CN108876044A - 一种基于知识增强神经网络的线上内容流行度预测方法 - Google Patents

一种基于知识增强神经网络的线上内容流行度预测方法 Download PDF

Info

Publication number
CN108876044A
CN108876044A CN201810658784.5A CN201810658784A CN108876044A CN 108876044 A CN108876044 A CN 108876044A CN 201810658784 A CN201810658784 A CN 201810658784A CN 108876044 A CN108876044 A CN 108876044A
Authority
CN
China
Prior art keywords
prediction
information
vector
popularity
line
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
CN201810658784.5A
Other languages
English (en)
Other versions
CN108876044B (zh
Inventor
赵鑫
窦洪健
文继荣
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.)
Renmin University of China
Original Assignee
Renmin University of China
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 Renmin University of China filed Critical Renmin University of China
Priority to CN201810658784.5A priority Critical patent/CN108876044B/zh
Publication of CN108876044A publication Critical patent/CN108876044A/zh
Application granted granted Critical
Publication of CN108876044B publication Critical patent/CN108876044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及流行度预测方法的技术领域，尤其是涉及一种基于知识增强神经网络的线上内容流行度预测方法，其包括：将线上物品和已有KB进行连接，并将KB信息用于流行度预测；利用一个隐含向量来表示KB实体，并对KB信息进行编码；基于LSTM网络构建预测模型，该预测模型能够自适应地与目标物品的KB嵌入向量以及具有相似实体信息物品的流行动态序列相结合，并通过两个层面合并KB信息，进行扩展，解决了一般性线上物品特征信息难以统一获取的问题，避免了手动提取一般化的物品信息规则，减少了预测对于历史流行度数据的依赖性。对潜在用户的购买决策起到了导向作用，有利于商品提供者把握市场偏好，优化线上物品供给和推荐策略。

