本发明公开了一种基于图神经网络与元数据的个性化服务推荐方法。通过对用户的历史服务交互记录以无向图的方式建模，该图表达了用户与服务的交互行为以及服务与服务、服务与其元数据之间的关系；图神经网络根据当前图中节点之间的连接关系，计算得到每个节点的特征表示向量；再使用线性变换、注意力机制等方法对不同类型的节点各自进行融合计算。本发明从服务、供应商、类别三个角度细化了用户选择服务时的主要动机并将用户的服务偏好发展趋势归纳为长期、短期以及动态三个部分，以应对用户偏好的多变性；元数据的引入丰富了服务的特征表示，能在冷启动以及数据稀疏的情况下，依旧实现关于服务的精确推荐。
📄 2022112333611
📂 G06Q30_0601
👤 杭州电子科技大学
📅 2022-10-10
本申请涉及人工智能领域，更具体地，涉及一种基于多模态图卷积的在线服务推荐方法和系统，方法包括：获取历史平台数据；根据历史平台数据构建样本集；利用样本集对推荐模型进行训练：根据样本集获取用户、项目对齐数据；对用户、项目对齐数据分别卷积聚合后整合得到用户、项目整合数据；分别对用户、项目整合数据进行传播处理得到用户、项目传播数据；根据用户、项目传播数据融合各模态得到融合推荐得分；根据融合推荐得分对推荐模型迭代学习，获取训练好的推荐模型；获取实时平台数据；利用该推荐模型对实时平台数据进行处理，获取用户推荐列表推荐给用户。该方法能够有效利用多模态信息以及为稀疏交互补充信息而提升在线服务项目推荐的效果。
📄 2025106352040
📂 G06Q30_0601
👤 广东工业大学
📅 2025-05-16
本发明涉及一种融合商品流行度分析的在线用户偏好高满意度推荐方法，用于解决现有技术对象推荐的准确性和用户满意度较低的问题，包括：获取用户与对象的交互行为总量和用户对所述对象的交互行为的评价；将交互行为总量经过函数变换为对象流行度并输入推荐模型，获取高偏好用户和对象表征并通过运算获得对象推荐候选集；将划分为若干等级的对象输入推荐模型训练，获得高满意度的用户和对象表征；分别高偏好用户和对象表征与高满意度的用户表征和对象表征融合，获得高偏好且高满意度的用户表征和对象表征并进行点积运算得到用户对对象的高偏好且高满意度的预测分数，根据所述预测分数得到用户的对象推荐列表，提高了为用户推荐的准确率和满意度。
📄 2024110881184
📂 G06Q30_0601
👤 广东工业大学
📅 2024-08-09
基于属性贡献度掩码的多源数据融合商品推荐方法，包括：1)通过网络收集对于商品的评论，包括图片，文字，视频；2)训练自编码器；3)提取降维数据；4)融合数据；5)训练深度模型；6)掩膜法计算权重；7)获得每个维度数据的权重，对于每个数据中每一维度的权重进行微调；8)对评分预测模型进行重训练，得到最终的评分预测模型；9)采用知识图谱的方式进行预测，利用老产品数据预测新产品数据；10)进行新老产品的评分预测，根据评分结果进行推荐。本发明提高了系统的准确性、系统输出的可信度。
📄 2022112242788
📂 G06Q30_0601
👤 浙江工业大学
📅 2022-10-08
本发明涉及一种基于异构图与同构图协同优化的多模态推荐方法及应用，对应每个模态分别构造用户‑物品异构图、物品‑物品同构图，以用户‑物品异构图对不同模态下的物品表征进行对齐及融合，基于不同模态的物品‑物品同构图生成模态融合的物品‑物品同构图；构建多模态推荐模型，以预处理后的数据进行训练，以训练后的多模态推荐模型实现内容推荐；应用于多模态推荐系统。本发明通过动态权重分配策略自适应融合用户对不同模态的偏好，显著提升用户和物品的表征质量，增强对稀疏交互数据的鲁棒性，最大化不同模态间的互信息，强制同一物品的多模态表征在映射后高度一致，有效缩小图像与文本等模态间的语义鸿沟，提升推荐结果的跨模态一致性。
📄 2025106785494
📂 G06Q30_0601
👤 浙江工业大学
📅 2025-05-26
一种协同多样性和准确性的智能推荐方法，包含:加载包含用户与物品交互记录的数据集；初始化用户和物品嵌入，为每个用户和物品分配一个随机初始化的嵌入向量，维度为d；构建用户与物品的二部图，其中用户和物品作为节点，交互关系作为边；使用类别感知的邻居选择策略对节点的邻居进行筛选，生成类别平衡的邻居子集；使用轻量级图卷积网络对类别平衡的邻居子集进行信息聚合,使用分层动态注意力模块加权融合多层嵌入，平衡不同层级的信息，更新用户和物品嵌入向量；采用多任务联合训练策略，基于自适应的融合权重调整贝叶斯个性化损失，同时将主任务贝叶斯个性化损失和辅助任务对比学习结合起来训练优化；基于最终训练好的用户嵌入和物品嵌入，计算它们之间的内积得到用户对物品的评分，将推荐列表呈现给用户。
📄 2025100745629
📂 G06Q30_0601
