CN110245984A - 一种基于因果推断的网络购物行为分析方法和系统 - Google Patents
一种基于因果推断的网络购物行为分析方法和系统 Download PDFInfo
- Publication number
- CN110245984A CN110245984A CN201910494079.0A CN201910494079A CN110245984A CN 110245984 A CN110245984 A CN 110245984A CN 201910494079 A CN201910494079 A CN 201910494079A CN 110245984 A CN110245984 A CN 110245984A
- Authority
- CN
- China
- Prior art keywords
- user
- shopping
- network
- behaviors
- behavior
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 230000001364 causal effect Effects 0.000 title claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 91
- 230000011273 social behavior Effects 0.000 claims abstract description 19
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000009510 drug design Methods 0.000 abstract 1
- 241001269238 Data Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据挖掘、社交网络、因果推断领域,公开了一种基于因果推断的网络购物行为分析方法和系统,通过融合用户属性特征、社交行为特征和历史购物行为特征、用户关系等多层次、跨领域特征,能够充分获取用户行为特征和兴趣偏好;经过合理设计的分析系统,利用因果网络模型,去除无用的特征,减少了噪声特征的干扰,并可解释用户行为的因果性及其行为动机,提高用户购物行为预测的准确度。
Description
技术领域
本发明涉及数据挖掘、社交网络、因果推断领域,特别是一种基于因果推断的网络购物行为分析方法和系统。
背景技术
互联网技术的持续发展,使得网络购物日渐普及。为了为用户提供实时推介商品,实现精准营销,必须深入了解用户的购物动机以及购物模式,以及用户的实际需求和兴趣爱好。目前的推荐系统通常只根据用户的商品浏览记录、历史购物信息、商品评论等购物相关数据,推测用户的兴趣偏好和需求,这种推荐效果具有一定的滞后性,对于用户的兴趣变化的捕获不及时。
用户的社交行为,为用户兴趣偏好和行为模式的分析提供了大量有用数据。社交网络不仅把用户间不可观测的现实人际关系搬到了网络上,还搭建了全新的信息分享平台。但是,社交行为数据信息体量巨大,数据类型繁多,价值密度低,存在大量没有作用的噪声特征,行为特征数据无法直接利用。此外,社交行为数据和购物行为数据分属不同领域,跨领域特征的融合问题也是现实挑战之一。因此,如何捕获有效有用特征并加以合理利用,从中了解购物动机以及兴趣爱好,并对购物行为进行分析和推断以预测用户的购物行为,具有一定的研究价值和意义。
发明内容
本发明的目的在于提供一种基于因果推断的网络购物行为分析方法和系统,通过合理地利用更多有用的用户行为数据,融合社交行为特征和购物行为特征,挖掘行为背后的因果机制。
为实现上述技术目的,达到上述技术效果,本发明公开了一种基于因果推断的网络购物行为分析方法,包括了以下步骤:
步骤1,针对具有社交行为的网络购物用户,社交数据采集模块挖掘用户的社交行为与兴趣偏好间的对应关系,存储对应数据;
步骤2,获取用户属性特征并对属性特征进行特征工程处理;
步骤3,社交数据采集模块根据社交用户关系和用户自身影响力,建立用户间的社交影响网络;
步骤4,购物数据采集模块获取用户购物行为,存储数据;
步骤5,行为分析模块根据步骤1、步骤2、步骤3的输出数据,利用特征工程技术进行处理,基于反从众理论,计算用户购物行为的反从众指标,根据因果推断模型进行特征选择,再利用回归算法构建网络购物行为推断模型,输出模型结果。
步骤6,利用步骤5输出的模型,利用用户属性特征、社交行为特征、用户关系网络和历史购物行为特征和网络购物行为预测用户网络购物行为预测。
其中,步骤1中用户社交行为包括用户的文本发布、转发、评论行为,每个用户的社交行为根据时间序列排序,利用文本分析技术,为已经分词处理好的微博文本计算出相应的特征向量,根据基于时序的神经网络模型LSTM挖掘用户的社交行为与兴趣偏好间的对应关系。
其中,步骤3中用户间社交影响网络为有向图,有向图采用有序两元组G表示:
G=(V,E);
其中,V为网络中的用户群,E为用户群之间的关系。
其中,步骤4中用户购物行为包括商品浏览行为、收藏行为、购买行为,每个用户的购物行为根据时间序列排序。
其中,步骤5中反从众指标的计算给出如下定义:
其中,参数解释,Inj表示指向用户j的用户群,Lij表示用户j在i的影响下的求异性,其定义如下:
a为特定购物行为,t、t’为不同的两个时间点,ε为时间段,集合Pi={(a,p,t)}为用户i购物行为记录,其中,a,p,t分别表示用户行为、商品和时间。
进一步的,步骤5中因果推断模型利用FCI算法对因果模型进行结构学习,根据输出的网络结构剔除冗余特征,再利用xgboost模型训练网络购物行为分析模型,输出模型结果。
本发明还公开了一种基于因果推断的网络购物行为分析系统,所述系统采用上述的分析方法运行,分析系统包括了社交数据采集模块、购物数据采集模块、行为分析模块和行为预测模块,社交数据采集模块和购物数据采集模块采集相应数据,传送至行为分析模块,行为分析模块将分析结果建立模型,传送至行为预测模块,进行行为预测。
