CN108985830A - 基于异质信息网络的推荐评分方法、装置 - Google Patents
基于异质信息网络的推荐评分方法、装置 Download PDFInfo
- Publication number
- CN108985830A CN108985830A CN201810729907.XA CN201810729907A CN108985830A CN 108985830 A CN108985830 A CN 108985830A CN 201810729907 A CN201810729907 A CN 201810729907A CN 108985830 A CN108985830 A CN 108985830A
- Authority
- CN
- China
- Prior art keywords
- similarity vector
- vector
- similarity
- network model
- sample
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (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基于异质信息网络的推荐评分方法及装置,该方法包括:确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;获取针对目标用户的第一相似度向量和针对目标商品的第二相似度向量;获取针对目标用户的第三相似度向量和针对目标商品的第四相似度向量;将针对目标用户的第一相似度向量、第三相似度向量以及针对目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到目标用户对目标商品的预测评分值。从而不仅考虑了用户与商品的历史购买信息,还考虑了商品的属性信息以及用户对商品属性的偏好,能够实现更加准确的预测用户对商品的预测评分。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及一种基于异质信息网络的推荐评分方法、装置。
背景技术
随着电子商务的发展,互联网公司能够提供大量的商品供用户选择,用户面对大量的商品很难做出选择。目前,主要使用推荐系统帮助用户进行选择。其中,推荐系统是使用深度学习的方法,利用用户对商品的历史购买信息对神经网络模型进行训练得到的系统。
利用推荐系统为用户推荐商品时,对于每个候选商品,将该用户对不同商品的购买信息输入推荐系统,进而得到该用户对该候选商品的评分值,该评分值表示用户对商品的购买期望。推荐系统将评分值较高的候选商品推荐给用户。
由上可见,向用户推荐商品时,对候选商品的评分值起着重要的作用。
目前的推荐系统仅是利用用户对商品的历史购买信息进行训练得到的。而用户对商品的历史购买信息不能全面地反映商品特征以及用户对各个商品特征的偏好,因此,采用现有技术中的推荐系统对候选商品的评分并不准确。
发明内容
本发明实施例的目的在于提供一种基于异质信息网络的推荐评分方法及装置,以提高预测用户对商品的评分的准确性。具体技术方案如下:
为了提高预测用户对商品的评分的准确性,本发明实施例提供了一种基于异质信息网络的推荐评分方法,所述方法包括:
确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;
获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量,所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的;
获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量,所述第三相似度向量是和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的;
将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到所述目标用户对所述目标商品的预测评分值;
其中,所述推荐网络模型为根据训练集训练得到的,所述训练集包括:针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。
可选的,所述推荐网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型;
所述将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到所述目标用户对所述目标商品的预测评分值,包括:
将针对所述目标用户的第一相似度向量输入第一神经网络模型,得到第一特征向量;
将针对所述目标商品的第二相似度向量输入第二神经网络模型,得到第二特征向量;
将针对所述目标用户的第三相似度向量输入第三神经网络模型,得到第三特征向量;
将针对所述目标商品的第四相似度向量输入第四神经网络模型,得到第四特征向量;
将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理,得到融合特征向量;
通过预设激活函数处理所述融合特征向量,得到所述目标用户对所述目标商品的预测评分值。
可选的,样本商品的属性因子有预设数量种,所述第三相似度向量、所述第四相似度向量的数量均与所述预设数量相同,所述第三神经网络模型、所述第四神经网络模型的数量均与所述预设数量相同。
可选的,所述第一相似度向量、所述第二相似度向量、所述第三相似度向量以及所述第四相似度向量是采用预设算法计算得到;所述预设算法包括:pathsim算法、simrank算法以及hetesim算法中的一种或多种。
可选的,所述推荐网络模型采用以下步骤训练获得:
获取预设的神经网络模型和所述训练集;
将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型,得到多个样本用户对多个样本商品的预测评分值;
根据得到的预测评分值和所述训练集中包括的真实评分值,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型,得到多个样本用户对多个样本商品的预测评分值的步骤;
若是,则将当前的神经网络模型确定为推荐网络模型。
可选的,所述方法还包括:
判断所述目标用户对所述目标商品的预测评分值是否达到阈值;若是,则将所述目标商品推荐给所述目标用户。
为了提高预测用户对商品的评分的准确性,本发明实施例提供了一种基于异质信息网络的推荐评分装置,所述装置包括:
确定模块,用于确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;
第一获取模块,用于获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量,所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的;
第二获取模块,用于获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量,所述第三相似度向量是和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的;
预测模块,用于将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到所述目标用户对所述目标商品的预测评分值。
可选的,所述预测模块,具体用于:
将针对所述目标用户的第一相似度向量输入第一神经网络模型,得到第一特征向量;
将针对所述目标商品的第二相似度向量输入第二神经网络模型,得到第二特征向量;
将针对所述目标用户的第三相似度向量输入第三神经网络模型,得到第三特征向量;
将针对所述目标商品的第四相似度向量输入第四神经网络模型,得到第四特征向量;
将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理,得到融合特征向量;
通过预设激活函数处理所述融合特征向量,得到所述目标用户对所述目标商品的预测评分值。
可选的,样本商品的属性因子有预设数量种,所述第三相似度向量、所述第四相似度向量的数量均与所述预设数量相同,所述第三神经网络模型、所述第四神经网络模型的数量均与所述预设数量相同。
可选的,所述第一相似度向量、所述第二相似度向量、所述第三相似度向量以及所述第四相似度向量是采用预设算法计算得到;所述预设算法包括:pathsim算法、simrank算法以及hetesim算法中的一种或多种。
可选的,所述装置还包括:
训练模块,用于训练所述推荐网络模型;
所述训练模块,具体用于:
获取预设的神经网络模型和所述训练集;
将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型,得到多个样本用户对多个样本商品的预测评分值;
根据得到的预测评分值和所述训练集中包括的真实评分值,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型,得到多个样本用户对多个样本商品的预测评分值的步骤;
若是,则将当前的神经网络模型确定为推荐网络模型。
可选的,所述装置还包括:
推荐模块,用于判断所述目标用户对所述目标商品的预测评分值是否达到阈值;若是,则将所述目标商品推荐给所述目标用户。
为实现上述目的,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线;其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一方法步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法步骤。
本发明实施例提供的基于异质信息网络的推荐评分方法、装置、电子设备及存储介质,能够根据包含样本用户、样本商品和属性因子的异质信息网络得到针对目标用户的第一相似度向量、第三相似度向量,以及针对目标商品的第二相似度向量、第四相似度向量,将第一相似度向量、第二相似度向量、第三相似度向量、第四相似度向量均输入训练完成的推荐网络模型,得到目标用户对目标商品的预测评分。从而不仅考虑了用户与商品的历史购买信息,还考虑了商品的属性信息以及用户对商品属性的偏好,能够实现更加准确的预测用户对商品的预测评分。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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异质信息网络的一种示意图;
图2为本发明实施例提供的基于异质信息网络的推荐评分方法的一种流程图;
图3为本发明实施例提供的基于异质信息网络的推荐评分方法的一种示例性示意图;
图4为本发明实施例提供的基于异质信息网络的推荐评分装置的一种结构示意图;
图5为本发明实施例提供的电子设备的一种结构示意图。
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清楚、完整地描述,显然,所描述的实施例仅仅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。
为了解决对商品评分不够准确的问题,本发明实施例提供了一种基于异质信息网络的推荐评分方法。在介绍该方法之前,先对本发明实施例中的异质信息网络做简要介绍,可以参见图1,图1为本发明实施例提供的异质信息网络的一种示意图,其中,异质信息网络的节点包括样本用户、样本商品和属性因子,属性因子表示样本商品的具体属性。
图1所示的异质信息网络中样本商品的属性为品牌,对应的属性因子包括品牌B1、品牌B2。当然,样本商品的属性可以有多种,并不限于品牌,这里仅以品牌为例做示例性说明。
异质信息网络中的边包括连接样本用户和样本商品的第一类边,以及连接样本商品和属性因子的第二类边,该第一类边用于指示样本商品为样本用户的历史购买商品,该第二类边用于指示样本商品的属性因子与节点的属性因子匹配。例如,连接样本用户U1和样本商品I1的边表明该样本用户U1购买过该样本商品I1,连接样本商品I1和品牌属性因子B1的边表明该样本商品I1的品牌为B1。
这样,使用异质信息网络即可表示样本用户对样本商品的历史购买信息以及样本商品的属性信息。
下面结合图2对本发明实施例提供的基于异质信息网络的推荐评分方法进行介绍。参见图2所示的基于异质信息网络的推荐评分方的一种流程图,该方法包括以下步骤。
S201:确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品。
在本发明实施例中,可以预先获取大量样本用户和大量样本商品。其中,部分样本用户购买过部分样本商品。例如,样本用户为某购物平台的用户,样本商品为该购物平台所提供的商品,这些样本用户购买了该购物平台的部分样本商品。
基于这些信息数据,对于某一样本用户以及样本商品,其中该样本用户没有购买过该样本商品,本发明实施例所要实现的是:预测该样本用户对该样本商品的预测评分值,该预测评分值表示该样本用户对该样本商品的购买期望。