👤 浙江工业大学
📅 2025-01-17
本发明公开了一种基于深度学习的短视频直播营销任务推荐方法，首先对输入用户的行为序列特征进行定义，然后设计出基于直播数据和用户行为数据的召回模型，用以召回拟推荐的直播营销任务，之后提出基于人口统计学特征和用户行为特征的排序模型用来对拟推荐任务排序，对于系统的冷启动问题，本发明也提供了通过余弦相似度计算的相关解决方案。本发明使用了基于深度学习的推荐模型结合协同过滤的思想对相关直播营销任务进行召回和排序，最终选取排序靠前的直播营销任务作为推荐序列进行精准推荐，将深度学习与推荐系统相结合，提高了推荐的精准度和用户的体验感，在营销推荐领域有重要意义。
📄 2022104753743
📂 G06Q30_0601
👤 浙江工业大学
📅 2022-04-29
一种基于采样重构对比学习的电商平台序列推荐方法，属于序列推荐系统领域；针对现有对比学习方法在生成负样本时易将具有相似用户兴趣的序列误认为负样本的问题，本发明提出通过计算序列间的相似度，识别并处理误判的假负样本；将实际相似但被误判为负样本的用户序列重新作为正样本参与对比学习损失的计算，从而避免错误拉大相似用户间的距离，提升对用户真实兴趣模式的捕捉能力。本发明在亚马逊电商平台公开数据集上的实验表明，与传统基线模型相比，显著提升了推荐性能，能够有效缓解数据稀疏和噪声问题，在实际应用中提供更加精准的推荐结果。
📄 2025100607116
📂 G06Q30_0601
👤 浙江工业大学
📅 2025-01-15
本发明公开了一种基于用户瞳孔反应的个性化商品优化推送方法和系统，该方法包括对采集的人眼图像进行瞳孔定位，获得瞳孔反应数据，计算瞳孔面积变化因子、瞳孔波动变化因子、瞳孔总变化的分离度、停留时长因子；引入用户综合兴趣度评判及其约束条件；计算用户对第i种商品区域内的商品兴趣度值；建立个性化商品推送模型及目标函数，利用蝙蝠优化算法对目标函数进行寻优，以优化个性化商品推送模型；利用个性化商品推送模型针对不同用户进行个性化商品优先推送。该系统包括数据采集模块、数据计算模块、商品推送分析模块。本发明解决了现有商品推送技术无法全面准确地反映用户的购物需求，导致部分用户对推送的信息不感兴趣的问题。
📄 2023112232193
📂 G06Q30_0601
👤 淮阴工学院
📅 2023-09-21
本发明属于计算机领域，具体涉及一种电子商务网络中用于商品推荐的社区搜索方法，包括：将电子商务网络构转换为无向属性图G；初始化参数，根据初始化参数计算无向属性图中各个节点的属性增强电导；根据属性增强电导提取候选粗糙社区；从候选粗糙社区筛选出粗糙社区；采用训练后的神经社区优化模型对粗糙社区进行处理，得到编码状态；根据编码状态对粗糙社区进行优化，得到细化社区；根据在线社区搜索结果进行商品推荐；本发明结合了深度学习技术与传统的预定义结构约束。该方法将两者的优势有机结合，从而显著提升了社区搜索的质量。
📄 2025103154298
📂 G06Q30_0601
👤 西南大学
📅 2025-03-18
本发明公开了一种农产品供应链协调方法及系统，其包括农户侧管理方法，所述农户侧管理方法包括：以T1为周期，查找农户侧数据库确定注册的农户的身份信息及关联农产信息；其中，关联农产信息包括农产基地位置以及当前的产出货品类别和预估可出货量；以及，基于查找结果判断是否登记产出货品，如果是，则基于产出货品类别和农产基地所在位置，获取所属各级行政区的货品实时收购价，结合预估可出货量计算预估收益，并对结果信息做推送处理；如果否，则基于农产基地所在位置，大数据分析预选级别的所属行政区的时令货品，获取所属各级行政区时令货品对应的货品实时收购价，并对结果信息做推送处理。本申请具有引导农户加入供应链的效果。
📄 2021110549509
📂 G06Q30_0601
👤 张家口壹品电子商务有限公司
📅 2021-09-09
本发明公开了一种基于全贝叶斯方法的推荐系统评分推荐预测方法法。本发明步骤：步骤1.根据用户过去的购买信息建立用户物品评分矩阵R0；步骤2.根据物品属性信息建立物品词向量矩阵X0；步骤3.利用深度学习方法来提取物品词向量矩阵X0的特征信息，通过成批降噪变分自动编码机模型来提取这种特征信息；成批降噪变分自动编码机模型是整体构架模型的一部分，整体构架模型则为协同成批降噪变分自动编码机。本发明改善了分层贝叶斯结构，使得具有不确定性的推断有了一定的弹性空间，推荐准确度有所上升。同时利用全贝叶斯结构有效提取了物品隐因子向量，一定程度上解决了数据稀疏性带来的推荐效率下降问题。
📄 202010370275X
📂 G06Q30_0601
👤 杭州电子科技大学
📅 2020-04-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台