CN111310048B - 基于多层感知机的新闻推荐方法 - Google Patents

基于多层感知机的新闻推荐方法 Download PDF

Info

Publication number
CN111310048B
CN111310048B CN202010117014.7A CN202010117014A CN111310048B CN 111310048 B CN111310048 B CN 111310048B CN 202010117014 A CN202010117014 A CN 202010117014A CN 111310048 B CN111310048 B CN 111310048B
Authority
CN
China
Prior art keywords
user
news
layer
vector
layer perceptron
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
CN202010117014.7A
Other languages
English (en)
Other versions
CN111310048A (zh
Inventor
易运晖
聂翌帅
赵楠
陈南
权东晓
何先灯
周晓寒
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202010117014.7A priority Critical patent/CN111310048B/zh
Publication of CN111310048A publication Critical patent/CN111310048A/zh
Application granted granted Critical
Publication of CN111310048B publication Critical patent/CN111310048B/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于多层感知机的新闻推荐方法，首先，采集用户评论数据，构建用户行为向量，其次，构建训练特征集和测试特征集，再次，构建多层感知机并初始化，然后，训练并测试多层感知机，接着，待推送新闻下评论用户的行为向量分类，最后，推荐新闻给对应类别中的活跃用户。本发明通过分析用户对新闻的反馈行为来间接的刻画新闻特征，规避了复杂的新闻特征提取工作，无需考虑新闻内容信息形式多样性的问题。同时，借助多层感知机来对用户行为向量的分类结果来实现推荐，使得本发明具有操作简单，易于在实际应用中部署的优点。

