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

Inventor： 宾辰忠 ,  陈炜 ,  古天龙 ,  常亮 ,  陈红亮 ,  朱桂明

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：CN111882381B

公开(公告)日：2022-06-03

申请号：CN202010618323.2

申请日：2020-06-30

Applicant: 桂林电子科技大学

Inventor： 古天龙 ,  陈红亮 ,  宾辰忠

IPC: G06Q30/06 ,  G06Q50/14 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于协同记忆网络的旅游推荐方法，首先使用神经网络将用户与景点进行向量化，然后引入了记忆网络，在记忆网络中采用了注意力机制的方法，最后在预测用户对景点的得分时，将隐因子模型的全局结构信息与记忆网络的局部邻域结构信息进行结合。本发明同时考虑用户的局部邻域结构信息以及景点的局部邻域结构信息，并与隐因子模型的协同过滤方法进行融合，实现了一种基于协同记忆网络的旅游推荐方法，以此达到高准确性和高个性化旅游推荐的目标。

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

Inventor： 宾辰忠 ,  陈炜 ,  古天龙 ,  常亮 ,  陈红亮 ,  朱桂明

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：CN110532464B

公开(公告)日：2022-04-12

申请号：CN201910743597.1

申请日：2019-08-13

Applicant: 桂林电子科技大学

Inventor： 宾辰忠 ,  陈红亮 ,  古天龙 ,  常亮 ,  李康林 ,  梁浩宏

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：CN111882381A

公开(公告)日：2020-11-03

申请号：CN202010618323.2

申请日：2020-06-30

Applicant: 桂林电子科技大学

Inventor： 古天龙 ,  陈红亮 ,  宾辰忠

IPC: G06Q30/06 ,  G06Q50/14 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于协同记忆网络的旅游推荐方法，首先使用神经网络将用户与景点进行向量化，然后引入了记忆网络，在记忆网络中采用了注意力机制的方法，最后在预测用户对景点的得分时，将隐因子模型的全局结构信息与记忆网络的局部邻域结构信息进行结合。本发明同时考虑用户的局部邻域结构信息以及景点的局部邻域结构信息，并与隐因子模型的协同过滤方法进行融合，实现了一种基于协同记忆网络的旅游推荐方法，以此达到高准确性和高个性化旅游推荐的目标。

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

Inventor： 宾辰忠 ,  陈红亮 ,  古天龙 ,  常亮 ,  李康林 ,  梁浩宏

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。