本发明具有以下有益效果:
1.本发明通过融合用户属性特征、社交行为特征和历史购物行为特征、用户关系等多层次、跨领域特征,能够充分获取用户行为特征和兴趣偏好。
2.经过合理设计的分析系统,利用因果网络模型,去除无用的特征,减少了噪声特征的干扰,并可解释用户行为的因果性及其行为动机,提高用户购物行为预测的准确度。
附图说明
图1为本发明基于因果推断的网络购物行为分析的具体流程。
图2为本发明基于因果推断的网络购物行为分析算法的实现框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。
如图1所示,本发明公开了一种基于因果推断的网络购物行为分析方法和系统,具体包括以下步骤:
步骤1,输入所有用户的社交行为数据,共有n个用户,分别为v1,v2,...,vn∈V。社交数据采集模块根据用户ID将社交行为数据划分为n个社交行为子集,分别为S1,S2...,Sn∈S,每个用户都有相对应的时序社交行为集合。每个行为集合包含若干文本数据,对应该用户在某时刻的文本信息,利用文本分析技术为所有的文本生成特征向量。利用时序神经网络LSTM模型,对文本特征向量进行分类标注,得到用户行为偏好特征;
步骤2,获取用户属性特征,每个用户都有对应的用户属性,利用特征工程技术将属性归一化,生成用户属性特征;
步骤3,输入用户社交平台的用户间关注关系,社交数据采集模块根据社交用户关系和用户自身影响力,生成用户间的社交影响网络;
步骤4,输入所有用户的购物行为数据,购物数据采集模块根据用户ID将购物行为数据为n个购物行为子集,分别为P1,P2,...,Pn∈P,每个用户都有相对应的时序购物行为集合。每个购物行为集合包含该用户的若干购物行为信息,对应该用户在某时刻在购物平台上产生的行为,利用利用特征工程和文本分析技术将属性归一化,生成历史购物行为特征;
步骤5,网络购物行为的分析融合了行为心理学的反从众理论,据此,我们对反从众指标(AC)的计算给出了以下定义:
本发明用有向图G=(V,E)表示用户构成的社交网络,节点vi∈V表示网络中的第i个用户,边eij∈E表示用户i和用户j之间存在关系。用户i购物行为记录用集合Pt={(a,p,t)}表示,其中a,b,t分别表示用户行为、商品和时间。
反从众指标的计算基于用户关系和历史购物行为,表示在给定用户关系网络G时,用户购物行为与周围其他用户行为的差异。
根据步骤1-3生成的用户特征向量以及AC指标,利用FCI算法对因果网络模型进行结构学习。
如图2所示,FCI算法中设置了置信水平以增强输出的因果网络模型的准确率,输出的因果网络模型中节点即为用户特征,其边即为用户特征之间的因果关系。我们可以利用输出的因果网络模型剔除冗余特征,再利用xgboost模型训练网络购物行为分析模型,输出模型结果;
步骤6,利用步骤5输出的模型,利用用户属性特征、社交行为特征、用户关系网络和历史购物行为特征和网络购物行为预测用户购物行为并输出预测结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于因果推断的网络购物行为分析方法,其特征在于,包括了以下步骤:
步骤1,针对具有社交行为的网络购物用户,社交数据采集模块挖掘用户的社交行为与兴趣偏好间的对应关系,存储对应数据;
步骤2,获取用户属性特征并对属性特征进行特征工程处理;
步骤3,社交数据采集模块根据社交用户关系和用户自身影响力,建立用户间的社交影响网络;
步骤4,购物数据采集模块获取用户购物行为,存储数据;
步骤5,行为分析模块根据步骤1、步骤2、步骤3的输出数据,利用特征工程技术进行处理,基于反从众理论,计算用户购物行为的反从众指标,根据因果推断模型进行特征选择,再利用回归算法构建网络购物行为推断模型,输出模型结果。
步骤6,利用步骤5输出的模型,利用用户属性特征、社交行为特征、用户关系网络和历史购物行为特征和网络购物行为预测用户网络购物行为预测。
2.如权利要求1所述的一种基于因果推断的网络购物行为分析方法,其特征在于:所述的步骤1中用户社交行为包括用户的文本发布、转发、评论行为,每个用户的社交行为根据时间序列排序,利用文本分析技术,为已经分词处理好的微博文本计算出相应的特征向量,根据基于时序的神经网络模型LSTM挖掘用户的社交行为与兴趣偏好间的对应关系。
3.如权利要求1或2所述的一种基于因果推断的网络购物行为分析方法,其特征在于:所述的所述的步骤3中用户间社交影响网络为有向图,所述的有向图采用有序两元组G表示:
G=(V,E);
其中,V为网络中的用户群,E为用户群之间的关系。
4.如权利要求3所述的一种基于因果推断的网络购物行为分析方法,其特征在于:所述的步骤4中用户购物行为包括商品浏览行为、收藏行为、购买行为,每个用户的购物行为根据时间序列排序。
5.如权利要求3所述的一种基于因果推断的网络购物行为分析方法,其特征在于:所述的步骤5中反从众指标的计算给出如下定义:
其中,参数解释,Inj表示指向用户j的用户群,Lij表示用户j在i的影响下的求异性,其定义如下:
a为特定购物行为,t、t’为不同的两个时间点,ε为时间段,集合Pt={(a,p,t)}为用户i购物行为记录,其中,a,p,t分别表示用户行为、商品和时间。
6.如权利要求5所述的一种基于因果推断的网络购物行为分析方法,其特征在于:所述的步骤5中因果推断模型利用FCI算法对因果模型进行结构学习,根据输出的网络结构剔除冗余特征,再利用xgboost模型训练网络购物行为分析模型,输出模型结果。
