CN111460331B - 一种基于时空图的会话推荐方法 - Google Patents
一种基于时空图的会话推荐方法 Download PDFInfo
- Publication number
- CN111460331B CN111460331B CN202010264285.5A CN202010264285A CN111460331B CN 111460331 B CN111460331 B CN 111460331B CN 202010264285 A CN202010264285 A CN 202010264285A CN 111460331 B CN111460331 B CN 111460331B
- Authority
- CN
- China
- Prior art keywords
- user
- space
- item
- vector
- time
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 44
- 230000007774 longterm Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000012512 characterization method Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 5
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空图的会话推荐方法。该方法基于给定目标用户的交互数据,找出目标用户最可能交互的下一个物品。本方法首先根据用户当前会话以及物品的有向图网络构建时空图,通过平行循环神经网络结构对时空图进行建模,得到用户的短期兴趣。然后用长短记忆网络对用户的最近会话进行向量表征,并采用注意力机制学习用户最近会话中对当前短期兴趣影响较大的长期兴趣。最后,结合用户的短期兴趣和长期兴趣进行物品的推荐。
Description
技术领域
本发明属于互联网服务技术领域,具体涉及一种基于时空图的会话推荐方法。
背景技术
随着网络信息时代的发展,推荐系统被广泛地应用于工业界。推荐系统可以基于用户的历史交互行为,预测用户下一步最有可能消费的物品。传统的推荐方法,包括基于内容的推荐方法和协同过滤推荐方法,采用基于计算物品的相似度的思路,来推荐用户感兴趣的物品。但是这些方法忽视了用户兴趣的动态变化性。例如,在电商推荐场景中,用户的兴趣多样且多变,在每个会话中用户往往有一个或多个固定的兴趣。因此,基于当前会话的推荐方法,可以更为准确地捕捉到用户当前兴趣。
通过考虑用户最近会话中的交互行为,基于会话的推荐方法可以更加有效地进行推荐。其中,会话是一个时间段内用户的交互行为。近几年,基于会话的推荐方法主要采用循环神经网络(RNN)或者基于循环神经网络(RNN)的优化方法,来学习会话中的物品序列信息以及物品对用户当前兴趣的影响程度。这种方法只考虑到当前会话中物品的转移信息,却忽略了更复杂的物品空间结构信息。为了优化循环神经网络方法,研究者提出采用图网络(GNN)来学习物品向量表征,并作为循环神经网络方法的输入。但是该方法将物品的空间结构和当前会话中物品的序列结构分割开,当成独立的两部分,忽略了两者的联系。
为了解决这些问题,本发明采用时空图(spatial-temporal graph)来构建物品之间的关系。近几年,时空图被应用在打车需求预测、以及人类行为识别等领域。本发明第一个将时空图应用在会话预测领域,将物品的空间结构和时间序列结构组合构建为一个时空图整体,并从中提取出用户兴趣,进行物品推荐。
发明内容
基于上述,本发明提供了一种基于时空图的会话推荐方法。根据目标用户当前会话构建时空图,对用户短期兴趣进行建模。再采用注意力机制对用户长期兴趣进行建模。最后结合用户短期和长期兴趣,进行物品推荐。
一种基于时空图的会话推荐方法,包括如下步骤:
基于所有用户会话序列,构建不同时间下的物品图网络G={G1,G2,G3,...,Gt},并离线存储所有时间t下每个节点在图网络Gt中的邻居节点Bt(j),令有向图Gt为:
Gt=(Vt,Et)
其中,Vt表示平台中在时间t之前物品的集合,Et表示在时间t之前物品和物品之间的转移关系。
根据用户当前会话,构建时空图G3T,令:
其中,为目标用户ui在当前时间t的会话列表,为时间(temporal)序列信息,节点在当前物品图Gt的邻域是空间(spatial)结构信息,邻域的深度由搜索深度参数k来控制。将时间序列信息和空间信息结合起来,共同构成时空图G3T。
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ct=ittanh(Wcxt+Ucht-1+bc)+ftct-1
其中,最后一层隐藏状态ht的输出就是用户的短期兴趣该结构采用了平行的循环神经网络结构,xt是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数。同理 和分别是控制平行的输入门遗忘门和输出门的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的的空间信息gt共同参与计算,来输出结果ht。空间信息gt的计算方法采用采样-聚合策略(sampling-aggregation strategy):
其中,Wk是图参数,σ为sigmoid函数。k代表在图网络G中的搜索深度,代表节点vj在k层的向量表征,最后一层的节点向量表征也就是空间信息g。B(j)为空间图网络G中当前时间下物品vj的邻居集合。AGGREGATEk函数采用的是最大池化(max-pooling)方法:
其中,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性。