即在S201中,可以先从多个样本用户中确定出目标用户,从多个样本商品中确定出目标商品,其中,该目标用户没有购买过该目标商品。
S202:获取针对目标用户的第一相似度向量和针对目标商品的第二相似度向量。其中,第一相似度向量和第二相似度向量是基于异质信息网络中第一类边确定的。
在本发明实施例中,针对目标用户的第一相似度向量用于表示目标用户与其他用户关于购买历史方面的相似性。目标用户与某一样本用户的共同购买历史越多,说明该目标用户与该样本用户关于购买历史方面的相似性越大。例如,图1所示的实施例中,由于目标用户U4与样本用户U1、U2有共同购买历史,而与U3没有共同购买历史,那么计算出的针对目标用户U4的第一相似度向量可能为【0.5,0.5,0,1】,其中,0.5为目标用户U4与样本用户U1、U2关于购买历史方面的相似度,0为目标用户U4与样本用户U3关于购买历史方面的相似度,1为目标用户U4与其自身关于购买历史方面的相似度。其中具体数值可能不太准确,仅仅作为示例性说明。
在本发明实施例中,针对目标商品的第二相似度向量用于表示目标商品与其他商品关于被用户购买方面的相似性。目标商品与某一样本商品被共同购买的次数越多,说明该目标商品与该样本商品关于被用户购买方面的相似性越大。
在实际应用中,可以采用预设算法计算针对目标用户的第一相似度向量,以及针对目标商品的第二相似度向量,其中,预设算法可以包括pathsim算法、simrank算法以及hetesim算法中的一种或多种,本发明实施例对此不做限定。
在本发明实施例中,针对每个样本用户的第一相似度向量,以及针对每个样本商品的第二相似度向量均可采用本发明实施例提供的上述预设算法计算得到,对此不作限定。
在本发明的一种实现方式中,可以预先计算出针对每一样本用户的第一相似度向量以及针对每一样本商品的第二相似度向量,将计算得到的多个第一相似度向量以及多个第二相似度向量均作为训练集中的数据预先存储于数据库中。
当需要确定目标用户对目标商品的预测评分值时,直接从数据库中获取针对目标用户的第一相似度向量以及针对目标商品的第二相似度向量,以提高计算的效率。
S203:获取针对目标用户的第三相似度向量和针对目标商品的第四相似度向量。其中,第三相似度向量是和第四相似度向量是基于异质信息网络中第一类边和第二类边确定的。
在本发明实施例中,针对目标用户的第三相似度向量用于表示目标用户与其他用户关于商品属性偏好的相似性。例如,图1所示的实施例中,由于目标用户U4与样本用户U1、U2共同购买过样本商品I1,样本商品I1的品牌是B1,且样本用户U2购买的样本商品I3的品牌也是B1,那么计算出的针对目标用户U4的第三相似度向量可能为【0.5,0.8,0,1】,其中,0.5为目标用户U4与样本用户U1关于商品属性偏好的相似度,0.8为目标用户U4与样本用户U2关于商品属性偏好的相似度,0为目标用户U4与样本用户U3关于商品属性偏好的相似度,1为目标用户U4与其自身关于商品属性偏好的相似度。其中具体数值可能不太准确,仅仅作为示例性说明。
在本发明实施例中,针对目标商品的第四相似度向量用于表示目标商品与其他商品关于商品属性方面的相似性。
在实际应用中,可以采用预设算法计算针对目标用户的第三相似度向量,以及针对目标商品的第四相似度向量,其中,预设算法可以包括pathsim算法、simrank算法以及hetesim算法中的一种或多种,本发明实施例对此不做限定。
在本发明实施例中,针对每个样本用户的第三相似度向量,以及针对每个样本商品的第四相似度向量均可采用本发明实施例提供的上述预设算法计算得到,对此不做限定。
在本发明的一种实现方式中,可以预先计算出针对每一样本用户的第三相似度向量以及针对每一样本商品的第四相似度向量,将计算得到的多个第三相似度向量以及多个第四相似度向量均作为训练集中的数据预先存储于数据库中。
当需要确定目标用户对目标商品的预测评分值时,直接从数据库中获取针对目标用户的第三相似度向量以及针对目标商品的第四相似度向量,以提高计算的效率。
在本发明的一种实现方式中,样本商品的属性因子可以有预设数量种,对应的样本商品的属性也会有预设数量个,且第三相似度向量、第四相似度向量的数量均与该预设数量相同,第三神经网络模型、第四神经网络模型的数量均与该预设数量相同。
例如,预设的商品的属性有2种,分别为:属性1和属性2。属性1对应多个属性因子,属性2对应多个属性因子。那么针对目标用户的第三相似度向量会有两个,一个是关于属性1的,另一个是关于属性2的;针对目标商品的第四相似度向量也会有两个,一个是关于属性1的,另一个是关于属性2的。
当然,若预设的商品属性有n种,那么针对目标用户的第三相似度向量会有n个,针对目标商品的第四相似度向量也会有n个。相应的,针对每一个样本用户的第三相似度向量会有n个,针对每个样本商品的第四相似度向量也会有n个。
本发明实施例中,商品属性可以为商品的品牌,还可以为商品的类别。其中,商品的类别属性对应的属性因子可以有日常用品类,体育运动类,食品类等。
S204:将针对目标用户的第一相似度向量、第三相似度向量以及针对目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到目标用户对目标商品的预测评分值。
其中,推荐网络模型为根据训练集训练得到的,训练集包括:针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。
在确定出针对目标用户的第一相似度向量和第三相似度向量、以及针对目标商品的第二相似度向量和第四相似度向量,可以将这些相似度向量输入推荐网络模型,即可得到目标用户对目标商品的预测评分值。
在本发明实施例中,推荐网络模型中可以包括第一神经网络模型、第二神经网络模型、第三神经网络模型以及第四神经网络模型,在将针对目标用户的第一相似度向量、第三相似度向量以及针对目标商品的第二相似度向量、第四相似度向量输入推荐网络模型的步骤中,可以包括以下细化步骤:
将针对目标用户的第一相似度向量输入第一神经网络模型,得到第一特征向量;将针对目标商品的第二相似度向量输入第二神经网络模型,得到第二特征向量;将针对目标用户的第三相似度向量输入第三神经网络模型,得到第三特征向量;将针对目标商品的第四相似度向量输入第四神经网络模型,得到第四特征向量;将第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理,得到融合特征向量;
在本发明实施例的一种实现方式中,样本商品的属性因子有预设数量种,那么样本商品的属性有预设数量个,为了充分考虑样本用户对样本商品的多个属性的偏好,所获取的针对目标用户的第三相似度向量也有预设数量个,针对目标商品的第四相似度向量也有预设数量个。相应的,第三神经网络模型和第四神经网络模型也有预设数量个。
