本申请的目的是提供一种基于用户使用轨迹的推荐方法与设备。具体地，先获取一个或多个历史用户的历史使用轨迹；再获取当前用户的当前使用轨迹；根据所述当前使用轨迹在所述历史使用轨迹中进行匹配，得到关于推荐对象的匹配结果；然后基于所述匹配结果的路径深度，为对应的所述推荐对象赋予权重分，并根据所述推荐对象的权重分，对多个所述推荐对象进行优先级排序。与现有技术相比，本申请解决了在用户调用监控摄像头时推荐摄像头的问题。进一步地，所述推荐对象的权重分与对应的所述匹配结果的路径深度呈正相关关系。本申请在用户调用监控摄像头的场景中可以实现更好的推荐效果。
📄 2022107053822
📂 G06F16_9535
👤 上海芯翌智能科技有限公司
📅 2022-06-21
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。
📄 2019109408729
📂 G06F16_9535
👤 杭州电子科技大学
📅 2019-09-30
本发明公开了一种基于大数据的教育资源传输系统，该系统包括馆藏书籍调度管理模块、智能推荐模块、用户信息拾取模块、数据比较模块、兴趣度时间判断模块、干扰因子插入模块、内容相关度推荐模块、标准修正模块、书籍褶皱度确定模块、电子书籍传输模块、权限等级在线识别模块、部分接口远程共享模块、电子书籍转发权限模块，非vpn通道共享模块、电子书籍篇章购买模块和权限许可认证模块，通过馆藏书籍调度管理模块，判断书籍是处于普通书库或者珍藏书库中，同时判断用户所选择书籍的剩余书籍数量是否小于预设数量，并在用户所选书籍数量较少时推荐相似书籍，通过兴趣度时间判断模块，判断出用户对所选书籍的偏爱程度，并向用户推荐书籍。
📄 2021104028400
📂 G06F16_9535
👤 倪志刚
📅 2021-04-15
本发明公开了基于新闻事件和新闻风格联合建模的新闻推荐方法和系统、存储介质、电子设备，属于自然语言处理技术领域及推荐系统领域，本发明要解决的技术问题为如何从用户浏览过的新闻中，挖掘新闻所包含的事件特征和风格特征，从而更好地向用户推荐符合其偏好的新闻。采用的技术方案为：①新闻事件和新闻风格联合建模的新闻推荐方法，该方法包括如下步骤：S1、构建新闻推荐模型的训练数据集；S2、构建基于新闻事件和新闻风格联合建模的新闻推荐模型；S3、训练模型。②一种基于新闻事件和新闻风格联合建模的新闻推荐系统，该系统包括：训练数据集生成单元、基于新闻事件和新闻风格联合建模的新闻推荐模型构建单元、模型训练单元。
📄 2023111599472
📂 G06F16_9535
👤 齐鲁工业大学(山东省科学院)
📅 2023-09-11
本发明公开了一种基于用户意图特征的智能新闻推荐方法和系统，属于推荐系统领域和自然语言处理领域。本发明要解决的技术问题为现有的新闻推荐方法无法识别用户意图特征，从而导致推荐结果不准确的问题，采用的技术方案为：该方法具体如下：S1、构建新闻推荐模型的训练数据集；S2：构建基于用户意图特征的新闻推荐模型：具体如下：S201、构建新闻编码器；S202、构建TF‑IDF算法模块；S203、构建意图编码器；S204、构建图神经网络；S205、构建意图解码器；S206、构建点击率预测器；S3、训练基于用户意图特征的新闻推荐模型。该系统包括训练数据集生成单元、基于用户意图特征的新闻推荐模型构建单元和模型训练单元。
📄 2023104129114
📂 G06F16_9535
👤 齐鲁工业大学(山东省科学院)
📅 2023-04-13
本发明公开了一种基于显式和隐式兴趣特征的智能新闻推荐方法和系统，解决的技术问题为现有的新闻推荐方法无法识别显式和隐式兴趣特征，从而导致推荐结果不准确的问题，采用的技术方案为：该方法具体如下：S1、构建新闻推荐模型的训练数据集；S2：构建基于显式和隐式兴趣特征的新闻推荐模型：具体如下：S201、构建新闻编码器；S202、构建显式兴趣编码器、S203、构建词频‑逆向文件频率TF‑IDF算法模块；S204、构建隐式兴趣编码器；S205、构建图神经网络；S206、构建隐式兴趣解码器；S207、构建点击率预测器；S3、训练基于显式和隐式兴趣特征的新闻推荐模型。该系统包括训练数据集生成单元、基于显式和隐式兴趣特征的新闻推荐模型构建单元和模型训练单元。
📄 2023104129326
📂 G06F16_9535
👤 齐鲁工业大学(山东省科学院)
📅 2023-04-13
