-
公开(公告)号：CN114610989A
公开(公告)日：2022-06-10
申请号：CN202210170463.7
申请日：2022-02-23
Applicant: 苏州大学
IPC: G06F16/9535 , G06F16/36 , G06F16/335 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于异构图动态信息补偿的个性化论文推荐方法，方法首先从学术HIN中按照有向边以及节点出入度游走方式提取多样化的交互元路径；然后通过采样得到的多种元路径来学习用户节点和论文节点的嵌入并用全连接层进行融合，作为总体兴趣和受众趋势的表达，再利用结合了注意机制的双向长短期记忆神经网络(Bi‑LSTM)捕捉隐藏在用户、论文历史数据中的动态变化，来融合成短期变化趋势的表达；最后，利用用户和论文短期变化趋势表达得到的链接预测结果来补偿总体趋势表达得到的链接预测结果，从而使推荐结果更加符合用户当前的偏好，解决现有方法存在的路径采样不全面、无法挖掘用户兴趣以及论文受众变化的问题。
-
公开(公告)号：CN116596025B
公开(公告)日：2024-09-10
申请号：CN202310408150.5
申请日：2023-04-17
Applicant: 苏州大学
IPC: G06N3/045 , G06N3/08 , G06Q50/00 , G06F18/213
Abstract: 本发明涉及一种基于级联关系多样性的信息流行度预测方法和系统，方法包括：获取每条信息p的观测级联Cp，并根据所述观测级联Cp获取级联图gp和时间节点序列τp；将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征、不同节点的相对时空特征和不同节点用户间的节点关系特征，并将所述全局时空特征融入级联图gp的节点初始特征X中得到节点特征矩阵X；通过所述多个互连的自注意力模型以实现对所述观测级联Cp进行建模，得到级联图表示Hc；通过所述预测层对多个互连的自注意力模型输出的级联图表示Hc进行预测，得到信息p的流行度。本发明在信息流行度预测中考虑了用户之间的偏好属性、并且考虑了不同信息对应级联间的关系。
-
公开(公告)号：CN116775989A
公开(公告)日：2023-09-19
申请号：CN202310555397.X
申请日：2023-05-17
Applicant: 苏州大学
IPC: G06F16/9535 , G06F18/214 , G06F18/25 , G06F18/22 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及一种基于时效性辅助任务驱动的个性化论文推荐方法，包括以下步骤：构建学术HIN图，并用HIN子图提取函数提取长时间跨度和短时间跨度内的HIN子图。对BERT经典语言模型的输出添加全连接层进行微调来获取论文关键词语义特征，通过自注意力机制聚合关键词语义特征获取论文内容特征，通过自注意力机制聚合论文内容特征得到当前用户研究方向特征。在两种时间跨度的HIN子图中嵌入GNN网络，捕获用户阅读偏好特征和论文受众偏好特征。通过本发明中cfLSTM预测器进行多时间跨度下相关特征捕捉。计算用户研究方向与论文内容的匹配度以及计算用户阅读偏好和论文受众偏好的匹配度，将两种匹配度线性融合得到推荐概率值。
-
公开(公告)号：CN116596025A
公开(公告)日：2023-08-15
申请号：CN202310408150.5
申请日：2023-04-17
Applicant: 苏州大学
IPC: G06N3/045 , G06N3/08 , G06Q50/00 , G06F18/213
Abstract: 本发明涉及一种基于级联关系多样性的信息流行度预测方法和系统，方法包括：获取每条信息p的观测级联Cp，并根据所述观测级联Cp获取级联图gp和时间节点序列τp；将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征、不同节点的相对时空特征和不同节点用户间的节点关系特征，并将所述全局时空特征融入级联图gp的节点初始特征X中得到节点特征矩阵X；通过所述多个互连的自注意力模型以实现对所述观测级联Cp进行建模，得到级联图表示Hc；通过所述预测层对多个互连的自注意力模型输出的级联图表示Hc进行预测，得到信息p的流行度。本发明在信息流行度预测中考虑了用户之间的偏好属性、并且考虑了不同信息对应级联间的关系。
-
公开(公告)号：CN115470994A
公开(公告)日：2022-12-13
申请号：CN202211122697.0
申请日：2022-09-15
Applicant: 苏州大学
Abstract: 本发明涉及社交网络及其应用领域，公开一种基于显式时间和级联注意力的信息流行度预测方法和系统，方法包括：提取观测级联样本中的级联图、级联序列和级联节点对应的转发时间序列，使用显式时间嵌入模型获取包含时间属性的节点特征向量；使用级联注意力网络建模级联图和级联序列得到级联表示，将级联表示输入多层感知机得到预测流行度，根据预测流行度和实际流行度值建立损失函数；使用观测级联样本训练整体模型，训练完成对待预测的级联样本进行预测；系统包括显式时间嵌入模块、级联注意力模块、回归模块、训练模块和预测模块。本发明有效捕获级联的时序性、充分捕获级联图和级联序列信息、提高预测效率和准确性。
-
Patent Agency Ranking
公开(公告)号：CN114610989B
公开(公告)日：2022-11-18
