CN111402004A - 一种用于电信运营商的个性化电信套餐推荐方法 - Google Patents

一种用于电信运营商的个性化电信套餐推荐方法 Download PDF

Info

Publication number
CN111402004A
CN111402004A CN202010184451.0A CN202010184451A CN111402004A CN 111402004 A CN111402004 A CN 111402004A CN 202010184451 A CN202010184451 A CN 202010184451A CN 111402004 A CN111402004 A CN 111402004A
Authority
CN
China
Prior art keywords
feature
text
data
model
data set
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.)
Pending
Application number
CN202010184451.0A
Other languages
English (en)
Inventor
王文
卫守林
石聪明
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010184451.0A priority Critical patent/CN111402004A/zh
Publication of CN111402004A publication Critical patent/CN111402004A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种用于电信运营商的个性化电信套餐推荐方法，属于深度学习与推荐系统领域。包括步骤：对电信套餐的原始数据集进行预处理；采用SMOTE算法解决预处理后的数据集中样本分类不均衡问题；利用Word2vec训练经过上个步骤处理后的数据集中的文本特征，得到特征Xtext；将特征Xtext与进行过特征转换后的连续特征Xnorm和类别特征Xemb拼接，得到新的数据集；将交叉网络和前馈神经网络以并行方式组合，构建出电信套餐推荐模型；将新的数据集切分为训练集、验证集测试集；利用训练集和验证集训练、优化模型，并在测试集上进行性能测试。本发明在深度与交叉网络的基础上，采用Word2vec模型对文本特征进行训练，有效提高了电信套餐推荐的精度，且不需要特征工程。

