CN110910218A - 一种基于深度学习的多行为迁移推荐方法 - Google Patents
一种基于深度学习的多行为迁移推荐方法 Download PDFInfo
- Publication number
- CN110910218A CN110910218A CN201911146484.XA CN201911146484A CN110910218A CN 110910218 A CN110910218 A CN 110910218A CN 201911146484 A CN201911146484 A CN 201911146484A CN 110910218 A CN110910218 A CN 110910218A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- node
- learning
- network
- 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
Images
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于深度学习的多行为迁移推荐方法,首先,获取用户的多种隐式反馈数据集并进行处理;构建一个基网络Gb和多个行为网络G(k),并利用网络表示学习方法学习用户和物品节点在各个网络中的低维嵌入表示;然后,基于用户的多个隐式行为反馈对用户偏好建模的影响不同,使用注意力机制自动学习各个行为的权重,得到用户和物品的融合低维嵌入表示;最后,将用户和物品的低维嵌入向量自然拼接后送入全连接嵌入层,采用基于深度神经网络的偏好学习方法,并反馈到具有隐藏层的前馈神经网络中,在输出层学习用户对物品的偏好。本发明能够更好地捕获用户的偏好并实现个性化推荐,且具有推荐准确率高、泛化能力强,易于实现等优点。
Description
技术领域
本发明属于数据挖掘及推荐技术领域,具体涉及一种基于深度学习的多行为迁移推荐方法。
背景技术
随着互联网上信息和内容的爆炸式增长,人类社会进入了“信息过载”的时代。人们难以迅速有效地找到自己所需的内容或者项目,因此推荐系统应运而生。推荐系统的核心是推荐算法,它通过挖掘用户和项目之间的关系,帮助用户从海量数据中发现感兴趣的项目,并生成个性化推荐列表。传统的推荐方法主要包括协同过滤方法,基于内容的推荐方法和混合推荐方法,其中协同过滤方法利用用户的历史行为记录向用户推荐与之偏好相近的用户所喜欢的项目,基于内容的推荐方法根据用户历史喜欢的项目向其推荐与之相似的项目,而混合推荐是将多种推荐方法融合进行推荐。
构造推荐系统的关键资源是用户历史行为数据,具体可以分为两类:显式反馈和隐式反馈。显式反馈是指用户给出的显式评分,如电影评分、商品打分等,而隐式反馈不直接表现出用户的偏好,如点击商品或者加入购物车等。显式反馈虽然能明确的表现用户的偏好,但是通常包含一些噪声,而且不易获得。隐式反馈数据不需要增加用户负担,具有收集成本更低、应用场景更广、数据规模更大的特点。
目前大多数推荐系统把注意力集中在分析挖掘显式反馈信息上,通过矩阵分解等方法捕捉用户和项目之间的浅层次关系,不能深入挖掘用户和项目的深层特征,而且由于显式反馈信息的匮乏,会带来数据稀疏性问题,从而导致推荐效果不佳。
发明内容
发明目的:本发明提供了一种基于深度学习的多行为迁移推荐方法,能够更好地捕获用户的偏好并实现个性化推荐。
发明内容:本发明所述的一种基于深度学习的多行为迁移推荐方法,包括以下步骤:
(1)对预先获取的用户历史行为数据进行处理获得多种隐式反馈数据集;
(2)根据用户的多种隐式反馈数据集构建一个基网络Gb和多个行为网络G(k),并利用网络表示学习方法学习用户和物品节点在各个网络中的低维嵌入表示;
(3)基于用户的多个隐式行为反馈对用户偏好建模的影响不同,使用注意力机制自动学习各个行为的权重,得到用户和物品的融合低维嵌入表示;
(4)将用户和物品的低维嵌入向量自然拼接后送入全连接嵌入层,采用基于深度神经网络的偏好学习方法,并反馈到具有隐藏层的前馈神经网络中,在输出层学习用户对物品的偏好。
进一步地,步骤(1)所述的隐式反馈数据主要包括用户点击数据、加入购物车数据、收藏数据和购买数据。
进一步地,步骤(2)所述的基网络Gb是一个包含用户和物品两种节点,以及一种类型的连边的网络;所述每个行为网络G(k)中也包含用户和物品节点,且只有用户和物品之间有过对应的行为。
进一步地,步骤(2)所述的网络表示学习方法基于node2vec的随机游走策略,并行学习基网络和多个行为网络中用户和物品节点的之间的结构关系,得到用户和物品的词嵌入向量Ub和Us (k),游走概率计算方式为:
其中,其中Ub表示从基网络中学习得到的词嵌入向量,而Us (k)表示从第k个行为网络中学习得到的词嵌入向量,Pro(k|k-1)表示从节点uk-1游走到节点uk的概率,α是node2vec中的二阶随机游走参数,α=1/p表示从节点uk-1回到节点uk-2,α=1表示节点uk-2与节点uk相连,α=1/q表示节点uk-2与节点uk不直接相连,但节点uk-1与节点uk直接相连,通过调节变量p和q控制随机游走的方向,w(k-1,k)表示节点uk-1和uk之间的边权重,取值范围是[0,1],N(k-1)表示uk-1的一阶邻居节点的集合。
进一步地,所述步骤(3)包括以下步骤:
(31)利用注意力机制学习得到用户的多个行为对用户偏好的影响,每个行为的权重计算如下:w=f(W·U+b),其中,f表示一种激活函数,U表示节点的词嵌入向量,W表示权重矩阵,b表示偏置值;
(32)对学得权重进行归一化,计算如下:αk=softmax(wk),αk表示第k个行为网络的归一化权重,softmax是常用于多分类问题的激活函数;
(34)将从基网络中学习的词嵌入向量和融合向量自然拼接,得到U′t=[Ub,U′s]。
进一步地,所述步骤(4)包括以下步骤:
(41)利用多层感知机学习用户和物品之间的非线性关系,输入是用户和物品的词嵌入向量拼接得到的向量z1=[U′t,V′t],隐藏层的输出是z2=f(WTz1+b),其中,f是激活函数,b是偏置值,输出层的输出是用户是否对物品感兴趣的预测概率σ是一种激活函数;
(42)计算用户对物品的偏好损失函数:
其中,I表示用户ui交互过物品vj,表示用户ui没有交互过物品vj,yij表示用户ui是否交互过物品vj的真实值,表示预测值,取值范围是[0,1],使用梯度下降算法使得损失函数最小化,即和yij之间的差值收敛;
(43)使用命中率和归一化折扣累积增益作为性能评价指标,确定所有参数的最佳取值,其中命中率HR@K和归一化折扣累积增益NDCG@K的计算方式如下:
其中,K表示选择前K个物品进行推荐,|GT|表示所有测试样本的数量。
有益效果:与现有技术相比,本发明的有益效果:1、本发明充分利用了用户的多种隐式行为信息,将用户的购买行为作为目标行为,并挖掘用户其余交互行为(点击物品、加入购物车和收藏物品)的信息,通过迁移学习到目标行为,更好地对用户偏好建模,并且解决了数据稀疏性问题;2、本发明的实施过程简单,容易实现,同时不受具体开发工具和编程软件的限制,能够快速扩展到分布式和并行化的开发环境中;3、本发明深入挖掘了用户和物品之间的内在联系,能够有效解决数据稀疏问题,同时具有推荐准确率高、泛化能力强,易于实现等优点,能够有效应用于电子商务等领域。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图对本发明作进一步详细说明。本发明基于推荐系统中用户和物品的多种隐式行为反馈信息,挖掘丰富的源行为的信息并迁移到较为稀疏的目标行为,对用户的偏好进行建模,解决数据稀疏性问题。如图1所示,本发明具体包括以下步骤:
步骤一:获取用户的多种隐式反馈数据集并进行处理。
(1)从电子商务网站获取目标用户和物品数据,其中获取数据的方法包括网络爬虫或合作方式。对获得的数据进行清洗,提取隐式反馈数据,其中,所述隐式反馈数据集主要包含点击数据、加入购物车数据、收藏数据和购买数据。根据用户行为数据集构成三元组作为训练集;三元组公式为(u,e(k),i),其中,u表示用户,i表示物品,e(k)表示用户u对物品i的操作,k表示是第k种隐式行为。
步骤二:根据用户的多种行为数据构建网络,并利用网络表示学习方法node2vec学习用户和物品节点在各个网络中的低维嵌入表示。
根据用户的行为数据构建一个基网络Gb和多个行为网络G(k)。其中,基网络Gb={<u,e,i>}是一个包含用户和物品两种节点,以及一种类型的连边的网络。用户对物品只要有任意一种行为,那么在基网络Gb中对应的用户和物品节点之间就存在一条边。每个行为网络G(k)={<u,e(k),i>}中也包含用户和物品节点,并且只有用户和物品之间有过第k种行为,那么该行为网络中对应的用户和物品节点之间才有边。
将one-hot形式的用户和物品作为网络中用户和物品节点的初始表示;为了将用户和物品的初始稀疏表示映射成一个低维稠密向量,并且保留网络节点之间的结构关系,使用网络表示学习方法node2vec的随机游走策略,并行学习基网络和多个行为网络中用户和物品节点的之间的结构关系,得到用户和物品的词嵌入向量Ub和Us (k),其中Ub表示从基网络中学习得到的词嵌入向量,而Us (k)表示从第k个行为网络中学习得到的词嵌入向量。进一步而言,基于node2vec的随机游走策略中游走概率计算方式为:
其中,Pro(k|k-1)表示从节点uk-1游走到节点uk的概率,α是node2vec中的二阶随机游走参数;α=1/p表示从节点uk-1回到节点uk-2;α=1表示节点uk-2与节点uk相连;α=1/q表示节点uk-2与节点uk不直接相连,但节点uk-1与节点uk直接相连;通过调节变量p和q可以控制随机游走的方向;w(k-1,k)表示节点uk-1和uk之间的边权重,取值范围是[0,1];N(k-1)表示uk-1的一阶邻居节点的集合。
