CN107145518A - 一种社交网络下基于深度学习的个性化推荐系统 - Google Patents

一种社交网络下基于深度学习的个性化推荐系统 Download PDF

Info

Publication number
CN107145518A
CN107145518A CN201710227915.XA CN201710227915A CN107145518A CN 107145518 A CN107145518 A CN 107145518A CN 201710227915 A CN201710227915 A CN 201710227915A CN 107145518 A CN107145518 A CN 107145518A
Authority
CN
China
Prior art keywords
mrow
mtd
user
article
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
Application number
CN201710227915.XA
Other languages
English (en)
Other versions
CN107145518B (zh
Inventor
黄震华
程久军
孙剑
向阳
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN201710227915.XA priority Critical patent/CN107145518B/zh
Publication of CN107145518A publication Critical patent/CN107145518A/zh
Application granted granted Critical
Publication of CN107145518B publication Critical patent/CN107145518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种社交网络下基于深度学习的个性化推荐系统，主要包括离线学习模块和在线推荐模块。离线学习模块首先生成训练样本集合，进而构造带注意力机制的深度卷积神经网络学习模型，并对学习模型中的参数进行迭代优化；在线推荐模块基于训练得到的学习模型对新注册的用户进行实时物品推荐。与现有技术相比，本发明具有准确度高、速度快和简单易实现等优点，能够有效应用于电子商务、舆情监控、智能交通以及医疗健康等领域。

