CN110648163B - 一种基于用户评论的推荐算法 - Google Patents
一种基于用户评论的推荐算法 Download PDFInfo
- Publication number
- CN110648163B CN110648163B CN201910746922.XA CN201910746922A CN110648163B CN 110648163 B CN110648163 B CN 110648163B CN 201910746922 A CN201910746922 A CN 201910746922A CN 110648163 B CN110648163 B CN 110648163B
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- vector
- comment
- target
- 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
Links
- 239000013598 vector Substances 0.000 claims abstract description 155
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000003058 natural language processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于用户评论的推荐算法，该方法基于深度学习的评论推荐系统，根据用户过去的浏览购买和评论记录和商品的评分记录及购买过该商品的顾客的评论，推测用户对该商品的喜好程度，最后推荐系统对评分进行排序，给用户推荐评分高的前N种商品。本发明利用自然语言处理技术对评论文本信息的进行向量化，并根据注意力机制算法计算每条评论的重要性和每条评论对潜在顾客的影响，采用卷积神经网络捕捉用户商品的交互特征矩阵，因此生成用户商品的交互向量，最后将生成交互向量输入到FM预测机预测评分，预测评分越高用户可能越喜欢该商品，最后根据评分进行排序给用户推荐评分前N个商品。
Description
技术领域
本发明涉及推荐算法技术领域，更具体地，涉及一种基于用户评论的推荐算法。
背景技术
推荐服务在人们的日常生活中无处不在，它能帮助用户发现潜在的有趣的产品或有用的服务。 推荐系统首先收集用户的历史行为数据，然后生成用户商品评分矩阵，再利用机器学习领域中相关推荐技术形成对用户的个性化推荐。好的推荐系统不仅能帮助用户找到喜欢的东西，还能提高购物网站的销售额和成交转化率，提高客户对网站的忠诚度。在过去的几年里，传统推荐系统关注的是用户与项目的交互行为，如评分、购买或点击记录等。例如矩阵分解推荐系统将用户和商品的评分建立成矩阵，将矩阵分解为用户特征矩阵和商品特征矩阵最后计算用户和商品的相似度，相似度越高，预测的评分就越高。但这样推荐系统存在冷启动或者稀疏性问题。传统推荐系统面对冷启动问题时，只能通过用户商品的购物记录数据集，但这存在局限性。例如某个用户是购物的新用户或者商品时刚上架到购物网站时，传统推荐系统因为缺少新用户的购买记录因此无法给用户推荐适合的商品。例如购物网站商品的数量远多于用户，传统用户商品矩阵变为稀疏矩阵，这样推荐效果会差很多。为了缓解数据稀疏和冷启动问题的影响，可以在推荐系统加上其他额外信息。例如购物网站或者视频网站允许用户评论，而评论信息比单独的评分更能反映顾客对该产品的喜好程度以及影响其他用户的购买消费意愿。由于每个评论通常包含大量的语义信息，因此基于评论的推荐系统可以通过少量的评论获得足够的用户或项的特征。因此在推荐系统增加评论信息能提高推荐的准确性。
发明内容
本发明提供一种准确性较高的基于用户评论的推荐算法。
为了达到上述技术效果，本发明的技术方案如下：
一种基于用户评论的推荐算法，包括以下步骤：
S1：将用户ID，目标商品ID，用户评论集合，目标商品评论集合，用户购买过的商品ID集合，和购买过目标商品的用户ID集合编码为固定维度的向量；
S2：根据注意力机制计算目标商品评论对用户的重要性，并结合用户购买历史记录与购买过目标商品的顾客的评论，用神经网络提取用户和目标商品的特征向量；
S3：用S2步骤后生成的用户特征向量和商品特征向量通过向量的外积乘转化特征矩阵，用卷积神经网络CNN在特征矩阵张提取用户商品的交互特征，并编码为用户商品的交互向量；
S4：将用户商品的交互向量输入到FM预测机，预测用户对目标商品的评分。并对其他商品进行步骤S1至S3，根据评分进行排序，给用户推荐评分高的前N个商品。
进一步地，所述步骤S1的具体过程是：
S11：将用户对购买过的商品评论作为该用户的评论集，对其评论过的商品ID也作为用户的历史购买记录，其他用户对目标商品的评论作为目标商品的评论集，其他用户ID作为购买目标商品的用户集合；
S12：用神经网络将用户和商品评论文本，用户商品ID等编码为评论向量集合和用户商品ID向量，用户购买过的商品ID也编码成商品ID向量集合，购买过目标商品的用户ID也编码成用户向量集合。
进一步地，所述步骤S2的具体过程是：
S21：根据注意力机制，计算目标商品的评论对用户的影响因子，将编码后的用户ID和商品评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得商品评论特征向量。对目标商品也是类似操作；；根据注意力机制，计算用户的评论对目标商品的影响因子，将编码后的目标商品ID和用户评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得用户评论特征向量；
S22：将用户ID和目标商品ID用神经网络编码成用户特征向量和商品特征向量；