7.一种基于因果推断的网络购物行为分析系统,所述系统采用权利要求1-6任意所述的分析方法运行,所述的分析系统包括了社交数据采集模块、购物数据采集模块、行为分析模块和行为预测模块,所述的社交数据采集模块和购物数据采集模块采集相应数据,传送至行为分析模块,所述的行为分析模块将分析结果建立模型,传送至行为预测模块,进行行为预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494079.0A CN110245984B (zh) | 2019-06-09 | 2019-06-09 | 一种基于因果推断的网络购物行为分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494079.0A CN110245984B (zh) | 2019-06-09 | 2019-06-09 | 一种基于因果推断的网络购物行为分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245984A true CN110245984A (zh) | 2019-09-17 |
CN110245984B CN110245984B (zh) | 2023-08-01 |
Family
ID=67886414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910494079.0A Active CN110245984B (zh) | 2019-06-09 | 2019-06-09 | 一种基于因果推断的网络购物行为分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245984B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159569A (zh) * | 2019-12-13 | 2020-05-15 | 西安交通大学 | 一种基于用户个性化特征的社交网络用户行为预测方法 |
CN111414535A (zh) * | 2020-03-02 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 向用户推荐目标对象的方法和装置 |
CN111984874A (zh) * | 2020-08-26 | 2020-11-24 | 河南科技大学 | 一种融合情感计算和网络众包的并行推荐方法 |
CN113112311A (zh) * | 2021-05-12 | 2021-07-13 | 北京百度网讯科技有限公司 | 训练因果推断模型的方法、信息提示方法以装置 |
CN113421146A (zh) * | 2021-06-18 | 2021-09-21 | 广东工业大学 | 一种用户网购行为预测推荐方法及系统 |
CN115049068A (zh) * | 2022-05-18 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 一种模型处理方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559207A (zh) * | 2013-10-10 | 2014-02-05 | 江苏名通信息科技有限公司 | 一种基于社交媒体计算的金融行为分析系统 |
CN107633430A (zh) * | 2017-09-20 | 2018-01-26 | 哈尔滨工业大学 | 一种基于群体社区的商品推荐方法 |
CN109271488A (zh) * | 2018-10-08 | 2019-01-25 | 广东工业大学 | 一种结合行为序列和文本信息的社交网络用户间因果关系发现方法及系统 |
CN109697512A (zh) * | 2018-12-26 | 2019-04-30 | 东南大学 | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 |
-
2019
- 2019-06-09 CN CN201910494079.0A patent/CN110245984B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559207A (zh) * | 2013-10-10 | 2014-02-05 | 江苏名通信息科技有限公司 | 一种基于社交媒体计算的金融行为分析系统 |
CN107633430A (zh) * | 2017-09-20 | 2018-01-26 | 哈尔滨工业大学 | 一种基于群体社区的商品推荐方法 |
CN109271488A (zh) * | 2018-10-08 | 2019-01-25 | 广东工业大学 | 一种结合行为序列和文本信息的社交网络用户间因果关系发现方法及系统 |
CN109697512A (zh) * | 2018-12-26 | 2019-04-30 | 东南大学 | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
韩景灵: "基于数据挖掘的网络购物用户兴趣分类研究", 《计算机仿真》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159569A (zh) * | 2019-12-13 | 2020-05-15 | 西安交通大学 | 一种基于用户个性化特征的社交网络用户行为预测方法 |
CN111414535A (zh) * | 2020-03-02 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 向用户推荐目标对象的方法和装置 |
CN111414535B (zh) * | 2020-03-02 | 2023-05-05 | 支付宝(杭州)信息技术有限公司 | 向用户推荐目标对象的方法和装置 |
CN111984874A (zh) * | 2020-08-26 | 2020-11-24 | 河南科技大学 | 一种融合情感计算和网络众包的并行推荐方法 |
CN111984874B (zh) * | 2020-08-26 | 2022-07-22 | 河南科技大学 | 一种融合情感计算和网络众包的并行推荐方法 |
CN113112311A (zh) * | 2021-05-12 | 2021-07-13 | 北京百度网讯科技有限公司 | 训练因果推断模型的方法、信息提示方法以装置 |