Description

一种社交网络下基于深度学习的个性化推荐系统
技术领域
本发明涉及信息推荐技术领域，尤其是涉及一种社交网络下基于深度学习的个性化推荐系统。
背景技术
推荐系统的非形式化概念是Resnick和Varian在1997年给出的定义：“它是利用电子商务网站向客户提供商品的信息和建议，并帮助用户决策应该购买何类产品，模拟销售人员帮助指导用户完成网上购买的过程”。
推荐系统能够挖掘出用户潜在的喜欢的内容，减少无用信息对用户的干扰，使得用户在互联网上快速地发现自己想要购买的商品、感兴趣的新闻、可能潜在的好友。并且这些推荐结果是动态地，因为用户的兴趣随着时间、场景的变化而发生变化，最终的推荐结果能够吻合用户的即时偏好，给用户呈现真正感兴趣的信息内容。一个好的推荐系统不仅能够给用户推荐一些他所喜欢的信息，同时这些内容应该具有新颖性，给用户推荐的信息不应该出现多次的重复，最后推荐系统应该能够挖掘长尾信息，一个网站上的大部分商品只被少部分人所接触，一个好的推荐系统所做出的推荐结果不仅仅只是包含热门物品，而应该多多挖掘数量巨大的冷门物品，这样才能给应用带来巨大利润和商业规模。
伴随着社交网络的蓬勃发展，人们也很期待互联网的信息服务如：社交搜索、社交交易等，如何与社交网络相结合，为用户提供更人性化，更有价值的信息服务。以个性化推荐为核心的服务应用延展到了互联网用户日常信息流的方方面面，同时个性化推荐系统也在结合交叉学科和新技术不断的发展。从早期的协同过滤算法、基于模型的推荐算法、混合推荐算法到结合社交信息的社会化推荐算法，无不显示着推荐系统蓬勃的发展势头。
然而，我们发现现有的推荐系统已经不能很好的满足社交网络新环境下的个性化服务需求，无法解决已存在的和新出现的问题。由于社交网络呈现无尺度特性，极少量的社交用户拥有大量的社交关系链接和社交互动行为，而大部分社交用户仅只有少量的社交关系链接和社交互动行为，当将推荐系统应用到社交环境中时，将面临着推荐系统的数据稀疏性问题。同时，当新用户注册登录到基于社交网络的电子商务服务平台，由于缺失与该新用户相关的背景或者兴趣喜好数据，推荐系统无法给出很好的推荐结果，这就是社交网络环境中推荐系统所面临的冷启动问题。冷启动问题导致推荐系统的推荐质量很差，不能满足新注册用户的需求，他们将很可能不想再次登录该电子商务服务平台。
发明内容
本发明的目的就是为了解决上述现有技术存在的缺陷而提供一种准确度高、处理速度快且简单易实现的社交网络下基于深度学习的个性化推荐系统。
本发明技术方案：
主要由离线学习和在线推荐两个模块组成。
模块1(离线学习模块)包括三个步骤：
步骤1：训练样本集合生成。本发明在推荐系统中选取一定数量的现有用户，并针对被选取的每个用户，获取该用户最近购买过的若干物品以及从未购买过的若干物品。对于每个“用户-物品”对，将它表示成特征的形式，其中用户特征包括用户在推荐系统中登记的人口统计学特征、用户的社交网络特征以及用户联系最紧密的若干好友的人口统计学特征和社交网络特征，物品特征包括物品的固有特征、物品类别特征、物品购买行为特征以及物品的社交网络特征。在此基础上，产生两个形式的训练样本：
(1)如果用户购买过该物品，那么生成样本(用户特征，物品特征，+1)，
(2)如果用户从未购买过该物品，那么生成样本(用户特征，物品特征，-1)。
步骤2：带注意力机制的深度卷积神经网络学习模型构造。学习模型从输入端到输出端，共由四个部件组成：
(1)特征嵌套层，将输入的训练样本转换成用户特征矩阵和物品特征矩阵，
(2)注意力机制层，基于特征嵌套层的用户特征矩阵和物品特征矩阵，分别产生用户注意力特征矩阵和物品注意力特征矩阵，
(3)特征融合层，融合特征嵌套层和注意力机制层中的用户特征矩阵和用户注意力特征矩阵，以及物品特征矩阵和物品注意力特征矩阵，分别产生用户融合矩阵和物品融合矩阵，
(4)卷积-池化层，基于特征融合层的用户融合矩阵和物品融合矩阵，分别产生全局用户池化向量和全局物品池化向量，
(5)逻辑回归层，基于卷积-池化层的全局用户池化向量和全局物品池化向量，输出一个0-1间的实数。
步骤3：学习模型参数迭代优化。对步骤2中的学习模型，构造其损失函数，并基于步骤1中的训练样本，采用不同的优化方法对损失函数中的参数进行迭代优化，并识别出最优的优化方法。
模块2(在线推荐模块)对于新注册的用户，生成该用户的用户特征，并对推荐系统中的每个物品，生成其物品特征，然后基于模块1中获得的学习模型，产生新注册用户购买该物品的概率，并最终将概率值最高的若干物品返回给用户。
本发明具有以下优点：
1、本发明把推荐过程中耗时的学习模型通过离线方式来构造，这样能够显著降低向用户推荐物品的时间开销。