其中,Q是物品的向量矩阵,由模型学习而得,Q(:,si)代表出现在会话si中所有的物品向量。长短期记忆网络LSTM是一种循环神经网络方法。
合并用户短期和长期兴趣,获得用户ui最终兴趣gi:
根据用户最终兴趣和物品向量表征,推荐物品。将物品vj的向量qj乘以用户兴趣向量,再应用softmax函数计算出物品vj的分数:
在本发明的技术方案中,同时考虑到用户的短期兴趣和长期兴趣,并将两种兴趣联系起来。本发明的有益技术效果如下:
(1)本发明第一个将用户会话序列构建成时空图,有效地将用户的物品交互序列和物品空间结构结合起来,更加准确地捕捉用户当前兴趣。
(2)本发明采用平行的循环神经网络结构对时空图进行图表征,高效地同时对时间和空间信息进行表征。
(3)本发明同时根据用户当前兴趣和用户最近会话列表,采用注意力机制对用户的长期兴趣进行建模,极大地提高了会话推荐的准确度。
附图说明
图1为本发明方法的流程示意图;
图2为本发明方法的模型框架图;
图3为本发明方法的用户兴趣示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
首先,需要对用到的变量和公式给出相关定义。统一采用i表示用户,j表示物品。
定义1.U:用户的集合,且U={u1,u2,…,un}。
定义2.V:物品集合,且V={v1,v2,…,vm}。
定义5.Bt(j):物品图网络中物品vj的在时间t的邻居集合。
定义6.G3T:基于用户ui的当前会话,构造出的时空图。
定义7.qj:物品vj的向量表征。
结合以上变量定义,将最终的问题定义为:给定用户ui当前会话和用户最近会话集合S(i),会话推荐方法对用户的当前短期兴趣和用户长期兴趣进行建模,来推荐用户ui在下一步最可能感兴趣的物品,物品是集合V的子集。
为此,本发明提出了一种新颖的基于时空图的会话推荐方法。模型如图2所示,模型主要由三个模块组成。第一个模块是根据目标用户当前会话序列构建时空图,从而对用户的短期兴趣进行建模。第二个模块是对用户的长期兴趣进行建模,长期兴趣模块通过注意力机制来学习用户最近会话中和当前会话接近的兴趣。最后一个模块中,本发明结合用户的长期兴趣和短期兴趣对目标用户进行物品推荐。
如图1所示,本发明的一个实施例包括如下步骤:
S100,基于所有用户会话序列,构建不同时间下的物品图网络G={G1,G2,G3,...,Gt},令:
s={v1,v2,…,vm}
Gt=(Vt,Et)
其中,v表示会话中的物品,m表示某一会话序列中物品的数量,Vt表示平台中在时间t之前物品的集合,Et表示在时间t之前物品和物品之间的转移关系,Gt是有向图。
为了捕捉到物品和物品之间的复杂转移关系,本实施例采用一种新颖的方式来从所有会话序列中构建物品图网络Gt。给定一个会话s={v1,v2,…,vm},物品vj为图Gt的节点,(vj-1,vj)为图网络Gt的边,表示一个用户消费物品vj-1之后消费物品vj。且图的边数值属性为边(vj-1,vj)出现的次数。为了降低在线计算复杂度,本发明使用采样-聚合的图算法。在更新节点vj向量时,不需要将整个图考虑进去,而是融合和节点vj最相关的邻居集合B(j)。其中,B(j)的个数设定为固定值k,保留出现次数最多的边。因此只需要离线存储所有时间t下每个节点在图网络Gt中的邻居节点Bt(j)。相比只针对当前会话构建会话图(sessiongraph)的方法,本实施例可以考虑到更复杂的节点空间转移关系。
S200,根据用户当前会话,构建时空图G3T,令:
其中,为目标用户ui在当前时间t的会话列表,为时间(temporal)序列信息,任一节点在当前物品图Gt的邻域是空间(spatial)结构信息,邻域的深度由搜索深度参数k来控制。将时间序列信息和空间信息结合起来,共同构成时空图G3T。如图2中的时空图模块(spatial-temporal graph),目标用户ui当前会话为{v3,v1,...,v2},且当前时间下节点v3搜索深度为1的邻域是{v5,v2,v7},表示用户消费物品v5或v2或v7后,有较大可能消费v3。时空图G3T是本发明的创新之处,本发明第一个将时空图应用到会话推荐中。将物品的空间结构关系和会话时间序列关系当成一个整体来计算,可以更有效地表示用户兴趣和更新物品表征。
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ct=ittanh(Wcxt+Ucht-1+bc)+ftct-1
其中,最后一层隐藏状态ht的输出就是用户的短期兴趣该结构采用了平行的循环神经网络结构,xt是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数。同理,和分别是控制平行的输入门遗忘门和输出门的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的的空间信息gt共同参与计算,来输出ht。空间信息gt的计算方法采用采样-聚合策略(sampling-aggregation strategy):
其中,wk是图参数,σ为sigmoid函数。k代表在图网络G中的搜索深度,代表节点vj在k层的向量表征,最后一层的节点向量表征也就是空间信息g,本实施例中k设置为1。B(j)为空间图网络G中当前时间下物品vj的邻居集合。AGGREGATEk函数采用的是最大池化(max-pooling)方法:
其中,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性。
其中,Q是物品的向量矩阵,由模型学习而得,Q(:,si)代表出现在会话si中所有的物品向量。长短期记忆网络LSTM是一种循环神经网络方法(RNN),是标准的序列建模工具。长短期记忆网络LSTM可以按序地输入会话si,并输出当前序列向量表征。
如图3,用户的兴趣是多样且多变的。在会话st下,用户A当前的兴趣是音乐,最近会话中最应该关注会话st-2。而对于用户B,本实施例更关注用户最近会话st-3和st-1。同理,对于用户C,本实施例更关注用户长期兴趣中的食物兴趣。注意力机制可以更专注于最近会话中和当前短期兴趣最相近的兴趣。
S600,合并用户短期和长期兴趣,获得用户ui最终兴趣gi。单单采用用户当前的会话来表示用户的兴趣的方法非常不可靠,因为用户偶尔会点击一个错误的商品。所以我们同时考虑用户的短期兴趣和用户的长期兴趣,长期兴趣综合考虑了用户的最近会话列表,可以对错误行为造成的误差进行修正,并降低数据稀疏性。
S700,根据用户最终兴趣和物品向量表征,推荐物品。将物品vj的向量qj乘以用户兴趣向量,再应用softmax函数计算出物品vj的分数:
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (3)
1.一种基于时空图的会话推荐方法,其特征在于:
基于所有用户会话序列,构建不同时间下的物品图网络G={G1,G2,G3,...,Gt},并离线存储所有时间t下在图网络Gt中每个节点的邻居节点Bt(j),令:
Gt=(Vt,Et)
其中,Vt表示平台中在时间t之前物品的集合,Et表示在时间t之前物品和物品之间的转移关系,Gt是有向图;
根据用户当前会话,构建时空图GST,令:
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ct=ittanh(Wcxt+Ucht-1+bc)+ftct-1
其中,最后一层隐藏状态ht的输出就是用户的短期兴趣该结构采用了平行的循环神经网络结构,xt是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数;同理,Wi *、和分别是控制平行的输入门遗忘门和输出门的参数;σ为sigmoid函数;所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的空间信息gt共同参与计算,来输出结果ht;根据会话中物品序列,获得用户会话表征;目标用户ui的某一会话的向量表征为:
其中,Q是物品的向量矩阵,由模型学习而得,Q(:,si)代表出现在会话si中所有的物品向量;长短期记忆网络LSTM是一种循环神经网络方法;
合并用户短期和长期兴趣,获得用户ui最终兴趣gi:
根据用户最终兴趣和物品向量表征,推荐物品;将物品vj的向量qj乘以用户兴趣向量,再应用softmax函数计算出物品vj的分数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264285.5A CN111460331B (zh) | 2020-04-07 | 2020-04-07 | 一种基于时空图的会话推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264285.5A CN111460331B (zh) | 2020-04-07 | 2020-04-07 | 一种基于时空图的会话推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460331A CN111460331A (zh) | 2020-07-28 |
CN111460331B true CN111460331B (zh) | 2020-12-25 |
Family
ID=71681650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264285.5A Active CN111460331B (zh) | 2020-04-07 | 2020-04-07 | 一种基于时空图的会话推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460331B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115243B (zh) * | 2020-08-11 | 2023-06-16 | 南京理工大学 | 通过对时序时间相关性建模的会话表示学习方法 |
CN112256916B (zh) * | 2020-11-12 | 2021-06-18 | 中国计量大学 | 一种基于图胶囊网络的短视频点击率预测方法 |
CN112559904B (zh) * | 2020-12-16 | 2021-10-22 | 中国计量大学 | 一种基于门机制和多模态图网络的会话社交推荐方法 |
CN112528165A (zh) * | 2020-12-16 | 2021-03-19 | 中国计量大学 | 一种基于动态路由图网络的会话社交推荐方法 |
CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
CN112905887B (zh) * | 2021-02-22 | 2021-12-14 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
CN113704438B (zh) * | 2021-09-06 | 2022-02-22 | 中国计量大学 | 一种基于分层注意力机制的异构图的会话推荐方法 |
CN113704627B (zh) * | 2021-09-06 | 2022-05-17 | 中国计量大学 | 一种基于时间间隔图的会话推荐方法 |
CN113781181B (zh) * | 2021-09-16 | 2024-03-05 | 中山大学 | 基于使用物品流行度辅助用户兴趣建模的推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767301A (zh) * | 2019-01-14 | 2019-05-17 | 北京大学 | 推荐方法及系统、计算机装置、计算机可读存储介质 |
CN110119467A (zh) * | 2019-05-14 | 2019-08-13 | 苏州大学 | 一种基于会话的项目推荐方法、装置、设备及存储介质 |
CN110796313A (zh) * | 2019-11-01 | 2020-02-14 | 北京理工大学 | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268516A1 (en) * | 2012-04-06 | 2013-10-10 | Imran Noor Chaudhri | Systems And Methods For Analyzing And Visualizing Social Events |
-
2020
- 2020-04-07 CN CN202010264285.5A patent/CN111460331B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767301A (zh) * | 2019-01-14 | 2019-05-17 | 北京大学 | 推荐方法及系统、计算机装置、计算机可读存储介质 |
CN110119467A (zh) * | 2019-05-14 | 2019-08-13 | 苏州大学 | 一种基于会话的项目推荐方法、装置、设备及存储介质 |
CN110796313A (zh) * | 2019-11-01 | 2020-02-14 | 北京理工大学 | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 |
Non-Patent Citations (1)
Title |
---|
GACOforRec: Session-Based Graph Convolutional Neural Networks Recommendation Model;MINGGE ZHANG等;《IEEE》;20190820;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111460331A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460331B (zh) | 一种基于时空图的会话推荐方法 | |
CN108874914B (zh) | 一种基于图卷积与神经协同过滤的信息推荐方法 | |
CN111222054B (zh) | 一种基于上下文邻居关系建模的会话社交推荐方法 | |
CN111125537B (zh) | 一种基于图表征的会话推荐方法 | |
CN111523047B (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN110910218B (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
CN109544306B (zh) | 一种基于用户行为序列特征的跨领域推荐方法及装置 | |
CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
CN110955826B (zh) | 基于改进型循环神经网络单元的推荐系统 | |
CN112685657B (zh) | 一种基于多模态交叉融合图网络的会话社交推荐方法 | |
CN112528165A (zh) | 一种基于动态路由图网络的会话社交推荐方法 | |
CN115186097A (zh) | 一种基于知识图谱和强化学习的交互式推荐方法 | |
CN112819575B (zh) | 一种考虑重复购买行为的会话推荐方法 | |
CN112256916B (zh) | 一种基于图胶囊网络的短视频点击率预测方法 | |
CN112765461A (zh) | 一种基于多兴趣胶囊网络的会话推荐方法 | |
CN114971784B (zh) | 一种融合自注意力机制基于图神经网络的会话推荐方法与系统 | |
CN112559904B (zh) | 一种基于门机制和多模态图网络的会话社交推荐方法 | |
CN113704438B (zh) | 一种基于分层注意力机制的异构图的会话推荐方法 | |
CN112256918B (zh) | 一种基于多模态动态路由的短视频点击率预测方法 | |
CN116452293A (zh) | 一种融合物品受众特征的深度学习推荐方法及系统 | |
CN114428912A (zh) | 一种基于捕捉用户长短期兴趣异构超图的会话推荐方法 | |
CN114528490A (zh) | 一种基于用户长短期兴趣的自监督序列推荐方法 | |
CN112307257A (zh) | 一种基于多信息节点图网络的短视频点击率预测方法 | |
CN113449193A (zh) | 基于多分类图像的信息推荐方法及装置 | |
CN113704440B (zh) | 一种基于物品图网络中路径表征的会话推荐方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231013 Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100 Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd. Address before: 310018, No. 258, source street, Xiasha Higher Education Park, Hangzhou, Zhejiang Patentee before: China Jiliang University |