-
吴宾
-
-
- 所属机构:郑州大学
- 所在地区:河南省 郑州市
- 研究方向:自动化与计算机技术
- 发文基金:国家自然科学基金
相关作者
- 叶阳东
- 作品数：119被引量：416H指数：11
- 供职机构：郑州大学
- 研究主题：PETRI网 互信息 故障诊断 聚类 SIB算法
- 吴云鹏
- 作品数：9被引量：3H指数：1
- 供职机构：郑州大学
- 研究主题：采样方式 偏好 推荐系统 损失函数 生成器
- 王有为
- 作品数：9被引量：2H指数：1
- 供职机构：郑州大学
- 研究主题：聚类 生成树 医学数据 边界检测算法 聚类技术
- 陈龙
- 作品数：13被引量：9H指数：2
- 供职机构：郑州大学
- 研究主题：激光超声 测量方法 兰姆波 有限元方法 HR3C
- 郭亚萍
- 作品数：3被引量：0H指数：0
- 供职机构：郑州大学
- 研究主题：信息监管 证券市场 大庆联谊 蛋白质 信息披露
- 一种基于成对对抗训练的推荐模型
- 本发明公开了一种基于成对对抗训练的推荐模型。该模型主要包含两个部分，生成器和判别器。其中，生成器用于对用户的偏好建模并生成用户所喜欢的物品，判别器用于判断用户对某物品是否喜欢。基于假设“相对于生成器生成的物品，判别器认为...
- 叶阳东孙中川吴宾吴云鹏
- 文献传递
- 一种门控单元增强胶囊网络的推荐方法
- 近年，序列化推荐已成为各种在线服务中不可或缺的组成部分，一些研究者专注于从用户最近的交互序列中分析复杂的物品过渡关系，试图根据用户的序列化交互行为预测下一个感兴趣的交互对象。为了提高序列化推荐的准确性，本发明进一步将用户...
- 叶阳东张麒时天任孙中川吴宾
- 一种融合物品内在与外在特性的推荐方法
- 一个物品的功能特性(内在因素)和视觉信息(外在因素)不仅深刻影响着用户的消费行为，而且在不同领域其影响程度相差甚远。因此，在构建一个电子商务推荐系统时，物品的内在和外在因素应该被同时考虑。进一步，在不同领域中物品的不同特...
- 叶阳东吴宾梁慧丹孙中川
- 文献传递
- 用于快速评估排序模型的方法和装置
- 本发明公开了一种用于快速评估排序模型的方法和装置，属于计算机技术领域，尤其涉及机器学习和数据挖掘领域。本发明的方法包括：获取所有项目的第一评分列表，其中，评分是由待评估的排序模型得到；获取相关项目的第二评分列表，其中，评...
- 叶阳东孙中川吴云鹏吴宾
- 一种基于对抗模型的推荐方法
- 本发明公开了一种基于对抗模型的推荐方法。本发明中的模型包含两部分，生成器和判别器。其中，生成器被视为一个注意力网络，用于建模数据的特征并生成注意力评分；判别器用于判断生成注意力评分的正确性。以物品推荐为具体实例，生成器的...
- 叶阳东孙中川吴宾
- 基于双重正则化的矩阵分解推荐算法研究
- 推荐系统是一种非常有效的信息过滤技术，可帮助用户从浩瀚的数据海洋发现其感兴趣的信息。自2006年10月Netflix公司组织推荐算法竞赛以来，矩阵分解推荐模型因具有较低的时间和空间复杂度、较高的预测精度以及良好的扩展性等...
- 吴宾
- 关键词：矩阵分解协同过滤
- 一种基于成对对抗训练的推荐模型的方法
- 本发明公开了一种基于成对对抗训练的推荐模型的方法。该模型主要包含两个部分，生成器和判别器。其中，生成器用于对用户的偏好建模并生成用户所喜欢的物品，判别器用于判断用户对某物品是否喜欢。基于假设“相对于生成器生成的物品，判别...
- 叶阳东孙中川吴宾吴云鹏
- 文献传递
- 一种基于高阶平移模型的物品推荐方法
- 本发明公开了一种基于高阶平移模型的推荐算法，来解决传统平移模型仅建模用户最近交互行为而导致的推荐结果不准确的不足。本发明主要关注高阶马尔科夫链对于序列化推荐的影响，在传统平移模型基础之上合理融入了高阶序列化信息。具体而言...
- 叶阳东吴宾孙中川王有为梁慧丹
- 文献传递
- 多样化数据的推荐方法研究
- 在当今信息过载的时代，推荐系统已成为各互联网应用的核心组件，并深刻影响着人们的日常生活。例如，电子商务网站中的商品推荐服务为用户提供可能购买的商品;社交媒体平台中的兴趣点推荐服务帮助用户发现可能签到的地点;短视频软件中的...
- 吴宾
- 关键词：矩阵分解
- 文献传递
- 用户生成内容场景下角色导向图神经推荐方法
- 2024年
- 近年来互联网的飞速发展不断改变着信息的生产和传递方式,随之出现了用户使用互联网的新方式——用户生成内容(User-Generated Content,UGC).该场景中内容以传播速度快、获取成本低等优势迅速占据互联网信息传播的重要地位.不同于传统推荐场景,UGC场景下用户同时扮演生产者和消费者双重角色,这使得在构建推荐模型时既需要考虑消费者与内容之间的交互信息,也需关注内容生产者对于消费者决策的影响.因此,UGC场景下个性化推荐算法研究的关键在于如何充分挖掘消费者-内容和消费者-生产者之间的关联关系.在面向UGC场景的推荐研究中,比较有代表性的模型为CPRec,该模型虽取得一定进展,但仍存在两点不足之处.其一,在模型构建层面,未能显式建模消费者-内容与消费者-生产者之间的高阶连通关系,难以学习出高质量的节点表征.其二,在模型优化层面,无法区分每个观测数据在不同训练阶段的贡献度,将影响推荐结果的质量.为此,本文提出一种新颖的角色导向图神经推荐方法RGNRec(Role-Guided Graph Neural Recommendation)用于UGC场景的个性化排序任务.特别地,基于用户的历史行为数据与内容的创作者信息分别构建了消费者-内容交互图和消费者-生产者交互图.进一步,为了显式捕获两种交互图中的高阶连通信息,构建一种双通道线性传播模块,同时刻画了消费者兴趣与内容生产者影响的扩散过程.最终,提出设计一种自适应的正样本权重生成策略,将其融入非采样损失函数,并建立双层优化机制来学习模型的参数.本文的核心贡献包括:(1)引入双通道线性传播模块,以显式解耦出自身兴趣与内容生产者效应对于用户偏好建模的不同贡献度;(2)提出权重自适应的非采样损失函数,以解决不同观测样例在模型不同训练阶段贡献不同的问题.本文分别采用经典的和最先进的图神经网�
- 娄铮铮朱军娇张万闯吴宾
- 关键词：推荐系统用户生成内容双重角色
