CN109033294B - 一种融入内容信息的混合推荐方法 - Google Patents

一种融入内容信息的混合推荐方法 Download PDF

Info

Publication number
CN109033294B
CN109033294B CN201810771617.1A CN201810771617A CN109033294B CN 109033294 B CN109033294 B CN 109033294B CN 201810771617 A CN201810771617 A CN 201810771617A CN 109033294 B CN109033294 B CN 109033294B
Authority
CN
China
Prior art keywords
content information
neural network
data
vector
words
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
CN201810771617.1A
Other languages
English (en)
Other versions
CN109033294A (zh
Inventor
张邦佐
高文竹
岳琳
孙小新
冯国忠
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.)
Northeast Normal University
Original Assignee
Northeast Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeast Normal University filed Critical Northeast Normal University
Priority to CN201810771617.1A priority Critical patent/CN109033294B/zh
Publication of CN109033294A publication Critical patent/CN109033294A/zh
Application granted granted Critical
Publication of CN109033294B publication Critical patent/CN109033294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—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)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (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)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种融入内容信息的混合推荐方法，包括：将内容信息转化为内容信息词向量的集合；根据前向传播算法，得到评分矩阵中节点j在神经网络中的损失函数；根据反向传播算法，利用损失函数得到权值矩阵W和偏移向量b；将内容信息词向量融入神经网络中，获得神经网络的输出数据；使用得到的输出数据补充评分矩阵，通过推荐算法得到预测评分。本申请提出了从内容文本中获得分布式稠密向量表示并与评分数据结合，融入使用深度学习技术中的降噪自编码器，着眼于从评分矩阵中学习隐藏特征表示来重构评分矩阵进行预测，从而有效地提升了推荐效果。

