CN109410079B - 最优有限注意力下的社交推荐方法及装置 - Google Patents

最优有限注意力下的社交推荐方法及装置 Download PDF

Info

Publication number
CN109410079B
CN109410079B CN201811067075.6A CN201811067075A CN109410079B CN 109410079 B CN109410079 B CN 109410079B CN 201811067075 A CN201811067075 A CN 201811067075A CN 109410079 B CN109410079 B CN 109410079B
Authority
CN
China
Prior art keywords
target user
social
user
users
recommendation
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
CN201811067075.6A
Other languages
English (en)
Other versions
CN109410079A (zh
Inventor
朱文武
王鑫
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811067075.6A priority Critical patent/CN109410079B/zh
Priority to PCT/CN2018/114616 priority patent/WO2020052039A1/zh
Publication of CN109410079A publication Critical patent/CN109410079A/zh
Application granted granted Critical
Publication of CN109410079B publication Critical patent/CN109410079B/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种最优有限注意力下的社交推荐方法及装置，其中，方法包括以下步骤：获取目标用户的隐私特征向量，并根据隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到至少一名好友的社交影响力权重；根据目标用户的自身喜好和至少一名好友的社交影响力权重预估目标用户的综合喜好；根据目标用户的综合喜好为目标用户进行社交推荐。该方法根据用户自身喜好和对用户最有影响的好友对该用户进行社交推荐，从而有效提高社交推荐的准确性。

