-
公开(公告)号：CN119577236A
公开(公告)日：2025-03-07
申请号：CN202411531975.7
申请日：2024-10-30
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06N5/022 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 由于用户的多行为交互中存在伪相关交互，本发明公开一种多行为推荐中的伪相关知识图构建方法。伪相关知识图的主要作用是捕获项目的静态特征和用户动态的意图之间的细粒度差异，帮助模型建模多行为下项目之间的伪相关性，从而监督并解离用户多行为交互中隐含的伪相关交互，以此来提高模型的行为表征能力和推荐精度。具体来说，由于动态和多方面的用户意图，难以直接测量多行为中用户和项目之间的伪相关关系，我们转而借助项目间的伪相关性来间接地度量用户意图和项目特征之间的伪相关关系，从而构建出伪相关知识图。在现有多行为推荐的基准模型上引入伪相关知识图，并通过解纠缠对比学习，能够从用户的多行为交互中解纠缠伪相关交互，进而通过行为间对比学习将真实语义从辅助行为转移到目标行为，来缓解目标行为中稀疏的监督信号，提高模型的行为表征能力和推荐精度。
-
公开(公告)号：CN109408619B
公开(公告)日：2021-09-07
申请号：CN201811177400.4
申请日：2018-10-10
Applicant: 桂林电子科技大学
IPC: G06F16/332 , G06F16/36 , G06K9/62
Abstract: 本发明提出一种面向问答领域动态计算问句与答案相似性的方法，所述问句包括答案问句部和问句答案部分，所述计算问句与答案相似性的方法包括：计算答案问句部分答案各方面向量与加权问句向量的相似性得分，其中所述答案各方面向量包括答案实体向量、答案类型向量和答案内容向量；计算问句向量与答案向量的最终相似性得分。
-
公开(公告)号：CN110580340A
公开(公告)日：2019-12-17
申请号：CN201910808441.7
申请日：2019-08-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多注意力机制的神经网络关系抽取方法,包括，S1:对每个句子和其相关的一对实体，采用双向GRU神经网络构建一对实体的时间歩词向量表示；S2:采用设置的单词级别的自注意力机制选择句子中表述这对实体的关系的词向量表示，得到所述一个句子的句子向量表示；S3:采用设置的句子级别的注意力机制选择其中的表示了一对实体间关系的句子向量表示，得到所述一对实体的综合向量表示；S4:将一对实体的综合向量表示与所有关系进行内积运算生成实体对之间为任一关系的概率，取最大概率得到一对实体预测关系。本发明能够对实体对的句子进行处理，获取重要句子和句子中的丰富语义，提高关系抽取效果。
-
公开(公告)号：CN110532464A
公开(公告)日：2019-12-03
申请号：CN201910743597.1
申请日：2019-08-13
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/951 , G06F16/36 , G06Q50/14
Abstract: 本发明公开了一种基于多旅游上下文建模的旅游推荐方法，包括：采集数据并进行预处理，对用户、景点及其属性数据进行编号；构建旅游序列轨迹和景点知识图谱；通过深度学习模型训练得到游客访问行为序列上下文和景点旅游属性上下文的特征表示；融合多旅游上下文信息得到最终的用户向量和景点向量；计算用户向量与各景点向量的空间距离相似度，得到Top-K旅游景点推荐。本发明利用向量融合的方法将由游客访问行为序列上下文和景点旅游属性上下文分别得到的用户向量和景点向量合并为最终的用户向量和景点向量，该特征表示有效地融合了多旅游上下文，提高了特征表示中的高级旅游语义，确保了推荐的有效性。
-
公开(公告)号：CN106683203A
公开(公告)日：2017-05-17
申请号：CN201611158050.8
申请日：2016-12-15
Applicant: 桂林电子科技大学
CPC classification number: G07B11/00 , G06F16/2282 , G06Q10/02
Abstract: 一种电子门票验证方法，包括以下操作过程：①预订；②应答；③发送订单；④触发验证；⑤输入验证；⑥返回订单。采用本发明提供的技术方案节省了用户查找电子门票时间，简化了门票验证流程，能够在相同时间内验证更多的门票，且整个门票验证流程无需其他工作人员参与，因而大大地节省了人力成本。
-
Patent Agency Ranking
公开(公告)号：CN106022500A
公开(公告)日：2016-10-12
申请号：CN201610549519.4
