CN109635204A - 基于协同过滤和长短记忆网络的在线推荐系统 - Google Patents

基于协同过滤和长短记忆网络的在线推荐系统 Download PDF

Info

Publication number
CN109635204A
CN109635204A CN201811567618.0A CN201811567618A CN109635204A CN 109635204 A CN109635204 A CN 109635204A CN 201811567618 A CN201811567618 A CN 201811567618A CN 109635204 A CN109635204 A CN 109635204A
Authority
CN
China
Prior art keywords
user
commodity
recommended models
request
collaborative filtering
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.)
Pending
Application number
CN201811567618.0A
Other languages
English (en)
Inventor
胡金涛
饶若楠
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201811567618.0A priority Critical patent/CN109635204A/zh
Publication of CN109635204A publication Critical patent/CN109635204A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于协同过滤和长短记忆网络的在线推荐系统，包括：实时模块、近线模块和离线模块，实时模块实时接受用户请求，经预处理后输出至若干终端搭建的HDFS集群分布式文件系统，同时根据请求进行实时推荐和线上评估；近线模块从实时模块获得用户请求数据，并实时将请求通过消息队列分发到分布式缓存中，并使用用户请求中的特征对推荐模型进行离线训练，离线训练完成的推荐模型加载缓存中的数据进行增量式更新；离线模块从特征池中加载特征，之后使用推荐模型在训练集中进行训练，训练完成后的推荐模型通过自编码器实现协同过滤来挖掘用户的长期偏好，从而可以与长短记忆网络结合在测试集中进行推荐模型预估，最后对推荐模型效果进行离线评估得到最终推荐结果。

