CN111681067A - 基于图注意力网络的长尾商品推荐方法及系统 - Google Patents
基于图注意力网络的长尾商品推荐方法及系统 Download PDFInfo
- Publication number
- CN111681067A CN111681067A CN202010306909.5A CN202010306909A CN111681067A CN 111681067 A CN111681067 A CN 111681067A CN 202010306909 A CN202010306909 A CN 202010306909A CN 111681067 A CN111681067 A CN 111681067A
- Authority
- CN
- China
- Prior art keywords
- commodity
- sample
- information
- user
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 106
- 230000003993 interaction Effects 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Abstract
本发明实施例提供一种基于图注意力网络的长尾商品推荐方法及系统，该方法包括：获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的。本发明实施例基于图注意力网络提升长尾商品的推荐效果，使得向用户推荐的商品中包含更多长尾商品。
Description
技术领域
本发明涉及智能信息处理和商品推荐技术领域，尤其涉及一种基于图注意力网络的长尾商品推荐方法及系统。
背景技术
在电子商务平台中，商品的销量呈现长尾分布，即少量流行商品的销量极高，而绝大部分商品的销量相对较低。虽然这些处在长尾中的商品单品销量不高，但是将所有长尾商品的销量加和起来，能够占到总销量的很大一部分。现有电子商务平台上的推荐系统能够为用户提供个性化的商品推荐，以满足用户的各种需求，然而用户的需求往往多种多样，并且常常包含一些小众需求，而这些小众需求则大多与长尾商品对应。对于现有推荐系统来说，找到合适的长尾商品推荐给用户一方面满足了用户的小众需求，另一方面也大大提升了电商平台的营收。在实际的推荐系统中，由于流行商品的数据量很大，导致推荐系统倾向于推荐流行商品，长尾商品被推荐的次数则相对不足，因而推荐系统推荐的结果呈现出中心化的趋势，也即爆款商品占据了过多的流量。这种中心化的趋势一方面家加剧了销量的长尾分布，另一方面对于电子商务平台的生态也有不良影响。现有的长尾商品推荐方法大多采用了重排序的方式，将推荐系统产生的推荐列表根据经验预先设定的规则重新排序，使其包含更多长尾商品。
在现有推荐系统中，模型从海量商品池中选择匹配用户兴趣的商品推荐给用户。但是，基于嵌入向量的推荐系统一般根据用户向量和商品向量的相似度来决定推荐的商品，将与用户向量最接近的商品向量作为推荐系统的候选商品，导致推荐的商品多为流行度高的商品，不能更好的为用户推荐长尾商品。
因此，现在亟需一种基于图注意力网络的长尾商品推荐方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于图注意力网络的长尾商品推荐方法及系统。
第一方面，本发明实施例提供了一种基于图注意力网络的长尾商品推荐方法，包括：
获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；
将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
进一步地，所述训练好的商品推荐模型通过以下步骤训练得到：
获取样本商品ID信息、样本用户ID信息和样本商品流行度信息，并通过所述样本商品ID信息和所述样本用户ID信息构成正样本，得到第一训练样本集；
根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集；
根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型。
进一步地，所述根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集，包括：
根据样本商品流行度信息，获取用户和商品之间的平均流行度；
在每次获取负样本之前，使用随机数生成器生成一个随机数，若所述随机数小于预设超参数，则从流行度大于所述平均流行度的样本商品中获取负样本；若所述随机数大于等于所述预设超参数，则从所有样本商品中获取负样本；
根据获取得到的负样本，构建第二训练样本集。
进一步地，所述通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型，包括：
通过第一样本用户商品二部图，对图注意力网络进行训练，得到预训练的图注意力网络；
对第二样本用户商品二部图中的流行商品赋予第一权重，对所述第二样本用户商品二部图中的长尾商品赋予第二权重，并通过赋予权重后的第二样本用户商品二部图，对所述预训练的图注意力网络进行训练，通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型，其中，所述第一权重和第二权重通过样本商品流行度信息获取得到。
