CN111178509A - 基于时间信息和序列上下文的下一个游戏推荐方法 - Google Patents

基于时间信息和序列上下文的下一个游戏推荐方法 Download PDF

Info

Publication number
CN111178509A
CN111178509A CN201911387876.5A CN201911387876A CN111178509A CN 111178509 A CN111178509 A CN 111178509A CN 201911387876 A CN201911387876 A CN 201911387876A CN 111178509 A CN111178509 A CN 111178509A
Authority
CN
China
Prior art keywords
game
model
user
gate
representing
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
Application number
CN201911387876.5A
Other languages
English (en)
Other versions
CN111178509B (zh
Inventor
王东京
徐登威
俞东进
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.)
Shenzhen Wanzhida Technology Co ltd
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201911387876.5A priority Critical patent/CN111178509B/zh
Publication of CN111178509A publication Critical patent/CN111178509A/zh
Application granted granted Critical
Publication of CN111178509B publication Critical patent/CN111178509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于时间信息和序列上下文的下一个游戏推荐方法。本发明在原始的LSTM单元的cell中添加间隔时间和持续时间的信息，使得同时结合间隔时间和持续时间信息，对cell中的信息进行过滤和控制，同时使用GloVe模型对序列上下文进行更加精确的建模。不同于传统的方法，本发明利用间隔时间和持续时间信息更加合理的反映了序列的记忆特点：间隔时间过长的信息更应该被遗忘，持续时间很长的信息应该被记忆。

