公开(公告)号：CN119336942A

公开(公告)日：2025-01-21

申请号：CN202411277713.2

申请日：2024-09-12

Applicant: 南通大学

Inventor： 赵辉 ,  胡国伟 ,  张铎 ,  王则林 ,  程实

IPC: G06F16/635 ,  G06F16/65 ,  G06F16/683 ,  G06F16/68 ,  G06F16/9536 ,  G06F40/30 ,  G06F40/295 ,  G06F16/36 ,  G06N5/022 ,  G06N3/045 ,  G06N3/084 ,  G06N3/092

Abstract: 本发明涉及推荐系统技术领域，具体涉及一种基于知识图谱和强化学习的音乐推荐方法。本发明方法包括以下步骤：S1、从音乐数据集中提取用户、歌曲的信息以及他们的交互记录并进行知识抽取；S2、根据知识抽取的实体、关系和属性，构建知识图谱的节点和边，利用图形数据库存储和管理知识图谱并进行知识表示；S3、根据用户的行为特点和需求，设计合理的提示模板并生成提示输入，经过模型训练后，构建用户音乐偏好模型；S4、根据用户音乐偏好模型和用户与音乐的实际历史交互行为，构建用户偏好音乐知识图谱；S5、提出基于强化学习的推荐策略，并根据用户反馈更新优化推荐策略。

公开(公告)号：CN119441593A

公开(公告)日：2025-02-14

申请号：CN202411452585.0

申请日：2024-10-17

Applicant: 南通大学

Inventor： 胡国伟 ,  王祥 ,  王则林 ,  周建美 ,  程实

IPC: G06F16/9535 ,  G06F18/10 ,  G06F18/22 ,  G06F18/214 ,  G06N3/042 ,  G06N3/0895

Abstract: 本发明属于推荐方法技术领域，具体涉及一种基于两个去噪模块的图对比学习的推荐方法。本发明包括以下步骤：S1、基于用户‑商品二分图分别使用第一去噪模块和第二去噪模块生成新的第一视图与第二视图；S2、使用LightGCN模型来分别训练原始视图、第一视图及第二视图；S3、使用BPR损失函数优化主推荐任务和InfoNCE损失函数优化图对比学习任务，并进行联合训练优化整体损失；S4、构建一个预测层，通过学习到的用户和商品的最终嵌入表示的内积来获得预测结果。本发明提出了一种基于两个去噪模块的图对比学习的推荐方法，可以有效地缓解噪声问题和数据稀疏性问题，并且提升了模型的推荐精准度和模型的鲁棒性。

公开(公告)号：CN118505343B

公开(公告)日：2025-01-14

申请号：CN202410582454.8

申请日：2024-05-11

Applicant: 南通大学

Inventor： 胡国伟 ,  赵静雯 ,  宗烜逸 ,  王则林 ,  程实 ,  周建美

IPC: G06Q30/0601 ,  G06F16/9536 ,  G06N3/0895 ,  G06N3/084 ,  G06N3/082 ,  G06N3/042 ,  G06N3/047

Abstract: 本发明具体涉及一种基于暂退法与去噪技术的图对比学习推荐方法，包括以下步骤：S1、数据预处理，将yelp2018数据集处理成用户、商品和评价星级的交互数据文件；S2、视图生成，通过用户与商品的交互数据集构建用户‑商品二分图，并分别使用暂退法和去噪技术生成新的第一视图与第二视图；S3、视图学习，使用多层GCN分别学习第一视图和第二视图的嵌入表示；S4、训练损失，使用BPR贝叶斯个性化排序损失函数和对比学习损失函数InfoNCE信息对比估计进行联合训练，反向传播以更新模型参数，优化模型效果；S5、预测，将第一视图和第二视图的嵌入表示相加，通过softmax函数获得预测结果；S6、性能评估，计算模型Recall召回率和NDCG归一化折损累计增益来校验模型性能。

公开(公告)号：CN118505343A

公开(公告)日：2024-08-16

申请号：CN202410582454.8

申请日：2024-05-11

Applicant: 南通大学

Inventor： 胡国伟 ,  赵静雯 ,  宗烜逸 ,  王则林 ,  程实 ,  周建美

IPC: G06Q30/0601 ,  G06F16/9536 ,  G06N3/0895 ,  G06N3/084 ,  G06N3/082 ,  G06N3/042 ,  G06N3/047

Abstract: 本发明具体涉及一种基于暂退法与去噪技术的图对比学习推荐方法，包括以下步骤：S1、数据预处理，将yelp2018数据集处理成用户、商品和评价星级的交互数据文件；S2、视图生成，通过用户与商品的交互数据集构建用户‑商品二分图，并分别使用暂退法和去噪技术生成新的第一视图与第二视图；S3、视图学习，使用多层GCN分别学习第一视图和第二视图的嵌入表示；S4、训练损失，使用BPR贝叶斯个性化排序损失函数和对比学习损失函数InfoNCE信息对比估计进行联合训练，反向传播以更新模型参数，优化模型效果；S5、预测，将第一视图和第二视图的嵌入表示相加，通过softmax函数获得预测结果；S6、性能评估，计算模型Recall召回率和NDCG归一化折损累计增益来校验模型性能。