参见图3,在本发明实施例的一种实现方式中,可以将关于不同属性的第三相似度向量、第四相似度向量分别输入对应的第三神经网络模型和第四神经网络模型。
其中,第一神经网络模型、第二神经网络模型、第三神经网络模型以及第四神经网络模型可以为循环神经网络模型、卷积神经网络模型、循环卷积神经网络模型、深度神经网络模型等。本发明实施例对此不做限定。
每一个神经网络模型都可以输出一个特征向量,为了综合考虑用户对商品的历史购买信息以及用户对商品属性的偏好,在本发明实施例中,可以将上述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合。
在本发明一种实现方式中,可以将第一特征向量、第二特征向量、第三特征向量以及第四特征向量基于权重进行融合,每个特征向量的权重也可以作为神经网络模型中的参数,并通过训练过程确定。
第一特征向量、第二特征向量、第三特征向量以及第四特征向量融合后,可以得到一个融合特征向量,通过激活函数处理该融合特征向量,即可得到目标用户对目标商品的预测评分值。在本发明的一种实现方式中,可以采用线性整流函数(Rectified LinearUnit,ReLU)处理融合特征向量,也可以采用Sigmoid激活函数处理融合特征向量,还可以采用其他激活函数处理融合特征向量。激活函数可以根据实际需求进行选择确定,本发明实施例对此不做限定。
本发明实施例提供的基于异质信息网络的推荐评分方法,能够根据包含样本用户、样本商品和属性因子的异质信息网络得到针对目标用户的第一相似度向量、第三相似度向量,以及针对目标商品的第二相似度向量、第四相似度向量,将第一相似度向量、第二相似度向量、第三相似度向量、第四相似度向量均输入训练完成的推荐网络模型,得到目标用户对目标商品的预测评分。从而不仅考虑了用户与商品的历史购买信息,还考虑了商品的属性信息以及用户对商品属性的偏好,能够实现更加准确的预测用户对商品的预测评分。
本发明实施例中确定的预测评分值表示了目标用户对目标商品的购买期望,可以预设一个阈值,如果预测评分值大于该阈值,则说明目标用户对目标商品的购买期望较高,可以将该目标商品推荐给该目标用户。
在本发明实施例中,推荐网络模型可以采用以下步骤训练获得。
步骤11:获取预设的神经网络模型和训练集。
其中,预设的神经网络模型包括上述实施例中提到的第一神经网络模型、第二神经网络模型、第三神经网络模型以及第四神经网络模型,其中,第三神经网络模型和第四神经网络模型可以有多个。
其中,训练集包括针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量以及多个样本用户对多个样本商品的真实评分值。
在上述实施例中,已经介绍了确定训练集所包含的相似度向量的方法,不再赘述。
步骤12:将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入神经网络模型,得到多个样本用户对多个样本商品的预测评分值。
将上述四类相似度向量输入神经网络模型,得到预测评分值的步骤可以参见上述推荐评分方法实施例中S204部分的描述。
在本发明实施例中,可以将一个样本用户对样本商品的真实评分值以及针对该样本用户的第一相似度向量、第三相似度向量以及针对该样本商品的第二相似度向量、第四相似度向量作为一组训练集数据。
在本发明的一种实现方式中,可以每次输入一组训练集数据,得到该组训练集数据对应的预测评分值。
在本发明的一种较佳的实现方式中,也可以每次输入多组训练集数据,得到每组训练集数据对应的预测评分值。
举例来讲,若训练集数据包括10000个真实评分数据,每个真实评分数据都对应一个样本用户和样本商品,则每轮训练可以选取其中的100个真实评分数据进行训练,即将这100个真实评分数据以及其对应的样本用户和样本商品的特征矩阵输入神经网络模型,得到100个预测评分值。
步骤13:根据得到的预测评分值和训练集中包括的真实评分值,确定损失值。
本申请实施例中,包括但不限于使用均方误差(Mean Squared Error,MSE)公式作为损失函数,得到损失值。
步骤14:根据得到的损失值确定神经网络模型是否收敛。如果是,则执行步骤55。如果否,则步骤56。
步骤15:将当前的神经网络模型确定为推荐网络模型。
步骤16:调整神经网络模型中的参数值,并返回执行步骤12。
基于相同的发明构思,根据上述基于异质信息网络的推荐评分方法实施例,本发明实施例还提供了一种基于异质信息网络的推荐评分装置,参见图4,可以包括以下模块:
确定模块401,用于确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;
第一获取模块402,用于获取针对目标用户的第一相似度向量和针对目标商品的第二相似度向量,第一相似度向量和第二相似度向量是基于异质信息网络中第一类边确定的;
第二获取模块403,用于获取针对目标用户的第三相似度向量和针对目标商品的第四相似度向量,第三相似度向量是和第四相似度向量是基于异质信息网络中第一类边和第二类边确定的;
预测模块404,用于将针对目标用户的第一相似度向量、第三相似度向量以及针对目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到目标用户对目标商品的预测评分值。
本发明实施例提供的基于异质信息网络的推荐评分装置,能够根据包含样本用户、样本商品和属性因子的异质信息网络得到针对目标用户的第一相似度向量、第三相似度向量,以及针对目标商品的第二相似度向量、第四相似度向量,将第一相似度向量、第二相似度向量、第三相似度向量、第四相似度向量均输入训练完成的推荐网络模型,得到目标用户对目标商品的预测评分。从而不仅考虑了用户与商品的历史购买信息,还考虑了商品的属性信息以及用户对商品属性的偏好,能够实现更加准确的预测用户对商品的预测评分。
在本发明的一个实施例中,推荐网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型。
预测模块304,具体可以用于:
将针对目标用户的第一相似度向量输入第一神经网络模型,得到第一特征向量;将针对目标商品的第二相似度向量输入第二神经网络模型,得到第二特征向量;将针对目标用户的第三相似度向量输入第三神经网络模型,得到第三特征向量;将针对目标商品的第四相似度向量输入第四神经网络模型,得到第四特征向量;将第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理,得到融合特征向量;通过预设激活函数处理融合特征向量,得到目标用户对目标商品的预测评分值。