步骤三:用户的多个隐式行为反馈对用户偏好建模的影响不同,使用注意力机制自动学习各个行为的权重,得到用户和物品的融合低维嵌入表示。
用户u和物品i的词嵌入向量的维度设置为d,利用注意力机制学习得到用户的多个行为对用户偏好的影响,每个行为的权重计算如下:w=f(W·U+b),其中,f表示一种激活函数,U表示节点的词嵌入向量,W表示权重矩阵,b表示偏置值。
对学得权重进行归一化,计算如下:αk=softmax(wk),αk表示第k个行为网络的归一化权重,softmax是常用于多分类问题的激活函数。
将从基网络Gb中学习的词嵌入向量和根据多个行为网络G(k)得到的融合向量自然拼接,得到用户u的最终向量表示Ut=[U′b,U′s]和物品i的最终向量表示V′t=[Vb,V′s],维度为d。
步骤四:将用户和物品的低维嵌入向量自然拼接后送入全连接嵌入层,采用基于深度神经网络的偏好学习方法,并反馈到具有隐藏层的前馈神经网络中,在输出层学习用户对物品的偏好。
利用多层感知机学习用户和物品之间的非线性关系,输入是用户和物品的词嵌入向量拼接得到的向量z1=[U′t,V′t],隐藏层的输出是z2=f(WTz1+b),其中,f是激活函数,b是偏置值,输出层的输出是用户是否对物品感兴趣的预测概率σ是一种激活函数。用户对物品的偏好损失函数计算方式如下:
其中,I表示用户ui交互过物品vj,表示用户ui没有交互过物品vj,yij表示用户ui是否交互过物品vj的真实值,表示预测值,取值范围是[0,1],使用梯度下降算法使得损失函数L最小,即和yij之间的差值收敛。
迭代收敛后生成排序模型。对于一个用户u,根据训练好的模型,计算用户u对没有交互过的物品感兴趣的概率,并且按照概率从大到小排序,选择前10个作为用户u的推荐列表。
在本实施方式中采用国内电子商务网站Tmall的行为数据集,数据集记录了987994个用户和4162024个物品,操作分是”purchase””click””AddtoCart””Favor”,分别表示用户对物品进行了购买、点击、加入购物车和收藏四种行为。由于数据集中存在一些用户的行为次数较少的情况,因此处理时删除交互次数低于10次的用户和物品来减少数据集的稀疏性。采用5-fold交叉验证法进行验证,使用leave-one-out(留一法)进行测试。由于隐式反馈的数据没有负样本,因此我们对数据集进行负采样,一个正样本对应4个负样本。
本实施例使用python语言,在Pycharm平台上运行,实验框架为keras,学习速率设为0.001,用户和物品节点的词嵌入向量的大小为64,负采样的比例为1:4,推荐列表为10。
为了评价本发明所述算法的性能,可以使用命中率HR@K和归一化折扣累积增益(NDCG@K)作为性能评价指标,从而确定所有参数的最佳取值。其中,命中率HR@K的计算方式如下:
其中,K表示选择前K个物品进行推荐,|GT|表示所有测试样本的数量。
归一化折扣累积增益(NDCG@K)的计算公式为:
其中,K表示选择前K个物品进行推荐。
Claims (6)
1.一种基于深度学习的多行为迁移推荐方法,其特征在于,包括以下步骤:
(1)对预先获取的用户历史行为数据进行处理获得多种隐式反馈数据集;
(2)根据用户的多种隐式反馈数据集构建一个基网络Gb和多个行为网络G(k),并利用网络表示学习方法学习用户和物品节点在各个网络中的低维嵌入表示;
(3)基于用户的多个隐式行为反馈对用户偏好建模的影响不同,使用注意力机制自动学习各个行为的权重,得到用户和物品的融合低维嵌入表示;
(4)将用户和物品的低维嵌入向量自然拼接后送入全连接嵌入层,采用基于深度神经网络的偏好学习方法,并反馈到具有隐藏层的前馈神经网络中,在输出层学习用户对物品的偏好。
2.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,步骤(1)所述的隐式反馈数据主要包括用户点击数据、加入购物车数据、收藏数据和购买数据。
3.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,步骤(2)所述的基网络Gb是一个包含用户和物品两种节点,以及一种类型的连边的网络;所述每个行为网络G(k)中也包含用户和物品节点,且只有用户和物品之间有过对应的行为。
4.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,步骤(2)所述的网络表示学习方法基于node2vec的随机游走策略,并行学习基网络和多个行为网络中用户和物品节点的之间的结构关系,得到用户和物品的词嵌入向量Ub和Us (k),游走概率计算方式为:
其中,其中Ub表示从基网络中学习得到的词嵌入向量,而Us (k)表示从第k个行为网络中学习得到的词嵌入向量,Pro(k|k-1)表示从节点uk-1游走到节点uk的概率,α是node2vec中的二阶随机游走参数,α=1/p表示从节点uk-1回到节点uk-2,α=1表示节点uk-2与节点uk相连,α=1/q表示节点uk-2与节点uk不直接相连,但节点uk-1与节点uk直接相连,通过调节变量p和q控制随机游走的方向,w(k-1,k)表示节点uk-1和uk之间的边权重,取值范围是[0,1],N(k-1)表示uk-1的一阶邻居节点的集合。
5.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,所述步骤(3)包括以下步骤:
(31)利用注意力机制学习得到用户的多个行为对用户偏好的影响,每个行为的权重计算如下:w=f(W·U+b),其中,f表示一种激活函数,U表示节点的词嵌入向量,W表示权重矩阵,b表示偏置值;
(32)对学得权重进行归一化,计算如下:αk=softmax(wk),αk表示第k个行为网络的归一化权重,softmax是常用于多分类问题的激活函数;
(34)将从基网络中学习的词嵌入向量和融合向量自然拼接,得到Ut′=[Ub,Us′]。
6.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,所述步骤(4)包括以下步骤:
(41)利用多层感知机学习用户和物品之间的非线性关系,输入是用户和物品的词嵌入向量拼接得到的向量z1=[Ut′,Vt′],隐藏层的输出是z2=f(WTz1+b),其中,f是激活函数,b是偏置值,输出层的输出是用户是否对物品感兴趣的预测概率σ是一种激活函数;
(42)计算用户对物品的偏好损失函数:
其中,I表示用户ui交互过物品vj,表示用户ui没有交互过物品vj,yij表示用户ui是否交互过物品vj的真实值,表示预测值,取值范围是[0,1],使用梯度下降算法使得损失函数最小化,即和yij之间的差值收敛;
(43)使用命中率和归一化折扣累积增益作为性能评价指标,确定所有参数的最佳取值,其中命中率HR@K和归一化折扣累积增益NDCG@K的计算方式如下:
其中,K表示选择前K个物品进行推荐,|GT|表示所有测试样本的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146484.XA CN110910218B (zh) | 2019-11-21 | 2019-11-21 | 一种基于深度学习的多行为迁移推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146484.XA CN110910218B (zh) | 2019-11-21 | 2019-11-21 | 一种基于深度学习的多行为迁移推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910218A true CN110910218A (zh) | 2020-03-24 |
CN110910218B CN110910218B (zh) | 2022-08-26 |
Family
ID=69818621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911146484.XA Active CN110910218B (zh) | 2019-11-21 | 2019-11-21 | 一种基于深度学习的多行为迁移推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910218B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523940A (zh) * | 2020-04-23 | 2020-08-11 | 华中科技大学 | 一种带负反馈的基于深度强化学习的推荐方法及系统 |
CN111814189A (zh) * | 2020-08-21 | 2020-10-23 | 安徽大学 | 一种基于差分隐私的分布式学习隐私保护方法 |
CN111881342A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图孪生网络的推荐方法 |
CN111881363A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图交互网络的推荐方法 |
CN112328893A (zh) * | 2020-11-25 | 2021-02-05 | 重庆理工大学 | 一种基于记忆网络和协同注意力的推荐方法 |
