CN114780866A - 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 - Google Patents
一种基于时空上下文兴趣学习模型的个性化智能推荐方法 Download PDFInfo
- Publication number
- CN114780866A CN114780866A CN202210376638.XA CN202210376638A CN114780866A CN 114780866 A CN114780866 A CN 114780866A CN 202210376638 A CN202210376638 A CN 202210376638A CN 114780866 A CN114780866 A CN 114780866A
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- user
- learning model
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时空上下文兴趣学习模型的个性化智能推荐方法,使用图神经网络建模用户历史签到行为序列,通过创新图消息传播与聚合的拉普拉斯范数,融合兴趣点之间的交互关联性及空间关联性来获取兴趣点的高阶特征表示。同时编码日模式创新性的获取到了用户的长期兴趣,并使用长短期记忆网络捕获用户短期行为模式作为短期兴趣,通过层间注意力获取长短期兴趣。在此基础上进行候选兴趣点的概率计算作为推荐依据。通过图卷积的方式提高了兴趣点的特征提取效果,充分利用时空上下文挖掘用户的兴趣,以此进行推荐提高准确率,解决用户的出行需求。
Description
技术领域
本发明涉及兴趣预测的个性化推荐技术领域,具体涉及一种基于时空上下文兴趣学习模型的个性化智能推荐方法。
背景技术
随着基于位置社交网络的兴起,人们习惯在出行时“打卡”访问的地点分享生活的点滴,通过技术问题为用户推荐下一个“打卡”目的地成为了用户的重大需求之一。兴趣学习推荐算法能够很好的解决用户出行需求,它促进了用户和地点之间的关系建模,帮助用户更快速便捷的寻找自己感兴趣的地点。尽管现有的推荐方法对用户的长期和短期兴趣进行了研究,但是其未能很好的捕捉用户长期兴趣周期性的深层表示,同时其无法有效的利用位置给我们带来的天然空间特征及地点之间的高阶相互影响程度进行精准的个性化推荐。
发明内容
本发明为了克服以上技术的不足,提供了一种充分利用时空上下文挖掘用户的兴趣,以此进行推荐提高准确率,解决用户的出行需求的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于时空上下文兴趣学习模型的个性化智能推荐方法,包括如下步骤:
a)从包含用户与兴趣点的交互记录、交互时间和兴趣点的经纬度的数据集中读取兴趣点集P,pi为第i个兴趣点, i∈{1,2,...,np},np为兴趣点集P的长度,根据交互时间提取用户的第b天的签到序列Cb,1≤b≤t,t为要预测的当天, 为第b天的第z个签到点,为第b天的签到序列Cb的长度,用户的全部签到序列为H,H={C1,C2,...,Cb,...,Ct};
b)将兴趣点pi初始化得到原始特征向量所有兴趣点的原始特征向量为E(0),建立兴趣点之间的临接矩阵 为实数空间,临接矩阵R中的元素ri,j为第i个兴趣点pi与第 j个兴趣点pj间的关联次数,j∈{1,2,...,np};
f)循环兴趣点集P,如果兴趣点集P中存在星期k交互过的兴趣点,则将该兴趣点置为1,如果兴趣点集P中不存在星期k交互过的兴趣点,则将该兴趣点置为0,得到星期k的模式掩码maskk,k∈{1,2,...,7},通过公式计算得到星期k的嵌入向量⊙为按元素相乘,将嵌入向量输入平均池化和多层感知机网络中,得到星期k的用户签到行为的日模式lk,用户签到行为的日模式为L,L={l1,l2,...,lk,...,l7};
g)使用Bahdanau注意力聚合用户签到行为的日模式L,得到用户长期兴趣LT;
h)使用LSTM训练用户要预测当天t的签到序列Ct,得到输出的隐藏状态ST作为短期兴趣;
i)通过公式T=[WLLT,WSST]计算得到用户兴趣向量T,WL与WS为注意力权重;
k)利用二元交叉损失函数迭代N次,得到训练后的基于时空上下文兴趣学习模型;
l)通过训练后的基于时空上下文兴趣学习模型输出所有候选兴趣点在预测当天t被签到的概率值,将概率值最大的前10个候选兴趣点推荐给用户。
优选的,步骤a)中数据集为Foursquare数据集。
优选的,步骤b)中兴趣点pi初始化为64维的原始特征向量ei。
进一步的,步骤d)中兴趣点-兴趣点图的节点为兴趣点,该图的边连接相互关联的兴趣点。
d-1)通过公式计算得到第i个兴趣点 pi和第j个兴趣点pj之间的欧式距离式中loni为第i个兴趣点pi的经度,lati为第i个兴趣点pi的纬度,式中lonj为第j个兴趣点pj的经度,latj为第j个兴趣点pj的纬度;