Description

基于时间信息和序列上下文的下一个游戏推荐方法
技术领域
本发明属于推荐系统领域，涉及一种基于时间信息和序列上下文的下一个游戏推荐方法。
背景技术
在实际应用中，用户总是在不同的时间进行一系列动作(听一系列音乐或玩不同的游戏)。因此，下一个篮子推荐最近受到了很多关注，它可以根据从用户的一系列动作中挖掘的模式来预测用户的下一个项目/活动。一般来说，下一个篮子推荐有两种方法：一种是协同过滤(CF)的方法，它捕获用户的一般兴趣但不考虑用户行为的顺序；另一种方法将用户的顺序行为与序列建模技术相结合，例如马尔可夫链(MC)。然而，这种类型的模型仅捕获序列中的相邻关系，并且不能很好地模拟复杂序列。另一种有效的序列建模方法——递归神经网络(RNN)可以处理复杂的序列，并已广泛应用于许多应用，如情感分析和机器翻译。然而，传统的RNN在复杂序列上不能很好地工作，并且在长序列训练时会出现梯度消失的问题。幸运的是，长期短期记忆(LSTM)网络作为RNN模型的改进，已经很好地解决了这个问题。具体而言，LSTM通过添加输入门、输出门和忘记门来捕获数据的长期和短期记忆。与RNN相比，LSTM能够捕获复杂的关系并实现更好的性能。
然而，面对游戏领域产生的长序列多维度(比如间隔时间和持续时间)的数据，RNN和LSTM都不能在建模中有效结合长短期记忆和时间信息，这导致RNN和LSTM在面对长序列预测的问题时效果甚微。
发明内容
本发明针对现有技术的不足，提出了一种基于时间信息和序列上下文的下一个游戏推荐方法。该模型在序列的下一项推荐方面，综合考虑的间隔时间，持续时间和序列上下文信息。同时，在效果提升的基础上，进一步的使用耦合模型中的输入门和忘记门来达到提升训练效率的效果。
本发明方法的具体步骤是：
步骤(1)构建模型的输入。
处理用户序列数据，分别从用户序列信息数据中抽取出用户游戏文件，用户间隔时间文件，用户持续时间文件。
步骤(2)使用词嵌入工具(本方法中使用GloVe)处理用户游戏文件，生成游戏的低维稠密向量表示。
步骤(3)构建间隔时间门和持续时间门。
Figure BDA0002344071060000021
Figure BDA0002344071060000022
以下对上述公式中出现的符号进行解释：
Figure BDA0002344071060000023
表示所有用户的第k个游戏低维稠密向量构成的矩阵。
Δtk：表示所有用户的第k个游戏到第k+1个游戏之间的间隔时间构成的向量。
dk：表示所有用户的第k个游戏的持续时间构成的向量。
Ik和Dk：分别表示第k个游戏所对应的间隔时间门和第k个游戏所对应的持续时间门。
Figure BDA0002344071060000024
和Wtd：分别表示xk在间隔时间门和持续时间门中的权重矩阵。
Figure BDA0002344071060000025
和
Figure BDA0002344071060000026
分别表示Δtk和dk的权重矩阵。
Figure BDA0002344071060000027
和
Figure BDA0002344071060000028
分别表示间隔时间门和持续时间门偏置。
Figure BDA0002344071060000029
和
Figure BDA00023440710600000210
表示sigmoid函数。
Figure BDA00023440710600000211
和
Figure BDA00023440710600000212
表示双曲正切函数。
步骤(4)构建主要模型。
Figure BDA00023440710600000213
Figure BDA00023440710600000214
Figure BDA00023440710600000215
Figure BDA00023440710600000216
Figure BDA00023440710600000217
Figure BDA00023440710600000218
以下对上述公式中出现的符号进行解释：
ck：表示传统的LSTM的cell，里面存储着之前的序列信息。
Figure BDA00023440710600000219
和
Figure BDA00023440710600000220
分别表示在ck结合了间隔时间和持续时间信息的新cell。
hk：模型在第k个神经单元的输出。
ik和ok：分别表示模型中的输入门和输出门。
Wi,Wc和Wo：表示模型的输入门，cell单元，输出门的中x的权重矩阵。
Ui,Uc和Uo：表示模型的输入门，cell单元，输出门中hk的权重矩阵。
Pi和Po：表示模型的输入门，输出门中ck的权重矩阵。
bi,bc和bo：表示模型的输入门，cell单元和输出门的偏置。
σi和σo：表示sigmoid函数。
σc和σh：表示双曲正切函数。
操作
Figure BDA0002344071060000031
表示向量的元素逐位相乘。
步骤(5)设置模型参数，进行训练，并保存模型。
步骤(6)使用保存的模型对新用户的用户序列数据生成推荐。。