Description

基于多层感知机的新闻推荐方法
技术领域
本发明涉及人工智能领域，特别涉及一种基于多层感知机的新闻推荐方法。
背景技术
新闻推荐是缓解信息过载问题并优化用户体验的重要途径之一。现有技术大多是分析新闻的文本信息特征，同时基于用户历史数据分析用户兴趣偏好，借助两者的匹配程度来实现推荐。这些技术途径在提取新闻特征时大多基于文本信息忽略了的其他形式的信息，如图片、视频等，而同时考虑所有形式的信息特征的话，将使得信息特征的提取流程过于冗杂，时间成本和计算成本将大幅提升，难以实际应用。
北京航空航天大学在其申请的专利文献“一种基于层次注意力网络的动态新闻推荐的方法”(专利申请号201910302363.3，公开号CN110032679A)中公开了一种基于层次注意力网络的动态新闻推荐的方法。该方法中通过层次注意力网络得到候选新闻整体表示，通过卷积层得到序列偏好向量，最后使用全连接层将新闻整体表示，序列偏好向量和用户嵌入表示进行联接预测用户点击候选新闻的概率，进而实现新闻推荐。该方法的不足是新闻特征的提取局限在了文本形式，忽略了其他形式(图片、视频等)的信息特征，当面临含有其他形式信息的新闻时，就无法用该方法客观准确的刻画新闻特征，这将使新闻推荐的效果变差。
厦门大学在其申请的专利文献“一种基于分层隐变量模型的新闻推荐方法”(专利申请号201610897806.4，公开号CN107038184B)中公开了一种基于分层隐变量模型的新闻推荐方法。该方法通过用户的注册信息和用户近期浏览新闻分别提取用户的显式特征和隐式特征构成用户特征向量，同时，根据新闻标签和关键词构建新闻特征向量。根据用户特征和新闻特征对用户和新闻聚类，对聚类后的新闻和用户采用不同的隐变量模型预测用户对新闻评分，选择评分高的新闻推荐给用户。该方法存在的不足是基于用户的近期浏览新闻提取用户的隐式特征时，这些浏览数据除了用户感兴趣的新闻外还包括一些热点新闻，这些热点新闻将会干扰用户隐式特征的提取，并且提取用户的隐式特征时只考虑了新闻中文本形式的信息。此外，如果新闻出现全新的关键词和标签的话，将难以用该方法向用户推荐新闻。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种基于多层感知机的新闻推荐方法，使本发明可以根据新闻下评论用户对应的行为向量分类结果推送新闻，解决了在面对含有不同信息形式的新闻时，单从文本信息角度提取特征而导致的新闻刻画不客观准确的问题，以及新闻出现全新的关键词和标签的话，新闻推荐难以实现的问题。
本发明的技术方案是：一种基于多层感知机的新闻推荐方法，分别采集每一个用户在各个新闻版块下的评论次数，得到每一个用户的用户行为向量，所述用户行为向量的各个维度的值所对应的是各个新闻版块下该用户的评论次数。
根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量，并将每一个用户的用户行为向量和匹配出原始的标签向量合并成为一个用户数据。
构建一个多层感知机，其中最上层为输入层，最下层为输出层，中间层均为隐藏层，并分别将输入层、输出层以及隐藏层进行初始化。
依次使用每一个用户的用户行为向量和其所对应的原始的标签向量对构建好的多层感知机进行训练，得到训练好的多层感知机。
若新出来的新闻下的评论次数大于等于设定的次数则认定该新闻为待推送新闻，并将在所述待推送新闻下评论的用户所对应的用户行为向量作为训练好的多层感知机的输入，得到所述待推送新闻所对应的标签向量。
将所述待推送新闻推送到用户数据中的原始标签向量与所述待推送新闻所对应的标签向量一致的用户。
进一步，在为每一个用户的用户行为向量匹配出原始的标签向量之前，分别将每一个用户的用户行为向量分别进行归一化处理。
进一步，将所有用户的用户数据按照设定的比例分为两部分，其中占比大的部分为训练特征集，占比小的部分为测试特征集。
首先，对所述多层感知机进行训练的时候，依次将训练特征集中的每一个用户的用户行为向量输入到多层感知机进行训练，得到的输出和训练特征集中该用户原始的标签向量作为损失函数的输入得到损失函数的输出值，损失函数的输出值作为反向传播算法的输入值，将反向传播算法的输出值作为隐藏层的新的参数，最终得到一个待训练好的多层感知机。
之后，分别将测试特征集中的每一个用户的用户行为向量输入到待训练好的多层感知机中进行测试，得到的输出和该用户原始的标签向量进行比较，判断是否一致，从而得到准确率，当准确率大于设定的数值的时候，得到训练好的多层感知机。
进一步，分别使用t-sne算法对所有的用户行为向量进行降维处理之后再根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量。
更进一步，在根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量时，首先将全部用户的用户行为向量作为肘方法的输入得到常数值k，然后使用Kmeans算法分别将所有用户的用户行为向量聚类为k类，最后采用独热编码技术分别给每一个聚类中用户的全部的用户行为向量分别打上同样的标签向量。
更进一步，在构建所述多层感知机的时候，
所述输入层的维度为用户行为向量的维度，所述输出层的维度值等于所述常数值k的值。
所述隐藏层的维度取2*k到4*k之间且每一个隐藏层的维度不一定相同。
进一步，在构建好多层感知机之后，要对构建好的多层感知机进行激活之后再进行多层感知机的训练，在激活多层感知机的时候，
所述隐藏层的激活函数可以设置为ReLU函数作为激活函数，
所述输出层采用Softmax函数作为激活函数。
进一步，将在所述待推送新闻下评论的用户所对应的用户行为向量作为训练好的多层感知机的输入，对输出结果分别使用argmax函数进行处理得到所述待推送新闻所对应的标签向量。
更进一步，在对用户推送所述待推送新闻的时候，将所述待推送新闻所对应的标签向量中数值1所在的位置设定为目标用户的用户类别，然后将所有用户的原始的标签向量分别使用argmax函数进行处理，得到每一个用户的用户类别，最后将所述待推送新闻推送给用户类别与所述待推送新闻所对应的用户类别一致的用户。
更进一步，将所述待推送新闻推送给用户类别与所述待推送新闻所对应的用户类别一致且活跃度高的用户，所述用户的活跃度通过用户在全部新闻的总评论次数采用Sigmoid函数进行归一化处理得到。
本发明的有益效果：本发明提供了一种基于多层感知机的新闻推荐方法，具有如下有益效果：
