CN106600347B - 一种基于多视角数据和循环网络构建序列预测模型的方法 - Google Patents

一种基于多视角数据和循环网络构建序列预测模型的方法 Download PDF

Info

Publication number
CN106600347B
CN106600347B CN201710041240.XA CN201710041240A CN106600347B CN 106600347 B CN106600347 B CN 106600347B CN 201710041240 A CN201710041240 A CN 201710041240A CN 106600347 B CN106600347 B CN 106600347B
Authority
CN
China
Prior art keywords
article
user
network model
sequence
value
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.)
Active
Application number
CN201710041240.XA
Other languages
English (en)
Other versions
CN106600347A (zh
Inventor
王亮
吴书
崔强
刘强
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201710041240.XA priority Critical patent/CN106600347B/zh
Publication of CN106600347A publication Critical patent/CN106600347A/zh
Application granted granted Critical
Publication of CN106600347B publication Critical patent/CN106600347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多视角数据和循环网络的序列预测方法，其包括：获取多个用户在不同时刻购买的多个物品的数据，并对数据进行预处理；对所述预处理后的数据进行组合获取物品表达，将各用户物品表达按购买时间排序，形成用户序列；将当前用户序列送到循环网络模型的输入端进行训练；所述循环网络的处理端建立当前用户的表达，输出端计算当前用户对物品的偏好值；更新所述循环网络模型参数；将下一用户序列送到循环网络的输入端进行训练，直至所有用户序列都训练一次称为一次迭代；每次迭代更新全部偏好值的和，迭代多次，直至偏好值的和达到极大值或极小值，迭代结束。

