CN108090093B - 生成推荐结果的方法和装置 - Google Patents

生成推荐结果的方法和装置 Download PDF

Info

Publication number
CN108090093B
CN108090093B CN201611043770.XA CN201611043770A CN108090093B CN 108090093 B CN108090093 B CN 108090093B CN 201611043770 A CN201611043770 A CN 201611043770A CN 108090093 B CN108090093 B CN 108090093B
Authority
CN
China
Prior art keywords
user
article
neural network
hidden vector
vector
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
CN201611043770.XA
Other languages
English (en)
Other versions
CN108090093A (zh
Inventor
成杰峰
李震国
何秀强
林达华
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201611043770.XA priority Critical patent/CN108090093B/zh
Priority to PCT/CN2017/092828 priority patent/WO2018095049A1/zh
Publication of CN108090093A publication Critical patent/CN108090093A/zh
Priority to US15/993,288 priority patent/US20180276542A1/en
Application granted granted Critical
Publication of CN108090093B publication Critical patent/CN108090093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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
    • G06Q30/0241—Advertisements
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种生成推荐结果的方法和装置。该方法包括：获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的物品隐向量和所述至少一个用户中每个用户的用户隐向量；根据所述物品隐向量和所述用户隐向量，确定对所述每个用户的推荐结果。本发明实施例的生成推荐结果的方法和装置，能够提高推荐结果的准确性，从而提高用户体验。