在本发明的一个实施例中,样本商品的属性因子有预设数量种,第三相似度向量、第四相似度向量的数量均与预设数量相同,第三神经网络模型、第四神经网络模型的数量均与预设数量相同。
在本发明的一个实施例中,第一相似度向量、第二相似度向量、第三相似度向量以及第四相似度向量是采用预设算法计算得到;预设算法包括:pathsim算法、simrank算法以及hetesim算法中的一种或多种。
在本发明的一个实施例中,在图4所示装置实施例的基础上,还可以包括训练模块,用于训练推荐网络模型,具体用于:
获取预设的神经网络模型和训练集;
将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入神经网络模型,得到多个样本用户对多个样本商品的预测评分值;
根据得到的预测评分值和训练集中包括的真实评分值,确定损失值;
根据损失值确定神经网络模型是否收敛;
若否,则调整神经网络模型中的参数值,并返回将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入神经网络模型,得到多个样本用户对多个样本商品的预测评分值的步骤;
若是,则将当前的神经网络模型确定为推荐网络模型。
基于相同的发明构思,根据上述基于异质信息网络的推荐评分方法实施例,本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现上述图2所示的基于异质信息网络的推荐评分方法实施例。其中,基于异质信息网络的推荐评分方法包括:
确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;
获取针对目标用户的第一相似度向量和针对目标商品的第二相似度向量,第一相似度向量和第二相似度向量是基于异质信息网络中第一类边确定的;
获取针对目标用户的第三相似度向量和针对目标商品的第四相似度向量,第三相似度向量是和第四相似度向量是基于异质信息网络中第一类边和第二类边确定的;
将针对目标用户的第一相似度向量、第三相似度向量以及针对目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到目标用户对目标商品的预测评分值;
其中,推荐网络模型为根据训练集训练得到的,训练集包括:针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。
上述电子设备提到的通信总线504可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线404可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器503可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器503还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器501可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于相同的发明构思,根据上述基于异质信息网络的推荐评分方法实施例,在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述图2所示的基于异质信息网络的推荐评分方法步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、电子设备实施例及存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见基于网络结构和评论文本的推荐评分方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于异质信息网络的推荐评分方法,其特征在于,所述异质信息网络中的节点包括样本用户、样本商品和属性因子,所述异质信息网络中的边包括连接样本用户和样本商品的第一类边、以及连接样本商品和属性因子的第二类边,所述第一类边用于指示样本商品为样本用户的历史购买商品,所述第二类边用于指示样本商品的属性因子与节点的属性因子匹配;所述方法包括:
确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;
获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量,所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的;
获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量,所述第三相似度向量和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的;
将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到所述目标用户对所述目标商品的预测评分值;
其中,所述推荐网络模型为根据训练集训练得到的,所述训练集包括:针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。
2.根据权利要求1所述的方法,其特征在于,所述推荐网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型;
所述将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到所述目标用户对所述目标商品的预测评分值,包括:
将针对所述目标用户的第一相似度向量输入第一神经网络模型,得到第一特征向量;
将针对所述目标商品的第二相似度向量输入第二神经网络模型,得到第二特征向量;
将针对所述目标用户的第三相似度向量输入第三神经网络模型,得到第三特征向量;
将针对所述目标商品的第四相似度向量输入第四神经网络模型,得到第四特征向量;
将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理,得到融合特征向量;
通过预设激活函数处理所述融合特征向量,得到所述目标用户对所述目标商品的预测评分值。
3.根据权利要求1或2所述的方法,其特征在于,样本商品的属性因子有预设数量种,所述第三相似度向量、所述第四相似度向量的数量均与所述预设数量相同,所述第三神经网络模型、所述第四神经网络模型的数量均与所述预设数量相同。