Description

一种用于电信运营商的个性化电信套餐推荐方法
技术领域
本发明涉及一种用于电信运营商的个性化电信套餐推荐方法，特别涉及一种将Word2vec模型和深度与交叉网络相结合的推荐方法，适用于电信运营商进行智能化、个性化的套餐推荐，属于深度学习和推荐系统领域。
背景技术
纵观全球，各国的电信企业逐渐市场化，电信行业的竞争日趋激烈。随着携号转网的正式实施，更是加剧了国内三大电信运营商之间的用户争夺战。为了扩大市场份额，提高自身核心竞争力，各个电信公司推出了多种多样的套餐类型以满足不同层次用户的差异化需求。然而，种类繁多的套餐设计组合虽然让用户有了更多选择空间的同时也往往使得新老用户在选择或者变更套餐时陷入困境。因此兼顾用户自身的实际需求和最大化电信公司的利润，如何精准智能地为用户提供个性化的套餐推荐对电信公司显得尤为重要。
针对套餐推荐的问题目前的研究大都是使用机器学习算法来解决。基于K-最近邻模型(KNN)的电信套餐推荐方法，通过寻找相似的用户所选择的套餐，然后为用户推荐这些套餐。但是，当样本的特征维度非常大时，计算量太大，并且对训练数据极度依赖，容错性低。基于协同过滤的方法难以充分挖掘数据中的特征信息。逻辑回归(LR)推荐系统中常用的排序模型，该模型简单易用，在工业界应用广泛，但是该模型是一种线性模型，表达能力有限，没有考虑到特征之间的交叉，并且该模型通常需要人工特征工程。然而，基于人工先验知识的特征工程虽然可以设计出一些效果很好的特征组合，但是需要专门领域的业务知识，耗时费力，并且很有可能遗漏一些重要的交叉特征。基于神经网络的电信套餐推荐方法方法利用了神经网络强大的特征提取能力来挖掘隐含的特征信息，虽然不需要特征工程，但是该方法没有考虑低阶特征对于模型的重要性。同时考虑低阶和高阶特征交互会带来比单独考虑的情况更多的推荐性能的提升。并且，该方法无法利用丰富的文本信息，如果简单采用独热编码，容易造成维度爆炸。
发明内容
本发明正是为了解决这些问题提出了一种用于电信运营商的个性化电信套餐推荐方法。该方法利用Word2vec模型来训练文本信息并将之转换为一组词向量，不仅避免了维度爆炸，还保持了文本数据的语义信息。该方法是一种端到端的深度学习模型，不需要特征工程。它利用深度与交叉网络不仅能有效地捕获有限阶交叉特征和深层隐藏特征，还能充分利用数据中的文本信息进一步提高模型的推荐精度。
本发明采用的技术方案是：一种用于电信运营商的个性化电信套餐推荐方法，包括如下步骤：对电信套餐的原始数据集进行预处理；采用SMOTE算法解决预处理后的数据集中样本分类不均衡问题；利用Word2vec训练经过上个步骤处理后的数据集中的文本特征，得到特征Xtex；将特征Xtex与进行过特征转换后的连续特征Xnorm和类别特征Xemb拼接，得到新的数据集；将交叉网络和前馈神经网络以并行方式组合，构建出电信套餐推荐模型；将新的数据集切分为训练集、验证集测试集；利用训练集和验证集训练、优化模型，并在测试集上进行性能测试；本发明在深度与交叉网络的基础上，采用Word2vec模型对文本特征进行训练，有效地提高了电信套餐推荐的精度，并且不需要特征工程。
所述用于电信运营商的个性化电信套餐推荐方法具体步骤如下：
步骤1：数据预处理：对原始的电信数据集进行预处理，剔除无用的数据，并对缺失的数据采用众数或者均值填充；
步骤2：过采样：使用SMOTE算法，解决步骤1中预处理后的数据集样本分类不均衡问题；
步骤3：给步骤2得到的数据集的每一行数据即每个用户的消费记录增加一个click标签，标签的含义表示用户是否会接受给他推荐的套餐，1表示接受，0表示拒绝；
步骤4：将步骤3得到的数据集按照6:2:2的比例进行切分，将60％的数据作为训练集，20％的数据作为验证集，20％的数据作为测试集；
步骤5：提取训练集中的文本特征，使用Word2vec文本特征进行训练，进行Word2vec训练得到每一个文本数据的一组上下文相关的词向量，作为数据集的Xtext特征；
步骤6：提取训练集中的连续特征和类别特征分别进行标准化处理和embedding转化，得到Xnorm特征和Xemb特征；
步骤7：拼接特征：将经过Word2vec训练后得到的文本特征Xtext和embedding转换后的类别特征Xemb以及标准化处理后的连续特征Xnorm进行拼接，得到特征集合x0＝[Xemb,Xnorm,Xtext]；
步骤8：将三层交叉网络和四层前馈神经网络以并行地方式组合，构建电信套餐推荐模型；
步骤9：有限阶交叉特征提取：将步骤7中拼接好后的特征集合x0送入交叉网络，利用交叉网络来进行低阶特征交互，得到交叉特征xcross；
步骤10：深层高阶特征提取：将步骤7中拼接好后的特征集合x0送入前馈神经网络，利用前馈神经网络形成更加稠密的高层特征表示，得到深层特征xdeep；
步骤11：将交叉网络和深度网络的输出再次拼接，得到xstack＝[xdeep,xcross]；
步骤12：将步骤11得到的xstack通过激活函数Sigmoid，得到最终模型的输出；
步骤13：模型的优化：利用损失函数计算步骤12的输出结果和步骤3的click标签的误差，再利用反向传播算法和Adam优化器对步骤8构建的电信套餐推荐模型不断优化；
步骤:14：模型的验证和测试：对验证集和测试集依次进行步骤5，步骤6，步骤7操作；采用5折交叉验证对步骤13优化后的电信套餐推荐模型进行验证，并选择合适的超参数，使最终的电信套餐推荐模型在验证集上达到最佳性能；最后再对测试集进行模型性能测试。