Description

基于协同过滤和长短记忆网络的在线推荐系统
技术领域
本发明涉及的是一种信息处理领域的技术，具体是一种基于协同过滤和长短记忆网络的在线推荐系统。
背景技术
近些年，由于计算能力的提升和大数据存储设备的增加，深度学习引起了人们的极大关注。目前，深度学习在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就，也已经有相关研究将深度学习运用在推荐系统领域。Sedhain,Suvash等人所著的"Autorec:Autoencoders meet collaborative filtering."Proceedings of the 24thInternational Conference on World Wide Web.ACM,2015.提出了一种基于自编码器的协同过滤方法，它通过自编码器来直接学习相似矩阵里行或列数据的压缩向量表达，均方误差等指标优于传统的协同过滤。Hidasi,Balázs等人所著的"Session-basedrecommendations with recurrent neural networks."arXiv preprint arXiv:1511.06939(2016).提出了一种通过循环神经网络，对基于session的用户数据进行推荐。这种方法虽然利用到了时间序列数据，但只使用了一个session中的前一个物品对用户进行推荐，无法发掘到用户的长期偏好。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于协同过滤和长短记忆网络的在线推荐系统，能够充分利用用户的长期偏好以及短期偏好，提升了推荐结果的准确性和多样性。
本发明是通过以下技术方案实现的：本发明包括：实时模块、近线模块和离线模块，其中：实时模块实时接受用户请求，经预处理后输出至若干终端搭建的HDFS集群分布式文件系统，同时根据请求进行实时推荐和线上评估；近线模块从实时模块获得用户请求数据，并实时将请求通过消息队列分发到分布式缓存中，并使用用户请求中的特征对推荐模型进行离线训练，离线训练完成的推荐模型加载缓存中的数据进行增量式更新；离线模块从特征池中加载特征，之后使用推荐模型在训练集中进行训练，训练完成后的推荐模型通过自编码器实现协同过滤来挖掘用户的长期偏好，从而可以与长短记忆网络结合在测试集中进行推荐模型预估，最后对推荐模型效果进行离线评估得到最终推荐结果。
所述的特征包括但不限于：用户访问本系统时的日志，包括用户ID、访问时间、访问的商品页面和浏览时长等信息。
所述的实时推荐是指：实时模块根据用户的请求序列，提取出相对应特征，并利用推荐模型，对推荐模型的输出的结果进行融合和打分重排，并将最终的推荐效果展现给用户。
所述的线上评估是指：对推荐结果的准确率、召回率以及多样性的评估。
所述的协同过滤是指：基于用户对商品的评分或其他行为来为用户提供个性化的推荐，并且不需要了解用户或者商品的大量信息，分为基于用户的协同过滤和基于商品的协同过滤。
所述的基于用户的协同过滤是指：首先基于用户对物品的偏好找到相似的邻居用户，然后将邻居用户喜欢的推荐给当前用户，即通过相似度公式计算用户相似矩阵，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户可能感兴趣商品，得到一个排序的物品列表作为推荐结果。
所述的基于商品的协同过滤是指：基于用户对物品的偏好找到相似的商品，然后将与用户目前喜欢商品相似的新的商品推荐给用户。
所述的用户间相似度利用余弦相似度计算得到：其中：wuv表示用户的相似度，N(u)表示用户产生行为的商品集合。
所述的长短记忆网络在循环神经网络中进一步增设输入门、遗忘门和输出门且具有变化的自循环权重，从而在固定模型参数的情况下动态改变不同时刻的积分尺度，避免循环神经网络梯度消失的问题。本发明用长短记忆网络对用户一系列连续的请求进行建模，从而更好地挖掘出用户的短期偏好。
技术效果
与现有技术相比，本发明通过协同过滤发掘用户的长期偏好，使用长短记忆网络发掘用户短期偏好，结合两部分结果作为最终的推荐内容，可以在用户访问系统期间进行实时推荐，提升了推荐结果的准确性和多样性。通过用户的实时请求对特征和模型进行增量式更新，缩短了请求相应时间。
附图说明
图1为本发明系统流程示意图；
图2为本发明推荐算法网络结构图；
图3为基于会话的mini-batch示意图。
具体实施方式
如图1所示，本实施例包括：实时模块、近线模块和离线模块，其中：实时模块接收用户的所有请求，用户的请求均以会话的方式进行处理，会话的超时时间定为30分钟，对于每个会话，记录下用户在此会话中发生行为的商品(点击、浏览和购买)以及对应的时间，将数据存储到分布式文件系统HDFS中后，利用预训练好的推荐模型对用户进行推荐并将最终的推荐效果展现给用户；近线模块需要低延时高可靠的处理数据，利用数据处理工具对用户原始日志进行清洗后处理成格式化的数据，通过消息队列输出到分布式缓存中，离线训练完成的模型加载缓存中的数据对模型进行增量式更新。