Description

最优有限注意力下的社交推荐方法及装置
技术领域
本发明涉及个性化社交推荐技术领域，特别涉及一种最优有限注意力下的社交推荐方法及装置。
背景技术
相关技术认为目标用户的所有好友信息都应该对目标用户产生社交影响。然而社会科学中的工作已经证明，实际上人类的注意力是有限的，没法无限度地接收来自所有好友的信息(社交影响)。因此，现有方法没有考虑到实际应用中用户会选择性地接收来自好友的社交影响而不是对所有好友的社交影响全盘接受。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种最优有限注意力下的社交推荐方法，该方法可以有效提高社交推荐推荐的准确性。
本发明的另一个目的在于提出一种最优有限注意力下的社交推荐应用装置。
为达到上述目的，本发明一方面实施例提出了一种最优有限注意力下的社交推荐方法，包括以下步骤：获取目标用户的隐私特征向量，并根据所述隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到所述至少一名好友的社交影响力权重；根据所述目标用户的自身喜好和所述至少一名好友的社交影响力权重预估所述目标用户的综合喜好；根据所述目标用户的综合喜好为所述目标用户进行社交推荐。
本发明实施例的最优有限注意力下的社交推荐应用方法，根据用户自身喜好和好友的社交影响力权重对用户进行社交推荐，通过有限注意力的概念最优地融入社交推荐当中，提出了更符合用户实际生活场景以及拥有更高推荐准确度的社交推荐模型，从而有效提高社交推荐的准确性。
另外，根据本发明上述实施例的最优有限注意力下的社交推荐应用方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述获取目标用户的隐私特征向量，进一步包括：获取所述目标用户的隐私数据，并根据矩阵分解技术得到所述目标用户的隐私特征向量。
进一步地，在本发明的一个实施例中，所述目标用户隐私数据包括所述目标用户自身信息以及所述目标用户社交关系信息。进一步地，在本发明的一个实施例中，所述目标用户的隐私特征向量包括K个维度，其中，所述K个维度表示K个兴趣方向，每个维度的值表示该维度对应的兴趣方向的喜好程度，K为正整数。
进一步地，在本发明的一个实施例中，所述目标用户包括冷启动用户和中心用户，其中，所述冷启动用户为没有任何历史交互记录的用户，所述中心用户为拥有多个社交关系的用户。
为达到上述目的，本发明另一方面实施例提出了一种最优有限注意力下的社交推荐装置，包括：获取模块，用于获取目标用户的隐私特征向量，并根据所述隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到所述至少一名好友的社交影响力权重；预估模块，用于根据所述目标用户的自身喜好和所述至少一名好友的社交影响力权重预估所述目标用户的综合喜好；推荐模块，用于根据所述目标用户的综合喜好为所述目标用户进行社交推荐。
本发明实施例的最优有限注意力下的社交推荐装置，根据用户自身喜好和对用户最有影响的好友对该用户进行社交推荐，并通过有限注意力的概念最优地融入社交推荐当中，提出了更符合用户实际生活场景以及拥有更高推荐准确度的社交推荐模型，从而有效提高社交推荐的准确性。
另外，根据本发明上述实施例的最优有限注意力下的社交推荐装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述获取模块进一步用于获取所述目标用户的隐私数据，并根据矩阵分解技术得到所述目标用户的隐私特征向量。
进一步地，在本发明的一个实施例中，所述目标用户隐私数据包括所述目标用户自身信息以及所述目标用户社交关系信息。进一步地，在本发明的一个实施例中，所述目标用户的隐私特征向量包括K个维度，其中，所述K个维度表示K个兴趣方向，每个维度的值表示该维度对应的兴趣方向的喜好程度，K为正整数。
进一步地，在本发明的一个实施例中，所述目标用户包括冷启动用户和中心用户，其中，所述冷启动用户为没有任何历史交互记录的用户，所述中心用户为拥有多个社交关系的用户。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的最优有限注意力下的社交推荐方法的流程图；
图2为根据本发明一个实施例的最优有限注意力下的社交推荐装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的最优有限注意力下的社交推荐方法及装置，首先将参照附图描述根据本发明实施例提出的最优有限注意力下的社交推荐方法。
图1是本发明一个实施例的最优有限注意力下的社交推荐方法的流程图。
如图1所示，该最优有限注意力下的社交推荐方法包括以下步骤：
在步骤S101中，获取目标用户的隐私特征向量，并根据隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到至少一名好友的社交影响力权重。
可以理解的是，本发明实施例考虑用户的有限注意力，为每一位目标用户最优地选择出多个最具影响力的好友并学习他们相应的权重值。具体地，针对每一位目标用户最优地选择出对他/她最有影响的k名好友并学习他们相应的权重，同时将他们对目标用户的社交影响融入社交推荐应用中去。需要说明的是，本发明实施例通过严格的数学推导，证明了选择k名好友及学习其权重这个过程的最优性。
具体而言，本发明实施例根据数据最优地为每一个目标用户个性化地找出k名(少于等于目标用户所有好友个数)对其社交影响最大的好友并学习出所选择好友相应的社交影响力权重，从而模拟用户有限注意力的场景。
