CN110032677A - 一种基于深度神经网络和概率矩阵分解的混合推荐算法 - Google Patents

一种基于深度神经网络和概率矩阵分解的混合推荐算法 Download PDF

Info

Publication number
CN110032677A
CN110032677A CN201910165345.5A CN201910165345A CN110032677A CN 110032677 A CN110032677 A CN 110032677A CN 201910165345 A CN201910165345 A CN 201910165345A CN 110032677 A CN110032677 A CN 110032677A
Authority
CN
China
Prior art keywords
user
neural network
project
deep neural
probability matrix
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
CN201910165345.5A
Other languages
English (en)
Inventor
琚生根
胡思才
孙界平
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN201910165345.5A priority Critical patent/CN110032677A/zh
Publication of CN110032677A publication Critical patent/CN110032677A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度神经网络和概率矩阵分解的混合推荐算法，步骤如下；S10、信息收集并进行预处理；S20、建立深度神经网络模型和概率矩阵分解模型；S30、根据以上三步得到融合用户和项目真实信息的潜在特征向量；S40、利用特征向量对用户进行个性化推荐。该基于深度神经网络和概率矩阵分解的混合推荐算法与现有技术相比，本发明的有益效果是：本文在前人研究的基础上，不仅充分利用了用户评分矩阵数据，同时将用户描述信息和项目描述信息利用深度神经网络进行特征提取，生成包括用户偏好特征在内的用户和项目真实特征集，再利用最大后验估计对概率矩阵模型和深度神经网络生成的特征进行迭代优化处理。