进一步地，在所述根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型之后，所述方法还包括：
根据训练好的商品推荐模型，得到样本商品和用户之间的向量表征，以用于构建最近邻搜索库；
根据后续得到的用户向量，对所述最近邻搜索库对进行检索，通过计算所述用户向量和所述最近邻搜索库中商品向量之间的内积，将最大内积对应的商品向量作为商品推荐结果。
进一步地，在所述根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型之后，所述方法还包括：
对所述训练好的商品推荐模型的整体性能和长尾性能进行离线评测，所述整体性能包括召回率和命中率；所述长尾性能包括覆盖率、熵、基尼系数、长尾商品比例和平均流行度。
第二方面，本发明实施例提供了一种基于图注意力网络的长尾商品推荐系统，包括：
待推荐商品信息获取模块，用于获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；
商品推荐模块，用于将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
进一步地，所述系统还包括：
第一样本获取模块，用于获取样本商品ID信息、样本用户ID信息和样本商品流行度信息，并通过所述样本商品ID信息和所述样本用户ID信息构成正样本，得到第一训练样本集；
第二样本获取模块，用于根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集；
模型训练模块，用于根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于图注意力网络的长尾商品推荐方法及系统，基于图注意力网络提升长尾商品的推荐效果，使得向用户推荐的商品中包含更多长尾商品。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于图注意力网络的长尾商品推荐方法的流程示意图；
图2为本发明实施例提供的图注意力网络的向量表征更新方式示意图；
图3本发明实施例提供的多模式交替训练的示意图；
图4为本发明实施例提供的基于最近邻搜索的商品推荐示意图；
图5为本发明实施例提供的基于图注意力网络的长尾商品推荐系统的结构示意图；
图6为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
将商品推荐系统中的各种实体包括用户和商品表示为图上的节点，并将用户和商品之间的交互表示为用户节点和商品节点之间的边，从而构建了用户和商品的图，通过应用相对成熟的图表示学习技术，能够将图上的每个节点映射到高维空间中的一个向量，向量之间的相似度反映了用户和商品之间的匹配程度，进而可以使用这些学习出的向量预估用户对于商品的兴趣。图神经网络是图表示学习领域的领先技术，它将深度神经网络与图上的信息传播结合，可以为图上的节点学习出鲁棒的向量化表示。由于图神经网络中的信息传播机制，使得用户和商品节点的向量表示更加分散，因此长尾商品的向量表示也更容易靠近用户的向量表示，从而提升长尾商品被推荐的概率。
本发明实施例基于图注意力网络，提升长尾商品的推荐效果，从而为用户推荐的商品中包含更多长尾商品。本发明实施例根据商品的流行度为不同商品赋予不同的权重，在模型训练的过程中根据权重来调整样本的重要性，使得长尾商品的权重要高于流行商品的权重；同时，本发明实施例在模型训练负采样过程中，以更高的概率采集将流行商品作为负样本，从而提升长尾商品被推荐的次数；并且，在训练图注意力网络时，采用了交替训练的方式，使得训练好的模型更加侧重于长尾商品的推荐。
图1为本发明实施例提供的基于图注意力网络的长尾商品推荐方法的流程示意图，如图1所示，本发明实施例提供了一种基于图注意力网络的长尾商品推荐方法，包括：
步骤101，获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息。
在本发明实施例中，待推荐商品ID信息集合I包含了所有可被推荐的商品的ID，用户ID信息集合U包含电商平台中所有的用户ID；待推荐商品流行度信息表P记录了待推荐商品ID信息集合I中每个商品的流行度，该流行度可被定义为交互的数量；用户商品交互记录信息R记录了电商平台上用户和商品的历史交互记录，包括用户在移动应用中对于商品的点击、加购物车、购买和收藏等行为。
步骤102，将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
在本发明实施例中，将待推荐商品ID信息集合I，用户ID信息集合U，待推荐商品流行度信息P和用户商品交互记录信息R输入到训练好的商品推荐模型中，该模型从待推荐商品ID信息集合I中筛选出符合用户兴趣的商品，并且，对于待推荐商品流行度信息P中长尾的商品有较优的推荐性能。
本发明实施例提供的一种基于图注意力网络的长尾商品推荐方法，基于图注意力网络提升长尾商品的推荐效果，使得向用户推荐的商品中包含更多长尾商品。
在上述实施例的基础上，所述训练好的商品推荐模型通过以下步骤训练得到：
获取样本商品ID信息、样本用户ID信息和样本商品流行度信息，并通过所述样本商品ID信息和所述样本用户ID信息构成正样本，得到第一训练样本集；
根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集；
根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型。
在本发明实施例中，在样本构建阶段，根据样本商品流行度信息，对不同流行度的样本商品以不同的概率采集为模型训练的负样本；在图注意力网络表示学习阶段，通过构建出用户和商品的二部图，利用图注意力网络表示学习技术，在计算模式中加入增强长尾商品的权重以提升长尾商品的性能；在模型的训练阶段，通过对模型进行多模式交替训练，使用常规训练模式和侧重长尾推荐训练模式两个模式交替训练的方式，使得训练得到的模型在进行商品推荐时可推荐更多的长尾商品；在商品推荐阶段，本发明实施例根据图神经网络学习出的用户和商品的向量表示，通过向量空间的最大内积搜索完成商品推荐的任务。
在上述实施例的基础上，所述根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集，包括：
根据样本商品流行度信息，获取用户和商品之间的平均流行度；
在每次获取负样本之前，使用随机数生成器生成一个随机数，若所述随机数小于预设超参数，则从流行度大于所述平均流行度的样本商品中获取负样本；若所述随机数大于等于所述预设超参数，则从所有样本商品中获取负样本；
根据获取得到的负样本，构建第二训练样本集。
在本发明实施例中，采用隐反馈形式进行样本采集，即训练数据中只包含正样本，负样本则需要通过从所有商品中采样获得。一方面，由于长尾商品占据全部商品中的大多数，因此按照一般的完全随机采样方法，会使得长尾商品频繁的被选为负样本，进而在模型训练过程中产生很多负信号，导致推荐结果倾向于推荐流行的商品；另一方面，用户的交互记录中包含了用户与各种流行度商品的交互，这些被交互商品的流行度也反映了用户的从众程度，如果用户交互的商品的平均流行度很高，说明用户的从众性很强，更愿意浏览流行的爆款商品；如果用户交互的商品的平均流行度很低，说明用户有较多的小众兴趣，经常浏览长尾商品。传统的完全随机负采样有可能使模型学习到用户的从众性而非用户的真实兴趣。本发明实施例根据用户的历史记录估计用户的从众程度，在负采样的过程中以更大的概率采集高于用户从众性的商品作为负样本，从而消除用户从众性对于商品推荐模型的影响，使得符合用户兴趣的长尾商品有更大的概率被推荐挖掘到。
进一步地，本发明实施例在采样负样本的过程中，引入了商品的流行度信息，提升了比用户从众性更高的商品被采样为负样本的概率，使得训练样本中包含更多相对于用户流行的商品，促使商品推荐模型学习用户的真实兴趣，减少了针对用户从众性的建模。本发明实施例的根据商品流行度信息进行负样本采用的具体步骤如下：
步骤S10，迭代训练集合中的正样本(u,i)，其中，u表示用户，i表示商品；
步骤S11，基于给定的正样本(u,i)，从商品流行度信息P中获取用户u交互过的商品的流行度，并计算平均值p；
步骤S12，生成0到1之间的随机数r；
步骤S13，若随机数r小于预设超参数a，则从流行度大于p的商品中随机采样负样本；若随机数r大于等于预设超参数a，则从全体商品中随机采样负样本。
在本发明实施例中，超参数a的取值范围在0到1之间，表示采样流行商品的概率，并且超参数a的值远大于完全随机负采样选择流行商品的概率。通过提升采样流行商品的概率，在样本构建阶段时，生成了更多流行商品作为负样本，在后续的模型训练阶段优化商品推荐模型，使推荐过程区分用户的从众性，进而推荐出更多符合用户兴趣的长尾商品，提升商品推荐模型的长尾性能。
在上述实施例的基础上，所述通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行训练，得到训练好的商品推荐模型，包括：
通过第一样本用户商品二部图，对图注意力网络进行训练，得到预训练的图注意力网络；
对第二样本用户商品二部图中的流行商品赋予第一权重，对所述第二样本用户商品二部图中的长尾商品赋予第二权重，并通过赋予权重后的第二样本用户商品二部图，对所述预训练的图注意力网络进行训练，通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型，其中，所述第一权重和第二权重通过样本商品流行度信息获取得到。
在本发明实施例中，在图注意力神经网络中，首先构建出一张包含用户和商品的二部图，该图中用户和商品是两种的节点，用户和商品节点之间的边表示用户和商品之间的交互，即：若存在交互则用户节点和商品节点之间有边相连；若不存在交互，则用户节点和商品节点之间没有边相连。在构建出用户商品二部图之后，图注意力神经网络算法为每一个节点学习出一个向量化的表示，将每个用户和商品表示为高维空间中的一个向量，该向量在高位空间中的相似性代表了用户和商品的匹配程度。具体来讲，用户的向量和其喜欢的商品向量之间的距离更近，和其不感兴趣的商品向量之间的距离更远。
进一步地，图2为本发明实施例提供的图注意力网络的向量表征更新方式示意图，可参考图2所示，在实际的图神经网络计算过程中，每个节点会吸收其邻居节点(与该节点有边相连的节点)的表示，来更新自身节点的表示。由于流行商品的交互数量很多，因此流行商品节点的边的数量很多，相比之下长尾商品节点的边的数量则很少。由于图神经网络在计算过程中会将每个节点的邻居节点吸收进来，占据多数边的流行商品就会成为图神经网络计算中的主流，从而使得学习出的用户表示更加接近流行商品的表示，因此在进行商品推荐时倾向于推荐更多的流行商品。在本发明实施例中，通过的注意力机制，使得图神经网络在更新节点的表示过程中，为不同的邻居节点赋予不同的权重，即使长尾商品的边数很少，也可以通过注意力机制提升长尾商品的权重，从而使得用户节点的表示更加接近长尾商品节点的表示，提高长尾商品被推荐的次数，具体步骤为：
步骤S20，根据历史数据构建用户商品二部图；
步骤S21，通过采样获得分批次的数据；
步骤S22，根据每一批的数据构建子图；
步骤S23，在子图上使用图注意力神经网络学习节点的向量表示。
进一步地，图3本发明实施例提供的多模式交替训练的示意图，可参考图3所示，本发明实施例使用交替训练的方式进行模型训练，每一轮模型训练分为两个阶段，分别完成整体性能优化和长尾性能优化。具体地，将样本赋权和负采样作为参数输入模型，每轮训练判断所处训练模式，若为整体性能优化阶段，则使用完全随机负采样以及所有样本权重相等；若为长尾性能优化阶段，则使用基于流行度的负采样和样本权重。
具体地，在商品推荐模型的训练过程中，不同商品的重要性与包含该商品的样本数量呈现近似线性的关系。由于流行商品的样本数量极多，因此按照传统的训练方式流行商品的重要性远高于长尾商品，导致推荐更多的推荐流行商品，而在一定程度上忽略了长尾商品。本发明实施例在模型训练中对于不同的商品赋予了不同的权重，用来消除流行度的影响。具体来讲，本发明实施例为流行商品赋予较低的权重，为长尾商品赋予较高的权重，在实际模型训练计算损失函数时，将每一个样本产生的损失函数值与赋予的权重相乘，从而达到降低流行商品重要性和提高长尾产品重要性的目的。在本发明实施例中，商品的权重根据商品的流行度计算得出，与商品的流行度成反比。假设商品流行度为p，则首先取权重w为流行度的倒数：
为了避免权重的差距过大，取所有商品流行度中位数的权重为阈值，高于该商品的权重做切顶处理，即
w′＝min(w,c)；
为了进一步降低权重的方差，进行归一化处理，即：
m＝max(w′)；
通过取流行度倒数，并加入切顶和归一化操作，本发明实施例提高了长尾商品在推荐训练过程中的重要性，从而使得推荐出更多的长尾商品。
本发明实施例在模型训练中采用了多模式交替训练的方式，具体来讲，我们将每一轮模型训练分成两个阶段，第一个阶段为整体推荐性能优化，第二个阶段为长尾性能优化，两个阶段交替进行。在第一个阶段，我们采用完全随机负采样，同时每一个商品的权重是相等的，不做任何区分，因此在第一阶段流行商品占据主流，模型学习出使整体推荐性能较好的参数；在第二个阶段，基于商品流行度的负采样方法，以更高的概率采集流行商品作为负样本，同时为不同商品赋予不同的权重，权重与商品流行度成反比，在这一阶段侧重于提高长尾商品的推荐性能。
在上述实施例的基础上，在所述根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型之后，所述方法还包括：
根据训练好的商品推荐模型，得到样本商品和用户之间的向量表征，以用于构建最近邻搜索库；
根据后续得到的用户向量，对所述最近邻搜索库对进行检索，通过计算所述用户向量和所述最近邻搜索库中商品向量之间的内积，将最大内积对应的商品向量作为商品推荐结果。
图4为本发明实施例提供的基于最近邻搜索的商品推荐示意图，可参考图4所示，本发明实施例使用图注意力网络作为基础模型，模型为每一个用户和商品学习出了一个向量化的表征。在实际的推荐过程中，需要为每个用户筛选匹配的商品，而在图神经网络学习出的向量空间中，向量之间的内积代表用户和商品之间的相似度，需要为用户推荐最为相似的商品。本发明实施例在商品推荐过程中，采用最近邻搜索的方法，即将图神经网络学习出的所有商品向量表征作为一个检索库，而将图神经网络学习出的用户向量表征作为检索向量，在检索库中搜索与给定检索向量内积最大的向量作为推荐的结果。
在上述实施例的基础上，在所述根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型之后，所述方法还包括：
对所述训练好的商品推荐模型的整体性能和长尾性能进行离线评测，所述整体性能包括召回率和命中率；所述长尾性能包括覆盖率、熵、基尼系数、长尾商品比例和平均流行度。
在本发明实施例中，对商品推荐模型进行离线评测，同时考虑了整体性能和长尾性能相关的指标，在实际离线评测中，整体性能反映了商品推荐模型的精准度，而长尾性能则反映了商品推荐模型挖掘长尾商品的能力。对于整体性能，本发明实施例关注召回率(recall)和命中率(hit ratio)；对于长尾性能，本发明实施例关注覆盖率(coverage)、熵(entropy)、基尼系数(gini index)、长尾商品比例(long-tail ratio)和平均流行度(average popularity)。其中，命中率表示测试集中所有正样本被模型识别并推荐的比例，召回率在命中率的基础上对用户做了平均，覆盖率表示推荐商品集合包含的商品总数，熵表示推荐商品集合中不同商品的推荐次数分布的均匀程度，基尼系数同样反映不同商品类别的分布是否平均，长尾商品比例反映用户推荐列表中长尾商品所占的比例，而平均流行度衡量用户推荐列表中商品的平均流行度。
图5为本发明实施例提供的基于图注意力网络的长尾商品推荐系统的结构示意图，如图5所示，本发明实施例提供了一种基于图注意力网络的长尾商品推荐系统，包括待推荐商品信息获取模块501和商品推荐模块502，其中，待推荐商品信息获取模块501用于获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；商品推荐模块502用于将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
本发明实施例提供的一种基于图注意力网络的长尾商品推荐系统，基于图注意力网络提升长尾商品的推荐效果，使得向用户推荐的商品中包含更多长尾商品。
在上述实施例的基础上，所述系统还包括：
第一样本获取模块，用于获取样本商品ID信息、样本用户ID信息和样本商品流行度信息，并通过所述样本商品ID信息和所述样本用户ID信息构成正样本，得到第一训练样本集；
第二样本获取模块，用于根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集；
模型训练模块，用于根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图6为本发明实施例提供的电子设备结构示意图，参照图6，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下方法：获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于图注意力网络的长尾商品推荐方法，例如包括：获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图注意力网络的长尾商品推荐方法，其特征在于，包括：
获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；
将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
2.根据权利要求1所述的基于图注意力网络的长尾商品推荐方法，其特征在于，所述训练好的商品推荐模型通过以下步骤训练得到：
获取样本商品ID信息、样本用户ID信息和样本商品流行度信息，并通过所述样本商品ID信息和所述样本用户ID信息构成正样本，得到第一训练样本集；
根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集；
根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型。
3.根据权利要求2所述的基于图注意力网络的长尾商品推荐方法，其特征在于，所述根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集，包括：
根据样本商品流行度信息，获取用户和商品之间的平均流行度；
在每次获取负样本之前，使用随机数生成器生成一个随机数，若所述随机数小于预设超参数，则从流行度大于所述平均流行度的样本商品中获取负样本；若所述随机数大于等于所述预设超参数，则从所有样本商品中获取负样本；
根据获取得到的负样本，构建第二训练样本集。
4.根据权利要求2所述的基于图注意力网络的长尾商品推荐方法，其特征在于，所述通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型，包括：
通过第一样本用户商品二部图，对图注意力网络进行训练，得到预训练的图注意力网络；
对第二样本用户商品二部图中的流行商品赋予第一权重，对所述第二样本用户商品二部图中的长尾商品赋予第二权重，并通过赋予权重后的第二样本用户商品二部图，对所述预训练的图注意力网络进行训练，通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型，其中，所述第一权重和第二权重通过样本商品流行度信息获取得到。
5.根据权利要求2所述的基于图注意力网络的长尾商品推荐方法，其特征在于，在所述根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型之后，所述方法还包括：
根据训练好的商品推荐模型，得到样本商品和用户之间的向量表征，以用于构建最近邻搜索库；
根据后续得到的用户向量，对所述最近邻搜索库对进行检索，通过计算所述用户向量和所述最近邻搜索库中商品向量之间的内积，将最大内积对应的商品向量作为商品推荐结果。
6.根据权利要求2所述的基于图注意力网络的长尾商品推荐方法，其特征在于，在所述根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型之后，所述方法还包括：
对所述训练好的商品推荐模型的整体性能和长尾性能进行离线评测，所述整体性能包括召回率和命中率；所述长尾性能包括覆盖率、熵、基尼系数、长尾商品比例和平均流行度。
7.一种基于图注意力网络的长尾商品推荐系统，其特征在于，包括：
待推荐商品信息获取模块，用于获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；
商品推荐模块，用于将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的，其中，所述标记为负样本的样本商品ID信息和样本用户ID信息是通过样本商品流行度信息和预设超参数确定得到的。
8.根据权利要求7所述的基于图注意力网络的长尾商品推荐系统，其特征在于，所述系统还包括：
第一样本获取模块，用于获取样本商品ID信息、样本用户ID信息和样本商品流行度信息，并通过所述样本商品ID信息和所述样本用户ID信息构成正样本，得到第一训练样本集；
第二样本获取模块，用于根据所述样本商品流行度信息和所述预设超参数，从所述样本商品ID信息和所述样本用户ID信息中获取负样本，得到第二训练样本集；
模型训练模块，用于根据所述第一训练样本集和第二训练样本集，分别构建对应的样本用户商品二部图，得到第一样本用户商品二部图和第二样本用户商品二部图，并通过所述第一样本用户商品二部图和第二样本用户商品二部图依次对图注意力网络进行交替训练，得到训练好的商品推荐模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于图注意力网络的长尾商品推荐方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于图注意力网络的长尾商品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010306909.5A CN111681067B (zh) | 2020-04-17 | 2020-04-17 | 基于图注意力网络的长尾商品推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010306909.5A CN111681067B (zh) | 2020-04-17 | 2020-04-17 | 基于图注意力网络的长尾商品推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111681067A true CN111681067A (zh) | 2020-09-18 |
| CN111681067B CN111681067B (zh) | 2023-10-31 |
Family
ID=72451633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010306909.5A Active CN111681067B (zh) | 2020-04-17 | 2020-04-17 | 基于图注意力网络的长尾商品推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111681067B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330406A (zh) * | 2020-11-10 | 2021-02-05 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
| CN112365062A (zh) * | 2020-11-13 | 2021-02-12 | 中国民航大学 | 一种民航旅客隐式交互特征挖掘与航班推荐方法及系统 |
| CN112464647A (zh) * | 2020-11-23 | 2021-03-09 | 北京智源人工智能研究院 | 一种面向推荐系统的负采样方法、装置和电子设备 |
| CN112488355A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 基于图神经网络预测用户评级的方法和装置 |
| CN112507246A (zh) * | 2020-12-13 | 2021-03-16 | 天津大学 | 一种融合全局和局部社会兴趣影响的社会推荐方法 |
| CN112800207A (zh) * | 2021-01-13 | 2021-05-14 | 桂林电子科技大学 | 一种商品信息推荐方法、装置及存储介质 |
| CN112861988A (zh) * | 2021-03-04 | 2021-05-28 | 西南科技大学 | 一种基于注意力图神经网络的特征匹配方法 |
| CN112989186A (zh) * | 2021-02-25 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 |
| CN113256367A (zh) * | 2021-04-25 | 2021-08-13 | 西安交通大学 | 基于用户行为历史数据的商品推荐方法、系统、设备及介质 |
| CN114861783A (zh) * | 2022-04-26 | 2022-08-05 | 北京三快在线科技有限公司 | 推荐模型训练方法、装置、电子设备及存储介质 |
| CN116610857A (zh) * | 2023-04-10 | 2023-08-18 | 南京邮电大学 | 一种基于用户对岗位流行度偏好的个性化岗位推荐方法 |
| CN116911902A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 目标推荐方法及装置 |
| CN117290611A (zh) * | 2023-11-24 | 2023-12-26 | 北京信立方科技发展股份有限公司 | 基于多层次知识图谱的仪器推荐方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903111A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
| US20190205701A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
| CN110851708A (zh) * | 2019-10-16 | 2020-02-28 | 中国平安人寿保险股份有限公司 | 负样本的抽取方法、装置、计算机设备和存储介质 |
| CN110969516A (zh) * | 2019-12-25 | 2020-04-07 | 清华大学 | 一种商品推荐方法及装置 |
-
2020
- 2020-04-17 CN CN202010306909.5A patent/CN111681067B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903111A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
| US20190205701A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
| CN110851708A (zh) * | 2019-10-16 | 2020-02-28 | 中国平安人寿保险股份有限公司 | 负样本的抽取方法、装置、计算机设备和存储介质 |
| CN110969516A (zh) * | 2019-12-25 | 2020-04-07 | 清华大学 | 一种商品推荐方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张天龙;韩立新;: "基于全局与局部相融合的方面注意力推荐模型", 中国科技论文 * |
| 焦琛皓;: "基于交易序列的推荐算法研究", 计算机产品与流通 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488355A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 基于图神经网络预测用户评级的方法和装置 |
| CN112330406A (zh) * | 2020-11-10 | 2021-02-05 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
| CN112365062A (zh) * | 2020-11-13 | 2021-02-12 | 中国民航大学 | 一种民航旅客隐式交互特征挖掘与航班推荐方法及系统 |
| CN112464647A (zh) * | 2020-11-23 | 2021-03-09 | 北京智源人工智能研究院 | 一种面向推荐系统的负采样方法、装置和电子设备 |
| CN112507246B (zh) * | 2020-12-13 | 2022-09-13 | 天津大学 | 一种融合全局和局部社会兴趣影响的社会推荐方法 |
| CN112507246A (zh) * | 2020-12-13 | 2021-03-16 | 天津大学 | 一种融合全局和局部社会兴趣影响的社会推荐方法 |
| CN112800207A (zh) * | 2021-01-13 | 2021-05-14 | 桂林电子科技大学 | 一种商品信息推荐方法、装置及存储介质 |
| CN112800207B (zh) * | 2021-01-13 | 2022-05-13 | 桂林电子科技大学 | 一种商品信息推荐方法、装置及存储介质 |
| CN112989186A (zh) * | 2021-02-25 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 |
| CN112989186B (zh) * | 2021-02-25 | 2024-01-12 | 深圳市雅阅科技有限公司 | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 |
| CN112861988A (zh) * | 2021-03-04 | 2021-05-28 | 西南科技大学 | 一种基于注意力图神经网络的特征匹配方法 |
| CN113256367A (zh) * | 2021-04-25 | 2021-08-13 | 西安交通大学 | 基于用户行为历史数据的商品推荐方法、系统、设备及介质 |
| CN113256367B (zh) * | 2021-04-25 | 2023-06-06 | 西安交通大学 | 用户行为历史数据的商品推荐方法、系统、设备及介质 |
| CN114861783A (zh) * | 2022-04-26 | 2022-08-05 | 北京三快在线科技有限公司 | 推荐模型训练方法、装置、电子设备及存储介质 |
| CN116610857A (zh) * | 2023-04-10 | 2023-08-18 | 南京邮电大学 | 一种基于用户对岗位流行度偏好的个性化岗位推荐方法 |
| CN116610857B (zh) * | 2023-04-10 | 2024-05-03 | 南京邮电大学 | 一种基于用户对岗位流行度偏好的个性化岗位推荐方法 |
| CN116911902A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 目标推荐方法及装置 |
| CN117290611A (zh) * | 2023-11-24 | 2023-12-26 | 北京信立方科技发展股份有限公司 | 基于多层次知识图谱的仪器推荐方法及装置 |
| CN117290611B (zh) * | 2023-11-24 | 2024-02-23 | 北京信立方科技发展股份有限公司 | 基于多层次知识图谱的仪器推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111681067B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111681067B (zh) | 基于图注意力网络的长尾商品推荐方法及系统 | |
| Wang et al. | Attention-based transactional context embedding for next-item recommendation | |
| CN110969516B (zh) | 一种商品推荐方法及装置 | |
| CN107330115B (zh) | 一种信息推荐方法及装置 | |
| WO2022041979A1 (zh) | 一种信息推荐模型的训练方法和相关装置 | |
| CN108596774B (zh) | 基于深层次网络嵌入特征的社会化信息推荐算法及系统 | |
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
| CN111460130A (zh) | 信息推荐方法、装置、设备和可读存储介质 | |
| CN111695965B (zh) | 基于图神经网络的产品筛选方法、系统及设备 | |
| CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
| CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
| Li et al. | Lrbm: A restricted boltzmann machine based approach for representation learning on linked data | |
| CN113268656A (zh) | 一种用户推荐方法、装置、电子设备及计算机存储介质 | |
| WO2020135642A1 (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
| CN113011471A (zh) | 一种社交群体的划分方法、划分系统及相关装置 | |
| CN112632984A (zh) | 基于描述文本词频的图模型移动应用分类方法 | |
| CN112396492A (zh) | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 | |
| CN108389113B (zh) | 一种协同过滤推荐方法和系统 | |
| CN110347916B (zh) | 跨场景的项目推荐方法、装置、电子设备及存储介质 | |
| CN116361643A (zh) | 实现对象推荐的模型训练方法及对象推荐方法及相关装置 | |
| CN113836444B (zh) | 一种线性时间好友推荐方法、系统、终端以及存储介质 | |
| Oliveira et al. | Multi-objective evolutionary rank aggregation for recommender systems | |
| CN113268660B (zh) | 一种基于生成对抗网络的多样性推荐方法、装置及服务器 | |
| CN114329167A (zh) | 超参数学习、智能推荐、关键词和多媒体推荐方法及装置 | |
| CN114625893A (zh) | 一种媒体资源召回方法、装置、服务器及存储介质 |
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 |