CN108647251B - 基于宽深度门循环联合模型的推荐排序方法 - Google Patents
基于宽深度门循环联合模型的推荐排序方法 Download PDFInfo
- Publication number
- CN108647251B CN108647251B CN201810357561.5A CN201810357561A CN108647251B CN 108647251 B CN108647251 B CN 108647251B CN 201810357561 A CN201810357561 A CN 201810357561A CN 108647251 B CN108647251 B CN 108647251B
- Authority
- CN
- China
- Prior art keywords
- model
- wide
- depth
- theme
- features
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于宽深度门循环联合模型的推荐排序方法,属于自然语言处理技术领域。本发明首先爬取新浪微博数据进行预处理,获取主题特征集;其次,采用广义的交叉特征转换来记忆主题特征,输入到线性模块当中;然后,为每个分类特征学习嵌入向量,将所有的嵌入向量与稠密特征连接在一起,将连接产生的密集矢量输入到由门循环单元组成的深度模块。最后,同时优化线性、深度循环过程中的参数,通过对模型进行联合训练,得到推荐排序结果。本发明使用门循环单元来进行特征泛化,改善了以往方法大多未考虑动态时序的序列特征的问题,整体上取得了较好的推荐效果,也一定程度上提高了推荐效率。
Description
技术领域
本发明涉及基于宽深度门循环联合模型的推荐排序方法,属于自然语言处理技术领域。
背景技术
近年来,随着在线社交网络系统的盛行,微博为人们提供了一个十分开放的沟通渠道来阅读、评论、引用、社交,其包含了基于文本的微博条目和配置文件、图片、数据及多媒体等大量有价值的资源。微博社交网络的个性化推荐服务发展迅速的与其他产品领域相结合,已经经历了一个基本的范式转变。面对海量级别的信息,如何快速定位用户特征,如何有效的向用户推荐他们感兴趣的资源和如何基于历史数据探索过去从未或很少发现的特征,利用深度学习技术来改进博文个性化推荐是一个很好的解决方案。
与现有的大量使用矩阵分解方法来研究的相比,很少有研究是使用深度学习、循环神经网络来做推荐服务的。目前国内外关于推荐主要有以下几种方法。将神经网络模型用于推荐新闻,使用深度学习进行跨域用户建模。在基于内容方面,利用深层神经网络来推荐音乐。Google Play商店中应用的WIDE&DEEP模型,融合了深度学习方法,探索过去从未出现或很少发生的新特征组合,从而提升推荐项目的多样性。提出了一种基于会话的GRU推荐模型,输入是具有1-N编码的实际状态,输出为每个项目的下一个会话的可能性,对时间序列上的变化进行建模。然而,这些方法没有同时考虑提升项目的多样性和时间序列的变化。
发明内容
本发明提供了基于宽深度门循环联合模型的推荐排序方法,以用于改善以往方法大多未考虑动态时序的序列特征的问题,整体上取得了较好的推荐效果,也一定程度上提高了推荐效率。
本发明的技术方案是:基于宽深度门循环联合模型的推荐排序方法,所述方法的具体步骤如下:
Step1、首先爬取微博博文数据,通过人工标注按比例整理数据样本,得到训练集、验证集和测试集语料,随后采用基于LDA和稀疏自编码器的主题提取方法,对每个时间片内的博文进行主题提取,获取主题特征集;
Step2、构建宽深度门循环模型的线性模块,根据Step1中的主题特征进行分类,采用交叉特征转换的方式来记忆特征,使用逻辑回归来预测用户特征与候选博文间建立关系的可能性,其中输入包括用户属性原始特征和历史点击数据集的交叉特征;
Step3、构建宽深度门循环模型的深度模块,根据Step1中的主题特征对时间序列上的变化建模,并初始化映射向量,将低维映射向量送到深度模块的隐层中,迭代更新权重参数,使得最终的损失函数达到最小;
Step4、联合训练Step2和Step3构建的宽深度门循环联合模型,优化模型所有模块的参数,同时再反向传播到模型的线性和深度门循环部分;依据此模型排序得到推荐博文列表。
所述步骤Step1的具体步骤为:
Step1.1、首先采用Pyquery爬虫框架,爬取微博得到微博语料,获得的数据以json格式存储;
Step1.2、把已爬取的微博语料,经过过滤、去重得到不重复的微博语料;
Step1.3、对数据库中的语料进行人工标注得到训练集、验证集和测试集,并对语料进行分词、去停用词相关的预处理工作;