2、本发明充分提取社交网络下的用户和物品特征，并作为输入进行深度学习，能够显著提高物品的推荐准确度，并有效解决新注册用户的冷启动问题。
3、本发明主要由两个模块组成，每个步骤的实施过程简单、容易实现，同时不受具体开发工具和编程软件的限制，并且能够快速扩展到分布式和并行化的开发环境中。
附图说明
图1本发明的技术框架图。
具体实施方式
基于本发明技术方案，以下结合附图给出详细实施例。
离线学习模块中步骤1(训练样本集合生成)的具体实施方式如下：
本发明在推荐系统中随机选取5000个现有用户，对于其中每个用户ui(1≤i≤5000)，选取ui最近购买过的ai个物品和从未购买过的bi个物品，其中ai的取值为u购买过所有物品数量的1/2，bi取值为ai的20倍，即bi＝20×ai，从而得到个“用户-物品”对。
对于每个“用户-物品”对(u,g)，本发明首先获取u的用户特征列表C(u)，包括：(1)u在推荐系统中登记的人口统计学特征u.D，包括年龄、地址、性别、职业、收入、文化程度、婚否、有无小孩，(2)u的社交网络特征u.S，包括注册时间、活跃度、信誉度、影响力、好友数、评论数，(3)u联系最紧密的20个好友u1,…,u20的人口统计学特征和社交网络特征，从而可得u的用户特征列表C(u)＝<u.D,u.S,u1.D,u1.S,u2.D,u2.S,…,u20.D,u20.S>；然后，获取g的物品特征列表C(g)，包括：(1)g的固有特征g.I，包括价格、颜色、保质期、重量、容积、产地、材质、上架时间、适合年龄层，(2)g的类别特征g.R，包括大类名称、小类名称，(3)g的购买行为特征g.B，包括最近被购买的时间、最近被购买的数量、最近被退货时间、最近被退货数量、最近一个月被购买的数量、最近一个月被退货的数量，(4)g的社交网络特征g.S，包括和g同时被购买最频繁10个物品g1,g2,…,g10的固有特征、类别特征和购买行为特征、最近一个月购买g数量最多的10个用户u1,u2,…,u10的人口统计学特征和社交网络特征，从而可得g的用物品特征列表C(g)＝<g.I,g.R,g.B,g1.I,g1.R,g1.B,…,g10.I,g10.R,g10.B,u1.D,u1.S,…,u10.D,u10.S>。
在此基础上，本发明生成包含个训练样本的集合T，其中正样本有个，形式为[(C(u),C(g)),+1]，表示u购买过g，而负样本有个，形式为[(C(u),C(g)),-1]，表示u从未购买过g。
离线学习模块中步骤2(带注意力机制的深度卷积神经网络学习模型构造)的具体实施方式如下：
1.特征嵌套层包含两个独立的特征嵌套部件，即用户特征嵌套部件和物品特征嵌套部件。
用户特征嵌套部件接收每个训练样本中的用户特征列表C(u)作为输入，它包含42个子特征u.D,u.S,u1.D,u1.S,u2.D,u2.S,…,u20.D,u20.S，并对每个子特征，用户特征嵌套部件利用word2vec词嵌套工具将该子特征转换成长度为200的一维向量。因此，对于每个训练样本，用户特征嵌套部件产生行数为200且列数为42的二维用户特征矩阵MU。
物品特征嵌套部件接收每个训练样本中的用户特征列表C(g)作为输入，它包含53个子特征g.I,g.R,g.B,g1.I,g1.R,g1.B,…,g10.I,g10.R,g10.B,u1.D,u1.S,…,u10.D,u10.S，并对每个子特征，物品特征嵌套部件同样利用word2vec词嵌套工具将该子特征转换成长度为200的一维向量。因此，对于每个训练样本，物品特征嵌套部件产生行数为200且列数为53的二维物品特征矩阵MG。
2.注意力机制层以特征嵌套层中的MU和MG两个矩阵为输入，首先构造行数为42且列数为53的二维注意力矩阵MA，MA第i行第j列单元的取值MA[i,j]的计算公式为：
其中MU[i]为矩阵MU的第i列向量，MG[j]为矩阵MG的第j列向量，为向量的内积，||MU[i]||和||MG[j]||分别为向量MU[i]和MG[j]的模。
接着，注意力机制层引入两个权重矩阵WU和WG，其中WU的行数为200且列数为53，WG的行数为200且列数为42，并基于MA来分别获取用户注意力特征矩阵AU和物品注意力特征矩阵AG：
AU＝WU×MA T，
AG＝WG×MA，
其中MA T为矩阵MA的转置矩阵。
3.特征融合层以特征嵌套层中的MU和MG以及注意力机制层中的AU和AG这四个矩阵为输入，产生两个矩阵FU和FG，其中FU为用户融合矩阵，行数为200且列数为42，其第i行第j列单元的取值FU[i,j]的计算公式为：