Description

一种基于深度神经网络和概率矩阵分解的混合推荐算法
技术领域
本发明涉及深度神经网络和概率矩阵分解的混合推荐算法技术领域，具体为一种基于深度神经网络和概率矩阵分解的混合推荐算法。
背景技术
随着互联网技术的快速发展，社会已呈现出数据信息井喷的状态，人们逐渐从信息匮乏的时代迈入到信息爆炸的大数据时代。为了解决信息繁多冗余带来的信息低可用性问题，使得用户能够有效的获得自己需要的信息，推荐系统应运而生。个性化推荐系统是根据用户购买消费记录、用户和项目特征以及对项目的评价等各类信息，为用户推荐用户感兴趣的信息和项目。在众多的推荐系统中，协同过滤推荐算法无疑是最受欢迎的推荐算法，但是用户评分矩阵的稀疏性导致了传统的协同过滤推荐算法在评分预测精度上的下降，影响了实际的推荐效果，从而降低了推荐的质量。
国内外许多研究人员开始根据推荐系统不同的应用场景和存在的一些突出问题提出了很多优化改进算法。Raghavan等人提出了一种两阶段模型，该模型首先使用公式来估计评审质量分数，然后再基于质量分数进行加权评分，建立了概率协同过滤模型。相对于普通PMF方法，这种两阶段方法更能提高推荐系统整体性能。Patra等人将Bhattacharyya测度用于相似度计算方法中，能够综合利用用户评级信息，在稀疏的评级数据集中定位活跃用户的有用邻居，可以为稀疏数据中的活动用户提供可靠的项目推荐。Li等人通过将概率矩阵分解与边缘去噪的堆叠式自编码器相结合，能够从用户项评级和侧面信息中发掘有效的潜在因素，取得了较好的性能。Paradarami等人提出了一种利用人工神经网络框架来预测用户评分的新方法，该方法有效地融合了用户和项目的重要信息，经过对特征空间的拟合训练，形成一个评级分类模型。Kim等人提出了一种基于上下文感知的卷积矩阵分解模型，通过文档建模的方法有效利用项目评论信息，从而能够捕获文档的上下文信息，有效地缓解了数据稀疏性问题，进一步提高了评级预测的准确性。
发明内容
本发明的目的在于提供一种基于深度神经网络和概率矩阵分解的混合推荐算法，以解决上述背景技术中提出的在众多的推荐系统中，协同过滤推荐算法无疑是最受欢迎的推荐算法，但是用户评分矩阵的稀疏性导致了传统的协同过滤推荐算法在评分预测精度上的下降，影响了实际的推荐效果，从而降低了推荐的质量的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络和概率矩阵分解的混合推荐算法，步骤如下；
S10、信息收集并进行预处理；S20、建立深度神经网络模型和概率矩阵分解模型；S30、根据以上三步得到融合用户和项目真实信息的潜在特征向量；S40、利用特征向量对用户进行个性化推荐。
优选的，根据权利要求1所述的方法，其特征在于：所述步骤S10中信息收集并进行预处理的到包含用户偏好特征的用户和项目特征集，用户偏好特征可以根据对用户已评分项目的属性信息进行分析，定量分析用户偏好属性值，从而为用户推荐提供参考数据。用户u对项目特征属性的兴趣程度可用矩阵UP描述，其中，upij在区间[-1，1]上取值，1表示喜欢的程度最高，-1表示喜欢的程度最低。
用户u对项目的第i个特征的喜爱程度upij定义如公式(9)所示。其中，i表示用户编号，j表示项目属性编号，n1表示用户i的积极项目的数量，n2表示用户i的不积极项目的数量。
优选的，根据权利要求1所述的方法，其特征在于：所述S20、建立深度神经网络模型和概率矩阵分解模型：含有n个样本的样本集xk(k∈[1,batchSize])，经过一轮运算后，会得到一个深度神经网络模型的各个预测特征分量的特征值dlw,b(xk)，它总体的损失函数由公式(10)表示，其中ui和vj是通过概率矩阵分解模型优化后得到的用户和项目的潜在特征，损失函数的值越小就意味着预测得越准确。式(10)中的第一项是一个均方差项，第二项是规则化项，这个规则化项所起的主要作用就是防止过拟合。最后利用梯度下降法反向调整误差，并更新模型参数。优化目的就是寻找合适的参数组合(W，b)使得L(W，b)最小。
用户对项目的爱好取决于用户和项目的这几个因子匹配情况，最后评分结果就是用户i和物品j这些因子的线性组合，由式(1)表示。
为了找到最优U、V，利用公式(17)的目标函数进行优化解决，使得L(U,V,Wu,Wv)最小。
优选的，根据权利要求1所述的方法，其特征在于：S40、利用特征向量对用户进行个性化推荐：用户和项目的真实特征是通过深度神经网络进行优化后所获得的，其与基于PMF输出的潜在特征的条件分布如式(13)，其中Xu、Xv是用户和项目的真实特征集。用户和项目之间的特征是独立存在的，因此本文对深度神经网络中用户和项目这两部分损失函数分别进行优化。
P(U|Wu,Xu,σu 2)＝P(U|DL(Wu,Xu),σu 2)＝ΠN(ui|dl(wu,xu),σu 2)
P(V|Wv,Xv,σv 2)＝P(V|DL(Wv,Xv),σv 2)＝ΠN(vj|dl(wv,xv),σv 2) (13)。
