-
公开(公告)号：CN112347362A
公开(公告)日：2021-02-09
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：CN112115377A
公开(公告)日：2020-12-22
申请号：CN202010951695.7
申请日：2020-09-11
Applicant: 安徽农业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06 , G06Q50/00
Abstract: 本发明公开了一种基于社交关系的图神经网络链路预测推荐方法，建立用户——物品二部图，根据用户之间的社交关系构建含有用户社交关系的物品互动拓扑图。将评论文本和购买关系作为节点信息的来源，使用Bert进行文本数据和网络结构的特征提取工作，以得到每个节点的初始特征向量。通过在该GNN上使用残差连接的方式，使得图中的节点信息尽可能地保留原始图谱的的结构信息，并得到更新后的节点信息。最后，通过链路预测算法得到用户对物品的偏好程度，并且针对得到的预测评分，采用Top‑n推荐，生成推荐物品列表。本发明通过评论对节点特征进行个性化描述，并且能将用户——物品构成拓扑图的结构信息充分运用，从而进行更有效的推荐。
-
公开(公告)号：CN112650929A
公开(公告)日：2021-04-13
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。
-
Patent Agency Ranking
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：CN112115377B
公开(公告)日：2022-05-27
申请号：CN202010951695.7
申请日：2020-09-11
Applicant: 安徽农业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06 , G06Q50/00
Abstract: 本发明公开了一种基于社交关系的图神经网络链路预测推荐方法，建立用户——物品二部图，根据用户之间的社交关系构建含有用户社交关系的物品互动拓扑图。将评论文本和购买关系作为节点信息的来源，使用Bert进行文本数据和网络结构的特征提取工作，以得到每个节点的初始特征向量。通过在该GNN上使用残差连接的方式，使得图中的节点信息尽可能地保留原始图谱的的结构信息，并得到更新后的节点信息。最后，通过链路预测算法得到用户对物品的偏好程度，并且针对得到的预测评分，采用Top‑n推荐，生成推荐物品列表。本发明通过评论对节点特征进行个性化描述，并且能将用户——物品构成拓扑图的结构信息充分运用，从而进行更有效的推荐。
-
公开(公告)号：CN111782765A
公开(公告)日：2020-10-16
申请号：CN202010590113.7
申请日：2020-06-24
Applicant: 安徽农业大学
IPC: G06F16/33 , G06F16/9535 , G06Q30/06 , G06F40/289
Abstract: 本发明公开了一种基于图注意力机制的推荐方法，根据用户——物品购买行为建立用户——物品二部图。将用户评论文本和物品描述文本作为节点信息的来源，使用word2vec方法进行文本数据的特征提取工作，以得到每个节点的初始特征向量。通过在该二部图上搭建图注意力网络的方式，使得二部图中的节点信息可实现以注意力机制为核心的聚合操作，并得到更新后的节点信息。最后，通过MLP全连接网络将更新后的节点信息作为输入，经过多层映射后得到用户对物品的预测评分，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用户分析对物品的偏好程度，找到用户的关注点，从而进行更有效的推荐。
-
公开(公告)号：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。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.03 seconds)