Description

生成推荐结果的方法和装置
技术领域
本发明实施例涉及电子服务领域，更具体地，涉及生成推荐结果的方法和装置。
背景技术
在过去的十年里，网络和电子商务平台的迅猛发展带来了大量的商业数据(用户信息、物品信息和打分信息)。通过对这些数据的分析，可以预测出用户喜爱的物品并为其推荐。推荐算法已被广泛地运用到了商业系统中，例如亚马逊(Amazon)、网飞公司(Netflix)等等，并带来了大量创收。
生成推荐结果的方法主要包括基于内容的推荐、基于协同过滤的推荐和混合型推荐。基于内容的推荐主要依赖于内容的特征表示，并按照特征相似度，以由大到小的顺序生成推荐列表。建立在此方法上，也有一些工作通过加入补充信息(例如用户的元数据)来提高推荐的准确性。另一方面，基于协同过滤的推荐利用了用户与物品之间的交互关系。一种常用的协同过滤方法是通过矩阵分解同时得到用户和物品的隐式信息，并通过它们的点乘来计算两者的匹配度。研究表明，基于协同过滤的推荐往往比基于内容的推荐更加准确，因为前者直接针对推荐任务。但是，该方法在实践中往往会受到冷启动问题的限制。在缺少足量的用户历史信息的情况下，很难去精准地推荐物品。这些问题推动了混合型推荐系统的研究，将不同方面的信息结合起来可以获得更好的推荐效果。然而，传统的混合推荐依然存在特征表达性不足，对新物品的推荐能力不佳等问题。
协同深度学习(Collaborative Deep Learning，简称为“CDL”)是现有的混合生成推荐结果的方法中的一个代表性方法，该方法通过堆栈式自编码器(Stacked DenoisingAutoencoders，简称为“SDAE”)对物品内容信息进行编码，得到初始物品隐向量，再将物品隐向量与打分矩阵结合，通过优化得到最终的物品隐向量和用户隐向量。但是，在CDL方法中，用户表示仍然是通过矩阵分解获得的，导致用户的隐向量表达能力不足，最终获得的推荐结果精度不高。
发明内容
有鉴于此，本发明实施例提供了一种生成推荐结果的方法和装置，能够提高推荐结果的准确性。
第一方面，提供了一种生成推荐结果的方法，包括：获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量；根据所述目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
具体地，可以先获取至少一个物品的物品内容信息以及至少一个用户对该至少一个物品的打分信息，可选地，该打分信息可以是矩阵的形式，然后，采用物品神经网络和用户神经网络对该物品内容信息和该用户打分信息分别进行编码，获得该至少一个物品对应的目标物品隐向量和该至少一个用户对应的目标用户隐向量，最后根据该目标物品隐向量和目标用户隐向量计算推荐结果。
可选地，根据该目标物品隐向量和该目标用户隐向量计算推荐结果，包括：计算该该目标物品隐向量和该目标用户隐向量的点乘。针对具体的用户而言，将该用户的用户隐向量和所有物品隐向量分别计算点乘，将计算结果从大到小进行排序，将排序在前面的物品推荐给该用户，本发明实施例对此不作限定。
应理解，上述物品神经网络和用户神经网络可以称为基于协同深度嵌入(Collaborative Deep Embedding，简称为“CDE”)的对偶网络，但本发明实施例对此不作限定。
本发明实施例的生成推荐结果的方法，通过采用物品神经网络和用户神经网络分别对物品内容信息和用户打分信息进行编码，获得目标物品隐向量和目标用户隐向量，进而计算出推荐结果，这样能够充分利用物品内容信息和用户打分信息，提高推荐结果的准确性，从而提高用户体验。
在第一方面的第一种可能的实现方式中，所述物品神经网络和所述用户神经网络以N层感知机作为基础架构，且所述物品神经网络和所述用户神经网络均为N层，所述采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量，包括：在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；将所述第一物品隐向量和所述第一用户隐向量分别传递至所述物品神经网络的第二层和所述用户神经网络的第二层进行编码；在所述物品神经网络的第k层和所述用户神经网络的第k层对第k-1物品隐向量和第k-1用户隐向量进行编码，获得第k物品隐向量和第k用户隐向量；将所述第k物品隐向量和所述第k用户隐向量分别传递至所述物品神经网络的第k+1层和所述用户神经网络的第k+1层进行编码；在所述物品神经网络的第N层和所述用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，获得第N物品隐向量和第N用户隐向量；将所述第N物品隐向量和所述第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量；其中，N为大于或等于1的整数，k为取遍大于1且小于N的整数。
这样，由于高层的神经网络能够对前面的信息进行提炼，从而可以产生更加有效的信息，提高推荐结果的准确性。
结合第一方面的上述可能的实现方式，在第一方面的第二种可能的实现方式中，所述在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量，包括：在所述物品神经网络的第一层和所述用户神经网络的第一层，分别对所述物品内容信息和所述用户打分信息进行线性转换；分别对线性转换后的所述物品内容信息和所述用户打分信息进行非线性转换，获得所述第一物品隐向量和所述第一用户隐向量。
具体地，在多层感知机的第一层中，对物品内容信息和用户打分信息的处理可以分为两个步骤：先分别对物品内容信息和用户打分信息进行线性转换，再分别对线性转换后的物品内容信息和用户打分信息进行非线性转换，从而获得第一物品隐向量和第一用户隐向量。
应理解，用户打分信息一般情况下为一个高维稀疏向量，需要通过在用户神经网络的第一层进行线性转换，将高维稀疏向量转换为低维稠密向量。此外，在多层感知机的每一层都可以对输入信息先经过线性转换，再经过非线性转换，本发明实施例对此不作限定。
结合第一方面的上述可能的实现方式，在第一方面的第三种可能的实现方式中，所述物品神经网络的每一层和所述用户神经网络每一层均采用tanh函数作为非线性激活函数。
结合第一方面的上述可能的实现方式，在第一方面的第四种可能的实现方式中，所述方法还包括：获取所述至少一个用户中的第二用户的新增用户打分信息，所述新增用户打分信息为所述第二用户对所述至少一个物品中的第一物品的新增打分；根据所述新增用户打分信息，更新所述第二用户的用户打分信息；采用所述用户神经网络对所述第二用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
结合第一方面的上述可能的实现方式，在第一方面的第五种可能的实现方式中，所述方法还包括：获取新增物品的物品内容信息；采用所述物品神经网络对所述新增物品的物品内容信息进行编码，获得所述新增物品的目标物品隐向量；根据所述新增物品的目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
结合第一方面的上述可能的实现方式，在第一方面的第六种可能的实现方式中，所述方法还包括：获取所述至少一个用户中的第三用户的新增用户打分信息，所述新增用户打分信息为所述第三用户对所述新增物品的打分信息；更新所述第三用户对所述至少一个物品中第二物品的用户打分信息，所述第二物品与所述新增物品的目标物品隐向量相似度最大；采用所述用户神经网络对所述第三用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
具体地，当系统中增加新的物品和/或新的用户打分信息时，该对偶网络可以利用新增加的信息作出相应的推荐结果。具体情况可以分为上述三种：
(1)增加用户对已知物品的打分信息，对于这种情况，需要直接对该用户的打分信息进行更新，利用已经训练好的用户神经网络重新进行编码，进而重新计算推荐结果。
(2)增加新的物品，对于这种情况，需要获取新增物品的物品内容信息，利用已经训练好的物品神经网络对新增物品的物品内容信息进行编码，获得新增物品的目标物品隐向量，进而重新计算推荐结果；
(3)增加用户对新增物品的打分信息，对于这种情况，需要先获取新增物品的目标物品隐向量，再对已知物品中隐向量相似度与该新增物品的隐向量相似度最大的物品的打分信息进行更新，从而根据新的打分信息对该用户重新进行编码，计算推荐结果。
结合第一方面的上述可能的实现方式，在第一方面的第七种可能的实现方式中，在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，所述方法还包括：采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；采用随机参数预训练所述用户神经网络。
