一种基于GCN嵌入空间聚类模型的商业区发现方法，包括：1)数据收集：综合考虑多种数据来源，包括地理数据、路网数据和出租车轨迹数据等，经过筛选提取预处理以后，得到实验所需的数据；2)特征提取：应用皮尔逊相关系数分析地区之间的相似性，构造图卷积神经网络所需的边特征和节点特征；3)嵌入空间聚类：在发现城市中的功能区时，综合考虑地理相似性和人类移动性，本发明在图卷积神经网络的嵌入空间使用层次聚类算法；4)候选地区标识：本发明采用高斯核密度估计对地区进行功能评估，结合聚类所得结果，最终确认待选商业区，对于处理类似问题具有出色表现。
📄 202011499260X
📂 G06F16_9537
👤 浙江工业大学
📅 2020-12-18
本发明公开了一种面向隐私保护的图神经网络联邦推荐方法。目前已有很多学术策略提出矩阵分解，协同过滤等推荐方法来提高推荐的准确率，然而提出的方法中推荐的准确率、数据孤岛的问题、多个客户端如何联合训练的问题、数据的安全隐私性这些方面无法兼顾。本发明包含三部分的内容：基于二分图每个客户端进行图神经网络推荐，基于联邦学习进行共同训练图神经网络推荐方法和面向隐私保护的服务器和客户端传输数据进行同态加密。通过本发明提供的面向隐私保护的图神经网络联邦推荐方法，可以在数据孤岛的环境下联合多个客户端进行保证隐私性和数据安全性的图神经推荐建模训练，显著提高所有客户端的推荐准确率和保护数据的安全。
📄 2021106149240
📂 G06F16_9536
👤 杭州电子科技大学
📅 2021-06-02
本发明公开了一种基于类别感知图神经网络的服务建模与推荐方法，包括以下步骤：步骤1、输入用户的历史服务交互数据；步骤2、读取并处理用户的历史服务交互数据；步骤3、构建异构超图步骤4、通过类别感知超图卷积构建模型，并挖掘服务交互序列中服务和服务类别信息之间的复杂关系；步骤5、模型训练与服务推荐。上述技术方案首先是通过类别感知超图对用户的服务交互序列及对应的类别信息进行有效建模，然后利用图神经网络训练服务的向量表示，从而可以更好地捕捉用户服务交互序列中服务、类别及其之间的联系。其次是使用注意力机制准确提取用户的局部和全局兴趣，进而进行自适应融合得到混合兴趣，为用户提供更加精准的服务推荐。
📄 2022104808924
📂 G06F16_9035
👤 杭州电子科技大学
📅 2022-05-05
本发明涉及一种基于超图神经网络和扩散模型的地点推荐方法，构建兴趣点推荐模型，兴趣点推荐模型依次包括局部轨迹流超图模块、时空特征编码、多维特征融合网络、全局超图表征学习模块、特征优化模块、聚合层、频域学习层和线性预测层。分析了用户的长轨迹，并将其划分为时空区域，构建了三个全局超图，旨在全面捕捉用户的整体行为模式。为了更好地优化轨迹意图表征，提出基于改进的扩散模型的特征优化模块。通过引入多维全局表示，以确保一个更稳定和可控的反向过程，并利用特征归一化和改进的Transformer网络，增强的扩散模型更适合于推荐系统。设计损失函数训练兴趣点推荐模型，训练好的兴趣点推荐模型用于对新用户推荐下一兴趣点。
📄 2024114896418
📂 G06F16_9537
👤 重庆大学
📅 2024-10-24
本发明公开了一种基于特征冗余去除的图神经网络多模态推荐方法及系统，本发明包括将用户与项目的交互数据利用图神经网络多模态推荐模型执行推荐：从用户与项目的交互数据中提取多模态特征，利用图神经网络编码器进行基于交互的协同过滤、基于模态的协同过滤再融合得到用户和项目的局部嵌入向量；并将多模态特征利用特征过滤器过滤生成全局嵌入向量；将局部嵌入向量和全局嵌入向量融合得到用户和项目的最终嵌入向量再计算用户对项目的偏好得分并生成推荐结果。本发明旨在实现用户行为和多模态内容信息高效融合，去除冗余特征的同时保留协同信号以提升表达能力，从而提升图神经网络的多模态推荐性能。
📄 2024112453538
📂 G06F16_9536
👤 湖南师范大学
📅 2024-09-06
本申请属于景点推荐领域，具体涉及基于图神经网络和群决策的自驾游景点推荐方法及系统，其方法包括：根据目标游客群体基本信息和景点信息生成旅游知识图谱，结合情感倾向，得到游客嵌入表示，根据相似度筛选出目标游客群体的候选景点集合，根据游客偏好计算出净可信度，根据偏好评价矩阵计算出群体净可信度，对候选景点集合排序得到群体排序景点集合。根据外部环境计算得到各景点的加权评分；根据加权评分以及群体净可信度得到新评分；根据新评分对候选景点集合排序，得到新群体排序集合景点，将群体排序景点集合或新群体排序景点集合作为推荐结果。本申请具有能够在群体出行时考虑每一名游客的偏好，为游客群体推荐更加满意的景点的效果。
📄 2025112783814
📂 G06F16_9536
👤 湖南师范大学
📅 2025-09-09