第一，本发明通过分析用户对新闻的反馈行为来间接的刻画新闻特征，规避了复杂的新闻特征提取工作，无需考虑新闻内容信息形式多样性的问题。同时，借助多层感知机来对用户行为向量的分类结果来实现推荐，使得本发明具有操作简单，易于在实际应用中部署的优点。
第二，本发明通过t-sne算法对用户行为向量进行降维，然后再利用Kmeans算法进行聚类，根据聚类结果，采用独热编码形式对用户行为向量打上标签来生成训练特征集和测试特征集。使本发明避免了传统人工标记的工作，操作流程简单易实现。
附图说明
图1是本发明的整体流程图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
参照附图1的本发明的流程图，对本发明实现的具体步骤作进一步的描述。
步骤1，采集用户评论数据，构建用户行为向量。
分别采集每一个用户在各个新闻版块下的评论次数，得到每一个用户的用户行为向量，所述用户行为向量的各个维度的值所对应的是各个新闻版块下该用户的评论次数。
在本实施例中，在为每一个用户的用户行为向量匹配出原始的标签向量之前，分别将每一个用户的用户行为向量分别进行归一化处理。
在本发明中，评论数据为评论的次数，即是每一个用户在不同的新闻版块下所评论的次数，不需要考虑评论的文字内容，初始用户向量的每个维度对应一个新闻版块，一个用户在新闻下评论后，就将该用户对应的用户向量中对应的维度值加1。
步骤2，构建训练特征集和测试特征集。
根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量，并将每一个用户的用户行为向量和匹配出原始的标签向量合并成为一个用户数据。在本实施例中，将所有用户的用户数据按照设定的比例分为两部分，其中占比大的部分为训练特征集，占比小的部分为测试特征集。
在本实施例中，训练特征集的数据量比测试特征集的数据量的比例是7:3，技术人员在设定的时候，也可以根据自身的实际情况进行设定。对于所有用户的用户数据是随机的分配在所述比例的训练特征集和测试特征集中。对于本实施例中所提到的肘方法，详情请参考链接：https://www.jianshu.com/p/335b376174d4。
在本实施例中，分别使用t-sne算法对所有的用户行为向量进行降维处理，之后再根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量。
更进一步的，在根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量时，首先将全部用户的用户行为向量作为肘方法的输入得到常数值k，然后使用Kmeans算法分别将所有用户的用户行为向量聚类为k类，最后采用独热编码技术分别给每一个聚类中用户的全部的用户行为向量分别打上同样的标签向量。
步骤3，构建多层感知机并初始化。
构建一个多层感知机，其中最上层为输入层，最下层为输出层，中间层均为隐藏层，并分别将输入层、输出层以及隐藏层进行初始化。
更进一步的，在构建所述多层感知机的时候，
所述输入层的维度为用户行为向量的维度，所述输出层的维度值等于所述常数值k的值。
所述隐藏层的维度取2*k到4*k之间且每一个隐藏层的维度不一定相同。
更进一步的，在构建好多层感知机之后，要对构建好的多层感知机进行激活之后再进行多层感知机的训练，在激活多层感知机的时候，
所述隐藏层的激活函数可以设置为ReLU函数作为激活函数，
所述输出层采用Softmax函数作为激活函数。
步骤4，训练并测试多层感知机。
依次使用每一个用户的用户行为向量和其所对应的原始的标签向量对构建好的多层感知机进行训练，得到训练好的多层感知机。
首先，对所述多层感知机进行训练的时候，依次将训练特征集中的每一个用户的用户行为向量输入到多层感知机进行训练，得到的输出和训练特征集中该用户原始的标签向量作为损失函数的输入得到损失函数的输出值，损失函数的输出值作为反向传播算法的输入值，将反向传播算法的输出值作为隐藏层的新的参数，最终得到一个待训练好的多层感知机。
之后，分别将测试特征集中的每一个用户的用户行为向量输入到待训练好的多层感知机中进行测试，得到的输出和该用户原始的标签向量进行比较，判断是否一致，从而得到准确率，当准确率大于设定的数值的时候，得到训练好的多层感知机。
在将所述得到的输出和该用户原始的标签向量进行比较的时候，如果所述得到的输出和该用户原始的标签向量一致，我们认为准确，记为“1”，若不一致，我们认为不准确，记为“0”，对于最终的准确率，即是将“1”所出现的次数作为分子，将“1”所出现的次数和“0”所出现的次数之和作为分母，得到的分数化作百分数的数值即是所述得到的准确率。另外，本实施例中所提到的设定的数值，在本实施例中采用90％，在实际的实施中，技术人员可以根据实际情况自行进行设定。
步骤5，待推送新闻下评论用户的行为向量分类。
若新出来的新闻下的评论次数大于等于设定的次数则认定该新闻为待推送新闻，并将在所述待推送新闻下评论的用户所对应的用户行为向量作为训练好的多层感知机的输入，得到所述待推送新闻所对应的标签向量。
在本实施例中，设定的次数采用5次，即一条新出来的新闻下的评论次数大于等于5次就认定该新闻为推送新闻。
在本实施例中，将在所述待推送新闻下评论的用户所对应的用户行为向量作为训练好的多层感知机的输入，对输出结果分别使用argmax函数进行处理得到所述待推送新闻所对应的标签向量。
步骤6，推荐新闻给对应类别中的活跃用户。
将所述待推送新闻推送到用户数据中的原始标签向量与所述待推送新闻所对应的标签向量一致的用户。
更进一步的，在对用户推送所述待推送新闻的时候，将所述待推送新闻所对应的标签向量中数值1所在的位置设定为目标用户的用户类别，然后将所有用户的原始的标签向量分别使用argmax函数进行处理，得到每一个用户的用户类别，最后将所述待推送新闻推送给用户类别与所述待推送新闻所对应的用户类别一致的用户。
需要说明的是，使用argmax函数进行处理后所输出的向量，其格式是，该向量只有一个维度的数值为1，其余维度的数值均为0。
更进一步的，将所述待推送新闻推送给用户类别与所述待推送新闻所对应的用户类别一致且活跃度高的用户，所述用户的活跃度通过用户在全部新闻的总评论次数采用Sigmoid函数进行归一化处理得到。
以上实施例仅用以说明本发明的技术方案而非限制，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (5)

