-
公开(公告)号：CN111538916B
公开(公告)日：2023-04-18
申请号：CN202010309687.2
申请日：2020-04-20
Applicant: 重庆大学
IPC: G06F16/9537 , G06N3/048 , G06N3/084
Abstract: 本发明涉及基于神经网络和地理影响的兴趣点推荐方法，具体的：获取用户的历史签到数据；分别以双通道的神经网络的形式，对用户向量和位置向量进行降维，使得用户和位置处于同一维度的向量空间；将降维后的用户向量和位置向量传入联合神经网络，同时结合它们内积的结果，得到联合神经网络的预测输出；基于均方损失函数，采用梯度下降算法，对所有神经网络层进行训练并不断更新未知参数；基于全体签到数据中的每相邻两点之间的地理距离，采用幂律分布来模拟用户访问下一个位置的距离可能性，并根据距离可能性的大小进行排序，生成推荐列表输出。本发明方法运用深度学习技术，充分挖掘用户对兴趣点的潜在偏好和移动模式，且极大地缩短计算时间，节约计算成本。
-
公开(公告)号：CN113033100B
公开(公告)日：2022-11-29
申请号：CN202110330102.X
申请日：2021-03-29
Applicant: 重庆大学
Abstract: 本发明涉及一种基于混合教学优化算法的云制造服务组合方法。包括如下步骤：从公开数据集中选择服务s并初始化得到初始种群P；计算初始种群P中每个个体的QoS值并选出最优值F(Pbest)和最优个体最优个体Pteacher；按比例分为种群A和种群B，并分别从群A和种群B中计算遴选出新个体组成子代个体；计算新个体的适应度值，选出最大适应度QoS’值与最优值F(Pbest)进行比较，来更新服务组合方案；重复上述步骤，当达到预设最大迭代次数时停止，输出最优值F(Pbest)，此时该最优值F(Pbest)对应的个体为最优服务组合。实验表明，该方法对于提高大规模环境下的服务组合的解质量是非常有效的。
-
公开(公告)号：CN114331754A
公开(公告)日：2022-04-12
申请号：CN202111589813.5
申请日：2021-12-23
Applicant: 重庆大学
Abstract: 本发明涉及一种基于多策略深度强化学习的云制造服务组合方法，该方法结合基本DQN算法、竞争结构、双估计器和优先回放机制，同时还在模型中加入了一些策略，如奖励策略，ε‑greedy策略和启发式策略，来提高算法的性能。启发式策略可以屏蔽不可用服务，克服了由于超参数和奖励设计不合理导致DLR无法恢复到稳定状态的缺点。奖励可以让DLR可以根据真实奖励值来有效调整参数，ε‑greedy策略使算法有机会跳出局部最优。实验表明该模型不仅具有对动态环境适应性强的优点，而且比其他深度强化学习方法更好。
-
公开(公告)号：CN111932010A
公开(公告)日：2020-11-13
申请号：CN202010795874.6
申请日：2020-08-10
Applicant: 重庆大学
Abstract: 本发明涉及一种基于骑行上下文信息的共享单车流量预测方法，包括如下步骤：S100引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量 的问题；S200使用LSTM网络作为编码器，计算得到隐藏层向量；S300计算每一个隐藏层向量与st-1的注意力得分，对所有注意力得分使用激活函数softmax得到注意力权重；使用LSTM网络作为解码器进行解码，在解码时根据输出对应的语义向量Ct进行解码；S400中LSTM网络作为解码器，对得到的语义向量序列进行解码，得到最终的预测结果。该方法同时考虑到气象特征进行单车流量预测，流量预测的效果准确性高。
-
公开(公告)号：CN111538916A
公开(公告)日：2020-08-14
申请号：CN202010309687.2
申请日：2020-04-20
Applicant: 重庆大学
IPC: G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 本发明涉及基于神经网络和地理影响的兴趣点推荐方法，具体的：获取用户的历史签到数据；分别以双通道的神经网络的形式，对用户向量和位置向量进行降维，使得用户和位置处于同一维度的向量空间；将降维后的用户向量和位置向量传入联合神经网络，同时结合它们内积的结果，得到联合神经网络的预测输出；基于均方损失函数，采用梯度下降算法，对所有神经网络层进行训练并不断更新未知参数；基于全体签到数据中的每相邻两点之间的地理距离，采用幂律分布来模拟用户访问下一个位置的距离可能性，并根据距离可能性的大小进行排序，生成推荐列表输出。本发明方法运用深度学习技术，充分挖掘用户对兴趣点的潜在偏好和移动模式，且极大地缩短计算时间，节约计算成本。
-
Patent Agency Ranking
公开(公告)号：CN113536109B
公开(公告)日：2022-10-21
申请号：CN202110609500.5
申请日：2021-06-01
