-
公开(公告)号：CN112487200A
公开(公告)日：2021-03-12
申请号：CN202011337565.0
申请日：2020-11-25
Applicant: 吉林大学
IPC: G06F16/36 , G06F16/9535 , G06N3/04
Abstract: 本发明公开了一种改进的包含多重边信息与多任务学习的深度推荐方法，其方法为：步骤一、输入用户以及项目的相关数据以及知识图谱的三元组；步骤二、对项目属性以及用户属性进行分类；步骤三、处理文本类属性；步骤四、处理多值属性；步骤五、通过用户以及项目属性进行用户项目特征表示；步骤六、将项目属性与知识图谱的头属性进行交叉训练；步骤七、迭代更新用户向量、项目向量、知识图谱头部尾部向量；步骤八、损失函数学习。本发明的有益效果：提出SI‑MKR，可以将传统MKR模型的三个模块进行创新，发展为四个模块，将不可构造成知识图谱三元组的属性进行提前处理，针对每个属性值进行初始化。
-
Patent Agency Ranking
公开(公告)号：CN112800326A
公开(公告)日：2021-05-14
申请号：CN202110060998.4
申请日：2021-01-18
Applicant: 吉林大学
IPC: G06F16/9535 , G06F16/36 , G06N3/04 , G06N3/08 , G06F17/16
Abstract: 本发明公开了一种改进的多任务学习与知识图谱结合的Ripp‑MKR推荐方法，推荐方法包括的步骤有：步骤一、输入用户点击历史、知识图谱以及项目的初始化向量；步骤二、针对用户点击历史、知识图谱进行递归，获取用户的历史兴趣属性与权重；步骤三、加权所有尾部的特征向量得到一级响应；步骤四、所有的响应加权求和获得用户向量矩阵；步骤五、进行项目向量矩阵与知识图谱头部向量交叉训练；步骤六、迭代更新用户向量、项目向量、知识图谱头部尾部向量；步骤七、损失函数学习。有益效果：自动发现用户的层次潜在兴趣，推荐模块和KGE模块通过专门设计的交叉和压缩单元进行连接。采用多任务学习框架进行交替学习。
-
公开(公告)号：CN112487200B
公开(公告)日：2022-06-07
申请号：CN202011337565.0
申请日：2020-11-25
Applicant: 吉林大学
IPC: G06F16/36 , G06F16/9535 , G06N3/04
Abstract: 本发明公开了一种改进的包含多重边信息与多任务学习的深度推荐方法，其方法为：步骤一、输入用户以及项目的相关数据以及知识图谱的三元组；步骤二、对项目属性以及用户属性进行分类；步骤三、处理文本类属性；步骤四、处理多值属性；步骤五、通过用户以及项目属性进行用户项目特征表示；步骤六、将项目属性与知识图谱的头属性进行交叉训练；步骤七、迭代更新用户向量、项目向量、知识图谱头部尾部向量；步骤八、损失函数学习。本发明的有益效果：提出SI‑MKR，可以将传统MKR模型的三个模块进行创新，发展为四个模块，将不可构造成知识图谱三元组的属性进行提前处理，针对每个属性值进行初始化。
-
公开(公告)号：CN112800326B
公开(公告)日：2022-03-15
申请号：CN202110060998.4
申请日：2021-01-18
Applicant: 吉林大学
IPC: G06F16/9535 , G06F16/36 , G06N3/04 , G06N3/08 , G06F17/16
Abstract: 本发明公开了一种改进的多任务学习与知识图谱结合的Ripp‑MKR推荐方法，推荐方法包括的步骤有：步骤一、输入用户点击历史、知识图谱以及项目的初始化向量；步骤二、针对用户点击历史、知识图谱进行递归，获取用户的历史兴趣属性与权重；步骤三、加权所有尾部的特征向量得到一级响应；步骤四、所有的响应加权求和获得用户向量矩阵；步骤五、进行项目向量矩阵与知识图谱头部向量交叉训练；步骤六、迭代更新用户向量、项目向量、知识图谱头部尾部向量；步骤七、损失函数学习。有益效果：自动发现用户的层次潜在兴趣，推荐模块和KGE模块通过专门设计的交叉和压缩单元进行连接。采用多任务学习框架进行交替学习。
-
公开(公告)号：CN110704636A
公开(公告)日：2020-01-17
申请号：CN201910926716.7
申请日：2019-09-27
Applicant: 吉林大学
Abstract: 本发明公开了一种改进的基于Node2vec的知识图谱向量表示方法，其方法为：步骤一、重构知识图谱G’＝(E,R,L)；步骤二、转移概率设定；步骤三、游走路径设定；步骤四、根据节点的种类以及节点所处的位置设定训练模型；步骤五、训练参数优化；步骤六、通过多次训练，输出节点的向量化表示。本发明的有益效果：结合重构的知识图谱结构，进行反复训练，将游走序列按照实体与关系交叉游走的方式，可以充分地训练得到节点的语义信息，在获取网络拓扑结构的同时，也可获取到其性质意义。将同质性结构网络更改为异构性结构网络，更适应知识图谱网络结构的特点，游走序列与自然语言结构更为贴近，预测结果更加准确。
-
公开(公告)号：CN110704636B
公开(公告)日：2021-01-05
申请号：CN201910926716.7
申请日：2019-09-27
Applicant: 吉林大学
Abstract: 本发明公开了一种改进的基于Node2vec的知识图谱向量表示方法，其方法为：步骤一、重构知识图谱G’＝(E,R,L)；步骤二、转移概率设定；步骤三、游走路径设定；步骤四、根据节点的种类以及节点所处的位置设定训练模型；步骤五、训练参数优化；步骤六、通过多次训练，输出节点的向量化表示。本发明的有益效果：结合重构的知识图谱结构，进行反复训练，将游走序列按照实体与关系交叉游走的方式，可以充分地训练得到节点的语义信息，在获取网络拓扑结构的同时，也可获取到其性质意义。将同质性结构网络更改为异构性结构网络，更适应知识图谱网络结构的特点，游走序列与自然语言结构更为贴近，预测结果更加准确。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
