CN110083766B - 一种基于元路径引导嵌入的查询推荐方法及装置 - Google Patents

一种基于元路径引导嵌入的查询推荐方法及装置 Download PDF

Info

Publication number
CN110083766B
CN110083766B CN201910342766.0A CN201910342766A CN110083766B CN 110083766 B CN110083766 B CN 110083766B CN 201910342766 A CN201910342766 A CN 201910342766A CN 110083766 B CN110083766 B CN 110083766B
Authority
CN
China
Prior art keywords
user
query
embedding
different
embeddings
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
CN201910342766.0A
Other languages
English (en)
Other versions
CN110083766A (zh
Inventor
石川
范少华
韩霄天
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910342766.0A priority Critical patent/CN110083766B/zh
Publication of CN110083766A publication Critical patent/CN110083766A/zh
Application granted granted Critical
Publication of CN110083766B publication Critical patent/CN110083766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/951—Indexing; Web crawling techniques
    • 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

Abstract

本发明实施例提供了一种基于元路径引导嵌入的查询推荐方法及装置，其中方法包括：获取目标物品信息；提取包含目标物品名称的短语；将短语拆分为多个词语；在预设的统一词语嵌入词典中查找不同词语组合后形成的短语所对应的短语嵌入；将将查找到的词语嵌入组合为短语嵌入，并将短语嵌入按照不同预设元路径进行逐阶聚合，得到不同的用户嵌入及查询嵌入；基于不同的用户嵌入，查询嵌入，以及用户原始静态特征，计算用户与不同查询的交互概率；将具有最大交互概率的查询推荐给用户。本发明实施例能够基于用户、物品、以及查询之间的交互按照不同的预设元路径进行逐阶聚合，使所推荐的查询更有可能符合用户的需求，从而提高推荐查询准确性。