如图2所示，所述的离线模块中包含推荐模型，该推荐模型包括：实现基于用户的协同过滤的自编码器和长短记忆网络。当系统中包含m个用户，n个商品和一个部分观测矩阵这个矩阵表示用户是否与某个商品产生过行为。对于每个用户u∈U＝{1…m}，可以将它表示为一个部分观测的向量对于每个物品i∈I＝{1…n}，也可以将它表示为一个部分观测的向量基于用户的自编码器的目标在于对于每个部分观测输入r(u)，先将它投影到一个k(k<n)维的隐空间中，接着将它在输出空间重构来预测用户是否会购买其他的商品。
形式化地说，给定一组用户与商品的购买记录自编码器的目标是： h(r；θ)＝f(W·g(Vr+μ)+b)，其中：f(·)和g(·)为激活函数，θ＝{W,V,μ,b}，和为编码和解码参数，和为偏置项。e＝g(Vr+μ)对应编码过程，f(W·e+b)对应解码过程。
自编码器以最小化为目标，通过反向传播法来学习网络中的参数θ。学习到参数θ后，对于每个输计算h(x；θ)作为预测结果。
所述的长短记忆网络包括：嵌入层、LSTM层和全连接层，由于系统可能存在成千上万的商品，因此输入可能是一个维度很高的向量，将它直接放入网络中训练会导致需要训练的参数过多、运算量过大的问题。
通过嵌入层，可以将输入压缩为低维向量，并且可以尽可能地保留商品间的相似关系，经过嵌入层后输出：e＝We·x+be，其中：为嵌入层权重，为嵌入层偏置。
LSTM层用于学习用户请求的时间序列，通过遗忘门、输入门、输出门和细胞状态来解决梯度消失的问题，从而可以学习到长期依赖关系，其中：遗忘门ft决定从细胞状态中丢弃多少信息，它会读取ht-1和xt，输出一个在0到1之间的值，1表示完全保留，0表示完全舍弃：ft＝σ(Wf·[ht-1,xt]+bf)，其中：σ为sigmoid函数，Wf和bf为遗忘门的权重和偏置参数，ht-1为t-1时刻的输出，xt为t时刻的输入。
输入门it决定让多少新的信息加入到细胞状态中，具体为：首先sigmoid层决定哪些信息需要更新，接着由tanh层生成一个向量，即备选的用来更新的内容 输入门it＝σ(Wi·[ht-1，xt]+bi)，其中：tanh为双曲正切函数，σ为sigmoid函数，WC，Wi和bC，bi为输入门的权重和偏置参数，ht-1为t-1时刻的输出，xt为t时刻的输入；接着将t-1时刻的状态Ct-1与ft相乘来丢弃掉需要丢弃的信息，再加上即t时刻的新候选值：
最后确定输出值，首先通过一个sigmoid层来确定细胞状态的哪些部分将输出，接着将细胞状态通过tanh进行处理并将它和sigmoid层的输出相乘，得到最终要输出的部分：ht＝ot*tanhCt，其中：ot＝σ(Wo·[ht-1，xt]+bo)，Wo和bo为输出门的权重和偏置参数，ht-1为t-1时刻的输出，xt为t时刻的输入。
LSTM层输出的值将经过一层全连接后，作为长短记忆网络部分的最终输出。
所述的长短记忆网络一般用于处理长度固定的时间序列。而用户的会话长度变化非常大，可能只有两个商品，也可能有上百个商品。如图3所示，针对此问题，本实施例通过基于会话的mini-batch实现，具体为：首先将每个用户的会话按顺序排列，假设采用大小为K(图3中取K＝3)的batch大小，选取前K个用户会话中的第一个商品来作为第一个mini-batch的输入，这个mini-batch的输出则为每个商品在会话中的下一个商品。第二个min-batch则由这K个用户会话中的第二个商品来作为输入，以此类推。如果某一个会话结束，则将下一个可用的会话连接在此会话之后，继续按照这种方式构造输入和输出，直至所有会话都结束。
所述的神经网络最后的输出包括结合自编码器和长短记忆网络两部分的结果：
其中：f(Wcf·e+b)为自编码器的输出部分，为长短记忆网络最终层的权重，为全连接层的输出值，γ为最终的偏置项，σ(·)为用于将输出转换为概率分布的Softmax函数。
与现有技术相比，本发明通过基于自编码器的协同过滤和长短记忆网络共同组成的神经网络，充分挖掘了用户的长期偏好和短期偏好，将两者结合后作为最终的推荐内容。实验结果表明，相比Hidasi的论文，在RecSys16的XING数据集上的召回率@5(即共推荐五件商品)从0.1482提升到了0.1634，准确率@5从0.0296提升到了0.0373。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于协同过滤和长短记忆网络的在线推荐系统，其特征在于，包括：实时模块、近线模块和离线模块，其中：实时模块实时接受用户请求，经预处理后输出至若干终端搭建的HDFS集群分布式文件系统，同时根据请求进行实时推荐和线上评估；近线模块从实时模块获得用户请求数据，并实时将请求通过消息队列分发到分布式缓存中，并使用用户请求中的特征对推荐模型进行离线训练，离线训练完成的推荐模型加载缓存中的数据进行增量式更新；离线模块从特征池中加载特征，之后使用推荐模型在训练集中进行训练，训练完成后的推荐模型通过自编码器实现协同过滤来挖掘用户的长期偏好，从而可以与长短记忆网络结合在测试集中进行推荐模型预估，最后对推荐模型效果进行离线评估得到最终推荐结果；