结合第一方面的上述可能的实现方式，在第一方面的第八种可能的实现方式中，在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，所述方法还包括：采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练。
具体地，在获取推荐结果之前，可以先对上述物品神经网络和用户神经网络进行训练，本发明实施例采用协同训练的方法，分为预训练和优化两步。在预训练的过程中，采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；采用随机参数预训练所述用户神经网络。在优化的过程中，采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练。
这样，通过目标函数求得的损失值，将分别针对物品和用户得到两组梯度，两组梯度将分别被传回对应的网络中。网络的多层交互设计，使得每个网络的训练都能影响到另一个网络，从而通过协同网络训练算法使两个神经网络得到同时训练，提高优化效率。
结合第一方面的上述可能的实现方式，在第一方面的第九种可能的实现方式中，所述采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练，包括：计算所述第p物品隐向量和所述第p用户隐向量的点乘，作为所述N层感知机中第p层感知机的输出结果，p取遍大于或等于1且小于或等于N的整数；整合所述N层感知机中每一层感知机的输出结果；将所述输出结果与所述用户打分信息进行比较，优化所述物品神经网络和所述用户神经网络的网络参数。
具体地，对于多层感知机的每一层，都可以生成一个输出结果，例如，对于第p层而言，计算第p物品隐向量和第p用户隐向量的点乘，作为第p层的输出结果。这样，可以将每一层的输出结果进行整合，从而对网络参数进行优化。
应理解，上述多层感知机的不同层的编码结果具有互补性。一方面，靠近输入端的低层产生的向量可以保留更多信息；另一方面，高层的神经网络可以提炼信息，产生的向量往往更有效。因此，可以通过在多个层之间进行耦合来利用这种互补性，能够有效提高了预测精度。
可选地，所述整合所述N层感知机中每一层感知机的输出结果，包括：将所述每一层感知机的输出结果相加。
结合第一方面的上述可能的实现方式，在第一方面的第十种可能的实现方式中，所述优化训练的目标函数为：
Figure GDA0002742655360000061
其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure GDA0002742655360000062
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure GDA0002742655360000063
为由ri得到的单位向量，
Figure GDA0002742655360000064
为
Figure GDA0002742655360000065
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
具体地，假定有m个用户和n个物品，分别用i和j来表示索引。用xj表示第j件物品的内容信息。打分矩阵Rm×n包含所有已知用户对物品打分的历史信息。Rij为1代表用户i与物品j之间存在正关系；Rij为0代表用户i与物品j之间存在负关系，或关系未知。本发明实施例利用物品内容信息X和打分矩阵Rm×n，将用户和物品分别编码成具有相同维度的隐向量，其中，每一个用户的隐向量为ui＝g(Vri；Wu)，每一个物品的隐向量为vj＝f(xj；Wv)。最后，计算用户隐向量和物品隐向量之间的点乘，将结果与真实值Rij进行比较，对网络参数进行优化。
第二方面，提供了一种生成推荐结果的装置，用于执行上述第一方面或第一方面的任意可能的实现方式中的方法。具体地，该装置包括用于执行上述第一方面或第一方面的任意可能的实现方式中的方法的单元。
第三方面，提供了一种生成推荐结果的装置，该装置包括：接收器、发送器、存储器、处理器和总线系统。其中，该接收器、该发送器、该存储器和该处理器通过该总线系统相连，该存储器用于存储指令，该处理器用于执行该存储器存储的指令，以控制接收器接收信号，并控制发送器发送信号，并且当该处理器执行该存储器存储的指令时，该执行使得该处理器执行第一方面或第一方面的任意可能的实现方式中的方法。
第四方面，提供了一种计算机可读介质，用于存储计算机程序，该计算机程序包括用于执行第一方面或第一方面的任意可能的实现方式中的方法的指令。
附图说明
图1为本发明实施例提供的生成推荐结果的方法的示意性流程图。
图2为本发明实施例提供的另一生成推荐结果的方法的示意性流程图。
图3为本发明实施例提供的生成推荐结果的装置的示意性框图。
图4为本发明实施例提供的另一生成推荐结果的装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
图1示出了本发明实施例提供的生成推荐结果的方法100的示意性流程图。本发明实施例的方法100可以通过任意计算节点来实现，对此本发明实施例不作限定。
S110，获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；
S120，采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量；
S130，根据所述目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
具体地，可以先获取至少一个物品的物品内容信息以及至少一个用户对该至少一个物品的打分信息，可选地，该打分信息可以是矩阵的形式，然后，采用物品神经网络和用户神经网络对该物品内容信息和该用户打分信息分别进行编码，获得该至少一个物品对应的目标物品隐向量和该至少一个用户对应的目标用户隐向量，最后根据该目标物品隐向量和目标用户隐向量计算推荐结果。
可选地，根据该目标物品隐向量和该目标用户隐向量计算推荐结果，包括：计算该该目标物品隐向量和该目标用户隐向量的点乘。针对具体的用户而言，将该用户的用户隐向量和所有物品隐向量分别计算点乘，将计算结果从大到小进行排序，将排序在前面的物品推荐给该用户，本发明实施例对此不作限定。
上述物品神经网络和用户神经网络可以称为基于协同深度嵌入(CollaborativeDeep Embedding，简称为“CDE”)的对偶网络，但本发明实施例对此不作限定。
应理解，上述方法采用了对偶嵌入和非线性的深度网络，利用物品内容信息和用户打分信息分别进行编码，得到目标物品隐向量和目标用户隐向量。
协同深度学习(Collaborative Deep Learning，简称为“CDL”)方法通过堆栈式自编码器(Stacked Denoising Autoencoders，简称为“SDAE”)对物品内容信息进行编码，得到初始物品隐向量，再将物品隐向量与打分矩阵结合，通过优化得到最终的物品隐向量和用户隐向量。但是，在CDL方法中，用户表示仍然是通过矩阵分解获得的，导致用户的隐向量表达能力不足，最终获得的推荐结果精度不高。
而在本发明实施例中，通过采用物品神经网络和用户神经网络分别对物品内容信息和用户打分信息进行编码，获得目标物品隐向量和目标用户隐向量，进而计算出推荐结果，这样能够充分利用物品内容信息和用户打分信息，提高推荐结果的准确性，从而提高用户体验。
作为一个可选的实施例，所述物品神经网络和所述用户神经网络以N层感知机作为基础架构，且所述物品神经网络和所述用户神经网络均为N层，
所述采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量，包括：
在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；
将所述第一物品隐向量和所述第一用户隐向量分别传递至所述物品神经网络的第二层和所述用户神经网络的第二层进行编码；
在所述物品神经网络的第k层和所述用户神经网络的第k层对第k-1物品隐向量和第k-1用户隐向量进行编码，获得第k物品隐向量和第k用户隐向量；
将所述第k物品隐向量和所述第k用户隐向量分别传递至所述物品神经网络的第k+1层和所述用户神经网络的第k+1层进行编码；
在所述物品神经网络的第N层和所述用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，获得第N物品隐向量和第N用户隐向量；
将所述第N物品隐向量和所述第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量；
其中，N为大于或等于1的整数，k为取遍大于1且小于N的整数。
