-
公开(公告)号：CN118779522A
公开(公告)日：2024-10-15
申请号：CN202410925269.4
申请日：2024-07-11
Applicant: 辽宁师范大学
IPC: G06F16/9535 , G06F16/9536 , G06N5/022 , G06N3/0985
Abstract: 本发明公开基于知识图谱采样和共现图聚合的长尾推荐算法，步骤如下：构造用户‑物品二部图、知识图谱和协同知识图；在协同知识图上，为每个用户提取其感兴趣的实体节点；为每个用户计算其感兴趣的物品节点；将选择的用户感兴趣的物品节点集合替换用户原始的交互物品集合；基于物品的相同邻居数量构建共现图，并合并共现图与协同知识图；基于每个节点和邻居节点的关系生成注意力权重，并聚合邻居节点信息；分别将得到的用户和物品的嵌入串联得到最终的用户向量和物品向量，预测该用户和该物品的交互评分，预测评分的降序排序集合的前N项作为推荐结果。本发明可以在维持推荐精度的基础上，提高长尾推荐性能。
-
公开(公告)号：CN116737847A
公开(公告)日：2023-09-12
申请号：CN202310673837.1
申请日：2023-06-08
Applicant: 辽宁师范大学
IPC: G06F16/28 , G06F16/36 , G06F16/2458
Abstract: 本发明公开一种基于实体关系挖掘的知识图谱构建方法，首先利用用户‑物品交互二部图和知识图谱构建协同知识图谱；再根据获取到的协同知识图谱为每个用户建立一个决策表，其中每行表示物品，每列表示关系，表格中的值表示对应物品与关系之间的实体；根据定义的分割方法，分别从已有的两个关系中生成一种新关系；将新生成的关系融合到协同知识图谱中。可丰富物品的属性信息，使知识图谱中的信息更加丰富，有效改善知识图谱中关系稀少的现象，无需大量的数据和计算资源，解决了现有技术为此所存在的一定风险和局限性。
-
公开(公告)号：CN116680472A
公开(公告)日：2023-09-01
申请号：CN202310626143.2
申请日：2023-05-29
Applicant: 辽宁师范大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/36 , G06N5/02
Abstract: 本发明公开一种基于协同知识图谱邻近采样的长尾推荐方法，包括如下步骤：构造用户‑物品二部图、知识图谱和协同知识图；在协同图上为每个用户随机采样协同路径；计算每个用户的每一条协同路径的平均物品流行度；选取平均物品流行度最低的路径中的所有物品节点替换用户原始的一阶近邻，作为用户新的一阶近邻；基于每个节点和邻居节点的关系生成注意力权重，并聚合邻居节点信息；将目标用户节点和输入自注意力层，并将输出中的目标用户的嵌入作为最终的用户嵌入；将最终得到的用户和物品的嵌入做点积，预测该用户和该物品的交互评分，预测评分的降序排序集合的前N项作为推荐结果。在保证推荐精确率的前提下，提高长尾物品的推荐性能。
-
公开(公告)号：CN112612967B
公开(公告)日：2023-07-18
申请号：CN202010953795.3
申请日：2020-09-11
Applicant: 辽宁师范大学
IPC: G06F16/9536 , G06F16/35 , G06F16/9535
Abstract: 本发明公开了一种可同时提高推荐精确度和多样性的基于链接聚类和约简的协同过滤推荐方法，依次按照如下步骤进行：将用户‑物品评分矩阵映射为用户‑物品加权二分网络；对用户‑物品加权二分网络按照链接进行聚类；根据全局‑局部加权二分模块度指导聚类结果，得到最佳聚类值；根据链接约简算法删除每个聚类簇中的冗余链接；根据约简后的聚类簇中的评分信息选取目标用户的邻近用户；根据邻近用户的评分预测目标用户未评分物品，选取预测评分最高的N个物品作为推荐结果提供给目标用户。
-
公开(公告)号：CN112347376A
公开(公告)日：2021-02-09
申请号：CN202010952020.4
申请日：2020-09-11
Applicant: 辽宁师范大学
IPC: G06F16/9537 , G06F16/35 , G06Q50/30
Abstract: 本发明公开了一种可提高推荐精确度的基于多时空聚类的出租车载客点推荐方法，依次按照如下步骤进行：对出租车原始轨迹数据进行预处理，移除出租车轨迹噪点；从预处理后的轨迹数据中提取出租车历史载客点信息；利用多时空聚类方法对出租车历史载客点进行聚类；根据目标出租车实时请求信息，产生多个候选载客点聚类簇；利用实时流行度、平均速度和距离信息为每个候选载客点聚类簇计算推荐度；选取推荐度最高的N个载客点聚类簇作为推荐结果提供给目标出租车。
-
Patent Agency Ranking
公开(公告)号：CN112612967A
公开(公告)日：2021-04-06
申请号：CN202010953795.3