FU[i,j]＝MU[i,j]×AU[i,j]，
而FG为物品融合矩阵，行数为200且列数为53，其第i行第j列单元的取值FG[i,j]的计算公式为：
FU[i,j]＝MG[i,j]×AG[i,j]。
4.卷积-池化层包含8个部件，分别为短步用户卷积部件、短步用户池化部件、长步用户卷积部件、全局用户池化部件、短步物品卷积部件、短步物品池化部件、长步物品卷积部件、全局物品池化部件。
(1)短步用户卷积部件接收特征融合层中的FU矩阵作为输入，首先将FU转换成行数为200且列数为44的矩阵EFU，使得：
然后，引入一个行数为250且列数为400的权重矩阵SWU，并产生短步用户卷积矩阵SCU，其行数为250且列数为43。SCU每一列的取值SCU[:,j]为：
其中tanh为双曲正切函数，为两个向量的拼接操作。
(2)短步用户池化部件接收短步用户卷积矩阵SCU作为输入，并产生短步用户池化矩阵SPU，其行数为250且列数为42，其第i行第j列单元的取值SPU[i,j]的计算公式为：
SPU[i,j]＝(SCU[i,j]+SCU[i,j+1])/2。
(3)长步用户卷积部件接收短步用户池化矩阵SPU作为输入，首先将SPU转换成行数为250且列数为48的矩阵EPU，使得：
然后，引入一个行数为300且列数为1000的权重矩阵LWU，并产生长步用户卷积矩阵LCU，其行数为350且列数为45。LCU每一列的取值LCU[:,j]为：
其中tanh为双曲正切函数，为两个向量的拼接操作。
(4)全局用户池化部件接收长步用户卷积矩阵LCU作为输入，并产生全局用户池化向量GPU，其长度为300，其第i个分量的取值GPU[i]的计算公式为：
(5)短步物品卷积部件接收特征融合层中的FG矩阵作为输入，首先将FG转换成行数为200且列数为55的矩阵EFG，使得：
然后，引入一个行数为250且列数为400的权重矩阵SWG，并产生短步物品卷积矩阵SCG，其行数为250且列数为54。SCG每一列的取值SCG[:,j]为：
其中tanh为双曲正切函数，为两个向量的拼接操作。
(6)短步物品池化部件接收短步物品卷积矩阵SCG作为输入，并产生短步物品池化矩阵SPG，其行数为250且列数为53，其第i行第j列单元的取值SPG[i,j]的计算公式为：
SPG[i,j]＝(SCG[i,j]+SCG[i,j+1])/2。
(7)长步物品卷积部件接收短步物品池化矩阵SPG作为输入，首先将SPG转换成行数为250且列数为59的矩阵EPG，使得：
然后，引入一个行数为300且列数为1000的权重矩阵LWG，并产生长步物品卷积矩阵LCG，其行数为350且列数为56。LCG每一列的取值LCG[:,j]为：
其中tanh为双曲正切函数，为两个向量的拼接操作。
(8)全局物品池化部件接收长步物品卷积矩阵LCG作为输入，并产生全局物品池化向量GPG，其长度为300，其第i个分量的取值GPG[i]的计算公式为：
5.逻辑回归层接收卷积-池化层中的全局用户池化向量GPU和全局物品池化向量GPG作为输入，并引入一个长度为600的向量WL，并产生一个输出值v：
其中e为自然对数底数，变量z的计算公式为：
离线学习模块中步骤3(学习模型参数迭代优化)的具体实施方式如下：
对于步骤2中的学习模型，本发明首先构造其损失函数如下：
其中Θ＝{WU,WG,SWU,LWU,SWG,LWG,WL}为步骤2学习模型中各权重参数所构成的集合，和分别为步骤1所生产训练样本集合T中的正负样本集合，|T|为T所包含的训练样本数量，v(t)为以训练样本t为输入，利用学习模型最终产生的0-1间的输出值。
接着，本发明基于训练样本集合T，分别利用随机梯度下降(SGD：StochasticGradient Descent)、自适应矩估计(Adam：Adaptive Moment Estimation)、涅斯捷罗夫动量(NM：Nesterov Momentum)以及自适应梯度(AG：Adaptive Gradient)这四个优化方法对最小化损失函数的取值进行50000次迭代优化，从而，分别得出这4个优化方法所对应的损失函数值，然后选择具有最小损失函数值的优化方法作为学习模型的优化方法。
模块2(在线推荐模块)的具体实施方式如下：
对于新注册的用户本发明首先获取的用户特征列表以及推荐系统中的物品集合GS，接着，对于GS中的每个物品η，获取它的物品特征列表C(η)，并将和C(η)输入到模型1中构造的带注意力机制的深度卷积神经网络学习模型中，从而得到用户购买物品η的概率，即学习模型的输出值v。当物品集合GS中的所有物品均处理完毕之后，将概率值最大的20个物品返回给用户。