本发明的有益效果是：结合Word2vec模型和深度与交叉网络提出了一种端到端的深度学习推荐模型来进行电信套餐推荐，不需要耗时费力的人工特征工程。不仅利用了Word2vec提取文本特征，还能分别利用交叉网络和深度网络抽取有限阶交叉特征和深层次的隐藏特征，较为准确地为电信用户进行了套餐推荐，提高了推荐精度。
附图说明
图1是本发明一种用于电信运营商的个性化电信套餐推荐方法总体流程图；
图2是本发明所使用的的数据集中的部分特征情况；
图3是是本发明中用所使用的数据集中的套餐种类的分布情况统计图；
图4是本发明中的电信套餐推荐模型的框架；
图5是本发明中前馈神经网络中的激活函数RELU函数图像；
图6是本发明中最后输出层使用的Sigmoid函数图像；
图7是本发明中用来评价模型的另一个标准AUC面积；
图8是本发明中用来评价模型的标准标准之一的LogLoss损失曲线。
具体实施方式
下面结合附图和具体实施例，对本发明做进一步的说明。
实施例1：如图1-8所示，一种用于电信运营商的个性化电信套餐推荐方法，包括如下步骤：对电信套餐的原始数据集进行预处理；采用SMOTE算法解决预处理后的数据集中样本分类不均衡问题；利用Word2vec训练经过上个步骤处理后的数据集中的文本特征，得到特征Xtext；将特征Xtext与进行过特征转换后的连续特征Xnorm和类别特征Xemb拼接，得到新的数据集；将交叉网络和前馈神经网络以并行方式组合，构建出电信套餐推荐模型；将新的数据集切分为训练集、验证集测试集；利用训练集和验证集训练、优化模型，并在测试集上进行性能测试。
所述用于电信运营商的个性化电信套餐推荐方法具体步骤如下：
步骤1：数据预处理：如图2所示，原始的电信数据中存在一些无意义的数据比如年龄出现负数和0，同样也存在一些缺失的数据。对于缺失的数据如果是类别特征采用众数填充，如果是连续特征用均值填充。
步骤2：过采样：如图3所示，电信套餐数据集的套餐种类出现了样本分布不均衡的情况，可能会对模型造成的影响。使用SMOTE算法，解决步骤1中预处理后的数据集样本分类不均衡问题。Step1,对于少数类中每一个样本s，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；Step2,根据样本不平衡比例设置一个采样比例以确定采样倍率Nt，本发明中的Nt＝10，对于每一个少数类样本s，从其k近邻中随机选择若干个样本，假设选择的近邻为sn。Step3,对于每一个随机选出的近邻sn，分别与原样本按照公式snew＝s+rand(0,1)*|sn-s|构建新的样本，其中snew表示新样本，rand(0,1)表示产生0到1之间的随机数；
步骤3：给步骤2中的数据集中的每一行数据即每个用户的消费记录增加一个click标签。标签的含义表示用户是否会接受给他推荐的套餐，1表示接受，0表示拒绝；
步骤4：将步骤3中的数据集按照6:2:2的比例进行切分，将60％的数据作为训练集，20％的数据作为验证集，20％的数据作为测试集；
步骤5：提取训练集中的文本特征，使用Word2vec文本特征进行Word2vec训练得到每一个文本数据Km的一组上下文相关的词向量，
Km＝(km1,km2,km3,…,kmn)
其中，
Figure BDA0002413643000000053
dw表示词向量的维度，可以由人工设定，n表示第m个句子的词语的数量。
步骤6：为了消除量纲对电信套餐推荐模型的影响，需要将训练集中的连续特征，采用Z-score的方式进行标准化，公式为，
Figure BDA0002413643000000051
其中，t表示样本的特征，E(t)表示样本的均值，D(t)表示样本的方差。连续特征通过标准化后得到Xnorm特征。
同样，类别特征如果简单经过独热编码(One-Hot Ecoding)，当特征的类别过多，会造成维度爆炸。因此使用Embedding处理类别特征，得到Xemb特征。
步骤7：拼接特征：将经过Word2vec训练后得到的文本特征Xtext和词嵌入后的类别特征Xemb以及标准化后的连续特征Xnorm进行拼接，得到特征集合x0＝[Xemb,Xnorm,Xtext]；
步骤8：构建电信套餐推荐模型。将三层交叉网络和四层前馈神经网络以并行地方式组合，图4为本发明中的电信套餐推荐模型。
步骤9：有限阶交叉特征提取：将步骤7中拼接好后的特征集合x0送入交叉网络，利用交叉网络来进行低阶特征交互，得到交叉特征xcross；
在交叉网络中，采用三层网络，每层的网络使用下面公式来迭代计算交叉特征：
Figure BDA0002413643000000052
其中xl和xl+1分别表示第l层和第l+1层的输出，wl和bl分别表示这两层之间连接的参数，T表示对向量转置，上述所有的变量都是列向量。每一层的特征都由其上一层的特征进行交叉组合，并把上一层的原始特征重新加回来。每层的函数f拟合的是xl+1–xl的残差。利用残差网络，可以处理神经网络训练很深时所带来的梯度弥散问题；
步骤10：深层高阶特征提取：将步骤7中拼接好后的特征集合x0送入前馈神经网络，利用前馈神经网络来组合低层特征形成更加稠密的高层特征表示，得到深层特征xdeep.每一层的输出计算公式为：
ha+1＝f(waha+ba)
其中，ha+1和ha分别表示第a+1层和第a层网络的输出，wa表示第a层的权重参数，ba表示第a层的偏置项参数。f是为了增强网络非线性能力的激活函数，使用ReLU函数，它的图像曲线如图5，它的数学表达式为：