1.一种基于多层感知机的新闻推荐方法，其特征在于：
分别采集每一个用户在各个新闻版块下的评论次数，得到每一个用户的用户行为向量，所述用户行为向量的各个维度的值所对应的是各个新闻版块下该用户的评论次数；
根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量，并将每一个用户的用户行为向量和匹配出原始的标签向量合并成为一个用户数据；
构建一个多层感知机，其中最上层为输入层，最下层为输出层，中间层均为隐藏层，并分别将输入层、输出层以及隐藏层进行初始化；
依次使用每一个用户的用户行为向量和其所对应的原始的标签向量对构建好的多层感知机进行训练，得到训练好的多层感知机；
若新出来的新闻下的评论次数大于等于设定的次数则认定该新闻为待推送新闻，并将在所述待推送新闻下评论的用户所对应的用户行为向量作为训练好的多层感知机的输入，得到所述待推送新闻所对应的标签向量；
将所述待推送新闻推送到用户数据中的原始标签向量与所述待推送新闻所对应的标签向量一致的用户；
将所有用户的用户数据按照设定的比例分为两部分，其中占比大的部分为训练特征集，占比小的部分为测试特征集；
首先，对所述多层感知机进行训练的时候，依次将训练特征集中的每一个用户的用户行为向量输入到多层感知机进行训练，得到的输出和训练特征集中该用户原始的标签向量作为损失函数的输入得到损失函数的输出值，损失函数的输出值作为反向传播算法的输入值，将反向传播算法的输出值作为隐藏层的新的参数，最终得到一个待训练好的多层感知机；
之后，分别将测试特征集中的每一个用户的用户行为向量输入到待训练好的多层感知机中进行测试，得到的输出和该用户原始的标签向量进行比较，判断是否一致，从而得到准确率，当准确率大于设定的数值的时候，得到训练好的多层感知机；
在构建好多层感知机之后，要对构建好的多层感知机进行激活之后再进行多层感知机的训练，在激活多层感知机的时候，
所述隐藏层的激活函数设置为ReLU函数，
所述输出层采用Softmax函数作为激活函数；
将在所述待推送新闻下评论的用户所对应的用户行为向量作为训练好的多层感知机的输入，对输出结果分别使用argmax函数进行处理得到所述待推送新闻所对应的标签向量；
在对用户推送所述待推送新闻的时候，将所述待推送新闻所对应的标签向量中数值1所在的位置设定为目标用户的用户类别，然后将所有用户的原始的标签向量分别使用argmax函数进行处理，得到每一个用户的用户类别；
将所述待推送新闻推送给用户类别与所述待推送新闻所对应的用户类别一致且活跃度高的用户，所述用户的活跃度通过用户在全部新闻的总评论次数采用Sigmoid函数进行归一化处理得到。
2.如权利要求1所述的一种基于多层感知机的新闻推荐方法，其特征在于，在为每一个用户的用户行为向量匹配出原始的标签向量之前，将每一个用户的用户行为向量分别进行归一化处理。
3.如权利要求1所述的一种基于多层感知机的新闻推荐方法，其特征在于，分别使用t-sne算法对所有的用户行为向量进行降维处理之后再根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量。
4.如权利要求3所述的一种基于多层感知机的新闻推荐方法，其特征在于，在根据肘方法和Kmeans算法分别为每一个用户的用户行为向量匹配出原始的标签向量时，首先将全部用户的用户行为向量作为肘方法的输入得到常数值k，然后使用Kmeans算法分别将所有用户的用户行为向量聚类为k类，最后采用独热编码技术分别给每一个聚类中用户的全部的用户行为向量分别打上同样的标签向量。
5.如权利要求4所述的一种基于多层感知机的新闻推荐方法，其特征在于，在构建所述多层感知机的时候，
所述输入层的维度为用户行为向量的维度，所述输出层的维度值等于所述常数值k的值；
所述隐藏层的维度取2*k到4*k之间且每一个隐藏层的维度不一定相同。
CN202010117014.7A 2020-02-25 2020-02-25 基于多层感知机的新闻推荐方法 Active CN111310048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010117014.7A CN111310048B (zh) 2020-02-25 2020-02-25 基于多层感知机的新闻推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010117014.7A CN111310048B (zh) 2020-02-25 2020-02-25 基于多层感知机的新闻推荐方法