Description

一种基于元路径引导嵌入的查询推荐方法及装置
技术领域
本发明涉及计算机技术领域，特别是涉及一种基于元路径引导嵌入的查询推荐方法及装置。
背景技术
大多数移动端购物应用中具有查询推荐功能，即，当用户刷新购物应用时，可以向用户推荐一个个性化的查询，所谓个性化的查询是指一个专门针对该用户的查询内容，以吸引用户搜索所推荐的查询。例如，向用户推荐一个查询：air jordan(商标名)，用户便可以根据该查询搜索与air jordan相关的物品。
现有的查询推荐方法，通常利用用户和物品之间的交互关系来提取基于元路径的特征，再基于所提取的特征预测用户搜索不同查询的概率，然后将概率最高的查询推荐给用户。
然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：
由于现有的查询推荐方法仅获取用户和物品之间的交互信息，而没有从更多维度获取交互信息，因此，难以保证所推荐的查询足够吸引用户，也即，查询的推荐准确性仍有待提高。
发明内容
本发明实施例的目的在于提供一种基于元路径引导嵌入的查询推荐方法及装置，以进一步提高向用户推荐查询时的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种基于元路径引导嵌入的查询推荐方法，所述方法包括：
获取目标物品信息，所述目标物品信息为用户浏览、查询、或购买所述目标物品时产生的信息；
从所述目标物品信息中提取包含所述目标物品名称的短语；
将所述短语拆分为多个词语；
在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示；
将查找到的所述词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；所述不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；所述元路径用于表示连接不同描述对象的语义路径；所述描述对象包括：查询，物品，以及用户；
基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；所述交互概率为用户搜索各查询的概率；
将具有最大交互概率的查询推荐给用户。
可选的，当所述多个短语嵌入分别作为多个初始的查询嵌入和多个初始的物品嵌入时，所述将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入的步骤，包括：
将所述多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入；
将所述多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入；
将所述多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入；
将所述多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入；
对所述第一用户嵌入和所述第二用户嵌入进行聚合，得到第三用户嵌入；
对所述第一查询嵌入和所述第二查询嵌入进行聚合，得到第三查询嵌入。
可选的，所述基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率的步骤，包括：
利用所述第三用户嵌入，所述第三查询嵌入，以及所述用户原始静态特征，计算用户与不同查询的交互概率。
可选的，所述计算用户与不同查询的交互概率的步骤，包括：
通过第一预设表达式计算用户与不同查询的交互概率，所述第一预设表达式为：
Figure BDA0002041280730000031
式中，
Figure BDA0002041280730000032
表示用户i和查询j计算得到的交互概率；sigmoid(·)表示激活函数；Ui表示用户i的嵌入；Qj表示查询j的嵌入；Sij表示用户i和查询j的静态特征；e表示自然常数。
可选的，所述获取目标物品信息的步骤，包括：
从用户使用的购物应用程序所产生的历史记录中获取目标物品信息。
第二方面，本发明实施例提供了一种基于元路径引导嵌入的查询推荐装置，所述装置包括：
获取模块，用于获取目标物品信息，所述目标物品信息为用户浏览、查询、或购买所述目标物品时产生的信息；
提取模块，用于从所述目标物品信息中提取包含所述目标物品名称的短语；
拆分模块，用于将所述短语拆分为多个词语；
查找模块，用于在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示；
聚合模块，用于将查找到的所述词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；所述不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；所述元路径用于表示连接不同描述对象的语义路径；所述描述对象包括：查询，物品，以及用户；
计算模块，用于基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；所述交互概率为用户搜索各查询的概率；
推荐模块，用于将具有最大交互概率的查询推荐给用户。
可选的，当所述多个短语嵌入分别作为多个初始的查询嵌入和多个初始的物品嵌入时，所述聚合模块，包括：
第一聚合子模块，用于将所述多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入；
第二聚合子模块，用于将所述多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入；
第三聚合子模块，用于将所述多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入；
第四聚合子模块，用于将所述多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入；
第五聚合子模块，用于对所述第一用户嵌入和第二用户嵌入进行聚合，得到第三用户嵌入；
第六聚合子模块，用于对所述第一查询嵌入和第二查询嵌入进行聚合，得到第三查询嵌入。
可选的，所述计算模块，具体用于：
利用所述第三用户嵌入，所述第三查询嵌入，以及所述用户原始静态特征，计算用户与不同查询的交互概率。
