-
公开(公告)号：CN115357805B
公开(公告)日：2023-06-16
申请号：CN202210920144.3
申请日：2022-08-02
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/0464 , G06N3/042 , G06N3/08
摘要： 一种基于内外部视角的群组推荐方法，基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
-
公开(公告)号：CN114741572B
公开(公告)日：2024-07-23
申请号：CN202210364463.0
申请日：2022-04-08
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC分类号： G06F16/9035 , G06F16/9038 , G06F16/906
摘要： 一种基于图卷积神经网络群组发现的群组推荐方法，根据电影主题类别将用户—电影交互数据划分为数据子集，使用各数据子集构建用户—电影交互图，通过图卷积网络从交互图中学习用户/电影嵌入表示，然后利用Kmeans算法进行群组发现，通过均值融合策略，将群组成员嵌入表示融合为群组嵌入表示，最后将群组嵌入表示与电影嵌入表示进行内积得到群组对电影的预测偏好得分，根据偏好得分向群组推荐电影。侧重于群组发现阶段的用户嵌入获取方法，考虑了群组的内部一致性对群组推荐算法性能的影响，将用户—电影的交互信息融入用户/电影的特征信息之中，提高了群组发现中的用户嵌入表示的准确度，进而增强了群组推荐算法的性能。
-
公开(公告)号：CN115357805A
公开(公告)日：2022-11-18
申请号：CN202210920144.3
申请日：2022-08-02
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/04 , G06N3/08
摘要： 一种基于内外部视角的群组推荐方法，基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
-
公开(公告)号：CN114741572A
公开(公告)日：2022-07-12
申请号：CN202210364463.0
申请日：2022-04-08
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC分类号： G06F16/9035 , G06F16/9038 , G06F16/906
摘要： 一种基于图卷积神经网络群组发现的群组推荐方法，根据电影主题类别将用户—电影交互数据划分为数据子集，使用各数据子集构建用户—电影交互图，通过图卷积网络从交互图中学习用户/电影嵌入表示，然后利用Kmeans算法进行群组发现，通过均值融合策略，将群组成员嵌入表示融合为群组嵌入表示，最后将群组嵌入表示与电影嵌入表示进行内积得到群组对电影的预测偏好得分，根据偏好得分向群组推荐电影。侧重于群组发现阶段的用户嵌入获取方法，考虑了群组的内部一致性对群组推荐算法性能的影响，将用户—电影的交互信息融入用户/电影的特征信息之中，提高了群组发现中的用户嵌入表示的准确度，进而增强了群组推荐算法的性能。
-
公开(公告)号：CN116304362B
公开(公告)日：2023-12-15
申请号：CN202211724767.X
申请日：2022-12-21
申请人： 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/045 , G06N3/048 , G06N3/082
摘要： 一种基于相关性注意力的群组推荐方法，属于群组推荐技术领域，设计了相关性注意力组件，该组件首先根据景点、群组以及群组成员的嵌入向量学习每个成员的贡献度，然后根据成员的贡献度为成员分配相应的权重，并分别对群组和成员的相关性以及景点和成员的相关性建模，最后采用加权求和的形式得到群组嵌入向量以进行推荐。两种相关性建模采用的皆是逐元素乘法的形式，嵌入项向量的每个维度代表了相应特征的强度，逐元素乘法可以高效的建模特征交互。逐元素乘积后得到的新的嵌入向量不仅包含了成员和群组（景点）二阶特征组合信息，而且还包含了所隐含的关联性，达到了关联性建模的目的，从而进一步增强了群组推荐的性能。
-
公开(公告)号：CN116304362A
公开(公告)日：2023-06-23
申请号：CN202211724767.X
申请日：2022-12-21
申请人： 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/045 , G06N3/048 , G06N3/082
摘要： 一种基于相关性注意力的群组推荐方法，属于群组推荐技术领域，设计了相关性注意力组件，该组件首先根据景点、群组以及群组成员的嵌入向量学习每个成员的贡献度，然后根据成员的贡献度为成员分配相应的权重，并分别对群组和成员的相关性以及景点和成员的相关性建模，最后采用加权求和的形式得到群组嵌入向量以进行推荐。两种相关性建模采用的皆是逐元素乘法的形式，嵌入项向量的每个维度代表了相应特征的强度，逐元素乘法可以高效的建模特征交互。逐元素乘积后得到的新的嵌入向量不仅包含了成员和群组（景点）二阶特征组合信息，而且还包含了所隐含的关联性，达到了关联性建模的目的，从而进一步增强了群组推荐的性能。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.053 秒)