S23：计算用户ID向量与购买过目标商品的用户ID的之间相似度并且根据其他用户对目标商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将购买过目标商品的用户ID向量相加，最后生成商品的历史特征向量。对用户也进行类似操作，生成用户历史特征向量；计算目标商品ID向量与用户购买过的商品ID的之间相似度并且根据用户对购买过的商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将用户购买过的商品ID向量相加，最后生成用户的历史特征向量；
S24：将用户ID向量，用户历史特征向量，用户的评论特征向量拼接到一起作为用户的特征向量，对于目标商品也进行类似操作。将目标商品ID向量，目标商品历史特征向量，目标商品的评论特征向量拼接到一起作为目标商品的特征向量。
进一步地，所述步骤S3的具体过程是：
S31：对于S24获得的N维用户特征向量和N维商品特征向量通过向量的外积乘变成N*N的特征矩阵；
S32：用卷积神经网络CNN卷积N*N的特征矩阵，最后获得商品用户的交互向量。
进一步地，所述步骤S4的具体过程是：
S41：将用户商品交互向量输入到FM预测机，预测用户对目标商品的评分；
S42：对其他商品也进行上述操作，最后根据预测评分对所有商品进行排序，给用户推荐评分高的前N个商品。
与现有技术相比，本发明技术方案的有益效果是：
本发明的方法，不仅将用户的购物记录，还利用评论对用户商品的关系，可以更加全面地对推荐系统进行建模，采用了外积乘和卷积神经网络提取交互信息，最后在预测评分，提高推荐系统效果。
附图说明
图1为本发明流程示意图；
图2为实施例1中的算法结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种基于用户评论的推荐算法，包括以下步骤：
S1：将用户ID，目标商品ID，用户评论集合，目标商品评论集合，用户购买过的商品ID集合，和购买过目标商品的用户ID集合编码为固定维度的向量；
S2：根据注意力机制计算目标商品评论对用户的重要性，并结合用户购买历史记录与购买过目标商品的顾客的评论，用神经网络提取用户和目标商品的特征向量；
S3：用S2步骤后生成的用户特征向量和商品特征向量通过向量的外积乘转化特征矩阵，用卷积神经网络CNN在特征矩阵张提取用户商品的交互特征，并编码为用户商品的交互向量；
S4：将用户商品的交互向量输入到FM预测机，预测用户对目标商品的评分。并对其他商品进行上述操作，根据评分进行排序，给用户推荐评分高的前N个商品。
步骤S1的具体过程是：
S11：将用户对购买过的商品评论作为该用户的评论集，对其评论过的商品ID也作为用户的历史购买记录，其他用户对目标商品的评论作为目标商品的评论集，其他用户ID作为购买目标商品的用户集合；
S12：用神经网络将用户和商品评论文本，用户商品ID等编码为评论向量集合和用户商品ID向量，用户购买过的商品ID也编码成商品ID向量集合，购买过目标商品的用户ID也编码成用户向量集合。
步骤S2的具体过程是：
S21：根据注意力机制，计算目标商品的评论对用户的影响因子，将编码后的用户ID和商品评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得商品评论特征向量。对目标商品也是类似操作；根据注意力机制，计算用户的评论对目标商品的影响因子，将编码后的目标商品ID和用户评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得用户评论特征向量；
S22：将用户ID和目标商品ID用神经网络编码成用户特征向量和商品特征向量；
S23：计算用户ID向量与购买过目标商品的用户ID的之间相似度并且根据其他用户对目标商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将购买过目标商品的用户ID向量相加，最后生成商品的历史特征向量。对用户也进行类似操作，生成用户历史特征向量；计算目标商品ID向量与用户购买过的商品ID的之间相似度并且根据用户对购买过的商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将用户购买过的商品ID向量相加，最后生成用户的历史特征向量；
S24：将用户ID向量，用户历史特征向量，用户的评论特征向量拼接到一起作为用户的特征向量，对于目标商品也进行类似操作。；将目标商品ID向量，目标商品历史特征向量，目标商品的评论特征向量拼接到一起作为目标商品的特征向量。
步骤S3的具体过程是：
S31：对于S24获得的N维用户特征向量和N维商品特征向量通过向量的外积乘变成N*N的特征矩阵；
S32：用卷积神经网络CNN卷积N*N的特征矩阵，最后获得商品用户的交互向量。
步骤S4的具体过程是：
S41：将用户商品交互向量输入到FM预测机，预测用户对目标商品的评分；
S42：对其他商品也进行步骤S1至S3，最后根据预测评分对所有商品进行排序，给用户推荐评分高的前N个商品。
实施例2
如图2所示，本发明提供一种基于用户评论的推荐算法：
首先，推荐系统是为了帮助用户找到其可能喜欢的商品，因此我们需要我们用户的购物记录和商品记录，所有使用的是Yelp的公开数据集，Yelp数据集包含300多万条交互数据，每条交互数据包含用户ID，商品ID，评分和评论信息，商品的评分在1-5之间，分数越高说明用户对该商品的评价越好。基于评论推荐系统要根据用户的购物历史和评论信息给用户推荐可能喜欢的商品，因此需要预测用户对每件商品的评分，并给用户推荐评分高的前N个商品。
具体方法步骤如下
1）、将Yelp数据集进行预处理，只保留出现次数高于5的单词，过滤其余单词。
2）、将数据集中单词用字典保存并保存对应的ID，根据字典每一个单词的ID将每一条评论文本转化为数字数组，这样简化模型的输入。
3）、根据数据集，按照用户ID和商品ID划分为每位用户的评论集合及购买过商品的ID评分集合和每个商品的评论集合及购买该商品的用户ID评分集合。