申请日：2016-07-13
Applicant: 桂林电子科技大学
CPC classification number: G06Q10/02 , G06Q30/0251 , G06Q50/14 , H04L67/10
Abstract: 一种景区游览预约及游览时机推荐系统和方法，该方法包括：预约系统云服务器负责接收、处理、保存景区预约客户端预约请求，同时接收景区本地管理端发送的预订订单处理结果；景区本地管理端负责接并保存景区门票预订订单、完成门票验证并回送预订订单处理结果；游客通过景区预约客户端完成景区预约、门票支付以及门票验证；景区管理方通过系统管理端设置景区门票预售额、门票价格以及景区游览相关信息。本发明实现了景区游览预约及游览时机推荐功能，有效地提升了游客游览体验度。
-
公开(公告)号：CN117271909A
公开(公告)日：2023-12-22
申请号：CN202311212138.3
申请日：2023-09-19
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06N3/042 , G06N3/0464 , G06N3/084 , G06F40/30 , G06F16/35 , G06F16/36 , G06N5/022 , G06F16/435 , G06Q30/0601
Abstract: 本发明公开一种基于对比学习和知识共享的多任务推荐方法，采用多任务的形式，结合了对比学习和知识图嵌入学习来提高基于对比学习和知识共享的多任务推荐方法的推荐性能。该推荐方法以图卷积推荐任务为主推荐任务对用户和项目的交互进行建模，通过用户和结构用户(通过用户的图卷积聚合得到)的对比学习构建用户结构对比学习任务强化用户邻居关系并提高了用户嵌入的表征能力，通过深度语义匹配模型构建知识图嵌入任务来学习项目的丰富特征，并基于项目的嵌入共享精心设计了特征转移单元实现项目属性知识的融合和传递，有效提高了推荐模型的语义刻画能力和总体性能。
-
公开(公告)号：CN111949894B
公开(公告)日：2023-05-23
申请号：CN202010874741.8
申请日：2020-08-27
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06F16/9535
Abstract: 本发明公开一种基于多空间交互的协同过滤个性化推荐方法，将用户与项目映射到多个子空间，不同子空间从不同的角度来描述用户与项目的交互，能得到更加充分的用户项目交互特征信息；使用向量级注意力机制来给聚集的向量不同的权重，使聚集的用户表示向量和项目表示向量更合理；在将多个子空间的表示向量聚集成最终的用户与项目表示向量时，本发明使用空间级注意力机制给不同子空间不同的权重，最终聚集得到的用户表示向量和项目表示向量更加合理，以此提升个性推荐的效果。
-
公开(公告)号：CN111949885B
公开(公告)日：2022-05-03
申请号：CN202010874707.0
申请日：2020-08-27
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/36 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种面向旅游景点的个性化推荐方法，首先利用原始数据集构建用户知识图谱和景点知识图谱；然后对用户知识图谱进行进行特征学习，得到第一用户表示向量和第一项目表示向量；之后基于第一用户表示向量对景点知识图谱进行特征学习，得到第二用户表示向量和第二项目表示向量；接着将第一用户表示向量和第二用户表示向量组合成最终用户表示向量；并将第二项目表示向量直接作为最终项目表示向量；最后将最终用户表示向量和最终项目表示向量进行深层次的交互，以预测得到用户对景点的偏好概率，从而完成旅游景点的个性化推荐。本发明能够避免陷入单一知识图谱的特征学习，以提高推荐的准确度。
-
公开(公告)号：CN107680010B
公开(公告)日：2020-12-18
申请号：CN201710910640.X
申请日：2017-09-29
Applicant: 桂林电子科技大学
IPC: G06Q50/14 , G06F16/9537 , H04W4/80
Abstract: 本发明公开一种基于游览行为的景区路线推荐方法及其系统，通过获取游客在游览过程中产生的行为数据，利用频繁游览路线挖掘方法，从已获取的历史游览行为数据中挖掘生成一组候选游览路线。再根据游客输入的总游览时间、游览起始/结束地点等个人游览约束，从候选路线中搜索满足个人约束且游览价值最高的路线推荐给游客。本发明具有推荐路线精度高，推荐结果个性化程度及游览体验度高的特点。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.036 seconds)