第三方面，本发明实施例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，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现本发明实施例第一方面提供的基于元路径引导嵌入的查询推荐方法的方法步骤。
第四方面，本发明实施例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本发明实施例第一方面提供的基于元路径引导嵌入的查询推荐方法的方法步骤。
本发明实施例提供的一种基于元路径引导嵌入的查询推荐方法及装置，在获取目标物品信息后，通过从目标物品信息中提取包含目标物品名称的短语，然后将短语拆分为词语，进而查找不同词语嵌入，并将查找到的词语嵌入组合为短语嵌入，从而得到短语的连续向量表示，然后，将所得的短语嵌入按照不同的预设元路径进行逐阶聚合后得到不同的用户嵌入以及不同的查询嵌入，进而计算用户与不同查询的交互概率，并将将具有最大交互概率的查询推荐给用户。由于本发明实施例能够基于用户、物品、以及查询三元对象之间的交互，按照不同的预设元路径进行逐阶聚合，因此能够从更多维度获取交互信息，使所推荐的查询更有可能符合用户的需求，从而吸引用户点击，达到提高推荐查询准确性的技术效果。当然，实施本发明的任一产品或方法必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基于元路径引导嵌入的查询推荐方法的一种流程示意图；
图2本发明实施例的基于元路径引导嵌入的查询推荐系统的模型示意图；
图3为本发明实施例提供的基于元路径引导嵌入的查询推荐方法中基于元路径得到用户嵌入的过程示意图；
图4为本发明实施例提供的基于元路径引导嵌入的查询推荐基于元路径引导嵌入的查询推荐装置的一种结构示意图；
图5为本发明实施例中聚合模块的一种结构示意图；
图6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。
如图1所示，本发明实施例提供了一种基于元路径引导嵌入的查询推荐方法，该过程可以包括以下步骤：
S101，获取目标物品信息。
本发明实施例中，为了向用户推荐查询，可以先获取目标物品信息，即，用户浏览、查询、或购买所述目标物品时产生的信息。
作为本发明实施例一种可选的实施方式，可以从用户使用的购物应用程序所产生的历史记录中获取目标物品信息。可以理解，购物应用程序所产生的历史记录中通常包含用户行为日志，当用户使用购物应用程序时，很多数据将会被平台记录，这些数据可以被归为两类，第一类是属性数据，包括对象的属性信息，例如：用户个人档案和物品属性；另一类是交互数据，包括用户、物品和查询之间的三元交互数据，例如，用户点击物品的日志，用户搜索查询的日志，以及查询某物品的日志。
S102，从目标物品信息中提取包含目标物品名称的短语。
目标物品信息中通常携带有目标物品的名称，因此，本发明实施例可以从目标物品信息中提取包含目标物品名称的短语，示例性地，用户曾经搜索过女士包(ladies bag)，则其中包为目标物品的名称，女士包为包含该目标物品名称的短语。当然，可以获取从多个目标物品信息中提取多个短语。
S103，将短语拆分为词语。
仍以上述女士包为例说明，女士包为短语，则可以将女士包拆分为女士和包，即拆分为词语。当然，可以将短语拆分为多个词语，还可以将不同的短语拆分为不同的词语。
S104，在预设的统一词语嵌入词典中，查找组成短语的多个词语分别对应的词语嵌入。
本发明实施例中，可以预先建立一个统一词语嵌入词典，该词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系，具体可以为一个数据库。
传统的查询推荐系统中，每一个用户和每一个查询有一个唯一的嵌入。在查询推荐场景，通常有数以亿计的用户和查询。如果使用传统的协同过滤或者基于神经网络的方法来表示所有的用户和查询，将会导致参数的数量巨大。由于在查询推荐中查询和物品的名称都是由共同的短语组成的，因此本发明实施例可以通过将很少数量的短语嵌入在一个低维空间上来表示查询和物品，从而减少参数的数量。
具体的，可以从查询和物品名称中提取样本短语。由于提取的样本短语包含丰富的语义信息，因此可以使用短语来表示查询和物品。可以使用现有的单词分割方法(如AliWS阿里巴巴单词分割)来分割查询和物品的标题，先得到术语词典
Figure BDA0002041280730000071
由于术语词典
Figure BDA0002041280730000072
中短语的数量远远小于查询和用户的数量，统一的词语嵌入对于减少模型参数是有效的。更重要的是，之前从未被搜索过的新查询可以被提取出的短语表示。
图2为本发明实施例的基于元路径引导嵌入的查询推荐系统的模型示意图，如图2所示，该模型可以由两部分组成(由虚线分隔)。一部分是统一的词语嵌入层，可以产生物品的短语嵌入和查询的短语嵌入。不同于大多数嵌入方法对于所有的用户和查询学习一个唯一的嵌入，统一的词语嵌入可以以很少数量短语嵌入产生对象(用户\查询\物品)的表示。另一部分是基于元路径引导邻居的聚合层，该模型可以从用户和查询的邻居中学习他们的嵌入，然后分别基于不同的元路径逐阶融合用户和查询的嵌入，最终将得到融合的用户和查询嵌入，以及从用户和物品中抽取的静态特征，利用构建的分类器预测一个用户将要搜索一个特定查询的概率。
以图2中的统一词语嵌入部分中的两个例子查询qn和物品in来说明统一词语嵌入式如何运作的，查询qn由词语集合{w2,wn}组成，物品in由词语集合{w1,w2,wn}组成。可以使用多热编码(即multi-hot，在编码向量中多个位置可以为1的编码方式)表示查询qn和物品in，如下所示：
{w1,w2,...,wn-1,wn}
qn＝(0,1,...,0,1)
in＝(1,1,...,0,1)
一个词语可以通过一个参数化的函数映射到一个低维的向量空间，即，词语嵌入为词语的低维度连续向量表示。在统一词语嵌入层，查询的短语嵌入或者物品的短语嵌入，可以分别表示为多个词语嵌入的组合，以表达多个词语嵌入之间的语义关系，具体地，可以对组成短语的多个词语的词语嵌入进行平均(即聚合处理)处理，从而得到短语嵌入，则查询的短语嵌入可以表示为：
Figure BDA0002041280730000081
物品的短语嵌入可以表示为：
Figure BDA0002041280730000082
其中
Figure BDA0002041280730000083
是短语wi的嵌入，AVG是平均函数。
