CN110232153A - 一种基于内容的跨领域推荐方法 - Google Patents

一种基于内容的跨领域推荐方法 Download PDF

Info

Publication number
CN110232153A
CN110232153A CN201910454275.5A CN201910454275A CN110232153A CN 110232153 A CN110232153 A CN 110232153A CN 201910454275 A CN201910454275 A CN 201910454275A CN 110232153 A CN110232153 A CN 110232153A
Authority
CN
China
Prior art keywords
domain
content
text
training data
items
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
CN201910454275.5A
Other languages
English (en)
Inventor
佘焕波
田翔
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910454275.5A priority Critical patent/CN110232153A/zh
Publication of CN110232153A publication Critical patent/CN110232153A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于内容的跨领域推荐方法，包括以下步骤：步骤S1：得到用户兴趣词表；步骤S2：采用源领域的用户行为序列中项目的文本信息作为源领域训练数据，采用目标领域中每个项目的文本信息作为目标领域训练数据；步骤S3：构建内容语义编码网络模型；步骤S4：利用步骤S3训练好的内容语义编码网络模型对源领域的用户行为和目标领域的项目进行内容语义编码，得到用户行为兴趣向量和项目语义向量；步骤S5：对每个用户，利用其兴趣向量与项目语义向量计算相似度，并得到k个最相似的项目作为推荐项目。本发明能够基于源领域用户行为序列中的项目的文本信息编码出用户兴趣向量，并与目标领域的项目进行匹配，进而实现跨领域的推荐。