CN112598483A (zh) * | 2020-12-30 | 2021-04-02 | 中国建设银行股份有限公司 | 目标平台的迁移对象生成、对象推荐方法和装置 |
CN112650920A (zh) * | 2020-12-10 | 2021-04-13 | 中山大学 | 一种基于贝叶斯排序的融合社交网络的推荐方法 |
CN112785376A (zh) * | 2021-01-20 | 2021-05-11 | 电子科技大学 | 一种基于多任务学习的多领域推荐方法 |
CN112883170A (zh) * | 2021-01-20 | 2021-06-01 | 中国人民大学 | 一种用户反馈引导的自适应对话推荐方法和系统 |
CN114077701A (zh) * | 2020-08-13 | 2022-02-22 | 北京达佳互联信息技术有限公司 | 资源信息的确定方法、装置、计算机设备及存储介质 |
CN114119151A (zh) * | 2021-11-23 | 2022-03-01 | 上海交通大学 | 下一个购物篮个性化推荐方法、系统及介质 |
CN114693397A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190030A (zh) * | 2018-08-22 | 2019-01-11 | 南京工业大学 | 融合node2vec和深度神经网络的隐式反馈推荐方法 |
CN109241440A (zh) * | 2018-09-29 | 2019-01-18 | 北京工业大学 | 一种基于深度学习的面向隐式反馈推荐方法 |
-
2019
- 2019-11-21 CN CN201911146484.XA patent/CN110910218B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190030A (zh) * | 2018-08-22 | 2019-01-11 | 南京工业大学 | 融合node2vec和深度神经网络的隐式反馈推荐方法 |
CN109241440A (zh) * | 2018-09-29 | 2019-01-18 | 北京工业大学 | 一种基于深度学习的面向隐式反馈推荐方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523940A (zh) * | 2020-04-23 | 2020-08-11 | 华中科技大学 | 一种带负反馈的基于深度强化学习的推荐方法及系统 |
CN111881342A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图孪生网络的推荐方法 |
CN111881363A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图交互网络的推荐方法 |
CN114077701A (zh) * | 2020-08-13 | 2022-02-22 | 北京达佳互联信息技术有限公司 | 资源信息的确定方法、装置、计算机设备及存储介质 |
CN111814189A (zh) * | 2020-08-21 | 2020-10-23 | 安徽大学 | 一种基于差分隐私的分布式学习隐私保护方法 |
CN111814189B (zh) * | 2020-08-21 | 2022-10-18 | 安徽大学 | 一种基于差分隐私的分布式学习隐私保护方法 |
CN112328893B (zh) * | 2020-11-25 | 2022-08-02 | 重庆理工大学 | 一种基于记忆网络和协同注意力的推荐方法 |
CN112328893A (zh) * | 2020-11-25 | 2021-02-05 | 重庆理工大学 | 一种基于记忆网络和协同注意力的推荐方法 |
CN112650920A (zh) * | 2020-12-10 | 2021-04-13 | 中山大学 | 一种基于贝叶斯排序的融合社交网络的推荐方法 |
CN112650920B (zh) * | 2020-12-10 | 2022-11-11 | 中山大学 | 一种基于贝叶斯排序的融合社交网络的推荐方法 |
CN112598483A (zh) * | 2020-12-30 | 2021-04-02 | 中国建设银行股份有限公司 | 目标平台的迁移对象生成、对象推荐方法和装置 |
CN112785376A (zh) * | 2021-01-20 | 2021-05-11 | 电子科技大学 | 一种基于多任务学习的多领域推荐方法 |
CN112883170A (zh) * | 2021-01-20 | 2021-06-01 | 中国人民大学 | 一种用户反馈引导的自适应对话推荐方法和系统 |
