CN110674407A - 基于图卷积神经网络的混合推荐方法 - Google Patents

基于图卷积神经网络的混合推荐方法 Download PDF

Info

Publication number
CN110674407A
CN110674407A CN201910940872.9A CN201910940872A CN110674407A CN 110674407 A CN110674407 A CN 110674407A CN 201910940872 A CN201910940872 A CN 201910940872A CN 110674407 A CN110674407 A CN 110674407A
Authority
CN
China
Prior art keywords
user
feature vector
nodes
node
article
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
Application number
CN201910940872.9A
Other languages
English (en)
Other versions
CN110674407B (zh
Inventor
王东京
张新
俞东进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou Electronic Science and Technology University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201910940872.9A priority Critical patent/CN110674407B/zh
Publication of CN110674407A publication Critical patent/CN110674407A/zh
Application granted granted Critical
Publication of CN110674407B publication Critical patent/CN110674407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

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。

Description

基于图卷积神经网络的混合推荐方法
技术领域
本发明属于数据挖掘、信息检索及推荐技术领域，具体涉及一种基于图卷积神经网络的混合推荐方法。
背景技术
随着信息技术的快速发展，人们能够便捷的享受网络服务和内容，但同时也面临海量数据所带来的信息过载问题，难以找到自己感兴趣的内容。推荐***能够帮助用户从海量在线信息中找到相关数据来满足用户需求，而准确获得物品的特征并高效计算其相似度是实现个性化推荐***的核心之一。
然而，传统方法通常遭受诸如数据稀疏、繁重的特征工程等问题，无法满足用户的需求。因此，如何以自动化、智能化的方式充分包括用户的行为数据和物品的属性在内的多源异构信息，准确获取物品的特征向量并实现高效的混合推荐，是解决数据稀疏和繁重的特征工程、改进推荐***的准确性以及用户满意度的关键之一。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种基于图卷积神经网络的混合推荐方法，能够改善推荐的效果和性能。
本发明包括如下内容：
1、一种基于图卷积神经网络的混合推荐方法，包括如下步骤：
10.收集用户的行为数据以及物品的属性；
20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；
30.基于用户行为和物品特征向量进行混合推荐。
其中步骤10包括：
101.收集所有用户的行为数据
Figure BDA0002222856470000021
U＝{u1,u2,...,u|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列Bu＝{(i1,t1),(i2,t2),…,(im,tm)}，(ij,tj)表示用户交互过的物品和交互时间，I＝{i1,i2,...,i|M|}为所有物品的集合。
102.收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据等信息。
其中步骤20包括：
201.根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合Eu,i是表示行为数据中用户和物品的交互关系的边集合，
Figure BDA0002222856470000023
是表示行为序列中物品和物品转移关系的边集合，Ei，a是表示音乐-属性从属关系的边集合。
202.根据上述异构信息图G，建立以下目标函数O：
Figure BDA0002222856470000024
其中：σ(·)是sigmoid函数，
Figure BDA0002222856470000025
和
Figure BDA0002222856470000026
是节点ni和nj的d维图卷积特征向量表示，具体而言，节点n的向量表示vn定义为：
Figure BDA0002222856470000027
其中：σ(·)是sigmoid激活函数，W是权重矩阵，
Figure BDA0002222856470000028
是向量拼接操作，
Figure BDA0002222856470000031
是节点n的|N|维邻接特征向量，是邻接节点的邻接特征向量均值，定义为：
Figure BDA0002222856470000033
其中：
Figure BDA0002222856470000034
是节点n的邻接节点集合，
Figure BDA0002222856470000035
表示节点n′的|N|维邻接特征向量，wt(n),t(n′)表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。
其中步骤30包括：
301.根据学习得到的特征向量表示，目标用户u对物品i的兴趣可以用对应向量的余弦相似度表示，具体如下：
p(u,i)＝cos(vu,vi)
其中，是用户u和物品i的d维图卷积特征向量表示。
302.利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。
本发明的有益效果是：
1)充分利用用户的行为数据和物品的属性在内的多源异构信息，缓解数据稀疏问题；
2)设计基于卷积神经网络的特征提取和推荐算法，能够缓解繁重的特征工程，提升推荐结果的准确率和多样性，进而提升用户的满意度。
附图说明
图1为本发明推荐方法的***架构示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于图卷积神经网络的混合推荐方法包括以下步骤：
(1).收集所有用户的行为数据
Figure BDA0002222856470000041
U＝{u1,u2,...,u|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列Bu＝{(i1,t1),(i2,t2),…,(im,tm)}，(ij,tj)分别表示用户交互过的物品和交互时间，I＝{i1,i2,...,i|M|}为所有物品的集合。收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据等信息。
(2).根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合
Figure BDA0002222856470000042
Eu,i是表示行为数据中用户和物品的交互关系的边集合，是表示行为序列中物品和物品转移关系的边集合，Ei,a是表示音乐-属性从属关系的边集合。
(3).节点n的向量可以基于图卷积神经网络定义为：
Figure BDA0002222856470000044
其中W是权重矩阵，是向量拼接操作，
Figure BDA0002222856470000046
是节点n的|N|维邻接特征向量，
Figure BDA0002222856470000047
是邻接节点的邻接特征向量均值，定义为
Figure BDA0002222856470000048
其中
Figure BDA0002222856470000049
是节点n的邻接节点集合，
Figure BDA00022228564700000410
表示节点n′的|N|维邻接特征向量，wt(n),t(n′)表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。
(4).根据上述异构信息图和节点的图卷积特征向量计算公式，建立目标函数
Figure BDA00022228564700000411
其中σ(·)是sigmoid函数，
Figure BDA0002222856470000051
和
Figure BDA0002222856470000052
是节点ni和nj的d维图卷积特征向量表示；通过最小化上述目标函数，得到每个节点的特征向量表示
Figure BDA0002222856470000053
(5).根据学习得到的特征向量表示，目标用户u对物品i的兴趣可以用对应特征向量余弦相似度表示为p(u,i)＝cos(vu,vi)，其中
Figure BDA0002222856470000054
是用户u和物品i的特征向量表示。
(6).利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。
图1给出了本实施方式基于图卷积神经网络的混合推荐方法的架构。该推荐***分为两个主要模块：预处理模块和推荐模块。预处理模块中，首先获取所有用户的行为数据和物品的属性信息，构建异构信息图对多种信息进行建模，然后利用图卷积神经网络获取异构信息图中用户节点和物品节点的特征向量表示。在推荐模块中，基于学习得到的节点特征向量表示预测目标用户对候选物品的兴趣并对候选物品进行排序，最后将排名靠前的若干个物品推荐给用户。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (6)

