CN111612573A - 一种基于全贝叶斯方法的推荐系统评分推荐预测方法 - Google Patents

一种基于全贝叶斯方法的推荐系统评分推荐预测方法 Download PDF

Info

Publication number
CN111612573A
CN111612573A CN202010370275.XA CN202010370275A CN111612573A CN 111612573 A CN111612573 A CN 111612573A CN 202010370275 A CN202010370275 A CN 202010370275A CN 111612573 A CN111612573 A CN 111612573A
Authority
CN
China
Prior art keywords
article
matrix
recommendation
user
result
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
CN202010370275.XA
Other languages
English (en)
Other versions
CN111612573B (zh
Inventor
颜成钢
熊昕
殷建
孙垚棋
张继勇
张勇东
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.)
Hangzhou Dianzi University
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 CN202010370275.XA priority Critical patent/CN111612573B/zh
Publication of CN111612573A publication Critical patent/CN111612573A/zh
Application granted granted Critical
Publication of CN111612573B publication Critical patent/CN111612573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于全贝叶斯方法的推荐系统评分推荐预测方法法。本发明步骤：步骤1.根据用户过去的购买信息建立用户物品评分矩阵R0；步骤2.根据物品属性信息建立物品词向量矩阵X0；步骤3.利用深度学习方法来提取物品词向量矩阵X0的特征信息，通过成批降噪变分自动编码机模型来提取这种特征信息；成批降噪变分自动编码机模型是整体构架模型的一部分，整体构架模型则为协同成批降噪变分自动编码机。本发明改善了分层贝叶斯结构，使得具有不确定性的推断有了一定的弹性空间，推荐准确度有所上升。同时利用全贝叶斯结构有效提取了物品隐因子向量，一定程度上解决了数据稀疏性带来的推荐效率下降问题。

Description

一种基于全贝叶斯方法的推荐系统评分推荐预测方法
技术领域
本发明涉及一种信息挖掘与处理技术，特别涉及一种基于全贝叶斯方法的推荐系统评分推荐预测算法。
背景技术
互联网的出现给用户提供了大量的信息，方便了用户的生活的同时也引起了信息过载的问题，使得在有限时间内难以提取出对用户有效的信息，而这也是导致信息检索效率下降的主要原因。基于此，个性化推荐技术成为热点技术，并成功地应用于电子商务、社交网络、音乐电影等的广泛领域。推荐系统能在海量的数据面前有效地完成推荐出有效信息的任务，迅速检索出对用户最有效的信息，提高了信息利用率，增加了电商等平台销量，大大推动市场的发展。
但是现今存在的基于内容的推荐系统以及基于协同过滤的推荐系统都在一定程度上受数据稀疏性以及缺失历史信息等的问题的限制，导致推荐效果大打折扣。基于内容的推荐系统仅仅依赖于物品属性，推荐的物品基本具有相似属性，推荐结果单一且固定，从而难以开拓推荐市场；而基于协同过滤的推荐系统则是基于用户过往的浏览信息或者是相似用户的浏览信息来进行推荐，存在着冷启动“因为缺失用户历史信息而无法进行推荐”以及数据稀疏性“由于用户浏览信息较海量数据来说微不足道，实际的数据往往是十分稀疏的，这样的数据对推荐效果将带来灾难性的下降”的问题。因此，需要一种综合考量多方面信息的个性化推荐系统，是实现高效精准的推荐任务。
发明内容
本发明是针对于传统的推荐系统推荐领域单一，推荐效果差等的问题，提出了名为协同成批降噪自动编码机的模型，即一种基于全贝叶斯方法的综合了变分自动编码机来深度挖掘物品属性信息的深度学习综合方法，综合方法即是全面考察了物品内容以及用户过往历史信息的、结合了基于内容以及基于协同过滤的推荐方法。预测结果为用户是否可能购买某物品：是/否，这种预测核心为贝叶斯方法论，对于存在有极大不确定性的现实数据，某事件的发生可能总为一个可能在一定范围内波动的概率值，通过得出的概率经过阈值判定后得出二值化的推荐结果。
一种基于全贝叶斯方法的推荐系统评分推荐预测算法，具体包括如下步骤：
步骤1.根据用户过去的购买信息建立用户物品评分矩阵R0，矩阵为I*J维，I为参与测评的用户总数，J为参与测评的物品总数，用户i如果曾经购买了物品j，则用户i对物品j的评分矩阵元素R0ij为1，否则为0。
Figure BDA0002475720550000021
以用户1举例，表格表明：他购买了物品1,3,4。对于物品2来说：用户1没有购买，但并不能直接表明用户1不喜欢该物品，有可能是并不知道该物品的存在。
步骤2.根据物品属性信息建立物品词向量矩阵X0，矩阵为J*Voc维，J为参与测评的物品总数，而Voc为描述物品的属性信息的词典库的大小，每个物品都由一系列在词典库中的词描述而成，通过独热编码的方式，以0/1的方式表示是否利用x词来形容j物品。
Figure BDA0002475720550000022
以唱片举例，这种独热方式编码的表格表明唱片可以用：情调、娱乐以及音乐来形容。
步骤3.利用深度学习方法来提取物品词向量矩阵X0的特征信息，通过成批降噪变分自动编码机模型来提取这种特征信息。成批降噪变分自动编码机模型是整体构架模型的一部分，整体构架模型则为协同成批降噪变分自动编码机，具体包含如下步骤：
3-1.用下面的公式对输入的物品词向量矩阵X0添加噪声，来增加一定的鲁棒性。
Xc＝Xo*Mask (1)
其中，Xc为添加噪声后的物品词向量矩阵；X0为原始的物品词向量矩阵，[Mask]J*Voc为加噪矩阵，[Mask]J*Voc与X0具有相同的维度，同时[Mask]J*Voc元素满足二项分布。
将增加了噪声的输入信息输入自动编码机后，仍然能够利用自动编码机的方式使得输出信息还原出输入信息，则中间编码结果更能表明有效表征物品属性信息。
3-2.构建协同成批降噪变分自动编码机的网络结构；
物品属性信息编码部分的网络结构为一个自动编码机，将输入的物品属性向量经过多个全连接层降维，得到降维后的物品特征向量；将得到的物品特征向量利用贝叶斯的方法进行编码，编码的结果即为需要的物品属性向量压缩编码结果，该压缩编码结果服从根据输入经过多个全连接层提取出来的特征向量的贝叶斯参数形成的正态分布；所述的贝叶斯参数包括均值以及方差；
接着利用相反维度的多个全连接层进行解码还原输入的物品属性向量。
所述的编码解码方式能够根据具体需要解决的问题来进行相应的替换，如更替为卷积神经网络等，也就是说这里是基本框架。
所述的物品词向量矩中的每一行是物品属性向量；
所述的协同成批降噪变分自动编码机利用服从规则的正态分布来进行初始化，这种构架下的模型是一种全贝叶斯方法的模型。
初始化的公式如下所示：
Figure BDA0002475720550000031
Figure BDA0002475720550000032
Figure BDA0002475720550000033
Figure BDA0002475720550000034
Wl,*n为第l层权重矩阵Wl的第n列，bl为第l层的偏执矩阵，τj为求物品特征向量的偏置量，ui为用户隐因子向量。其中λw,λn,λu为超参数。
所述的用于降维和升维的全连接层的计算过程：
Xl,j*＝σ(Xl-1,j*Wl+bl)
Xl,*j为第l层全连接层第j行的输出结果，其中σ表示激活函数。
所述的服从正态分布的贝叶斯参数的计算过程：
Figure BDA0002475720550000041
Figure BDA00024757205500000411
Figure BDA0002475720550000042
其中
Figure BDA0002475720550000043
代表均值，而δ代表标准差，假定模型的总层数为L，则XL/2为自动编码机最中间层的压缩特征矩阵，lens为压缩特征矩阵XL/2的列数目，而
Figure BDA0002475720550000044
被记为before_XL/2，
Figure BDA0002475720550000045
被记为after_XL/2。Xencoded代表最终压缩结果；
进一步的，物品隐因子vj的计算：
vj＝τj+Xencoded
所述的物品隐因子即物品特征向量；
进一步的，最终预测结果Rij的计算：
Figure BDA0002475720550000046
其中，C表示置信矩阵，因为之前提到的用户物品评分矩阵中的0元素，并不直接表明该用户不喜欢该物品，所以需要用置信矩阵来控制计算结果的可信程度，如果
Figure BDA0002475720550000047
计算结果大于0.5,置信矩阵中元素Cij设为a，否则，Cij则设为b。
3-3.协同成批降噪变分自动编码机的训练，训练损失函数如下所示：
Figure BDA0002475720550000048
Figure BDA0002475720550000049
Figure BDA00024757205500000410
loss1＝λu||ui||2+λw(||Wi||2+||bi||2) (4)
Figure BDA0002475720550000051
loss＝loss1+loss2 (6)
这里的公式(1)用最大似然估计的方法来最小化自动编码机的输入X0与输出XL之间的误差，公式(2)进行KL散度的计算，来计算编码的中间结果与标准正态分布N(0,1)之间的近似程度，需要注意这里的编码中间结果为服从
Figure BDA0002475720550000052
的分布。公式(3)最小化KL散度等同于最大化ELBO证据下界。这里的公式(6)拆分为了公式(4)、(5)，但最终都属于公式(6)里的loss函数计算。最终loss的计算包含5项，其中||·||2表示进行l2正则化，loss第一项用于使用户隐因子ui均值保持为0，第二项用于避免过拟合，第三项用于使得物品隐因子vj与编码结果XEncoded尽可能接近，第四项用于最大化定分下界ELBO，最后一项用于最小化预测结果Rij与初始已知用户物品评分信息Roij。其中λw,λn,λu,λv,λx都是超参数。再次强调，这里的所有变量都属于随机变量。
本发明有益效果如下：
(1)改善了分层贝叶斯结构，使得具有不确定性的推断有了一定的弹性空间，推荐准确度有所上升。
(2)利用全贝叶斯结构有效提取了物品隐因子向量，一定程度上解决了数据稀疏性带来的推荐效率下降问题。
(3)本发明将增加了噪声的输入信息输入自动编码机后，仍然能够利用自动编码机的方式使得输出信息还原出输入信息，则中间编码结果更能表明有效表征物品属性信息。
即可以概括为推荐精度以及推荐效率的上升。
附图说明
图1是协同成批降噪自动编码机流程图；
图2是成批降噪自动编码机的一种形式示意图；
图3是概率参数均值与方差的计算示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步是的说明。
以CiteULike-a数据集举例进行说明，CiteULike-a数据集包含了用户数：5551，物品数:16980,对于每个物品包含了8000个词袋向量，包含了用户物品评分对数为：204986。也即对于用户物品评分矩阵维度为5551*16980，其中非0值为204986个，物品词向量矩阵维度为16980*8000。我们所要做的工作为结合物品词向量矩阵信息以及初始用户物品评分矩阵信息来预测用户物品评分矩阵中的剩余未知信息。
①生成加噪矩阵，这里设定加噪等级为0.3，也即加噪矩阵元素服从分布Mask～B(1,1-0.3)。Mask与原物品词袋矩阵点乘获得了加噪版本物品词袋矩阵，它将作为输入进入成批降噪自动编码机中。
②初始化网络参数，这里设定各初始参数均为服从均值为0的正态分布的随机变量，关于方差中使用到的超参数可以根据具体输入数据集的不同而进行网格搜索寻找最优超参数。
这里设计的网络结构为：编码器--8000-200-50*2；解码--50-200-8000，具体结构以及激活函数等参考图2：物品属性信息编码部分的网络结构为一个自动编码机，将输入的物品属性向量经过多个全连接层降维，得到降维后的物品特征向量；将得到的物品特征向量利用贝叶斯的方法进行编码，编码的结果即为需要的物品属性向量压缩编码结果，该压缩编码结果服从根据输入经过多个全连接层提取出来的特征向量的贝叶斯参数形成的正态分布；所述的贝叶斯参数包括均值以及方差；
接着利用相反维度的多个全连接层进行解码还原输入的物品属性向量。
所述的编码解码方式能够根据具体需要解决的问题来进行相应的替换，如更替为卷积神经网络等，也就是说这里是基本框架。
所述的物品词向量矩中的每一行是物品属性向量；
所述的协同成批降噪变分自动编码机利用服从规则的正态分布来进行初始化，这种构架下的模型是一种全贝叶斯方法的模型。
网络结构中最中间的隐含层的神经元数目设定为了50。解码器中的50*2的设定参考如下概率参数计算公式，在经过求解编码的中间结果Encoded_X后维度压缩了一半。
所述的服从正态分布的贝叶斯参数的计算过程：
Figure BDA0002475720550000071
Figure BDA00024757205500000711
Figure BDA0002475720550000072
其中
Figure BDA0002475720550000073
代表均值，而δ代表标准差，假定模型的总层数为L，则XL/2为自动编码机最中间层的压缩特征矩阵，lens为压缩特征矩阵XL/2的列数目，而
Figure BDA0002475720550000074
被记为before_XL/2，
Figure BDA0002475720550000075
被记为after_XL/2。Xencoded代表最终压缩结果；
进一步的，物品隐因子vj的计算：
vj＝τj+Xencoded
所述的物品隐因子即物品特征向量；
进一步的，最终预测结果Rij的计算：
Figure BDA0002475720550000076
其中，C表示置信矩阵，因为之前提到的用户物品评分矩阵中的0元素，并不直接表明该用户不喜欢该物品，所以需要用置信矩阵来控制计算结果的可信程度，如果
Figure BDA0002475720550000077
计算结果大于0.5,置信矩阵中元素Cij设为a，否则，Cij则设为b。
其中置信矩阵中a＝0.9，b＝0.1，这可以根据具体输入信息的可置信程度进行参数变更。
③根据前文给出的训练损失的公式，进行神经网络反向传播的训练。
Figure BDA0002475720550000078
Figure BDA0002475720550000079
Figure BDA00024757205500000710
loss1＝λu||ui||2+λw(||Wi||2+||bi||2) (4)
Figure BDA0002475720550000081
loss＝loss1+loss2 (6)
带入具体值说明，此时N＝50,α＝0.5,此时的超参数设定为λu＝0.1,λw＝1,λv＝1,λn＝1e-4。均值与方差的计算方式具体见图3。训练结束时得到的R矩阵即为最终预测结果，根据此结果，可以对用户进行个性化物品推荐。

Claims (7)

1.一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于具体包括如下步骤：
步骤1.根据用户过去的购买信息建立用户物品评分矩阵R0，矩阵为I*J维，I为参与测评的用户总数，J为参与测评的物品总数，用户i如果曾经购买了物品j，则用户i对物品j的评分矩阵元素R0ij为1，否则为0；
步骤2.根据物品属性信息建立物品词向量矩阵X0，矩阵为J*Voc维，J为参与测评的物品总数，而Voc为描述物品的属性信息的词典库的大小，每个物品都由一系列在词典库中的词描述而成，通过独热编码的方式，以0/1的方式表示是否利用x词来形容j物品；
步骤3.利用深度学习方法来提取物品词向量矩阵X0的特征信息，通过成批降噪变分自动编码机模型来提取这种特征信息；成批降噪变分自动编码机模型是整体构架模型的一部分，整体构架模型则为协同成批降噪变分自动编码机。
2.根据权利要求1所述的一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于步骤3具体实现如下：
3-1.对输入的物品词向量矩阵X0添加噪声，来增加鲁棒性；
3-2.构建协同成批降噪变分自动编码机的网络结构；
3-3.训练协同成批降噪变分自动编码机，确定训练损失函数。
3.根据权利要求2所述的一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于步骤3-1具体添加噪声实现如下：
Xc＝Xo*Mask (1)
其中，Xc为添加噪声后的物品词向量矩阵；X0为原始的物品词向量矩阵，[Mask]J*Voc为加噪矩阵，[Mask]J*Voc与X0具有相同的维度，同时[Mask]J*Voc元素满足二项分布。
4.根据权利要求2或3所述的一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于步骤3-2具体如下：
物品属性信息编码部分的网络结构为一个自动编码机，将输入的物品属性向量经过多个全连接层降维，得到降维后的物品特征向量；将得到的物品特征向量利用贝叶斯的方法进行编码，编码的结果即为需要的物品属性向量压缩编码结果，该压缩编码结果服从根据输入经过多个全连接层提取出来的特征向量的贝叶斯参数形成的正态分布；所述的贝叶斯参数包括均值以及方差；
接着利用相反维度的多个全连接层进行解码还原输入的物品属性向量。
5.根据权利要求4所述的一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于所述的物品词向量矩中的每一行是物品属性向量。
6.根据权利要求4所述的一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于所述的协同成批降噪变分自动编码机利用服从规则的正态分布来进行初始化，这种构架下的模型是一种全贝叶斯方法的模型；
初始化的公式如下所示：
Figure FDA0002475720540000021
Figure FDA0002475720540000022
Figure FDA0002475720540000023
Figure FDA0002475720540000024
Wl,*n为第l层权重矩阵Wl的第n列，bl为第l层的偏执矩阵，τj为求物品特征向量的偏置量，ui为用户隐因子向量；其中λw,λn,λu为超参数；
所述的用于降维和升维的全连接层的计算过程：
Xl,j*＝σ(Xl-1,j*Wl+bl)
Xl,*j为第l层全连接层第j行的输出结果，其中σ表示激活函数；
所述的服从正态分布的贝叶斯参数的计算过程：
Figure FDA0002475720540000025
δ＝10-6+log(1+eXafter)-1,
Figure FDA0002475720540000026
其中
Figure FDA0002475720540000027
代表均值，而δ代表标准差，假定模型的总层数为L，则XL/2为自动编码机最中间层的压缩特征矩阵，lens为压缩特征矩阵XL/2的列数目，而
Figure FDA0002475720540000028
被记为before_XL/2，
Figure FDA0002475720540000029
被记为after_XL/2；Xencoded代表最终压缩结果；
进一步的，物品隐因子vj的计算：
vj＝τj+Xencoded
所述的物品隐因子即物品特征向量；
进一步的，最终预测结果Rij的计算：
Figure FDA0002475720540000031
其中，C表示置信矩阵，因为之前提到的用户物品评分矩阵中的0元素，并不直接表明该用户不喜欢该物品，所以需要用置信矩阵来控制计算结果的可信程度，如果
Figure FDA0002475720540000032
计算结果大于0.5,置信矩阵中元素Cij设为a，否则，Cij则设为b。
7.根据权利要求6所述的一种基于全贝叶斯方法的推荐系统评分推荐预测方法，其特征在于步骤3-3所述的协同成批降噪变分自动编码机的训练，训练损失函数如下所示：
Figure FDA0002475720540000033
Figure FDA0002475720540000034
Figure FDA0002475720540000035
loss1＝λu||ui||2+λw(||Wi||2+||bi||2) (4)
Figure FDA0002475720540000036
loss＝loss1+loss2 (6)
其中，公式(1)用最大似然估计的方法来最小化自动编码机的输入X0与输出XL之间的误差，公式(2)进行KL散度的计算，来计算编码的中间结果与标准正态分布N(0,1)之间的近似程度，编码中间结果服从
Figure FDA0002475720540000037
的分布；公式(3)最小化KL散度等同于最大化ELBO证据下界；公式(6)拆分为了公式(4)、(5)，但最终都属于公式(6)里的loss函数计算；最终loss的计算包含5项，其中||·||2表示进行l2正则化，loss第一项用于使用户隐因子ui均值保持为0，第二项用于避免过拟合，第三项用于使得物品隐因子vj与编码结果XEncoded尽可能接近，第四项用于最大化定分下界ELBO，最后一项用于最小化预测结果Rij与初始已知用户物品评分信息Roij；其中λw,λn,λu,λv,λx都是超参数。
CN202010370275.XA 2020-04-30 2020-04-30 一种基于全贝叶斯方法的推荐系统评分推荐预测方法 Active CN111612573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010370275.XA CN111612573B (zh) 2020-04-30 2020-04-30 一种基于全贝叶斯方法的推荐系统评分推荐预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010370275.XA CN111612573B (zh) 2020-04-30 2020-04-30 一种基于全贝叶斯方法的推荐系统评分推荐预测方法

Publications (2)

Publication Number Publication Date
CN111612573A true CN111612573A (zh) 2020-09-01
CN111612573B CN111612573B (zh) 2023-04-25

Family

ID=72198074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010370275.XA Active CN111612573B (zh) 2020-04-30 2020-04-30 一种基于全贝叶斯方法的推荐系统评分推荐预测方法

Country Status (1)

Country Link
CN (1) CN111612573B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006091983A (ja) * 2004-09-21 2006-04-06 Nissan Motor Co Ltd 介護用品購入支援システム及び情報提示方法
EP2680209A1 (en) * 2012-06-29 2014-01-01 Axel Springer Digital TV Guide GmbH Device and method for automatic generation of a recommendation
US20170109642A1 (en) * 2015-10-16 2017-04-20 Adobe Systems Incorporated Particle Thompson Sampling for Online Matrix Factorization Recommendation
US20180070213A1 (en) * 2016-09-07 2018-03-08 Invensense, Inc. Method and system for assigning point of sale information
CN108154380A (zh) * 2017-04-28 2018-06-12 华侨大学 基于大规模评分数据对用户进行商品在线实时推荐的方法
CN108876537A (zh) * 2018-06-15 2018-11-23 重庆知遨科技有限公司 一种用于网上商场系统的混合推荐方法
CN109033294A (zh) * 2018-07-13 2018-12-18 东北师范大学 一种融入内容信息的混合推荐方法
CN110059220A (zh) * 2019-04-12 2019-07-26 北京工业大学 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法
CN110263257A (zh) * 2019-06-24 2019-09-20 北京交通大学 基于深度学习的多源异构数据混合推荐模型
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006091983A (ja) * 2004-09-21 2006-04-06 Nissan Motor Co Ltd 介護用品購入支援システム及び情報提示方法
EP2680209A1 (en) * 2012-06-29 2014-01-01 Axel Springer Digital TV Guide GmbH Device and method for automatic generation of a recommendation
US20170109642A1 (en) * 2015-10-16 2017-04-20 Adobe Systems Incorporated Particle Thompson Sampling for Online Matrix Factorization Recommendation
US20180070213A1 (en) * 2016-09-07 2018-03-08 Invensense, Inc. Method and system for assigning point of sale information
CN108154380A (zh) * 2017-04-28 2018-06-12 华侨大学 基于大规模评分数据对用户进行商品在线实时推荐的方法
CN108876537A (zh) * 2018-06-15 2018-11-23 重庆知遨科技有限公司 一种用于网上商场系统的混合推荐方法
CN109033294A (zh) * 2018-07-13 2018-12-18 东北师范大学 一种融入内容信息的混合推荐方法
CN110059220A (zh) * 2019-04-12 2019-07-26 北京工业大学 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法
CN110263257A (zh) * 2019-06-24 2019-09-20 北京交通大学 基于深度学习的多源异构数据混合推荐模型
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"融合主题模型和卷积神经网络的APP 推荐研究" *

Also Published As

Publication number Publication date
CN111612573B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN111538912B (zh) 内容推荐方法、装置、设备及可读存储介质
CN111127142B (zh) 一种基于广义神经注意力的物品推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN112307332B (zh) 基于用户画像聚类的协同过滤推荐方法、系统及存储介质
CN111209386A (zh) 一种基于深度学习的个性化文本推荐方法
CN111737578A (zh) 一种推荐方法及系统
CN114202061A (zh) 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质
KR102070049B1 (ko) 보조정보를 이용하는 조건부 변분 오토인코더 기반의 협업 필터링 방법 및 장치
CN114357312B (zh) 基于图神经网络自动建模的社区发现方法及个性推荐方法
CN112464100B (zh) 信息推荐模型训练方法、信息推荐方法、装置及设备
CN110348906B (zh) 一种基于多类型隐式反馈的改进商品推荐方法
CN112115371A (zh) 一种基于因子分解机的神经注意力机制手机应用推荐模型
CN116228368A (zh) 一种基于深度多行为网络的广告点击率预测方法
CN111428181A (zh) 一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法
CN117252665B (zh) 业务推荐方法、装置、电子设备及存储介质
CN113988951A (zh) 基于张量分解和协同过滤的商品推荐学习模型构建方法
CN115809374B (zh) 纠正推荐系统主流偏差的方法、系统、设备及存储介质
CN116452293A (zh) 一种融合物品受众特征的深度学习推荐方法及系统
CN111612573A (zh) 一种基于全贝叶斯方法的推荐系统评分推荐预测方法
CN113268657B (zh) 基于评论和物品描述的深度学习推荐方法及系统
CN114997959A (zh) 一种电子智造产品营销推荐方法
CN113158577A (zh) 基于层次化耦合关系的离散数据表征学习方法及系统
CN113111257A (zh) 一种基于协同过滤的融合多源异构信息的推荐方法
Widowati et al. Enhance Document Contextual Using Attention-LSTM to Eliminate Sparse Data Matrix for E-Commerce Recommender System
CN108805628A (zh) 一种电子商务推荐方法

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