4.根据权利要求1所述的方法,其特征在于,所述第一相似度向量、所述第二相似度向量、所述第三相似度向量以及所述第四相似度向量是采用预设算法计算得到;所述预设算法包括:pathsim算法、simrank算法以及hetesim算法中的一种或多种。
5.根据权利要求1所述的方法,其特征在于,所述推荐网络模型采用以下步骤训练获得:
获取预设的神经网络模型和所述训练集;
将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型,得到多个样本用户对多个样本商品的预测评分值;
根据得到的预测评分值和所述训练集中包括的真实评分值,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型,得到多个样本用户对多个样本商品的预测评分值的步骤;
若是,则将当前的神经网络模型确定为推荐网络模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断所述目标用户对所述目标商品的预测评分值是否达到阈值;若是,则将所述目标商品推荐给所述目标用户。
7.一种基于异质信息网络的推荐评分装置,其特征在于,所述异质信息网络中的节点包括样本用户、样本商品和属性因子,所述异质信息网络中的边包括连接样本用户和样本商品的第一类边、以及连接样本商品和属性因子的第二类边,所述第一类边用于指示样本商品为样本用户的历史购买商品,所述第二类边用于指示样本商品的属性与属性因子匹配;所述装置包括:
确定模块,用于确定多个样本用户中的目标用户,并确定多个样本商品中的目标商品;
第一获取模块,用于获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量,所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的;
第二获取模块,用于获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量,所述第三相似度向量是和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的;
预测模块,用于将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型,得到所述目标用户对所述目标商品的预测评分值。
8.根据权利要求7所述的装置,其特征在于,所述预测模块,具体用于:
将针对所述目标用户的第一相似度向量输入第一神经网络模型,得到第一特征向量;
将针对所述目标商品的第二相似度向量输入第二神经网络模型,得到第二特征向量;
将针对所述目标用户的第三相似度向量输入第三神经网络模型,得到第三特征向量;
将针对所述目标商品的第四相似度向量输入第四神经网络模型,得到第四特征向量;
将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理,得到融合特征向量;
通过预设激活函数处理所述融合特征向量,得到所述目标用户对所述目标商品的预测评分值。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729907.XA CN108985830B (zh) | 2018-07-05 | 2018-07-05 | 基于异质信息网络的推荐评分方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729907.XA CN108985830B (zh) | 2018-07-05 | 2018-07-05 | 基于异质信息网络的推荐评分方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985830A true CN108985830A (zh) | 2018-12-11 |
CN108985830B CN108985830B (zh) | 2021-03-02 |
Family
ID=64537236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810729907.XA Active CN108985830B (zh) | 2018-07-05 | 2018-07-05 | 基于异质信息网络的推荐评分方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985830B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN109783738A (zh) * | 2019-01-22 | 2019-05-21 | 东华大学 | 一种基于多相似度的双极限学习机混合协同过滤推荐方法 |
CN110659701A (zh) * | 2019-10-09 | 2020-01-07 | 京东数字科技控股有限公司 | 信息处理方法、装置、电子设备及介质 |
CN110968794A (zh) * | 2019-11-14 | 2020-04-07 | 中山大学 | 一种基于二元信息网络的多视角注意力推荐算法 |
CN111105298A (zh) * | 2019-12-31 | 2020-05-05 | 杭州涂鸦信息技术有限公司 | 一种基于物联网智能场景的购买推荐方法及系统 |
CN111292171A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 金融理财产品推送方法及装置 |
CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及设备 |
CN111861635A (zh) * | 2020-06-17 | 2020-10-30 | 北京邮电大学 | 一种针对商品分享时的好友推荐方法、装置及设备 |
CN111931045A (zh) * | 2020-07-30 | 2020-11-13 | 北京邮电大学 | 一种基于元学习的异质信息网络冷启动推荐方法及装置 |
CN112784861A (zh) * | 2019-11-07 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 相似度的确定方法、装置、电子设备和存储介质 |
JP2021089485A (ja) * | 2019-12-02 | 2021-06-10 | 株式会社電通グループ | 広告通知システム、広告通知方法、および情報処理装置 |
WO2021189976A1 (zh) * | 2020-03-25 | 2021-09-30 | 平安科技(深圳)有限公司 | 一种产品信息推送方法、装置、设备及存储介质 |