本发明提出了一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，实现步骤为：(1)构建用户信息、物品信息以及用户‑物品交互信息；(2)构建用户‑物品虚拟边交互二部图；(3)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型；(4)对基于余弦排名损失和虚拟边图神经网络的物品推荐模型进行迭代训练；(5)获取向用户推荐的物品列表。本发明通过使用用户‑物品虚拟边交互二部图，挖掘了用户‑物品的潜在交互可能，关注了节点间的隐式反馈以获得更好的嵌入表征向量；同时通过使用余弦排名损失函数，过滤冗余样本以自适应的计算损失函数值，提高了物品推荐的准确性。
📄 2022108696275
📂 G06F16_9535
👤 西安电子科技大学
📅 2022-07-21
本发明公开了一种基于可微图神经网络架构搜索的协同过滤推荐方法，主要解决现有技术推荐性能不强且时间消耗大的问题，其实现方案包括为：构建图神经网络架构空间；构建用户—物品二部图；根据用户—物品二部图对用户的历史交互数据进行正负样本采样完成数据预处理；将预处理后的数据集划分成训练集、验证集和测试集；根据训练集的损失函数和验证集的损失函数，利用可微搜索策略在网络架构空间中搜索最佳模型架构；将测试集输入到最佳模型架构中，输出对用户的推荐物品。本发明能有效捕捉用户和物品之间高阶的偏好特征，且针对不同数据集能自动搜索出性能最佳的架构，提高了推荐效果，具有很强的泛化能力，可用于图书、新闻、商品等各种推荐系统。
📄 2023109268467
📂 G06F16_9535
👤 西安电子科技大学
📅 2023-07-26
本发明公开了一种基于图神经网络的项目信息服务推荐方法，属于项目信息服务和推荐技术领域，包括以下步骤：步骤1、获取数据集；步骤2、构建二部图；步骤3、构建M‑LGACL模型，包括特征向量初始化模块、Mixup数据增强模块、轻量化图卷积层、交叉注意力机制、对比损失学习模块；步骤4、通过对步骤3构建好的M‑LGACL模型不断迭代，生成训练好的M‑LGACL模型；步骤5、通过计算召回率及归一化折损累计增益对模型性能进行评估；本发明提供的一种基于图神经网络的项目信息服务推荐方法，不仅提高了模型的推荐准确性，还有效解决了数据稀疏和模型泛化能力不足的问题。
📄 2024112900300
📂 G06Q30_0601
👤 青岛萤火虫环保科技有限公司
📅 2024-09-14
本发明提出一种跨层级图对比学习捆绑商品推荐方法。所述方法从局部层级和全局层级两种角度去构建用户、项目和捆绑包之间的多种交互图。在此基础上，本发明设计了不同的图编码器以聚合邻居信息，得到用户、捆绑包和物品的嵌入。最终使用用户嵌入和捆绑包嵌入进行内积得到归一化分数，决定是否向该用户推荐捆绑包，并使用用户嵌入和物品嵌入进行内积操作，决定是否推荐物品。相较于其他的捆绑推荐，本发明所述推荐方法能够学习到没有出现在目标用户历史数据中的物品，进而提高推荐结果的多样性和准确性。
📄 2023106475874
📂 G06Q30_0601
👤 黑龙江大学
📅 2023-06-02
本发明提出一种基于上下文的多重金融关系图欺诈节点检测方法，属于图数据挖掘技术领域。包括如下步骤：数据集预处理；计算节点级全局上下文特征；在任一关系图中，利用节点级全局上下文特征计算任意边的权重，过滤噪声边；在任一关系图中，使用GCN学习任意节点在指定关系图下的语义特征；综合节点原始特征，全局上下文特征和指定关系图下的语义特征，通过多层感知机得到节点的最终特征表示；利用交叉熵损失反向传播，更新所有可训练参数来训练模型。本发明有效利用全局上下文特征指导不同关系图下的特征学习，并综合全局特征与不同关系图下的节点语义特征，能达到较好的欺诈节点识别效果，无需过度调参即可在快速获取测试集上的高准确率分类。
📄 2024114019609
📂 G06F18_2415
👤 电子科技大学,西南财经大学
📅 2024-10-09
本发明公开了一种融合相关性信息的图神经网络会话推荐方法，属于会话推荐技术领域。本发明将所有序列中的所有物品转换成无向图再导入到相关信息嵌入模块中，对相关性信息进行建模；同时将每条序列都转换为一张有向图，基于转移关系来捕获物品和物品之间的转移信息，并使用转移信息嵌入模块来对转移信息进行建模。合并相关性信息和转移信息后传递到会话表示模块，获取当前用户交互序列最终的表示。使用编码器处理交互时间戳序列，使用解码器处理交互物品序列，从而融合每次交互行为的具体时序信息以捕获更为细粒度的用户行为模式。本发明克服了现有方法没有考虑物品与物品的相关性的缺陷，减弱了序列中的噪声带来的影响，提高了推荐效果。
📄 2022112100043
📂 G06F16_9536
👤 电子科技大学
📅 2022-09-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台