Description

一种基于知识增强神经网络的线上内容流行度预测方法
技术领域
本发明涉及流行度预测方法的技术领域，尤其是涉及一种基于知 识增强神经网络的线上内容流行度预测方法。
背景技术
目前，预测流行度的经典方法是将以前的流行统计作为输入，建 立回归或分类预测模型。它们通过表征时间序列数据中的时间依赖或 相关性来做出预测。鉴于简单的预测模型可能无法有效捕捉复杂的时 间特征，后续研究已经得到了一系列更加强大的预测模型，如加强泊 松过程，多维时间序列模型，LARM(lifetime aware regression model， 寿命感知回归模型)模型和TARM(transfer autoregressive model， 转移自回归模型)模型。由于在网络上有丰富的上下文数据，许多研 究建议利用这些辅助特征改进流行预测，包括内容特征，用户特征， 结构特征和空间特征。这些基于特征的方法利用时间序列以及上下文 数据以习得更好的预测模型。然而，这些方法通常依赖于手动提取规 则或者平台依赖的内容特征，不能够被灵活应用于更加广泛的数据集 上。不仅如此，这些方法主要使用传统的机器学习算法，能否充分有 效地利用内容信息中复杂的数据特征亦有待商榷。为了利用物品信息 进行流行度预测，我们需要考虑以下三个重要问题：(1)如何选择利 用一般性的物品信息；(2)如何将信息表示为一般化的形式；(3)如何 将这些信息有效利用到预测之中。
最近，深度学习已成为了一种用以解决各种复杂任务的流行技术。 典型的深度学习流行度预测方法是利用循环神经网络(RNN)捕捉时间 依赖性、建立更好的预测模型。这些方法主要依靠序列数据建模中 RNN的优异性能。此外，一些研究也采用神经网络作为一种变换方法 来将各种特征用于流行预测，包括事件信号，级联，级联图和多模态 信息。
我们的专利申请与上述研究密切相关。然而，我们的侧重点不同， 譬如，如何利用知识库(KB)信息提高流行度预测结果。目前，还没 有研究利用KB数据进行流行预测。KB的一般数据表示形式和大量实 体信息使其可能适用于更多的领域。如接下来的部分所示，将KB嵌 入向量整合进预测模型中也是重要的步骤。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背 景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已 为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于知识增强神经网络的线上内容 流行度预测方法，以解决现有技术中存在的技术问题。
为了实现上述目的，本发明采用以下技术方案：
本发明提供一种基于知识增强神经网络的线上内容流行度预测 方法，其包括：
将线上物品和已有KB进行连接，并将KB信息用于流行度预测；
利用一个隐含向量来表示KB实体，并对KB信息进行编码；
基于LSTM网络构建预测模型，该预测模型能够自适应地与目标 物品的KB嵌入向量以及具有相似实体信息物品的流行动态序列相结 合，并通过两个层面合并KB信息，进行扩展。
作为一种进一步的技术方案，基于LSTM网络构建预测模型包括：
将已经获得的流行度数值作为每一个时间点t的输入其中， 表示：在时间t下，每个物品i都会得到一个衡量其在当前时间段 内的流行度数值；n和m两个参数定义了所述模型的预测目标；对于 物品i，当LSTM接收到n个输入值，它会利用基于物品i第n个隐 藏状态向量的函数g(·)对接下来m个时间段的增量值进行预测。
作为一种进一步的技术方案，所述KB信息的整合方式包括两种： 利用KBEmbedding增强预测以及利用KB Neighbors增强预测。
作为一种进一步的技术方案，所述KB Embedding增强预测包括：
将KB定义为一个实体集合和一个关系集合KB三元组 <e1，r，e2>表示实体集的两个实体e1和e2之间存在关系集中的一 个关系r，该KB三元组指出KB中存储的一个事实；
KB Embedding方法使用transE模型以最小化KB三元组的损失 函数从而获得KB的嵌入向量，方法中使用 KB中全部的三元组来训练transE模型，而不是仅仅使用与连接实体 相关的三元组。
作为一种进一步的技术方案，将KB的嵌入向量整合进基于LSTM 网络构建的预测模型，对于流行度预测，为了利用KB嵌入向量ei， 首先将其转化为一个更加适合当前目标的向量，利用下列公式进行基 于门的KB Embeddings整合：
其中MLP(·)是一个标准多层感知机，包含两个隐层，使用ReLu (Rectifiedlinear unit，修正线性单元)作为激活函数。
作为一种进一步的技术方案，所述KB Neighbors增强预测包括：
利用具有相似实体信息的相关物品的流行度动态来提升流行度 预测结果，基于习得的KB嵌入向量，利用实体嵌入向量的距离来计算 其物品相关度，其中，实体嵌入向量的距离能被灵活地设置为任意向 量距离计算公式。
作为一种进一步的技术方案，对于确定的KB Neighbors，利用 注意力机制对其信息进行加权，最终得到KB Neighbors时间序列的 组合结果。
作为一种进一步的技术方案，最终表示物品流行度预测值的向量 是利用目标物品自身的信息得到的向量和利用其KB Neighbors 的信息得到的向量的级联结果；其中，是仅使用目标物品自身信 息习得的表示；是使用k个KB Neighbors信息习得的表示
采用上述技术方案，本发明具有如下有益效果：