4）、用自然语言处理Word Embedding将单词ID向量化为100维的向量，将评论的单词向量相加，获得商品的100维的评论向量。对于用户ID和商品ID也要通过神经网络层转化为100维向量。用户所评论过的商品以及评论过目标商品的用户也要进行向量化操作。
5）、考虑目标商品的评论对用户的影响力不同，根据用户ID与商品评论向量之间进行相似度计算，再进行softmax归一化操作，获得每条评论对用户的影响因子，影响因子的评论的权重是比较大，最后根据目标商品评论集的评论向量按照权值大小比例相加获得用户的评论特征向量。对于商品也进行类型操作。
6）、计算用户过去购买过的商品与目标商品的之间的相似度以及其评分，和购买过目标商品的顾客与用户纸质件的相似度以及其评分信息，用softmax对评分进行归一化操作，再将商品ID向量根据权值大小叠加为100维的向量。最后生成100维的向量是用户的历史特征向量。对于目标商品也进行类似的操作获得目标商品的历史特征向量。
7）、拼接层将100维用户的历史特征向量，100维的用户ID向量和100维的用户的评论向量拼接为300维的用户特征向量。对于目标商品也是一样类似操作。拼接后获得300维的商品特征向量。
8）、将300维的用户特征向量通过神经网络编码为100维向量，300维商品特征向量编码到100维向量。
9）、将100维用户特征向量和100维商品特征向量用外积乘获得100*100维特征矩阵，外积乘能更加丰富的商品用户交互数据。
10）、用6层50核卷积神经网络CNN对获得的交互特矩阵进行卷积操作，最后获得50维的商品用户特征向量。
11）、用FM预测机对50维商品特征向量进行预测得到最终得分。
12）、对其他商品也进行上述4~11操作，最后根据预测评分对所有商品进行排序，给用户推荐评分高的前N个商品。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于用户评论的推荐算法，其特征在于，包括以下步骤：
S1：将用户ID，目标商品ID，用户评论集合，目标商品评论集合，用户购买过的商品ID集合，和购买过目标商品的用户ID集合编码为固定维度的向量；所述步骤S1的具体过程是：
S11：将用户对购买过的商品评论作为该用户的评论集，对其评论过的商品ID也作为用户的历史购买记录，其他用户对目标商品的评论作为目标商品的评论集，其他用户ID作为购买目标商品的用户集合；
S12：用神经网络将用户和商品评论文本，用户商品ID编码为评论向量集合和用户商品ID向量，用户购买过的商品ID也编码成商品ID向量集合，购买过目标商品的用户ID也编码成用户向量集合；
S2：根据注意力机制计算目标商品评论对用户的重要性，并结合用户购买历史记录与购买过目标商品的顾客的评论，用神经网络提取用户和目标商品的特征向量；所述步骤S2的具体过程是：
S21：根据注意力机制，计算目标商品的评论对用户的影响因子，将编码后的用户ID和商品评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得商品评论特征向量；根据注意力机制，计算用户的评论对目标商品的影响因子，将编码后的目标商品ID和用户评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得用户评论特征向量；
S22：将用户ID和目标商品ID用神经网络编码成用户特征向量和商品特征向量；
S23：计算用户ID向量与购买过目标商品的用户ID的之间相似度并且根据其他用户对目标商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将购买过目标商品的用户ID向量相加，最后生成商品的历史特征向量；计算目标商品ID向量与用户购买过的商品ID的之间相似度并且根据用户对购买过的商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将用户购买过的商品ID向量相加，最后生成用户的历史特征向量；
S24：将用户ID向量，用户历史特征向量，用户的评论特征向量拼接到一起作为用户的特征向量；将目标商品ID向量，目标商品历史特征向量，目标商品的评论特征向量拼接到一起作为目标商品的特征向量；
S3：用S2步骤后生成的用户特征向量和商品特征向量通过向量的外积乘转化特征矩阵，用卷积神经网络CNN在特征矩阵中提取用户商品的交互特征，并编码为用户商品的交互向量；所述步骤S3的具体过程是：
S31：对于S24获得的N维用户特征向量和N维商品特征向量通过向量的外积乘变成N*N的特征矩阵；
S32：用卷积神经网络CNN卷积N*N的特征矩阵，最后获得商品用户的交互向量；
S4：将用户商品的交互向量输入到FM预测机，预测用户对目标商品的评分，并对其他商品进行步骤S1至S3，根据评分进行排序，给用户推荐评分高的前N个商品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910746922.XA CN110648163B (zh) | 2019-08-08 | 2019-08-08 | 一种基于用户评论的推荐算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910746922.XA CN110648163B (zh) | 2019-08-08 | 2019-08-08 | 一种基于用户评论的推荐算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110648163A CN110648163A (zh) | 2020-01-03 |
| CN110648163B true CN110648163B (zh) | 2024-03-22 |
Family