所述的特征包括：用户访问本系统时的日志，包括用户ID、访问时间、访问的商品页面和浏览时长信息；
所述的离线模块中包含推荐模型，该推荐模型包括：实现基于用户的协同过滤的自编码器和长短记忆网络。
2.根据权利要求1所述的系统，其特征是，所述的实时推荐是指：实时模块根据用户的请求序列，提取出相对应特征，并利用推荐模型，对推荐模型的输出的结果进行融合和打分重排，并将最终的推荐效果展现给用户。
3.根据权利要求1所述的系统，其特征是，所述的线上评估是指：对推荐结果的准确率、召回率以及多样性的评估。
4.根据权利要求1所述的系统，其特征是，所述的协同过滤是指：基于用户对商品的评分或其他行为来为用户提供个性化的推荐，并且不需要了解用户或者商品的大量信息，分为基于用户的协同过滤和基于商品的协同过滤。
5.根据权利要求1所述的系统，其特征是，所述的基于用户的协同过滤是指：首先基于用户对物品的偏好找到相似的邻居用户，然后将邻居用户喜欢的推荐给当前用户，即通过相似度公式计算用户相似矩阵，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户可能感兴趣商品，得到一个排序的物品列表作为推荐结果。
6.根据权利要求1所述的系统，其特征是，所述的基于商品的协同过滤是指：基于用户对物品的偏好找到相似的商品，然后将与用户目前喜欢商品相似的新的商品推荐给用户。
7.根据权利要求1所述的系统，其特征是，所述的用户间相似度利用余弦相似度计算得到：其中：wuv表示用户和的相似度，N(u)表示用户产生行为的商品集合。
8.根据权利要求1所述的系统，其特征是，所述的长短记忆网络在循环神经网络中进一步增设输入门、遗忘门和输出门且具有变化的自循环权重，从而在固定模型参数的情况下动态改变不同时刻的积分尺度，该长短记忆网络包括：嵌入层、LSTM层和全连接层。
9.根据权利要求8所述的系统，其特征是，当系统中包含m个用户，n个商品和一个部分观测矩阵表示用户是否与某个商品产生过行为；对于每个用户u∈U＝{1…m}，将它表示为一个部分观测的向量对于每个物品i∈I＝{1…n}，也将它表示为一个部分观测的向量基于用户的自编码器的目标在于对于每个部分观测输入r(u)，先将它投影到一个k(k<n)维的隐空间中，接着将它在输出空间重构来预测用户是否会购买其他的商品；给定一组用户与商品的购买记录自编码器的目标是：h(r；θ)＝f(W·g(Vr+μ)+b)，其中：f(·)和g(·)为激活函数，θ＝{W,V,μ,b}，和为编码和解码参数，和为偏置项。e＝g(Vr+μ)对应编码过程，f(W·e+b)对应解码过程；该自编码器以最小化为目标，通过反向传播法来学习网络中的参数θ。学习到参数θ后，对于每个输入计算h(x；θ)作为预测结果。
10.根据权利要求8所述的系统，其特征是，所述的嵌入层将输入压缩为低维向量并保留商品间的相似关系，经过嵌入层后输出：e＝We·x+be，其中：为嵌入层权重，为嵌入层偏置；
所述的LSTM层用于学习用户请求的时间序列，通过遗忘门、输入门、输出门和细胞状态来解决梯度消失的问题，从而学习到长期依赖关系，其中：遗忘门ft决定从细胞状态中丢弃多少信息，它会读取ht-1和xt，输出一个在0到1之间的值，1表示完全保留，0表示完全舍弃：ft＝σ(Wf·[ht-1,xt]+bf)，其中：σ为sigmoid函数，Wf和bf为遗忘门的权重和偏置参数，ht-1为t-1时刻的输出，xt为t时刻的输入；
所述的输入门it决定让多少新的信息加入到细胞状态中，具体为：首先sigmoid层决定哪些信息需要更新，接着由tanh层生成一个向量，即备选的用来更新的内容输入门it＝σ(Wi·[ht-1,xt]+bi)，其中：tanh为双曲正切函数，σ为sigmoid函数，WC,Wi和bC,bi为输入门的权重和偏置参数，ht-1为t-1时刻的输出，xt为t时刻的输入；接着将t-1时刻的状态Ct-1与ft相乘来丢弃掉需要丢弃的信息，再加上即t时刻的新候选值：
最后确定输出值，首先通过一个sigmoid层来确定细胞状态的哪些部分将输出，接着将细胞状态通过tanh进行处理并将它和sigmoid层的输出相乘，得到最终要输出的部分：ht＝ot*tanhCt，其中：ot＝σ(Wo·[ht-1,xt]+bo)，Wo和bo为输出门的权重和偏置参数，ht-1为t-1时刻的输出，xt为t时刻的输入。
CN201811567618.0A 2018-12-21 2018-12-21 基于协同过滤和长短记忆网络的在线推荐系统 Pending CN109635204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811567618.0A CN109635204A (zh) 2018-12-21 2018-12-21 基于协同过滤和长短记忆网络的在线推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811567618.0A CN109635204A (zh) 2018-12-21 2018-12-21 基于协同过滤和长短记忆网络的在线推荐系统