Description

一种基于多视角数据和循环网络构建序列预测模型的方法
技术领域
本发明涉及数据挖掘技术领域，尤其是一种基于多视角数据和循环网络构建序列预测模型的方法。
背景技术
现实中基于互联网的网络购物越来越流行，用户在不同时间的购物行为可看作一条购买序列，准确预测该序列之后的值也即用户以后的购买，将极大地提高用户体验并且刺激网络购物平台发展。在购物过程中，物品的多视角数据信息比如图片、文本描述等，会起到不容忽视的作用。因此选用合适的模型建模用户购买序列和这些提供极大信息的多视角数据，将会降低预测的不确定性，提高学习性能，有效缓解推荐冷启动问题。传统的方法一般分为两类：(1)基于矩阵分解，模型虽能融合多视角数据，但忽略了物品出现的次序；(2)基于马尔科夫链，模型虽能处理序列，但该模型基于概率，多视角数据在这种模型中起不到多少作用。因此传统方法并不能适用于多视角数据的序列预测情境，需要新的技术方法。
发明内容
(一)要解决的技术问题
鉴于现有方法不能有效地满足序列预测任务，本发明提出了一种基于多视角数据和循环网络构建序列预测模型的方法。该方法采用多视角数据建立物品多方面表达，通过循环网络进行建模，进而获得用户序列同样的多方面表达。
(二)技术方案
本发明是通过以下技术方案实现的：
一种基于多视角数据和循环网络构建序列预测模型的方法，包括步骤：
S1：获取多个用户在不同时刻购买的多个物品的数据，并对所述数据进行预处理；
S2：对所述预处理后的数据进行组合获取物品表达，将各用户的物品表达按购买时间排序形成用户序列；
S3：将当前用户序列送到循环网络模型的输入端进行训练；
S4：所述循环网络模型的处理端建立当前用户的序列表达，输出端计算当前用户对物品的偏好值；
S5：更新所述循环网络模型参数；
S6：将下一用户序列送到循环网络模型的输入端进行训练，重新返回步骤S3开始执行，直至所有用户序列都经过训练称为一次迭代，每次迭代后进行循环网络模型预测；
S7：判断每次迭代后循环网络模型目标函数的值是否达到极大值或极小值，若是，则迭代结束，否则重新返回步骤S3开始执行，进行下一次迭代，直至目标函数的值达到极大值或极小值。
上述方案中，所述步骤S1包括：
获取合适的数据集；
获取物品图像特征并对物品图像特征进行归一化；
获取物品文本特征，并将物品文本特征归一化到与物品图像特征相同的数值范围；
建立物品隐含特征，并将物品隐含特征归一化到与物品文本特征相同的数值范围。
上述方案中，所述步骤S2包括：
选取降维维度；
对预处理后的数据进行降维，形成物品表达；
将各用户的物品表达按购买时间由远及近排序，形成用户序列。
上述方案中，所述对预处理后的数据进行降维包括：
对物品图像特征、物品文本特征进行降维，物品隐含特征与降维后的物品图像特征、物品文本特征拼接成物品表达。
上述方案中，在所述步骤S4中，用户的序列表达由各时刻循环网络模型的隐层值来表示，当前时刻的隐层值由当前时刻的物品表达、前一时刻的隐层值、转移矩阵代入神经网络激活函数得到。
上述方案中，在所述步骤S4中，当前时刻的偏好值由当前时刻的正样本物品表达、负样本物品表达、循环网络模型前一时刻的隐层值得到。
上述方案中，所述步骤S5包括：
建立目标函数；
前传参数更新；
回传参数更新。
上述方案中，所述步骤S6包括：
将下一用户序列送入循环网络模型进行训练，并将该用户所有偏好值的和累加到目标函数中，每次迭代后目标函数的值为全部用户所有偏好值的总和；
依次选取评价指标和对比方法，进行结果对比，完成循环网络模型预测。
上述方案中，采用卷积神经网络提取物品图像特征，采用最小-最大规范化对物品图像特征归一化；和/或，
基于词之间共生关系的GloVe模型提取物品文本特征，采用最小-最大规范化对物品文本特征归一化。
上述方案中，所述神经网络激活函数为包括Sigmoid、tanh或ReLU。
(三)有益效果
本发明的基于多视角数据和循环网络构建序列预测模型方法，(1)从物品中提取出的多视角数据，即物品图像特征、物品文本特征和物品隐含特征，建立物品表达，能更加全面准备的反应物品特征；(2)建立物品表达后采用循环网络模型，该模型不仅能建模当前输入信息，还能保留有之前的序列信息，即既能反应当前用户兴趣也能建模用户长期兴趣，提高了序列预测模型的准确性。
附图说明
图1为本发明实施例的基于多视角数据和循环网络构建序列预测模型的方法流程图。
图2是本发明实施例的基于多视角数据和循环网络构建序列预测模型的方法的模型流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明适用于互联网购物平台的用户购买序列预测，实例数据均为用户真实购买行为，图1为为本发明实施例的方法流程图，图2为本发明模型流程图，结合图2对本发明方法做进一步说明。
步骤S1：获取多个用户在不同时刻购买的多个物品的数据，并对所述数据进行预处理。分为以下几个子步骤：
子步骤S1.1，获取合适的数据集，数据集包括多个用户在不同时刻购买的多个物品。本实例中采用阿里巴巴天池平台的竞赛数据集Taobao_Clothes_Matching(本发明中简称TaoBao)，选取其中的物品图文数据、用户历史行为数据，挑选出购买行为不少于30次的用户的物品进行实验，数据集中的物品指服装。数据集基本情况如表1所示。