CN113112311B (zh) * | 2021-05-12 | 2023-07-25 | 北京百度网讯科技有限公司 | 训练因果推断模型的方法、信息提示方法以装置 |
CN113421146A (zh) * | 2021-06-18 | 2021-09-21 | 广东工业大学 | 一种用户网购行为预测推荐方法及系统 |
CN115049068A (zh) * | 2022-05-18 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 一种模型处理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110245984B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245984A (zh) | 一种基于因果推断的网络购物行为分析方法和系统 | |
Chen et al. | Dynamic explainable recommendation based on neural attentive models | |
CN111339415B (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
CN110245285B (zh) | 一种基于异构信息网络的个性化推荐方法 | |
Li et al. | Product innovation concept generation based on deep learning and Kansei engineering | |
Tang et al. | New fuzzy c-means clustering model based on the data weighted approach | |
CN108764541B (zh) | 一种结合时空特征和误差处理的风能预测方法 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
Ahamed et al. | A recommender system based on deep neural network and matrix factorization for collaborative filtering | |
Hassan et al. | Performance analysis of neural networks-based multi-criteria recommender systems | |
Li et al. | A novel learning model based on trust diffusion and global item for recommender systems | |
CN118071400A (zh) | 基于图计算技术在信息消费领域的应用方法及系统 | |
WO2024061073A1 (zh) | 一种多媒体信息的生成方法及装置、计算机可读存储介质 | |
CN110851694A (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
Varasteh et al. | An Improved Hybrid Recommender System: Integrating Document Context-Based and Behavior-Based Methods | |
Zhuang et al. | A credit scoring model based on bayesian network and mutual information | |
Kanakamedala et al. | Sentiment analysis of online customer reviews for handicraft product using machine learning: A case of Flipkart | |
Yuan et al. | Modeling Long-and Short-Term Service Recommendations with a Deep Multi-Interest Network for Edge Computing | |
Zhang et al. | Multi-dimensional recommendation scheme for social networks considering a user relationship strength perspective | |
Zhang et al. | A context-aware recommendation system based on latent factor model | |
Hassan et al. | A computational model for improving the accuracy of multi-criteria recommender systems | |
Xu et al. | Similarmf: a social recommender system using an embedding method | |
Zhou et al. | Modeling transition matrix for a collaborative rating prediction recommendation system via nonnegative tensor decomposition | |
CN113506131B (zh) | 一种基于生成式对抗网络的个性化推荐方法 | |
CN113421146B (zh) | 一种用户网购行为预测推荐方法及系统 |
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 |