f(μ)＝max(0,μ)
为了加快模型的收敛速度，对每一层网络增加一个BatchNorm层(批量归一化)；
步骤11：将交叉网络和深度网络的输出再次拼接，得到深层特征和交叉特征的组合，
xstack＝[xdeep,xcross]；
步骤12：将步骤11得到的xstack通过激活函数Sigmoid，得到最终的输出结果，Sigmoid的图像曲线如图6所示，计算公式为，
Figure BDA0002413643000000061
步骤13：模型的优化：利用损失函数计算步骤12的输出结果和步骤3的click标签的误差，为了减少过拟合的风险，计算误差的损失函数为带了L2正则化项的Log损失，logloss：
Figure BDA0002413643000000062
其中，yi表示第i个样本真实的标签，pi表示计算出来的概率值,M表示样本的总数,λ表示L2正则化项的参数值，wk表示网络层的权重参数，k表示第k层网络。
再利用反向传播算法和Adam优化器对步骤8构建的电信套餐推荐模型不断优化，最终得到用于电信套餐的推荐模型；
步骤:14：模型的验证和测试：对验证集和测试集依次进行步骤5，步骤6，步骤7操作；采用5折交叉验证对步骤13优化后的电信套餐推荐模型进行验证，并选择合适的超参数，使最终的电信套餐推荐模型在验证集上达到最佳性能；最后在对测试集进行模型性能测试，模型的AUC面积和LogLoss损失分别如图7图8所示。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的只是范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种用于电信运营商的个性化电信套餐推荐方法，其特征在于：包括如下步骤：对电信套餐的原始数据集进行预处理；采用SMOTE算法解决预处理后的数据集中样本分类不均衡问题；利用Word2vec训练经过上个步骤处理后的数据集中的文本特征，得到特征Xtext；将特征Xtext与进行过特征转换后的连续特征Xnorm和类别特征Xemb拼接，得到新的数据集；将交叉网络和前馈神经网络以并行方式组合，构建出电信套餐推荐模型；将新的数据集切分为训练集、验证集测试集；利用训练集和验证集训练、优化模型，并在测试集上进行性能测试。
2.根据权利要求1所述的用于电信运营商的个性化电信套餐推荐方法，其特征在于：具体步骤如下，
步骤1：数据预处理：对原始的电信数据集进行预处理，剔除无用的数据，并对缺失的数据采用众数或者均值填充；
步骤2：过采样：使用SMOTE算法，解决步骤1中预处理后的数据集样本分类不均衡问题；
步骤3：给步骤2得到的数据集的每一行数据即每个用户的消费记录增加一个click标签，标签的含义表示用户是否会接受给他推荐的套餐，1表示接受，0表示拒绝；
步骤4：将步骤3得到的数据集按照6:2:2的比例进行切分，将60％的数据作为训练集，20％的数据作为验证集，20％的数据作为测试集；
步骤5：提取训练集中的文本特征，使用Word2vec文本特征进行训练，进行Word2vec训练得到每一个文本数据的一组上下文相关的词向量，作为数据集的Xtext特征；
步骤6：提取训练集中的连续特征和类别特征分别进行标准化处理和embedding转化，得到Xnorm特征和Xemb特征；
步骤7：拼接特征：将经过Word2vec训练后得到的文本特征Xtext和embedding转换后的类别特征Xemb以及标准化处理后的连续特征Xnorm进行拼接，得到特征集合x0＝[Xemb,Xnorm,Xtext]；
步骤8：将三层交叉网络和四层前馈神经网络以并行地方式组合，构建电信套餐推荐模型；
步骤9：有限阶交叉特征提取：将步骤7中拼接好后的特征集合x0送入交叉网络，利用交叉网络来进行低阶特征交互，得到交叉特征xcross；
步骤10：深层高阶特征提取：将步骤7中拼接好后的特征集合x0送入前馈神经网络，利用前馈神经网络形成更加稠密的高层特征表示，得到深层特征xdeep；
步骤11：将交叉网络和深度网络的输出再次拼接，得到xstack＝[xdeep,xcross]；
步骤12：将步骤11得到的xstack通过激活函数Sigmoid，得到最终模型的输出；
步骤13：模型的优化：利用损失函数计算步骤12的输出结果和步骤3的click标签的误差，再利用反向传播算法和Adam优化器对步骤8构建的电信套餐推荐模型不断优化；
步骤:14：模型的验证和测试：对验证集和测试集依次进行步骤5，步骤6，步骤7操作；采用5折交叉验证对步骤13优化后的电信套餐推荐模型进行验证，并选择合适的超参数，使最终的电信套餐推荐模型在验证集上达到最佳性能；最后再对测试集进行模型性能测试。
CN202010184451.0A 2020-03-17 2020-03-17 一种用于电信运营商的个性化电信套餐推荐方法 Pending CN111402004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010184451.0A CN111402004A (zh) 2020-03-17 2020-03-17 一种用于电信运营商的个性化电信套餐推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010184451.0A CN111402004A (zh) 2020-03-17 2020-03-17 一种用于电信运营商的个性化电信套餐推荐方法