申请日：2020-09-11
Applicant: 辽宁师范大学
IPC: G06F16/9536 , G06F16/35 , G06F16/9535
Abstract: 本发明公开了一种可同时提高推荐精确度和多样性的基于链接聚类和约简的协同过滤推荐方法，依次按照如下步骤进行：将用户‑物品评分矩阵映射为用户‑物品加权二分网络；对用户‑物品加权二分网络按照链接进行聚类；根据全局‑局部加权二分模块度指导聚类结果，得到最佳聚类值；根据链接约简算法删除每个聚类簇中的冗余链接；根据约简后的聚类簇中的评分信息选取目标用户的邻近用户；根据邻近用户的评分预测目标用户未评分物品，选取预测评分最高的N个物品作为推荐结果提供给目标用户。
-
公开(公告)号：CN119311965A
公开(公告)日：2025-01-14
申请号：CN202411357601.8
申请日：2024-09-27
Applicant: 辽宁师范大学
IPC: G06F16/9536 , G06F16/2457 , G06N5/025 , G06N5/02 , G06N3/045
Abstract: 本发明公开一种基于语义增强与混合注意力的长尾推荐算法，步骤如下：将用户‑物品交互图与知识图谱进行融合得到协同知识图谱；在协同知识图谱上，利用丰富的语义信息分别为用户和物品提取新的长尾邻近；将长尾邻近通过关系注意力聚合到用户和物品，得到用户和物品的长尾嵌入；进一步将得到的用户和物品的长尾嵌入与用户和物品的原始邻近通过自注意力进行聚合，得到用户和物品的最终嵌入向量；将用户和物品的最终嵌入向量进行点积，得到用户对物品的预测评分，并将预测评分最高的前N个物品推荐给用户。本发明可以在维持推荐精度的基础上，提高长尾推荐性能。
-
公开(公告)号：CN118939887A
公开(公告)日：2024-11-12
申请号：CN202410965531.8
申请日：2024-07-18
Applicant: 辽宁师范大学
IPC: G06F16/9537 , G06F16/9536 , G06F16/9535 , G06N3/0455 , G06N3/047 , G06N3/0895
Abstract: 本发明公开一种基于空间和社交感知的长尾用户兴趣点推荐算法，步骤如下：从用户的行动轨迹数据中提取长尾用户的原始兴趣点(POI)签到序列；利用POI之间的空间‑社交相关度为每一个POI提取其关联POI；构建的序列增强算子，并利用关联POI产生面向长尾用户原始POI签到序列的不同变体；以Transformer为编码器，建立对比学习模型对不同变体进行训练；利用训练好的对比学习模型产生长尾用户原始POI签到序列的嵌入；将长尾用户原始POI签到序列的嵌入与长尾用户未签到POI的嵌入进行内积得到预测评分，将预测评分最高的前N个POI推荐给长尾用户；可提高面向长尾用户的POI推荐精度。
-
公开(公告)号：CN118939873A
公开(公告)日：2024-11-12
申请号：CN202410940177.3
申请日：2024-07-15
Applicant: 辽宁师范大学
IPC: G06F16/9535 , G06N3/0985 , G06N3/0895 , G06N3/0455 , G06F16/36
Abstract: 本发明公开一种基于知识感知自监督学习的长尾序列推荐算法，按照如下步骤：将用户‑物品交互二部图与知识图谱进行融合形成协同知识图谱；利用Transformer对原始长尾序列进行编码；在知识图谱中提取原始长尾序列的扩展序列；利用Transformer对扩展序列进行编码；利用自监督学习训练两种编码得到的长尾序列的嵌入；将训练好的长尾序列嵌入与物品嵌入进行内积得到预测评分，选取预测评分最高的N个物品作为推荐结果提供给目标用户，从而产生高精度的推荐结果，有效地解决了长尾序列长度短无法获得高精度推荐的问题。
-
公开(公告)号：CN119312908A
公开(公告)日：2025-01-14
申请号：CN202411357308.1
申请日：2024-09-27
Applicant: 辽宁师范大学
Abstract: 本发明公开一种基于语义感知聚类的知识图谱潜在关系挖掘算法，步骤如下：首先获取用户‑物品交互二部图和知识图谱；在知识图谱中，对所有关系进行语义感知的聚类；接着为每个用户建立多个表，表中每行表示物品，每列表示同一聚类中的关系，表中的值表示对应物品与关系之间的实体；最后通过提出的相似度计算方法，利用同一聚类中的两两关系挖掘潜在关系，并把这些潜在关系融合到原来的知识图谱中。本发明通过挖掘出知识图谱中的潜在关系，给物品之间建立更好的链接，从而丰富物品的有用信息，有效改善知识图谱中关系稀少的现象，解决了现有技术的局限性，而更有助于之后进行自然语言处理、推荐系统等任务。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.14 seconds)