通过使用来自同一个词语嵌入词典的词语嵌入，可以在一个统一的词语嵌入空间中获得查询和物品的嵌入。因此，由词语嵌入组合得到的短语嵌入可以同时被用户和查询的嵌入同时优化，这使得短语嵌入在嵌入层包含了用户与查询，以及用户与物品之间的交互信息。
作为本发明实施例一种可选的实施方式，当多个短语嵌入分别作为多个初始的查询嵌入和多个初始的物品嵌入时，可以将多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入；将多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入；将多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入；将多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入。
S105，将查找到的词语嵌入组合为短语嵌入，并将短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入。
本发明实施例中的元路径可以是指：用于表示连接不同描述对象的语义路径，本发明实施例中的描述对象可以为：查询，物品，以及用户，这些元路径可以包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径，并且，上述不同元路径可以根据不同描述对象之间的交互关系预设好。
示例性地，参考图3，为对基于用户(U)-物品(I)-查询(Q)这一元路径得到用户u2的用户嵌入的过程示意图，首先使用统一的词语嵌入来获得查询的初始嵌入，例如，获得词语女士(hand)和包(bag)的词语嵌入后，平均(即聚合处理)两个词语嵌入，得到短语“女士包(hand bag)”的短语嵌入，即得到查询的初始嵌入，然后聚合元路径引导的邻居来获得用户u2的嵌入。根据如3所示的模型结构，首先得到u2的一阶邻居，表示为
Figure BDA0002041280730000091
对于在邻居集合
Figure BDA0002041280730000092
中的每一个节点ii，提取二阶邻居集合
Figure BDA0002041280730000093
在获得u2的一阶和二阶邻居集合之后，聚合二阶邻居的嵌入来获得一阶邻居的嵌入，具体地，聚合查询q1的嵌入来获得物品ii的嵌入，然后聚合查询q2和q3的嵌入来得到物品i2的嵌入，再聚集一阶邻居{i1,i2}从而获得用户u2的嵌入
Figure BDA0002041280730000094
作为本发明实施例一种可选的实施方式，当所述多个短语嵌入分别作为多个初始的查询嵌入和多个初始的物品嵌入时，所述将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入的步骤，包括：
将所述多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入；将所述多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入；将所述多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入；将所述多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入；对所述第一用户嵌入和所述第二用户嵌入进行聚合，得到第三用户嵌入；对所述第一查询嵌入和所述第二查询嵌入进行聚合，得到第三查询嵌入。
本发明实施例中，用户嵌入建模的具体原理过程为：
对于用户ui而言，可以通过聚合用户ui的不同阶邻居的信息来获得其用户嵌入，表示为Ui。为了获得用户ui的用户嵌入Ui，可以选择一个从目标用户开始的元路径，首先沿着元路径搜索不同阶的邻居，然后以反向逐步聚合各邻居的嵌入。
以元路径用户(U)-物品(I)-查询(Q)为例，为了得到用户ui的不同跳邻居，首先收集被用户ui点击过的物品，然后将这些物品组成一阶邻居集合
Figure BDA0002041280730000101
然后针对集合
Figure BDA0002041280730000102
中的每个物品ij，搜集引导过每个物品ij的查询集合作为其二阶邻居集合
Figure BDA0002041280730000103
在获得一阶和二阶邻居集合之后，聚集二阶邻居(查询)的嵌入来获得一阶邻居(物品)的嵌入，然后在基于元路径UIQ获得的邻居集合
Figure BDA0002041280730000104
中的物品ij的嵌入
Figure BDA0002041280730000105
表示为：
Figure BDA0002041280730000106
式中，AGG是指聚合函数，本发明实施例可以采用现有的聚合函数(例如，平均函数，求和函数)进行聚合。
根据邻居的性质进行不同的操作，其中查询{q1,q2,…}是物品ij的邻居。
然后聚合一阶邻居(物品)获得用户ui的用户嵌入
Figure BDA0002041280730000107
表示为：
Figure BDA0002041280730000108
其中，物品{i1,i2,…}是用户ui的邻居。
然后聚合基于不同元路径{ρ1,ρ2,…,ρk}的用户嵌入，表示为：
Figure BDA0002041280730000111
式中，ρ表示从用户开始的元路径。
由于点击查询或者物品时有时间戳，建模用户的邻居(即，查询和物品)为时间序列。递归神经网络，特别是LSTM(Long Short-Term Memory，长短时记忆)网络在时间序列数据上具有很好的效果，因此作为本发明实施例一种可选的实施方式，可以利用现有的LSTM来动态的建模用户的邻居(即，查询和物品)，也即，用户邻居的聚合函数AGG可以是LSTM，该过程可以通过现有的LSTM处理技术实现，本发明实施例在此不再赘述。
发明实施例中，可以基于元路径{ρ1,ρ2,…,ρk}聚合得到查询嵌入，表示为：
Figure BDA0002041280730000112
式中，ρ同样表示从用户开始的元路径。
查询嵌入建模的原理与用户嵌入的建模原理相同，其过程本发明实施例不再赘述。
由于查询的邻居(即，物品和用户)不是以时间排序的，因此，作为本发明实施例一种可选的实施方式，可以利用CNN(Convolutional Neural Networks，卷积神经网络)来动态的建模查询的邻居(即，物品和用户)，也即，查询的邻居的聚合函数AGG可以是CNN，该过程可以通过现有的CNN处理技术实现，本发明实施例在此不再赘述。