具体地，上述对偶网络可以以多层感知机作为基础架构，在物品神经网络的每一层和用户神经网络的每一层分别对传递过来的信息进行编码。例如，该物品神经网络和该用户神经网络均为N层，那么在该物品神经网络的第一层和该用户神经网络的第一层，分别对获取的物品内容信息和用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；然后，将编码结果，即第一物品隐向量和第一用户隐向量，分别传递到该物品神经网络的第二层和该用户神经网络的第二层；在该物品神经网络的第二层和该用户神经网络的第二层分别对该第一物品隐向量和该第一用户隐向量进行编码，获得第二物品隐向量和第二用户隐向量，再将该第二物品隐向量和该第二用户隐向量，分别传递到该物品神经网络的第三层和该用户神经网络的第三层，以此类推，在该物品神经网络的第N层和该用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，将获得的第N物品隐向量和第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量。
这样，由于高层的神经网络能够对前面的信息进行提炼，从而可以产生更加有效的信息，提高推荐结果的准确性。
作为一个可选的实施例，所述在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量，包括：
在所述物品神经网络的第一层和所述用户神经网络的第一层，分别对所述物品内容信息和所述用户打分信息进行线性转换；
分别对线性转换后的所述物品内容信息和所述用户打分信息进行非线性转换，获得所述第一物品隐向量和所述第一用户隐向量。
具体地，在多层感知机的第一层中，对物品内容信息和用户打分信息的处理可以分为两个步骤：先分别对物品内容信息和用户打分信息进行线性转换，再分别对线性转换后的物品内容信息和用户打分信息进行非线性转换，从而获得第一物品隐向量和第一用户隐向量。
应理解，用户打分信息一般情况下为一个高维稀疏向量，需要通过在用户神经网络的第一层进行线性转换，将高维稀疏向量转换为低维稠密向量。此外，在多层感知机的每一层都可以对输入信息先经过线性转换，再经过非线性转换，本发明实施例对此不作限定。
作为一个可选的实施例，所述物品神经网络的每一层和所述用户神经网络每一层均采用tanh函数作为非线性激活函数。
应理解，采用tanh函数仅仅是一个优选的实施方式，在本发明实施例中，还可以采用其他函数作为非线性激活函数，本发明实施例对此不作限定。
作为一个可选的实施例，所述方法还包括：
获取所述至少一个用户中的第二用户的新增用户打分信息，所述新增用户打分信息为所述第二用户对所述至少一个物品中的第一物品的新增打分；
根据所述新增用户打分信息，更新所述第二用户的用户打分信息；
采用所述用户神经网络对所述第二用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；
根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
作为一个可选的实施例，所述方法还包括：
获取新增物品的物品内容信息；
采用所述物品神经网络对所述新增物品的物品内容信息进行编码，获得所述新增物品的目标物品隐向量；
根据所述新增物品的目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
作为一个可选的实施例，所述方法还包括：
获取所述至少一个用户中的第三用户的新增用户打分信息，所述新增用户打分信息为所述第三用户对所述新增物品的打分信息；
更新所述第三用户对所述至少一个物品中第二物品的用户打分信息，所述第二物品与所述新增物品的目标物品隐向量相似度最大；
采用所述用户神经网络对所述第三用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；
根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
具体地，当系统中增加新的物品和/或新的用户打分信息时，该对偶网络可以利用新增加的信息作出相应的推荐结果。具体情况可以分为上述三种：
(1)增加用户对已知物品的打分信息，对于这种情况，需要直接对该用户的打分信息进行更新，利用已经训练好的用户神经网络重新进行编码，进而重新计算推荐结果。
(2)增加新的物品，对于这种情况，需要获取新增物品的物品内容信息，利用已经训练好的物品神经网络对新增物品的物品内容信息进行编码，获得新增物品的目标物品隐向量，进而重新计算推荐结果；
(3)增加用户对新增物品的打分信息，对于这种情况，需要先获取新增物品的目标物品隐向量，再对已知物品中隐向量相似度与该新增物品的隐向量相似度最大的物品的打分信息进行更新，从而根据新的打分信息对该用户重新进行编码，计算推荐结果。
在一种具体的实现中，假设存在m个用户和n件物品，新增加第i个用户对第q件物品的打分信息，i小于或等于m，q大于n，若隐向量相似度与该新增物品的隐向量相似度最大的物品为第k件物品，那么可以将该第k件物品的打分信息Rik更新为Rik+1，继而得到第i个用户的新的打分信息，再使用用户神经网络对该用户重新进行编码，得出新的推荐结果。
作为一个可选的实施例，在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，所述方法还包括：
采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；
采用随机参数预训练所述用户神经网络。
作为一个可选的实施例，在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，所述方法还包括：
采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练。
具体地，在获取推荐结果之前，可以先对上述物品神经网络和用户神经网络进行训练，本发明实施例采用协同训练的方法，分为预训练和优化两步。在预训练的过程中，采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；采用随机参数预训练所述用户神经网络。在优化的过程中，采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练。
这样，通过目标函数求得的损失值，将分别针对物品和用户得到两组梯度，两组梯度将分别被传回对应的网络中。网络的多层交互设计，使得每个网络的训练都能影响到另一个网络，从而通过协同网络训练算法使两个神经网络得到同时训练，提高优化效率。
此外，对于不断增加新的信息的情况，当新的信息积攒到一定数量时，系统需要更新上述物品神经网络以及用户神经网络的网络参数，以便做出更准确的预测。对于新增加的信息，可以使用对偶小批量梯度下降的训练方法，这样能够缩短网络参数更新时间。
作为一个可选的实施例，所述采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练，包括：
计算所述第p物品隐向量和所述第p用户隐向量的点乘，作为所述N层感知机中第p层感知机的输出结果，p取遍大于或等于1且小于或等于N的整数；
整合所述N层感知机中每一层感知机的输出结果；
将所述输出结果与所述用户打分信息进行比较，获得所述推荐结果。
具体地，对于多层感知机的每一层，都可以生成一个输出结果，例如，对于第p层而言，计算第p物品隐向量和第p用户隐向量的点乘，作为第p层的输出结果。这样，可以将每一层的输出结果进行整合，从而对网络参数进行优化。
应理解，上述多层感知机的不同层的编码结果具有互补性。一方面，靠近输入端的低层产生的向量可以保留更多信息；另一方面，高层的神经网络可以提炼信息，产生的向量往往更有效。因此，可以通过在多个层之间进行耦合来利用这种互补性，能够有效提高了预测精度。
可选地，所述整合所述N层感知机中每一层感知机的输出结果，包括：将所述每一层感知机的输出结果相加。
作为一个可选的实施例，所述优化训练的目标函数为：
Figure GDA0002742655360000131
其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure GDA0002742655360000132
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure GDA0002742655360000133
为由ri得到的单位向量，
Figure GDA0002742655360000134
为
Figure GDA0002742655360000135
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
具体地，假定有m个用户和n个物品，分别用i和j来表示索引。用xj表示第j件物品的内容信息。打分矩阵Rm×n包含所有已知用户对物品打分的历史信息。Rij为1代表用户i与物品j之间存在正关系；Rij为0代表用户i与物品j之间存在负关系，或关系未知。本发明实施例利用物品内容信息X和打分矩阵Rm×n，将用户和物品分别编码成具有相同维度的隐向量，其中，每一个用户的隐向量为ui＝g(Vri；Wu)，每一个物品的隐向量为vj＝f(xj；Wv)。最后，计算用户隐向量和物品隐向量之间的点乘，将结果与真实值Rij进行比较，对网络参数进行优化。