Step1.4、采用基于LDA和稀疏自编码器的主题提取方法,对每个时间片内的微博博文进行主题提取,从而得到主题特征集。
所述步骤Step2的具体步骤为:
采用交叉特征转换的方式来记忆特征,用于获取到了二进制特征之间的交互,且将非线性添加到了线性模型当中。
所述步骤Step3的具体步骤为:
Step3.1、将Step1.4中得到的每一个稀疏高维的分类主题特征首先转换成低维密度实值向量,将其看作是一个映射向量,映射向量的维度通常是O(10)到O(100),初始化映射向量;
Step3.2、构建深度模块的核心是GRU层,并且在最后一层和输出之间添加额外的前馈层,其中使用tanh函数作为输出层的激活函数,在隐藏层节点之间加入连接,并用一个门循环单元来控制隐藏节点的输出,有效得建模特征在时序动态上的变化;
Step3.3、将Step3.1中低维密度的映射向量经过特征工程,送到正向通路的门循环神经网络的隐层中,权重参数在模型训练的过程中更新,使得最终的损失函数达到最小。
所述步骤Step4的具体步骤为:
Step4.1、组合浅层部分和深度门循环部分,使用联合输出结果并取对数的加权和作为预测值,然后将该加权和馈送到一个共同的损失函数进行联合训练;
Step4.2、批量随机优化宽深度门循环联合模型参数,同时再反向传播到模型的浅层和深度门循环部分;
本发明加入门循环单元,即克服了梯度消失的缺点,又可以学习长期依赖信息,具有更高的效率。
所述逻辑回归式,其中x=[x1,x2,…,xd]是特征d的一组向量,特征集合包括原始输入特征和组合特征,w=[w1,w2,…,wd]是模型的参数。
所述联合训练预测式,其中,Y是一个二分类标签,σ(·)是sigmoid功能函数。φ(x)是原始特征x的交叉特征转换的结果,b是偏置项。wwide是线性部分的权重向量,wgru是应用在最终激活值上的权重向量。
门循环单元是一种更精细的RNN单位模型,它将门控制单元从3个减少到2个,模型更加简单,即克服了梯度消失的缺点,又可以学习长期依赖信息,具有更高的效率。当使用多个GRU层时,上一层的隐藏状态是下一层的输入。GRU的激活函数ht是一个介于之前的激活函数状态和候选激活的线性插值函数的:
更新门由以下提供:
zt=σ(Wzxt+Uzht-1)
最终的重置门由下式给出:
rt=σ(Wrxt+Urht-1)
使用FTRL(Follow-the-regularized-leader)算法和L1正则化作为模型线性部分的优化器,最终利用AdaGrad算法来优化模型的深度门循环部分。对于分类问题,一般采用cross-entropy作为其损失函数。其公式如下:
其中yi′为是真实的概率分布(即训练语料的类别标签),yi为模型预测的概率分布。这里通过最小化Hy′(y)的值来训练整个模型。
本发明的有益效果是:
1、本发明考虑到用户请求在时间序列上的变化,推荐的项目会随着用户兴趣、地点、环境时间等变化而变化的情况,采用善于处理可变长度序列数据的门循环神经单元构建深度模型,联合训练,效果较好。其中,门循环单元即克服了梯度消失的缺点,又可以学习长期依赖信息,具有更高的效率。
2、浅层模块采用广义交叉特征转换的方式来记忆特征,不仅获取到了二进制特征之间的交互,并且将非线性添加到了线性模型当中。
综上,本发明提出的基于宽深度门循环联合模型的推荐排序方法,采用广义的交叉特征转换来记忆特征,并输入到浅层模块当中;然后,通过映射的方法,使用低维稠密特征输入到门循环单元组成的深度模块部分。最后,联合训练模型,输出为逻辑单元。改善了以往方法大多未考虑动态时序的序列特征的问题,整体上取得了较好的推荐效果,也一定程度上提高了推荐效率。
附图说明
图1为本发明的流程图;
图2为本发明宽深度门循环联合模型图;
图3为本发明模型训练图;
图4为本发明模型性能对比图。
具体实施方式
实施例1:如图1-4所示,基于宽深度门循环联合模型的推荐排序方法,所述方法的具体步骤如下:
Step1、首先爬取微博博文数据,通过人工标注按比例整理数据样本,得到训练集、验证集和测试集语料,随后采用基于LDA和稀疏自编码器的主题提取方法,对每个时间片内的博文进行主题提取,获取主题特征集;
Step2、构建宽深度门循环模型的线性模块,根据Step1中的主题特征进行分类,采用交叉特征转换的方式来记忆特征,使用逻辑回归来预测用户特征与候选博文间建立关系的可能性,其中输入包括用户属性原始特征和历史点击数据集的交叉特征;
Step3、构建宽深度门循环模型的深度模块;根据Step1中的主题特征对时间序列上的变化建模,并初始化映射向量,将低维映射向量送到深度模块的隐层中,迭代更新权重参数,使得最终的损失函数达到最小;