ID=69009545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910746922.XA Active CN110648163B (zh) | 2019-08-08 | 2019-08-08 | 一种基于用户评论的推荐算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648163B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275521B (zh) * | 2020-01-16 | 2022-06-14 | 华南理工大学 | 一种基于用户评论与满意层面嵌入的商品推荐方法 |
| CN111274493B (zh) * | 2020-01-17 | 2020-09-08 | 电子科技大学 | 一种基于多源用户评论的评分预测方法 |
| CN111368197B (zh) * | 2020-03-04 | 2022-05-27 | 哈尔滨理工大学 | 一种基于深度学习的评论推荐系统及方法 |
| CN111563787A (zh) * | 2020-03-19 | 2020-08-21 | 天津大学 | 一种基于用户评论和评分的推荐系统及方法 |
| CN113495942B (zh) * | 2020-04-01 | 2022-07-05 | 百度在线网络技术（北京）有限公司 | 推送信息的方法和装置 |
| CN111680151B (zh) * | 2020-05-06 | 2022-02-11 | 华东师范大学 | 一种基于层次化transformer的个性化商品评论摘要生成方法 |
| CN111652416B (zh) * | 2020-05-25 | 2024-01-09 | 南通科技职业学院 | 一种农产品用户评分预测方法 |
| CN111402013B (zh) * | 2020-06-04 | 2020-09-01 | 成都晓多科技有限公司 | 一种商品搭配推荐方法、系统、装置及存储介质 |
| CN112115378B (zh) * | 2020-09-16 | 2022-04-19 | 长沙理工大学 | 基于图卷积协同过滤的推荐预测系统以及推荐预测方法 |
| CN112115371A (zh) * | 2020-09-30 | 2020-12-22 | 山东建筑大学 | 一种基于因子分解机的神经注意力机制手机应用推荐模型 |
| CN113763095B (zh) * | 2020-11-27 | 2023-09-26 | 北京京东振世信息技术有限公司 | 信息推荐方法、装置和模型训练方法、装置 |
| CN112884551B (zh) * | 2021-02-19 | 2023-08-18 | 武汉大学 | 一种基于近邻用户和评论信息的商品推荐方法 |
| CN113191838B (zh) * | 2021-04-09 | 2024-01-30 | 山东师范大学 | 一种基于异质图神经网络的购物推荐方法及系统 |
| CN113177137A (zh) * | 2021-05-27 | 2021-07-27 | 腾讯音乐娱乐科技（深圳）有限公司 | 推荐歌曲的评论信息的方法、设备和存储介质 |
| CN114418700A (zh) * | 2022-01-24 | 2022-04-29 | 中国工商银行股份有限公司 | 产品推荐方法、装置、设备和介质 |
| CN114881020A (zh) * | 2022-07-12 | 2022-08-09 | 成都晓多科技有限公司 | 基于交叉注意力和门机制的评论质量识别模型及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014056302A (ja) * | 2012-09-11 | 2014-03-27 | Nassua Solutions Corp | 商品又はサービスの推薦システム並びに商品又はサービスの推薦方法 |
| CN106127525A (zh) * | 2016-06-27 | 2016-11-16 | 浙江大学 | 一种基于分类算法的电视购物商品推荐方法 |
| CN106484876A (zh) * | 2016-10-13 | 2017-03-08 | 中山大学 | 一种基于典型度和信任网络的协同过滤推荐方法 |
| CN107256508A (zh) * | 2017-05-27 | 2017-10-17 | 上海交通大学 | 基于时间场景的商品推荐系统及其方法 |
| CN108647996A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于Spark的个性化推荐方法及系统 |
| CN108959409A (zh) * | 2018-06-06 | 2018-12-07 | 电子科技大学 | 一种结合评论中主题与情感信息的矩阵分解推荐算法 |
| CN109903111A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100997541B1 (ko) * | 2008-10-08 | 2010-11-30 | 인하대학교 산학협력단 | 신상품 추천문제 해결을 위한 내용기반 필터링과 협업 필터링을 혼합한 사용자 프로파일 기반 이미지 추천 방법 및 장치 |
-
2019
- 2019-08-08 CN CN201910746922.XA patent/CN110648163B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014056302A (ja) * | 2012-09-11 | 2014-03-27 | Nassua Solutions Corp | 商品又はサービスの推薦システム並びに商品又はサービスの推薦方法 |
| CN106127525A (zh) * | 2016-06-27 | 2016-11-16 | 浙江大学 | 一种基于分类算法的电视购物商品推荐方法 |