Publications (1)

Publication Number Publication Date
CN109635204A true CN109635204A (zh) 2019-04-16

Family

ID=66076038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811567618.0A Pending CN109635204A (zh) 2018-12-21 2018-12-21 基于协同过滤和长短记忆网络的在线推荐系统

Country Status (1)

Country Link
CN (1) CN109635204A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223107A (zh) * 2019-05-23 2019-09-10 中国银行股份有限公司 基于相似对象的参考广告确定方法、装置和设备
CN110264311A (zh) * 2019-05-30 2019-09-20 佛山科学技术学院 一种基于深度学习的商业推广信息精准推荐方法及系统
CN110765353A (zh) * 2019-10-16 2020-02-07 腾讯科技（深圳）有限公司 项目推荐模型的处理方法、装置、计算机设备和存储介质
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111553742A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 联邦产品推荐方法、装置、设备及计算机存储介质
WO2020224515A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 数据处理方法、系统及装置
CN111967892A (zh) * 2019-05-20 2020-11-20 阿里巴巴集团控股有限公司 一种信息推荐方法及装置
CN112329921A (zh) * 2020-11-11 2021-02-05 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112395514A (zh) * 2020-12-08 2021-02-23 杭州电子科技大学 基于记忆网络的物品协同过滤推荐的方法
CN112528161A (zh) * 2021-02-07 2021-03-19 电子科技大学 一种基于物品点击序列优化的会话推荐方法
CN112650946A (zh) * 2020-12-30 2021-04-13 中国联合网络通信集团有限公司 产品信息的推荐方法、装置、系统及存储介质
CN112948450A (zh) * 2021-02-25 2021-06-11 苏宁金融科技(南京)有限公司 用于实时推荐的Flink流式处理引擎方法、装置及计算机设备
WO2021139525A1 (zh) * 2020-01-09 2021-07-15 支付宝(杭州)信息技术有限公司 评估交互事件的自编码器的训练方法及装置
KR20210126411A (ko) * 2020-04-10 2021-10-20 연세대학교 산학협력단 개인화된 선호도 학습을 통한 무선 데이터 캐싱 방법 및 장치
CN113569155A (zh) * 2021-07-30 2021-10-29 西南大学 一种基于改进循环神经网络算法的推荐召回方法及系统
CN113761378A (zh) * 2021-09-14 2021-12-07 上海任意门科技有限公司 内容排序方法、计算设备和计算机可读存储介质
CN114140151A (zh) * 2021-10-28 2022-03-04 北京航天云路有限公司 一种基于Flink的大数据离线与实时商品推荐方法
CN116501978A (zh) * 2023-06-28 2023-07-28 杭州金智塔科技有限公司 基于隐私保护机器遗忘算法的推荐模型生成方法及装置
CN117437909A (zh) * 2023-12-20 2024-01-23 慧言科技(天津)有限公司 基于热词特征向量自注意力机制的语音识别模型构建方法
WO2024067779A1 (zh) * 2022-09-30 2024-04-04 华为技术有限公司 一种数据处理方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608219A (zh) * 2016-01-07 2016-05-25 上海通创信息技术有限公司 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法
CN106126641A (zh) * 2016-06-24 2016-11-16 中国科学技术大学 一种基于Spark的实时推荐系统及方法
CN106600302A (zh) * 2015-10-19 2017-04-26 玺阅信息科技（上海）有限公司 基于Hadoop的商品推荐系统
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN108446302A (zh) * 2018-01-29 2018-08-24 东华大学 一种结合TensorFlow与Spark的个性化推荐系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600302A (zh) * 2015-10-19 2017-04-26 玺阅信息科技（上海）有限公司 基于Hadoop的商品推荐系统
CN105608219A (zh) * 2016-01-07 2016-05-25 上海通创信息技术有限公司 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法
CN106126641A (zh) * 2016-06-24 2016-11-16 中国科学技术大学 一种基于Spark的实时推荐系统及方法