S106，基于不同的用户嵌入，不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率。
可以理解，在得到不同的用户嵌入，不同的查询嵌入，以及预先获取的用户原始静态特征后，由于这些嵌入或特征中携带有用户和查询的特征信息，因此可以通过它们计算用户与不同查询的交互概率，即可预测用户搜索各查询的概率。
本发明实施例中，计算损失函数的原理过程为：
建模查询推荐为一个分类问题，本发明实施例可以预测用户ui搜索查询qj的概率，可以通过使用逻辑回归函数约束输出
Figure BDA0002041280730000121
在范围[0,1]之间使得输出值为一个概率，通过聚集用户和查询的邻居，可以获得用户ui的用户嵌入Ui和查询qj的查询嵌入Qj。并且，在传统查询推荐方法中使用的用户原始静态特征，包括从用户(查询)的属性和交互信息中提取的属性信息，可以将这些静态特征输入一个多层感知器中获得静态特征的表示Sij。
用户ui和查询qj的交互概率可以通过以下表达式得到：
Figure BDA0002041280730000122
式中，f(·)是仅有一个输出的全连接层，sigmoid(·)表示激活函数，则sigmoid(f(Ui,Qj,Sij))表示通过上述激活函数得到的交互概率；Ui表示用户i的嵌入；Qj表示查询j的嵌入；Sij表示用户i和查询j的静态特征；e表示自然常数。
本发明实施例的损失函数为如下式的点对损失函数：
Figure BDA0002041280730000123
式中，yij是样本实例的标签(即，用户i是否点击查询j)；
Figure BDA0002041280730000124
是预测得分，并且
Figure BDA0002041280730000125
和
Figure BDA0002041280730000126
各自表示是正负样本实例集。为了优化损失函数，可以使用批处理反向传播来更新模型的参数。
作为本发明实施例一种可选的实施方式，可以根据所述第三用户嵌入，所述第三查询嵌入，以及用户原始静态特征，计算用户与不同查询的交互概率。
S107，将具有最大交互概率的查询推荐给用户。
计算得到用户与各查询的交互概率后，即可将具有最大交互概率的查询推荐给用户，也即，该交互概率最大的查询，是经计算得到的最优可能使用户感兴趣的查询，用户更有可能通过所推荐的查询搜索与该查询对应的物品。
本发明实施例提供的一种基于元路径引导嵌入的查询推荐方法，在获取目标物品信息后，通过从目标物品信息中提取包含目标物品名称的短语，然后将短语拆分为词语，进而查找不同词语嵌入，并将查找到的词语嵌入组合为短语嵌入，从而得到短语的连续向量表示，然后，将所得的短语嵌入按照不同的预设元路径进行逐阶聚合后得到不同的用户嵌入以及不同的查询嵌入，进而计算用户与不同查询的交互概率，并将将具有最大交互概率的查询推荐给用户。由于本发明实施例能够基于用户、物品、以及查询三元对象之间的交互，按照不同的预设元路径进行逐阶聚合，因此能够从更多维度获取交互信息，使所推荐的查询更有可能符合用户的需求，从而吸引用户点击，达到提高推荐查询准确性的技术效果。
本发明实施例提供的一种基于元路径引导嵌入的查询推荐装置的一种具体实施例，与图1所示流程相对应，参考图4，图4为本发明实施例的一种基于元路径引导嵌入的查询推荐装置的一种结构示意图，包括：
获取模块201，用于获取目标物品信息，目标物品信息为用户浏览、查询、或购买目标物品时产生的信息。
提取模块202，用于从目标物品信息中提取包含目标物品名称的短语。
拆分模块203，用于将短语拆分为多个词语。
查找模块204，用于在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示。
聚合模块205，用于将查找到的词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；元路径用于表示连接不同描述对象的语义路径；描述对象包括：查询，物品，以及用户。
计算模块206，用于基于不同的用户嵌入，不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；交互概率为用户搜索各查询的概率。
推荐模块207，用于将具有最大交互概率的查询推荐给用户。
作为本发明实施例一种可选的实施方式，如图5所示，聚合模块205，可以包括：
第一聚合子模块2051，用于将多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入。
第二聚合子模块2052，用于将多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入。
第三聚合子模块2053，用于将多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入。
第四聚合子模块2054，用于将多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入；
第五聚合子模块2055，用于对所述第一用户嵌入和第二用户嵌入进行聚合，得到第三用户嵌入；
第六聚合子模块2056，用于对所述第一查询嵌入和第二查询嵌入进行聚合，得到第三查询嵌入。
作为本发明实施例一种可选的实施方式，计算模块，具体用于：
利用所述第三用户嵌入，所述第三查询嵌入，以及所述用户原始静态特征，计算用户与不同查询的交互概率。
作为本发明实施例一种可选的实施方式，计算模块，具体用于：
通过第一预设表达式计算用户与不同查询的交互概率，第一预设表达式为：
Figure BDA0002041280730000151
式中，
Figure BDA0002041280730000152
表示用户i和查询j计算得到的交互概率；sigmoid(·)表示激活函数；Ui表示用户i的嵌入；Qj表示查询j的嵌入；Sij表示用户i和查询j的静态特征；e表示自然常数。
作为本发明实施例一种可选的实施方式，获取模块，具体用于：
从用户使用的购物应用程序所产生的历史记录中获取目标物品信息。