综上所述，本发明实施例的生成推荐结果的方法，分别利用物品内容信息和用户打分矩阵，集中提高打分矩阵的预测精度，并将目标函数简化为一项表达式，该方法利用了协同网络训练算法一起训练得到的两个深度网络，对新物品和现有物品均可以使用物品隐向量，计算出任何用户对任何物品的推荐分数，提高用户体验。
图2示出了本发明实施例提供的另一生成推荐结果的方法200的示意性流程图。本发明实施例的方法200可以通过任意计算节点来实现，对此本发明实施例不作限定。
在S201中，将至少一个物品的物品内容信息以及至少一个用户对该至少一个物品的用户打分信息分别作为物品神经网络和用户神经网络的输入；
在S202中，在该物品神经网络和该用户神经网络中分别将该物品内容信息和该用户打分信息转化为向量的形式；
在S203中，在该物品神经网络的第一层和该用户神经网络的第一层分别对向量形式的物品内容信息和用户打分信息进行线性转换；
在S204中，在该物品神经网络的第一层和该用户神经网络的第一层分别将线性转换后的物品内容信息和线性转换后的用户打分信息进行非线性转换，获得第一物品隐向量和第一用户隐向量；
在S205中，计算该第一物品隐向量和该第一用户隐向量的点乘；
在S206中，在该物品神经网络的第二层和该用户神经网络的第二层分别对该第一物品隐向量和该第一用户隐向量进行线性转换；
在S207中，在该物品神经网络的第二层和该用户神经网络的第二层分别将线性转换后的第一物品隐向量和线性转换后的第一用户隐向量进行非线性转换，获得第二物品隐向量和第二用户隐向量；
在S208中，计算该第二物品隐向量和该第二用户隐向量的点乘；
在S209中，在该物品神经网络的第三层和该用户神经网络的第三层分别对该第二物品隐向量和该第二用户隐向量进行线性转换；
在S210中，在该物品神经网络的第三层和该用户神经网络的第三层分别将线性转换后的第二物品隐向量和线性转换后的第二用户隐向量进行非线性转换，获得第三物品隐向量和第三用户隐向量；
在S211中，计算该第三物品隐向量和该第三用户隐向量的点乘；
在S212中，将该第一物品隐向量和该第一用户隐向量的点乘、该第二物品隐向量和该第二用户隐向量的点乘以及该第三物品隐向量和该第三用户隐向量的点乘进行整合处理，并与真实值进行比较，采用目标函数
Figure GDA0002742655360000141
对网络参数进行优化，其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure GDA0002742655360000151
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure GDA0002742655360000152
为由ri得到的单位向量，
Figure GDA0002742655360000153
为
Figure GDA0002742655360000154
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
应理解，在优化完成之后，方法200可以包括上述方法100中的各个步骤及流程，用以获得推荐结果，此处不再赘述。
本发明实施例的生成推荐结果的方法，通过采用物品神经网络和用户神经网络分别对物品内容信息和用户打分信息进行编码，获得目标物品隐向量和目标用户隐向量，进而计算出推荐结果，这样能够充分利用物品内容信息和用户打分信息，提高推荐结果的准确性，从而提高用户体验。
应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上文中结合图1至图2，详细描述了根据本发明实施例的生成推荐结果的方法，下面将结合图3至图4，详细描述根据本发明实施例的生成推荐结果的装置。
图3示出了本发明实施例提供的生成推荐结果的装置300，该装置300包括：
获取单元310，用于获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；
编码单元320，用于采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量；
计算单元330，用于根据所述目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
本发明实施例的生成推荐结果的装置，通过采用物品神经网络和用户神经网络分别对物品内容信息和用户打分信息进行编码，获得目标物品隐向量和目标用户隐向量，进而计算出推荐结果，这样能够充分利用物品内容信息和用户打分信息，提高推荐结果的准确性，从而提高用户体验。
可选地，所述物品神经网络和所述用户神经网络以N层感知机作为基础架构，且所述物品神经网络和所述用户神经网络均为N层，所述编码单元320具体用于：在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；将所述第一物品隐向量和所述第一用户隐向量分别传递至所述物品神经网络的第二层和所述用户神经网络的第二层进行编码；在所述物品神经网络的第k层和所述用户神经网络的第k层对第k-1物品隐向量和第k-1用户隐向量进行编码，获得第k物品隐向量和第k用户隐向量；将所述第k物品隐向量和所述第k用户隐向量分别传递至所述物品神经网络的第k+1层和所述用户神经网络的第k+1层进行编码；在所述物品神经网络的第N层和所述用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，获得第N物品隐向量和第N用户隐向量；将所述第N物品隐向量和所述第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量；其中，N为大于或等于1的整数，k为取遍大于1且小于N的整数。
可选地，所述编码单元320具体用于：在所述物品神经网络的第一层和所述用户神经网络的第一层，分别对所述物品内容信息和所述用户打分信息进行线性转换；分别对线性转换后的所述物品内容信息和所述用户打分信息进行非线性转换，获得所述第一物品隐向量和所述第一用户隐向量。
可选地，所述物品神经网络的每一层和所述用户神经网络每一层均采用tanh函数作为非线性激活函数。
可选地，所述获取单元310还用于：获取所述至少一个用户中的第二用户的新增用户打分信息，所述新增用户打分信息为所述第二用户对所述至少一个物品中的第一物品的新增打分；所述装置还包括：第一更新单元，用于根据所述新增用户打分信息，更新所述第二用户的用户打分信息；所述编码单元320还用于：采用所述用户神经网络对所述第二用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；所述计算单元330还用于：根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
可选地，所述获取单元310还用于：获取新增物品的物品内容信息；所述编码单元320还用于：采用所述物品神经网络对所述新增物品的物品内容信息进行编码，获得所述新增物品的目标物品隐向量；所述计算单元330还用于：根据所述新增物品的目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
可选地，所述获取单元310还用于：获取所述至少一个用户中的第三用户的新增用户打分信息，所述新增用户打分信息为所述第三用户对所述新增物品的打分信息；所述装置300还包括：第二更新单元，用于更新所述第三用户对所述至少一个物品中第二物品的用户打分信息，所述第二物品与所述新增物品的目标物品隐向量相似度最大；所述编码单元320还用于：采用所述用户神经网络对所述第三用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；所述计算单元330还用于：根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
可选地，所述装置300还包括：预训练单元，用于在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；采用随机参数预训练所述用户神经网络。
可选地，所述装置300还包括：优化单元，用于在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，采取对偶小批量梯度下降的装置对所述物品神经网络和所述用户神经网络进行优化训练。
可选地，所述计算单元330还用于：计算所述第p物品隐向量和所述第p用户隐向量的点乘，作为所述N层感知机中第p层感知机的输出结果，p取遍大于或等于1且小于或等于N的整数；整合所述N层感知机中每一层感知机的输出结果；将所述输出结果与所述用户打分信息进行比较，优化所述物品神经网络和所述用户神经网络的网络参数。
可选地，所述优化训练的目标函数为：