本发明提供一种基于知识增强神经网络的线上内容流行度预测 方法，连接线上物品和已有知识库，并将KB信息用于流行度预测。 本发明利用但不限于物品的历史流行度时间序列，解决了一般性线上 物品特征信息难以统一获取的问题，避免了手动提取一般化的物品信 息规则，减少了预测对于历史流行度数据的依赖性。对潜在用户的购 买决策起到了导向作用，有利于商品提供者把握市场偏好，优化线上 物品供给和推荐策略。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方 案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简 单的介绍，显而易见地，下面描述中的附图是本发明的一些实施方式， 对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可 以根据这些附图获得其他的附图。
图1为本发明实施例提供的LSTM选择激活单元的tanh函数图；
图2为本发明实施例提供的相似KB信息物品的流行度趋势，呈现为 部分相似状态；
图3为本发明实施例提供的相似KB信息物品的流行度趋势，呈现为 全部相似状态；
图4为本发明实施例提供的预测模型的整体构架示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显 然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。 基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动 前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解 的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用 于限制本发明。
本实施例提供一种基于知识增强神经网络的线上内容流行度预 测模型(KB-PPN)。将线上物品和已有KB进行连接，并将KB信息用于 流行度预测；利用一个隐含向量来表示KB实体，并对KB信息进行编 码；基于LSTM网络构建预测模型，该预测模型能够自适应地与目标 物品的KB嵌入向量以及具有相似实体信息物品的流行动态序列相结 合，并通过两个层面合并KB信息，进行扩展。可以理解的是，本实 施例从一个利用标准LSTM架构的基础模型开始，之后通过从两个层 面合并KB信息扩展模型，即为KB Embedding和KBNeighbors。下 文按照不同模块对本发明进行说明。
基于LSTM的流行度预测模型
用L表示一个在线平台上的一组物品，例如AMAZON的电子书或 者LAST.FM的音乐。给定一个有n个时间段(也称为区间)的观察窗口 [1，n]。在时间t下，每个物品i都会得到一个衡量其在当前时间段 内流行度的值，用表示。流行度数值反映了一个物品得到的在线关 注度，例如评论或点击次数。将这些值按时间升序排序，我们可以得 到一个关于物品i流行度数值的时间序列，即将其定 义为流行度时间序列。用表示在时间点n之后m个时间段中流行 度的增量，于是有
循环神经网络(RNN)在捕获和表征序列数据的时间依赖性上表现 出色，尤其是长短期记忆网络(LSTM)。和RNN类似，LSTM网络生成 的当前隐藏状态向量(hidden statevector)ht取决于前一次的隐 藏状态向量ht-1以及当前的输入向量(input vector)xt，于是有 ht＝LSTM(ht-1，xt，Θ)，其中LSTM(·)是LSTM unit，Θ表示所有相关 参数。通过添加输入门，忘记门和输出门，LSTM能够更好地捕捉长 期序列依赖。因此，本发明将LSTM网络作为构建预测模型的主要组 成部分。LSTM的计算公式如下：
it＝σ(Wixt+Uiht-1+bi)(2)
ot＝σ(Woxt+Uoht-1+bo)(3)
ft＝σ(Wfxt+Ufht-1+bf)(4)
ct＝ft·ct-1+it·tanh(Wcx+Ucht-1+bc) (5)
ht＝Ot·tanh(ct) (6)
it、ot、ft、ct、ht分别表示输入门信息、输出门信息、忘记门 信息、细胞状态信息以及历史的隐层信息，Wi、Wo、Wf、Wc、Ui、 Uo、Uf和Uc分别表示输入门、输出门、忘记门和细胞状态的输入xt的 权值以及输入ht-1的权重，bi、bo、bf和bc表示各个控制门对应的偏 置。此外，LSTM选择激活单元是tanh函数，它将一个实数输入映射 到[1，1]范围内，如下图1所示。
对于预测目标，在每一个时间点t的输入是已经获得的流行度数 值在这里，xt退化成一个标量值。n和m两个参数定义了预测目 标。对于物品i，当LSTM接收到n个输入值，它会利用基于物品i 的第n个隐藏状态向量的函数g(·)对接下来m个时间段的增量值进行预测，即其中上标i表示物品i，设g(·)为线 性函数。
利用KB Embedding增强预测
除了流行度时间序列，知识库(KB)也可用作输入。将KB定义为 一个实体集合和一个关系集合KB三元组＜e1，r，e2＞表示实体 集的两个实体e1和e2之间存在关系集中的一个关系r，该三元组指 出KB中存储的一个事实。例如，KB三元组(CHINA，HASCAPITALCITY， BEIJING)描述了北京是中国的首都。项目集可以被视为KB实体集合的一个子集，于是有通过使用KB实体连接一个物品，模型 可以获取其所有相关的KB信息。