Description

一种融入内容信息的混合推荐方法
技术领域
本申请涉及推荐方法技术领域，尤其涉及一种基于内容信息的混合推荐方法。
背景技术
随着信息技术和互联网的发展，网民用户和网络产品数量呈爆炸式增长，人们从信息匮乏时代进入了信息过载(Information overload)时代，信息的多样性给人们的社会活动和商务活动带来了信息选择的困扰，虽然在海量数据中含有很多有价值的信息，但人们不得不耗费大量时间去寻找所需要的信息。特别是近年来新兴电子行业的出现，使得这个矛盾变得越来越突出。从用户角度来讲，很难从丰富多样的商品中找到与需求相符的信息与产品，而从商家角度来讲又很难让自己的商品在海量商品中脱颖而出。因此，如何设计高效的推荐算法已经成为许多科研人员和商业公司面临的巨大挑战。
目前，推荐系统是在线商户和移动应用提高交易量和服务质量的重要手段，在过去几年里，深度学习在许多领域，如：图像识别、语音识别、自然语言处理领域，取得了良好的效果。在深度学习模型中，特征是通过有监督或无监督方式学习得到的，深度学习模型相比于传统模型如协同过滤，更能有效地捕捉到用户或物品间的潜在联系。
协同过滤推荐算法因其实现简单、推荐效果好而得到了广泛的应用。协同过滤推荐算法根据算法机制的不同可以分为2大类：基于近邻的推荐和基于模型的推荐。基于近邻的推荐的核心思想是利用用户-物品评分矩阵，计算出用户与用户之间或者物品与物品之间的相似度，然后将与目标用户相似度高的用户所喜欢的物品推荐给目标用户，或者计算出物品间的相似度后，根据目标用户的历史喜好信息，为其推荐与其历史偏好相似的物品。基于近邻的推荐又可以细分为：基于用户的协同过滤和基于物品的协同过滤。基于模型的推荐主要包括基于聚类模型、贝叶斯分类模型、隐因子模型、图模型。其中以隐因子模型中的矩阵分解技术应用最为广泛。
协同过滤虽然取得了很好的推荐效果，但是由于其依据仅仅是用户-物品评分矩阵，当评分矩阵非常稀疏时，推荐效果会大幅度下降，而且存在新用户与新物品而引起的“冷启动”问题。
发明内容
为解决上述问题，本发明提供一种融入内容信息的混合推荐方法，包括：
将内容信息转化为内容信息词向量pj的集合；
根据前向传播算法，得到评分矩阵中节点j在神经网络中的损失函数 L(W,b)；其中W为神经网络中的权值矩阵；b为偏移向量；
根据反向传播算法，利用损失函数L(W,b)调整权值矩阵W和偏移向量b，得到权值矩阵W和偏移向量b的最优值；
将内容信息词向量pj融入神经网络中，获得神经网络的输出数据；
使用得到的输出数据补充评分矩阵，通过推荐算法得到预测评分。
优选的，其中，在将内容信息转化为内容信息词向量pj集合的步骤包括：
舍弃内容信息中的停用词，设置舍弃停用词后剩余的词为有效词，从有效词中提取前K个有代表性的作为内容信息的特征词，根据所述特征词获得特征词对应的内容信息词向量，将内容信息转换为内容信息词向量的集合。
优选的，其中，所述特征词对应的内容信息词向量是使用词的分布式表示技术得到的词向量，例如，可以是以维基百科作为语料库利用word2vec 或者Glove等方法训练得到的词向量。
优选的，其中，提取的特征词数目为50/100/200。
优选的，其中，每个特征词对应的内容信息词向量的维度为50/100/200。
优选的，其中,在根据前向传播算法得到评分矩阵中节点j在神经网络中的损失函数的步骤包括：
将评分矩阵已有的数据中的一部分置0并加入噪声，设原始数据为xj，得到输出数据为nn(xj,pj)；则节点j在神经网络中的第一损失函数表示为：
Figure BDA0001730405130000031
其中，nn(xj,pj)是节点j在神经网络中最终的输出数据；
α和β分别为矩阵中降噪部分和重构部分的权重系数；
Figure BDA0001730405130000032
为原始输入数据加入噪声后得到的噪声数据的集合。
优选的，其中，在第一损失函数中加入正则化项，获得第二损失函数：
Figure 1
其中，K(x)是原始输入数据中已有评分的集合；W是神经网络中的权值矩阵，包括解码器除了最终的输出数据以外的权重数据；b是偏移向量；λ是正则化参数；|W|Fro为W的Frobenius范数。
优选的，其中，在根据反向传播算法利用损失函数得到权值矩阵W和偏移向量b的步骤中，还包括：
用随机值将权值矩阵W和偏移向量b初始化；
运用批量梯度下降算法进行优化：
Figure BDA0001730405130000034