Description

一种基于内容的跨领域推荐方法
技术领域
本发明涉及推荐技术领域，更具体地说，涉及一种基于内容的跨领域推荐方法。
背景技术
随着移动互联网技术的不断发展，网络中的信息量以指数规律迅速扩展和增加，网络上的信息过载和信息迷航问题日益严重。为了给用户提供满意的信息和服务，推荐系统应运而生，成为了众多研究学者关注的研究领域。推荐系统通过预测用户对信息资源的喜好程度来进行信息过滤。
目前常用的推荐方法是基于协同过滤的推荐算法，此类方法主要用于单领域推荐，需要大量的用户行为数据，经常面临数据稀疏以及冷启动问题。近年来，出现了一种新的研究趋势，即跨领域推荐，旨在缓解数据稀疏性和冷启动对推荐系统性能的影响。现实中，在不同推荐领域都会遇到这些问题。例如，某在线购物网站拥有不止一个商品领域，如书籍、美妆、电子产品、影片等，同一个用户的在不同领域的喜好或许是相似的。因此对于缺乏用户行为数据的目标领域，如何通过提取用户行为较为丰富的源领域的用户行为偏好信息，对目标领域的推荐进行补充，成为推荐算法的研究方向之一。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种基于内容的跨领域推荐方法，该推荐方法可解决现有推荐方法面临的数据稀疏以及冷启动的问题，不仅可实现跨领域的推荐，而且提高目标领域的推荐性能。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于内容的跨领域推荐方法，其特征在于：包括以下步骤：
步骤S1：分别采集源领域的文本语料和目标领域的文本语料，并进行分词统计，得到用户兴趣词表；
步骤S2：采用源领域的用户行为序列中项目的文本信息作为源领域训练数据，采用目标领域中每个项目的文本信息作为目标领域训练数据；
步骤S3：构建内容语义编码网络模型，利用步骤S2构建的源领域训练数据和目标领域训练数据对内容语义编码网络模型进行分类训练；
步骤S4：利用步骤S3训练好的内容语义编码网络模型对源领域的用户行为和目标领域的项目进行内容语义编码，得到用户行为兴趣向量和项目语义向量；
步骤S5：对每个用户，利用其兴趣向量与项目语义向量计算相似度，并得到k个最相似的项目作为推荐项目。
在上述方案中，本发明针对现有的基于协同过滤的单领域推荐算法需要大量的用户行为数据，经常面临数据稀疏以及冷启动问题，提出了一种基于内容的跨领域推荐方法。该方法能够基于源领域用户行为序列中的项目的文本信息编码出用户兴趣向量，并与目标领域的项目进行匹配，进而实现跨领域的推荐。
在步骤S1中，所述分别采集源领域的文本语料和目标领域的文本语料，并进行分词统计，得到用户兴趣词表是指：对源领域和目标领域的所有文本语料进行采集并分词，采用词频排序方式取词频最高的N个词作为兴趣词表，然后对兴趣词表进行去除停用词处理，最终得到用户兴趣词表。
步骤S2包括以下步骤：
步骤S21：取源领域中用户最近交互过的M个项目的文本信息按交互发生时间拼接成用户行为序列文本，并随机取M个项目序列中的一个项目作为预测目标，将其在序列中删除；其余项目的文本信息作为源领域训练数据；然后选取预测目标项目的文本信息中属于用户兴趣词表的词作为文本分类的标签；
步骤S22：对于目标领域中的项目，将其文本信息作为目标领域训练数据，将文本信息中属于用户兴趣词表的词作为文本分类的标签；
步骤S23：对步骤S21中源领域训练数据和步骤S22中目标领域训练数据进行分词并编码为独热编码，用于输入内容语义编码网络模型进行训练。
所述内容语义编码网络模型包括依次连接的embedding层、两层LSTM层、池化层、两层全连接层和softmax层；其中，embedding层和两层LSTM层分别与目标领域中的项目数量或源领域用户中的项目数量相等。
在步骤S3中，利用步骤S2构建的源领域训练数据和目标领域训练数据对内容语义编码网络模型进行分类训练是指：包括以下步骤：
步骤S31：对源领域训练数据输入的独热编码或目标领域训练数据输入的独热编码，利用一层embedding层进行降维得到词向量；
步骤S32：使用两层LSTM层对步骤S31的词向量序列进行编码，提取文本的语义信息；