本发明提出的基于时间信息和序列上下文的下一个游戏推荐方法主要是在在原始的LSTM单元的cell中添加间隔时间和持续时间的信息，使得同时结合间隔时间和持续时间信息，对cell中的信息进行过滤和控制。不同于传统的方法，本发明利用间隔时间和持续时间信息更加合理的反映了序列的记忆特点：间隔时间过长的信息更应该被遗忘，持续时间很长的信息应该被记忆。同时利用持续时间这一特点，对序列中的负样本(用户不喜爱的游戏)进行筛选，因为用户对于不喜欢的游戏，持续时间通常会很短。而在传统的模型中，这一特点无法体现。同时为了解决传统模型对于长序列的记忆问题，本发明使用GloVe算法，对序列数据进行处理；使得模型在应对长序列数据时，具有更好的记忆能力。
附图说明
图1为本发明模型图。
具体实施方式
本发明提出的方法可以应用在如下场景：在用户的游戏序列中，存在开始时间和持续时间，同时这个游戏序列具有长序列的特点。都可以使用本发明提出的推荐方法得到更好的推荐效果。
如图1所示，本发明包含以下步骤：
(1)用户数据的获取、清洗
1-1.获取用户游戏数据需要包含如下信息：用户ID，动作ID，开始时间，持续时间，比如游戏数据(user001,game001,2016-06-22 16:41:17,2400s)表示用户user001在2016-06-22 16:41:17开始游玩游戏game001，并且游玩了2400s(40分钟)。
1-2.清洗用户游戏数据。在用户游戏序列中包含很多的噪音数据。如游戏数据中存在助手类的软件，并非游戏(如腾讯游戏助手)的数据需要去除。同一款游戏具有不同的名字(如地下城与勇士和DNF)，需要将名称统一。
(2)处理用户游戏序列数据，生成三份文件
2-1.生成用户游戏信息文件。按照序列文件中的时间顺序处理用户游戏序列数据，将同一个用户所有玩过的游戏按照时间顺序排成一行。在用户游戏信息文件中，每一行表示一位用户的ID信息和用户游戏序列。其中，用户的ID信息和用户游戏序列之间使用“:”分隔，每一个游戏之间使用空格分隔。把用户u的序列中第k个游戏标记为
Figure BDA0002344071060000041
文件中每一行如下：
u:
Figure BDA0002344071060000042
2-2.用户间隔时间信息文件。在用户间隔时间信息文件中，每一行表示一位用户的ID信息和用户间隔时间序列信息。用户的ID信息和用户间隔时间序列之间使用“:”分隔，每一个间隔时间之间使用空格分隔。把序列中第k个游戏到第k+1个游戏之间的间隔时间标记为
Figure BDA0002344071060000043
文件中每一行如下：
u:
Figure BDA0002344071060000044
2-3.用户持续时间信息文件。在用户持续时间信息文件中，每一行表示一位用户的ID信息和用户持续时间序列信息。用户的ID信息和用户持续时间序列之间使用“:”分隔，每一个持续时间之间使用空格分隔。把序列中第k个游戏持续时间标记为
Figure BDA0002344071060000045
文件中每一行如下：
u:
Figure BDA0002344071060000046
(3)构建embedding向量
对所有的游戏按照游戏的热度(游戏总游玩次数)排序，建立统一字典，对每一款游戏进行one-hot编码,下面使用
Figure BDA0002344071060000047
表示
Figure BDA0002344071060000048
的one-hot形式。在用户序列数据中，使用one-hot编码代替原来的具体表示。并且使用GloVe算法计算游戏embedding向量Em。使用embedding向量Em可以将one-hot形式的高维稀疏向量使用低维稠密向量表示，转化的公式如下：
Figure BDA0002344071060000049
其中
Figure BDA00023440710600000410
表示
Figure BDA00023440710600000411
转化的低维稠密向量。
将embedding向量Em存在文件中，等待在训练的时候读入模型，作为模型embedding层的预训练参数。
注：在输入模型时，并非是单一用户逐个输入。所以使用xk表示所有用户的第k个游戏的one-hot编码，即xk是一个矩阵。同样的使用
Figure BDA00023440710600000412
表示所有用户的第k个游戏低维稠密向量，Δtk表示所有用户的第k个游戏到第k-1个游戏之间的间隔时间，dk表示所有用户的第k个游戏的持续时间。
(4)构建间隔时间门和持续时间门
4-1.构建间隔时间门I。时间间隔门对时间间隔Δt进行分析，控制输入信息，第k个游戏所对应的间隔时间门Ik公式如下：
Figure BDA00023440710600000413
其中，
Figure BDA00023440710600000414
是xk的权重矩阵，
Figure BDA00023440710600000415
是Δtk的权重矩阵，
Figure BDA00023440710600000416
是偏置，
Figure BDA00023440710600000417
表示sigmoid函数，
Figure BDA00023440710600000418
表示双曲正切函数。
4-2.构建持续时间门D。持续时间门用于对持续时间进行分析，同样用于制输入信息，第k个游戏所对应的持续时间门Dk公式如下：
Figure BDA0002344071060000051
其中，
Figure BDA0002344071060000052
是xk的权重矩阵，