与现有技术相比，本发明的有益效果是：本文在前人研究的基础上，不仅充分利用了用户评分矩阵数据，同时将用户描述信息和项目描述信息利用深度神经网络进行特征提取，生成包括用户偏好特征在内的用户和项目真实特征集，再利用最大后验估计对概率矩阵模型和深度神经网络生成的特征进行迭代优化处理。进一步降低了推荐的误差，提高了个性化推荐的准确率。未来可以继续探索将项目评价内容等更多的信息加入到这个模型中，进一步增强潜在特征向量和现实描述信息的关联度，提高个性化推荐的效果。
附图说明
图1为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的综合评价方法流程图；
图2为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的算法总体框架结构示意图；
图3为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的深度神经网络训练流程图；
图4为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的卷积层和池化层结构图；
图5为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的整体算法训练流程图；
图6为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的对数据集data1的预测误差对比实验示意图；
图7为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的对数据集data2的预测误差对比实验示意图；
图8为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的对数据集data3的预测误差对比实验示意图；
图9为本发明一种基于深度神经网络和概率矩阵分解的混合推荐算法的对数据集data4的预测误差对比实验示意图。
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。
请参阅图1-9，本发明提供一种技术方案：一种基于深度神经网络和概率矩阵分解的混合推荐算法，步骤如下；
S10、信息收集并进行预处理；S20、建立深度神经网络模型和概率矩阵分解模型；S30、根据以上三步得到融合用户和项目真实信息的潜在特征向量；S40、利用特征向量对用户进行个性化推荐。
进一步的，所述步骤S10中信息收集并进行预处理的到包含用户偏好特征的用户和项目特征集，用户偏好特征可以根据对用户已评分项目的属性信息进行分析，定量分析用户偏好属性值，从而为用户推荐提供参考数据。用户u对项目特征属性的兴趣程度可用矩阵UP描述，其中，upij在区间[-1，1]上取值，1表示喜欢的程度最高，-1表示喜欢的程度最低。
进一步的，用户u对项目的第i个特征的喜爱程度upij定义如公式(9)所示。其中，i表示用户编号，j表示项目属性编号，n1表示用户i的积极项目的数量，n2表示用户i的不积极项目的数量。
进一步的，所述S20、建立深度神经网络模型和概率矩阵分解模型：含有n个样本的样本集xk(k∈[1,batchSize])，经过一轮运算后，会得到一个深度神经网络模型的各个预测特征分量的特征值dlw,b(xk)，它总体的损失函数由公式(10)表示，其中ui和vj是通过概率矩阵分解模型优化后得到的用户和项目的潜在特征，损失函数的值越小就意味着预测得越准确。式(10)中的第一项是一个均方差项，第二项是规则化项，这个规则化项所起的主要作用就是防止过拟合。最后利用梯度下降法反向调整误差，并更新模型参数。优化目的就是寻找合适的参数组合(W，b)使得L(W，b)最小。
进一步的，用户对项目的爱好取决于用户和项目的这几个因子匹配情况，最后评分结果就是用户i和物品j这些因子的线性组合，由式(1)表示。
进一步的，为了找到最优U、V，利用公式(17)的目标函数进行优化解决，使得L(U,V,Wu,Wv)最小。
进一步的，S40、利用特征向量对用户进行个性化推荐：用户和项目的真实特征是通过深度神经网络进行优化后所获得的，其与基于PMF输出的潜在特征的条件分布如式(13)，其中Xu、Xv是用户和项目的真实特征集。用户和项目之间的特征是独立存在的，因此本文对深度神经网络中用户和项目这两部分损失函数分别进行优化。
P(U|Wu,Xu,σu 2)＝P(U|DL(Wu,Xu),σu 2)＝ΠN(ui|dl(wu,xu),σu 2)
P(V|Wv,Xv,σv 2)＝P(V|DL(Wv,Xv),σv 2)＝ΠN(vj|dl(wv,xv),σv 2) (13)。
进一步的，实验采用MovieLen电影网站的数据集MovieLen(1M)(http://grouplens.org/datasets/movielens/)。数据集描述如下所示；
Tab.1 datadescriptionofMovielens(1M)
进一步的，由于本章算法能够有效地缓解用户评分矩阵极度稀疏的问题，因此本章将数据集根据用户评分稀疏情况，将数据集分为以下三部分进行实验，最后对整个数据集进行实验验证，以表明本章算法的有效性。