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于神经网络和移动上下文的兴趣点推荐方法，该方法包括两个步骤：S100建立联合神经网络模型，并对联合神经网络模型进行训练，计算用户访问未知地点的预测概率值；建立移动上下文的兴趣点推荐模型，计算用户访问未知地点的预测得分；S200进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合，计算用户访问未知地点的预测分数，根据所述预测分数由大到小排序，得到该用户对未知地点感兴趣程度的推荐列表。本发明将联合神经网络和移动上下文进行结合，神经网络能够挖掘用户和地点之间的深层潜在关联，移动上下文能够在显式偏好的条件下增强推荐的合理性和解释性，两者模型相辅相成实现更精准和全面的综合推荐。
-
公开(公告)号：CN111324816A
公开(公告)日：2020-06-23
申请号：CN202010148082.X
申请日：2020-03-05
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/29 , G06K9/62
Abstract: 本发明涉及基于区域划分和上下文影响的兴趣点推荐方法，包括如下步骤：基于K-means对位置进行聚类，得到区域集合R；计算用户u对未知位置l的协同分数cf(u，l)；计算该位置的区域分数 和基于区域的协同分数采用幂律分布来模拟用户访问下一个位置的距离可能性p(l|ao)；计算用户访问未知位置l的综合距离得分 计算用户访问未知位置l的综合类别分数 对 和 进行加权计算，得到上下文分数对 和 进行加权计算，得到未知位置l的最终分数 按照分数的大小进行排序，将排名靠前的K个位置生成推荐列表recu。该方法一方面缓解了协同过滤中普遍存在的数据稀疏问题，另一方面使得推荐结果具有合理而充分的可解释性。
-
公开(公告)号：CN114331754B
公开(公告)日：2025-02-18
申请号：CN202111589813.5
申请日：2021-12-23
Applicant: 重庆大学
Abstract: 本发明涉及一种基于多策略深度强化学习的云制造服务组合方法，该方法结合基本DQN算法、竞争结构、双估计器和优先回放机制，同时还在模型中加入了一些策略，如奖励策略，ε‑greedy策略和启发式策略，来提高算法的性能。启发式策略可以屏蔽不可用服务，克服了由于超参数和奖励设计不合理导致DLR无法恢复到稳定状态的缺点。奖励可以让DLR可以根据真实奖励值来有效调整参数，ε‑greedy策略使算法有机会跳出局部最优。实验表明该模型不仅具有对动态环境适应性强的优点，而且比其他深度强化学习方法更好。
-
公开(公告)号：CN111932010B
公开(公告)日：2023-09-22
申请号：CN202010795874.6
申请日：2020-08-10
Applicant: 重庆大学
IPC: G06Q10/04 , G06Q30/0645 , G06Q50/26 , G06N3/048 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于骑行上下文信息的共享单车流量预测方法，包括如下步骤：S100引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量#imgabs0#的问题；S200使用LSTM网络作为编码器，计算得到隐藏层向量；S300计算每一个隐藏层向量与st‑1的注意力得分，对所有注意力得分使用激活函数softmax得到注意力权重；使用LSTM网络作为解码器进行解码，在解码时根据输出对应的语义向量Ct进行解码；S400中LSTM网络作为解码器，对得到的语义向量序列进行解码，得到最终的预测结果。该方法同时考虑到气象特征进行单车流量预测，流量预测的效果准确性高。
-
公开(公告)号：CN111324816B
公开(公告)日：2023-04-07
申请号：CN202010148082.X
申请日：2020-03-05
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/29 , G06F18/22 , G06F18/23213
Abstract: 本发明涉及基于区域划分和上下文影响的兴趣点推荐方法，包括如下步骤：基于K‑means对位置进行聚类得到区域集合；计算用户对未知位置的协同分数；计算该位置的区域分数和基于区域的协同分数；采用幂律分布来模拟用户访问下一个位置的距离可能性；计算用户访问未知位置的综合距离得分；计算用户访问未知位置的综合类别分数；对综合类别分数和综合距离得分进行加权计算，得到上下文分数，再对协同分数和上下文分数进行加权计算，得到未知位置的最终分数，将最终分数值前K个位置生成推荐列表。该方法一方面缓解了协同过滤中普遍存在的数据稀疏问题，另一方面使得推荐结果具有合理而充分的可解释性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.019 seconds)