本发明实施例提供的一种基于元路径引导嵌入的查询推荐装置，在获取目标物品信息后，通过从目标物品信息中提取包含目标物品名称的短语，然后将短语拆分为词语，进而查找不同词语嵌入，并将查找到的词语嵌入组合为短语嵌入，从而得到短语的连续向量表示，然后，将所得的短语嵌入按照不同的预设元路径进行逐阶聚合后得到不同的用户嵌入以及不同的查询嵌入，进而计算用户与不同查询的交互概率，并将将具有最大交互概率的查询推荐给用户。由于本发明实施例能够基于用户、物品、以及查询三元对象之间的交互，按照不同的预设元路径进行逐阶聚合，因此能够从更多维度获取交互信息，使所推荐的查询更有可能符合用户的需求，从而吸引用户点击，达到提高推荐查询准确性的技术效果。
本发明实施例的查询推荐模型与现有的GBDT(Gradient Boosting DecisionTree，梯度提升决策树)模型的对比结果如表1所示，选择评价标准包括：网页访问量(PV)，点击量(Click)，点击通过率(CTR)，独立点击量(Unique Click)和独立点击通过率(UCTR)。
表1本发明实施例的查询推荐模型与GBDT模型的对比结果
Figure BDA0002041280730000153
Figure BDA0002041280730000161
根据表1可知，与GBDT对比，本发明实施例的模型在所有准则上都有提高，表明融合聚合网络信息可以更好的捕获用户隐爱好，该模型在安卓系统，IOS系统(苹果公司开发的操作系统)和两者总计对CTR指标分别有0.70％，4.79％和1.54％的提高。由于CTR是在线情景下度量点击和曝光的比例，这个提高意味着在查询搜索情景下的模型相比GBDT是更有效的，并且同样可以表明的模型可以很大程度提高用户的搜索体验。此外，准则UCTR表示多少个独立用户点击了推荐的查询，其指标在安卓系统，IOS和Total上有分别2.07％，5.43％和2.66％的提高。UCTR的提高表明的模型在吸引新用户搜索查询上有一定优势。同时需要注意的是由于用户群组和界面的区别，IOS端的效果要比Android端要好。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现如下步骤：
获取目标物品信息，所述目标物品信息为用户浏览、查询、或购买所述目标物品时产生的信息；
从所述目标物品信息中提取包含所述目标物品名称的短语；
将所述短语拆分为多个词语；
在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示；
将查找到的所述词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；所述不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；所述元路径用于表示连接不同描述对象的语义路径；所述描述对象包括：查询，物品，以及用户；
基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；所述交互概率为用户搜索各查询的概率；
将具有最大交互概率的查询推荐给用户。
本发明实施例提供的一种电子设备，在获取目标物品信息后，通过从目标物品信息中提取包含目标物品名称的短语，然后将短语拆分为词语，进而查找不同词语嵌入，并将查找到的词语嵌入组合为短语嵌入，从而得到短语的连续向量表示，然后，将所得的短语嵌入按照不同的预设元路径进行逐阶聚合后得到不同的用户嵌入以及不同的查询嵌入，进而计算用户与不同查询的交互概率，并将将具有最大交互概率的查询推荐给用户。由于本发明实施例能够基于用户、物品、以及查询三元对象之间的交互，按照不同的预设元路径进行逐阶聚合，因此能够从更多维度获取交互信息，使所推荐的查询更有可能符合用户的需求，从而吸引用户点击，达到提高推荐查询准确性的技术效果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，用以执行如下步骤：
获取目标物品信息，所述目标物品信息为用户浏览、查询、或购买所述目标物品时产生的信息；
从所述目标物品信息中提取包含所述目标物品名称的短语；
将所述短语拆分为多个词语；
在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示；
将查找到的所述词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；所述不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；所述元路径用于表示连接不同描述对象的语义路径；所述描述对象包括：查询，物品，以及用户；
基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；所述交互概率为用户搜索各查询的概率；
将具有最大交互概率的查询推荐给用户。
本发明实施例提供的一种计算机可读存储介质，在获取目标物品信息后，通过从目标物品信息中提取包含目标物品名称的短语，然后将短语拆分为词语，进而查找不同词语嵌入，并将查找到的词语嵌入组合为短语嵌入，从而得到短语的连续向量表示，然后，将所得的短语嵌入按照不同的预设元路径进行逐阶聚合后得到不同的用户嵌入以及不同的查询嵌入，进而计算用户与不同查询的交互概率，并将将具有最大交互概率的查询推荐给用户。由于本发明实施例能够基于用户、物品、以及查询三元对象之间的交互，按照不同的预设元路径进行逐阶聚合，因此能够从更多维度获取交互信息，使所推荐的查询更有可能符合用户的需求，从而吸引用户点击，达到提高推荐查询准确性的技术效果。
对于装置/电子设备/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，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述基于元路径引导嵌入的查询推荐方法的装置、电子设备及存储介质，则上述基于元路径引导嵌入的查询推荐方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。
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，并不排除在包括所述要素的过程、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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述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 (8)

