CN106372099A
公开(公告)日：2017-02-01
申请号：CN201610534240.9
申请日：2016-07-07
Applicant: 安徽农业大学
IPC: G06F17/30
Abstract: 本发明公开了一种农业领域本体有效性评估方法，结合查全率R、查准率P和F1指数对农业领域本体概念进行评估，结合概念间的语义相似度对农业领域本体概念间分类关系的一致性、准确性、简洁性进行评估，根据评估指标对农业领域本体概念间对象属性关系进行评估。如此，重点解决了农业领域本体有效性评估中存在的三个重要问题——本体概念的有效性评估、本体分类关系的有效性评估和本体非分类关系的有效性评估。本发明提出的农业领域本体有效性评估方法体系以农业领域本体为研究对象，可有效地评估农业领域本体的质量，提升农业本体构建效率。
-
公开(公告)号：CN117993996A
公开(公告)日：2024-05-07
申请号：CN202410104858.6
申请日：2024-01-25
Applicant: 安徽农业大学
IPC: G06Q30/0601 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多行为超图神经网络的序列推荐方法，综合考虑超图在学习行为依赖以及多行为下的用户表示聚合，其步骤包括：1、训练数据集的准备；2、利用超图学习全局行为依赖；3、获取不同行为下的相关性得分；4、消除流行度偏差影响，获取用户真实兴趣。6、利用融合后的全局特征进行推荐；本发明能通过行为首选项进行多行为解耦合，聚合不同行为下的用户特点，并结合超图学习到的个性化行为依赖，从而能够以较小的计算成本大大增加推荐的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117495489A
公开(公告)日：2024-02-02
申请号：CN202311446475.9
申请日：2023-10-31
Applicant: 安徽农业大学
IPC: G06Q30/0601 , G06F18/22 , G06F18/20 , G06F18/214
Abstract: 本发明公开了一种基于多链技术的大米产品推荐系统及推荐方法，系统包括：推荐系统链模块和大米供应链管理链模块；推荐系统链模块包括：DPos大米推荐系统链单元，包括推荐算法模块、用户身份认证模块、大米推荐流程标识符模块、智能合约模块、奖励和激励模块；推荐系统单元，包括智能数据提取模块、数据分析与预处理模块、数据训练和数据测试模块、强化学习推荐算法自适应选择模块、大米推荐模块、链上链下对比模块；大米供应链管理链模块包括：PBFT大米供应链管理链，包括多个节点，每一个节点代表一个参与方，用于系统根数据的上传与存储管理。利用本发明实施例，能够有效解决大米全产业链中数据处理的效率和安全难以兼得的问题。
-
公开(公告)号：CN115689687A
公开(公告)日：2023-02-03
申请号：CN202211376444.6
申请日：2022-11-04
Applicant: 安徽农业大学
IPC: G06Q30/0601 , G06F16/9535 , G06F16/9537 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于元胞自动机的动态图神经网络推荐方法，根据用户物品交互信息构建用户物品交互动态图，对交互动态图进行划分，分为用户视角动态图和物品视角动态图。分别对用户视角动态图和物品视角动态图进行学习，过程为用户兴趣偏移、用户兴趣增强、用户元胞状态变化偏移量计算和用户兴趣聚合，物品视角动态图学习过程为物品邻居信息聚合、物品元胞状态信息判断和物品嵌入信息更新。利用用户物品嵌入表示预测未来时刻的表示并计算用户与物品交互概率，根据交互概率大小排序进行推荐。本发明很好的把握住推荐场景中用户与物品随时间不断演化的规律并及时捕捉到用户偏好的变化和物品携带信息的更新，找到用户感兴趣的物品，进行个性化推荐。
-
公开(公告)号：CN112650929B
公开(公告)日：2022-05-03
申请号：CN202011614918.7
申请日：2020-12-31
Applicant: 安徽农业大学
IPC: G06F16/9535 , G06F40/284 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融入评论信息的图神经网络推荐方法，将用户评论文本作为节点信息的来源，使用BERT模型进行文本数据的特征提取工作，以得到每个节点的内容表述向量。再根据用户与物品的交互行为建立用户—物品二部图，通过在该二部图上搭建图神经网络聚合节点的一阶和三阶邻居信息，来学习用户和物品的结构表述，再将结构表述与内容表述相融合作为用户和物品的最终嵌入表示。最后，通过多层感知机MLP预测用户对各物品的交互概率。针对得到的预测结果，采用Top‑N排序，生成推荐物品列表。本发明能更精确捕捉用户偏好，找到用户的兴趣点，并对其进行更为准确有效的推荐。
-
公开(公告)号：CN112347362B
公开(公告)日：2022-05-03
申请号：CN202011283015.5
申请日：2020-11-16
Applicant: 安徽农业大学
IPC: G06F16/9535 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图自编码器的个性化推荐方法，利用用户与物品的交互行为，构建邻接矩阵，并对其进行归一化处理，使用图卷积网络进行卷积操作，获取节点的隐层表示；利用用户评论文本和物品描述文本作为节点信息的来源，得到每个节点的初始特征向量，再使用图注意力网络聚合邻居节点特征，更新节点信息；利用用户和物品的属性特征，构建全连接网络计算得到隐层特征；将隐层特征进行拼接得到新的节点信息，构建全连接网络，进行编码，使用双线性解码器重构用户对物品的评分作为预测评分，针对得到的预测评分采用Top‑N推荐生成推荐物品列表。本发明能更精确的帮助分析用户对物品的偏好程度，找到用户的关注点，从而进行更有效的推荐。
-
公开(公告)号：CN114357283A
公开(公告)日：2022-04-15
申请号：CN202111505740.7
申请日：2021-12-10
Applicant: 安徽农业大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06N3/04
Abstract: 本发明公开了一种基于评论和自注意力机制的推荐方法，通过利用用户和物品的交互行为分别获得用户与物品的表征矩阵，应用用户—评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵；将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分；对预测评分进行降序排列，选取评分最高的N个商品进行推荐。本发明通过使用自注意力机制处理评论，使模型的性能优于现有的技术下的推荐模型，最终提高了真实环境下推荐物品的准确度。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.021 seconds)
