-
公开(公告)号：CN112541128A
公开(公告)日：2021-03-23
申请号：CN202011365756.8
申请日：2020-11-29
Applicant: 同济大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 基于特征双向动态协同的个性化新闻推荐方法，包括用户‑新闻双向动态协同表征模块、卷积层、池化层和预测层。用户‑新闻双向动态协同表征模块包括用户动态协同表征网络和新闻动态协同表征网络。对于用户历史浏览新闻序列，经过用户动态协同表征网络，借助注意力模型得到用户特征矩阵，其能够反映用户历史浏览的新闻内容特征和浏览序列特征，包含新闻‑用户交互信息。对于候选新闻，经过新闻动态协同表征网络，能够在新闻内容特征的基础上利用新闻历史读者的特征，引入用户‑新闻协同信息，得到新闻特征矩阵；能够同时挖掘用户浏览模式和新闻受众特点，得到用户偏好向量和新闻协同特征向量；最后，预测层利用向量预测用户对候选新闻的浏览概率。
-
公开(公告)号：CN112541128B
公开(公告)日：2022-05-13
申请号：CN202011365756.8
申请日：2020-11-29
Applicant: 同济大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 基于特征双向动态协同的个性化新闻推荐方法，包括用户‑新闻双向动态协同表征模块、卷积层、池化层和预测层。用户‑新闻双向动态协同表征模块包括用户动态协同表征网络和新闻动态协同表征网络。对于用户历史浏览新闻序列，经过用户动态协同表征网络，借助注意力模型得到用户特征矩阵，其能够反映用户历史浏览的新闻内容特征和浏览序列特征，包含新闻‑用户交互信息。对于候选新闻，经过新闻动态协同表征网络，能够在新闻内容特征的基础上利用新闻历史读者的特征，引入用户‑新闻协同信息，得到新闻特征矩阵；能够同时挖掘用户浏览模式和新闻受众特点，得到用户偏好向量和新闻协同特征向量；最后，预测层利用向量预测用户对候选新闻的浏览概率。
-
公开(公告)号：CN107832353B
公开(公告)日：2020-04-14
申请号：CN201710993388.3
申请日：2017-10-23
Applicant: 同济大学
Abstract: 本发明公开一种社交媒体平台虚假信息识别方法，其中：虚假信息样本集生成模块使用孪生生成式对抗网络(SGAN：Siamese Generative Adversarial Network)模型来构造并生成大规模的基础虚假信息样本集，然后通过无监督学习和有监督学习相结合的方式对所生成的基础虚假信息样本的虚假等级进行标记。虚假信息离线识别学习模块基于深度学习技术来训练虚假信息的识别并迭代优化深度识别模型的参数。虚假信息在线识别模块首先使用探索‑利用策略获取新发布信息中的候选虚假信息集，然后对候选虚假信息集中的信息进行实时虚假识别和评级。与现有技术相比，本发明具有准确度高、泛化能力强以及速度快等优点，能够有效应用于电子商务、医疗健康、网络信息安全以及舆情监控等领域。
-
公开(公告)号：CN107832353A
公开(公告)日：2018-03-23
申请号：CN201710993388.3
申请日：2017-10-23
Applicant: 同济大学
Abstract: 本发明公开一种社交媒体平台虚假信息识别方法，其中：虚假信息样本集生成模块使用孪生生成式对抗网络(SGAN：Siamese Generative Adversarial Network)模型来构造并生成大规模的基础虚假信息样本集，然后通过无监督学习和有监督学习相结合的方式对所生成的基础虚假信息样本的虚假等级进行标记。虚假信息离线识别学习模块基于深度学习技术来训练虚假信息的识别并迭代优化深度识别模型的参数。虚假信息在线识别模块首先使用探索-利用策略获取新发布信息中的候选虚假信息集，然后对候选虚假信息集中的信息进行实时虚假识别和评级。与现有技术相比，本发明具有准确度高、泛化能力强以及速度快等优点，能够有效应用于电子商务、医疗健康、网络信息安全以及舆情监控等领域。
-
-
-
Search Results
4
records
(took 0.015 seconds)
