CN110321473B - 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 - Google Patents

基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 Download PDF

Info

Publication number
CN110321473B
CN110321473B CN201910424586.7A CN201910424586A CN110321473B CN 110321473 B CN110321473 B CN 110321473B CN 201910424586 A CN201910424586 A CN 201910424586A CN 110321473 B CN110321473 B CN 110321473B
Authority
CN
China
Prior art keywords
commodity
user
attention
vector
modal
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
CN201910424586.7A
Other languages
English (en)
Other versions
CN110321473A (zh
Inventor
程志勇
刘帆
聂礼强
孙畅畅
宋雪萌
舒明雷
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.)
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Shandong Computer Science Center National Super Computing Center in Jinan
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 Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Shandong Computer Science Center National Super Computing Center in Jinan
Priority to CN201910424586.7A priority Critical patent/CN110321473B/zh
Publication of CN110321473A publication Critical patent/CN110321473A/zh
Application granted granted Critical
Publication of CN110321473B publication Critical patent/CN110321473B/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
    • G06F16/953—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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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

Abstract

本公开提供了一种基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备，本公开对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，最后通过计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，依据偏好程度的排序，进行信息的推送或显示；本公开利用多模态信息提升了模型的推荐效果，通过注意力机制解决了用户偏好的多样性问题。