进一步的,步骤e)中步骤e)中通过公式 E(2)=σ((K+I)E(1)W1 (2)+KE(1)W2 (2))计算得到经过2步消息传播后的特征E(2),式中σ为激活函数,K为兴趣点-兴趣点图拉普拉斯范数矩阵融合空间特征的变体值,T为转置,I为单位矩阵,W1 (2)与W2 (2)均为权重矩阵,E(1)为原始特征E(0)经过1 步消息传播后的特征,E(1)=σ((K+I)E(0)W1 (1)+KE(0)W2 (1)), 为原始特征向量经过1步消息传播后的特征向量,W1 (1)与W2 (1)均为权重矩阵。
优选的,步骤h)中隐藏状态ST的维度为64维。
优选的,步骤k)中N的取值为500。
本发明的有益效果是:使用图神经网络建模用户历史签到行为序列,通过创新图消息传播与聚合的拉普拉斯范数,融合兴趣点之间的交互关联性及空间关联性来获取兴趣点的高阶特征表示。同时编码日模式创新性的获取到了用户的长期兴趣,并使用长短期记忆网络捕获用户短期行为模式作为短期兴趣,通过层间注意力获取长短期兴趣。在此基础上进行候选兴趣点的概率计算作为推荐依据。通过图卷积的方式提高了兴趣点的特征提取效果,并通过日模式编码、注意力机制、长短期记忆网络深度学习了用户的行为模式。本方法科学有效的捕获了用户的周期性时间特征信息影响和兴趣点之间的空间特征影响,充分利用时空上下文挖掘用户的兴趣,以此进行推荐提高准确率,解决用户的出行需求。
附图说明
图1为本发明的方法流程图;
图2为本发明的嵌入层特征提取流程图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于时空上下文兴趣学习模型的个性化智能推荐方法,包括如下步骤:
a)从包含用户与兴趣点的交互记录、交互时间和兴趣点的经纬度的数据集中读取兴趣点集P,pi为第i个兴趣点, i∈{1,2,...,np},np为兴趣点集P的长度,根据交互时间提取用户的第b天的签到序列Cb,1≤b≤t,t为要预测的当天, 为第b天的第z个签到点,为第b天的签到序列Cb的长度,用户的全部签到序列为H,H={C1,C2,...,Cb,...,Ct}。每一个签到点cb∈Cb都是一个兴趣点p∈P且可能重复。
b)将兴趣点pi初始化得到原始特征向量所有兴趣点的原始特征向量为 E(0),建立兴趣点之间的临接矩阵 为实数空间,临接矩阵R中的元素ri,j为第i个兴趣点pi与第 j个兴趣点pj间的关联次数,j∈{1,2,...,np}。
f)循环兴趣点集P,如果兴趣点集P中存在星期k交互过的兴趣点,则将该兴趣点置为1,如果兴趣点集P中不存在星期k交互过的兴趣点,则将该兴趣点置为0,得到星期k的模式掩码maskk,k∈{1,2,...,7},通过公式计算得到星期k的嵌入向量⊙为按元素相乘,将嵌入向量输入平均池化和多层感知机网络中,得到星期k的用户签到行为的日模式lk,用户签到行为的日模式为L,L={l1,l2,...,lk,...,l7}。
g)使用Bahdanau注意力聚合用户签到行为的日模式L,得到用户长期兴趣LT。
h)使用LSTM训练用户要预测当天t的签到序列Ct,得到输出的隐藏状态ST作为短期兴趣。
i)通过公式T=[WLLT,WSST]计算得到用户兴趣向量T,WL与WS为注意力权重。此时兴趣点高阶空间信息的潜在特征向量、长期兴趣和短期兴趣都为64维。
k)利用二元交叉损失函数迭代N次,得到训练后的基于时空上下文兴趣学习模型。
l)通过训练后的基于时空上下文兴趣学习模型输出所有候选兴趣点在预测当天t被签到的概率值,将概率值最大的前10个候选兴趣点推荐给用户。
使用图神经网络建模用户历史签到行为序列,通过创新图消息传播与聚合的拉普拉斯范数,融合兴趣点之间的交互关联性及空间关联性来获取兴趣点的高阶特征表示。同时编码日模式创新性的获取到了用户的长期兴趣,并使用长短期记忆网络捕获用户短期行为模式作为短期兴趣,通过层间注意力获取长短期兴趣。在此基础上进行候选兴趣点的概率计算作为推荐依据。该方法通过图卷积的方式提高了兴趣点的特征提取效果,并通过日模式编码、注意力机制、长短期记忆网络深度学习了用户的行为模式。相较其他方法,本方法科学有效的捕获了用户的周期性时间特征信息影响和兴趣点之间的空间特征影响,充分利用时空上下文挖掘用户的兴趣,以此进行推荐提高准确率,解决用户的出行需求。
实施例1:
步骤a)中数据集为Foursquare数据集。
实施例2:
步骤b)中兴趣点pi初始化为64维的原始特征向量ei。
实施例3:
步骤d)中兴趣点-兴趣点图的节点为兴趣点,该图的边连接相互关联的兴趣点。
实施例4:
d-1)通过公式计算得到第i个兴趣点 pi和第j个兴趣点pj之间的欧式距离式中loni为第i个兴趣点pi的经度,lati为第i个兴趣点pi的纬度,式中lonj为第j个兴趣点pj的经度,latj为第j个兴趣点pj的纬度;
实施例5:
步骤e)中步骤e)中通过公式E(2)=σ((K+I)E(1)W1 (2)+KE(1)W2 (2))计算得到经过2步消息传播后的特征E(2),式中σ为激活函数,K为兴趣点-兴趣点图拉普拉斯范数矩阵融合空间特征的变体值, T为转置,I为单位矩阵,W1 (2)与W2 (2)均为权重矩阵,E(1)为原始特征E(0)经过1步消息传播后的特征, 为原始特征向量经过1步消息传播后的特征向量,W1 (1)与W2 (1)均为权重矩阵。
实施例6:
实施例7:
步骤h)中隐藏状态ST的维度为64维。
实施例8:
步骤k)中N的取值为500。
实施例9:
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时空上下文兴趣学习模型的个性化智能推荐方法,其特征在于,包括如下步骤:
a)从包含用户与兴趣点的交互记录、交互时间和兴趣点的经纬度的数据集中读取兴趣点集P,pi为第i个兴趣点,i∈{1,2,...,np},np为兴趣点集P的长度,根据交互时间提取用户的第b天的签到序列Cb,1≤b≤t,t为要预测的当天, 为第b天的第z个签到点,为第b天的签到序列Cb的长度,用户的全部签到序列为H,H={C1,C2,...,Cb,...,Ct};
b)将兴趣点pi初始化得到原始特征向量所有兴趣点的原始特征为E(0),建立兴趣点之间的临接矩阵 为实数空间,临接矩阵R中的元素ri,j为第i个兴趣点pi与第j个兴趣点pj间的关联次数,j∈{1,2,...,np};
f)循环兴趣点集P,如果兴趣点集P中存在星期k交互过的兴趣点,则将该兴趣点置为1,如果兴趣点集P中不存在星期k交互过的兴趣点,则将该兴趣点置为0,得到星期k的模式掩码maskk,k∈{1,2,...,7},通过公式计算得到星期k的嵌入向量⊙为按元素相乘,将嵌入向量输入平均池化和多层感知机网络中,得到星期k的用户签到行为的日模式lk,用户签到行为的日模式为L,L={l1,l2,...,lk,...,l7};
g)使用Bahdanau注意力聚合用户签到行为的日模式L,得到用户长期兴趣LT;
h)使用LSTM训练用户要预测当天t的签到序列Ct,得到输出的隐藏状态ST作为短期兴趣;
i)通过公式T=[WLLT,WSST]计算得到用户兴趣向量T,WL与WS为注意力权重;
k)利用二元交叉损失函数迭代N次,得到训练后的基于时空上下文兴趣学习模型;
l)通过训练后的基于时空上下文兴趣学习模型输出所有候选兴趣点在预测当天t被签到的概率值,将概率值最大的前10个候选兴趣点推荐给用户。
2.根据权利要求1所述的基于时空上下文兴趣学习模型的个性化智能推荐方法,其特征在于:步骤a)中数据集为Foursquare数据集。
3.根据权利要求1所述的基于时空上下文兴趣学习模型的个性化智能推荐方法,其特征在于:步骤b)中兴趣点pi初始化为64维的原始特征向量ei。
4.根据权利要求1所述的基于时空上下文兴趣学习模型的个性化智能推荐方法,其特征在于:步骤d)中兴趣点-兴趣点图的节点为兴趣点,该图的边连接相互关联的兴趣点。
8.根据权利要求1所述的基于时空上下文兴趣学习模型的个性化智能推荐方法,其特征在于:步骤h)中隐藏状态ST的维度为64维。
9.根据权利要求1所述的基于时空上下文兴趣学习模型的个性化智能推荐方法,其特征在于:步骤k)中N的取值为500。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376638.XA CN114780866B (zh) | 2022-04-11 | 2022-04-11 | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376638.XA CN114780866B (zh) | 2022-04-11 | 2022-04-11 | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114780866A true CN114780866A (zh) | 2022-07-22 |
CN114780866B CN114780866B (zh) | 2022-11-01 |
Family
ID=82429600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210376638.XA Active CN114780866B (zh) | 2022-04-11 | 2022-04-11 | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114780866B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435685A (zh) * | 2021-04-28 | 2021-09-24 | 桂林电子科技大学 | 一种分层Attention深度学习模型的课程推荐方法 |
