公开(公告)号：CN114791983B

公开(公告)日：2023-04-07

申请号：CN202210384315.5

申请日：2022-04-13

申请人： 湖北工业大学

发明人： 陈建峡 ,  潘立纬 ,  胡舒涵 ,  李姝 ,  肖亮 ,  肖轶涛 ,  刘琦 ,  郑吟秋 ,  刘畅 ,  马忠宝 ,  程玉 ,  李超

IPC分类号： G06F16/9537 ,  G06F16/9535 ,  G06N3/044 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/084

摘要： 本发明属于序列推荐技术领域，具体公开了一种基于时序物品相似度的序列推荐方法,包括建立神经网络模型，构建基于时间信息的嵌入向量；包括与绝对时间相关的嵌入向量以及相对时间相关的嵌入向量；自注意力机制学习模块，结合相对嵌入向量获得局部特征X；全局偏好学习模块获得全局特征Y；按当前候选物品和最近交互物品的相似度，对局部特征X与全局特征Y进行加权求和得到特征表示zl，并以此为依据进行序列中的下一物品的推荐。本发明引入更多的经过设计的时间嵌入向量，提高时间信息利用的有效程度，进而提高序列推荐的正确性。

公开(公告)号：CN113486257B

公开(公告)日：2023-07-11

申请号：CN202110744530.7

申请日：2021-07-01

申请人： 湖北工业大学

发明人： 陈建峡 ,  高奕 ,  刘琦 ,  张杰 ,  汪弘扬 ,  潘立纬 ,  郑吟秋

IPC分类号： G06F16/9536 ,  G06N3/0464 ,  G06N3/094

摘要： 本发明属于深度神经网络推荐技术领域，公开了一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法，嵌入层用于输出两个大小为64的表示用户和物品的向量，并将用户、物品的嵌入向量送入外积层；外积层将用户、物品的嵌入向量进行外积得到用户‑物品交互图，利用所述用户‑物品交互图表示基于嵌入层且成对的维数关系；卷积层基于用户‑物品交互图输出表示高纬度的信息的张量，并将输出的张量输出预测层；预测层利用预测函数基于输入张量进行预测，得到预测分数。本发明可以明确捕获成对嵌入维度之间的相关性；保证了模型鲁棒性的同时，提升了整体的推荐效果，模型具有泛用性。

公开(公告)号：CN115221413B

公开(公告)日：2023-04-14

申请号：CN202210929033.9

申请日：2022-08-03

申请人： 湖北工业大学

发明人： 陈建峡 ,  刘琦 ,  张姝曦 ,  潘立纬 ,  刘畅 ,  余天赐 ,  马忠宝

IPC分类号： G06F16/9535 ,  G06F16/9536

摘要： 本发明公开了一种基于交互式图注意力网络的序列推荐方法及系统。首先将每个用户和每个物品表示为一个属性图，通过对属性图的建模获取用户和物品的动态特征；其次，利用图注意力网络自适应地为当前节点的邻居节点分配不同的权重值参与计算，捕获潜在非交互用户的信息，实现动态学习高阶特征和新节点的表示；最后，聚合每个用户的邻居图的各种信息，并捕获相似用户的嵌入，通过信息聚合和图形匹配，获得预测的输出结果y′，有效解决了现有技术中无法动态地精确地捕获用户的喜好的技术问题，实现了能够动态地精确地向用户推荐目标物品的技术效果。

公开(公告)号：CN115221413A

公开(公告)日：2022-10-21

申请号：CN202210929033.9

申请日：2022-08-03

申请人： 湖北工业大学

发明人： 陈建峡 ,  刘琦 ,  张姝曦 ,  潘立纬 ,  刘畅 ,  余天赐 ,  马忠宝

IPC分类号： G06F16/9535 ,  G06F16/9536

摘要： 本发明公开了一种基于交互式图注意力网络的序列推荐方法及系统。首先将每个用户和每个物品表示为一个属性图，通过对属性图的建模获取用户和物品的动态特征；其次，利用图注意力网络自适应地为当前节点的邻居节点分配不同的权重值参与计算，捕获潜在非交互用户的信息，实现动态学习高阶特征和新节点的表示；最后，聚合每个用户的邻居图的各种信息，并捕获相似用户的嵌入，通过信息聚合和图形匹配，获得预测的输出结果y′，有效解决了现有技术中无法动态地精确地捕获用户的喜好的技术问题，实现了能够动态地精确地向用户推荐目标物品的技术效果。

公开(公告)号：CN114791983A

公开(公告)日：2022-07-26

申请号：CN202210384315.5

申请日：2022-04-13

申请人： 湖北工业大学

发明人： 陈建峡 ,  潘立纬 ,  胡舒涵 ,  李姝 ,  肖亮 ,  肖轶涛 ,  刘琦 ,  郑吟秋 ,  刘畅 ,  马忠宝 ,  程玉 ,  李超

IPC分类号： G06F16/9537 ,  G06F16/9535 ,  G06N3/04 ,  G06N3/08

摘要： 本发明属于序列推荐技术领域，具体公开了一种基于时序物品相似度的序列推荐方法,包括建立神经网络模型，构建基于时间信息的嵌入向量；包括与绝对时间相关的嵌入向量以及相对时间相关的嵌入向量；自注意力机制学习模块，结合相对嵌入向量获得局部特征X；全局偏好学习模块获得全局特征Y；按当前候选物品和最近交互物品的相似度，对局部特征X与全局特征Y进行加权求和得到特征表示zl，并以此为依据进行序列中的下一物品的推荐。本发明引入更多的经过设计的时间嵌入向量，提高时间信息利用的有效程度，进而提高序列推荐的正确性。

公开(公告)号：CN113486257A

公开(公告)日：2021-10-08

申请号：CN202110744530.7

申请日：2021-07-01

申请人： 湖北工业大学

发明人： 陈建峡 ,  高奕 ,  刘琦 ,  张杰 ,  汪弘扬 ,  潘立纬 ,  郑吟秋

IPC分类号： G06F16/9536 ,  G06N3/04 ,  G06N3/08

摘要： 本发明属于深度神经网络推荐技术领域，公开了一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法，嵌入层用于输出两个大小为64的表示用户和物品的向量，并将用户、物品的嵌入向量送入外积层；外积层将用户、物品的嵌入向量进行外积得到用户‑物品交互图，利用所述用户‑物品交互图表示基于嵌入层且成对的维数关系；卷积层基于用户‑物品交互图输出表示高纬度的信息的张量，并将输出的张量输出预测层；预测层利用预测函数基于输入张量进行预测，得到预测分数。本发明可以明确捕获成对嵌入维度之间的相关性；保证了模型鲁棒性的同时，提升了整体的推荐效果，模型具有泛用性。