公开(公告)号：CN110941755A

公开(公告)日：2020-03-31

申请号：CN201811118108.5

申请日：2018-09-25

Applicant: 湖州师范学院 ,  王瑞琴

Inventor： 王瑞琴

IPC: G06F16/9535 ,  G06N3/08

Abstract: 本发明公开了一种基于两阶段深度学习技术的协同推荐方法DDCF。近年来，基于深度神经网络(DNN)的协同推荐方法被广泛研究并取得了一定成效，但这类方法的初始化问题一直没有引起重视，事实上，DNN模型初始输入向量的选择对最终的推荐性能具有重要影响。本发明提出一种两阶段的协同推荐模型：首先，使用计算复杂度较低的堆叠式边缘去噪自动编码机(mSDA)模型完成用户和项目潜在特征向量的提取工作；然后，将得到的特征向量作为DNN模型的输入，完成整个模型参数的学习。为了考虑低阶特征交互在用户建模中的作用，DDCF集成了分解机(FM)技术。在真实数据集上的实验结果表明，DDCF模型的推荐性能较现有方法具有极大改善，尤其是在数据稀疏和冷启动的环境下。

公开(公告)号：CN117114968A

公开(公告)日：2023-11-24

申请号：CN202310681491.X

申请日：2023-06-09

Applicant: 湖州师范学院

Inventor： 张雄涛 ,  闫莉莉 ,  王瑞琴 ,  孙丹枫 ,  蒋云良

IPC: G06T3/00 ,  G06N3/094 ,  G06N3/088 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了基于重构损失一致性的单样本图像翻译模型，整个架构包含N+1个阶段且由N+1个生成器G＝{G0,G1,…,GN}和一个判别器D组成，每一个所述阶段的训练均分为判别器D的训练以及生成器G的训练，所述判别器D在训练过程中的输入均为当前阶段下生成的目标图像fakei或目标域图像Yi，所述判别器D在训练过程中的输出为输入图像在目标域中属于自然图像的概率，所述生成器Gi的输入为未配对的源域图像X和目标域图像Y的降采样图像X0和Y0，所述降采样图像Xfake0经过生i，所述降成器G采样图像i翻译得到目标图像Y0经过生成器Gi翻译得到风格重构图像本发明能够使模型的训练时间得到大大缩短并完成高质量的快速图像翻译任务。

公开(公告)号：CN119089938A

公开(公告)日：2024-12-06

申请号：CN202410855908.4

申请日：2024-06-28

Applicant: 湖州师范学院

Inventor： 王瑞琴 ,  于洋 ,  李家乐 ,  吴晔

IPC: G06N3/045 ,  G06N3/082 ,  G06N3/0895

Abstract: 本发明公开了基于对比增强时间感知自注意力机制的时序推荐模型，包括CATSASRec层、预测层和对比学习层，所述CATSASRec层由依次设置的数据预处理层、嵌入层和自注意力层所共同构成，所述嵌入层可在数据预处理层完成数据预处理后根据物品之间的时间间隔、物品的位置信息、用户对物品的评分和物品的热度信息以构建物品与用户的有效嵌入表示并计算注意力权重，所述预测层和对比学习层分别与CATSASRec层相连接。本模型可对项目之间的相对时间间隔、物品的热度信息、用户评分、物品的绝对时间戳以及物品在序列的位置信息进行建模，在密集和稀疏数据集上都优于最先进的算法。

公开(公告)号：CN118430261A

公开(公告)日：2024-08-02

申请号：CN202410648433.1

申请日：2024-05-23

Applicant: 湖州师范学院

Inventor： 楼俊钢 ,  张心叶 ,  王瑞琴 ,  刘振方 ,  赵康

IPC: G08G1/01 ,  G06N3/0464

Abstract: 本发明公开了用于交通流量预测的分层时空特征增强框架，包括周期性嵌入模块(PEM)、归一化层模块(NormLayer)、自适应并行通道注意力融合模块(AP‑CAF)、层次化串行特征融合增强器(HS‑FFE)和多层感知机模块(MLPLayer)。本发明能够采用时间周期性进行轻量化嵌入处理，捕获时间关系，并行通道注意力融合组件捕捉不同类型的特征信息，串行特征增强组件提高模型对特征之间复杂关系的理解，使模型能够更好地捕捉特征之间的内在模式和相关性，多层感知模块在不同层次上对特征进行处理，确保模型在不同层次上更全面获取时空总体特征。

公开(公告)号：CN115438258A

公开(公告)日：2022-12-06

申请号：CN202211044168.3

申请日：2022-08-30

Applicant: 湖州师范学院

Inventor： 王瑞琴 ,  蒋云良 ,  楼俊钢

IPC: G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于轻量级图卷积注意力网络的用户偏好建模的方法，包括以下步骤：S1.使用仅具有邻域聚合的轻量级GCN来建模静态用户偏好；S2.使用基于最近交互项的时间感知GAT来建模动态用户偏好；S3.将静态用户偏好和动态用户偏好相结合，输入双通道深度神经网络模型，进行特征交互学习和匹配分数预测。该发明能够以端到端的方式同时捕获用户的静态和动态偏好，通过使用不同的GNN方法能够有效地捕获静态和动态用户偏好，该方法显著优于目前最先进的推荐方法。