CN115329211A (zh) * | 2022-08-01 | 2022-11-11 | 山东省计算中心(国家超级计算济南中心) | 一种基于自监督学习和图神经网络的个性化兴趣推荐方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
CN112380426A (zh) * | 2020-10-23 | 2021-02-19 | 南京邮电大学 | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统 |
CN112650929A (zh) * | 2020-12-31 | 2021-04-13 | 安徽农业大学 | 一种融入评论信息的图神经网络推荐方法 |
CN112801749A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 融合用户连续签到行为序列上下文特征的兴趣点推荐方法 |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
US20210248461A1 (en) * | 2020-02-11 | 2021-08-12 | Nec Laboratories America, Inc. | Graph enhanced attention network for explainable poi recommendation |
CN113505306A (zh) * | 2021-06-21 | 2021-10-15 | 广东交通职业技术学院 | 基于异质图神经网络的兴趣点推荐方法、系统及介质 |
CN113886721A (zh) * | 2021-12-06 | 2022-01-04 | 湖南工商大学 | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 |
US20220036085A1 (en) * | 2020-07-29 | 2022-02-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Video event recognition method, electronic device and storage medium |
CN114092181A (zh) * | 2021-11-11 | 2022-02-25 | 山东省人工智能研究院 | 一种基于解纠缠表示学习的图神经网络session推荐方法 |
-
2022
- 2022-04-11 CN CN202210376638.XA patent/CN114780866B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
US20210248461A1 (en) * | 2020-02-11 | 2021-08-12 | Nec Laboratories America, Inc. | Graph enhanced attention network for explainable poi recommendation |
US20220036085A1 (en) * | 2020-07-29 | 2022-02-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Video event recognition method, electronic device and storage medium |
CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
CN112380426A (zh) * | 2020-10-23 | 2021-02-19 | 南京邮电大学 | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统 |
CN112650929A (zh) * | 2020-12-31 | 2021-04-13 | 安徽农业大学 | 一种融入评论信息的图神经网络推荐方法 |
CN112801749A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 融合用户连续签到行为序列上下文特征的兴趣点推荐方法 |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
CN113505306A (zh) * | 2021-06-21 | 2021-10-15 | 广东交通职业技术学院 | 基于异质图神经网络的兴趣点推荐方法、系统及介质 |
CN114092181A (zh) * | 2021-11-11 | 2022-02-25 | 山东省人工智能研究院 | 一种基于解纠缠表示学习的图神经网络session推荐方法 |
CN113886721A (zh) * | 2021-12-06 | 2022-01-04 | 湖南工商大学 | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