Step4、联合训练Step2和Step3构建的宽深度门循环联合模型,优化模型所有模块的参数,同时再反向传播到模型的线性和深度门循环部分;依据此模型排序得到推荐博文列表。
进一步的,所述步骤Step1的具体步骤为:
Step1.1、首先采用Pyquery爬虫框架,爬取微博得到微博语料,获得的数据以json格式存储;
Step1.2、把已爬取的微博语料,经过过滤、去重得到不重复的微博语料;
本发明考虑到爬取的微博语料可能存在重复博文,这些博文增加了工作量,而没有太大意义,所以需要过滤、去重,得到不重复的微博博文语料,存放在数据库是为了能方便数据的管理和使用。
Step1.3、对数据库中的语料进行人工标注得到训练集、验证集和测试集,并对语料进行分词、去停用词相关的预处理工作;
本发明考虑到微博中没有明确表明用户喜好的数据,只能从用户对微博的转发、收藏等行为判断用户的喜好。本发明中把用户有操作行为的微博,即用户转发、评论、收藏、赞的微博都认为是用户喜欢的微博。
进一步地,到直接将文本切分为多个字符组成的字符串形式,会造成原文本中字、词、段落之间语言学信息的丢失。所以对微博语料进行预处理工作,其中包括中文分词、去停用词。方便后续工作的进行。
Step1.4、采用基于LDA和稀疏自编码器的主题提取方法,对每个时间片内的微博博文进行主题提取,从而得到主题特征集。
本发明考虑到模型训练的后续工作,即将整理后的数据样本的60%用来做训练数据,20%用来做验证数据,而余下的20%用作测试数据。
进一步的,所述步骤Step2的具体步骤为:
本发明考虑到线性特征全部获取,文本数据量大,数据维度较高,使得排序模型规模较大,采用交叉特征转换,不仅获取到了二进制特征之间的交互,起到了降维的作用,并且将非线性添加到了线性模型当中;
采用交叉特征转换的方式来记忆特征,用于获取到了二进制特征之间的交互,且将非线性添加到了线性模型当中。
进一步的,所述步骤Step3的具体步骤为:
Step3.1、将Step1.4中得到的每一个稀疏高维的分类主题特征首先转换成低维密度实值向量,将其看作是一个映射向量,映射向量的维度通常是O(10)到O(100),初始化映射向量;
Step3.2、构建深度模块的核心是GRU层,并且在最后一层和输出之间添加额外的前馈层,其中使用tanh函数作为输出层的激活函数,在隐藏层节点之间加入连接,并用一个门循环单元来控制隐藏节点的输出,有效得建模特征在时序动态上的变化;
本发明考虑到传统的深度神经网络模型相邻层之间是全连接的,但是每层的各个节点是无连接的,样本的处理在各个时刻独立,使其不能对时间序列上的变化建模。于是采用一种更精细的RNN单位模型门循环GRU,来学习长期依赖信息,且具有更高的效率。
本发明加入门循环单元,即克服了梯度消失的缺点,又可以学习长期依赖信息,具有更高的效率。
Step3.3、将Step3.1中低维密度的映射向量经过特征工程,送到正向通路的门循环神经网络的隐层中,权重参数在模型训练的过程中更新,使得最终的损失函数达到最小。
本发明考虑到整个模型的训练,需要定义个合适的损失函数,本发明使用FTRL(Follow-the-regularized-leader)算法和L1正则化作为模型线性部分的优化器,最终利用AdaGrad算法来优化模型的深度模块。对于分类问题,一般采用cross-entropy作为其损失函数。其公式如:Hy′(y)=-∑iyi′logyi,这里通过最小化Hy′(y)的值来训练整个模型。
进一步的,所述步骤Step4的具体步骤为:
Step4.1、组合浅层部分和深度门循环部分,使用联合输出结果并取对数的加权和作为预测值,然后将该加权和馈送到一个共同的损失函数进行联合训练;
Step4.2、批量随机优化宽深度门循环联合模型参数,同时再反向传播到模型的浅层和深度门循环部分;
本发明考虑联合训练和组合是有区别的。在一个组合中,单独的模型是分开训练而不知道线性和深度学习模块的关联,而他们的预测仅在推断的时候组合而不是在训练的时候。然而,本发明联合训练在训练时考虑线性、深度循环部分以及其总和的权重,同时优化所有的参数。其中线性的部分只需要通过较少的交叉特征来补充深度循环部分的不足即可。
推荐质量使用准确率(Precision)、召回率(Recall)、F值(F-Measure)作为衡量指标,推荐效率通过对用户进行个性化推荐时,模型的训练和预测速度来衡量。
对于用户u,令Ru作为模型推荐的微博集合,Lu作为用户u喜欢的微博集合,其推荐准确率、召回率和F值为:
本实例的实验数据使用新浪微博提供的API获取2017年5月部分真实用户的完整日志数据,生成训练集。在获取数据时,采用Pyquery爬虫框架,获得的数据以json格式存储。实验数据随机选取52k个用户节点,获取其一个月里发布、转发、收藏、评论和赞的微博信息,其中具体包括微博ID、微博创建时间、微博内容、用户转发、收藏、评论或赞的时间、微博转发数、评论数及收藏数。整理后的数据样本的60%用来做训练数据;20%用来做验证数据;而余下的20%用作测试数据。经处理后的微博共计4716452条。
实验一:为了验证本发明特征抽取方法的有效性和较好的推荐效果,设计了四种不同的推荐策略来验证本文提出的推荐机制。实验通过随机划分不同的训练集对4种模型方法来进行模型参数的训练学习,并通过不同的测试集来进行验证,和准确率的对比。实验对比方法见表1;
表1实验对比方法简要介绍表
本实验随机选取200名用户,在用户一天中发表、转发、评论、收藏、赞的所有微博中,凡是两个微博中间的时间差超过一个小时,则认为两个微博不在用户同次浏览行为中,进行一次推荐,平均所有用户推荐结果的准确性、召回率和F值。
实验结果如图4(a-f)所示:表明了模型算法的推荐质量,图4(a-c)展示了随用户人数的变化,推荐结果平均准确率、召回率和F值的变化,其中横坐标表示选取的用户人数。由图4(a-c)可以看出,随着用户数据的增多,4种模型的用户特征更接近于用户的真实特征,推荐结果的准确率、召回率和F值均呈增长趋势。对于不同大小的训练集,WIDE,DEEP,WIDE&DEEP,WIDE&DEEP-GRU这4种模型方法的最高准确率分别为0.726、0.722、0.728和0.742.随着数据的增多,Wide&Deep-GRU模型能从这些数据中学到的特征越多,进而能更加准确的推荐博文。图4(e-f)展示了,随着推荐列表长度的增长,推荐结果平均准确率、召回率和F值的变化,其中横坐标表示选取的推荐列表长度。可以得看出,该实验模型准确率降低,召回率在升高,当推荐列表长度为10时,F值最高。即在推荐列表增加到一定长度后,评分高的微博基本都已包含在推荐列表中,推荐列表长度的增加对推荐质量的影响并不会再增加。由图可见,Wide&Deep-GRU模型综合效果最好。
实验二:推荐效率通过对用户进行个性化推荐时,模型的训练和预测速度来衡量。实验结果如表2所示:
表2推荐效率对比评估
从表2中可以看出,WIDE&DEEP-GRU模型在各个数据集中平均训练时间和预测时间都明显小于WIDE&DEEP模型。具体的,当用户数为150,推荐长度为10,WIDE&DEEP-GRU模型的训练速度平均是WIDE&DEEP模型的1.17倍,测试集上的预测速度平均是WIDE&DEEP模型的1.06倍。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.基于宽深度门循环联合模型的推荐排序方法,其特征在于:所述方法的具体步骤如下:
Step1、首先爬取微博博文数据,通过人工标注按比例整理数据样本,得到训练集、验证集和测试集语料,随后采用基于LDA和稀疏自编码器的主题提取方法,对每个时间片内的博文进行主题提取,获取主题特征集;
Step2、构建宽深度门循环模型的线性模块,根据Step1中的主题特征进行分类,采用交叉特征转换的方式来记忆特征,使用逻辑回归来预测用户特征与候选博文间建立关系的可能性,其中输入包括用户属性原始特征和历史点击数据集的交叉特征;
Step3、构建宽深度门循环模型的深度模块,根据Step1中的主题特征对时间序列上的变化建模,并初始化映射向量,将低维映射向量送到深度模块的隐层中,迭代更新权重参数,使得最终的损失函数达到最小;
Step4、联合训练Step2和Step3构建的宽深度门循环联合模型,优化模型所有模块的参数,同时再反向传播到模型的线性和深度门循环部分;依据此模型排序得到推荐博文列表;
所述步骤Step3的具体步骤为:
Step3.1、将Step1中得到的每一个稀疏高维的分类主题特征首先转换成低维密度实值向量,将其看作是一个映射向量,映射向量的维度是O(10)到O(100),初始化映射向量;
Step3.2、构建深度模块的核心是GRU层,并且在最后一层和输出之间添加额外的前馈层,其中使用tanh函数作为输出层的激活函数,在隐藏层节点之间加入连接,并用一个门循环单元来控制隐藏节点的输出,有效得建模特征在时序动态上的变化;
Step3.3、将Step3.1中低维密度的映射向量经过特征工程,送到正向通路的门循环神经网络的隐层中,权重参数在模型训练的过程中更新,使得最终的损失函数达到最小。
2.根据权利要求1所述的基于宽深度门循环联合模型的推荐排序方法,其特征在于:所述步骤Step1的具体步骤为:
Step1.1、首先采用Pyquery爬虫框架,爬取微博得到微博语料,获得的数据以json格式存储;
Step1.2、把已爬取的微博语料,经过过滤、去重得到不重复的微博语料;
Step1.3、对数据库中的语料进行人工标注得到训练集、验证集和测试集,并对语料进行分词、去停用词相关的预处理工作;
Step1.4、采用基于LDA和稀疏自编码器的主题提取方法,对每个时间片内的微博博文进行主题提取,从而得到主题特征集。
4.根据权利要求1所述的基于宽深度门循环联合模型的推荐排序方法,其特征在于:所述步骤Step4的具体步骤为:
Step4.1、组合浅层部分和深度门循环部分,使用联合输出结果并取对数的加权和作为预测值,然后将该加权和馈送到一个共同的损失函数进行联合训练;
Step4.2、批量随机优化宽深度门循环联合模型参数,同时再反向传播到模型的浅层和深度门循环部分;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810357561.5A CN108647251B (zh) | 2018-04-20 | 2018-04-20 | 基于宽深度门循环联合模型的推荐排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810357561.5A CN108647251B (zh) | 2018-04-20 | 2018-04-20 | 基于宽深度门循环联合模型的推荐排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647251A CN108647251A (zh) | 2018-10-12 |
CN108647251B true CN108647251B (zh) | 2021-06-18 |
Family
ID=63746698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810357561.5A Active CN108647251B (zh) | 2018-04-20 | 2018-04-20 | 基于宽深度门循环联合模型的推荐排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647251B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271493B (zh) * | 2018-11-26 | 2021-10-08 | 腾讯科技(深圳)有限公司 | 一种语言文本处理方法、装置和存储介质 |
CN109725531B (zh) * | 2018-12-13 | 2021-09-21 | 中南大学 | 一种基于门控制机制的连续学习方法 |
CN109784407A (zh) * | 2019-01-17 | 2019-05-21 | 京东数字科技控股有限公司 | 确定表字段的类型的方法和装置 |
CN109992710B (zh) * | 2019-02-13 | 2021-10-15 | 网易传媒科技(北京)有限公司 | 点击率预估方法、系统、介质和计算设备 |
CN110110372B (zh) * | 2019-04-09 | 2023-04-18 | 华东师范大学 | 一种用户时序行为自动切分预测方法 |
CN110032684B (zh) * | 2019-04-22 | 2021-08-06 | 山东大学 | 基于共享账户的信息跨域并行序列推荐方法、介质及设备 |
CN110309195B (zh) * | 2019-05-10 | 2022-07-12 | 电子科技大学 | 一种基于fwdl模型的内容推荐方法 |
CN110704610A (zh) * | 2019-05-15 | 2020-01-17 | 北京信息科技大学 | 体育新闻战报主题分类方法 |
CN110309281A (zh) * | 2019-05-28 | 2019-10-08 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、装置、计算机设备及存储介质 |
CN110299194B (zh) * | 2019-06-06 | 2022-11-08 | 昆明理工大学 | 基于综合特征表示与改进宽深度模型的相似病例推荐方法 |
CN110275964B (zh) * | 2019-06-26 | 2023-07-14 | 程淑玉 | 基于知识图谱与循环神经网络的推荐模型 |