表1
数据集 用户数目 物品数目 总购买次数
TaoBao 37690 282759 1873429
多视角数据包括物品图像特征、物品文本特征和物品隐含特征，步骤S1还包括：
子步骤S1.2，获取物品图像特征并对物品图像特征进行归一化。从数据集中提取出的多视角数据特征一定要进行归一化才可以用于建模，归一化包括最小-最大规范化、零-均值规范化等。归一化后的物品图像特征可表示为v。采用已经预训练好的卷积神经网络GoogLeNet提取1024维的物品图像特征，然后采用最小-最大规范化将物品图像特征值缩放到范围[0，0.5]，原1024维的各物品图像特征值均不小于零。
子步骤S1.3，获取物品文本特征，并将物品文本特征进行归一化到与物品图像特征相同的数值范围。归一化后物品文本特征可表示为s。采用基于词之间共生关系的GloVe模型提取100维的物品文本特征，然后采用最小-最大规范化将物品文本特征值缩放到范围[-0.5，0.5]，原100维的各物品文本特征值位于零两侧。
子步骤S1.4，建立物品隐含特征，并将物品隐含特征归一化到与物品文本特征相同的数值范围。归一化后的不可直接观测的物品隐含特征可表示为x。直接定义变量，另其均匀分布于范围[-0.5，0.5]，作为物品隐含特征。物品图像特征、物品文本特征是物品可直接观测的，不因用户购买而发生改变。而这里直接用变量表示的物品隐含特征是不可直接观测得到的，是从大量纯粹的用户购买序列中逐渐学习出来的，表示用户对物品购买意愿等无法直接表示的信息。
步骤S2：对所述预处理后的数据进行组合获取物品表达，将各用户的物品表达按购买时间排序形成用户序列。分为以下几个子步骤：
子步骤S2.1：选取合适的降维维度。由于所提取的多视角数据通常维度较高，因此需要降维后再送入模型，本实例中选取降维维度(30，1)，维度过高则计算复杂，维度过低则表达能力不足。
子步骤S2.2：获取物品组合表达。与变换矩阵相乘的方法进行降维简单易行而且不会丢失特征信息，物品图像特征、物品文本特征分别采用维度为(30，2014)、(30，100)的变换矩阵F和G进行降维，得到低维物品图像特征和低维物品文本特征，二者的维度为(30，1)，低维物品图像特征表示为pv＝Fv，低维物品文本特征表示为ps＝Gs，不可直接观测的物品隐含特征直接初始化为维度(30，1)，最后低维物品图像特征、低维物品文本特征和物品隐含特征这三部分拼接成维度为(90，1)的物品表达，特征拼接可采用列向量首尾拼接的方式，至此该物品表达表示为p＝[px；pv；ps]＝[x；Fv；Gs]，由物品隐含特征px、物品图像特征pv、物品文本特征ps三种特征组合而成。
子步骤S2.3：将各用户的物品表达按购买时间由远及近排序，形成用户序列。
步骤S3：将当前用户序列送到循环网络模型的输入端进行训练。
该步骤是利用循环网络模型输入端，处理用户行为数据。循环网络模型每次处理一条用户序列，按时间顺序将用户序列中的物品的按照步骤S2.2得到的物品表达送入循环网络模型输入端。在本实例中，将每条用户序列的前90％的物品作为训练集，其长度以m表示，循环网络模型训练集D＝{(u，i，j)|u∈U∧i∈Iu∧j∈I\Iu}，其中u、i和j分别表示某用户、正样本(在该用户u序列前90％中的物品，按时间顺序排列)和负样本(数目与正样本一一对应，从不在该用户正样本集合的物品里随机选取)，符号U、I和Iu分别表示用户全集、全部用户的物品全集、在该用户序列表达u中的物品全集。将每条用户序列剩余的10％的物品作为测试集。其中各条用户序列的m值可能相同也可能互不相同。将每条测试集里的重复出现的物品全部删除，同时将每条测试集里的已经出现在该用户训练集里的物品也删除。这样每个用户测试集里的物品对该用户来说都是新品，所提模型在预测时也是预测这些新品，这样的预测方式难度更高。
在步骤S3中，时间顺序表示为上标t，对某条用户序列，t时刻送入循环网络输入端的物品表达为
Figure BDA0001211383470000061
Figure BDA0001211383470000062
t-1时刻的为
Figure BDA0001211383470000063
以此类推，其中下标i表示正样本。
在步骤S3中，将各用户序列测试集里重复出现的物品全部删除，测试集里的已经在训练集里出现过的物品也要删除，这样每个用户测试集里的物品对该用户来说都是新物品，循环网络模型在预测时就是预测这些新物品，这样的预测方式难度更高。
步骤S4：所述循环网络模型的处理端建立当前用户的序列表达，输出端计算当前用户对物品的偏好值。
子步骤S4.1：循环网络模型的处理端建立当前用户的序列表达。该步骤是利用循环网络模型处理端顺序建模输入端的物品表达，获取该用户的序列表达。该用户的序列表达由各时刻循环网络模型的隐层值来表示，t时刻的隐层值的计算方式为
Figure BDA0001211383470000064