Description

基于多模态注意力的多样性偏好信息推送方法、系统、介质及 设备
技术领域
本公开属于信息智能化处理方法，具体涉及一种基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着大数据和网络智能化普及，针对不同商品的多样性偏好研究备受重视。研究成果可以分为两类：一类方法是利用用户评论信息分析每个用户在目标商品不同方面的注意程度,然后将表示注意程度的权重整合入基于矩阵分解的推荐算法；另一类方法是通过对目标商品影响最大的用户或者商品选取用户向量或者商品向量。这两种方法都是基于矩阵分解的框架通过点积计算来估计用户和商品间的相似度，而点积计算具有较大的局限性，且计算量较大。
度量学习的基本原理是根据不同的任务来自主学习出针对某个特定任务的度量距离函数。在推荐算法中，度量学习可以解决利用向量点积计算用户与商品之间的相似度不符合三角不等式关系问题。但是度量学习在应用到多样性偏好信息的提取和推荐上有一定的难度，主要问题在以下几个方面：
(1)每个用户对不同的商品的偏好程度是不同的，同时对不同商品的不同方面关注程度也不同；如何针对不同的用户-商品对，学习出不同的用户偏好权重向量，将固定的用户和商品向量变成动态用户和商品向量非常具有挑战。
(2)在用户多样性偏好的学习过程中，针对每一个用户-商品对都会学到一个用户偏好权重向量。在使用一般注意力机制模块去学习用户偏好权重向量的情况下，针对每一个用户-商品对，将得到一个和为1的向量来表示当前用户对目标商品在不同维度的偏好分布，如果向量长度为100维的话，那么每个维度都会得到一个小于1的极小值，将极小值向量直接引入度量学习模型，将导致模型效果变差。
(3)与使用多模态信息进行用户偏好建模的深度模型相比，度量学习模型通过计算用户向量和商品向量之间的欧式距离来建模；如何将多模态信息融入到度量学习模型从而提升推荐算法的性能在技术上非常有挑战性。
发明内容
本公开为了解决上述问题，提出了一种基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备，本公开通过构建一个多模态的基于注意力机制的度量学习模型来对用户的多样性偏好进行建模。它一方面利用多模态信息提升了模型的推荐效果；另一方面通过注意力机制解决了用户偏好的多样性问题。
根据一些实施例，本公开采用如下技术方案：
一种基于多模态注意力的多样性偏好信息推送方法，包括以下步骤：
对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；
通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；
将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，最后通过计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，依据偏好程度的排序，进行信息的推送或显示。
作为一种可选择的实施例，基于已有的商品交易信息构建基础数据集合，将基础数据集合中的一部分数据作为训练数据，另一部分数据作为测试数据。
作为一种可选择的实施例，对于基础数据集合的每种商品，将其预先分为两种模式，分别代表视觉和文本两种特征，将视觉和文本特征连接并输入全连接神经网络。
作为一种可选择的实施例，构建第一损失函数，以在特征向量距离商品i的多模态表示向量欧式空间中距离超出设定范围时，惩罚商品i的特征向量。
作为一种可选择的实施例，将用户特征向量、商品特征向量和多模态表示向量输入到注意力机制模块中学习用户对目标商品不同方面/维度的向量分布，输出注意力向量。
作为一种可选择的实施例，基于得到的注意力向量，将用户和商品映射到新的向量空间后，计算两者之间的欧式距离。
作为一种可选择的实施例，针对每个用户-商品对，选取多个用户没有购买的商品作为负例，一起加入第二损失函数进行计算，第二损失函数用于惩罚用户喜欢但是在距离计算列表中排名低于设定位的商品。
作为一种可选择的实施例，定义第三损失函数进行特征空间中各维度的协方差正则化，综合第一、第二和第三损失函数，得到偏好程度模型。
一种基于多模态注意力的多样性偏好信息推送系统，包括：
特征提取模块，被配置为对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；
多模态模块，被配置为通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；
推送模块，被配置为将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，最后通过计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，依据偏好程度的排序，进行信息的推送或显示。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多模态注意力的多样性偏好信息推送方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多模态注意力的多样性偏好信息推送方法。
与现有技术相比，本公开的有益效果为：
本公开提出了一个基于多模态注意力的度量学习推荐模型。本模型可以对用户对不同商品不同方面的多样性偏好建模。通过一个使用了多模态特征的注意力模块来估计用户对目标商品每个方面的注意程度。此外，本公开基于度量学习算法设计，可以有效地避免基于矩阵分解方法的局限性并可以获得细粒度的用户偏好。在亚马逊为例的四个真实数据集上执行的大量实验证明本公开提供的模型可以达到优异的效果，并可以通过对用户的多样性偏好信息进行推荐。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开的流程图；
图2是本公开的注意力权重计算公式中是否使用α的结果比较柱形图；
图3(a)、(b)是本公开的注意力权重分布热力图；
图4(a)、(b)是本公开的商品向量和对应注意力权重聚类散点图；
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，通过构建一个多模态的基于注意力机制的度量学习模型(MAML)来对用户的多样性偏好进行建模。它一方面利用多模态信息提升了模型的推荐效果；另一方面通过注意力机制解决了用户偏好的多样性问题。
多模态的基于注意力机制的度量学习模型对用户多样性偏好进行建模的方法，包括以下步骤：
S1:对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取。
S2：通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示。
S3：将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，最后通过计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度。
步骤S1的过程还包括：
S11：在本实施例中，采用三个亚马逊公开数据集(办公用品类、服装类和玩具类)，其中服装类分割为男装数据集合女装数据集，为了解决数据不均衡问题，在本实施例中，过滤掉交易量小于5的商品。
当然，可以选用其他购物网站的数据作为数据集，在此不再赘述。
S12：将数据集中的所有数据随机选取了70％作为训练数据，30％做测试数据，因此每个用户至少有3个交易信息在训练集，2个交易信息在测试集。
在其他实施例中，训练数据和测试数据的比例可以进行调整。
步骤S2的过程还包括：
S21：假设在每个数据集中有N个商品
Figure BDA0002067088940000061
对于每个商品x∈χ，将它预先分成两种模式x＝{xv，xt}，其中下标v，t分别代表视觉和文本两种特征。将视觉和文本特征连接并输入全连接神经网络，
z1＝σ(W1[xt，i；xv，i]+b1)，
z2＝σ(W2z1+b2)，
……，
zL＝σ(WLzL-1+bL)，
Wl和bl分别表示第l层的权重矩阵和偏置向量，σ(·)表示激活函数，在本模型中使用的是RELU。
S22：因为视觉和文本特征代表了商品的特点，那么融合后的多模态表示在欧式空间中应该和商品向量距离上是比较相近的。因此，本实施例设计了如下的L2损失函数，
Lf(q*)＝∑i||Ftv，i-qi||.
本函数会惩罚商品i的特征向量，如果特征向量距离商品i的多模态表示向量太远。
步骤S3的过程还包括：