Figure BDA0002344071060000053
是dk的权重矩阵，
Figure BDA0002344071060000054
是偏置，
Figure BDA0002344071060000055
表示sigmoid函数，
Figure BDA0002344071060000056
表示双曲正切函数。
(5)构建模型
模型基于长短期记忆网络(LSTM)。为了方便以下探讨，统一将步骤(5)出现的相关符号进行定义：
ck：表示传统的LSTM的cell，里面存储着之前的序列信息。
Figure BDA0002344071060000057
和
Figure BDA0002344071060000058
分别表示在ck中添加了间隔时间和持续时间信息的新cell。
hk：模型在第k个神经单元的输出。
ik和ok：分别表示模型中的输入门和输出门。
Wi,Wc和Wo：表示模型的输入门、cell单元和输出门的中x的权重矩阵。
Ui,Uc和Uo：表示模型的输入门、cell单元和输出门中hk的权重矩阵。
Pi和Po：表示模型的输入门和输出门中ck的权重矩阵。
bi,bc和bo：表示模型的输入门、cell单元和输出门的偏置。
σi和σo：表示sigmoid函数。
σc和σh：表示双曲正切函数。
操作
Figure BDA0002344071060000059
表示向量的元素逐位相乘。
先构建模型的输入门控单元ik，输入门控单元可以结合上一个LSTM单元留下的信息，控制本次LSTM单元的输入。具体的公式如下：
Figure BDA00023440710600000510
构建输出门控单元信息，输出门控单元用于控制本次的
Figure BDA00023440710600000511
是否输出。
Figure BDA00023440710600000512
ck的计算公式如下，
Figure BDA00023440710600000513
在ck上添加持续时间信息，并通过
Figure BDA00023440710600000514
筛去过去的序列信息，得到
Figure BDA00023440710600000515
的公式如下:
Figure BDA00023440710600000516
在
Figure BDA00023440710600000517
上添加间隔时间的信息，得到
Figure BDA00023440710600000518
的公式如下：
Figure BDA00023440710600000519
最后使用输出门ok控制
Figure BDA0002344071060000061
信息的输出，得出第k个单元的输出hk公式如下：
Figure BDA0002344071060000062
(6)设置模型的参数和损失函数。
6-1.设置模型的参数
batch_size＝20，表示每一批训练20条用户数据。
Mlen＝1000，表示每一条用户游戏数据的最大长度。
Fixed_epochs＝100，表示总的迭代次数。
Learning_rate＝0.01，表示模型的学习率。
RANK＝10，表示推荐游戏的数量。
6-2.损失函数设置为交叉熵损失函数，损失函数的如下：
Figure BDA0002344071060000063
其中，yi表示预测的真实值，
Figure BDA0002344071060000064
为预测的概率，M表示测试集的总数量。
(7)开始训练
将预先训练好的embedding向量读入到模型的embedding层中。设置如下步骤：
7-1.将用户游戏信息文件，用户间隔时间信息文件和用户持续时间信息文件同时读入到程序中，如果有序列的长度超出了预设的最大长度Mlen，将其截断。
7-2.验证模型的每一个游戏是否和间隔时间，持续时间相对应。
7-3.将数据按照事先定义好的batch_size大小，分批输入到模型中。
7-4.在模型开始训练时，将c0和h0初始化为零矩阵。所有的权重向量按照正态分布进行随机初始化。
7-5.用户的游戏数据在输入的时候，将其转化为one-hot向量xk。
7-6.用户游戏数据在经过embedding层时，被转化成低维稠密向量
Figure BDA0002344071060000065
7-7.用户的间隔时间数据和持续时间数据分别按照batch_size的大小输入到间隔时间门Ik和持续时间门Dk。
7-8.开始计算每一个模型输出的值。并通过和游戏序列中真实的下一个游戏进行比较，计算损失函数，按照随机梯度下降法对模型的权重参数进行学习和调整。
(8)迭代
使用Adagrad算法调整动态调整学习率进行训练。在迭代完成之后，使用python中的pickle模块，将推荐模型以二进制的形式进行保存。
(9)测试
9-1.使用python中的pickle模块，将模型从二进制文件中读取出来。
9-2.将测试的用户序列信息按照之前的信息处理，分成用户游戏信息文件，用户间隔时间信息文件和用户持续时间信息文件。
9-3.将测试用户的信息输入模型，模型会自动的将用户序列而每一个文件进行处理，按照之前设置的RANK，推荐RANK数量的游戏，并返回。
通过真实数据集的实验表明，结合了间隔时间信息，持续时间信息和序列上下文信息的方法相比于传统的模型具有更好的推荐能力，在多项指标(Recall，MRR等)中均超过传统方法。