进一步的，为了衡量算法的预测准确度，本实验采用均方误差(MSE)和平均绝对误差(MAE)来验证本文算法所得预测结果与用户真实评分的差距。均方误差(MSE)计算如式(19)，平均绝对误差(MAE)计算如式(20)。
其中，ri表示用户对物品的真实评分，prei表示用户对物品的预测评分，n表示测试集大小。MSE和MAE值越小，说明预测值与实际值越近，预测结果的准确率越高。
进一步的，将本文算法与前人算法文献7、文献8以及基于用户的协同过滤推荐算法(CF)和概率矩阵分解算法(PMF)进行比较，以验证本文算法的有效性。
进一步的，为了评估本章算法在个性化推荐中的泛化能力和鲁棒性，对每个数据集进行五折交叉验证：将数据集随机划分为5等份，其中，4份用作训练数据，另外一份用作测试数据，按这个方式对数据集进行训练和测试。实验结果如下所示。
(1)针对数据集data1的均方误差和平均绝对误差情况如图6所示；
(2)针对数据集data2的均方误差和平均绝对误差情况如图7所示；
(3)针对数据集data3的均方误差和平均绝对误差情况如图8所示；
从图6-8可以看出，将数据集按照用户评分稀疏情况所拆分的三个数据集进行实验验证，本文算法无论是对稀疏度高的数据还是稀疏度低的数据，相较于传统的CF推荐和基础的概率矩阵分解算法都有较大的优势，同时较前人算法也都有所改进。
(4)针对数据集data4的均方误差和平均绝对误差情况如图9所示；
由图9看出，本文算法对整个数据集在MSE、MAE方面均优于前人算法以及经典算法，说明了本文算法的有效性。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度神经网络和概率矩阵分解的混合推荐算法，其特征在于:步骤如下；
S10、信息收集并进行预处理；S20、建立深度神经网络模型和概率矩阵分解模型；S30、根据以上三步得到融合用户和项目真实信息的潜在特征向量；S40、利用特征向量对用户进行个性化推荐。
2.根据权利要求1所述的方法，其特征在于:所述步骤S10中信息收集并进行预处理的到包含用户偏好特征的用户和项目特征集，用户偏好特征可以根据对用户已评分项目的属性信息进行分析，定量分析用户偏好属性值，从而为用户推荐提供参考数据。用户u对项目特征属性的兴趣程度可用矩阵UP描述，其中，upij在区间[-1，1]上取值，1表示喜欢的程度最高，-1表示喜欢的程度最低。
用户u对项目的第i个特征的喜爱程度upij定义如公式(9)所示。其中，i表示用户编号，j表示项目属性编号，n1表示用户i的积极项目的数量，n2表示用户i的不积极项目的数量。
3.根据权利要求1所述的方法，其特征在于：所述S20、建立深度神经网络模型和概率矩阵分解模型：含有n个样本的样本集xk(k∈[1,batchSize])，经过一轮运算后，会得到一个深度神经网络模型的各个预测特征分量的特征值dlw,b(xk)，它总体的损失函数由公式(10)表示，其中ui和vj是通过概率矩阵分解模型优化后得到的用户和项目的潜在特征，损失函数的值越小就意味着预测得越准确。式(10)中的第一项是一个均方差项，第二项是规则化项，这个规则化项所起的主要作用就是防止过拟合。最后利用梯度下降法反向调整误差，并更新模型参数。优化目的就是寻找合适的参数组合(W，b)使得L(W，b)最小。
用户对项目的爱好取决于用户和项目的这几个因子匹配情况，最后评分结果就是用户i和物品j这些因子的线性组合，由式(1)表示。
为了找到最优U、V，利用公式(17)的目标函数进行优化解决，使得L(U,V,Wu,Wv)最小。
4.根据权利要求1所述的方法，其特征在于：S40、利用特征向量对用户进行个性化推荐：用户和项目的真实特征是通过深度神经网络进行优化后所获得的，其与基于PMF输出的潜在特征的条件分布如式(13)，其中Xu、Xv是用户和项目的真实特征集。用户和项目之间的特征是独立存在的，因此本文对深度神经网络中用户和项目这两部分损失函数分别进行优化。
P(U|Wu,Xu,σu 2)＝P(U|DL(Wu,Xu),σu 2)＝ΠN(ui|dl(wu,xu),σu 2)
P(V|Wv,Xv,σv 2)＝P(V|DL(Wv,Xv),σv 2)＝ΠN(vj|dl(wv,xv),σv 2)(13)。
CN201910165345.5A 2019-03-05 2019-03-05 一种基于深度神经网络和概率矩阵分解的混合推荐算法 Pending CN110032677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910165345.5A CN110032677A (zh) 2019-03-05 2019-03-05 一种基于深度神经网络和概率矩阵分解的混合推荐算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910165345.5A CN110032677A (zh) 2019-03-05 2019-03-05 一种基于深度神经网络和概率矩阵分解的混合推荐算法