Publications (1)

Publication Number Publication Date
CN111402004A true CN111402004A (zh) 2020-07-10

Family

ID=71432551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010184451.0A Pending CN111402004A (zh) 2020-03-17 2020-03-17 一种用于电信运营商的个性化电信套餐推荐方法

Country Status (1)

Country Link
CN (1) CN111402004A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114691982A (zh) * 2022-03-04 2022-07-01 深圳腾银信息咨询有限责任公司 一种客户标签自动生成方法、装置、系统及介质
CN114691838A (zh) * 2020-12-30 2022-07-01 中移互联网有限公司 聊天机器人搜索推荐模型的训练、推荐方法及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647251A (zh) * 2018-04-20 2018-10-12 昆明理工大学 基于宽深度门循环联合模型的推荐排序方法
CN110134868A (zh) * 2019-05-14 2019-08-16 辽宁工程技术大学 一种基于用户偏好异构性分析的推荐方法
CN110163716A (zh) * 2019-04-12 2019-08-23 淮阴工学院 一种基于卷积神经网络的红酒推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647251A (zh) * 2018-04-20 2018-10-12 昆明理工大学 基于宽深度门循环联合模型的推荐排序方法
CN110163716A (zh) * 2019-04-12 2019-08-23 淮阴工学院 一种基于卷积神经网络的红酒推荐方法
CN110134868A (zh) * 2019-05-14 2019-08-16 辽宁工程技术大学 一种基于用户偏好异构性分析的推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王艺平等: "基于改进的宽深度模型的推荐方法研究", 《计算机应用与软件》 *
简恒: ""基于Resnet&FM模型的电影个性化推荐研究"", 《中国优秀博硕士学位论文全文数据库(硕士)哲学与人文科学辑》 *
赵杰: ""基于集成学习的电信套餐匹配问题研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114691838A (zh) * 2020-12-30 2022-07-01 中移互联网有限公司 聊天机器人搜索推荐模型的训练、推荐方法及电子设备
CN114691838B (zh) * 2020-12-30 2023-09-05 中移互联网有限公司 聊天机器人搜索推荐模型的训练、推荐方法及电子设备
CN114691982A (zh) * 2022-03-04 2022-07-01 深圳腾银信息咨询有限责任公司 一种客户标签自动生成方法、装置、系统及介质

Similar Documents

Publication Publication Date Title
CN115878904B (zh) 基于深度学习的知识产权个性化推荐方法、系统及介质
CN112711953A (zh) 一种基于注意力机制和gcn的文本多标签分类方法和系统
CN113065358B (zh) 面向银行咨询服务基于多粒度对齐的文本对语义匹配方法
CN114328048A (zh) 一种磁盘故障预测方法及装置
CN112732921B (zh) 一种虚假用户评论检测方法及系统
CN111914553B (zh) 一种基于机器学习的金融信息负面主体判定的方法
CN117151222B (zh) 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质
CN115470354B (zh) 基于多标签分类识别嵌套和重叠风险点的方法及系统
CN111709225B (zh) 一种事件因果关系判别方法、装置和计算机可读存储介质
CN114818703B (zh) 基于BERT语言模型和TextCNN模型的多意图识别方法及系统
CN113469214A (zh) 虚假新闻检测方法、装置、电子设备和存储介质
CN116561308A (zh) 一种基于强化对比学习微调的跨域小样本关系抽取方法和系统
CN111402004A (zh) 一种用于电信运营商的个性化电信套餐推荐方法
CN113850387A (zh) 专家系统知识库构建方法、问答方法、系统、装置及介质
CN118799619A (zh) 一种图片内容批量识别与自动分类归档的方法
CN110222733A (zh) 一种高精度的多阶神经网络分类方法及系统
CN118964648B (zh) 基于人工智能的电力向量知识库增强检索方法及系统
Zhao et al. An empirical study on transfer learning for privilege review
CN114020897A (zh) 一种对话情感识别方法及相关装置
CN117591969B (zh) 一种基于ipc标签共现的规则检核方法及系统
CN118396787A (zh) 一种基于机器学习模型的专利价值预测方法、系统、电子设备及存储介质
CN115357718B (zh) 主题集成服务重复材料发现方法、系统、设备和存储介质
CN114648005B (zh) 一种多任务联合学习的多片段机器阅读理解方法及装置
Xiong et al. L-RBF: A customer churn prediction model based on lasso+ RBF
CN115796635A (zh) 基于大数据和机器学习的银行数字化转型成熟度评价系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710