-
公开(公告)号：CN113590965B
公开(公告)日：2023-06-13
申请号：CN202110896190.X
申请日：2021-08-05
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) , 合肥工业大学
IPC: G06F16/9535 , G06F16/78 , G06F16/36 , G06F18/214 , G06N3/0464
Abstract: 本发明公开了一种融合知识图谱与情感分析的视频推荐方法，包括：1、使用知识图谱作为额外辅助信息，通过文本卷积神经网络提取视频特征生成视频向量；2、构建情感兴趣预测模型，眼动仪采集的眼动数据通过广义回归神经网络生成情感向量；3、将历史视频向量与对应的视频情感向量进行拼接经过神经网络DNN生成历史视频最终向量，计算所有历史视频最终向量的加和平均值动态的构建用户向量；4、候选视频向量和用户向量拼接后通过多层感知计算用户点击候选视频的概率，得到Top‑N推荐列表。本发明通过建立融合知识图谱与情感分析的视频推荐模型，用于用户的个性化推荐，并能提高推荐精度。
-
Patent Agency Ranking
公开(公告)号：CN113590965A
公开(公告)日：2021-11-02
申请号：CN202110896190.X
申请日：2021-08-05
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) , 合肥工业大学
IPC: G06F16/9535 , G06F16/78 , G06F16/36 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种融合知识图谱与情感分析的视频推荐方法，包括：1、使用知识图谱作为额外辅助信息，通过文本卷积神经网络提取视频特征生成视频向量；2、构建情感兴趣预测模型，眼动仪采集的眼动数据通过广义回归神经网络生成情感向量；3、将历史视频向量与对应的视频情感向量进行拼接经过神经网络DNN生成历史视频最终向量，计算所有历史视频最终向量的加和平均值动态的构建用户向量；4、候选视频向量和用户向量拼接后通过多层感知计算用户点击候选视频的概率，得到Top‑N推荐列表。本发明通过建立融合知识图谱与情感分析的视频推荐模型，用于用户的个性化推荐，并能提高推荐精度。
-
公开(公告)号：CN113343121B
公开(公告)日：2022-08-09
申请号：CN202110612684.0
申请日：2021-06-02
Applicant: 合肥工业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多粒度流行度特征的轻量级图卷积协同过滤推荐方法其步骤包括：1、简化了图卷积神经网络，在图卷积神经网络和协同过滤的融合框架中移除了图卷积神经网络中的非线性激活函数和权重转换矩阵；2、建模多粒度节点流行度特征，将流行度特征融入到协同过滤信号中，形成一个统一的框架模型；3、经过模型的输入、模型的嵌入生成、模型的预测偏好评分，最后使用BPR loss损失函数作为目标函数，利用Adam优化器进行模型训练以更新模型的参数。本发明通过使用轻量级的图卷积神经网络，融入多粒度流行度特征的协同过滤框架，可以更加准确的学习用户与物品的交互关系，从而实现更好的推荐效果。
-
公开(公告)号：CN113343121A
公开(公告)日：2021-09-03
申请号：CN202110612684.0
申请日：2021-06-02
Applicant: 合肥工业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多粒度流行度特征的轻量级图卷积协同过滤推荐方法其步骤包括：1、简化了图卷积神经网络，在图卷积神经网络和协同过滤的融合框架中移除了图卷积神经网络中的非线性激活函数和权重转换矩阵；2、建模多粒度节点流行度特征，将流行度特征融入到协同过滤信号中，形成一个统一的框架模型；3、经过模型的输入、模型的嵌入生成、模型的预测偏好评分，最后使用BPR loss损失函数作为目标函数，利用Adam优化器进行模型训练以更新模型的参数。本发明通过使用轻量级的图卷积神经网络，融入多粒度流行度特征的协同过滤框架，可以更加准确的学习用户与物品的交互关系，从而实现更好的推荐效果。
-
公开(公告)号：CN113362131B
公开(公告)日：2022-09-13
申请号：CN202110612686.X
申请日：2021-06-02
Applicant: 合肥工业大学
IPC: G06Q30/06 , G06F16/36 , G06F16/9536
Abstract: 本发明公开了一种融合知识图谱和用户交互的图模型智能商品推荐方法，其步骤包括：1、采集用户对商品的历史交互记录数据，构建用户商品交互矩阵Y用于训练推荐模型，并构建用户商品交互二分图；2、采集商品属性特征及属性之间的关联特征，利用先验知识构建知识图谱；3、构建融合知识图谱和用户交互的推荐模型，选取合适的损失函数来优化模型参数和特征向量；4、利用推荐模型预测用户对未交互过的商品未来产生交互的概率，选择交互概率最大的商品推荐给用户，从而完成商品推荐任务。本发明结合了知识图谱和交互二分图上的图卷积操作，可以更充分的捕捉知识图谱所携带的语义、结构信息，从而实现更准确的推荐效果。
-
公开(公告)号：CN113362131A
公开(公告)日：2021-09-07
申请号：CN202110612686.X
申请日：2021-06-02
Applicant: 合肥工业大学
IPC: G06Q30/06 , G06F16/36 , G06F16/9536
Abstract: 本发明公开了一种融合知识图谱和用户交互的图模型智能商品推荐方法，其步骤包括：1、采集用户对商品的历史交互记录数据，构建用户商品交互矩阵Y用于训练推荐模型，并构建用户商品交互二分图；2、采集商品属性特征及属性之间的关联特征，利用先验知识构建知识图谱；3、构建融合知识图谱和用户交互的推荐模型，选取合适的损失函数来优化模型参数和特征向量；4、利用推荐模型预测用户对未交互过的商品未来产生交互的概率，选择交互概率最大的商品推荐给用户，从而完成商品推荐任务。本发明结合了知识图谱和交互二分图上的图卷积操作，可以更充分的捕捉知识图谱所携带的语义、结构信息，从而实现更准确的推荐效果。
-
-
-
-
-
Search Results
6
records
(took 0.051 seconds)