给定一个线上物品i，ei表示其在KB中的相关实体。由于KB以 一系列三元组表示，本模型能确定一系列相关三元组，其中ei是头实 体或者尾实体。为了更有效地对ei的KB信息进行编码，模型学习分 布向量(distributed vector)为了获得KB的嵌入向量， 模型使用transE模型以最小化三元组损失函数 模型使用KB中全部的三元组来训练transE模型，而不是仅仅 使用与连接实体相关的三元组。习得的KB嵌入向量提供一种对KB 信息的通用表示，能够更加灵活地使用和整合。
在此基础上，模型将KB嵌入向量整合进基于LSTM的预测模型。 对于流行度预测，KB嵌入向量可能包含有用，无关甚至噪声信息。 直接将KB嵌入向量合并到预测模型是不可行的。为了利用KB嵌入向 量ei，首先将其转化为一个更加适合当前目标的向量
其中MLP(·)是一个标准多层感知机，包含两个隐层，使用relu 作为激活函数。
对于物品i，模型已获得从时间序列数据习得的隐藏状态向量以及转化后的从KB数据习得的嵌入向量模型应该能够根据当前 状态自适应地调整组合权重，而不是使用固定权重。为达到这个目的， 我们使用门机制来组合转化后的KB嵌入向量以及隐藏状态向量
其中是自适应的组合权重，WE和UE是参数矩阵，是 物品i在时间n时的KB增强表示。
在模型中，首先使用非线性转换学习KB嵌入向量在流行度预测 中的适当表示。之后，使用门机制来平衡以当前隐藏状态为条件的2 个因素。基于门的组合方法的一个优点是，即使对于相似的物品，该 方法也能够根据不同的时间段获得不同的组合权重，从而自适应地整 合KB信息。
利用KB Neighbors增强预测
结合图2与图3所示，两个具有相似KB信息的物品可能会有相 似的流行度动态。因此，模型进一步提出利用具有相似实体信息的相 关物品的流行度动态来提升流行度预测结果。方便起见，将同一领域 具有相似KB信息的两个物品称为KB Neighbors。现在问题转化为如 何确定KB Neighbors以及如何将KB Neighbors的信息整合进流行度 预测之中。
为了使用KB数据计算两个物品的相关性(或相似性)，基于习得 的KB嵌入向量，模型通过实体嵌入向量的距离来计算其物品相关度。 即给定两个实体e1和e2，模型通过距离函数f(e1，e2)计算KB嵌入向量 距离，其中f(·)可以被灵活地设置为任意向量距离计算公式，譬如L1 范式。这样，模型能够通过与目标物品之间的KB嵌入向量距离来对 候选物品排序。模型通过KB信息选择近邻，是独立于历史流行度趋 势数据的。为了移除数据依赖性，我们去除了所有比目标实体存在时 间长的候选物品。为了保证高效性，模型只取前K个最相邻的实体作 为KB Neighbors。
接下来描述如何利用KB Neighbors信息来提高预测结果。给定 一个目标物品，其KB Neighbors有较大可能性与其拥有相似的流行 度动态。因此，模型将其流行度动态整合进预测模型之中。对于每一 个近邻k，模型仍使用LSTM网络来对其流行度动态进行编码，将其 截至时间点n的流行度表示为一个隐向量
其中模型在LSTM网络中使用一个和目标物品不同的参数配置Θ′， 因为主要用于提升物品i的预测，而不是物品k。为整合多个KB Neighbors的隐向量，模型利用注意力机制来设置关于物品i的总权 重 被定义如下
其中为物品i仅使用时间序列数据得到的向量，ek为物品k 的KB嵌入向量，被下列函数定义
其中WN和UN为参数矩阵，a为参数向量。根据获得的注意力权 重，模型能够将k个KBNeighbors的信息转化为一个向量
最终，表示物品流行度预测值的向量是和的级联
其中是仅使用目标物品自身信息习得的表示(包括时间序列和 KB数据)，如公式(9)所定义；是使用k个KB Neighbors信息习得 的表示，如公式(13)所定义。和门机制类似，我们的模型根据当前隐 藏状态自适应地设定注意力权重。这能够避免图2的问题，即物品在 不同时间段有着不同的流行度动态的关联性。我们可以将注意力机制 看作一个关键值检索过程，其中，查询为目标物品关于时间序列的 表示，关键词ek为KB Neighbors的KB嵌入向量。得到的结果是KB Neighbors时间序列的组合。利用非线性查询关键词匹配机制，模型 能够更加强力地利用每一个KB Neighbors对于目标物品的有用信息。 在获得后，我们仍使用线性函数做出最终的预测。
图4展示了模型的整体构架。模型很明显的分为两个部分：一个 部分利用目标物品自身的信息，另一部分利用其KB Neighbors的信 息。KB信息在两部分中均被使用：首先，它被转化为直接用于提升 预测的信息；其次，它被用作注意力模型的关键词。我们将提出的模 型称为KB-enhanced Popularity Prediction Network(KB-PPN)
模型学习方式
训练集的总损失定义为
其中勾物品集合，以及是对于物品i在时间段(t，t+m] 中流行度增量的真实值和预测值，θ(·)是损失函数，这里被设为平均 绝对误差(MAE)。模型使用最小梯度下降法，利用Adam优化器对模型 参数进行学习。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案， 而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明， 本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载 的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替 换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各 实施例技术方案的范围。