Claims (10)

1.一种社交网络下基于深度学习的个性化推荐系统，其特征在于，包括主要由离线学习和在线推荐两个模块，其中，
模块1(离线学习模块)包括三个步骤：
步骤1：训练样本集合生成。选取一定数量的现有用户，并针对被选取的每个用户，获取该用户最近购买过的若干物品以及从未购买过的若干物品。对于每个“用户-物品”对，将它表示成特征的形式，其中用户特征包括用户在推荐系统中登记的人口统计学特征、用户的社交网络特征以及用户联系最紧密的若干好友的人口统计学特征和社交网络特征，物品特征包括物品的固有特征、物品类别特征、物品购买行为特征以及物品的社交网络特征。在此基础上，产生两个形式的训练样本：
(1)如果用户购买过该物品，那么生成样本(用户特征，物品特征，+1)，
(2)如果用户从未购买过该物品，那么生成样本(用户特征，物品特征，-1)。
步骤2：带注意力机制的深度卷积神经网络学习模型构造。学习模型从输入端到输出端，共由四个部件组成：
(1)特征嵌套层，将输入的训练样本转换成用户特征矩阵和物品特征矩阵，
(2)注意力机制层，基于特征嵌套层的用户特征矩阵和物品特征矩阵，分别产生用户注意力特征矩阵和物品注意力特征矩阵，
(3)特征融合层，融合特征嵌套层和注意力机制层中的用户特征矩阵和用户注意力特征矩阵，以及物品特征矩阵和物品注意力特征矩阵，分别产生用户融合矩阵和物品融合矩阵，
(4)卷积-池化层，基于特征融合层的用户融合矩阵和物品融合矩阵，分别产生全局用户池化向量和全局物品池化向量，
(5)逻辑回归层，基于卷积-池化层的全局用户池化向量和全局物品池化向量，输出一个0-1间的实数。
步骤3：学习模型参数迭代优化。对步骤2中的学习模型，构造其损失函数，并基于步骤1中的训练样本，采用不同的优化方法对损失函数中的参数进行迭代优化，并识别出最优的优化方法。
模块2(在线推荐模块)对于新注册的用户，生成该用户的用户特征，并对推荐系统中的每个物品，生成其物品特征，然后基于模块1中获得的学习模型，产生新注册用户购买该物品的概率，并最终将概率值最高的若干物品返回给用户。
2.如权利要求1所述的系统，其特征在于，所述离线学习模块1中步骤1具体如下：在推荐系统中随机选取若干N个现有用户，对于其中每个用户ui(1≤i≤N)，选取ui最近购买过的ai个物品和从未购买过的bi个物品；
对于每个“用户-物品”对(u,g)，首先获取u的用户特征列表C(u)，包括：(1)u在推荐系统中登记的人口统计学特征u.D；(2)u的社交网络特征u.S；(3)u联系最紧密的一定数量个好友u1,u2…的人口统计学特征和社交网络特征，从而可得u的用户特征列表C(u)＝<u.D,u.S,u1.D,u1.S,u2.D,u2.S,…>；然后，获取g的物品特征列表C(g)，包括：(1)g的固有特征g.I；(2)g的类别特征g.R；(3)g的购买行为特征g.B；(4)g的社交网络特征g.S，包括和g同时被购买最频繁物品g1,g2,…的固有特征、类别特征和购买行为特征、最近购买g数量最多数量用户u1,u2,…的人口统计学特征和社交网络特征，从而可得g的用物品特征列表C(g)＝<g.I,g.R,g.B,g1.I,g1.R,g1.B,…,B,u1.D,u1.S,…,>。在此基础上，生成训练样本的集合T，其中正样本的形式为[(C(u),C(g)),+1]，表示u购买过g，而负样本为形式为[(C(u),C(g)),-1]，表示u从未购买过g。
3.如权利要求1所述的系统，其特征在于，所述特征嵌套层，包含两个独立的特征嵌套部件，即用户特征嵌套部件和物品特征嵌套部件。
所述用户特征嵌套部件接收每个训练样本中的用户特征列表C(u)作为输入，它包含若干个子特征u.D,u.S,u1.D,u1.S,u2.D,u2.S,…，并对每个子特征，用户特征嵌套部件利用word2vec词嵌套工具将该子特征转换成长度为一定的一维向量。对于每个训练样本，用户特征嵌套部件产生相应的二维用户特征矩阵MU。
所述物品特征嵌套部件接收每个训练样本中的用户特征列表C(g)作为输入，它包含若干个子特征g.I,g.R,g.B,g1.I,g1.R,g1.B,…,,u1.D,u1.S,…,，并对每个子特征，物品特征嵌套部件同样利用word2vec词嵌套工具将该子特征转换成长度为相同量的一维向量。对于每个训练样本，物品特征嵌套部件产生相应的二维物品特征矩阵MG。
4.如权利要求1所述的系统，其特征在于，所述注意力机制层，以特征嵌套层中的MU和MG两个矩阵为输入，首先构造二维注意力矩阵MA，MA第i行第j列单元的取值MA[i,j]的计算公式为：
其中MU[i]为矩阵MU的第i列向量，MG[j]为矩阵MG的第j列向量，为向量的内积，||MU[i]||和||MG[j]||分别为向量MU[i]和MG[j]的模。
接着，注意力机制层引入两个权重矩阵WU和WG，其中WU的行数、列数为相同于所述二维注意力矩阵MA，WG的行数、列数相同于WU，并基于MA来分别获取用户注意力特征矩阵AU和物品注意力特征矩阵AG：
AU＝WU×MA T，
AG＝WG×MA，
其中MA T为矩阵MA的转置矩阵。
5.如权利要求1所述的系统，其特征在于，所述特征融合层，以特征嵌套层中的MU和MG以及注意力机制层中的AU和AG这四个矩阵为输入，产生两个矩阵FU和FG，其中FU为用户融合矩阵，行数、列数为相同于所述二维注意力矩阵MA，其第i行第j列单元的取值FU[i,j]的计算公式为：
FU[i,j]＝MU[i,j]×AU[i,j]，
而FG为物品融合矩阵，行数、列数相同于FU，其第i行第j列单元的取值FG[i,j]的计算公式为：
FU[i,j]＝MG[i,j]×AG[i,j]。
6.如权利要求1所述的系统，其特征在于，卷积-池化层包含8个部件，分别为短步用户卷积部件、短步用户池化部件、长步用户卷积部件、全局用户池化部件、短步物品卷积部件、短步物品池化部件、长步物品卷积部件、全局物品池化部件，给出实施例技术方案，其中：
所述短步用户卷积部件接收特征融合层中的FU矩阵作为输入，首先将FU转换成行数为200且列数为44的矩阵EFU，使得：
<mrow> <msub> <mi>EF</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>F</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>2</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>43</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>=</mo> <mn>44</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
然后，引入一个行数为250且列数为400的权重矩阵SWU，并产生短步用户卷积矩阵SCU，其行数为250且列数为43。SCU每一列的取值SCU[:,j]为：
SCU[:,j]＝tanh(SWU×(EFU[:,j]⊕EFU[:,j+1]))，
其中tanh为双曲正切函数，“⊕”为两个向量的拼接操作。
所述短步用户池化部件接收短步用户卷积矩阵SCU作为输入，并产生短步用户池化矩阵SPU，其行数为250且列数为42，其第i行第j列单元的取值SPU[i,j]的计算公式为：
SPU[i,j]＝(SCU[i,j]+SCU[i,j+1])/2。
所述长步用户卷积部件接收短步用户池化矩阵SPU作为输入，首先将SPU转换成行数为250且列数为48的矩阵EPU，使得：
<mrow> <msub> <mi>EP</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>3</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>SP</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>3</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>4</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>45</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>46</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>48</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
然后，引入一个行数为300且列数为1000的权重矩阵LWU，并产生长步用户卷积矩阵LCU，其行数为350且列数为45。LCU每一列的取值LCU[:,j]为：
LCU[:,j]＝tanh(LWU×(EPU[:,j]⊕EPU[:,j+1]⊕EPU[:,j+3]⊕EPU[:,j+4]))，
其中tanh为双曲正切函数，“⊕”为两个向量的拼接操作。
所述全局用户池化部件接收长步用户卷积矩阵LCU作为输入，并产生全局用户池化向量GPU，其长度为300，其第i个分量的取值GPU[i]的计算公式为：
<mrow> <msub> <mi>GP</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>45</mn> </msubsup> <msub> <mi>LC</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> <mn>45</mn> </mfrac> <mo>.</mo> </mrow>
所述短步物品卷积部件接收特征融合层中的FG矩阵作为输入，首先将FG转换成行数为200且列数为55的矩阵EFG，使得：