步骤S33：对步骤S32提取文本的语义信息输入到池化层和两层全连接层中，再将全连接层的输出连接到softmax层及交叉熵损失函数进行分类，交叉熵损失函数的定义如下：
其中，y为步骤S2产生的源领域中文本分类的标签或目标领域中文本分类的标签，为内容语义编码网络模型输出的源领域用户行为的预测标签或目标领域项目的预测标签；
步骤S34：通过所述交叉熵损失函数和内容语义编码网络模型参数计算得到前向传播损失值；
步骤S35，反向传播得到训练误差。
步骤S5中，采用余弦距离的计算方式计算兴趣向量与项目语义向量的相似度。
与现有技术相比，本发明具有如下优点与有益效果：本发明针对现有的基于协同过滤的单领域推荐算法需要大量的用户行为数据，经常面临数据稀疏以及冷启动问题，提出了一种基于内容的跨领域推荐方法。该方法能够基于源领域用户行为序列中的项目的文本信息编码出用户兴趣向量，并与目标领域的项目进行匹配，进而实现跨领域的推荐。
附图说明
图1为本发明跨领域推荐方法的流程图；
图2为本发明内容语义编码网络模型结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1和图2所示，本发明基于内容的跨领域推荐方法包括以下步骤：
步骤S1：分别采集源领域的文本语料和目标领域的文本语料，并进行分词统计，得到用户兴趣词表。
步骤S2：采用源领域的用户行为序列中项目的文本信息作为源领域训练数据，采用目标领域中每个项目的文本信息作为目标领域训练数据。
步骤S21：取源领域中用户最近交互过的50个项目的文本信息按交互发生时间拼接成用户行为序列文本，并随机取50个项目序列中的一个项目作为预测目标，将其在序列中删除；其余项目的文本信息作为源领域训练数据；然后选取预测目标项目的文本信息中属于用户兴趣词表的词作为文本分类的标签；
步骤S22：对于目标领域中的项目，将其文本信息作为目标领域训练数据，将文本信息中属于用户兴趣词表的词作为文本分类的标签；
步骤S23：对步骤S21中源领域训练数据和步骤S22中目标领域训练数据进行分词并编码为独热编码，用于输入内容语义编码网络模型进行训练。
步骤S3：构建内容语义编码网络模型，利用步骤S2构建的源领域训练数据和目标领域训练数据对内容语义编码网络模型进行分类训练。
其中，内容语义编码网络模型包括依次连接的embedding层、两层LSTM层、池化层、两层全连接层和softmax层；其中，embedding层和两层LSTM层分别与目标领域中的项目数量或源领域用户中的项目数量相等。
步骤S4：利用步骤S3训练好的内容语义编码网络模型对源领域的用户行为和目标领域的项目进行内容语义编码，得到用户行为兴趣向量和项目语义向量；
步骤S5：对每个用户，利用其兴趣向量与项目语义向量计算相似度，并得到k个最相似的项目作为推荐项目。
在步骤S1中，上述分别采集源领域的文本语料和目标领域的文本语料，并进行分词统计，得到用户兴趣词表是指：对源领域和目标领域的所有文本语料进行采集并分词，采用词频排序方式取词频最高的一万个词作为兴趣词表，然后对兴趣词表进行去除停用词处理，最终得到具有6千多个词的用户兴趣词表。
在步骤S3中，利用步骤S2构建的源领域训练数据和目标领域训练数据对内容语义编码网络模型进行分类训练是指：包括以下步骤：
步骤S31：对源领域训练数据输入的独热编码或目标领域训练数据输入的独热编码，利用一层embedding层进行降维得到词向量；
步骤S32：使用两层LSTM层对步骤S31的词向量序列进行编码，提取文本的语义信息；
步骤S33：对步骤S32提取文本的语义信息输入到池化层和两层全连接层中，再将全连接层的输出连接到softmax层及交叉熵损失函数进行分类，交叉熵损失函数的定义如下：
其中，y为步骤S2产生的源领域中文本分类的标签或目标领域中文本分类的标签，为内容语义编码网络模型输出的源领域用户行为的预测标签或目标领域项目的预测标签；
步骤S34：通过所述交叉熵损失函数和内容语义编码网络模型参数计算得到前向传播损失值；
步骤S35，反向传播得到训练误差。