Figure GDA0002742655360000171
其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure GDA0002742655360000172
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure GDA0002742655360000175
为由ri得到的单位向量，
Figure GDA0002742655360000173
为
Figure GDA0002742655360000174
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
应理解，这里的装置300以功能单元的形式体现。这里的术语“单元”可以指应用特有集成电路(Application Specific Integrated Circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。在一个可选例子中，本领域技术人员可以理解，装置300可以具体为任意的计算节点，装置300可以用于执行上述方法实施例100中的各个流程和/或步骤，为避免重复，在此不再赘述。
图4示出了本发明实施例提供的另一生成推荐结果的装置400。该装置400包括至少一个处理器410、存储器420和通信接口430；所述至少一个处理器410、所述存储器420和所述通信接口430均通过总线440连接；
所述存储器420，用于存储计算机执行指令；
所述至少一个处理器410，用于执行所述存储器420存储的计算机执行指令，使得所述装置400可以通过所述通信接口430与其他装置进行数据交互来执行上述方法实施例提供的生成推荐结果的方法。
其中，该至少一个处理器410用于执行以下操作：
获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；
采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量；
根据所述目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
可选地，所述物品神经网络和所述用户神经网络以N层感知机作为基础架构，且所述物品神经网络和所述用户神经网络均为N层，所述编码单元320具体用于：在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；将所述第一物品隐向量和所述第一用户隐向量分别传递至所述物品神经网络的第二层和所述用户神经网络的第二层进行编码；在所述物品神经网络的第k层和所述用户神经网络的第k层对第k-1物品隐向量和第k-1用户隐向量进行编码，获得第k物品隐向量和第k用户隐向量；将所述第k物品隐向量和所述第k用户隐向量分别传递至所述物品神经网络的第k+1层和所述用户神经网络的第k+1层进行编码；在所述物品神经网络的第N层和所述用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，获得第N物品隐向量和第N用户隐向量；将所述第N物品隐向量和所述第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量；其中，N为大于或等于1的整数，k为取遍大于1且小于N的整数。
可选地，该至少一个处理器410具体用于：在所述物品神经网络的第一层和所述用户神经网络的第一层，分别对所述物品内容信息和所述用户打分信息进行线性转换；分别对线性转换后的所述物品内容信息和所述用户打分信息进行非线性转换，获得所述第一物品隐向量和所述第一用户隐向量。
可选地，所述物品神经网络的每一层和所述用户神经网络每一层均采用tanh函数作为非线性激活函数。
可选地，该至少一个处理器410还用于：获取所述至少一个用户中的第二用户的新增用户打分信息，所述新增用户打分信息为所述第二用户对所述至少一个物品中的第一物品的新增打分；根据所述新增用户打分信息，更新所述第二用户的用户打分信息；采用所述用户神经网络对所述第二用户的用户打分信息重新进行编码，获得新的目标用户隐向量；根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
可选地，该至少一个处理器410还用于：获取新增物品的物品内容信息；采用所述物品神经网络对所述新增物品的物品内容信息进行编码，获得所述新增物品的目标物品隐向量；根据所述新增物品的目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
可选地，该至少一个处理器410还用于：获取所述至少一个用户中的第三用户的新增用户打分信息，所述新增用户打分信息为所述第三用户对所述新增物品的打分信息；更新所述第三用户对所述至少一个物品中第二物品的用户打分信息，所述第二物品与所述新增物品的目标物品隐向量相似度最大；采用所述用户神经网络对所述第三用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
可选地，该至少一个处理器410还用于：在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；采用随机参数预训练所述用户神经网络。
可选地，该至少一个处理器410还用于：在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，采取对偶小批量梯度下降的装置对所述物品神经网络和所述用户神经网络进行优化训练。
可选地，该至少一个处理器410还用于：计算所述第p物品隐向量和所述第p用户隐向量的点乘，作为所述N层感知机中第p层感知机的输出结果，p取遍大于或等于1且小于或等于N的整数；整合所述N层感知机中每一层感知机的输出结果；将所述输出结果与所述用户打分信息进行比较，优化所述物品神经网络和所述用户神经网络的网络参数。
可选地，所述优化训练的目标函数为：
Figure GDA0002742655360000201
其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure GDA0002742655360000202
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure GDA0002742655360000203
为由ri得到的单位向量，
Figure GDA0002742655360000204
为
Figure GDA0002742655360000205
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
应理解，装置400可以具体为计算节点，并且可以用于执行上述方法实施例100中对应的各个步骤和/或流程。
应理解，在本发明实施例中，至少一个处理器可以包括不同类型的处理器，或者包括相同类型的处理器；处理器可以是以下的任一种：中央处理器(Central ProcessingUnit，简称为“CPU”)、ARM处理器、现场可编程门阵列(Field Programmable Gate Array，简称为“FPGA”)、专用处理器等具有计算处理能力的器件。一种可选实施方式，该至少一个处理器还可以集成为众核处理器。
存储器可以是以下的任一种或任一种组合：随机存取存储器(Random AccessMemory，简称为“RAM”)、只读存储器(read only memory，简称为“ROM”)、非易失性存储器(non-volatile memory，简称为“NVM”)、固态硬盘(Solid State Drives，简称为“SSD”)、机械硬盘、磁盘、磁盘整列等存储介质。
通信接口用于本装置与其他设备之间的数据交互。通信接口可以是以下的任一种或任一种组合：网络接口(例如以太网接口)、无线网卡等具有网络接入功能的器件。
该总线可以包括地址总线、数据总线、控制总线等，为便于表示，在图4中用一条粗线表示该总线。总线可以是以下的任一种或任一种组合：工业标准体系结构(IndustryStandard Architecture，简称为“ISA”)总线、外设组件互连标准(Peripheral ComponentInterconnect，简称为“PCI”)总线、扩展工业标准结构(Extended Industry StandardArchitecture，简称为“EISA”)总线等有线数据传输的器件。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器执行存储器中的指令，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的分割，仅仅为一种逻辑功能分割，实际实现时可以有另外的分割方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (20)