| CN106484876A (zh) * | 2016-10-13 | 2017-03-08 | 中山大学 | 一种基于典型度和信任网络的协同过滤推荐方法 |
| CN107256508A (zh) * | 2017-05-27 | 2017-10-17 | 上海交通大学 | 基于时间场景的商品推荐系统及其方法 |
| CN109903111A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
| CN108647996A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于Spark的个性化推荐方法及系统 |
| CN108959409A (zh) * | 2018-06-06 | 2018-12-07 | 电子科技大学 | 一种结合评论中主题与情感信息的矩阵分解推荐算法 |
Non-Patent Citations (1)
| Title |
|---|
| "TopicMF: Simultaneously Exploiting Ratings and Reviews for Recommendation";Yang Bao et.al;《Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence》;第28卷(第1期);2-8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110648163A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110648163B (zh) | 一种基于用户评论的推荐算法 | |
| Liu et al. | Daml: Dual attention mutual learning between ratings and reviews for item recommendation | |
| TWI612488B (zh) | 用於預測商品的市場需求的計算機裝置與方法 | |
| CN109903117B (zh) | 一种用于商品推荐的知识图谱处理方法及装置 | |
| CN111209386A (zh) | 一种基于深度学习的个性化文本推荐方法 | |
| CN110019943A (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
| CN106157156A (zh) | 一种基于用户社区的协作推荐系统 | |
| CN113159892B (zh) | 一种基于多模态商品特征融合的商品推荐方法 | |
| US8880518B2 (en) | Ranking products using purchase day based time windows | |
| EP4131026A1 (en) | System and method for multi-modal transformer-based catagorization | |
| KR102422408B1 (ko) | 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치 | |
| US20170316442A1 (en) | Increase choice shares with personalized incentives using social media data | |
| Bilal et al. | Predicting helpfulness of crowd-sourced reviews: A survey | |
| CN106919997B (zh) | 一种基于lda的电子商务的用户消费预测方法 | |
| CN118132856A (zh) | 一种基于大数据的智能分析方法及系统 | |
| CN116362833A (zh) | 一种基于层次化对比学习的商品推荐方法及系统 | |
| Zhu | A deep learning based hybrid model for sales prediction of e-commerce with sentiment analysis | |
| Edi Surya et al. | Recommendation System with Content-Based Filtering in NFT Marketplace | |
| Patel et al. | CNNRec: Convolutional Neural Network based recommender systems-A survey | |
| Bai et al. | Improving text-based similar product recommendation for dynamic product advertising at yahoo | |
| CN118093993A (zh) | 相关文章推荐方法及其装置、设备、介质 | |
| Zahrawi et al. | Implementing recommender systems using machine learning and knowledge discovery tools | |
| Li et al. | Movie recommendation based on ALS collaborative filtering recommendation algorithm with deep learning model | |
| CN113781160B (zh) | 一种基于人工智能的商品推荐的方法 | |
| Kumar et al. | Multimodal Neural Network For Demand Forecasting |
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 |