Figure BDA0001730405130000035
其中η为学习率；
梯度下降每一次迭代用以上公式更新W和b，以减少损失为优化目标对W和 b进行调整，得到W和b的最优值。
优选的，其中，在将内容信息词向量pj融入神经网络网络中获得输出数据的步骤包括：将得到的内容信息词向量融入到神经网络中，得到神经网络的输出数据nn(vj,pj)＝gW2{f(W1(vj,pj)+b1),pj}+b2；
其中，pj为j的内容信息词向量；(vj,pj)为融入内容信息词向量后的原始输入数据，其维度为N；
f(W1(xj,pj)为自解码器中原始输入数据经过压缩得到的数据，其维度为M；
gW2{f(W1(vj,pj)+b1),pj}为自解码器中经过压缩得到的数据再经过解码还原得到的数据，其维度为N；
W1是N*M维的矩阵，b1为M维的偏移向量；
W2是M*N维的矩阵，b2为N维的偏移向量。
优选的，其中，通过推荐算法得到预测评分的步骤中，选择的推荐算法包括且不限于协同过滤推荐算法、基于内容推荐算法和基于规则推荐算法。
本申请实现的有益效果如下：
本发明针对将深度学习模型中的自编码器应用于推荐算法中存在的数据稀疏、冷启动以及辅助信息利用不充分等问题，提出了从内容文本中获得稠密向量表示与评分数据结合，同样融入降噪自编码器，着眼于从评分矩阵中学习隐藏特征表示来重构评分矩阵从而进行预测，有效地提升了推荐效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为融入内容信息后的神经网络模型。
图2融入内容信息的混合推荐方法步骤。
图3为自编码器神经网络结构图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请所述的内容信息，是指具有语义和语法信息的文本内容信息。
在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据 (或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words(停用词)。
本申请所述的自编码器和降噪自编码器，均是指使用深度学习技术中的自编码器和降噪自编码器。
在本实施例中，以电影剧情内容信息的混合推荐方法为例做出解释说明；
对于电影剧情的内容信息，本实施例中具体处理步骤为：
1,对于每部电影的剧情内容信息，首先舍弃停用词，设置舍弃停用词后剩余的词为有效词。
2，从所述有效词中提取前K个具有代表性的作为特征词，得到与上述特征词对应的内容信息词向量(embedding)；其中，所述的内容信息词向量是我们使用以维基百科作为语料库利用Glove等分布式文本表示技术训练得到的词向量。
通过上述步骤我们能够获得电影的内容信息词向量的集合；
由于电影剧情的内容信息为内容信息的一种，因此，内容信息词向量也包括剧情词向量。
这样处理内容信息好处是：
1、解决了冷启动问题。当为一部没有任何历史评分的电影做推荐时，可以利用其内容信息词向量对网络进行初始化。
2、如此得到的内容信息词向量非常稠密，有利于推荐精度的提升。
3、使用Glove得到的内容信息词向量中包含丰富的语义和语法信息，使辅助信息部分更加合理、有效。
得到内容信息词向量后，我们将其作为辅助信息融入降噪自编码器中，用以预测评分。具体方法如下：
假设vj为已有评分矩阵R的列向量，按照20％-30％的比例随机地将评分矩阵已有的数据置0，加入噪声后进行前向传播，得到输出数据后，利用输出数据与原始数据得到误差后进行反向传播，其中，降噪自编码器网络结构图如图3所示。
优选地，按照25％的比例随机地将评分矩阵已有的数据置0。
前向传播过程：
在本实施例中，设原始数据为xj，得到输出数据为nn(xj,pj)
则节点j在神经网络中的损失函数表示为：
Figure BDA0001730405130000062
其中，nn(xj,pj)是节点j在神经网络中最终的输出数据；
α和β分别为矩阵中降噪部分和重构部分的权重系数；
Figure BDA0001730405130000063
为原始输入数据加入噪声后得到的噪声数据的集合；
为了防止过拟合，在以上损失函数中加入正则化项，则最后的损失函数为：
Figure 2
其中，K(x)是原始输入数据中已有评分的集合；W是神经网络中的权值矩阵，包括解码器除了最终的输出数据以外的权重数据；b是偏移向量；λ是正则化参数；|W|Fro为W的Frobenius范数。