CN113517990A (zh) * | 2020-04-09 | 2021-10-19 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
CN113779415A (zh) * | 2021-10-22 | 2021-12-10 | 平安科技(深圳)有限公司 | 新闻推荐模型的训练方法、装置、设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034687A (zh) * | 2012-11-29 | 2013-04-10 | 中国科学院自动化研究所 | 一种基于2-类异质网络的关联模块识别方法 |
CN105761154A (zh) * | 2016-04-11 | 2016-07-13 | 北京邮电大学 | 一种社会化推荐方法及装置 |
CN106503022A (zh) * | 2015-09-08 | 2017-03-15 | 北京邮电大学 | 推送推荐信息的方法和装置 |
CN106503028A (zh) * | 2015-09-08 | 2017-03-15 | 北京邮电大学 | 推荐方法和系统 |
US20170286979A1 (en) * | 2016-04-05 | 2017-10-05 | Shutterstock, Inc. | Architecture for predicting network access probability of data files accessible over a computer network |
CN107562795A (zh) * | 2017-08-01 | 2018-01-09 | 广州市香港科大霍英东研究院 | 基于异构信息网络的推荐方法及装置 |
CN107577710A (zh) * | 2017-08-01 | 2018-01-12 | 广州市香港科大霍英东研究院 | 基于异构信息网络的推荐方法及装置 |
CN107944629A (zh) * | 2017-11-30 | 2018-04-20 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
CN108090229A (zh) * | 2018-01-10 | 2018-05-29 | 广东工业大学 | 一种基于卷积神经网络确定评分矩阵的方法和装置 |
-
2018
- 2018-07-05 CN CN201810729907.XA patent/CN108985830B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034687A (zh) * | 2012-11-29 | 2013-04-10 | 中国科学院自动化研究所 | 一种基于2-类异质网络的关联模块识别方法 |
CN106503022A (zh) * | 2015-09-08 | 2017-03-15 | 北京邮电大学 | 推送推荐信息的方法和装置 |
CN106503028A (zh) * | 2015-09-08 | 2017-03-15 | 北京邮电大学 | 推荐方法和系统 |
US20170286979A1 (en) * | 2016-04-05 | 2017-10-05 | Shutterstock, Inc. | Architecture for predicting network access probability of data files accessible over a computer network |
CN105761154A (zh) * | 2016-04-11 | 2016-07-13 | 北京邮电大学 | 一种社会化推荐方法及装置 |
CN107562795A (zh) * | 2017-08-01 | 2018-01-09 | 广州市香港科大霍英东研究院 | 基于异构信息网络的推荐方法及装置 |
CN107577710A (zh) * | 2017-08-01 | 2018-01-12 | 广州市香港科大霍英东研究院 | 基于异构信息网络的推荐方法及装置 |
CN107944629A (zh) * | 2017-11-30 | 2018-04-20 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
CN108090229A (zh) * | 2018-01-10 | 2018-05-29 | 广东工业大学 | 一种基于卷积神经网络确定评分矩阵的方法和装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN109685631B (zh) * | 2019-01-10 | 2021-06-01 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN109783738B (zh) * | 2019-01-22 | 2023-02-28 | 东华大学 | 一种基于多相似度的双极限学习机混合协同过滤推荐方法 |
CN109783738A (zh) * | 2019-01-22 | 2019-05-21 | 东华大学 | 一种基于多相似度的双极限学习机混合协同过滤推荐方法 |
CN110659701A (zh) * | 2019-10-09 | 2020-01-07 | 京东数字科技控股有限公司 | 信息处理方法、装置、电子设备及介质 |
CN110659701B (zh) * | 2019-10-09 | 2022-08-12 | 京东科技控股股份有限公司 | 信息处理方法、装置、电子设备及介质 |
CN112784861A (zh) * | 2019-11-07 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 相似度的确定方法、装置、电子设备和存储介质 |
CN110968794B (zh) * | 2019-11-14 | 2023-12-12 | 中山大学 | 一种基于二元信息网络的多视角注意力推荐方法 |
CN110968794A (zh) * | 2019-11-14 | 2020-04-07 | 中山大学 | 一种基于二元信息网络的多视角注意力推荐算法 |
JP7397252B2 (ja) | 2019-12-02 | 2023-12-13 | 株式会社電通 | 広告通知システム、広告通知方法、および情報処理装置 |