Claims (8)

1.一种基于知识增强神经网络的线上内容流行度预测方法，其特征在于，包括：
将线上物品和已有KB进行连接，并将KB信息用于流行度预测；
利用一个隐含向量来表示KB实体，并对KB信息进行编码；
基于LSTM网络构建预测模型，该预测模型能够自适应地与目标物品的KB嵌入向量以及具有相似实体信息物品的流行动态序列相结合，并通过两个层面合并KB信息，进行扩展。
2.根据权利要求1所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，基于LSTM网络构建预测模型包括：
将已经获得的流行度数值作为每一个时间点t的输入其中，表示：在时间t下，每个物品i都会得到一个衡量其在当前时间段内的流行度数值；n和m两个参数定义了所述模型的预测目标；对于物品i，当LSTM接收到n个输入值，它会利用基于物品i第n个隐藏状态向量的函数g(·)对接下来m个时间段的增量值进行预测。
3.根据权利要求1所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，所述KB信息的整合方式包括两种：利用KB Embedding增强预测以及利用KBNeighbors增强预测。
4.根据权利要求3所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，所述KB Embedding增强预测包括：
将KB定义为一个实体集合和一个关系集合KB三元组<e1,r,e2>表示实体集的两个实体e1和e2之间存在关系集中的一个关系r，该KB三元组指出KB中存储的一个事实；
KB Embedding方法使用transE模型以最小化KB三元组的损失函数从而获得KB的嵌入向量，方法中使用KB中全部的三元组来训练transE模型，而不是仅仅使用与连接实体相关的三元组。
5.根据权利要求4所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，
将KB的嵌入向量整合进基于LSTM网络构建的预测模型，对于流行度预测，为了利用KB嵌入向量ei，首先将其转化为一个更加适合当前目标的向量，利用下列公式进行基于门的KB Embeddings整合：
其中MLP(·)是一个标准多层感知机，包含两个隐层，使用ReLu作为激活函数。
6.根据权利要求5所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，所述KB Neighbors增强预测包括：
利用具有相似实体信息的相关物品的流行度动态来提升流行度预测结果,基于习得的KB嵌入向量，利用实体嵌入向量的距离来计算其物品相关度，其中，实体嵌入向量的距离能被灵活地设置为任意向量距离计算公式。
7.根据权利要求6所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，对于确定的KB Neighbors，利用注意力机制对其信息进行加权，最终得到KBNeighbors时间序列的组合结果。
8.根据权利要求7所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，最终表示物品流行度预测值的向量是利用目标物品自身的信息得到的向量和利用其KB Neighbors的信息得到的向量的级联结果；其中，是仅使用目标物品自身信息习得的表示；是使用k个KB Neighbors信息习得的表示。
CN201810658784.5A 2018-06-25 2018-06-25 一种基于知识增强神经网络的线上内容流行度预测方法 Active CN108876044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810658784.5A CN108876044B (zh) 2018-06-25 2018-06-25 一种基于知识增强神经网络的线上内容流行度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810658784.5A CN108876044B (zh) 2018-06-25 2018-06-25 一种基于知识增强神经网络的线上内容流行度预测方法

Publications (2)

Publication Number Publication Date
CN108876044A true CN108876044A (zh) 2018-11-23
CN108876044B CN108876044B (zh) 2021-02-26

Family

ID=64295320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810658784.5A Active CN108876044B (zh) 2018-06-25 2018-06-25 一种基于知识增强神经网络的线上内容流行度预测方法

Country Status (1)