由物品隐含特征、物品图像特征和物品文本特征的隐层值
Figure BDA0001211383470000065
和
Figure BDA0001211383470000066
组合而成，其中σ表示常用的神经网络激活函数，包括Sigmoid、tanh和ReLU及其变形等，矩阵U、W分别表示当前t时刻输入端到当前t时刻处理端、t-1时刻处理端到当前t时刻处理端的转移矩阵，向量ht-1表示t-1时刻循环网络模型的隐层值。本实例中选取的激活函数为Sigmoid函数σ(x)＝1/(1+e-x)。计算中用到当前t时刻输入的物品表达
Figure BDA0001211383470000071
以及前一时刻的隐层值ht-1，最终获取的用户序列表达维度也是(90，1)。
子步骤S4.2：循环网络模型的输出端计算当前用户对物品的偏好值。该部分是利用循环网络模型输出端计算用户对物品的偏好值。t时刻的偏好值计算为
Figure BDA0001211383470000072
其中
Figure BDA0001211383470000073
分别表示t时刻正负样本偏好值，
Figure BDA0001211383470000074
分别表示t时刻的正、负样本的物品表达，ht-1为t-1时刻循环网络模型的隐层值，上标T表示向量的转置操作。该计算方式是成对计算方法，包含贝叶斯个性化排序等。
步骤S5：更新所述循环网络模型参数。
训练循环网络模型参数，前传更新参数并根据输出得到的误差回传更新循环网络模型参数。分为以下几个子步骤：
子步骤S5.1：建立目标函数。实例中采用成对学习方法(贝叶斯个性化排序)，目标函数为：
Figure BDA0001211383470000075
其中，λΘ为调节参数，σ表示神经网络激活函数，模型最大化所有偏好值的和，并利用L2范数调节模型复杂度。
目标函数对参数求偏导数，可得各参数更新方式：
Figure BDA0001211383470000076
其中，β表示学习率，Θ＝{X，F，G，U，W}表示模型参数，其中X表示所有物品隐含特征x的集合，F和G为子步骤S2.2中的变换矩阵，U、W为步骤S4中的转移矩阵。
子步骤S5.2：前传参数更新。在循环网络模型前向输入过程中，更新偏好值
Figure BDA0001211383470000081
里的正负样本的物品表达，循环网络模型里每一层的更新公式为：
Figure BDA0001211383470000082
其中参数F、G是共享的。
子步骤S5.3：回传参数更新。根据误差回传更新模型参数，在模型反向误差回传过程中，更新偏好值
Figure BDA0001211383470000083
里的隐层值，循环网络模型里每一层的更新公式为：
Figure BDA0001211383470000084
其中参数U、W也是共享的，符号⊙表示元素级相乘。
在实际应用中，回传参数更新并非每层都更新一次，而是将误差从训练集的尾端一直传到首端，将误差加和，总体更新一次，计算公式为：
Figure BDA0001211383470000085
Figure BDA0001211383470000086
Figure BDA0001211383470000087
Figure BDA0001211383470000088
Figure BDA0001211383470000091
参数共享的U、W、F和G更新一次，物品隐含特征x每层都不一样所以逐层更新，e表示汇集在循环网络模型的隐层输入端的误差总和，包含上层传递到下层的误差、下层输出端正负样本训练带来的误差这两部分，其具体计算过程如下：
以t-1时刻为例，et-1＝bt-1⊙(ht-1)′，含义为隐层输入端的误差et-1等于隐层输出端的误差bt-1和隐层的导数(ht-1)′进行元素级相乘。bt-1包含t-1时刻隐层输出端正负样本训练带来的误差、t时刻隐层传递到该t-1时刻隐层的误差这两部分，其计算过程为
Figure BDA0001211383470000092
在图2中可以看到，每个隐层的右侧有两条支路，汇集了由虚线表示的两部分误差。
S6：将下一用户序列送到循环网络模型的输入端进行训练，重新返回步骤S3开始执行，直至所有用户序列都经过训练称为一次迭代，每次迭代后进行循环网络模型预测。
该部分进行总体训练和测试，又分为以下几个子步骤：
子步骤S6.1，总体训练。每条用户序列的训练方式如步骤S3～S5所示，逐条用户序列的数据送入循环网络模型进行训练，并将每个用户所有偏好值的和累加到目标函数J中，所有用户序列都训练一次称为一次迭代，目标函数J的值为每次迭代全部用户所有偏好值的总和。之后再进行测试，判断目标函数的变化趋势。
每次迭代后利用测试集进行模型预测：
子步骤S6.2，选取评价指标。本实例中，每次迭代后采用测试集数据对更新后的循环网络模型进行评价，评价指标取自《信息检索导论》，分别为Recall、MAP、NDCG和AUC。
子步骤S6.3，选取对比方法。对比方法采用Random、POP、MF、BPR、VBPR、RNN等方法(随机、最流行、矩阵分解、贝叶斯个性化排序、视觉贝叶斯个性化排序、循环网络)。