反向传播：
首先用很小的接近于0的随机值将W和b初始化(应注意随机初始化参数的重要性，不能将参数全部初始化为0)，然后运用批量梯度下降算法进行优化，梯度下降每一次迭代用下面的公式更新W和b；
Figure BDA0001730405130000071
Figure BDA0001730405130000072
其中η为学习率；
Figure BDA0001730405130000073
为对Lα,β(W,b)求导；
Figure BDA0001730405130000074
为对W求导。
以减少损失为优化目标进行优化，得到W和b。
综上，我们将得到的内容信息词向量(embedding)融入到自编码器中，如图1和图2所示，则可得到融入内容信息词向量后神经网络的输出数据；
其中，pj为j的内容信息词向量；(vj,pj)为融入内容信息词向量后的原始输入数据，其维度为N；
f(W1(xj,pj)为自解码器中原始输入数据经过压缩得到的数据，其维度为M；
gW2{f(W1(vj,pj)+b1),pj}为自解码器中经过压缩得到的数据再经过解码还原的数据，其维度为N；
W1是N*M维的矩阵，b1为M维的偏移向量；
W2是M*N维的矩阵，b2为N维的偏移向量。
我们使用得到的输出数据补充评分矩阵，通过协同过滤推荐算法、基于内容推荐算法和基于规则推荐算法等推荐算法得到预测评分。
由此可以看出，损失函数中没有涉及原始评分矩阵中的缺失值，从而达到使缺失值无法影响网络训练的效果。
这样做的好处是：对于缺失值，没有误差被反向传播，也就是缺失值没有对网络的训练产生影响。这种做法等同于移除那些具有缺失值的神经元。
该方法还有一个重要的在计算复杂度上的优势：只需要训练一个神经网络而不需要通过在成千上万个神经网络之间共享权值来完成评分预测。
本申请使用Movielens-10M作为数据集来验证方法的有效性。
Movielens-10M中包含了69,878名用户对10,073部电影的评分，以及每部电影的剧情内容信息。实验训练两层的降噪自编码器，隐藏层神经元个数为 3000，转换函数使用双曲正切函数。实验采用深度学习中常用的Torch框架、 tensorflow框架和Lua语言来实现。
为了验证所提出方法的有效性，在Movielens-10M数据集上对所提出方法进行评估。
预测准确度可以衡量推荐算法的预测评分与用户真实评分的误差程度。该指标在需要向用户展示预测评分的系统中尤为重要。平均绝对误差(Mean Absolute Error，简称MAE)是该评价指标比较常用的一个方法，其计算方法为：
Figure BDA0001730405130000081
其中
Figure BDA0001730405130000082
表示用户u对物品i的预测评分，rui表示用户u对物品i的实际评分，T为测试集。
除了平均绝对误差，均方根误差(Root Mean Squared Error，简称RMSE)、平均平方误差(Mean Squared Error，简称MSE)都是与平均绝对误差相似的评价指标。它们的计算方法分别为：
Figure BDA0001730405130000083
Figure BDA0001730405130000084
使用以上公式对本申请方法进行评估。
实验一：在电影剧情的内容信息截取50/100/200个单词，每个单词分别由 50/100/200维的词向量向量表示，从而找到最佳组合。
Figure BDA0001730405130000085
表1
本实验中，在截取200词，每个词由50维的词向量表示时取得最佳RMSE 值。在截取100词，每个词由100维的词向量表示时，取得最佳MAE值，我们将得到的最佳值与其他方法进行对比，以观察方法的有效性。
实验二：性能对比
将本文所提出方法与AutoRec、RBM和CFN三种现有技术中的推荐方法进行对比。
RMSE MAE
AutoRec推荐方法 0.7826 0.5842
RBM推荐方法 0.8251 0.6253
CFN推荐方法 0.7780 0.5956
融入内容信息的混合推荐方法 0.7735 0.5608
表2
通过表1和表2的实验结果表明，融入内容信息的降噪自编码器混合推荐方法相比于对比方法可以在一定程度上提高推荐准确度。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种融入内容信息的混合推荐方法，包括：
将内容信息转化为内容信息词向量pj的集合；