Claims (2)

1.基于时间信息和序列上下文的下一个游戏推荐方法，其特征在于包括如下步骤：
步骤(1)构建模型的输入；
处理用户序列数据，分别从用户序列信息数据中抽取出用户游戏文件、用户间隔时间文件和用户持续时间文件；
步骤(2)使用词嵌入工具处理用户游戏文件，生成游戏的低维稠密向量表示；
步骤(3)构建间隔时间门和持续时间门；
Figure FDA0002344071050000011
Figure FDA0002344071050000012
其中
Figure FDA0002344071050000013
表示所有用户的第k个游戏低维稠密向量构成的矩阵；Δtk：表示所有用户的第k个游戏到第k+1个游戏之间的间隔时间构成的向量；dk：表示所有用户的第k个游戏的持续时间构成的向量；Ik和Dk：分别表示第k个游戏所对应的间隔时间门和第k个游戏所对应的持续时间门；
Figure FDA0002344071050000014
和
Figure FDA0002344071050000015
分别表示xk在间隔时间门和持续时间门中的权重矩阵；
Figure FDA0002344071050000016
和
Figure FDA0002344071050000017
分别表示Δtk和dk的权重矩阵；
Figure FDA0002344071050000018
和
Figure FDA0002344071050000019
分别表示间隔时间门和持续时间门偏置；
Figure FDA00023440710500000110
和
Figure FDA00023440710500000111
表示sigmoid函数；
Figure FDA00023440710500000112
和
Figure FDA00023440710500000113
表示双曲正切函数；
步骤(4)构建主要模型；
Figure FDA00023440710500000114
Figure FDA00023440710500000115
Figure FDA00023440710500000116
Figure FDA00023440710500000117
Figure FDA00023440710500000118
Figure FDA00023440710500000119
其中ck：表示传统的LSTM的cell，里面存储着之前的序列信息；
Figure FDA00023440710500000120
和
Figure FDA00023440710500000121
分别表示在ck结合了间隔时间和持续时间信息的新cell；hk：模型在第k个神经单元的输出；ik和ok：分别表示模型中的输入门和输出门；Wi，Wc和Wo：表示模型的输入门，cell单元，输出门的中x的权重矩阵；Ui，Uc和Uo：表示模型的输入门，cell单元，输出门中hk的权重矩阵；Pi和Po：表示模型的输入门，输出门中ck的权重矩阵；bi，bc和bo：表示模型的输入门，cell单元和输出门的偏置；σi和σo：表示sigmoid函数；σc和σh：表示双曲正切函数；操作
Figure FDA0002344071050000021
：表示向量的元素逐位相乘；
步骤(5)设置模型参数，进行训练，并保存模型；
步骤(6)使用保存的模型对新用户的用户序列数据生成推荐。
2.根据权利要求1所述的基于时间信息和序列上下文的下一个游戏推荐方法，其特征在于：步骤(5)中的模型具体训练步骤如下：
将预先训练好的embedding向量读入到模型的embedding层中，执行以下步骤：
7-1.将用户游戏信息文件，用户间隔时间信息文件和用户持续时间信息文件同时读入，如果有序列的长度超出了预设的最大长度Mlen，将其截断；
7-2.验证模型的每一个游戏是否和间隔时间，持续时间相对应；
7-3.将数据按照事先定义好的batch_size大小，分批输入到模型中；
7-4.在模型开始训练时，将c0和h0初始化为零矩阵；所有的权重向量按照正态分布进行随机初始化；
7-5.用户的游戏数据在输入的时候，将其转化为one-hot向量xk；
7-6.用户游戏数据在经过embedding层时，被转化成低维稠密向量
Figure FDA0002344071050000022
7-7.用户的间隔时间数据和持续时间数据分别按照batch_size的大小输入到间隔时间门Ik和持续时间门Dk；
7-8.开始计算每一个模型输出的值；并通过和游戏序列中真实的下一个游戏进行比较，计算损失函数，按照随机梯度下降法对模型的权重参数进行学习和调整。
CN201911387876.5A 2019-12-30 2019-12-30 基于时间信息和序列上下文的下一个游戏推荐方法 Active CN111178509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911387876.5A CN111178509B (zh) 2019-12-30 2019-12-30 基于时间信息和序列上下文的下一个游戏推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911387876.5A CN111178509B (zh) 2019-12-30 2019-12-30 基于时间信息和序列上下文的下一个游戏推荐方法

Publications (2)

Publication Number Publication Date
CN111178509A true CN111178509A (zh) 2020-05-19
CN111178509B CN111178509B (zh) 2023-12-15