1.基于图卷积神经网络的混合推荐方法，其特征在于包括如下步骤：
10.收集用户的行为数据以及物品的属性；
20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；
30.基于用户行为和物品特征向量进行混合推荐。
2.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤10包括：
101.收集所有用户的行为数据U＝{u1,u2,...,u|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列Bu＝{(i1,t1),(i2,t2),…,(im,tm)}，(ij,tj)表示用户交互过的物品和交互时间，I＝{i1,i2,...,i|M|}为所有物品的集合；
102.收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据。
3.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤20包括：
201.根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合
Figure FDA0002222856460000012
Eu,i是表示行为数据中用户和物品的交互关系的边集合，
Figure FDA0002222856460000013
是表示行为序列中物品和物品转移关系的边集合，Ei,a是表示音乐-属性从属关系的边集合；
202.根据上述异构信息图G，建立以下目标函数O：
Figure FDA0002222856460000021
其中：σ(·)是sigmoid函数，和
Figure FDA0002222856460000023
是节点ni和nj的d维图卷积特征向量表示，通过最小化上述目标函数O，得到每个节点的特征向量表示。
4.根据权利要求3所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤20中的节点n的向量表示vn定义为：
Figure FDA0002222856460000024
其中：W是权重矩阵，
Figure FDA0002222856460000025
是向量拼接操作，
Figure FDA0002222856460000026
是节点n的|N|维邻接特征向量，是邻接节点的邻接特征向量均值。
5.根据权利要求4所述的基于图卷积神经网络的混合推荐方法，其特征在于，邻接节点的邻接特征向量均值的定义为：
Figure FDA0002222856460000028
其中：
Figure FDA0002222856460000029
是节点n的邻接节点集合，
Figure FDA00022228564600000210
表示节点n′的|N|维邻接特征向量，wt(n),t(n′)表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。
6.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤30包括：
301.根据学习得到的特征向量表示，目标用户u对物品i的兴趣用对应向量的余弦相似度表示，具体如下：
p(u,i)＝cos(vu,vi)
其中，vu,
Figure FDA0002222856460000031
是用户u和物品i的d维图卷积特征向量表示；
302.利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。
CN201910940872.9A 2019-09-30 2019-09-30 基于图卷积神经网络的混合推荐方法 Active CN110674407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910940872.9A CN110674407B (zh) 2019-09-30 2019-09-30 基于图卷积神经网络的混合推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910940872.9A CN110674407B (zh) 2019-09-30 2019-09-30 基于图卷积神经网络的混合推荐方法