子步骤S6.4，结果对比。表中评价指标Recall、MAP和NDCG所在列的评价值需乘以0.01得到真正评价值，因为我们测试集中只留下新物品，预测难度高，并且模型太稀疏，不确定性高。结果如表2所示，我们的方法在各种评价指标下都取得了最优的效果。
表2
Figure BDA0001211383470000101
S7：判断每次迭代后循环网络模型目标函数的值是否达到极大值或极小值，若是，则迭代结束，否则重新返回步骤S3开始执行，进行下一次迭代，直至目标函数的值达到极大值或极小值。
每次迭代后循环网络模型目标函数的值为全部用户所有偏好值的总和，，若偏好值的总和达到极大值或极小值，迭代结束。
本发明的方法，用户在网络上的每次购物，都有具体时间，按时间排序建模更能反应用户的兴趣变化，建立物品表达后采用循环网络，该结构不仅能建模当前输入信息，还能保留有之前的序列信息，即既能反应当前用户兴趣也能建模用户长期兴趣，用户每次的购买，即是更喜欢所买物品，同时不倾向于那些不买的物品，模型建立这种偏好差异并最大化，即可借此预测用户更偏好于哪些物品。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多视角数据和循环网络构建序列预测模型的方法，包括步骤：
S1：获取多个用户在不同时刻购买的多个物品的数据，并对所述数据进行预处理；
所述步骤S1包括：
获取物品图像特征并对物品图像特征进行归一化；
获取物品文本特征，并将物品文本特征归一化到与物品图像特征相同的数值范围；
S2：对所述预处理后的数据进行组合获取物品表达，将各用户的物品表达按购买时间排序形成用户序列；
S3：将当前用户序列送到循环网络模型的输入端进行训练；
S4：所述循环网络模型的处理端建立当前用户的序列表达，输出端计算当前用户对物品的偏好值；
S5：更新所述循环网络模型参数；
S6：将下一用户序列送到循环网络模型的输入端进行训练，重新返回步骤S3开始执行，直至所有用户序列都经过训练称为一次迭代，每次迭代后进行循环网络模型预测；
S7：判断每次迭代后循环网络模型目标函数的值是否达到极大值或极小值，若是，则迭代结束，否则重新返回步骤S3开始执行，进行下一次迭代，直至目标函数的值达到极大值或极小值。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1还包括：
获取合适的数据集；
建立物品隐含特征，并将物品隐含特征归一化到与物品文本特征相同的数值范围。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
选取降维维度；
对预处理后的数据进行降维，形成物品表达；
将各用户的物品表达按购买时间由远及近排序，形成用户序列。
4.根据权利要求3所述的方法，其特征在于，所述对预处理后的数据进行降维包括：
对物品图像特征、物品文本特征进行降维，物品隐含特征与降维后的物品图像特征、物品文本特征拼接成物品表达。
5.根据权利要求1所述的方法，其特征在于，在所述步骤S4中，用户的序列表达由各时刻循环网络模型的隐层值来表示，当前时刻的隐层值由当前时刻的物品表达、前一时刻的隐层值、转移矩阵代入神经网络激活函数得到。
6.根据权利要求1所述的方法，其特征在于，在所述步骤S4中，当前时刻的偏好值由当前时刻的正样本物品表达、负样本物品表达、循环网络模型前一时刻的隐层值得到。
7.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：
建立目标函数；
前传参数更新；
回传参数更新。
8.根据权利要求1所述的方法，其特征在于，所述步骤S6包括：
将下一用户序列送入循环网络模型进行训练，并将该用户所有偏好值的和累加到目标函数中，每次迭代后目标函数的值为全部用户所有偏好值的总和；
依次选取评价指标和对比方法，进行结果对比，完成循环网络模型预测。
9.根据权利要求2所述的方法，其特征在于，
采用卷积神经网络提取物品图像特征，采用最小-最大规范化对物品图像特征归一化；和/或，
基于词之间共生关系的GloVe模型提取物品文本特征，采用最小-最大规范化对物品文本特征归一化。
10.根据权利要求5所述的方法，其特征在于，所述神经网络激活函数为包括Sigmoid、tanh或ReLU。
CN201710041240.XA 2017-01-17 2017-01-17 一种基于多视角数据和循环网络构建序列预测模型的方法 Active CN106600347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710041240.XA CN106600347B (zh) 2017-01-17 2017-01-17 一种基于多视角数据和循环网络构建序列预测模型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710041240.XA CN106600347B (zh) 2017-01-17 2017-01-17 一种基于多视角数据和循环网络构建序列预测模型的方法

