公开(公告)号：CN108874914B

公开(公告)日：2021-11-02

申请号：CN201810533975.9

申请日：2018-05-29

Applicant: 吉林大学

Inventor： 杨博 ,  陈贺昌 ,  江原

IPC: G06F16/9535 ,  G06Q30/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于图卷积与神经协同过滤的信息推荐方法，结合图卷积神经网络模型的优点，能够通过直观的方式对多种信息进行融合处理，不仅能够接收用户的特征信息，而且能够接收用户的属性信息，对稀疏的评分数据有较好的推荐性能；另外使用了多种技巧对模型的输入与参数进行优化建模，克服了可能遇到的细节问题。另外，由于引入非线性的基于神经网络的协同过滤方法作为模型的解码器部分，能够很好的利用图卷积编码器输出的用户和物品编码，通过end‑to‑end的模型，所有过程都是运行在同一框架下，不需分别训练。经过输入数据的处理和模型的训练与预测，可以得到完整的评分预测矩阵。

公开(公告)号：CN108874914A

公开(公告)日：2018-11-23

申请号：CN201810533975.9

申请日：2018-05-29

Applicant: 吉林大学

Inventor： 杨博 ,  陈贺昌 ,  江原

IPC: G06F17/30 ,  G06Q30/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于图卷积与神经协同过滤的信息推荐方法，结合图卷积神经网络模型的优点，能够通过直观的方式对多种信息进行融合处理，不仅能够接收用户的特征信息，而且能够接收用户的属性信息，对稀疏的评分数据有较好的推荐性能；另外使用了多种技巧对模型的输入与参数进行优化建模，克服了可能遇到的细节问题。另外，由于引入非线性的基于神经网络的协同过滤方法作为模型的解码器部分，能够很好的利用图卷积编码器输出的用户和物品编码，通过end‑to‑end的模型，所有过程都是运行在同一框架下，不需分别训练。经过输入数据的处理和模型的训练与预测，可以得到完整的评分预测矩阵。

公开(公告)号：CN119761446A

公开(公告)日：2025-04-04

申请号：CN202410879493.4

申请日：2024-07-02

Applicant: 吉林大学

Inventor： 赵松伟 ,  陈贺昌 ,  常毅 ,  江原 ,  杨哲健 ,  杜昕祺

IPC: G06N3/084 ,  G06N3/042 ,  G06N3/0464

Abstract: 本申请公开了一种基于灵活扩散卷积的图神经网络训练方法及相关设备，该方法包括：获取包含节点标签的训练图数据；根据所述训练图数据的节点度信息确定每个节点的局部结构特征；利用扩散核函数处理所述局部结构特征得到每个节点的平滑特征；将所述平滑特征输入多层感知器得到每个节点的初步标签值，通过标签平滑处理所述初步标签值后得到每个节点的预测标签值；基于所述预测标签值和所述节点标签更新所述扩散核函数和所述多层感知器的参数，直至收敛或达到预定的训练轮数。本申请能够优化图神经网络模型的预测性能，提高鲁棒性和泛化性，提高对推荐系统等复杂图数据的标签预测准确率。

公开(公告)号：CN118780318A

公开(公告)日：2024-10-15

申请号：CN202410921639.7

申请日：2024-07-10

Applicant: 吉林大学

Inventor： 陈贺昌 ,  赵松伟 ,  常毅 ,  江原 ,  张斯诺 ,  宋玖蔓

IPC: G06N3/042 ,  G06F18/213 ,  G06N3/047 ,  G06N3/08 ,  G06F18/241

Abstract: 本申请提供了一种图神经网络训练方法、标签生成方法、装置、设备及介质，该方法应用于图数据技术领域，该方法包括：获取训练图数据中第i个节点数据的目标邻域结构与所述第i个节点数据的样本标签；基于所述目标邻域结构中的邻居节点数据的原始节点特征，对所述第i个节点数据的原始节点特征进行特征聚合，得到所述第i个节点数据的平滑特征；将所述第i个节点数据的平滑特征输入至待训练的图神经网络，输出所述第i个节点数据的目标预测标签；基于所述第i个节点数据的目标预测标签和所述样本标签之间的差异，对所述待训练的图神经网络进行迭代训练，得到训练后的图神经网络。该方法能够适用对不同图结构中节点的标签进行预测。