S31：将用户特征向量pu、商品特征向量qi和多模态表示向量Ftv，i输入到注意力机制模块中学习用户对目标商品不同方面/维度的向量分布。本实施例中，一个两层的神经网络用来计算注意力向量：
eu，i＝Tanh(W1[pu；qi；Ftv，i]+bi)，
Figure BDA0002067088940000071
其中W1，W2和b1，b2分别代表两层的权重矩阵和偏置向量。v用来将隐含层输出投射为注意力权重向量。
S32：因为用户向量和商品向量之间的距离已经比较小了，如果分别乘以一个各维度值极小的值得话，它们之间的距离会变的非常小，会影响模型的判别能力，如图2所示。所以，最后注意力权重向量的计算公式为：
Figure BDA0002067088940000072
在模型中，α的值被设置为等于向量的长度。
S33：通过得到的注意力向量，可以将用户u和商品i映射到新的向量空间后，再计算他们之间的欧式距离。公式如下：
d(u，i)＝||au，i⊙pu-au，i⊙qi||，
⊙表示在两个向量之间做点积计算。
S34：针对每个用户-商品对，选取k个用户没有购买的商品作为负例，一起加入损失函数进行计算。损失函数定义如下：
Figure BDA0002067088940000081
其中，i是用户喜欢的商品，k是用户不喜欢的商品。[z]+＝max(z，0)表示标准铰链函数。m＞0是用户喜欢的商品与不喜欢的商品距离用户的一个间隔距离。ωui是一个排名损失系数，用来惩罚用户喜欢但是在距离计算列表中排名比较低的商品。rankd(u，i)表示商品i在用户u的推荐列表中的位置，ωui的计算公式为，
ωu，i＝log(rankd(u，i)+1)
针对每个用户-商品对，设定J表示所有商品的总数，M表示N个样例中用户不喜欢的商品个数。因此rankd(u，i)可以近似的表示为
Figure BDA0002067088940000085
S35：为了避免在特征空间中各维度的冗余问题，在本实施例中使用了协方差正则化技术。矩阵C中第i和j维向量的协方差定义为：
Figure BDA0002067088940000082
其中，
Figure BDA0002067088940000083
本实施例中，定义了损失函数Lc来做协方差正则化：
Figure BDA0002067088940000084
其中||·||f是弗罗贝尼乌斯范数。
S36：整合所有的正则项，模型的目标函数定义为：
Figure BDA0002067088940000091
s.t.||p*||2≤1 and||q*||2≤1，
其中，λf和λc是控制每个损失项的参数。
通过优化目标函数，目的是能预测用户下一个要买的商品是什么，给用户推荐一个可能会购买的商品列表，并且对用户的多样性偏好建模。
相应的，提供产品实施例如下：
一种基于多模态注意力的多样性偏好信息推送系统，包括：
特征提取模块，被配置为对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；
多模态模块，被配置为通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；
推送模块，被配置为将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，最后通过计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，依据偏好程度的排序，进行信息的推送或显示。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多模态注意力的多样性偏好信息推送方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多模态注意力的多样性偏好信息推送方法。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于多模态注意力的多样性偏好信息推送方法，其特征是：包括以下步骤：
对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；
通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；
将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，所述的神经网络模型用于计算注意力向量，最后基于注意力向量计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，其中针对每个用户-商品对，选取多个用户没有购买的商品作为负例，一起加入第二损失函数进行计算，第二损失函数用于惩罚用户喜欢但是在距离计算列表中排名低于设定位的商品，依据偏好程度的排序，进行信息的推送或显示。
2.如权利要求1所述的一种基于多模态注意力的多样性偏好信息推送方法，其特征是：基于已有的商品交易信息构建基础数据集合，将基础数据集合中的一部分数据作为训练数据，另一部分数据作为测试数据。
3.如权利要求1所述的一种基于多模态注意力的多样性偏好信息推送方法，其特征是：对于基础数据集合的每种商品，将其预先分为两种模式，分别代表视觉和文本两种特征，将视觉和文本特征连接并输入全连接神经网络。
4.如权利要求1所述的一种基于多模态注意力的多样性偏好信息推送方法，其特征是：构建第一损失函数，以在特征向量距离商品i的多模态表示向量欧式空间中距离超出设定范围时，惩罚商品i的特征向量。
5.如权利要求1所述的一种基于多模态注意力的多样性偏好信息推送方法，其特征是：将用户特征向量、商品特征向量和多模态表示向量输入到注意力机制模块中学习用户对目标商品不同方面/维度的向量分布，输出注意力向量。
6.如权利要求4所述的一种基于多模态注意力的多样性偏好信息推送方法，其特征是：基于得到的注意力向量，将用户和商品映射到新的向量空间后，计算两者之间的欧式距离。
7.如权利要求6所述的一种基于多模态注意力的多样性偏好信息推送方法，其特征是：定义第三损失函数进行特征空间中各维度的协方差正则化，综合第一、第二和第三损失函数，得到偏好程度模型。
8.一种基于多模态注意力的多样性偏好信息推送系统，其特征是：包括：
特征提取模块，被配置为对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；
多模态模块，被配置为通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；
推送模块，被配置为将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，神经网络模型用于计算注意力向量，最后基于注意力向量计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，其中针对每个用户-商品对，选取多个用户没有购买的商品作为负例，一起加入第二损失函数进行计算，第二损失函数用于惩罚用户喜欢但是在距离计算列表中排名低于设定位的商品，依据偏好程度的排序，进行信息的推送或显示。
9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行如权利要求1-7任一项所述的一种基于多模态注意力的多样性偏好信息推送方法。
10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种基于多模态注意力的多样性偏好信息推送方法。
CN201910424586.7A 2019-05-21 2019-05-21 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 Active CN110321473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910424586.7A CN110321473B (zh) 2019-05-21 2019-05-21 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910424586.7A CN110321473B (zh) 2019-05-21 2019-05-21 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN110321473A CN110321473A (zh) 2019-10-11
CN110321473B true CN110321473B (zh) 2021-05-25