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN108446302A (zh) * 2018-01-29 2018-08-24 东华大学 一种结合TensorFlow与Spark的个性化推荐系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO-YUAN WU，AMR AHMED，ALEX BEUTEL: "Recurrent Recommender Networks", 《WSDM 2017》 *
ROBIN DEVOOGHT，HUGUES BERSINI: "Collaborative Filtering with Recurrent Neural Networks", 《HTTPS://ARXIV.ORG》 *
SUVASH SEDHAIN: "AutoRec:Autoencoders Meet Collaborative Filtering", 《WWW 2015 COMPANION》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224515A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 数据处理方法、系统及装置
CN111967892A (zh) * 2019-05-20 2020-11-20 阿里巴巴集团控股有限公司 一种信息推荐方法及装置
CN110223107A (zh) * 2019-05-23 2019-09-10 中国银行股份有限公司 基于相似对象的参考广告确定方法、装置和设备
CN110264311B (zh) * 2019-05-30 2023-04-18 佛山科学技术学院 一种基于深度学习的商业推广信息精准推荐方法及系统
CN110264311A (zh) * 2019-05-30 2019-09-20 佛山科学技术学院 一种基于深度学习的商业推广信息精准推荐方法及系统
CN110765353A (zh) * 2019-10-16 2020-02-07 腾讯科技（深圳）有限公司 项目推荐模型的处理方法、装置、计算机设备和存储介质
CN110765353B (zh) * 2019-10-16 2022-03-08 腾讯科技（深圳）有限公司 项目推荐模型的处理方法、装置、计算机设备和存储介质
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111127165B (zh) * 2019-12-26 2024-03-26 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
WO2021139525A1 (zh) * 2020-01-09 2021-07-15 支付宝(杭州)信息技术有限公司 评估交互事件的自编码器的训练方法及装置
KR102385926B1 (ko) 2020-04-10 2022-04-11 연세대학교 산학협력단 개인화된 선호도 학습을 통한 무선 데이터 캐싱 방법 및 장치
KR20210126411A (ko) * 2020-04-10 2021-10-20 연세대학교 산학협력단 개인화된 선호도 학습을 통한 무선 데이터 캐싱 방법 및 장치
CN111553742A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 联邦产品推荐方法、装置、设备及计算机存储介质
CN112329921A (zh) * 2020-11-11 2021-02-05 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112329921B (zh) * 2020-11-11 2023-11-14 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112395514A (zh) * 2020-12-08 2021-02-23 杭州电子科技大学 基于记忆网络的物品协同过滤推荐的方法
CN112650946A (zh) * 2020-12-30 2021-04-13 中国联合网络通信集团有限公司 产品信息的推荐方法、装置、系统及存储介质
CN112650946B (zh) * 2020-12-30 2023-06-09 中国联合网络通信集团有限公司 产品信息的推荐方法、装置、系统及存储介质
CN112528161A (zh) * 2021-02-07 2021-03-19 电子科技大学 一种基于物品点击序列优化的会话推荐方法
CN112528161B (zh) * 2021-02-07 2021-04-30 电子科技大学 一种基于物品点击序列优化的会话推荐方法
CN112948450A (zh) * 2021-02-25 2021-06-11 苏宁金融科技(南京)有限公司 用于实时推荐的Flink流式处理引擎方法、装置及计算机设备
CN113569155A (zh) * 2021-07-30 2021-10-29 西南大学 一种基于改进循环神经网络算法的推荐召回方法及系统
CN113761378A (zh) * 2021-09-14 2021-12-07 上海任意门科技有限公司 内容排序方法、计算设备和计算机可读存储介质
CN114140151A (zh) * 2021-10-28 2022-03-04 北京航天云路有限公司 一种基于Flink的大数据离线与实时商品推荐方法
WO2024067779A1 (zh) * 2022-09-30 2024-04-04 华为技术有限公司 一种数据处理方法及相关装置
CN116501978A (zh) * 2023-06-28 2023-07-28 杭州金智塔科技有限公司 基于隐私保护机器遗忘算法的推荐模型生成方法及装置
CN117437909A (zh) * 2023-12-20 2024-01-23 慧言科技(天津)有限公司 基于热词特征向量自注意力机制的语音识别模型构建方法
CN117437909B (zh) * 2023-12-20 2024-03-05 慧言科技(天津)有限公司 基于热词特征向量自注意力机制的语音识别模型构建方法