Family

ID=70655794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911387876.5A Active CN111178509B (zh) 2019-12-30 2019-12-30 基于时间信息和序列上下文的下一个游戏推荐方法

Country Status (1)

Country Link
CN (1) CN111178509B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2474921A1 (en) * 2011-01-10 2012-07-11 Deutsche Telekom AG Method and system for recommending contextual information over a mobile communication network
US20130268393A1 (en) * 2012-04-10 2013-10-10 Sap Ag Third-Party Recommendation in Game System
CN108470212A (zh) * 2018-01-31 2018-08-31 江苏大学 一种能利用事件持续时间的高效lstm设计方法
CN109597844A (zh) * 2019-01-31 2019-04-09 中科人工智能创新技术研究院(青岛)有限公司 基于深度神经网络与图网络的核心用户挖掘方法及系统
US20190138887A1 (en) * 2017-11-01 2019-05-09 Board Of Trustees Of Michigan State University Systems, methods, and media for gated recurrent neural networks with reduced parameter gating signals and/or memory-cell units

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2474921A1 (en) * 2011-01-10 2012-07-11 Deutsche Telekom AG Method and system for recommending contextual information over a mobile communication network
US20130268393A1 (en) * 2012-04-10 2013-10-10 Sap Ag Third-Party Recommendation in Game System
US20190138887A1 (en) * 2017-11-01 2019-05-09 Board Of Trustees Of Michigan State University Systems, methods, and media for gated recurrent neural networks with reduced parameter gating signals and/or memory-cell units
CN108470212A (zh) * 2018-01-31 2018-08-31 江苏大学 一种能利用事件持续时间的高效lstm设计方法
CN109597844A (zh) * 2019-01-31 2019-04-09 中科人工智能创新技术研究院(青岛)有限公司 基于深度神经网络与图网络的核心用户挖掘方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAN, DE-CHUAN等: "Online game props recommendation with real assessments" *
俞东进;陈聪;吴建华;陈耀旺;: "基于隐式反馈数据的个性化游戏推荐" *

Also Published As

Publication number Publication date
CN111178509B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
Wu et al. Session-based recommendation with graph neural networks
Zhang et al. DBNCF: Personalized courses recommendation system based on DBN in MOOC environment
CN109241255A (zh) 一种基于深度学习的意图识别方法
CN107704482A (zh) 方法、装置以及程序
CN109726747B (zh) 基于社交网络推荐平台的数据融合排序方法
CN111898689A (zh) 一种基于神经网络架构搜索的图像分类方法
CN111400494B (zh) 一种基于GCN-Attention的情感分析方法
CN114117213A (zh) 一种推荐模型训练、推荐方法、装置、介质和设备
CN115795131B (zh) 基于人工智能的电子档案分类方法、装置及电子设备
Lyu et al. Polyphonic music modelling with LSTM-RTRBM
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
CN110956277A (zh) 一种交互式的迭代建模系统及方法
CN114201683A (zh) 一种基于多级匹配的兴趣激活新闻推荐方法及系统
CN110472659B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
Zhou et al. Supply chain fraud prediction based on xgboost method
Wistuba Bayesian optimization combined with incremental evaluation for neural network architecture optimization
CN111294650A (zh) 视频推荐方法、装置、设备及计算机存储介质
CN111178509A (zh) 基于时间信息和序列上下文的下一个游戏推荐方法
Ferland et al. Automatically resolve trouble tickets with hybrid NLP
Li et al. Feature engineering and tree modeling for author-paper identification challenge
CN110162629B (zh) 一种基于多基模型框架的文本分类方法
CN114547294A (zh) 一种基于传播过程综合信息的谣言检测方法及系统
CN114328923A (zh) 一种基于多任务双边分支网络的引文意图分类方法
Huang et al. Few-shot bio-acoustic event detection based on transductive learning and adapted central difference convolution
Kargas et al. Supervised learning via ensemble tensor completion

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230605

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Wanzhida Technology Co.,Ltd.

Address before: 310018 No.2 street, Baiyang street, Hangzhou Economic and Technological Development Zone, Zhejiang Province

Applicant before: HANGZHOU DIANZI University

GR01 Patent grant
GR01 Patent grant