1.一种生成推荐结果的方法，其特征在于，包括：
获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；
采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量；
根据所述目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果；
其中，所述物品神经网络和所述用户神经网络以N层感知机作为基础架构，所述采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量，包括：
在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；
将所述第一物品隐向量和所述第一用户隐向量分别传递至所述物品神经网络的第二层和所述用户神经网络的第二层进行编码；
在所述物品神经网络的第k层和所述用户神经网络的第k层对第k-1物品隐向量和第k-1用户隐向量进行编码，获得第k物品隐向量和第k用户隐向量；
将所述第k物品隐向量和所述第k用户隐向量分别传递至所述物品神经网络的第k+1层和所述用户神经网络的第k+1层进行编码；
在所述物品神经网络的第N层和所述用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，获得第N物品隐向量和第N用户隐向量；
将所述第N物品隐向量和所述第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量；
其中，N为大于或等于1的整数，k为取遍大于1且小于N的整数。
2.根据权利要求1所述的方法，其特征在于，所述在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量，包括：
在所述物品神经网络的第一层和所述用户神经网络的第一层，分别对所述物品内容信息和所述用户打分信息进行线性转换；
分别对线性转换后的所述物品内容信息和所述用户打分信息进行非线性转换，获得所述第一物品隐向量和所述第一用户隐向量。
3.根据权利要求1所述的方法，其特征在于，所述物品神经网络的每一层和所述用户神经网络每一层均采用tanh函数作为非线性激活函数。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
获取所述至少一个用户中的第二用户的新增用户打分信息，所述新增用户打分信息为所述第二用户对所述至少一个物品中的第一物品的新增打分；
根据所述新增用户打分信息，更新所述第二用户的用户打分信息；
采用所述用户神经网络对所述第二用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；
根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
获取新增物品的物品内容信息；
采用所述物品神经网络对所述新增物品的物品内容信息进行编码，获得所述新增物品的目标物品隐向量；
根据所述新增物品的目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取所述至少一个用户中的第三用户的新增用户打分信息，所述新增用户打分信息为所述第三用户对所述新增物品的打分信息；
更新所述第三用户对所述至少一个物品中第二物品的用户打分信息，所述第二物品与所述新增物品的目标物品隐向量相似度最大；
采用所述用户神经网络对所述第三用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；
根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
7.根据权利要求1至3中任一项所述的方法，其特征在于，在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，所述方法还包括：
采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；
采用随机参数预训练所述用户神经网络。
8.根据权利要求1至3中任一项所述的方法，其特征在于，在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，所述方法还包括：
采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练。
9.根据权利要求8所述的方法，其特征在于，所述采取对偶小批量梯度下降的方法对所述物品神经网络和所述用户神经网络进行优化训练，包括：
计算所述第p物品隐向量和所述第p用户隐向量的点乘，作为所述N层感知机中第p层感知机的输出结果，p取遍大于或等于1且小于或等于N的整数；
整合所述N层感知机中每一层感知机的输出结果；
将整合后的所述输出结果与所述用户打分信息进行比较，优化所述物品神经网络和所述用户神经网络的网络参数。
10.根据权利要求8所述的方法，其特征在于，所述优化训练的目标函数为：
Figure FDA0002742655350000031
其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure FDA0002742655350000032
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure FDA0002742655350000041
为由ri得到的单位向量，
Figure FDA0002742655350000042
为
Figure FDA0002742655350000043
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
11.一种生成推荐结果的装置，其特征在于，包括：
获取单元，用于获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息，所述至少一个用户中第一用户的用户打分信息包括所述第一用户对所述至少一个物品的历史打分；
编码单元，用于采用物品神经网络和用户神经网络分别对所述物品内容信息和所述用户打分信息进行编码，获得所述至少一个物品中每个物品的目标物品隐向量和所述至少一个用户中每个用户的目标用户隐向量；
计算单元，用于根据所述目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果；
其中，所述物品神经网络和所述用户神经网络以N层感知机作为基础架构，所述编码单元具体用于：
在所述物品神经网络的第一层和所述用户神经网络的第一层对所述物品内容信息和所述用户打分信息进行编码，获得第一物品隐向量和第一用户隐向量；
将所述第一物品隐向量和所述第一用户隐向量分别传递至所述物品神经网络的第二层和所述用户神经网络的第二层进行编码；
在所述物品神经网络的第k层和所述用户神经网络的第k层对第k-1物品隐向量和第k-1用户隐向量进行编码，获得第k物品隐向量和第k用户隐向量；
将所述第k物品隐向量和所述第k用户隐向量分别传递至所述物品神经网络的第k+1层和所述用户神经网络的第k+1层进行编码；
在所述物品神经网络的第N层和所述用户神经网络的第N层对第N-1物品隐向量和第N-1用户隐向量进行编码，获得第N物品隐向量和第N用户隐向量；
将所述第N物品隐向量和所述第N用户隐向量分别作为所述目标物品隐向量和所述目标用户隐向量；
其中，N为大于或等于1的整数，k为取遍大于1且小于N的整数。
12.根据权利要求11所述的装置，其特征在于，所述编码单元具体用于：
在所述物品神经网络的第一层和所述用户神经网络的第一层，分别对所述物品内容信息和所述用户打分信息进行线性转换；
分别对线性转换后的所述物品内容信息和所述用户打分信息进行非线性转换，获得所述第一物品隐向量和所述第一用户隐向量。
13.根据权利要求11所述的装置，其特征在于，所述物品神经网络的每一层和所述用户神经网络每一层均采用tanh函数作为非线性激活函数。
14.根据权利要求11至13中任一项所述的装置，其特征在于，所述获取单元还用于：
获取所述至少一个用户中的第二用户的新增用户打分信息，所述新增用户打分信息为所述第二用户对所述至少一个物品中的第一物品的新增打分；
所述装置还包括：
第一更新单元，用于根据所述新增用户打分信息，更新所述第二用户的用户打分信息；
所述编码单元还用于：
采用所述用户神经网络对所述第二用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；
所述计算单元还用于：
根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
15.根据权利要求11至13中任一项所述的装置，其特征在于，所述获取单元还用于：
获取新增物品的物品内容信息；
所述编码单元还用于：
采用所述物品神经网络对所述新增物品的物品内容信息进行编码，获得所述新增物品的目标物品隐向量；
所述计算单元还用于：
根据所述新增物品的目标物品隐向量和所述目标用户隐向量，计算对所述每个用户的推荐结果。
16.根据权利要求15所述的装置，其特征在于，所述获取单元还用于：
获取所述至少一个用户中的第三用户的新增用户打分信息，所述新增用户打分信息为所述第三用户对所述新增物品的打分信息；
所述装置还包括：
第二更新单元，用于更新所述第三用户对所述至少一个物品中第二物品的用户打分信息，所述第二物品与所述新增物品的目标物品隐向量相似度最大；
所述编码单元还用于：
采用所述用户神经网络对所述第三用户更新后的用户打分信息重新进行编码，获得新的目标用户隐向量；
所述计算单元还用于：
根据所述目标物品隐向量和所述新的目标用户隐向量，计算对所述每个用户的新的推荐结果。
17.根据权利要求11至13中任一项所述的装置，其特征在于，所述装置还包括：
预训练单元，用于在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，采用堆栈式自编码器SDAE的编码结果预训练所述物品神经网络；
采用随机参数预训练所述用户神经网络。
18.根据权利要求11至13中任一项所述的装置，其特征在于，所述装置还包括：
优化单元，用于在所述获取至少一个物品的物品内容信息以及至少一个用户的用户打分信息之前，采取对偶小批量梯度下降的装置对所述物品神经网络和所述用户神经网络进行优化训练。
19.根据权利要求18所述的装置，其特征在于，所述计算单元还用于：
计算所述第p物品隐向量和所述第p用户隐向量的点乘，作为所述N层感知机中第p层感知机的输出结果，p取遍大于或等于1且小于或等于N的整数；
整合所述N层感知机中每一层感知机的输出结果；
将整合后的所述输出结果与所述用户打分信息进行比较，优化所述物品神经网络和所述用户神经网络的网络参数。
20.根据权利要求18所述的装置，其特征在于，所述推荐结果的目标函数为：
Figure FDA0002742655350000071
其中，Rm×n为根据所述用户打分信息生成的打分矩阵，用于表示m个用户中的每个用户对n件物品中的每件物品的打分，Rij为第i个用户对第j件物品的打分信息，xj为所述第j件物品的内容信息，f为所述物品神经网络，g为所述用户神经网络，Wv为所述物品神经网络的参数，所述Wu为所述用户神经网络的参数，vj＝f(xj；Wv)为第j件物品的物品隐向量，
Figure FDA0002742655350000072
为第i个用户的用户隐向量，ri为以Rm×n的第i行生成的列向量，
Figure FDA0002742655350000073
为由ri得到的单位向量，
Figure FDA0002742655350000074
为
Figure FDA0002742655350000075
中的第j个元素，V＝f(X；Wv)，X为所述n件物品的物品内容信息组成的矩阵，m、n、i、j均为大于或等于1的整数，i大于或等于1且小于或等于m，j大于或等于1且小于或等于n。
CN201611043770.XA 2016-11-22 2016-11-22 生成推荐结果的方法和装置 Active CN108090093B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201611043770.XA CN108090093B (zh) 2016-11-22 2016-11-22 生成推荐结果的方法和装置
PCT/CN2017/092828 WO2018095049A1 (zh) 2016-11-22 2017-07-13 生成推荐结果的方法和装置
US15/993,288 US20180276542A1 (en) 2016-11-22 2018-05-30 Recommendation Result Generation Method and Apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611043770.XA CN108090093B (zh) 2016-11-22 2016-11-22 生成推荐结果的方法和装置