Family

ID=68113404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910424586.7A Active CN110321473B (zh) 2019-05-21 2019-05-21 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN110321473B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047394B (zh) * 2019-11-20 2023-07-21 泰康保险集团股份有限公司 商品推荐方法、装置、电子设备及计算机可读介质
CN111311364B (zh) * 2020-02-13 2021-10-01 山东大学 基于多模态商品评论分析的商品推荐方法及系统
CN112597765A (zh) * 2020-12-25 2021-04-02 四川长虹电器股份有限公司 基于多模态特征的影视专题自动生成方法
CN113159891B (zh) * 2021-04-24 2022-05-17 桂林电子科技大学 一种基于多种用户表示融合的商品推荐方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280738A (zh) * 2017-12-13 2018-07-13 西安电子科技大学 基于图像和社会化标签的商品推荐方法
CN108829847A (zh) * 2018-06-20 2018-11-16 山东大学 基于多模态购物偏好的商品检索方法及系统
CN108897823A (zh) * 2018-06-21 2018-11-27 山东大学 基于深度学习注意力机制的个性化商品检索方法及装置
CN109241424A (zh) * 2018-08-29 2019-01-18 陕西师范大学 一种推荐方法
CN109598586A (zh) * 2018-11-30 2019-04-09 哈尔滨工程大学 一种基于注意力模型的推荐方法
CN109754317A (zh) * 2019-01-10 2019-05-14 山东大学 融合评论的可解释性服装推荐方法、系统、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280738A (zh) * 2017-12-13 2018-07-13 西安电子科技大学 基于图像和社会化标签的商品推荐方法
CN108829847A (zh) * 2018-06-20 2018-11-16 山东大学 基于多模态购物偏好的商品检索方法及系统
CN108897823A (zh) * 2018-06-21 2018-11-27 山东大学 基于深度学习注意力机制的个性化商品检索方法及装置
CN109241424A (zh) * 2018-08-29 2019-01-18 陕西师范大学 一种推荐方法
CN109598586A (zh) * 2018-11-30 2019-04-09 哈尔滨工程大学 一种基于注意力模型的推荐方法
CN109754317A (zh) * 2019-01-10 2019-05-14 山东大学 融合评论的可解释性服装推荐方法、系统、设备及介质

Also Published As

Publication number Publication date
CN110321473A (zh) 2019-10-11

Similar Documents

Publication Publication Date Title
CN110321473B (zh) 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
Lin et al. Using AHP and TOPSIS approaches in customer-driven product design process
CN111310063B (zh) 基于神经网络的记忆感知门控因子分解机物品推荐方法
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
KR20190117584A (ko) 스트리밍 비디오 내의 객체를 검출하고, 필터링하고 식별하기 위한 방법 및 장치
CN111062775A (zh) 一种基于注意力机制的推荐系统召回方法
US11640634B2 (en) Deep learning based visual compatibility prediction for bundle recommendations
KR102468827B1 (ko) 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템
CN108829847B (zh) 基于翻译的多模态建模方法及其在商品检索中的应用
CN115917535A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
CN113722583A (zh) 推荐方法、推荐模型训练方法及相关产品
CN113592609A (zh) 一种利用时间因素的个性化服饰搭配推荐方法与系统
CN109670161A (zh) 商品相似度计算方法及装置、存储介质、电子设备
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
Ahamed et al. A recommender system based on deep neural network and matrix factorization for collaborative filtering
CN114840745A (zh) 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统
CN110033127A (zh) 一种基于嵌入式特征选择的冷启动项目推荐方法
Wakita et al. Toward fashion-brand recommendation systems using deep-learning: Preliminary analysis
Fareed et al. A collaborative filtering recommendation framework utilizing social networks
CN111815410B (zh) 基于选择性邻域信息的商品推荐方法
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
CN112948696A (zh) 具有隐私保护功能的跨域医疗保健设备推荐方法及系统
CN106528584B (zh) 一种基于组合学习的群组推荐方法
CN114238752A (zh) 物品推荐方法、装置及存储介质

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