根据前向传播算法，得到评分矩阵中节点j在神经网络中的损失函数L(W,b)；其中W为神经网络中的权值矩阵；b为偏移向量；
根据反向传播算法，利用损失函数L(W,b)调整权值矩阵W和偏移向量b，得到权值矩阵W和偏移向量b的最优值；
将内容信息词向量pj融入神经网络中，获得神经网络的输出数据；
使用得到的输出数据补充评分矩阵，通过推荐算法得到预测评分；
其中，在根据前向传播算法得到评分矩阵中节点j在神经网络中的损失函数的步骤包括：
将评分矩阵已有的数据中的一部分置0并加入噪声，设原始数据为xj，得到输出数据为nn(xj,pj)；则节点j在神经网络中的第一损失函数表示为：
Figure FDA0002664219120000011
其中，nn(xj,pj)是节点j在神经网络中最终的输出数据；α和β分别为矩阵中降噪部分和重构部分的权重系数；
Figure FDA0002664219120000012
为原始输入数据加入噪声后得到的噪声数据的集合。
2.如权利要求1所述的融入内容信息的混合推荐方法，其中在将内容信息转化为内容信息词向量pj集合的步骤包括：
舍弃内容信息中的停用词，设置舍弃停用词后剩余的词为有效词，从所述有效词中提取前K个有代表性的作为所述内容信息的特征词，根据所述特征词获得特征词对应的内容信息词向量，将内容信息转换为内容信息词向量的集合。
3.如权利要求2所述的融入内容信息的混合推荐方法，其中所述特征词对应的内容信息词向量是使用词的分布式表示技术得到的词向量。
4.如权利要求2所述的融入内容信息的混合推荐方法，其中提取的特征词数目为50/100/200。
5.如权利要求4所述的融入内容信息的混合推荐方法，其中每个特征词对应的内容信息词向量的维度为50/100/200。
6.如权利要求5所述的融入内容信息的混合推荐方法，其中还包括：在第一损失函数中加入正则化项，获得第二损失函数：
Figure FDA0002664219120000021
其中，K(x)是原始输入数据中已有评分的集合；W是神经网络中的权值矩阵，包括解码器除了最终的输出数据以外的权重数据；b是偏移向量；λ是正则化参数；|W|Fro为W的Frobenius范数。
7.如权利要求1所述的融入内容信息的混合推荐方法，其中在根据反向传播算法，利用损失函数得到权值矩阵W和偏移向量b的最优值的步骤中，还包括：
用随机值将权值矩阵W和偏移向量b初始化；
运用批量梯度下降算法进行优化：
Figure FDA0002664219120000022
Figure FDA0002664219120000023
其中η为学习率；
梯度下降每一次迭代用以上公式更新W和b，以减少损失为优化目标对W和b进行调整，得到W和b的最优值。
8.如权利要求1所述的融入内容信息的混合推荐方法，其中在将内容信息词向量pj融入神经网络网络中获得输出数据的步骤包括：
将得到的内容信息词向量融入到神经网络中，得到融入内容信息词向量后神经网络的输出数据nn(vj,pj)＝gW2{f(W1(vj,pj)+b1),pj}+b2；
其中，pj为j的内容信息词向量；(vj,pj)为融入内容信息词向量后的原始输入数据，其维度为N；
f(W1(xj,pj)为自解码器中原始输入数据经过压缩得到的数据，其维度为M；
gW2{f(W1(vj,pj)+b1),pj}为自解码器中经过压缩得到的数据再经过解码还原得到的数据，其维度为N；
W1是N*M维的矩阵，b1为M维的偏移向量；
W2是M*N维的矩阵，b2为N维的偏移向量。
9.如权利要求1所述的融入内容信息的混合推荐方法，其中通过推荐算法得到预测评分的步骤中，选择的推荐算法包括且不限于协同过滤推荐算法、基于内容推荐算法和基于规则推荐算法。
CN201810771617.1A 2018-07-13 2018-07-13 一种融入内容信息的混合推荐方法 Active CN109033294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810771617.1A CN109033294B (zh) 2018-07-13 2018-07-13 一种融入内容信息的混合推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810771617.1A CN109033294B (zh) 2018-07-13 2018-07-13 一种融入内容信息的混合推荐方法