1.一种基于元路径引导嵌入的查询推荐方法，其特征在于，所述方法包括：
获取目标物品信息，所述目标物品信息为用户浏览、查询、或购买所述目标物品时产生的信息；
从所述目标物品信息中提取包含所述目标物品名称的短语；
将所述短语拆分为多个词语；
在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示；
将查找到的所述词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；所述不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；所述元路径用于表示连接不同描述对象的语义路径；所述描述对象包括：查询，物品，以及用户；
基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；所述交互概率为用户搜索各查询的概率；
将具有最大交互概率的查询推荐给用户；
当所述多个短语嵌入分别作为多个初始的查询嵌入和多个初始的物品嵌入时，所述将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入的步骤，包括：
将所述多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入；
将所述多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入；
将所述多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入；
将所述多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入；
对所述第一用户嵌入和所述第二用户嵌入进行聚合，得到第三用户嵌入；
对所述第一查询嵌入和所述第二查询嵌入进行聚合，得到第三查询嵌入。
2.根据权利要求1所述的方法，其特征在于，所述基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率的步骤，包括：
利用所述第三用户嵌入，所述第三查询嵌入，以及所述用户原始静态特征，计算用户与不同查询的交互概率。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述计算用户与不同查询的交互概率的步骤，包括：
通过第一预设表达式计算用户与不同查询的交互概率，所述第一预设表达式为：
Figure FDA0002859510130000021
式中，
Figure FDA0002859510130000022
表示用户i和查询j计算得到的交互概率；sigmoid(·)表示激活函数；Ui表示用户i的嵌入；Qj表示查询j的嵌入；Sij表示用户i和查询j的静态特征；e表示自然常数。
4.根据权利要求1所述的方法，其特征在于，所述获取目标物品信息的步骤，包括：
从用户使用的购物应用程序所产生的历史记录中获取目标物品信息。
5.一种基于元路径引导嵌入的查询推荐装置，其特征在于，所述装置包括：
获取模块，用于获取目标物品信息，所述目标物品信息为用户浏览、查询、或购买所述目标物品时产生的信息；
提取模块，用于从所述目标物品信息中提取包含所述目标物品名称的短语；
拆分模块，用于将所述短语拆分为多个词语；
查找模块，用于在预设的统一词语嵌入词典中，查找组成所述短语的多个词语分别对应的词语嵌入；所述统一词语嵌入词典中保存有多个样本词语嵌入，以及各样本词语与各样本词语嵌入之间的对应关系；所述词语嵌入为词语的低维度连续向量表示；
聚合模块，用于将查找到的所述词语嵌入组合为短语嵌入，并将所述短语嵌入按照不同的预设元路径进行逐阶聚合，得到不同的用户嵌入以及不同的查询嵌入；所述不同的预设元路径包括：查询-物品-用户元路径，物品-查询-用户元路径，查询-物品-查询元路径，以及物品-用户-查询元路径；所述元路径用于表示连接不同描述对象的语义路径；所述描述对象包括：查询，物品，以及用户；
计算模块，用于基于所述不同的用户嵌入，所述不同的查询嵌入，以及预先获取的用户原始静态特征，计算用户与不同查询的交互概率；所述交互概率为用户搜索各查询的概率；
推荐模块，用于将具有最大交互概率的查询推荐给用户；
当所述多个短语嵌入分别作为多个初始的查询嵌入和多个初始的物品嵌入时，所述聚合模块，包括：
第一聚合子模块，用于将所述多个查询的嵌入按照查询-物品-用户元路径进行逐阶聚合，得到第一用户嵌入；
第二聚合子模块，用于将所述多个查询的嵌入按照物品-查询-用户元路径进行逐阶聚合，得到第二用户嵌入；
第三聚合子模块，用于将所述多个初始的物品嵌入按照查询-物品-查询元路径进行逐阶聚合，得到第一查询嵌入；
第四聚合子模块，用于将所述多个初始的物品嵌入按照物品-用户-查询元路径进行逐阶聚合，得到第二查询嵌入；
第五聚合子模块，用于对所述第一用户嵌入和第二用户嵌入进行聚合，得到第三用户嵌入；
第六聚合子模块，用于对所述第一查询嵌入和第二查询嵌入进行聚合，得到第三查询嵌入。
6.根据权利要求5所述的装置，其特征在于，所述计算模块，具体用于：
利用所述第三用户嵌入，所述第三查询嵌入，以及所述用户原始静态特征，计算用户与不同查询的交互概率。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一项所述的方法步骤。
8.一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1-4任一项所述的方法步骤。
CN201910342766.0A 2019-04-26 2019-04-26 一种基于元路径引导嵌入的查询推荐方法及装置 Active CN110083766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910342766.0A CN110083766B (zh) 2019-04-26 2019-04-26 一种基于元路径引导嵌入的查询推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910342766.0A CN110083766B (zh) 2019-04-26 2019-04-26 一种基于元路径引导嵌入的查询推荐方法及装置