Publications (2)

Publication Number Publication Date
CN110674407A true CN110674407A (zh) 2020-01-10
CN110674407B CN110674407B (zh) 2021-10-15

Family

ID=69078761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910940872.9A Active CN110674407B (zh) 2019-09-30 2019-09-30 基于图卷积神经网络的混合推荐方法

Country Status (1)

Country Link
CN (1) CN110674407B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291270A (zh) * 2020-03-02 2020-06-16 合肥工业大学 一种基于自适应图卷积网络的属性推理和产品推荐方法
CN111611472A (zh) * 2020-03-31 2020-09-01 清华大学 一种基于图卷积神经网络的捆绑推荐方法及***
CN111737569A (zh) * 2020-06-04 2020-10-02 山东省人工智能研究院 基于属性感知注意图卷积神经网络的个性化推荐方法
CN111931076A (zh) * 2020-09-22 2020-11-13 平安国际智慧城市科技股份有限公司 基于有权有向图进行关系推荐的方法、装置和计算机设备
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
CN112329928A (zh) * 2020-12-30 2021-02-05 四川新网银行股份有限公司 基于异构模型的用户满意度分析方法
CN112711708A (zh) * 2020-12-30 2021-04-27 济南浪潮高新科技投资发展有限公司 一种基于深度学习的产品方案组合推荐方法
CN113095870A (zh) * 2021-03-16 2021-07-09 支付宝(杭州)信息技术有限公司 一种预测方法、装置、计算机设备以及存储介质
CN113297490A (zh) * 2021-06-04 2021-08-24 西南大学 基于图卷积神经网络的双向推荐方法
WO2021204039A1 (zh) * 2020-04-10 2021-10-14 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
CN114417161A (zh) * 2022-01-21 2022-04-29 杭州碧游信息技术有限公司 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
CN114997919A (zh) * 2022-05-31 2022-09-02 交通银行股份有限公司 一种基于关联图谱的企业拓客名单排序方法和***
CN115187343A (zh) * 2022-07-20 2022-10-14 山东省人工智能研究院 基于注意图卷积神经网络的多行为推荐方法
US11681737B2 (en) 2020-04-08 2023-06-20 Adobe Inc. Electronic media retrieval