Similar Documents

Publication Publication Date Title
CN109635204A (zh) 基于协同过滤和长短记忆网络的在线推荐系统
Zhang et al. Star-gcn: Stacked and reconstructed graph convolutional networks for recommender systems
Wu et al. Session-based recommendation with graph neural networks
CN110232480B (zh) 利用变分的正则化流实现的项目推荐方法及模型训练方法
CN110347932B (zh) 一种基于深度学习的跨网络用户对齐方法
CN109389151B (zh) 一种基于半监督嵌入表示模型的知识图谱处理方法和装置
Wang et al. Towards real-time demand-aware sequential POI recommendation
CN113254792B (zh) 训练推荐概率预测模型的方法、推荐概率预测方法及装置
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
CN108876044B (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
CN112256980A (zh) 一种基于动态图注意力网络的多关系协同过滤推荐
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN113344615B (zh) 一种基于gbdt和dl融合模型的营销活动预测方法
Cheng et al. Learning transferable user representations with sequential behaviors via contrastive pre-training
CN114519145A (zh) 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法
Zhang et al. Short‐term load forecasting based on wavelet neural network with adaptive mutation bat optimization algorithm
CN116992151A (zh) 一种基于双塔图卷积神经网络的在线课程推荐方法
Guo et al. Sequential dependency enhanced graph neural networks for session-based recommendations
Zhang et al. Skip-attention encoder–decoder framework for human motion prediction
CN113590965B (zh) 一种融合知识图谱与情感分析的视频推荐方法
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
CN113257361A (zh) 自适应蛋白质预测框架的实现方法、装置及设备
CN115422369B (zh) 基于改进TextRank的知识图谱补全方法和装置
CN116975686A (zh) 训练学生模型的方法、行为预测方法和装置
CN115982373A (zh) 结合多级交互式对比学习的知识图谱推荐方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190416

RJ01 Rejection of invention patent application after publication