专利交易市场

本发明公开了一种基于图卷积神经网络的混合推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的属性信息；将收集的数据建模为异构信息图，并利用图卷积神经网络学习每个节点的特征向量表示；基于用户和物品特征向量的混合推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品属性信息，获得用户和物品的特征向量表示并实施基于特征向量的混合推荐，缓解数据稀疏问题和繁重的特征工程问题的影响，进而改进推荐效果，提升用户满意度。

本发明公开了一种融合图卷积神经网络和因子分解机的混合推荐方法，包括获取用户元数据和物品元数据作为数据样本，对用户元数据和物品元数据进行预处理，利用图卷积神经网络对用户‑物品交互向量进行计算，将每层的计算结果保存作为中间结果；将每层的计算结果与初始结果利用自注意力计算进行融合，得到基于图卷积网络的推荐结果；利用因子分解机对用户数据和物品数据进行计算，得到基于因子分解机的推荐结果；结合基于图卷积网络的推荐结果和基于因子分解机的推荐结果，经过迭代训练得到最终的推荐方法。本发明结合了协同过滤推荐和混合推荐的优势，可以更好地解决冷启动问题和长尾效应，提高推荐结果的精确度。

本发明公开了一种基于动态多任务图卷积的冷链多温混配推荐方法及装置，对货源信息和车源信息标签作标记处理和定义，得到标签空间和标签集合，由途径路线得到动态更新数据集；利用PMI分别基于冷链货源信息标签集合和冷链车源信息标签集合计算标签权重，构建货源关联图、车货源关联图以及动态更新关联图；将货源与车货源关联图输入GAT，通过计算注意力相关系数更新节点邻域新特征集合，输入GCN使用新权重得到关键特征表示，再通过Softmax分类选择推荐合适温度。本发明使用图注意力网络和图卷积神经网络结合多任务动态更新方法对分类有重要的作用和意义，普遍适用于动态匹配选择冷链物流中货源信息和车源信息，提高运载效率，减少运输成本以及空车率。