<mrow> <msub> <mi>EF</mi> <mi>G</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>F</mi> <mi>G</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>2</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>54</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>=</mo> <mn>55</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
然后，引入一个行数为250且列数为400的权重矩阵SWG，并产生短步物品卷积矩阵SCG，其行数为250且列数为54。SCG每一列的取值SCG[:,j]为：
SCG[:,j]＝tanh(SWG×(EFG[:,j]⊕EFG[:,j+1]))，
其中tanh为双曲正切函数，“⊕”为两个向量的拼接操作。
所述短步物品池化部件接收短步物品卷积矩阵SCG作为输入，并产生短步物品池化矩阵SPG，其行数为250且列数为53，其第i行第j列单元的取值SPG[i,j]的计算公式为：
SPG[i,j]＝(SCG[i,j]+SCG[i,j+1])/2。
所述长步物品卷积部件接收短步物品池化矩阵SPG作为输入，首先将SPG转换成行数为250且列数为59的矩阵EPG，使得：
<mrow> <msub> <mi>EP</mi> <mi>G</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>3</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>SP</mi> <mi>G</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>3</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>4</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>56</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mn>57</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mn>59</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
然后，引入一个行数为300且列数为1000的权重矩阵LWG，并产生长步物品卷积矩阵LCG，其行数为350且列数为56。LCG每一列的取值LCG[:,j]为：
LCG[:,j]＝tanh(LWG×(EPG[:,j]⊕EPG[:,j+1]⊕EPG[:,j+3]⊕EPG[:,j+4]))，
其中tanh为双曲正切函数，“⊕”为两个向量的拼接操作。
所述全局物品池化部件接收长步物品卷积矩阵LCG作为输入，并产生全局物品池化向量GPG，其长度为300，其第i个分量的取值GPG[i]的计算公式为：
<mrow> <msub> <mi>GP</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>56</mn> </msubsup> <msub> <mi>LC</mi> <mi>G</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> <mn>56</mn> </mfrac> <mo>.</mo> </mrow>
7.如权利要求1所述的系统，其特征在于，所述逻辑回归层接收卷积-池化层中的全局用户池化向量GPU和全局物品池化向量GPG作为输入，并引入一个一定长度的向量WL，并产生一个输出值v：
<mrow> <mi>v</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>z</mi> </mrow> </msup> </mrow> </mfrac> <mo>,</mo> </mrow>
其中e为自然对数底数，变量z的计算公式为：
<mrow> <mi>z</mi> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>300</mn> </msubsup> <msub> <mi>GP</mi> <mi>U</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>&amp;times;</mo> <msub> <mi>W</mi> <mi>L</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>+</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>300</mn> </msubsup> <msub> <mi>GP</mi> <mi>G</mi> </msub> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>&amp;times;</mo> <msub> <mi>W</mi> <mi>L</mi> </msub> <mo>&amp;lsqb;</mo> <mn>300</mn> <mo>+</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>.</mo> </mrow>
8.如权利要求1所述的系统，其特征在于，所述学习模型参数迭代优化，具体如下：
构造出损失函数如下：
<mrow> <mi>L</mi> <mrow> <mo>(</mo> <mi>&amp;Theta;</mi> <mo>,</mo> <msubsup> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>+</mo> </msubsup> <mo>,</mo> <msubsup> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>-</mo> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mi>T</mi> <mo>|</mo> </mrow> </mfrac> <mo>(</mo> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <msubsup> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>+</mo> </msubsup> </mrow> </munder> <mi>v</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <msubsup> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>-</mo> </msubsup> </mrow> </munder> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <mi>v</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>,</mo> </mrow>
其中Θ＝{WU,WG,SWU,LWU,SWG,LWG,WL}为所述学习模型中各权重参数所构成的集合，和分别为所述训练样本集合T中的正负样本集合，|T|为T所包含的训练样本数量，v(t)为以训练样本t为输入，利用学习模型最终产生的0-1间的输出值。
9.如权利要求8所述的系统，其特征在于，基于训练样本集合T，接着分别利用随机梯度下降(SGD：Stochastic Gradient Descent，该方法本身已为现有技术)、自适应矩估计(Adam：Adaptive Moment Estimation，该方法本身已为现有技术)、涅斯捷罗夫动量(NM：Nesterov Momentum，该方法本身已为现有技术)以及自适应梯度(AG：Adaptive Gradient，该方法本身已为现有技术)这四个优化方法对最小化损失函数的取值进行万次迭代优化，从而，分别得出这4个优化方法所对应的损失函数值，然后选择具有最小损失函数值的优化方法作为学习模型的优化方法。
10.如权利要求1所述的系统，其特征在于，所述在线推荐模块具体实施如下：对于新注册的用户首先获取的用户特征列表以及推荐系统中的物品集合GS，接着，对于GS中的每个物品η，获取它的物品特征列表C(η)，并将和C(η)输入到模型1中构造的带注意力机制的深度卷积神经网络学习模型中，从而得到用户购买物品η的概率，即学习模型的输出值v。当物品集合GS中的所有物品均处理完毕之后，将概率值最大的前若干个物品返回给用户。
CN201710227915.XA 2017-04-10 2017-04-10 一种社交网络下基于深度学习的个性化推荐系统 Active CN107145518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710227915.XA CN107145518B (zh) 2017-04-10 2017-04-10 一种社交网络下基于深度学习的个性化推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710227915.XA CN107145518B (zh) 2017-04-10 2017-04-10 一种社交网络下基于深度学习的个性化推荐系统