Publications (2)

Publication Number Publication Date
CN111310048A CN111310048A (zh) 2020-06-19
CN111310048B true CN111310048B (zh) 2023-06-20

Family

ID=71156558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010117014.7A Active CN111310048B (zh) 2020-02-25 2020-02-25 基于多层感知机的新闻推荐方法

Country Status (1)

Country Link
CN (1) CN111310048B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674063B (zh) * 2021-08-27 2024-01-12 卓尔智联(武汉)研究院有限公司 购物推荐方法、购物推荐装置、及电子设备
CN116738034A (zh) * 2022-10-10 2023-09-12 荣耀终端有限公司 一种信息推送方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492157A (zh) * 2018-10-24 2019-03-19 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN110781401A (zh) * 2019-11-07 2020-02-11 电子科技大学 一种基于协同自回归流实现的Top-n项目推荐方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281622B (zh) * 2013-07-11 2017-12-05 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
CN106372113B (zh) * 2016-08-22 2018-03-20 上海壹账通金融科技有限公司 新闻内容的推送方法及系统
CN107992531B (zh) * 2017-11-21 2020-11-27 吉浦斯信息咨询（深圳）有限公司 基于深度学习的新闻个性化智能推荐方法与系统
CN109684482A (zh) * 2019-01-17 2019-04-26 云南师范大学 一种基于深度神经网络模型的民族文化资源聚类分析方法
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492157A (zh) * 2018-10-24 2019-03-19 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN110781401A (zh) * 2019-11-07 2020-02-11 电子科技大学 一种基于协同自回归流实现的Top-n项目推荐方法

Also Published As

Publication number Publication date
CN111310048A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
JP7104244B2 (ja) ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器
CN109241255B (zh) 一种基于深度学习的意图识别方法
CN110163647B (zh) 一种数据处理方法及装置
US20190318407A1 (en) Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof
CN107862022B (zh) 文化资源推荐系统
CN110232152A (zh) 内容推荐方法、装置、服务器以及存储介质
CN106844632B (zh) 基于改进支持向量机的产品评论情感分类方法及装置
CN105139237A (zh) 信息推送的方法和装置
CN108614875A (zh) 基于全局平均池化卷积神经网络的中文情感倾向性分类方法
CN111444334A (zh) 数据处理方法、文本识别方法、装置及计算机设备
CN113704546A (zh) 基于空间时序特征的视频自然语言文本检索方法
CN111310048B (zh) 基于多层感知机的新闻推荐方法
CN113139141B (zh) 用户标签扩展标注方法、装置、设备及存储介质
CN116994709B (zh) 一种个性化的饮食与运动推荐方法、系统及电子设备
CN116911929B (zh) 基于大数据的广告服务终端及方法
CN112256866A (zh) 一种基于深度学习的文本细粒度情感分析方法
CN111639258A (zh) 一种基于神经网络的新闻推荐方法
CN111538841B (zh) 基于知识互蒸馏的评论情感分析方法、装置及系统
CN107545075B (zh) 一种基于在线评论和情境感知的餐馆推荐方法
CN104572733A (zh) 用户兴趣标签分类的方法及装置
CN114077661A (zh) 信息处理装置、信息处理方法和计算机可读介质
CN112148952A (zh) 一种任务执行方法、装置、设备及计算机可读存储介质
CN111523315B (zh) 数据处理方法、文本识别方法、装置及计算机设备
CN117314593A (zh) 一种基于用户行为分析的保险项目推送方法及系统
CN112347252A (zh) 一种基于cnn文本分类模型的可解释性分析方法

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