CN112785376B (zh) * | 2021-01-20 | 2022-08-19 | 电子科技大学 | 一种基于多任务学习的多领域推荐方法 |
CN112883170B (zh) * | 2021-01-20 | 2023-08-18 | 中国人民大学 | 一种用户反馈引导的自适应对话推荐方法和系统 |
CN114119151A (zh) * | 2021-11-23 | 2022-03-01 | 上海交通大学 | 下一个购物篮个性化推荐方法、系统及介质 |
CN114693397A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
CN114693397B (zh) * | 2022-03-16 | 2023-04-28 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110910218B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910218B (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN111737535B (zh) | 一种基于元结构和图神经网络的网络表征学习方法 | |
CN111460331B (zh) | 一种基于时空图的会话推荐方法 | |
CN110955826B (zh) | 基于改进型循环神经网络单元的推荐系统 | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
Ong et al. | Deep learning based-recommendation system: an overview on models, datasets, evaluation metrics, and future trends | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
Huang et al. | Neural embedding collaborative filtering for recommender systems | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN113190751A (zh) | 一种融合关键词生成的推荐算法 | |
CN114386513A (zh) | 一种集成评论与评分的交互式评分预测方法及系统 | |
Sridhar et al. | Content-Based Movie Recommendation System Using MBO with DBN. | |
CN113704438B (zh) | 一种基于分层注意力机制的异构图的会话推荐方法 | |
Hou et al. | A deep reinforcement learning real-time recommendation model based on long and short-term preference | |
CN114169968A (zh) | 一种融合用户兴趣状态的多粒度会话推荐方法 | |
CN111597428A (zh) | 一种具有q分离k稀疏的用户与物品拼接的推荐方法 | |
Baker et al. | Machine learning: factorization machines and normalized discounted cumulative gain for tourism recommender system optimisation | |
CN115391555A (zh) | 一种用户感知的知识图谱推荐系统及方法 | |
Cherednichenko et al. | Improving Item Searching On Trading Platform Based On Reinforcement Learning Approach. | |
Bang et al. | Collective matrix factorization using tag embedding for effective recommender system | |
Kalidindi et al. | Discrete Deep Learning Based Collaborative Filtering Approach for Cold Start Problem. | |
CN117520665B (zh) | 一种基于生成对抗网络的社交推荐方法 | |
CN113239265B (zh) | 基于连接矩阵的个性化推荐方法及系统 |
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 |