Publications (1)

Publication Number Publication Date
CN110032677A true CN110032677A (zh) 2019-07-19

Family

ID=67235769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910165345.5A Pending CN110032677A (zh) 2019-03-05 2019-03-05 一种基于深度神经网络和概率矩阵分解的混合推荐算法

Country Status (1)

Country Link
CN (1) CN110032677A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507225A (zh) * 2020-12-11 2021-03-16 南京大学 一种基于双层优化的推荐系统数据调试方法
CN112800344A (zh) * 2021-01-29 2021-05-14 重庆邮电大学 一种基于深度神经网络的电影推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789499A (zh) * 2012-07-16 2012-11-21 浙江大学 基于物品间情景化隐式关系的协同过滤方法
CN104766219A (zh) * 2015-03-19 2015-07-08 中国船舶重工集团公司第七0九研究所 基于以列表为单位的用户推荐列表生成方法及系统
CN106326367A (zh) * 2016-08-11 2017-01-11 华南师范大学 基于wnbi和rsvd混合协同推荐算法
CN108573041A (zh) * 2018-04-08 2018-09-25 南京理工大学 基于加权信任关系的概率矩阵分解推荐方法
US10114901B2 (en) * 2011-07-20 2018-10-30 Ebay Inc. Systems and methods for real-time location-aware recommendations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10114901B2 (en) * 2011-07-20 2018-10-30 Ebay Inc. Systems and methods for real-time location-aware recommendations
CN102789499A (zh) * 2012-07-16 2012-11-21 浙江大学 基于物品间情景化隐式关系的协同过滤方法
CN104766219A (zh) * 2015-03-19 2015-07-08 中国船舶重工集团公司第七0九研究所 基于以列表为单位的用户推荐列表生成方法及系统
CN106326367A (zh) * 2016-08-11 2017-01-11 华南师范大学 基于wnbi和rsvd混合协同推荐算法
CN108573041A (zh) * 2018-04-08 2018-09-25 南京理工大学 基于加权信任关系的概率矩阵分解推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苗东方: "基于深度神经网络的创业项目推荐系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507225A (zh) * 2020-12-11 2021-03-16 南京大学 一种基于双层优化的推荐系统数据调试方法
CN112507225B (zh) * 2020-12-11 2021-09-28 南京大学 一种基于双层优化的推荐系统数据调试方法
CN112800344A (zh) * 2021-01-29 2021-05-14 重庆邮电大学 一种基于深度神经网络的电影推荐方法
CN112800344B (zh) * 2021-01-29 2022-03-22 重庆邮电大学 一种基于深度神经网络的电影推荐方法

Similar Documents

Publication Publication Date Title
Darban et al. GHRS: Graph-based hybrid recommendation system with application to movie recommendation
Guo et al. Combining geographical and social influences with deep learning for personalized point-of-interest recommendation
CN111428147B (zh) 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
Kim et al. Convolutional matrix factorization for document context-aware recommendation
CN111127142B (zh) 一种基于广义神经注意力的物品推荐方法
CN110674850A (zh) 一种基于注意力机制的图像描述生成方法
CN109460520B (zh) 基于地理-社会关系与深隐式兴趣挖掘的兴趣点推荐方法
CN104063481A (zh) 一种基于用户实时兴趣向量的电影个性化推荐方法
CN109740064A (zh) 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法
CN108763496B (zh) 一种基于网格和密度的动静态数据融合客户分类方法
Sahu et al. Movie popularity and target audience prediction using the content-based recommender system
CN109471982B (zh) 一种基于用户和服务聚类QoS感知的Web服务推荐方法
CN112925977A (zh) 一种基于自监督图表征学习的推荐方法
CN111241425A (zh) 一种基于层次注意力机制的poi推荐方法
CN110032677A (zh) 一种基于深度神经网络和概率矩阵分解的混合推荐算法
CN111125428B (zh) 基于评分预测函数拟合结构的时间相关电影推荐方法
CN110910235A (zh) 一种基于用户关系网络的贷中异常行为检测方法
CN113342994A (zh) 一种基于无采样协作知识图网络的推荐系统
Vo et al. Multimodal mixture density boosting network for personality mining
Chen et al. A multitask recommendation algorithm based on DeepFM and Graph Convolutional Network
Qi et al. ScratchGAN: Network representation learning for scratch with preference‐based generative adversarial nets
CN106650972B (zh) 一种面向社交网络基于云模型的推荐系统评分预测方法
Jin et al. A music recommendation algorithm based on clustering and latent factor model
Yin et al. Deep collaborative filtering: a recommendation method for crowdfunding project based on the integration of deep neural network and collaborative filtering
CN115310004A (zh) 融合项目时序关系的图神经协同过滤推荐方法

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: 20190719

RJ01 Rejection of invention patent application after publication