Publications (2)

Publication Number Publication Date
CN107145518A true CN107145518A (zh) 2017-09-08
CN107145518B CN107145518B (zh) 2020-04-14

Family

ID=59773701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710227915.XA Active CN107145518B (zh) 2017-04-10 2017-04-10 一种社交网络下基于深度学习的个性化推荐系统

Country Status (1)

Country Link
CN (1) CN107145518B (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010514A (zh) * 2017-11-20 2018-05-08 四川大学 一种基于深度神经网络的语音分类方法
CN108460679A (zh) * 2018-02-28 2018-08-28 电子科技大学 融合注意力机制的深度网络智能投资系统数据分析方法
CN108564414A (zh) * 2018-04-23 2018-09-21 帷幄匠心科技（杭州）有限公司 基于线下行为的商品推荐方法和系统
CN109087130A (zh) * 2018-07-17 2018-12-25 深圳先进技术研究院 一种基于注意力机制的推荐系统及推荐方法
CN109299396A (zh) * 2018-11-28 2019-02-01 东北师范大学 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
CN109359247A (zh) * 2018-12-07 2019-02-19 广州市百果园信息技术有限公司 内容推送方法及存储介质、计算机设备
CN109359140A (zh) * 2018-11-30 2019-02-19 苏州大学 一种基于自适应注意力的序列推荐方法及装置
CN109410079A (zh) * 2018-09-13 2019-03-01 清华大学 最优有限注意力下的社交推荐方法及装置
CN109871504A (zh) * 2019-01-24 2019-06-11 中国科学院软件研究所 一种基于异构信息网络与深度学习的课程推荐系统
CN110008404A (zh) * 2019-03-22 2019-07-12 成都理工大学 基于nag动量优化的隐语义模型优化方法
CN110019939A (zh) * 2017-12-28 2019-07-16 Tcl集团股份有限公司 视频热度预测方法、装置、终端设备及介质
CN110033097A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 基于多个数据域确定用户与物品的关联关系的方法及装置
CN110197386A (zh) * 2018-04-12 2019-09-03 腾讯科技（深圳）有限公司 媒体资源推送方法和装置、存储介质及电子装置
CN110427568A (zh) * 2019-07-25 2019-11-08 成都品果科技有限公司 一种基于信息的协同注意力推介系统、方法和装置
CN110502701A (zh) * 2019-07-08 2019-11-26 华南师范大学 引入注意力机制的好友推荐方法、系统和存储介质
CN110765260A (zh) * 2019-10-18 2020-02-07 北京工业大学 一种基于卷积神经网络与联合注意力机制的信息推荐方法
CN110765273A (zh) * 2019-09-17 2020-02-07 北京三快在线科技有限公司 推荐文案生成方法、装置、电子设备及可读存储介质
CN110796504A (zh) * 2018-08-03 2020-02-14 京东数字科技控股有限公司 物品推荐方法和装置
CN111125338A (zh) * 2019-11-08 2020-05-08 中山赛伯坦智能科技有限公司 一种基于卷积神经网络的图书采购推荐方法及装置
WO2020211566A1 (zh) * 2019-04-18 2020-10-22 腾讯科技（深圳）有限公司 一种用户推荐方法和装置以及计算设备和存储介质
CN112000819A (zh) * 2019-05-27 2020-11-27 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN112328893A (zh) * 2020-11-25 2021-02-05 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法
CN112487278A (zh) * 2019-09-11 2021-03-12 华为技术有限公司 推荐模型的训练方法、预测选择概率的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140280214A1 (en) * 2013-03-15 2014-09-18 Yahoo! Inc. Method and system for multi-phase ranking for content personalization
CN104992179A (zh) * 2015-06-23 2015-10-21 浙江大学 一种基于精粒度卷积神经网络的衣物推荐方法
CN106096015A (zh) * 2016-06-24 2016-11-09 北京理工大学 一种基于大数据双向推荐的深度学习方法及双向推荐装置
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140280214A1 (en) * 2013-03-15 2014-09-18 Yahoo! Inc. Method and system for multi-phase ranking for content personalization
CN104992179A (zh) * 2015-06-23 2015-10-21 浙江大学 一种基于精粒度卷积神经网络的衣物推荐方法
CN106096015A (zh) * 2016-06-24 2016-11-09 北京理工大学 一种基于大数据双向推荐的深度学习方法及双向推荐装置
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨天祺等: "改进卷积神经网络在分类与推荐中的实例应用", 《计算机应用研究》 *