CN112487786A (zh) * | 2019-08-22 | 2021-03-12 | 创新工场(广州)人工智能研究有限公司 | 一种基于乱序重排的自然语言模型预训练方法及电子设备 |
CN110955826B (zh) * | 2019-11-08 | 2023-06-20 | 上海交通大学 | 基于改进型循环神经网络单元的推荐系统 |
CN111192602A (zh) * | 2019-12-03 | 2020-05-22 | 广州荔支网络技术有限公司 | 一种基于音频内容画像系统的白噪音音频内容价值评估方法 |
CN111402004A (zh) * | 2020-03-17 | 2020-07-10 | 昆明理工大学 | 一种用于电信运营商的个性化电信套餐推荐方法 |
CN112149734B (zh) * | 2020-09-23 | 2022-04-05 | 哈尔滨工程大学 | 一种基于堆叠自编码器的跨域推荐方法 |
CN112925926B (zh) * | 2021-01-28 | 2022-04-22 | 北京达佳互联信息技术有限公司 | 多媒体推荐模型的训练方法、装置、服务器以及存储介质 |
CN112668812B (zh) * | 2021-03-16 | 2021-06-01 | 西南石油大学 | 产量确定方法、确定装置、计算机可读存储介质和处理器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106897404A (zh) * | 2017-02-14 | 2017-06-27 | 中国船舶重工集团公司第七0九研究所 | 一种基于多gru层神经网络的推荐方法与系统 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016204790A1 (en) * | 2015-06-19 | 2016-12-22 | Hitachi Data Systems Engineering UK Limited | Deleting a directory tree using limited system resources |
-
2018
- 2018-04-20 CN CN201810357561.5A patent/CN108647251B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106897404A (zh) * | 2017-02-14 | 2017-06-27 | 中国船舶重工集团公司第七0九研究所 | 一种基于多gru层神经网络的推荐方法与系统 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
Non-Patent Citations (4)
Title |
---|
"Minimal Gated Unit for Recurrent Neural Networks";Guo-Bing Zhou; Jianxin Wu; Chen-Lin Zhang; Zhi-Hua Zhou;《International Journal of Automation and Computing》;20160615;全文 * |
"Wide & Deep Learning for Recommender Systems";Heng-Tze Cheng;Levent Koc;Jeremiah Harmsen;Tal Shaked等;《Deep Learning for Recommender Systems》;20160915;全文 * |
"一种基于LDA和TextRank的文本关键短语抽取方案的设计与实现";郎冬冬,刘晨晨,冯旭鹏,刘利军,黄青松;《计算机应用与软件》;20180315;第35卷(第3期);全文 * |
"基于门循环单元神经网络的中文分词法";李雪莲,段鸿,许牧;《厦门大学学报》;20170117;第56卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108647251A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647251B (zh) | 基于宽深度门循环联合模型的推荐排序方法 | |
Murthy et al. | Text based sentiment analysis using LSTM | |
CN109492157B (zh) | 基于rnn、注意力机制的新闻推荐方法及主题表征方法 | |