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN109299373A (zh) * 2018-10-20 2019-02-01 上海交通大学 基于图卷积技术的推荐***
CN109446413A (zh) * 2018-09-25 2019-03-08 上海交通大学 基于物品关联关系的序列化推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN109446413A (zh) * 2018-09-25 2019-03-08 上海交通大学 基于物品关联关系的序列化推荐方法
CN109299373A (zh) * 2018-10-20 2019-02-01 上海交通大学 基于图卷积技术的推荐***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
REX YING等: ""Graph Convolutional Neural Networks for Web-Scale Recommender Systems"", 《PROCEEDINGS OF THE 24TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA》 *
江原: ""基于图卷积与神经协同过滤的融合信息推荐模型"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291270B (zh) * 2020-03-02 2021-07-27 合肥工业大学 一种基于自适应图卷积网络的属性推理和产品推荐方法
CN111291270A (zh) * 2020-03-02 2020-06-16 合肥工业大学 一种基于自适应图卷积网络的属性推理和产品推荐方法
CN111611472A (zh) * 2020-03-31 2020-09-01 清华大学 一种基于图卷积神经网络的捆绑推荐方法及***
CN111611472B (zh) * 2020-03-31 2024-02-27 清华大学 一种基于图卷积神经网络的捆绑推荐方法及***
US11681737B2 (en) 2020-04-08 2023-06-20 Adobe Inc. Electronic media retrieval
WO2021204039A1 (zh) * 2020-04-10 2021-10-14 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
CN111737569A (zh) * 2020-06-04 2020-10-02 山东省人工智能研究院 基于属性感知注意图卷积神经网络的个性化推荐方法
CN111737569B (zh) * 2020-06-04 2022-05-03 山东省人工智能研究院 基于属性感知注意图卷积神经网络的个性化推荐方法
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
CN111931076A (zh) * 2020-09-22 2020-11-13 平安国际智慧城市科技股份有限公司 基于有权有向图进行关系推荐的方法、装置和计算机设备
CN112329928B (zh) * 2020-12-30 2021-04-30 四川新网银行股份有限公司 基于异构模型的用户满意度分析方法
CN112711708A (zh) * 2020-12-30 2021-04-27 济南浪潮高新科技投资发展有限公司 一种基于深度学习的产品方案组合推荐方法
CN112329928A (zh) * 2020-12-30 2021-02-05 四川新网银行股份有限公司 基于异构模型的用户满意度分析方法
CN113095870A (zh) * 2021-03-16 2021-07-09 支付宝(杭州)信息技术有限公司 一种预测方法、装置、计算机设备以及存储介质
CN113297490A (zh) * 2021-06-04 2021-08-24 西南大学 基于图卷积神经网络的双向推荐方法
CN113297490B (zh) * 2021-06-04 2022-08-02 西南大学 基于图卷积神经网络的双向推荐方法
CN114417161A (zh) * 2022-01-21 2022-04-29 杭州碧游信息技术有限公司 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
CN114997919A (zh) * 2022-05-31 2022-09-02 交通银行股份有限公司 一种基于关联图谱的企业拓客名单排序方法和***
CN115187343A (zh) * 2022-07-20 2022-10-14 山东省人工智能研究院 基于注意图卷积神经网络的多行为推荐方法
CN115187343B (zh) * 2022-07-20 2023-08-08 山东省人工智能研究院 基于注意图卷积神经网络的多行为推荐方法

Also Published As

Publication number Publication date
CN110674407B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN110674407B (zh) 基于图卷积神经网络的混合推荐方法
CN103345645B (zh) 面向网购平台的商品图像类别预测方法
Zhao et al. Automatic unsupervised outlier model selection
CN105469096B (zh) 一种基于哈希二值编码的特征袋图像检索方法
Yin et al. Incomplete multi-view clustering via subspace learning
Gao et al. Visual-textual joint relevance learning for tag-based social image search
CN101295305B (zh) 图像检索装置
CN110929161B (zh) 一种面向大规模用户的个性化教学资源推荐方法
CN108363821A (zh) 一种信息推送方法、装置、终端设备及存储介质
CN106021364A (zh) 图片搜索相关性预测模型的建立、图片搜索方法和装置
US20110029466A1 (en) Supervised rank aggregation based on rankings
CN104834693A (zh) 基于深度搜索的视觉图像检索方法及***
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
CN112487200B (zh) 一种改进的包含多重边信息与多任务学习的深度推荐方法
CN113468227A (zh) 基于图神经网络的信息推荐方法、***、设备和存储介质
CN107577786B (zh) 一种基于联合聚类的矩阵分解推荐方法
CN103778206A (zh) 一种网络服务资源的提供方法
Cao et al. Rankcompete: Simultaneous ranking and clustering of information networks
CN115630153A (zh) 一种基于大数据技术的研究生文献资源推荐方法
CN103095849A (zh) 基于QoS属性预测和纠错的有监督Web服务发现方法及***
Meng et al. Concept-concept association information integration and multi-model collaboration for multimedia semantic concept detection
Zhu et al. Multimodal sparse linear integration for content-based item recommendation
Bu et al. Unsupervised face-name association via commute distance
Escalante et al. An energy-based model for region-labeling
TW201243627A (en) Multi-label text categorization based on fuzzy similarity and k nearest neighbors

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200110

Assignee: ZHEJIANG ANDA SYSTEM ENGINEERING Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022980022900

Denomination of invention: Hybrid recommendation method based on graph convolution neural network

Granted publication date: 20211015

License type: Common License

Record date: 20221124

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200110

Assignee: Zhejiang haomeng Technology Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022980024264

Denomination of invention: Hybrid recommendation method based on graph convolution neural network

Granted publication date: 20211015

License type: Common License

Record date: 20221202