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010514A (zh) * 2017-11-20 2018-05-08 四川大学 一种基于深度神经网络的语音分类方法
CN108010514B (zh) * 2017-11-20 2021-09-10 四川大学 一种基于深度神经网络的语音分类方法
CN110019939A (zh) * 2017-12-28 2019-07-16 Tcl集团股份有限公司 视频热度预测方法、装置、终端设备及介质
CN108460679A (zh) * 2018-02-28 2018-08-28 电子科技大学 融合注意力机制的深度网络智能投资系统数据分析方法
CN110197386B (zh) * 2018-04-12 2022-02-08 腾讯科技（深圳）有限公司 媒体资源推送方法和装置、存储介质及电子装置
CN110197386A (zh) * 2018-04-12 2019-09-03 腾讯科技（深圳）有限公司 媒体资源推送方法和装置、存储介质及电子装置
CN108564414A (zh) * 2018-04-23 2018-09-21 帷幄匠心科技（杭州）有限公司 基于线下行为的商品推荐方法和系统
CN109087130A (zh) * 2018-07-17 2018-12-25 深圳先进技术研究院 一种基于注意力机制的推荐系统及推荐方法
CN110796504A (zh) * 2018-08-03 2020-02-14 京东数字科技控股有限公司 物品推荐方法和装置
CN110796504B (zh) * 2018-08-03 2023-11-03 京东科技控股股份有限公司 物品推荐方法和装置
CN109410079A (zh) * 2018-09-13 2019-03-01 清华大学 最优有限注意力下的社交推荐方法及装置
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
CN109299396B (zh) * 2018-11-28 2020-11-06 东北师范大学 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN109299396A (zh) * 2018-11-28 2019-02-01 东北师范大学 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN109359140A (zh) * 2018-11-30 2019-02-19 苏州大学 一种基于自适应注意力的序列推荐方法及装置
CN109359140B (zh) * 2018-11-30 2022-09-09 苏州大学 一种基于自适应注意力的序列推荐方法及装置
CN109359247A (zh) * 2018-12-07 2019-02-19 广州市百果园信息技术有限公司 内容推送方法及存储介质、计算机设备
CN109871504A (zh) * 2019-01-24 2019-06-11 中国科学院软件研究所 一种基于异构信息网络与深度学习的课程推荐系统
CN109871504B (zh) * 2019-01-24 2020-09-29 中国科学院软件研究所 一种基于异构信息网络与深度学习的课程推荐系统
CN110033097A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 基于多个数据域确定用户与物品的关联关系的方法及装置
CN110008404A (zh) * 2019-03-22 2019-07-12 成都理工大学 基于nag动量优化的隐语义模型优化方法
CN110008404B (zh) * 2019-03-22 2022-08-23 成都理工大学 基于nag动量优化的隐语义模型优化方法
WO2020211566A1 (zh) * 2019-04-18 2020-10-22 腾讯科技（深圳）有限公司 一种用户推荐方法和装置以及计算设备和存储介质
CN112000819A (zh) * 2019-05-27 2020-11-27 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN112000819B (zh) * 2019-05-27 2023-07-11 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN110502701A (zh) * 2019-07-08 2019-11-26 华南师范大学 引入注意力机制的好友推荐方法、系统和存储介质
CN110427568A (zh) * 2019-07-25 2019-11-08 成都品果科技有限公司 一种基于信息的协同注意力推介系统、方法和装置
CN112487278A (zh) * 2019-09-11 2021-03-12 华为技术有限公司 推荐模型的训练方法、预测选择概率的方法及装置
WO2021047593A1 (zh) * 2019-09-11 2021-03-18 华为技术有限公司 推荐模型的训练方法、预测选择概率的方法及装置
CN110765273B (zh) * 2019-09-17 2020-12-18 北京三快在线科技有限公司 推荐文案生成方法、装置、电子设备及可读存储介质
CN110765273A (zh) * 2019-09-17 2020-02-07 北京三快在线科技有限公司 推荐文案生成方法、装置、电子设备及可读存储介质
CN110765260A (zh) * 2019-10-18 2020-02-07 北京工业大学 一种基于卷积神经网络与联合注意力机制的信息推荐方法
CN111125338A (zh) * 2019-11-08 2020-05-08 中山赛伯坦智能科技有限公司 一种基于卷积神经网络的图书采购推荐方法及装置
CN112328893B (zh) * 2020-11-25 2022-08-02 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法
CN112328893A (zh) * 2020-11-25 2021-02-05 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法

Also Published As

Publication number Publication date
CN107145518B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN107145518A (zh) 一种社交网络下基于深度学习的个性化推荐系统
Ma et al. Machine learning and AI in marketing–Connecting computing power to human insights
Abu-Taieh et al. Continued intention to use of M-Banking in Jordan by integrating UTAUT, TPB, TAM and service quality with ML
Liu et al. Personality or value: A comparative study of psychographic segmentation based on an online review enhanced recommender system
Sorensen et al. Millennial perceptions of fast fashion and second-hand clothing: an exploration of clothing preferences using Q methodology
CN111428147B (zh) 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
Nilashi et al. A hybrid method with TOPSIS and machine learning techniques for sustainable development of green hotels considering online reviews
Sakas et al. Multichannel digital marketing optimizations through big data analytics in the tourism and hospitality industry
Abdul Hussien et al. An e-commerce recommendation system based on dynamic analysis of customer behavior
CN107038609A (zh) 一种基于深度学习的商品推荐方法及系统
Lee et al. A multi-period product recommender system in online food market based on recurrent neural networks
CN105117422A (zh) 智能社交网络推荐系统
Bae et al. Technology-based strategies for online secondhand platforms promoting sustainable retailing
CN107103499A (zh) 一种基于深度学习的跨站点冷启动推荐方法
Furquim et al. The different phases of the omnichannel consumer buying journey: a systematic literature review and future research directions
Baek et al. An exploratory study of consumers’ perceptions of product types and factors affecting purchase intentions in the subscription economy: 99 subscription business cases
CN113379494A (zh) 基于异质社交关系的商品推荐方法、装置和电子设备
Ou et al. A study on the influence of conformity behaviors, perceived risks, and customer engagement on group buying intention: A case study of community e-commerce platforms
Zhang et al. Personal interest attention graph neural networks for session-based recommendation
Chen et al. Enhancing retail transactions: A data-driven recommendation using modified RFM analysis and association rules mining
Huang et al. The moderating effect of green advertising on the relationship between gamification and sustainable consumption behavior: A case study of the Ant Forest social media app
Ong et al. Purchasing intentions analysis of hybrid cars using random forest classifier and deep learning
Jeong et al. An empirical investigation of personalized recommendation and reward effect on customer behavior: a stimulus–organism–response (SOR) model perspective
Dudziak et al. Analysis of consumer behaviour in the context of the place of purchasing food products with particular emphasis on local products
Salampasis et al. A Flexible Session-Based Recommender System for e-Commerce

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