Bansal et al. | Ask the gru: Multi-task learning for deep text recommendations | |
CN107608956B (zh) | 一种基于cnn-grnn的读者情绪分布预测算法 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN104268292B (zh) | 画像系统的标签词库更新方法 | |
Zhang et al. | A deep joint network for session-based news recommendations with contextual augmentation | |
CN111209386A (zh) | 一种基于深度学习的个性化文本推荐方法 | |
Akhter et al. | Supervised ensemble learning methods towards automatically filtering Urdu fake news within social media | |
Sadr et al. | Convolutional neural network equipped with attention mechanism and transfer learning for enhancing performance of sentiment analysis | |
Dai et al. | BTR: a feature-based Bayesian task recommendation scheme for crowdsourcing system | |
Kansara et al. | Comparison of traditional machine learning and deep learning approaches for sentiment analysis | |
Amoudi et al. | Arabic rumor detection: A comparative study | |
CN109933720B (zh) | 一种基于用户兴趣自适应演化的动态推荐方法 | |
Lee et al. | Sentiment analysis on online social network using probability Model | |
Nasir et al. | Improving e-commerce product recommendation using semantic context and sequential historical purchases | |
Wang et al. | Dmfp: a dynamic multi-faceted fine-grained preference model for recommendation | |
Zeng et al. | User Personalized Recommendation Algorithm Based on GRU Network Model in Social Networks | |
Zhang et al. | Probabilistic matrix factorization recommendation of self-attention mechanism convolutional neural networks with item auxiliary information | |
US20230124258A1 (en) | Embedding optimization for machine learning models | |
Zhang et al. | A fusion model of multi-data sources for user profiling in social media | |
Yıldırım et al. | Neural hybrid recommender: recommendation needs collaboration | |
An et al. | Neural user embedding from browsing events | |
Xie et al. | Goal-driven context-aware service recommendation for mashup development |
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 |