进一步地，在本发明的一个实施例中，获取目标用户的隐私特征向量，进一步包括：获取目标用户的隐私数据，并根据矩阵分解技术得到目标用户的隐私特征向量。
可以理解的是，本发明实施例根据矩阵分解技术得到的用户隐特征向量，为每一位目标用户个性化地找出对其社交影响最强的最优k名好友，并学习出这些好友相应的社交影响力权重值。
具体而言，本发明实施例应用类似最近邻搜索的原理，将矩阵分解得到的用户隐特征向量作为输入，最优地为每个用户找出最能影响他/她的k(值随用户不同而不同)名好友并最优地学习他们社交影响力的权重。
其中，矩阵分解是指将一个矩阵分解成两个或者多个矩阵的乘积。对于用户-商品矩阵(评分矩阵)，记为Rm×n。可以将其分解成两个或者多个矩阵的乘积，假设分解成两个矩阵Pm×k和Qk×n，本发明实施例要使得矩阵Pm×k和Qk×n的乘积能够还原原始的矩阵Rm×n：
Figure BDA0001798571280000041
其中，矩阵Pm×k表示的是m个用户与k个主题之间的关系，每一行代表一个用户i的隐特征向量，表示为Ui；而矩阵Qk×n表示的是k个主题与n个商品之间的关系，其每一列代表一个物品j的隐特征向量，表示为Vj。
对于每一个用户i及其好友u，迭代计算λk：
Figure BDA0001798571280000042
其中
Figure BDA0001798571280000043
L和C均是常数。当λk＜βi，k+1时，
Figure BDA0001798571280000044
即是用户i和其好友u之间的权重。
进一步地，在本发明的一个实施例中，目标用户隐私数据包括目标用户自身信息以及目标用户社交关系信息
进一步地，在本发明的一个实施例中，目标用户的隐私特征向量包括K个维度，其中，K个维度表示K个兴趣方向，每个维度的值表示该维度对应的兴趣方向的喜好程度，K为正整数。
可以理解的是，每一位用户拥有一个k维的隐特征向量，这k个维度代表k个兴趣方向，向量中每一维度的值表示用户对该维度所对应的兴趣方向的喜好程度(如，值越大说明用户对这个方向越感兴趣)。
进一步地，在本发明的一个实施例中，目标用户包括冷启动用户和中心用户，其中，冷启动用户为没有任何历史交互记录的用户，中心用户为拥有多个社交关系的用户。
具体而言，冷启动用户特指那些跟系统没有任何历史交互记录(如给物品评分，点击物品链接，评论物品，将物品放入购物车等行为)的用户。由于没有用户的历史信息，传统协同过滤模型无法对这类用户进行推荐，需要借助用户社交网络的信息来对这类用户进行推荐(即社交推荐)。
对于拥有大量社交关系(如好友)的“中心用户”，首先，由于人类接收信息的容量有限，他们无法全盘接收所有来自社交关系的信息；其次，由于过多的社交关系在提供丰富信息的同时，也会引入干扰信息。这时候，如何为这类用户最优地选择出(最大接受能力之内的)能为他们提供有效帮助信息的社交关系，并利用这些社交信息来辅助学习用户的喜好，具有相当大的意义。
在步骤S102中，根据目标用户的自身喜好和至少一名好友的社交影响力权重预估目标用户的综合喜好。
可以理解的是，本发明实施例根据目标用户的自身喜好以及步骤S101中为每一位用户所选出的最优k名好友的社交影响共同作用下得出用户对某物品的综合喜好预估，从而训练出模型中的各个参数。其中，模型指的是通过分析目标用户隐私数据即用户自身信息以及用户社交关系信息，为目标用户推荐他们可能感兴趣的物品的模型。
具体而言，本发明实施例将所选出好友的社交影响力融入社交推荐与其它模型参数进行联合优化，为用户推荐内容。也就说，本发明实施例可以通过类EM算法将之前找出的最具影响力好友的社交影响与社交推荐进行有效结合，使得每个用户的最优好友数k的值，其好友的社交影响力权重以及用户和物品的隐特征向量都为提高推荐准确度而服务。其中，本发明实施例通过迭代算法对个性化参数k，所选好友社交影响力权值以及用户和物品的隐特征向量进行联合优化，模型能够更好的模拟现实生活场景，具有更强更高效的推荐准确度。
在步骤S103中，根据目标用户的综合喜好为目标用户进行社交推荐。
可以理解的是，本发明实施例基于有限注意力的社交推荐系统，根据用户的综合喜好来为其推荐可能感兴趣的物品。具体地，本发明实施例基于最优有限注意力的社交推荐，以更符合人们实际生活场景的方式，推断他们的兴趣并做出准确的推荐。
需要说明的是，本发明实施例考虑到了用户在实际生活当中的有限注意力这一在社会科学中同样被证实的现象。将有限注意力的概念最优地融入社交推荐当中，提出了更符合用户实际生活场景以及拥有更高推荐准确度的社交推荐模型，从而有效的为冷启动用户进行推荐以及当用户好友众多时，最优地选择对目标用户的社交影响最大的多个好友来接收其社交信息，从而更高效更准确地找到感兴趣的内容。
综上，本发明实施例考虑了用户在实际生活场景下接收信息过程中的有限注意力这一现实问题，提出将有限注意力的概念引入了社交推荐应用中，并最优地为每一位用户选择k(k值因用户不同而不同)名最有影响力的好友，同时学习他们的社交影响力权重，从而更切合实际更符合人们日常习惯且更精准地进行社交推荐。
根据本发明实施例提出的最优有限注意力下的社交推荐应用方法，根据用户自身喜好和好友的社交影响力权重对用户进行社交推荐，通过有限注意力的概念最优地融入社交推荐当中，提出了更符合用户实际生活场景以及拥有更高推荐准确度的社交推荐模型，从而有效提高社交推荐的准确性。
其次参照附图描述根据本发明实施例提出的最优有限注意力下的社交推荐装置。
图2是本发明一个实施例的最优有限注意力下的社交推荐装置的结构示意图。