步骤S5中，采用余弦距离的计算方式计算兴趣向量与项目语义向量的相似度。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于内容的跨领域推荐方法，其特征在于：包括以下步骤：
步骤S1：分别采集源领域的文本语料和目标领域的文本语料，并进行分词统计，得到用户兴趣词表；
步骤S2：采用源领域的用户行为序列中项目的文本信息作为源领域训练数据，采用目标领域中每个项目的文本信息作为目标领域训练数据；
步骤S3：构建内容语义编码网络模型，利用步骤S2构建的源领域训练数据和目标领域训练数据对内容语义编码网络模型进行分类训练；
步骤S4：利用步骤S3训练好的内容语义编码网络模型对源领域的用户行为和目标领域的项目进行内容语义编码，得到用户行为兴趣向量和项目语义向量；
步骤S5：对每个用户，利用其兴趣向量与项目语义向量计算相似度，并得到k个最相似的项目作为推荐项目。
2.根据权利要求1所述的基于内容的跨领域推荐方法，其特征在于：在步骤S1中，所述分别采集源领域的文本语料和目标领域的文本语料，并进行分词统计，得到用户兴趣词表是指：对源领域和目标领域的所有文本语料进行采集并分词，采用词频排序方式取词频最高的N个词作为兴趣词表，然后对兴趣词表进行去除停用词处理，最终得到用户兴趣词表。
3.根据权利要求1所述的基于内容的跨领域推荐方法，其特征在于：步骤S2包括以下步骤：
步骤S21：取源领域中用户最近交互过的M个项目的文本信息按交互发生时间拼接成用户行为序列文本，并随机取M个项目序列中的一个项目作为预测目标，将其在序列中删除；其余项目的文本信息作为源领域训练数据；然后选取预测目标项目的文本信息中属于用户兴趣词表的词作为文本分类的标签；
步骤S22：对于目标领域中的项目，将其文本信息作为目标领域训练数据，将文本信息中属于用户兴趣词表的词作为文本分类的标签；
步骤S23：对步骤S21中源领域训练数据和步骤S22中目标领域训练数据进行分词并编码为独热编码，用于输入内容语义编码网络模型进行训练。
4.根据权利要求3所述的基于内容的跨领域推荐方法，其特征在于：所述内容语义编码网络模型包括依次连接的embedding层、两层LSTM层、池化层、两层全连接层和softmax层；其中，embedding层和两层LSTM层分别与目标领域中的项目数量或源领域用户中的项目数量相等。
5.根据权利要求4所述的基于内容的跨领域推荐方法，其特征在于：在步骤S3中，利用步骤S2构建的源领域训练数据和目标领域训练数据对内容语义编码网络模型进行分类训练是指：包括以下步骤：
步骤S31：对源领域训练数据输入的独热编码或目标领域训练数据输入的独热编码，利用一层embedding层进行降维得到词向量；
步骤S32：使用两层LSTM层对步骤S31的词向量序列进行编码，提取文本的语义信息；
步骤S33：对步骤S32提取文本的语义信息输入到池化层和两层全连接层中，再将全连接层的输出连接到softmax层及交叉熵损失函数进行分类，交叉熵损失函数的定义如下：
其中，y为步骤S2产生的源领域中文本分类的标签或目标领域中文本分类的标签，为内容语义编码网络模型输出的源领域用户行为的预测标签或目标领域项目的预测标签；
步骤S34：通过所述交叉熵损失函数和内容语义编码网络模型参数计算得到前向传播损失值；
步骤S35，反向传播得到训练误差。
6.根据权利要求1所述的基于内容的跨领域推荐方法，其特征在于：步骤S5中，采用余弦距离的计算方式计算兴趣向量与项目语义向量的相似度。
CN201910454275.5A 2019-05-29 2019-05-29 一种基于内容的跨领域推荐方法 Pending CN110232153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910454275.5A CN110232153A (zh) 2019-05-29 2019-05-29 一种基于内容的跨领域推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910454275.5A CN110232153A (zh) 2019-05-29 2019-05-29 一种基于内容的跨领域推荐方法