Publications (2)

Publication Number Publication Date
CN110083766A CN110083766A (zh) 2019-08-02
CN110083766B true CN110083766B (zh) 2021-05-14

Family

ID=67416825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910342766.0A Active CN110083766B (zh) 2019-04-26 2019-04-26 一种基于元路径引导嵌入的查询推荐方法及装置

Country Status (1)

Country Link
CN (1) CN110083766B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709819B (zh) * 2020-01-20 2021-03-30 山东佳联电子商务有限公司 一种点拍网基于图神经网络的产权交易推荐系统及推荐方法
CN113095901B (zh) * 2021-02-20 2024-02-20 科大讯飞股份有限公司 推荐方法和相关模型的训练方法、电子设备、存储装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN104077351A (zh) * 2014-05-26 2014-10-01 东北师范大学 基于异构信息网络的内容提供方法及系统
CN106777339A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于异构网络嵌入模型识别作者的方法
CN109271582A (zh) * 2018-08-20 2019-01-25 东南大学 一种基于带属性元路径的个性化信息推荐方法
CN109492132A (zh) * 2018-10-26 2019-03-19 广州市香港科大霍英东研究院 异构信息网络嵌入的方法、系统、终端及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102247891B1 (ko) * 2014-04-22 2021-05-04 에스케이플래닛 주식회사 엑세스 포인트의 핑거프린트를 이용한 건물 내의 위치 추천 장치 및 이를 이용한 방법
CN106503022B (zh) * 2015-09-08 2020-12-01 北京邮电大学 推送推荐信息的方法和装置
CN106709037B (zh) * 2016-12-29 2019-11-08 武汉大学 一种基于异构信息网络的电影推荐方法
CN109635201B (zh) * 2018-12-18 2020-07-31 苏州大学 异质社交网络跨平台关联用户账户挖掘方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN104077351A (zh) * 2014-05-26 2014-10-01 东北师范大学 基于异构信息网络的内容提供方法及系统
CN106777339A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于异构网络嵌入模型识别作者的方法
CN109271582A (zh) * 2018-08-20 2019-01-25 东南大学 一种基于带属性元路径的个性化信息推荐方法
CN109492132A (zh) * 2018-10-26 2019-03-19 广州市香港科大霍英东研究院 异构信息网络嵌入的方法、系统、终端及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Representation Learning with Depth and Breadth for Recommendation using Multi-view Data;xiaotian Han等;《Asia-Pacific Web (APWeb) and Web-Age Information Management (WAIM) Joint International Conference on Web and Big Data》;20180723;第1-8页 *
融合异质网络与主题模型的方面分预测;吉余岗等;《计算机应用》;20171110;第37卷;第3201-3206页 *

Also Published As

Publication number Publication date
CN110083766A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN107423442B (zh) 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
CN106802956B (zh) 一种基于加权异构信息网络的电影推荐方法
CN107220365B (zh) 基于协同过滤与关联规则并行处理的精准推荐系统及方法
Luo et al. Personalized recommendation by matrix co-factorization with tags and time information
CN110909182B (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
US10217058B2 (en) Predicting interesting things and concepts in content
CN110543598B (zh) 信息推荐方法、装置及终端
CN110532479A (zh) 一种信息推荐方法、装置及设备
CN108846097B (zh) 用户的兴趣标签表示方法、文章推荐方法、及装置、设备
WO2014085776A2 (en) Web search ranking
CN112307762B (zh) 搜索结果的排序方法及装置、存储介质、电子装置
CA3059929C (en) Text searching method, apparatus, and non-transitory computer-readable storage medium
CN110197404B (zh) 可降低流行度偏差的个性化长尾商品推荐方法和系统
Babu et al. An implementation of the user-based collaborative filtering algorithm
Malik et al. EPR-ML: E-Commerce Product Recommendation Using NLP and Machine Learning Algorithm
CN109410001A (zh) 一种商品推荐方法、系统、电子设备和存储介质
CN114329207A (zh) 多业务信息排序系统、方法、存储介质及电子设备
CN113254711A (zh) 一种互动图像的显示方法、装置、计算机设备和存储介质
CN110083766B (zh) 一种基于元路径引导嵌入的查询推荐方法及装置
Lee et al. A hybrid collaborative filtering-based product recommender system using search keywords
CN112380451A (zh) 一种基于大数据的喜好内容推荐方法
CN115618101A (zh) 基于负反馈的流媒体内容推荐方法、装置及电子设备
CN111444424A (zh) 一种信息推荐方法和信息推荐系统
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN111753151B (zh) 一种基于互联网用户行为的服务推荐方法

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
GR01 Patent grant
GR01 Patent grant