Publications (2)

Publication Number Publication Date
CN106600347A CN106600347A (zh) 2017-04-26
CN106600347B true CN106600347B (zh) 2020-04-21

Family

ID=58586059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710041240.XA Active CN106600347B (zh) 2017-01-17 2017-01-17 一种基于多视角数据和循环网络构建序列预测模型的方法

Country Status (1)

Country Link
CN (1) CN106600347B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573399B (zh) * 2018-02-28 2022-03-18 中国银联股份有限公司 基于转移概率网络的商户推荐方法及其系统
CN108804605B (zh) * 2018-05-29 2021-10-22 重庆大学 一种基于层次结构的推荐方法
CN112288457A (zh) * 2020-06-23 2021-01-29 北京沃东天骏信息技术有限公司 基于多模型计算融合的数据处理方法及装置、设备和介质
CN115984802B (zh) * 2023-03-08 2023-06-09 安徽蔚来智驾科技有限公司 一种目标检测方法、计算机可读存储介质及驾驶设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761102A (zh) * 2016-02-04 2016-07-13 杭州朗和科技有限公司 一种预测用户购买商品行为的方法和装置
KR101657555B1 (ko) * 2015-06-23 2016-09-19 주식회사 넷스루 방문 의도 정보 생성 방법 및 이를 이용한 상품 또는 콘텐츠 추천 방법
CN106022865A (zh) * 2016-05-10 2016-10-12 江苏大学 一种基于评分和用户行为的商品推荐方法
CN106164837A (zh) * 2014-04-04 2016-11-23 电子湾有限公司 图像评估
CN106327240A (zh) * 2016-08-11 2017-01-11 中国船舶重工集团公司第七0九研究所 一种基于gru神经网络的推荐方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4803212B2 (ja) * 2008-05-28 2011-10-26 ソニー株式会社 データ処理装置、データ処理方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106164837A (zh) * 2014-04-04 2016-11-23 电子湾有限公司 图像评估
KR101657555B1 (ko) * 2015-06-23 2016-09-19 주식회사 넷스루 방문 의도 정보 생성 방법 및 이를 이용한 상품 또는 콘텐츠 추천 방법
CN105761102A (zh) * 2016-02-04 2016-07-13 杭州朗和科技有限公司 一种预测用户购买商品行为的方法和装置
CN106022865A (zh) * 2016-05-10 2016-10-12 江苏大学 一种基于评分和用户行为的商品推荐方法
CN106327240A (zh) * 2016-08-11 2017-01-11 中国船舶重工集团公司第七0九研究所 一种基于gru神经网络的推荐方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Dynamic Recurrent Model for Next Basket Recommendation;Feng Yu等;《SIGIR"16: Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval》;20160731;第729-732页 *

Also Published As

Publication number Publication date
CN106600347A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
EP3629246B1 (en) Systems and methods for neural architecture search
CN110955826B (zh) 基于改进型循环神经网络单元的推荐系统
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN112598462A (zh) 基于协同过滤和深度学习的个性化推荐方法及系统
CN111881342A (zh) 一种基于图孪生网络的推荐方法
CN106600347B (zh) 一种基于多视角数据和循环网络构建序列预测模型的方法
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN113256367B (zh) 用户行为历史数据的商品推荐方法、系统、设备及介质
CN108536784B (zh) 评论信息情感分析方法、装置、计算机存储介质和服务器
CN109543112A (zh) 一种基于循环卷积神经网络的序列推荐方法及装置
CN115082147A (zh) 一种基于超图神经网络的序列推荐方法及装置
CN104794367B (zh) 基于隐语义模型的就医资源评分与推荐方法
Navgaran et al. Evolutionary based matrix factorization method for collaborative filtering systems
CN106157156A (zh) 一种基于用户社区的协作推荐系统
CN106897404A (zh) 一种基于多gru层神经网络的推荐方法与系统
CN110263245B (zh) 基于强化学习模型向用户推送对象的方法和装置
Siivola et al. Preferential batch Bayesian optimization
CN110727855A (zh) 一种基于改进因子分解机的个性化推荐方法
CN110826686A (zh) 有属性序列的机器学习系统和方法
CN113987343A (zh) 基于强化学习的多样化推荐方法、系统及存储介质
CN111414555A (zh) 一种基于协同过滤的个性化推荐方法
CN115880027A (zh) 一种电子商务网站商品季节性预测模型创建方法
CN117252665B (zh) 业务推荐方法、装置、电子设备及存储介质
CN114119151B (zh) 下一个购物篮个性化推荐方法、系统及介质
CN112949599B (zh) 基于大数据的候选内容推送方法

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