一种基于人群移动模式先验的兴趣点推荐方法，包括：(1)获取同一时空的城市交通数据、POI数据和用户签到数据，进行数据处理；(2)提取城市中的人群移动模式，设计下游任务对人群移动模式提取模块进行预训练；(3)在深层模型中加入步骤(2)中提取的人群移动模式先验特征；(4)把原始Wide&Deep模型的Wide部分更改为Cross网络，在线性模型部分加入特征交叉层；(5)连接步骤(3)中的Deep网络和步骤(4)中的Cross网络输出，将拼接向量输入到最后的单层感知机中，对最终的目标做拟合，输出用户j在兴趣点i签到的预测分数p。本发明的推荐结果更加符合人类出行意愿，解决了由大量充斥在社交网络上的推广信息给人们出行带来的选择困难问题。
📄 2022109521032
📂 G06F16_9535
👤 浙江工业大学
📅 2022-08-09
一种基于图结构过滤的快速密度聚类双层网络推荐方法，所述方法包括以下步骤：1)首先依据历史用户评论信息通过TextGAN自动生成模拟评论数据作为准确标注类标的与真实样本极为相似的虚假评论；2)将历史真实评论和标注虚假的模拟评论作为输入，考虑到生成的虚假评论与真实评论极为相似，设计一种研究用户访问记录的基于图的虚拟信息过滤器，通过不断迭代用户、商店和评论的置信度检测虚假用户与虚假评论；3)为了结果推荐数据的稀疏性的问题，设计基于快速密度聚类双层网络的推荐方法，该方法能够实现参数的自适应选取，并得到较好的聚类结果，从而可以获得更为有效的用户的个性化推荐列表，提高推荐的准确率。本发明利用对抗生成网络生成与真实评论数据极为相似的虚假样本，并提出了一种高效可靠的基于图结构过滤的快速密度聚类双层网络推荐方法。
📄 2017114699284
📂 G06F16_9535
👤 浙江工业大学
📅 2017-12-29
一种基于用户历史消费数据的商家推荐方法，包括以下步骤：步骤1、用户设定搜索半径r，搜索关键词；步骤2、设备获取用户位置P0，并以周期T将关键词、r和P0发送给服务器；步骤3、根据P0搜索附近商家，得到附近半径r范围内的商家列表Lin；步骤4、选择Lin中第一个商家m；步骤5、如果m不存在，前往步骤6，否则计算m评分的平均分；步骤6、服务器根据计算的平均分从高到低排序输出的列表Lout，并将Lout返回给设备，结束。本方法提高综合评分的有效性，对于准确查找优质商家具有重大意义。
📄 2018112551499
📂 G06F16_9535
👤 浙江工业大学之江学院
📅 2018-10-26
基于异构网络信息嵌入模型的交互可视推荐方法，包括：步骤1：对数据进行爬取和清洗；从真实的豆瓣电影网站中收集豆瓣用户数据和豆瓣电影数据，进行清洗；步骤2：获取模型训练过程中的参数和特征数据，对预处理好的电影数据构造异构电影信息网络作为模型的输入，接着使用异构嵌入模型HetGNN，KGAT和NIRec进行训练，保留训练过程中的相关参数和特征信息；步骤3：基于用户交互的模型对比探索，基于所保留的路径特征数据，根据不同指标数据以及模型参数设计相应的可视化图表；步骤4：基于异构嵌入模型的交互可视推荐，学习异构图中多类型的对象和关系，挖掘隐含的丰富结构和语义信息用于推荐任务。本发明解决了推荐的黑盒问题，增加了推荐结果的可解释性。
📄 2021113718458
📂 G06F16_9535
👤 浙江工业大学
📅 2021-11-18
一种基于主题模型聚类的Web API推荐方法，根据上下文信息计算单词的语义权重信息从而得到文档‑单词语义权重信息矩阵D；统计单词共现信息，从而计算出SPPMI矩阵信息；基于得到Mashup服务文档单词的词频信息矩阵D，单词的上下文SPPMI矩阵M，通过分解M可以得到词嵌入信息矩阵，进一步将上述两种信息进行结合，计算服务的主题信息；将得到的Mashup服务主题特征，作为谱聚类的输入进行聚类，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，子图内的边权重和尽可能的高，达到聚类的目的；结合GBDT和FM方法对Web API服务进行预测推荐。本发明有效实现Web API推荐。
📄 2021105085307
📂 G06F16_9535
👤 浙江工业大学
📅 2021-05-11
基于异构信息网络嵌入的Top‑K电影推荐方法，包括：步骤1.预处理数据：步骤2.嵌入学习异构信息网络；步骤3.在异构信息网络中传播信息；步骤4.聚合节点信息和边信息；步骤5.预测评分；步骤6.Top‑K评价。本发明对异构信息网络的学习进行改进，将节点之间的边显式的加入到学习过程中，并将改进后的学习方法应用到推荐任务中来，充分获取了电影数据中不同类型的节点之间的关系，和传统的同构网络相比，获取了更丰富的语义信息，和现有的异构信息网络学习方法相比，获取了边的信息，减少了学习过程中数据损失，提高了对异构信息网络中信息的利用率。
📄 2020113060203
📂 G06F16_9535
👤 浙江工业大学
📅 2020-11-20
柿子坊 · 知识产权运营
柿子坊知识产权运营平台