如图2所示，该最优有限注意力下的社交推荐装置10包括：获取模块100、预估模块200和推荐模块300。
其中，获取模块100用于获取目标用户的隐私特征向量，并根据隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到至少一名好友的社交影响力权重。预估模块200用于根据目标用户的自身喜好和至少一名好友的社交影响力权重预估目标用户的综合喜好。推荐模块300用于根据目标用户的综合喜好为目标用户进行社交推荐。本发明实施例的装置10根据用户自身喜好和对用户最有影响的好友对该用户进行社交推荐，从而有效提高社交推荐的准确性。
进一步地，在本发明的一个实施例中，获取模块100进一步用于获取目标用户的隐私数据，并根据矩阵分解技术得到目标用户的隐私特征向量。
进一步地，在本发明的一个实施例中，目标用户隐私数据包括目标用户自身信息以及目标用户社交关系信息。进一步地，在本发明的一个实施例中，目标用户的隐私特征向量包括K个维度，其中，K个维度表示K个兴趣方向，每个维度的值表示该维度对应的兴趣方向的喜好程度，K为正整数。
进一步地，在本发明的一个实施例中，目标用户包括冷启动用户和中心用户，其中，冷启动用户为没有任何历史交互记录的用户，中心用户为拥有多个社交关系的用户。
需要说明的是，前述对最优有限注意力下的社交推荐应用方法实施例的解释说明也适用于该实施例的最优有限注意力下的社交推荐应用装置，此处不再赘述。
根据本发明实施例提出的最优有限注意力下的社交推荐装置，根据用户自身喜好和对用户最有影响的好友对该用户进行社交推荐，并通过有限注意力的概念最优地融入社交推荐当中，提出了更符合用户实际生活场景以及拥有更高推荐准确度的社交推荐模型，从而有效提高社交推荐的准确性。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种最优有限注意力下的社交推荐方法，其特征在于，包括以下步骤：
获取目标用户的隐私特征向量，并根据所述隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到所述至少一名好友的社交影响力权重；所述获取目标用户的隐私特征向量，进一步包括：获取所述目标用户的隐私数据，并根据矩阵分解技术得到所述目标用户的隐私特征向量；所述目标用户包括冷启动用户和中心用户，所述冷启动用户为没有任何历史交互记录的用户，所述中心用户为拥有多个社交关系的用户；
根据所述目标用户的自身喜好和所述至少一名好友的社交影响力权重预估所述目标用户的综合喜好，其中，通过迭代算法对个性化参数、所选好友社交影响力权值以及用户和物品的隐特征向量进行联合优化，以模拟现实生活场景；以及
根据所述目标用户的综合喜好为所述目标用户进行社交推荐，以实现基于最优有限注意力的社交推荐，通过符合现实生活场景的方式推断目标用户的兴趣并做出推荐。
2.根据权利要求1所述的最优有限注意力下的社交推荐方法，其特征在于，所述目标用户的隐私数据包括所述目标用户自身信息以及所述目标用户社交关系信息。
3.根据权利要求1所述的最优有限注意力下的社交推荐方法，其特征在于，所述目标用户的隐私特征向量包括K个维度，其中，所述K个维度表示K个兴趣方向，每个维度的值表示该维度对应的兴趣方向的喜好程度，K为正整数。
4.一种最优有限注意力下的社交推荐装置，其特征在于，包括：
获取模块，用于获取目标用户的隐私特征向量，并根据所述隐私特征向量得到满足预设社交影响力的至少一名好友，以学习得到所述至少一名好友的社交影响力权重；所述获取模块进一步用于获取所述目标用户的隐私数据，并根据矩阵分解技术得到所述目标用户的隐私特征向量；所述目标用户包括冷启动用户和中心用户，其中，所述冷启动用户为没有任何历史交互记录的用户，所述中心用户为拥有多个社交关系的用户；
预估模块，用于根据所述目标用户的自身喜好和所述至少一名好友的社交影响力权重预估所述目标用户的综合喜好，其中，通过迭代算法对个性化参数、所选好友社交影响力权值以及用户和物品的隐特征向量进行联合优化，以模拟现实生活场景；以及
推荐模块，用于根据所述目标用户的综合喜好为所述目标用户进行社交推荐，以实现基于最优有限注意力的社交推荐，通过符合现实生活场景的方式推断目标用户的兴趣并做出推荐。
5.根据权利要求4所述的最优有限注意力下的社交推荐装置，其特征在于，所述目标用户的隐私数据包括所述目标用户自身信息以及所述目标用户社交关系信息。
6.根据权利要求4所述的最优有限注意力下的社交推荐装置，其特征在于，所述目标用户的隐私特征向量包括K个维度，其中，所述K个维度表示K个兴趣方向，每个维度的值表示该维度对应的兴趣方向的喜好程度，K为正整数。
CN201811067075.6A 2018-09-13 2018-09-13 最优有限注意力下的社交推荐方法及装置 Active CN109410079B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811067075.6A CN109410079B (zh) 2018-09-13 2018-09-13 最优有限注意力下的社交推荐方法及装置
PCT/CN2018/114616 WO2020052039A1 (zh) 2018-09-13 2018-11-08 最优有限注意力下的社交推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811067075.6A CN109410079B (zh) 2018-09-13 2018-09-13 最优有限注意力下的社交推荐方法及装置