JP2021089485A (ja) * | 2019-12-02 | 2021-06-10 | 株式会社電通グループ | 広告通知システム、広告通知方法、および情報処理装置 |
CN111105298A (zh) * | 2019-12-31 | 2020-05-05 | 杭州涂鸦信息技术有限公司 | 一种基于物联网智能场景的购买推荐方法及系统 |
CN111105298B (zh) * | 2019-12-31 | 2023-09-26 | 杭州涂鸦信息技术有限公司 | 一种基于物联网智能场景的购买推荐方法及系统 |
CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及设备 |
CN111292171A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 金融理财产品推送方法及装置 |
CN111292171B (zh) * | 2020-02-28 | 2023-06-27 | 中国工商银行股份有限公司 | 金融理财产品推送方法及装置 |
WO2021189976A1 (zh) * | 2020-03-25 | 2021-09-30 | 平安科技(深圳)有限公司 | 一种产品信息推送方法、装置、设备及存储介质 |
CN113517990B (zh) * | 2020-04-09 | 2023-02-17 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
CN113517990A (zh) * | 2020-04-09 | 2021-10-19 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
CN111861635B (zh) * | 2020-06-17 | 2022-10-25 | 北京邮电大学 | 一种针对商品分享时的好友推荐方法、装置及设备 |
CN111861635A (zh) * | 2020-06-17 | 2020-10-30 | 北京邮电大学 | 一种针对商品分享时的好友推荐方法、装置及设备 |
CN111931045B (zh) * | 2020-07-30 | 2022-11-25 | 北京邮电大学 | 一种基于元学习的异质信息网络冷启动推荐方法及装置 |
CN111931045A (zh) * | 2020-07-30 | 2020-11-13 | 北京邮电大学 | 一种基于元学习的异质信息网络冷启动推荐方法及装置 |
CN113779415A (zh) * | 2021-10-22 | 2021-12-10 | 平安科技(深圳)有限公司 | 新闻推荐模型的训练方法、装置、设备以及存储介质 |
CN113779415B (zh) * | 2021-10-22 | 2024-07-19 | 平安科技(深圳)有限公司 | 新闻推荐模型的训练方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108985830B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985830A (zh) | 基于异质信息网络的推荐评分方法、装置 | |
TWI740106B (zh) | 產品推薦方法和裝置 | |
CN108960719B (zh) | 选品方法和装置以及计算机可读存储介质 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN107169052B (zh) | 推荐方法及装置 | |
CN108920665A (zh) | 基于网络结构和评论文本的推荐评分方法及装置 | |
CN111242729A (zh) | 一种基于长短期兴趣的序列化推荐方法 | |
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
US20130297437A1 (en) | Product identification using multiple services | |
CN108596695B (zh) | 实体推送方法及系统 | |
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN103778235A (zh) | 一种处理商品评价信息的方法和装置 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN107169806A (zh) | 用于确定商品属性对于购买决策的影响度的方法及装置 | |
CN113190751B (zh) | 一种融合关键词生成的推荐方法 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN109063120B (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
CN110796504B (zh) | 物品推荐方法和装置 | |
CN108197980A (zh) | 个性化购物者的肖像生成方法/系统、存储介质及终端 | |
CN108647986A (zh) | 一种目标用户确定方法、装置及电子设备 | |
US20230153887A1 (en) | Disentangled commodity recommendation method and apparatus, device, and storage medium |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220906 Address after: Gate 8, Block B, 768 Creative Industry Park, No. 5 Xueyuan Road, Haidian District, Beijing 100081 Patentee after: BEIJING HAIZHI XINGTU TECHNOLOGY Co.,Ltd. Address before: 100876 Beijing city Haidian District Xitucheng Road No. 10 Patentee before: Beijing University of Posts and Telecommunications |
|
TR01 | Transfer of patent right |