-
公开(公告)号：CN108959472A
公开(公告)日：2018-12-07
申请号：CN201810639360.4
申请日：2018-06-20
Applicant: 桂林电子科技大学
IPC: G06F17/30
Abstract: 本发明公开一种基于多步关系路径的知识图谱表示学习方法，其考虑了关系路径被准确表示的必要性，利用长短时记忆网络结构对关系路径中的多个关系进行依次迭代组合操作，很好地表示了实体对之间的直接关系和路径关系的相互关联，丰富了实体对之间的语义信息。采用改进的路径约束分配资源算法，计算实体对之间每条路径的可靠性，利用计算得到的可靠性根据阈值滤除不可靠的路径，从而得到可靠的关系路径，使头实体到尾实体的可达性计算更详尽准确。本发明解决现有技术对于关系路径建模相对粗糙使路径长度受限无法很好反应实体对之间复杂语义信息的问题，具有良好的可扩展性。
-
公开(公告)号：CN110287335B
公开(公告)日：2021-08-27
申请号：CN201910522015.7
申请日：2019-06-17
Applicant: 桂林电子科技大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/14 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于知识图谱和用户长短期偏好的个性化景点推荐方法，包括：对游客的历史游览景点序列进行预处理并进行景点‑编码转换；使用node2vec随机游走得到景点序列，利用word2vec中的Skip‑gram模型，得到游客和景点的特征向量；将景点的特征向量加上偏置得将作为GRU网络的输入，然后利用GRU网络进行训练输出每个景点的潜在向量；为每个景点分配不同的权重，将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好，将当前游客的长期偏好与游客的当前偏好做拼接操作后乘以权重得最终向量；对最终向量与游客的当前偏好进行点积操作得景点的预估评分，对景点的预估评分进行归一化处理得每个景点的预测概率，取前K个分数对应的景点，得到top_k景点推荐列表。
-
公开(公告)号：CN110555112B
公开(公告)日：2022-07-15
申请号：CN201910777238.8
申请日：2019-08-22
Applicant: 桂林电子科技大学
IPC: G06F16/36 , G06F16/9535 , G06F16/9537 , G06Q10/06 , G06Q50/14 , G06N3/04
Abstract: 本发明提供了一种基于用户正负偏好学习的兴趣点推荐方法，使用神经网络学习用户和景点交互的深层次特征，同时训练出两个神经网络模型，正偏好神经模型和负偏好神经模型；正偏好神经网络模型产生用户喜欢的景点的列表，然后通过负偏好神经网络模型优化并得到最终推荐列表，为用户提供更精确的景点推荐；以解决传统的兴趣点推荐精度不高和推荐结果个性化程度低等问题。
-
Patent Agency Ranking
公开(公告)号：CN108959472B
公开(公告)日：2021-11-19
申请号：CN201810639360.4
申请日：2018-06-20
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多步关系路径的知识图谱表示学习方法，其考虑了关系路径被准确表示的必要性，利用长短时记忆网络结构对关系路径中的多个关系进行依次迭代组合操作，很好地表示了实体对之间的直接关系和路径关系的相互关联，丰富了实体对之间的语义信息。采用改进的路径约束分配资源算法，计算实体对之间每条路径的可靠性，利用计算得到的可靠性根据阈值滤除不可靠的路径，从而得到可靠的关系路径，使头实体到尾实体的可达性计算更详尽准确。本发明解决现有技术对于关系路径建模相对粗糙使路径长度受限无法很好反应实体对之间复杂语义信息的问题，具有良好的可扩展性。
-
公开(公告)号：CN110287335A
公开(公告)日：2019-09-27
申请号：CN201910522015.7
申请日：2019-06-17
Applicant: 桂林电子科技大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/14 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于知识图谱和用户长短期偏好的个性化景点推荐方法，包括：对游客的历史游览景点序列进行预处理并进行景点-编码转换；使用node2vec随机游走得到景点序列，利用word2vec中的Skip-gram模型，得到游客和景点的特征向量；将景点的特征向量加上偏置得 将 作为GRU网络的输入，然后利用GRU网络进行训练输出每个景点的潜在向量；为每个景点分配不同的权重，将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好，将当前游客的长期偏好与游客的当前偏好做拼接操作后乘以权重得最终向量；对最终向量与游客的当前偏好进行点积操作得景点的预估评分，对景点的预估评分进行归一化处理得每个景点的预测概率，取前K个分数对应的景点，得到top_k景点推荐列表。
-
公开(公告)号：CN109189944A
公开(公告)日：2019-01-11
申请号：CN201811131075.8
申请日：2018-09-27
Applicant: 桂林电子科技大学
IPC: G06F16/36 , G06F16/9535
Abstract: 本发明提出一种基于用户正负反馈画像编码的个性化景点推荐方法,包括：采集用户对景点的历史评价信息和景点的旅游属性数据；获得该用户的正负评价景点；将所有景点及其旅游属性值转化为三元组以构建景点知识图谱；将三元组中的景点实体、属性和属性值通过评分函数进行训练，使景点实体、属性和属性值转化成向量表示形式；获得用户对景点的正负反馈画像编码；利用正反馈画像编码与景点实体向量做相似度计算得到用户喜欢的景点；再利用负反馈画像编码对该排序进行优化。本发明通过用户对景点特征的负反馈画像进行编码，并在喜爱的兴趣列表基础上增加一次用户讨厌的景点相似度计算并优化得到最终推荐列表，为用户提供更精确的景点推荐。
-
公开(公告)号：CN110555112A
公开(公告)日：2019-12-10
申请号：CN201910777238.8
申请日：2019-08-22
Applicant: 桂林电子科技大学
IPC: G06F16/36 , G06F16/9535 , G06F16/9537 , G06Q10/06 , G06Q50/14 , G06N3/04
Abstract: 本发明提供了一种基于用户正负偏好学习的兴趣点推荐方法，使用神经网络学习用户和景点交互的深层次特征，同时训练出两个神经网络模型，正偏好神经模型和负偏好神经模型；正偏好神经网络模型产生用户喜欢的景点的列表，然后通过负偏好神经网络模型优化并得到最终推荐列表，为用户提供更精确的景点推荐；以解决传统的兴趣点推荐精度不高和推荐结果个性化程度低等问题。
-
公开(公告)号：CN110489547A
公开(公告)日：2019-11-22
申请号：CN201910623885.3
申请日：2019-07-11
Applicant: 桂林电子科技大学
IPC: G06F16/35 , G06F16/36 , G06F16/9535 , G06K9/62 , G06N3/04
Abstract: 本发明提出一种基于混合式监督学习的旅游景点推荐方法，包括：获取游客历史游览数据；构建景点知识图谱；对景点知识图谱根据景点的属性类别进行相应的属性子图抽取；生成景点序列；对景点序列进行训练将景点序列映射到低维向量空间中，生成特征向量；对每个景点在不同属性下的向量进行相加平均得到每个景点的融合语义特征向量；学习游客向量和景点潜在向量；将所述游客向量和融合语义特征通过矩阵分解得到第一交互向量；利用多层感知机得到游客向量和景点潜在向量的第二交互向量；将第一交互向量与第二交互向量拼接并做归一化处理得到游客对景点的评分；将游客对景点的评分从高到低排序，取前K个分数最高对应的景点，得到top_k景点推荐列表。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
