公开(公告)号：CN118568336A

公开(公告)日：2024-08-30

申请号：CN202410518791.0

申请日：2024-04-26

Applicant: 燕山大学

Inventor： 宫继兵 ,  琚晶鑫 ,  赵祎 ,  杜姝颖 ,  臧倩

IPC: G06F16/9535 ,  G06N3/042 ,  G06N3/096 ,  G06N3/048

Abstract: 本发明公开了一种应用于知识转移的跨域推荐方法，属于推荐系统领域，包括数据获取、构建用户‑项目交互图、域内知识转移、计算源域和目标域用户相似度、跨域知识转移、利用模型为用户做推荐几个步骤，本发明不仅利用了重叠用户的信息，还利用了非重叠用户进行知识迁移，深入挖掘了用户的潜在偏好，显著提升了推荐系统的性能。

公开(公告)号：CN118861424A

公开(公告)日：2024-10-29

申请号：CN202410964772.0

申请日：2024-07-18

Applicant: 燕山大学

Inventor： 宫继兵 ,  臧倩 ,  赵金烨 ,  赵祎 ,  杜姝颖 ,  琚晶鑫

IPC: G06F16/9535 ,  G06N3/094 ,  G06N3/096 ,  G06N3/098 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明公开了一种冷启动推荐场景下的对抗生成双向跨域推荐方法，属于推荐系统技术领域，包括以下步骤：对评论数据进行预处理，获取用户‑项目交互序列信息；根据用户‑项目交互序列进行用户‑项目交互图预训练；利用预训练嵌入，对双域用户分别进行个性化交互特征表示；利用个性化交互特征，生成双域混合用户偏好表示；对双域混合用户偏好表征进行对抗学习；采用多任务联合优化方式进行模型训练，获取双域最佳用户表征和项目表征；利用最终获得的用户表征和项目表征，分别对双域用户进行个性化推荐。本发明利用生成式对抗网络生成强大的用户偏好表征，在双域内增强推荐性能。

公开(公告)号：CN119046730A

公开(公告)日：2024-11-29

申请号：CN202411147640.5

申请日：2024-08-21

Applicant: 燕山大学

Inventor： 宫继兵 ,  杜姝颖 ,  彭吉全 ,  舒志敏 ,  李林轩 ,  臧倩 ,  琚晶鑫 ,  楼航宇

IPC: G06F18/24 ,  G06N20/00 ,  G06N3/0455 ,  G06F40/194

Abstract: 本发明公开了基于预训练语言模型和深度提示的文本图节点分类方法，属于计算机图表示学习领域，包括：构建框架TegPPT；采用冻结预训练语言模型参数和优化连续提示与分类头参数对框架TegPPT进行优化；具体是利用预训练语言模型作为基础模型执行文本属性图的节点分类任务，通过序列化模块联合编码文本属性与图的拓扑结构，通过连续提示激发预训练语言模型的底层知识，提升模型在理解和表达节点文本属性及节点间复杂关系的能力，深度调优技术确保预训练空间与下游任务空间充分对齐，优化了模型的泛化能力和节点分类任务上的表现。本发明不仅能更好地捕获图拓扑结构与文本信息，同时还规避了现有研究中潜在的负迁移风险。

公开(公告)号：CN119990752A

公开(公告)日：2025-05-13

申请号：CN202510063935.2

申请日：2025-01-15

Applicant: 燕山大学

Inventor： 宫继兵 ,  叶天翔 ,  吴佳浚 ,  林天宇 ,  楼航宇 ,  琚晶鑫 ,  周超 ,  杜姝颖 ,  臧倩

IPC: G06Q10/0635 ,  G06Q40/12 ,  G06N5/04 ,  G06Q10/04

Abstract: 本发明公开了一种基于大语言模型和Logistic模型的企业财务风险预警方法，属于计算机自然语言处理技术领域，包括以下步骤：步骤S1：分别收集上市公司第t‑2年的年度业绩说明会与第t‑1年的一季度、半年度、三季度业绩说明会文本数据，并收集其第t‑1年的财务数据；步骤S2：针对业绩说明会上的管理层文本，分别计算文本情感值、文本可读性、文本相似度，针对管理层与投资者的对话文本，计算问答相关性；步骤S3：使用公司财务数据并结合文本情感值、文本可读性、文本相似度、问答相关性，使用Logistic模型对上市公司是否会被ST处理进行预测。本发明能够从多个维度进行更全面、更准确的预测上市公司的财务风险。

公开(公告)号：CN118445477A

公开(公告)日：2024-08-06

申请号：CN202410535156.3

申请日：2024-04-30

Applicant: 燕山大学

Inventor： 宫继兵 ,  楼航宇 ,  林天宇 ,  叶天翔 ,  琚晶鑫 ,  周朝 ,  杜姝颖 ,  臧倩 ,  方涛

IPC: G06F16/9535 ,  G06F16/335 ,  G06F16/33 ,  G06F16/35 ,  G06F18/24 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0455 ,  G06N3/0499 ,  G06N3/08

Abstract: 本发明公开了一种结合大语言模型和对比学习的增强跨域顺序推荐方法，属于跨域序列推荐领域，包括融合大语言模型，融合比例微调，解耦序列的长短特征，对不同域长期特征和短期特征各自进行融合，获取长期兴趣和短期兴趣，对融合后不同域的长期兴趣和短期兴趣进行融合预测下一个item几个步骤。本发明实现了长期兴趣和短期兴趣的有效融合，从而显著提高了跨域顺序推荐的准确性。在一定程度上提升了跨域序列推荐的准确率，为推荐系统的研究和实践提供了新的视角和技术路径。