Publications (2)

Publication Number Publication Date
CN108090093A CN108090093A (zh) 2018-05-29
CN108090093B true CN108090093B (zh) 2021-02-09

Family

ID=62171051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611043770.XA Active CN108090093B (zh) 2016-11-22 2016-11-22 生成推荐结果的方法和装置

Country Status (3)

Country Link
US (1) US20180276542A1 (zh)
CN (1) CN108090093B (zh)
WO (1) WO2018095049A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11170015B2 (en) * 2016-08-01 2021-11-09 Ed Recavarren Identifications of patterns of life through analysis of devices within monitored volumes
US10645100B1 (en) * 2016-11-21 2020-05-05 Alert Logic, Inc. Systems and methods for attacker temporal behavior fingerprinting and grouping with spectrum interpretation and deep learning
US10762153B2 (en) * 2017-11-27 2020-09-01 Adobe Inc. Collaborative-filtered content recommendations with justification in real-time
CN108830507A (zh) * 2018-06-29 2018-11-16 成都数之联科技有限公司 一种食品安全风险预警方法
CN108875065B (zh) * 2018-07-02 2021-07-06 电子科技大学 一种基于内容的印尼新闻网页推荐方法
CN109447334B (zh) * 2018-10-19 2021-07-16 江苏满运物流信息有限公司 货源信息的数据降维方法、装置、电子设备、存储介质
CN109903168A (zh) * 2019-01-18 2019-06-18 平安科技（深圳）有限公司 基于机器学习的推荐保险产品的方法及相关设备
CN111931035B (zh) * 2019-05-13 2023-11-24 中国移动通信集团湖北有限公司 业务推荐方法、装置及设备
CN110188283B (zh) * 2019-06-05 2021-11-23 中国人民解放军国防科技大学 一种基于联合神经网络协同过滤的信息推荐方法及其系统
US11763349B2 (en) 2019-06-27 2023-09-19 Walmart Apollo, Llc Methods and apparatus for automatically providing digital advertisements
US11562401B2 (en) * 2019-06-27 2023-01-24 Walmart Apollo, Llc Methods and apparatus for automatically providing digital advertisements
EP3786851A1 (en) * 2019-08-29 2021-03-03 Siemens Aktiengesellschaft Method and apparatus for providing recommendations for completion of an engineering project
CN110838020B (zh) * 2019-09-16 2023-06-23 平安科技（深圳）有限公司 基于向量迁移的推荐方法、装置、计算机设备及存储介质
KR20210082977A (ko) * 2019-12-26 2021-07-06 삼성전자주식회사 컴퓨팅 장치 및 그 동작 방법
CN111310029B (zh) * 2020-01-20 2022-11-01 哈尔滨理工大学 一种基于用户商品画像和潜在因子特征提取的混合推荐方法
CN111292168B (zh) * 2020-02-06 2022-08-02 腾讯科技（深圳）有限公司 数据处理方法、装置及设备
CN111553744A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 联邦产品推荐方法、装置、设备及计算机存储介质
US11974042B2 (en) * 2020-06-09 2024-04-30 Sony Semiconductor Solutions Corporation Signal processing device and signal processing method
CN112100486B (zh) * 2020-08-21 2023-04-07 西安电子科技大学 一种基于图模型的深度学习推荐系统及其方法
US11693897B2 (en) * 2020-10-20 2023-07-04 Spotify Ab Using a hierarchical machine learning algorithm for providing personalized media content
CN113837517A (zh) * 2020-12-01 2021-12-24 北京沃东天骏信息技术有限公司 事件的触发方法及装置、介质及电子设备
CN112860992B (zh) * 2021-01-25 2023-03-24 西安博达软件股份有限公司 基于网站内容数据推荐的特征优化预训练方法
CN114282101A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 产品推荐模型的训练方法、装置、电子设备及存储介质
CN115114395B (zh) * 2022-04-15 2024-03-19 腾讯科技（深圳）有限公司 内容检索及模型训练方法、装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390032A (zh) * 2013-07-04 2013-11-13 上海交通大学 基于关系型协同话题回归的推荐系统及方法
CN105975573A (zh) * 2016-05-04 2016-09-28 北京广利核系统工程有限公司 一种基于knn的文本分类方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8135718B1 (en) * 2007-02-16 2012-03-13 Google Inc. Collaborative filtering
US8781915B2 (en) * 2008-10-17 2014-07-15 Microsoft Corporation Recommending items to users utilizing a bi-linear collaborative filtering model
CN105446970A (zh) * 2014-06-10 2016-03-30 华为技术有限公司 推荐项目的方法和装置
CN105005701A (zh) * 2015-07-24 2015-10-28 成都康赛信息技术有限公司 一种基于属性与评分的个性化推荐方法
CN105302873A (zh) * 2015-10-08 2016-02-03 北京航空航天大学 一种基于条件受限波尔兹曼机的协同过滤优化方法
CN106570008B (zh) * 2015-10-09 2020-03-27 阿里巴巴集团控股有限公司 推荐方法及装置
CN105389505B (zh) * 2015-10-19 2018-06-12 西安电子科技大学 基于栈式稀疏自编码器的托攻击检测方法
CN105354729A (zh) * 2015-12-14 2016-02-24 电子科技大学 一种电子商务系统中的商品推荐方法
CN105761102B (zh) * 2016-02-04 2021-05-11 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
CN106022869A (zh) * 2016-05-12 2016-10-12 北京邮电大学 一种消费对象的推荐方法及装置
CN106022380A (zh) * 2016-05-25 2016-10-12 中国科学院自动化研究所 基于深度学习的个体身份识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390032A (zh) * 2013-07-04 2013-11-13 上海交通大学 基于关系型协同话题回归的推荐系统及方法
CN105975573A (zh) * 2016-05-04 2016-09-28 北京广利核系统工程有限公司 一种基于knn的文本分类方法

Also Published As

Publication number Publication date
US20180276542A1 (en) 2018-09-27
WO2018095049A1 (zh) 2018-05-31
CN108090093A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108090093B (zh) 生成推荐结果的方法和装置
CN109522942B (zh) 一种图像分类方法、装置、终端设备和存储介质
CN110119467B (zh) 一种基于会话的项目推荐方法、装置、设备及存储介质
Glorot et al. Deep sparse rectifier neural networks
CN111259222B (zh) 物品推荐方法、系统、电子设备及存储介质
CN113688304A (zh) 搜索推荐模型的训练方法、搜索结果排序的方法及装置
EP4322031A1 (en) Recommendation method, recommendation model training method, and related product
US11334758B2 (en) Method and apparatus of data processing using multiple types of non-linear combination processing
CN109388674A (zh) 数据处理方法、装置、设备及可读存储介质
CN112085565A (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN110458638A (zh) 一种商品推荐方法及装置
CN112418292A (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN113592593B (zh) 序列推荐模型的训练及应用方法、装置、设备及存储介质
Zhang et al. fLRR: fast low‐rank representation using Frobenius‐norm
CN110738314A (zh) 一种基于深度迁移网络的点击率预测方法及装置
Yang et al. In-context operator learning with data prompts for differential equation problems
CN114722091A (zh) 数据处理方法、装置、存储介质以及处理器
CN113345564B (zh) 一种基于图神经网络的患者住院时长早期预测方法及装置
CN115222845A (zh) 样式字体图片生成方法、装置、电子设备和介质
CN113705698B (zh) 基于点击行为预测的信息推送方法及装置
CN111159481A (zh) 图数据的边预测方法、装置及终端设备
CN108876422B (zh) 用于信息推广的方法、装置、电子设备及计算机可读介质
CN116680456A (zh) 基于图神经网络会话推荐系统的用户偏好预测方法
CN111325614A (zh) 电子对象的推荐方法、装置和电子设备
CN115527686A (zh) 多数据源医学数据分析模型训练方法、装置、设备和介质

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