公开(公告)号：CN116701766A

公开(公告)日：2023-09-05

申请号：CN202310749773.9

申请日：2023-06-25

Applicant: 郑州大学

Inventor： 吴宾 ,  时天任 ,  孙中川 ,  梁慧丹 ,  叶阳东

IPC: G06F16/9535 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08 ,  G06F16/735 ,  G06Q30/0601

Abstract: 近年Transformer框架和图神经网络引起了学术界和工业界的极大关注，一些研究者借助Transformer框架和原始的用户‑物品交互图以改善用户表征学习过程。为了提高序列化推荐的准确性，本发明进一步将类别信息视作一种新的类型节点，通过这种方式在用户‑物品‑类别三部图中显式地编码协作信号；与此同时，为了显式利用时间间隔信息来辅助预测下一个物品，本发明公开一种时间间隔敏感的自注意力机制，以捕捉近期行为与目标物品之间的时间间隔信息。结合实际场景，为消除协作信息与序列信息之间语义鸿沟问题，本发明公开了一种个性化的门控策略，区分不同场景下各模块的贡献度。

公开(公告)号：CN116738039A

公开(公告)日：2023-09-12

申请号：CN202310537344.5

申请日：2023-05-14

Applicant: 郑州大学

Inventor： 吴宾 ,  苏勋 ,  钟李红 ,  梁慧丹 ,  叶阳东

IPC: G06F16/9535 ,  G06F16/36 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于社交平移模型的序列化推荐方法。序列化推荐帮助用户发现潜在感兴趣的物品，其已经发展成为学术界和工业界的研究热点。通过研究社交关系对于序列化推荐任务的动态影响，发明人提出一种新的推荐方法——基于社交平移模型的序列化推荐。具体而言，本发明首先通过引入门控图卷积模块建模用户长期偏好，然后采用联合门单元模块动态捕获序列化和社会化两种模式。此外，为了刻画用户与物品之间的交互强度，本发明设计了一种社交提升的平移机制。

公开(公告)号：CN116701755A

公开(公告)日：2023-09-05

申请号：CN202310537345.X

申请日：2023-05-14

Applicant: 郑州大学

Inventor： 吴宾 ,  田贻豪 ,  梁慧丹 ,  钟李红

IPC: G06F16/9535 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种面向社会时序化推荐的图增强联合注意力方法。序列化推荐是根据每个用户的行为序列来预测下一个感兴趣的物品。尽管不少工作已经动态捕获了物品之间的序列化模式，但他们仍面临两点不足之处：(1)未能以时间感知的方式对物品之间的平移模式进行建模；(2)忽略了动态捕获社会化影响的重要性。本发明引入社会时序化推荐新概念，并提出图增强联合注意力模型(简称GCARec)，以实现动态建模社会化影响，并以时间感知的方式捕获物品与物品之间的平移模式。该方法首先采用线性图卷积模块来建模用户的长期偏好，然后分别设计了时间感知和社会感知的注意力机制，以同时动态捕获序列化模式和社会化影响。

公开(公告)号：CN111915390A

公开(公告)日：2020-11-10

申请号：CN202010537969.8

申请日：2020-06-12

Applicant: 郑州大学

Inventor： 叶阳东 ,  吴宾 ,  梁慧丹 ,  孙中川

IPC: G06Q30/06

Abstract: 一个物品的功能特性(内在因素)和视觉信息(外在因素)不仅深刻影响着用户的消费行为，而且在不同领域其影响程度相差甚远。因此，在构建一个电子商务推荐系统时，物品的内在和外在因素应该被同时考虑。进一步，在不同领域中物品的不同特性对于用户购买决策的影响有所不同，为解决该问题，本发明公开了一种融合物品内在与外在特性的推荐方法。由于额外信息的融入，使得本发明中极富表达力的推荐方法在学习模型参数时，却面临着效率问题。为使得模型能够满足实际环境的需求，本发明公开了一种快速交替优化算法。

公开(公告)号：CN111652696A

公开(公告)日：2020-09-11

申请号：CN202010536656.0

申请日：2020-06-12

Applicant: 郑州大学

Inventor： 叶阳东 ,  吴宾 ,  孙中川 ,  王有为 ,  梁慧丹

IPC: G06Q30/06

Abstract: 本发明公开了一种基于高阶平移模型的推荐算法，来解决传统平移模型仅建模用户最近交互行为而导致的推荐结果不准确的不足。本发明主要关注高阶马尔科夫链对于序列化推荐的影响，在传统平移模型基础之上合理融入了高阶序列化信息。具体而言，在针对每次交互行为构造平移向量时，本发明通过建模目标用户最近的多个消费行为，使得在短期偏好中编码了更多信息。另外，本发明设计了一种能够感知位置的个性化注意力机制，使其可以学习出特定物品在不同时刻以及面对不同用户时的自适应权重。然后基于该自适应权重聚合不同阶的物品向量，从而得到一个更富表达力的平移向量，提升模型的推荐精度。