Publications (2)

Publication Number Publication Date
CN109410079A CN109410079A (zh) 2019-03-01
CN109410079B true CN109410079B (zh) 2021-08-20

Family

ID=65464847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811067075.6A Active CN109410079B (zh) 2018-09-13 2018-09-13 最优有限注意力下的社交推荐方法及装置

Country Status (2)

Country Link
CN (1) CN109410079B (zh)
WO (1) WO2020052039A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175469B (zh) * 2019-05-16 2020-11-17 山东大学 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质
CN110502701B (zh) * 2019-07-08 2022-03-25 华南师范大学 引入注意力机制的好友推荐方法、系统和存储介质
CN111046286B (zh) * 2019-12-12 2023-04-18 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657369A (zh) * 2013-11-19 2015-05-27 深圳市腾讯计算机系统有限公司 用户属性信息的生成方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9881309B2 (en) * 2012-03-13 2018-01-30 American Express Travel Related Services Company, Inc. Systems and methods for tailoring marketing
US9489638B2 (en) * 2013-08-02 2016-11-08 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for propagating user preference information in a communications network
CN105989074B (zh) * 2015-02-09 2019-07-05 北京字节跳动科技有限公司 一种通过移动设备信息进行推荐冷启动的方法和装置
CN105574131B (zh) * 2015-12-14 2017-04-26 西安交通大学 一种基于动态社团识别的社交网络交友推荐方法及系统
CN105635309A (zh) * 2016-01-19 2016-06-01 南京航空航天大学 基于移动云位置隐私保护的推荐系统
CN108230167A (zh) * 2016-12-15 2018-06-29 上海博泰悦臻电子设备制造有限公司 一种匹配出行用户的方法、系统及车机
CN106874463A (zh) * 2017-02-13 2017-06-20 宁波诺丁汉大学 一种信息推送方法
CN107145518B (zh) * 2017-04-10 2020-04-14 同济大学 一种社交网络下基于深度学习的个性化推荐系统
CN108256678A (zh) * 2018-01-04 2018-07-06 浙江大学 一种利用排序度量的双层注意力网络进行用户关系预测的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657369A (zh) * 2013-11-19 2015-05-27 深圳市腾讯计算机系统有限公司 用户属性信息的生成方法及系统

Also Published As

Publication number Publication date
CN109410079A (zh) 2019-03-01
WO2020052039A1 (zh) 2020-03-19

Similar Documents

Publication Publication Date Title
US20210142389A1 (en) Method and System for making Recommendation from Binary Data Using Neighbor-Score Matrix and Latent Factors
CN111310063B (zh) 基于神经网络的记忆感知门控因子分解机物品推荐方法
CN103399858B (zh) 基于信任的社会化协同过滤推荐方法
CN109241454B (zh) 一种将社交网络和图像内容融合的兴趣点推荐方法
CN109410079B (zh) 最优有限注意力下的社交推荐方法及装置
US20090326967A1 (en) Automated friend finder
CN106874522A (zh) 信息推荐方法、装置、存储介质及处理器
CN109785062A (zh) 一种基于协同过滤模型的混合神经网络推荐系统
CN106940801A (zh) 一种用于广域网络的深度强化学习推荐系统及方法
CN111428127B (zh) 融合主题匹配与双向偏好的个性化事件推荐方法及系统
CN110008377B (zh) 一种利用用户属性进行电影推荐的方法
US20180300794A1 (en) Multidimensional profile matching
CN103353872A (zh) 一种基于神经网络的教学资源个性化推荐方法
CN103390019A (zh) 信息处理设备、信息处理方法及程序
CN106056413A (zh) 基于时空偏好的兴趣点推荐方法
CN106791964A (zh) 广播电视节目推荐系统及方法
CN106021298A (zh) 一种基于非对称加权相似度的协同过滤推荐方法及系统
CN115867919A (zh) 用于推荐系统的图结构感知增量学习
CN113704438B (zh) 一种基于分层注意力机制的异构图的会话推荐方法
CN107025311A (zh) 一种基于k近邻的贝叶斯个性化推荐方法及装置
Duong et al. An effective similarity measure for neighborhood-based collaborative filtering
CN111967946B (zh) 一种基于面向用户多关系信息网络的商品推荐方法及系统
CN104272304A (zh) 信息处理设备、信息处理方法以及程序
US20160086086A1 (en) Multi-media content-recommender system that learns how to elicit user preferences
CN116628344A (zh) 一种基于知识图谱的车主信息服务智能化推荐方法及系统

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