申请号：CN202210170463.7
申请日：2022-02-23
Applicant: 苏州大学
IPC: G06F16/9535 , G06F16/36 , G06F16/335 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于异构图动态信息补偿的个性化论文推荐方法，方法首先从学术HIN中按照有向边以及节点出入度游走方式提取多样化的交互元路径；然后通过采样得到的多种元路径来学习用户节点和论文节点的嵌入并用全连接层进行融合，作为总体兴趣和受众趋势的表达，再利用结合了注意机制的双向长短期记忆神经网络(Bi‑LSTM)捕捉隐藏在用户、论文历史数据中的动态变化，来融合成短期变化趋势的表达；最后，利用用户和论文短期变化趋势表达得到的链接预测结果来补偿总体趋势表达得到的链接预测结果，从而使推荐结果更加符合用户当前的偏好，解决现有方法存在的路径采样不全面、无法挖掘用户兴趣以及论文受众变化的问题。
-
公开(公告)号：CN116523118B
公开(公告)日：2024-08-23
申请号：CN202310395439.8
申请日：2023-04-13
Applicant: 苏州大学
IPC: G06Q10/04 , G06Q50/00 , G06F16/901 , G06N3/084 , G06N3/047 , G06F18/22 , G06N3/0455 , G06N3/044 , G06N3/0464
Abstract: 本发明提供一种基于异构图神经网络的多源信息传播预测方法及系统，该方法包括基于社交网络信息，构建异构图；基于所述异构图，通过设定的初始特征生成策略为所述异构图中的每一个类节点和边生成初始特征；将所述异构图和所述初始特征输入到预先构建的多层时空嵌入网络模型中进行优化训练，得到训练好的多层时空嵌入网络模型；利用训练好的多层时空嵌入网络模型对社交网络中的多源信息传播进行预测。本发明所提出的方法弥补了传统模型在时间段划分方案缺乏灵活性、关注关系冗余、无法兼顾时空特征且缺乏可拓展性这些方面的不足，能高效且准确地预测社交网络中单/多源信息的流行度。
-
公开(公告)号：CN114928548B
公开(公告)日：2023-07-28
申请号：CN202210445503.4
申请日：2022-04-26
Applicant: 苏州大学
IPC: H04L41/147 , H04L41/14 , H04L51/52 , G06Q50/00 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种社交网络信息传播规模预测方法及装置，首先通过对用户之间的关注关系进行采样，并构建异构图解决了多源信息传播结构上的不连通问题；然后，对用户转发的时间序列划分时间段，并进一步根据这些时间段向异构图中添加时间节点，并连接对应时间段内的用户，使得构建的异构图也有了表达时间特征的能力；最后，通过对异构图中的时间节点使用循环神经网络提取时间特征，并和使用图卷积神经网络的结构特征学习多轮交替进行，从而实现时间特征和结构特征之间双向强依赖关系的学习。
-
公开(公告)号：CN115470994B
公开(公告)日：2023-07-11
申请号：CN202211122697.0
申请日：2022-09-15
Applicant: 苏州大学
IPC: G06Q10/04 , G06Q50/00 , G06N3/0442 , G06N3/049 , G06N3/047 , G06N3/08 , G06N3/084 , G06N3/0499 , G06N3/045
Abstract: 本发明涉及社交网络及其应用领域，公开一种基于显式时间和级联注意力的信息流行度预测方法和系统，方法包括：提取观测级联样本中的级联图、级联序列和级联节点对应的转发时间序列，使用显式时间嵌入模型获取包含时间属性的节点特征向量；使用级联注意力网络建模级联图和级联序列得到级联表示，将级联表示输入多层感知机得到预测流行度，根据预测流行度和实际流行度值建立损失函数；使用观测级联样本训练整体模型，训练完成对待预测的级联样本进行预测；系统包括显式时间嵌入模块、级联注意力模块、回归模块、训练模块和预测模块。本发明有效捕获级联的时序性、充分捕获级联图和级联序列信息、提高预测效率和准确性。
-
公开(公告)号：CN116523118A
公开(公告)日：2023-08-01
申请号：CN202310395439.8
申请日：2023-04-13
Applicant: 苏州大学
IPC: G06Q10/04 , G06Q50/00 , G06F16/901 , G06N3/084 , G06N3/047 , G06F18/22 , G06N3/0455 , G06N3/044 , G06N3/0464
Abstract: 本发明提供一种基于异构图神经网络的多源信息传播预测方法及系统，该方法包括基于社交网络信息，构建异构图；基于所述异构图，通过设定的初始特征生成策略为所述异构图中的每一个类节点和边生成初始特征；将所述异构图和所述初始特征输入到预先构建的多层时空嵌入网络模型中进行优化训练，得到训练好的多层时空嵌入网络模型；利用训练好的多层时空嵌入网络模型对社交网络中的多源信息传播进行预测。本发明所提出的方法弥补了传统模型在时间段划分方案缺乏灵活性、关注关系冗余、无法兼顾时空特征且缺乏可拓展性这些方面的不足，能高效且准确地预测社交网络中单/多源信息的流行度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