Publications (1)

Publication Number Publication Date
CN110232153A true CN110232153A (zh) 2019-09-13

Family

ID=67858832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910454275.5A Pending CN110232153A (zh) 2019-05-29 2019-05-29 一种基于内容的跨领域推荐方法

Country Status (1)

Country Link
CN (1) CN110232153A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795625A (zh) * 2019-10-25 2020-02-14 腾讯科技（深圳）有限公司 推荐方法、装置、计算机设备及存储介质
CN111090723A (zh) * 2019-11-18 2020-05-01 清远电力规划设计院有限公司 一种基于知识图谱的电网安全生产内容推荐方法
CN111091127A (zh) * 2019-12-16 2020-05-01 腾讯科技（深圳）有限公司 一种图像检测方法、网络模型训练方法以及相关装置
CN111159542A (zh) * 2019-12-12 2020-05-15 中国科学院深圳先进技术研究院 一种基于自适应微调策略的跨领域序列推荐方法
CN111291261A (zh) * 2020-01-21 2020-06-16 江西财经大学 融合标签和注意力机制的跨领域推荐方法及其实现系统
CN111966914A (zh) * 2020-10-26 2020-11-20 腾讯科技（深圳）有限公司 基于人工智能的内容推荐方法、装置和计算机设备
CN112035743A (zh) * 2020-08-28 2020-12-04 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
CN112750004A (zh) * 2019-10-31 2021-05-04 深圳云天励飞技术有限公司 一种跨领域商品的冷启动推荐方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740349A (zh) * 2016-01-25 2016-07-06 重庆邮电大学 一种结合Doc2vec和卷积神经网络的情感分类方法
US20160364783A1 (en) * 2014-06-13 2016-12-15 Truecar, Inc. Systems and methods for vehicle purchase recommendations
CN107291795A (zh) * 2017-05-03 2017-10-24 华南理工大学 一种结合动态词嵌入和词性标注的文本分类方法
CN108629665A (zh) * 2018-05-08 2018-10-09 北京邮电大学 一种个性化商品推荐方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160364783A1 (en) * 2014-06-13 2016-12-15 Truecar, Inc. Systems and methods for vehicle purchase recommendations
CN105740349A (zh) * 2016-01-25 2016-07-06 重庆邮电大学 一种结合Doc2vec和卷积神经网络的情感分类方法
CN107291795A (zh) * 2017-05-03 2017-10-24 华南理工大学 一种结合动态词嵌入和词性标注的文本分类方法
CN108629665A (zh) * 2018-05-08 2018-10-09 北京邮电大学 一种个性化商品推荐方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ALI ELKAHKY等: "《A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems》", 《PROCEEDINGS OF THE 24TH INTERNATIONAL CONFERENCE ON WORLD WIDE WEB》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795625A (zh) * 2019-10-25 2020-02-14 腾讯科技（深圳）有限公司 推荐方法、装置、计算机设备及存储介质
CN110795625B (zh) * 2019-10-25 2021-11-23 腾讯科技（深圳）有限公司 推荐方法、装置、计算机设备及存储介质
CN112750004A (zh) * 2019-10-31 2021-05-04 深圳云天励飞技术有限公司 一种跨领域商品的冷启动推荐方法、装置和电子设备
CN112750004B (zh) * 2019-10-31 2024-08-02 深圳云天励飞技术有限公司 一种跨领域商品的冷启动推荐方法、装置和电子设备
CN111090723A (zh) * 2019-11-18 2020-05-01 清远电力规划设计院有限公司 一种基于知识图谱的电网安全生产内容推荐方法
CN111090723B (zh) * 2019-11-18 2023-05-05 清远电力规划设计院有限公司 一种基于知识图谱的电网安全生产内容推荐方法
CN111159542A (zh) * 2019-12-12 2020-05-15 中国科学院深圳先进技术研究院 一种基于自适应微调策略的跨领域序列推荐方法
CN111091127A (zh) * 2019-12-16 2020-05-01 腾讯科技（深圳）有限公司 一种图像检测方法、网络模型训练方法以及相关装置
CN111291261A (zh) * 2020-01-21 2020-06-16 江西财经大学 融合标签和注意力机制的跨领域推荐方法及其实现系统
CN111291261B (zh) * 2020-01-21 2023-05-26 江西财经大学 融合标签和注意力机制的跨领域推荐方法及其实现系统
CN112035743A (zh) * 2020-08-28 2020-12-04 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
CN112035743B (zh) * 2020-08-28 2021-10-15 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
US12132795B2 (en) 2020-08-28 2024-10-29 Tencent Technology (Shenzhen) Company Limited Data recommendation method and apparatus, computer device, and storage medium
CN111966914A (zh) * 2020-10-26 2020-11-20 腾讯科技（深圳）有限公司 基于人工智能的内容推荐方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN110232153A (zh) 一种基于内容的跨领域推荐方法
Khan et al. CNN with depthwise separable convolutions and combined kernels for rating prediction
CN108763362B (zh) 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
CN101944109B (zh) 一种基于页面分块的图片摘要提取系统及方法
CN108537624A (zh) 一种基于深度学习的旅游服务推荐方法
CN106776881A (zh) 一种基于微博平台的领域信息推荐系统及方法
CN106897914A (zh) 一种基于主题模型的商品推荐方法及系统
CN104111925B (zh) 项目推荐方法和装置
Sanjo et al. Recipe popularity prediction with deep visual-semantic fusion
CN107330727A (zh) 一种基于隐语义模型的个性化推荐方法
Rani et al. Study and comparision of vectorization techniques used in text classification
CN106569996B (zh) 一种面向中文微博的情感倾向分析方法
CN113159892B (zh) 一种基于多模态商品特征融合的商品推荐方法
Kavinkumar et al. A hybrid approach for recommendation system with added feedback component
Yadav et al. A new approach for movie recommender system using K-means Clustering and PCA
CN108717654A (zh) 一种基于聚类特征迁移的多电商交叉推荐方法
Selvakumar et al. Sentimental analysis on user’s reviews using BERT
CN107391582A (zh) 基于上下文本体树计算用户偏好相似度的信息推荐方法
CN106126605A (zh) 一种基于用户画像的短文本分类方法
CN110069713A (zh) 一种基于用户上下文感知的个性化推荐方法
Alshari et al. Prediction of rating from comments based on information retrieval and sentiment analysis
Jotheeswaran et al. Feature reduction using principal component analysis for opinion mining
Xu et al. Do adjective features from user reviews address sparsity and transparency in recommender systems?
CN110321565B (zh) 基于深度学习的实时文本情感分析方法、装置及设备
CN108389113A (zh) 一种协同过滤推荐方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190913

RJ01 Rejection of invention patent application after publication