Country Link
CN (1) CN108876044B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083699A (zh) * 2019-03-18 2019-08-02 中国科学院自动化研究所 基于深度神经网络的新闻流行度预测模型训练方法
CN110763441A (zh) * 2019-07-02 2020-02-07 中国民航大学 基于单类最大向量角区域间隔的发动机涡轮盘检测方法
CN111695625A (zh) * 2020-06-10 2020-09-22 西北工业大学 一种基于多级注意力机制网络的移动应用流行度预测方法
CN113781181A (zh) * 2021-09-16 2021-12-10 中山大学 基于使用物品流行度辅助用户兴趣建模的推荐方法
CN113917101A (zh) * 2021-10-09 2022-01-11 中国人民大学 流域水环境中铜的慢性毒性预测与长期基准推导方法
CN114596120A (zh) * 2022-03-15 2022-06-07 江苏衫数科技集团有限公司 一种商品销量预测方法、系统、设备及存储介质
CN116682551A (zh) * 2023-07-27 2023-09-01 腾讯科技（深圳）有限公司 疾病预测方法、疾病预测模型训练方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975504A (zh) * 2016-04-28 2016-09-28 中国科学院计算技术研究所 一种基于循环神经网络的社交网络消息爆发检测方法及系统
CN107066446A (zh) * 2017-04-13 2017-08-18 广东工业大学 一种嵌入逻辑规则的循环神经网络文本情感分析方法
CN107943847A (zh) * 2017-11-02 2018-04-20 平安科技（深圳）有限公司 企业关系提取方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975504A (zh) * 2016-04-28 2016-09-28 中国科学院计算技术研究所 一种基于循环神经网络的社交网络消息爆发检测方法及系统
CN107066446A (zh) * 2017-04-13 2017-08-18 广东工业大学 一种嵌入逻辑规则的循环神经网络文本情感分析方法
CN107943847A (zh) * 2017-11-02 2018-04-20 平安科技（深圳）有限公司 企业关系提取方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白婷，文继荣等: ""基于迭代回归树模型的跨平台长尾商品购买行为预测"", 《中文信息学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083699A (zh) * 2019-03-18 2019-08-02 中国科学院自动化研究所 基于深度神经网络的新闻流行度预测模型训练方法
CN110083699B (zh) * 2019-03-18 2021-01-12 中国科学院自动化研究所 基于深度神经网络的新闻流行度预测模型训练方法
CN110763441A (zh) * 2019-07-02 2020-02-07 中国民航大学 基于单类最大向量角区域间隔的发动机涡轮盘检测方法
CN111695625A (zh) * 2020-06-10 2020-09-22 西北工业大学 一种基于多级注意力机制网络的移动应用流行度预测方法
CN113781181A (zh) * 2021-09-16 2021-12-10 中山大学 基于使用物品流行度辅助用户兴趣建模的推荐方法
CN113781181B (zh) * 2021-09-16 2024-03-05 中山大学 基于使用物品流行度辅助用户兴趣建模的推荐方法
CN113917101A (zh) * 2021-10-09 2022-01-11 中国人民大学 流域水环境中铜的慢性毒性预测与长期基准推导方法
CN113917101B (zh) * 2021-10-09 2024-01-12 中国人民大学 流域水环境中铜的慢性毒性预测与长期基准推导方法
CN114596120A (zh) * 2022-03-15 2022-06-07 江苏衫数科技集团有限公司 一种商品销量预测方法、系统、设备及存储介质
CN114596120B (zh) * 2022-03-15 2024-01-05 江苏衫数科技集团有限公司 一种商品销量预测方法、系统、设备及存储介质
CN116682551A (zh) * 2023-07-27 2023-09-01 腾讯科技（深圳）有限公司 疾病预测方法、疾病预测模型训练方法和装置
CN116682551B (zh) * 2023-07-27 2023-12-22 腾讯科技（深圳）有限公司 疾病预测方法、疾病预测模型训练方法和装置

Also Published As

Publication number Publication date
CN108876044B (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN108876044A (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN108446374B (zh) 用户意图预测方法、装置、电子设备、存储介质
CN110659744B (zh) 训练事件预测模型、评估操作事件的方法及装置
Dai et al. Combining nonlinear independent component analysis and neural network for the prediction of Asian stock market indexes
CN113905391B (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
CN107437096A (zh) 基于参数高效的深度残差网络模型的图像分类方法
CN109829775A (zh) 一种物品推荐方法、装置、设备及可读存储介质
CN111291261A (zh) 融合标签和注意力机制的跨领域推荐方法及其实现系统
CN111737592B (zh) 一种基于异构传播协同知识感知网络的推荐方法
CN109325589A (zh) 卷积计算方法及装置
CN109033107A (zh) 图像检索方法和装置、计算机设备和存储介质
JP6908302B2 (ja) 学習装置、識別装置及びプログラム
CN105447510B (zh) 基于人工蜂群优化lssvm的脉动风速预测方法
CN111581520A (zh) 基于会话中物品重要性的物品推荐方法和系统
Amirteimoori et al. On the environmental performance analysis: a combined fuzzy data envelopment analysis and artificial intelligence algorithms
CN111984820B (zh) 一种基于双自注意力胶囊网络的视频摘要方法
CN112215604A (zh) 交易双方关系信息识别方法及装置
CN107368499B (zh) 一种客户标签建模及推荐方法及装置
CN111104975B (zh) 一种基于广度学习的信用评估方法
CN111062511B (zh) 基于决策树与神经网络的水产养殖病害预测方法及系统
Zhang et al. Advertisement click-through rate prediction based on the weighted-ELM and adaboost algorithm
CN107240100B (zh) 一种基于遗传算法的图像分割方法和系统
CN115545832A (zh) 商品搜索推荐方法及其装置、设备、介质
CN110443574A (zh) 多项目卷积神经网络评审专家推荐方法
CN113361776A (zh) 一种基于用户用电行为聚类的电力负荷概率预测方法

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