Publications (2)

Publication Number Publication Date
CN109033294A CN109033294A (zh) 2018-12-18
CN109033294B true CN109033294B (zh) 2020-11-06

Family

ID=64642297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810771617.1A Active CN109033294B (zh) 2018-07-13 2018-07-13 一种融入内容信息的混合推荐方法

Country Status (1)

Country Link
CN (1) CN109033294B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652664A (zh) * 2019-03-04 2020-09-11 富士通株式会社 训练混合元学习网络的装置和方法
CN110659411B (zh) * 2019-08-21 2022-03-11 桂林电子科技大学 一种基于神经注意力自编码器的个性化推荐方法
CN111612573B (zh) * 2020-04-30 2023-04-25 杭州电子科技大学 一种基于全贝叶斯方法的推荐系统评分推荐预测方法
CN111858853B (zh) * 2020-07-11 2023-07-25 杨帆 一种基于图神经网络的警务学习内容推荐方法
CN112052365B (zh) * 2020-09-03 2024-05-24 中国银行股份有限公司 一种跨境场景画像构建方法和装置
CN112417289B (zh) * 2020-11-29 2023-04-07 中国科学院电子学研究所苏州研究院 一种基于深度聚类的资讯信息智能推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8386486B2 (en) * 2008-07-02 2013-02-26 Palo Alto Research Center Incorporated Method for facilitating social networking based on fashion-related information
CN106920147A (zh) * 2017-02-28 2017-07-04 华中科技大学 一种基于词向量数据驱动的商品智能推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8386486B2 (en) * 2008-07-02 2013-02-26 Palo Alto Research Center Incorporated Method for facilitating social networking based on fashion-related information
CN106920147A (zh) * 2017-02-28 2017-07-04 华中科技大学 一种基于词向量数据驱动的商品智能推荐方法

Also Published As

Publication number Publication date
CN109033294A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109033294B (zh) 一种融入内容信息的混合推荐方法
Khan et al. CNN with depthwise separable convolutions and combined kernels for rating prediction
Darban et al. GHRS: Graph-based hybrid recommendation system with application to movie recommendation
CN109408702B (zh) 一种基于稀疏边缘降噪自动编码的混合推荐方法
Zeng et al. Knowledge transfer via pre-training for recommendation: A review and prospect
CN112650929B (zh) 一种融入评论信息的图神经网络推荐方法
CN109840833B (zh) 贝叶斯协同过滤推荐方法
CN109947987B (zh) 一种交叉协同过滤推荐方法
CN110851700B (zh) 一种融合属性和语义的概率矩阵分解冷启动推荐方法
Rong et al. Structural information aware deep semi-supervised recurrent neural network for sentiment analysis
Wang et al. A new approach for advertising CTR prediction based on deep neural network via attention mechanism
Chen et al. Deformable convolutional matrix factorization for document context-aware recommendation in social networks
CN113159892B (zh) 一种基于多模态商品特征融合的商品推荐方法
Al-Sbou et al. An improved hybrid semi-stacked autoencoder for item-features of recommendation system (iHSARS)
CN114842247B (zh) 基于特征累加的图卷积网络半监督节点分类方法
Alagarsamy et al. RNN LSTM-based deep hybrid learning model for text classification using machine learning variant xgboost
CN113268657B (zh) 基于评论和物品描述的深度学习推荐方法及系统
CN114817566A (zh) 基于情绪嵌入的情绪原因对抽取方法
Zheng et al. A dictionary-based convolutional recurrent neural network model for sentiment analysis
CN114022233A (zh) 一种新型的商品推荐方法
Zafar Ali Khan et al. Hybrid collaborative fusion based product recommendation exploiting sentiments from implicit and explicit reviews
Li et al. Exploiting ratings, reviews and relationships for item recommendations in topic based social networks
Ahirwadkar et al. Deepautoencf: A Denoising Autoencoder For Recommender Systems
Zhang et al. Collaborative convolution autoencoder for recommendation systems
Tian et al. A Probability Matrix Factorization for User Behavior Perception Recommendation Model

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