SIMA NADERI MIGHAN 等: "POI Recommendation Based on Heterogeneous Graph Embedding", 《2019 9TH INTERNATIONAL CONFERENCE ON COMPUTER AND KNOWLEDGE ENGINEERING (ICCKE)》 * |
徐前方等: "融合时空上下文信息的兴趣点推荐", 《北京邮电大学学报》 * |
郑晨旺: "基于用户动态偏好与注意力机制的兴趣点推荐算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435685A (zh) * | 2021-04-28 | 2021-09-24 | 桂林电子科技大学 | 一种分层Attention深度学习模型的课程推荐方法 |
CN115329211A (zh) * | 2022-08-01 | 2022-11-11 | 山东省计算中心(国家超级计算济南中心) | 一种基于自监督学习和图神经网络的个性化兴趣推荐方法 |
CN115329211B (zh) * | 2022-08-01 | 2023-06-06 | 山东省计算中心(国家超级计算济南中心) | 一种基于自监督学习和图神经网络的个性化兴趣推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114780866B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113254803B (zh) | 一种基于多特征异质图神经网络的社交推荐方法 | |
CN114780866B (zh) | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 | |
CN112380435B (zh) | 基于异构图神经网络的文献推荐方法及推荐系统 | |
Jenkins et al. | Unsupervised representation learning of spatial data via multimodal embedding | |
CN111949865A (zh) | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 | |
CN109062962B (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
CN110717526A (zh) | 一种基于图卷积网络的无监督迁移学习方法 | |
CN111310852B (zh) | 一种图像分类方法及系统 | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
CN114817663B (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
CN112905738B (zh) | 一种基于时态知识图谱推理的社交关系演变预测方法 | |
CN113378074A (zh) | 一种基于自监督学习的社交网络用户轨迹分析方法 | |
CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
CN115203471B (zh) | 一种基于注意力机制的多模融合视频推荐方法 | |
CN112183464A (zh) | 基于深度神经网络和图卷积网络的视频行人识别方法 | |
CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
CN112801063A (zh) | 神经网络系统和基于神经网络系统的图像人群计数方法 | |
CN113297936B (zh) | 一种基于局部图卷积网络的排球群体行为识别方法 | |
CN113505307B (zh) | 一种基于弱监督增强的社交网络用户地域识别方法 | |
CN110910235A (zh) | 一种基于用户关系网络的贷中异常行为检测方法 | |
CN117726884A (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN116090504A (zh) | 图神经网络模型训练方法及装置、分类方法、计算设备 | |
Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
CN115329211B (zh) | 一种基于自监督学习和图神经网络的个性化兴趣推荐方法 | |
CN115438755B (zh) | 分类模型的增量训练方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |