CN111709819B - 一种点拍网基于图神经网络的产权交易推荐系统及推荐方法 - Google Patents
一种点拍网基于图神经网络的产权交易推荐系统及推荐方法 Download PDFInfo
- Publication number
- CN111709819B CN111709819B CN202010492185.8A CN202010492185A CN111709819B CN 111709819 B CN111709819 B CN 111709819B CN 202010492185 A CN202010492185 A CN 202010492185A CN 111709819 B CN111709819 B CN 111709819B
- Authority
- CN
- China
- Prior art keywords
- target
- user
- data
- module
- recommendation
- 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
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
- G06Q30/08—Auctions
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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
Abstract
本发明提供一种点拍网基于图神经网络的产权交易推荐系统及推荐方法,涉及产权交易领域。该方法基于大数据匹配的产权交易平台,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块,用户注册后在招商模块浏览,由推荐模块基于大数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中,为买家推荐产权项目,提高产权项目的交易速度;推荐模块使用基于图神经网络元路径的推荐方式,提高了推荐的精准度,且可以清晰的给出推荐理由。
Description
技术领域
本发明涉及一种点拍网基于图神经网络的产权交易推荐系统及推荐方法,属于交易平台技术领域。
背景技术
产权交易具有限制性、复杂性、多样性、市场性等特征。点拍网目前进行的产权交易面对的产权项目都是非标品,导致现有的产权交易过程中,买家在点拍网的众多的资产交易项目中寻找自己感兴趣的标的。由于非标产权的无规律性,对点拍网交易平台来讲,如何为用户推荐,重点精准定向宣传推广,需要耗费大量的时间和精力,并且还存在推荐标的不符合用户真正需求的情况。
目前点拍网对用户进行物品推荐使用用户和物品协同过滤的方式,存在两个问题,一是精准度不够,目前精准度在75%左右。二是存在冷启动问题,新注册的用户,或在平台操作较少的用户,无法进行精准推荐。
深度学习方法在推荐系统应用中有着越来越重要的应用,利用深度模型学习到的特征表示,可以补充,甚至取代传统的推荐算法。近年来,随着能够在图结构数据上进行学习的深度学习方法的出现,这一领域取得了重大进展,因为图结构数据一直是推荐应用的基础。其中最突出的是图卷积网络(GCN)这一深度学习体系结构的成功。GCN背后的核心思想是学习如何利用神经网络迭代地聚合来自局部图邻域的特征信息。一个“卷积”操作从一个节点的单跳图邻域转换并聚集特征信息,并且通过叠加多个这样的卷积操作,信息可以传播到图的远端。与基于内容的深度模型(如递归神经网络)不同的是,GCN既利用了内容信息,也利用了图结构。目前并没有将图卷积网络应用到非标产权推荐的应用。
发明内容
针对现有技术的不足,本发明提供一种点拍网基于图神经网络的产权交易推荐方法,解决了现有基于用户和物品协同过滤推荐算法精准度低问题。另外,解决了基于协同过滤等算法等基于最大概率推荐导致的不可解释性问题,即能给出推荐数据,但无法给出推荐的解释原因。本发明通过使用GNN元路径数据分析方式,取推荐概率最高的元路径的方式进行推荐,推荐的解释理由即交易数据图的元路径。
本发明还提供基于上述推荐方法的推荐系统。
本发明的技术方案如下:
一种点拍网基于图神经网络的产权交易推荐方法,基于图神经网络推荐交易标的,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块;
用户在注册模块需要填写注册信息,注册信息包括必填信息和选填信息,必填信息包括姓名、身份证号、电话号码,选填信息包括感兴趣的产权项目类型,由注册模块为注册用户分配唯一用户ID即UserId;
招商模块用于显示产权交易项目;
用户在交易模块完成交易过程,同时形成交易数据,所述交易过程包括用户保证金缴纳、项目报名、参与竞拍、项目报价,交易过程结束时形成交易数据,交易模块将交易数据反馈给数据存储模块,该模块产生的交易数据是本发明中项目推荐的主要数据来源和依据,即根据用户对标的的喜好程度进行推荐;
数据存储模块保存反馈来的数据并将数据提供给推荐模块,数据存储模块包括存储数据库,所述数据包括交易数据,且信息记录保存有提供大数据交易服的数据来源,数据存储于存储数据库中;
推荐模块接受数据存储模块提供的数据,将交易数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中。
为竞买人用户推荐感兴趣的标的,在点拍网众多类型标的中帮助客户快速找到与自己相关的。拍卖公司也可以根据推荐分析数据,精准营销,同时,也可以通过智能推荐系统发现潜在的买家客户。通过本发明的基于图神经网络的推荐方法,结合点拍网存储的用户交易数据,提高为买方客户推荐标的的精准性,提高拍卖公司资产处置的工作效率,针对目标客户精准营销,提高产权交易项目处置的流动性和速动性。
优选的,招商模块的显示包括普通显示、重点显示、推荐显示,普通显示用于展示所有的目前处于招商阶段的产权交易项目,重点显示用于通过招商专场的形式重点宣传,推荐显示用于个性化推荐当前用户感兴趣的项目。招商模块展示宣传平台目前处于招商阶段的产权交易项目,重点项目通过招商专场的形式重点宣传。
优选的,招商模块还用于收集用户反馈,用户在招商模块进行浏览、标注操作,显示的项目上包括感兴趣和不感兴趣两个选项,用户进行选择,招商模块收集到用户感兴趣的标的类别、并形成意向数据,招商模块将意向数据反馈给数据存储模块,并由数据存储模块提供给推荐模块,由推荐模块对比推荐数据和意向数据,如果意向数据为感兴趣意向,则将意向数据添加至推荐数据中;如果意向数据为不感兴趣意向,则遍历推荐数据,将推荐数据中存在的不感兴趣的意向数据剔除。
用户对某项目感兴趣,可以填写咨询意向。用户填写的咨询信息代表用户对此类标的感兴趣,此类数据是为用户推荐项目的判断来源之一。另外,在招商模块为展示根据用户喜好推荐的项目,用户可以对推荐的项目进行标注,如果对某类项目不感兴趣,后续将减少对此类项目的推荐。
优选的,交易数据包括用户ID、标的ID、标的名称、标的类型、标的行业、标的位置、起拍价、浏览次数、用户报名、出价次数、成交结果。
优选的,推荐模块基于图神经网络的训练方法包括如下步骤:
步骤1:根据交易数据生成知识图谱V(即图4所示的产权交易图graph),生成(用户—<喜好>—标的)三元组数据,三元组数据包括用户和标的两个节点,两个节点之间的关系为“喜好”,
喜好的权重通过用户对标的的浏览次数、用户报名、出价次数、成交结果进行计算,得到权重结果,具体的算法规则为:
设定喜好程度分数满分为10分,浏览次数的单次分值为0.5分,浏览次数的总分值为单次分值*浏览次数,浏览次数的满分为2分;用户报名分为报名和未报名,报名分值为2分,未报名分值为0分;成交结果分为成交和未成交,成交分值为3分,未成交分值为0分;出价次数的单次分值为1分,出价次数的总分值为单次分值*出价次数,出价次数的满分为3分;
将上述4项分值求和得到最终的分数即为喜好的权重;
将标的名称、标的类型、标的行业、标的位置、起拍价作为标的节点的属性;
最终生成的三元组数据格式为[用户ID,like,标的ID],如:数据格式样例为:[10001,like,1000061]格式,喜好程度最终分数作为like关系的权重w,生成的知识图谱V即产权交易数据图graph;
步骤2:通过多种元路径之一,从每个用户节点出发,遍历知识图谱V,生成标的T序列:
元路径1:UTUT(即用户-标的-用户-标的):
从“用户1”节点出发,按UTUT(用户-标的-用户-标的)的路径规则,首先得到用户1所指的标的,首先得到“标的1”节点,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重],因此TVec=[标的1,9];找到并访问产权交易图graph中其他指向该标的的用户,产权交易图graph中有另外两个用户(用户2和用户4)指向标的1,因此下一步要访问用户2及用户4节点;
从新访问的用户出发得到该用户指向的标的,从用户2出发得到标的1和标的5,将得到的标的加入TVec,对已存在的标的,进行权重相加,因此,TVec=[标的1,9+2=11,标的5,3];
从用户4出发得到标的1和标的6,TVec=[标的1,11+1,标的5,3,标的6,8];
再找到并访问产权交易图graph中其他指向该新增标的的用户,再从标的5和标的6出发,重复上述UTUT过程,直至找不到后续节点为止;
上述过程即图神经网络中为了更加全面的刻画每个节点不断聚合邻居,邻居的邻居对自己影响的过程。以图5中用户1作为节点1为例,再从标的5和标的6出发,没有其余的用户指向标的5,但还有用户5指向标的6,因此下一步访问用户5节点,从用户5出发,得到标的3和标的6,TVec=[标的1,12,标的3,8,标的5,3,标的6,8+5],对于新增的标的3,除了用户5指向标的3,还有用户1指向标的3,因此进一步得到TVec=[标的1,12,标的3,8+3,标的5,3,标的6,13];至此,没有新增标的,得到以用户1为节点1遍历生成的向量序列,去除权重,只保留标的名称,最终生成的向量序列为TVec1=[标的1,标的3,标的5,标的6],对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵,n为用户节点的数量:
[
TVec1
TVec2
TVec3
...
TVecn
]
元路径2:UTAT(用户-标的-属性-标的):
从“用户1”节点出发,按UTAT(用户-标的-属性-标的)的路径规则,首先得到用户1所指的标的,如“标的1”节点,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重],因此TVec=[标的1:9];选择标的1的某个或某几个属性,从属性出发,找到属性相同的其他标的,从标的1的两个属性标的行业与标的位置出发,找到属性值相同的节点标的2、标的5,(如果选择多个属性,则多个属性必须都一样才为找到属性相同的其他标的),将该新找到的标的加入向量序列,TVec=[标的1,9,标的2,9],如果通过属性找到的新的标的与用户节点之间没有喜好关系,则该新的标的的权重等同于用户对上一个标的的权重,如图6中,用户1对标的2的权重按用户1对节点1的权重、即为9;
重复上述UTAT过程,对知识图谱V中的每个用户节点都进行上述UTAT过程,直至找不到后续节点为止;上述过程即图神经网络中为了更加全面的刻画每个节点不断聚合邻居,邻居的邻居对自己影响的过程。以图6中用户1作为节点1为例,最终生成的向量序列为TVec1=[标的1,标的2,标的5],对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵TVS,n为用户数量:
[
TVec1
TVec2
TVec3
...
TVecn
]
步骤3:
根据步骤2得到的向量序列矩阵TVS,生成向量数据矩阵Tmax,将向量序列矩阵TVS按[用户ID,标的ID,标的类型,起拍价,保留价,标的位置,标的行业,喜好权重]的格式形成向量数据矩阵Tmax,Tmax中的每行数据都包括每个标的的属性值;
样例数据:[10001,10000601,1,2,370100,1000000,1000000,1,9
10001,10000602,1,1,370100,800000,900000,2,7
......
10001,10000603,1,1,370100,50000,50000,1,6]
对Tmax中的每列数据,使用归一化处理,过程如下:
取值范围为0-1之间,归一化方法使线性函数转换方法,表达式如下:
y=(x-MinValue)/(MaxValue-MinValue)
x、y分别为Tmax中的每列数据转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
归一化处理后的样例数据如下:
[0.12,0.23,0.8,0.6,0.56,0.86,0.81,0.6,0.9
0.12,0.28,0.8,0.4,0.56,0.25,0.75,0.8,0.7
......
0.12,0.29,0.8,0.5,0.56,0.15,0.62,0.7,0.6]
步骤4:使用卷积神经网络对归一化后的数据进行特征提取,数据的最后一列作为训练的输出层,16个用户标的数据为一批进行训练;卷积核采用2X2大小,2个卷积层,2个池化层,采用最大值(max-pooling)池化方法;本方案使用的卷积神经网络结构图如图7所示:
使用卷积神经网络通过两个卷积层,两个池化层训练,输出为输入数据第一列用户ID对应的各种标的类型的喜好概率;第一列用户ID可以是不同的用户ID,这个Tmax包含所有用户的数据;
步骤5:使用步骤4训练好的模型,进行用户标的推荐;
标的推荐从点拍网平台所有未成交标的,确定推荐标的的范围A;输入用户ID及A中随机选择的多个(如20个)标的信息数据,通过模型匹配,输出该用户ID在数据集A上、每个标的喜好概率,与步骤4的结果进行概率P对比,(之所以对比,是因为步骤4中的数据为系统中的数据,是真实数据。步骤5中是通过模型匹配,算法算出来的概率,存在一定的差异性,因此以第四步数据作为校准,即判定模型预测的对不对,或预测的准不准),最接近P的一批数据进入候选列表,将候选列表推荐给该用户ID,该候选列表即为推荐数据,显示在招商模块中。
进一步优选的,步骤5中,所有未成交标的按上传时间进行排序,优选最近上传的标的作为待匹配数据,确定推荐标的的范围A。
进一步优选的,步骤5中,得到候选列表后,根据标的的上传时间先后再进行排序,将再排序后的候选列表推荐给用户。最新上传的标的优先推荐给用户。
一种点拍网基于图神经网络的产权交易推荐系统,基于图神经网络推荐交易标的,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块;
注册模块用于实现用户注册功能,用户在注册需要填写注册信息,注册信息包括必填信息和选填信息,必填信息包括姓名、身份证号、电话号码,选填信息包括感兴趣的产权项目类型,由注册模块为注册用户分配唯一用户ID即UserId;
招商模块用于显示产权交易项目;
交易模块用于实现交易过程和收集用户交易数据,所述交易过程包括用户保证金缴纳、项目报名、参与竞拍、项目报价,交易过程结束时形成交易数据,交易模块将交易数据反馈给数据存储模块,该模块产生的交易数据是本发明中项目推荐的主要数据来源和依据,即根据用户对标的的喜好程度进行推荐;
数据存储模块用于保存数据,数据存储模块包括存储数据库,所述数据包括交易数据,且信息记录保存有提供大数据交易服的数据来源,数据存储于存储数据库中;
推荐模块接受数据存储模块提供的数据,将交易数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中。
本发明的有益效果在于:
1、本发明采用点拍网基于图神经网络大数据分析的项目交易推荐服务,为买家推荐精准的项目,加快交易速度。可以整体提高产权的出售速度,且大数据交易服务利用用户的注册信息、网络可以收集的背景信息和之前交易的信息综合判断,可以大大提高大数据筛选的准确性。
2、本发明采用点拍网基于图神经网络元路径推荐的方法,在为用户提供推荐的项目的同时,可以提供推荐的理由。
附图说明
图1为本发明的平台交易过程框图;
图2为本发明的大数据筛选框图;
图3为本发明系统架构图;
图4为产权交易图graph;
图5为步骤2中UTUT元路径遍历示意图;
图6为步骤2中UTAT元路径遍历示意图;
图7为卷积神经网络训练示意图。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
实施例1:
一种点拍网基于图神经网络的产权交易推荐方法,基于图神经网络推荐交易标的,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块;
用户在注册模块需要填写注册信息,注册信息包括必填信息和选填信息,必填信息包括姓名、身份证号、电话号码,选填信息包括感兴趣的产权项目类型,由注册模块为注册用户分配唯一用户ID即UserId;
招商模块用于显示产权交易项目;
用户在交易模块完成交易过程,同时形成交易数据,所述交易过程包括用户保证金缴纳、项目报名、参与竞拍、项目报价,交易过程结束时形成交易数据,交易模块将交易数据反馈给数据存储模块,该模块产生的交易数据是本发明中项目推荐的主要数据来源和依据,即根据用户对标的的喜好程度进行推荐;
数据存储模块保存反馈来的数据并将数据提供给推荐模块,数据存储模块包括存储数据库,所述数据包括交易数据,且信息记录保存有提供大数据交易服的数据来源,数据存储于存储数据库中;
推荐模块接受数据存储模块提供的数据,将交易数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中。
为竞买人用户推荐感兴趣的标的,在点拍网众多类型标的中帮助客户快速找到与自己相关的。拍卖公司也可以根据推荐分析数据,精准营销,同时,也可以通过智能推荐系统发现潜在的买家客户。通过本发明的基于图神经网络的推荐方法,结合点拍网存储的用户交易数据,提高为买方客户推荐标的的精准性,提高拍卖公司资产处置的工作效率,针对目标客户精准营销,提高产权交易项目处置的流动性和速动性。
交易数据包括用户ID、标的ID、标的名称、标的类型、标的行业、标的位置、起拍价、浏览次数、用户报名、出价次数、成交结果,数据格式如表1所示。
表1交易数据的数据格式示例
推荐模块基于图神经网络的训练方法包括如下步骤:
步骤1:根据交易数据生成知识图谱V(即图4所示的产权交易图graph),生成(用户—<喜好>—标的)三元组数据,三元组数据包括用户和标的两个节点,两个节点之间的关系为“喜好”,
喜好的权重通过用户对标的的浏览次数、用户报名、出价次数、成交结果进行计算,得到权重结果,具体的算法规则为,如表2所示:
设定喜好程度分数满分为10分,浏览次数的单次分值为0.5分,浏览次数的总分值为单次分值*浏览次数,浏览次数的满分为2分;用户报名分为报名和未报名,报名分值为2分,未报名分值为0分;成交结果分为成交和未成交,成交分值为3分,未成交分值为0分;出价次数的单次分值为1分,出价次数的总分值为单次分值*出价次数,出价次数的满分为3分;
将上述4项分值求和得到最终的分数即为喜好的权重;
表2喜好的权重的计算规则
字段 | 操作类型 | 分值/每次 | 满分 |
说明 | 整数64位 | 整数64位 | 10分为满分 |
浏览次数 | 0.5 | 2 | |
用户报名 | 2 | 2 | |
出价次数 | 1 | 3 | |
成交结果 | 3 | 3 |
将标的名称、标的类型、标的行业、标的位置、起拍价作为标的节点的属性;
最终生成的三元组数据格式为[用户ID,like,标的ID],如:数据格式样例为:[10001,like,1000061]格式,喜好程度最终分数作为like关系的权重w,生成的知识图谱V即产权交易数据图graph,如图4所示;
步骤2:通过多种元路径之一,从每个用户节点出发,遍历知识图谱V,生成标的T序列:
元路径1:UTUT(即用户-标的-用户-标的),如图5所示:
从“用户1”节点出发,按UTUT(用户-标的-用户-标的)的路径规则,首先得到用户1所指的标的,首先得到“标的1”节点,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重],因此TVec=[标的1,9];找到并访问产权交易图graph中其他指向该标的的用户,产权交易图graph中有另外两个用户(用户2和用户4)指向标的1,因此下一步要访问用户2及用户4节点;
从新访问的用户出发得到该用户指向的标的,从用户2出发得到标的1和标的5,将得到的标的加入TVec,对已存在的标的,进行权重相加,因此,TVec=[标的1,9+2=11,标的5,3];
从用户4出发得到标的1和标的6,TVec=[标的1,11+1,标的5,3,标的6,8];
再找到并访问产权交易图graph中其他指向该新增标的的用户,再从标的5和标的6出发,重复上述UTUT过程,直至找不到后续节点为止;
上述过程即图神经网络中为了更加全面的刻画每个节点不断聚合邻居,邻居的邻居对自己影响的过程。以图5中用户1作为节点1为例,再从标的5和标的6出发,没有其余的用户指向标的5,但还有用户5指向标的6,因此下一步访问用户5节点,从用户5出发,得到标的3和标的6,TVec=[标的1,12,标的3,8,标的5,3,标的6,8+5],对于新增的标的3,除了用户5指向标的3,还有用户1指向标的3,因此进一步得到TVec=[标的1,12,标的3,8+3,标的5,3,标的6,13];至此,没有新增标的,得到以用户1为节点1遍历生成的向量序列,去除权重,只保留标的名称,最终生成的向量序列为TVec1=[标的1,标的3,标的5,标的6],对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵,n为用户节点的数量:
[
TVec1
TVec2
TVec3
...
TVecn
]
元路径2:UTAT(用户-标的-属性-标的),如图6所示:
从“用户1”节点出发,按UTAT(用户-标的-属性-标的)的路径规则,首先得到用户1所指的标的,如“标的1”节点,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重],因此TVec=[标的1:9];选择标的1的某个或某几个属性,从属性出发,找到属性相同的其他标的,如图6中,从标的1的两个属性标的行业与标的位置出发,找到属性值相同的节点标的2、标的5,(如果选择多个属性,则多个属性必须都一样才为找到属性相同的其他标的),将该新找到的标的加入向量序列,TVec=[标的1,9,标的2,9],如果通过属性找到的新的标的与用户节点之间没有喜好关系,则该新的标的的权重等同于用户对上一个标的的权重,如图6中,用户1对标的2的权重按用户1对节点1的权重、即为9;
重复上述UTAT过程,对知识图谱V中的每个用户节点都进行上述UTAT过程,直至找不到后续节点为止;上述过程即图神经网络中为了更加全面的刻画每个节点不断聚合邻居,邻居的邻居对自己影响的过程。以图6中用户1作为节点1为例,最终生成的向量序列为TVec1=[标的1,标的2,标的5],对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵TVS,n为用户数量:
[
TVec1
TVec2
TVec3
...
TVecn
]
步骤3:
根据步骤2得到的向量序列矩阵TVS,生成向量数据矩阵Tmax,将向量序列矩阵TVS按[用户ID,标的ID,标的类型,起拍价,保留价,标的位置,标的行业,喜好权重]的格式形成向量数据矩阵Tmax,Tmax中的每行数据都包括每个标的的属性值;
样例数据:[10001,10000601,1,2,370100,1000000,1000000,1,9
10001,10000602,1,1,370100,800000,900000,2,7
......
10001,10000603,1,1,370100,50000,50000,1,6]
对Tmax中的每列数据,使用归一化处理,过程如下:
取值范围为0-1之间,归一化方法使线性函数转换方法,表达式如下:
y=(x-MinValue)/(MaxValue-MinValue)
x、y分别为Tmax中的每列数据转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
归一化处理后的样例数据如下:
[0.12,0.23,0.8,0.6,0.56,0.86,0.81,0.6,0.9
0.12,0.28,0.8,0.4,0.56,0.25,0.75,0.8,0.7
......
0.12,0.29,0.8,0.5,0.56,0.15,0.62,0.7,0.6]
步骤4:使用卷积神经网络对归一化后的数据进行特征提取,数据的最后一列作为训练的输出层,16个用户标的数据为一批进行训练;卷积核采用2X2大小,2个卷积层,2个池化层,采用最大值(max-pooling)池化方法;本方案使用的卷积神经网络结构图如图7所示:
使用卷积神经网络通过两个卷积层,两个池化层训练,输出为输入数据第一列用户ID对应的各种标的类型的喜好概率;第一列用户ID可以是不同的用户ID,这个Tmax包含所有用户的数据;
步骤5:使用步骤4训练好的模型,进行用户标的推荐;
标的推荐从点拍网平台所有未成交标的,确定推荐标的的范围A;输入用户ID及A中随机选择的多个(如20个)标的信息数据,通过模型匹配,输出该用户ID在数据集A上、每个标的喜好概率,与步骤4的结果进行概率P对比,(之所以对比,是因为步骤4中的数据为系统中的数据,是真实数据。步骤5中是通过模型匹配,算法算出来的概率,存在一定的差异性,因此以第四步数据作为校准,即判定模型预测的对不对,或预测的准不准),最接近P的一批数据进入候选列表,将候选列表推荐给该用户ID,该候选列表即为推荐数据,显示在招商模块中。
实施例2:
一种点拍网基于图神经网络的产权交易推荐方法,其步骤如实施例1所述,所不同的是,步骤5中,所有未成交标的按上传时间进行排序,优选最近上传的标的作为待匹配数据,确定推荐标的的范围A。
实施例3:
一种点拍网基于图神经网络的产权交易推荐方法,其步骤如实施例1所述,所不同的是,步骤5中,得到候选列表后,根据标的的上传时间先后再进行排序,将再排序后的候选列表推荐给用户。最新上传的标的优先推荐给用户。
实施例4:
一种点拍网基于图神经网络的产权交易推荐方法,其步骤如实施例1所述,所不同的是,招商模块的显示包括普通显示、重点显示、推荐显示,普通显示用于展示所有的目前处于招商阶段的产权交易项目,重点显示用于通过招商专场的形式重点宣传,推荐显示用于个性化推荐当前用户感兴趣的项目。招商模块展示宣传平台目前处于招商阶段的产权交易项目,重点项目通过招商专场的形式重点宣传。
实施例5:
一种点拍网基于图神经网络的产权交易推荐方法,其步骤如实施例1所述,所不同的是,招商模块还用于收集用户反馈,用户在招商模块进行浏览、标注操作,显示的项目上包括感兴趣和不感兴趣两个选项,用户进行选择,招商模块收集到用户感兴趣的标的类别、并形成意向数据,招商模块将意向数据反馈给数据存储模块,并由数据存储模块提供给推荐模块,由推荐模块对比推荐数据和意向数据,如果意向数据为感兴趣意向,则将意向数据添加至推荐数据中;如果意向数据为不感兴趣意向,则遍历推荐数据,将推荐数据中存在的不感兴趣的意向数据剔除。
用户对某项目感兴趣,可以填写咨询意向。用户填写的咨询信息代表用户对此类标的感兴趣,此类数据是为用户推荐项目的判断来源之一。另外,在招商模块为展示根据用户喜好推荐的项目,用户可以对推荐的项目进行标注,如果对某类项目不感兴趣,后续将减少对此类项目的推荐。
实施例6:
一种点拍网基于图神经网络的产权交易推荐系统,基于图神经网络推荐交易标的,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块;
注册模块用于实现用户注册功能,用户在注册需要填写注册信息,注册信息包括必填信息和选填信息,必填信息包括姓名、身份证号、电话号码,选填信息包括感兴趣的产权项目类型,由注册模块为注册用户分配唯一用户ID即UserId;
招商模块用于显示产权交易项目;
交易模块用于实现交易过程和收集用户交易数据,所述交易过程包括用户保证金缴纳、项目报名、参与竞拍、项目报价,交易过程结束时形成交易数据,交易模块将交易数据反馈给数据存储模块,该模块产生的交易数据是本发明中项目推荐的主要数据来源和依据,即根据用户对标的的喜好程度进行推荐;
数据存储模块用于保存数据,数据存储模块包括存储数据库,所述数据包括交易数据,且信息记录保存有提供大数据交易服的数据来源,数据存储于存储数据库中;
推荐模块接受数据存储模块提供的数据,将交易数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种点拍网基于图神经网络的产权交易推荐方法,其特征在于,基于图神经网络推荐交易标的,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块;
用户在注册模块需要填写注册信息,注册信息包括必填信息和选填信息,必填信息包括姓名、身份证号、电话号码,选填信息包括感兴趣的产权项目类型,由注册模块为注册用户分配唯一用户ID即UserId;
招商模块用于显示产权交易项目;
用户在交易模块完成交易过程,同时形成交易数据,所述交易过程包括用户保证金缴纳、项目报名、参与竞拍、项目报价,交易过程结束时形成交易数据,交易模块将交易数据反馈给数据存储模块;
数据存储模块保存反馈来的数据并将数据提供给推荐模块,数据存储模块包括存储数据库,所述数据包括交易数据,数据存储于存储数据库中;
推荐模块接受数据存储模块提供的数据,将交易数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中;
推荐模块基于图神经网络的训练方法包括如下步骤:
步骤1:根据交易数据生成知识图谱V,生成用户—<喜好>—标的三元组数据,三元组数据包括用户和标的两个节点,两个节点之间的关系为“喜好”,
喜好的权重通过用户对标的的浏览次数、用户报名、出价次数、成交结果进行计算,得到权重结果,具体的算法规则为:
设定喜好程度分数满分为10分,浏览次数的单次分值为0.5分,浏览次数的总分值为单次分值*浏览次数,浏览次数的满分为2分;用户报名分为报名和未报名,报名分值为2分,未报名分值为0分;成交结果分为成交和未成交,成交分值为3分,未成交分值为0分;出价次数的单次分值为1分,出价次数的总分值为单次分值*出价次数,出价次数的满分为3分;
将上述4项分值求和得到最终的分数即为喜好的权重;
将标的名称、标的类型、标的行业、标的位置、起拍价作为标的节点的属性;
最终生成的三元组数据格式为[用户ID,like,标的ID],喜好程度最终分数作为like关系的权重w,生成的知识图谱V即产权交易数据图graph;
步骤2:通过多种元路径之一,从每个用户节点出发,遍历知识图谱V,生成标的T序列:
元路径1:UTUT(即用户-标的-用户-标的):
从“用户1”节点出发,按UTUT(用户-标的-用户-标的)的路径规则,首先得到用户1所指的标的,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重];找到并访问产权交易图graph中其他指向该标的的用户;
从新访问的用户出发得到该用户指向的标的,将得到的标的加入TVec,对已存在的标的,进行权重相加;
再找到并访问产权交易图graph中其他指向新增标的的用户,重复上述UTUT过程,直至找不到后续节点为止;
得到以用户1为节点1遍历生成的向量序列,去除权重,只保留标的名称,最终生成的向量序列为TVec1=[标的1,标的3,标的5,标的6],对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵,n为用户节点的数量:
元路径2:UTAT(用户-标的-属性-标的):
从“用户1”节点出发,按UTAT(用户-标的-属性-标的)的路径规则,首先得到用户1所指的标的,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重];选择标的1的某个或某几个属性,从属性出发,找到属性相同的其他标的;如果选择多个属性,则多个属性必须都一样才为找到属性相同的其他标的;将新找到的标的加入向量序列,如果通过属性找到的新的标的与用户节点之间没有喜好关系,则该新的标的的权重等同于用户对上一个标的的权重;
重复上述UTAT过程,对知识图谱V中的每个用户节点都进行上述UTAT过程,直至找不到后续节点为止;对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵TVS,n为用户数量:
步骤3:
根据步骤2得到的向量序列矩阵TVS,生成向量数据矩阵Tmax,将向量序列矩阵TVS按[用户ID,标的ID,标的类型,起拍价,保留价,标的位置,标的行业,喜好权重]的格式形成向量数据矩阵Tmax;
对Tmax中的每列数据,使用归一化处理,过程如下:
取值范围为0-1之间,归一化方法使线性函数转换方法,表达式如下:
y=(x-MinValue)/(MaxValue-MinValue)
x、y分别为Tmax中的每列数据转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值;
步骤4:使用卷积神经网络对归一化后的数据进行特征提取,数据的最后一列作为训练的输出层,16个用户标的数据为一批进行训练;卷积核采用2X2大小,2个卷积层,2个池化层,采用最大值池化方法;
使用卷积神经网络通过两个卷积层,两个池化层训练,输出为输入数据第一列用户ID对应的各种标的类型的喜好概率;
步骤5:使用步骤4训练好的模型,进行用户标的推荐;
标的推荐从平台所有未成交标的,确定推荐标的的范围A;输入用户ID及A中随机选择的多个标的信息数据,通过模型匹配,输出该用户ID在数据集A上、每个标的喜好概率,与步骤4的结果进行概率P对比,最接近P的一批数据进入候选列表,将候选列表推荐给该用户ID,该候选列表即为推荐数据,显示在招商模块中。
2.根据权利要求1所述的点拍网基于图神经网络的产权交易推荐方法,其特征在于,招商模块的显示包括普通显示、重点显示、推荐显示,普通显示用于展示所有的目前处于招商阶段的产权交易项目,重点显示用于通过招商专场的形式重点宣传,推荐显示用于个性化推荐当前用户感兴趣的项目。
3.根据权利要求1所述的点拍网基于图神经网络的产权交易推荐方法,其特征在于,招商模块还用于收集用户反馈,用户在招商模块进行浏览、标注操作,显示的项目上包括感兴趣和不感兴趣两个选项,用户进行选择,招商模块收集到用户感兴趣的标的类别、并形成意向数据,招商模块将意向数据反馈给数据存储模块,并由数据存储模块提供给推荐模块,由推荐模块对比推荐数据和意向数据,如果意向数据为感兴趣意向,则将意向数据添加至推荐数据中;如果意向数据为不感兴趣意向,则遍历推荐数据,将推荐数据中存在的不感兴趣的意向数据剔除。
4.根据权利要求1所述的点拍网基于图神经网络的产权交易推荐方法,其特征在于,交易数据包括用户ID、标的ID、标的名称、标的类型、标的行业、标的位置、起拍价、浏览次数、用户报名、出价次数、成交结果。
5.根据权利要求1所述的点拍网基于图神经网络的产权交易推荐方法,其特征在于,步骤5中,所有未成交标的按上传时间进行排序,优选最近上传的标的作为待匹配数据,确定推荐标的的范围A。
6.根据权利要求1所述的点拍网基于图神经网络的产权交易推荐方法,其特征在于,步骤5中,得到候选列表后,根据标的的上传时间先后再进行排序,将再排序后的候选列表推荐给用户。
7.一种点拍网基于图神经网络的产权交易推荐系统,基于图神经网络推荐交易标的,包括注册模块、招商模块、交易模块、推荐模块、数据存储模块;
注册模块用于实现用户注册功能,用户在注册模块需要填写注册信息,注册信息包括必填信息和选填信息,必填信息包括姓名、身份证号、电话号码,选填信息包括感兴趣的产权项目类型,由注册模块为注册用户分配唯一用户ID即UserId;
招商模块用于显示产权交易项目;
交易模块用于实现交易过程和收集用户交易数据,所述交易过程包括用户保证金缴纳、项目报名、参与竞拍、项目报价,交易过程结束时形成交易数据,交易模块将交易数据反馈给数据存储模块;
数据存储模块用于保存数据,数据存储模块包括存储数据库,所述数据包括交易数据,数据存储于存储数据库中;
推荐模块接受数据存储模块提供的数据,将交易数据进行用户与标的的关系图的生成、形成图数据,基于图神经网络对图数据进行训练,得到推荐数据,并将推荐数据显示在招商模块中;
推荐模块基于图神经网络的训练方法包括如下步骤:
步骤1:根据交易数据生成知识图谱V,生成用户—<喜好>—标的三元组数据,三元组数据包括用户和标的两个节点,两个节点之间的关系为“喜好”,
喜好的权重通过用户对标的的浏览次数、用户报名、出价次数、成交结果进行计算,得到权重结果,具体的算法规则为:
设定喜好程度分数满分为10分,浏览次数的单次分值为0.5分,浏览次数的总分值为单次分值*浏览次数,浏览次数的满分为2分;用户报名分为报名和未报名,报名分值为2分,未报名分值为0分;成交结果分为成交和未成交,成交分值为3分,未成交分值为0分;出价次数的单次分值为1分,出价次数的总分值为单次分值*出价次数,出价次数的满分为3分;
将上述4项分值求和得到最终的分数即为喜好的权重;
将标的名称、标的类型、标的行业、标的位置、起拍价作为标的节点的属性;
最终生成的三元组数据格式为[用户ID,like,标的ID],喜好程度最终分数作为like关系的权重w,生成的知识图谱V即产权交易数据图graph;
步骤2:通过多种元路径之一,从每个用户节点出发,遍历知识图谱V,生成标的T序列:
元路径1:UTUT(即用户-标的-用户-标的):
从“用户1”节点出发,按UTUT(用户-标的-用户-标的)的路径规则,首先得到用户1所指的标的,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重];找到并访问产权交易图graph中其他指向该标的的用户;
从新访问的用户出发得到该用户指向的标的,将得到的标的加入TVec,对已存在的标的,进行权重相加;
再找到并访问产权交易图graph中其他指向新增标的的用户,重复上述UTUT过程,直至找不到后续节点为止;
得到以用户1为节点1遍历生成的向量序列,去除权重,只保留标的名称,最终生成的向量序列为TVec1=[标的1,标的3,标的5,标的6],对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵,n为用户节点的数量:
元路径2:UTAT(用户-标的-属性-标的):
从“用户1”节点出发,按UTAT(用户-标的-属性-标的)的路径规则,首先得到用户1所指的标的,将该标的节点加入标的向量序列TVec,TVec=[标的属性信息,该标的喜好的权重];选择标的1的某个或某几个属性,从属性出发,找到属性相同的其他标的;如果选择多个属性,则多个属性必须都一样才为找到属性相同的其他标的;将新找到的标的加入向量序列,如果通过属性找到的新的标的与用户节点之间没有喜好关系,则该新的标的的权重等同于用户对上一个标的的权重;
重复上述UTAT过程,对知识图谱V中的每个用户节点都进行上述UTAT过程,直至找不到后续节点为止;对知识图谱V中的每个用户节点都进行上述过程,最终生成整个图的向量序列矩阵TVS,n为用户数量:
步骤3:
根据步骤2得到的向量序列矩阵TVS,生成向量数据矩阵Tmax,将向量序列矩阵TVS按[用户ID,标的ID,标的类型,起拍价,保留价,标的位置,标的行业,喜好权重]的格式形成向量数据矩阵Tmax;
对Tmax中的每列数据,使用归一化处理,过程如下:
取值范围为0-1之间,归一化方法使线性函数转换方法,表达式如下:
y=(x-MinValue)/(MaxValue-MinValue)
x、y分别为Tmax中的每列数据转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值;
步骤4:使用卷积神经网络对归一化后的数据进行特征提取,数据的最后一列作为训练的输出层,16个用户标的数据为一批进行训练;卷积核采用2X2大小,2个卷积层,2个池化层,采用最大值池化方法;
使用卷积神经网络通过两个卷积层,两个池化层训练,输出为输入数据第一列用户ID对应的各种标的类型的喜好概率;
步骤5:使用步骤4训练好的模型,进行用户标的推荐;
标的推荐从平台所有未成交标的,确定推荐标的的范围A;输入用户ID及A中随机选择的多个标的信息数据,通过模型匹配,输出该用户ID在数据集A上、每个标的喜好概率,与步骤4的结果进行概率P对比,最接近P的一批数据进入候选列表,将候选列表推荐给该用户ID,该候选列表即为推荐数据,显示在招商模块中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065761 | 2020-01-20 | ||
CN2020100657610 | 2020-01-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709819A CN111709819A (zh) | 2020-09-25 |
CN111709819B true CN111709819B (zh) | 2021-03-30 |
Family
ID=72539006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010492185.8A Active CN111709819B (zh) | 2020-01-20 | 2020-06-03 | 一种点拍网基于图神经网络的产权交易推荐系统及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709819B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254844B (zh) * | 2021-07-07 | 2021-09-24 | 成都无糖信息技术有限公司 | 一种基于知识图谱和图片特征的诈骗网站识别方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100113423A (ko) * | 2009-04-13 | 2010-10-21 | (주)미디어레 | 역 벡터 공간 모델을 이용한 키워드 추천방법 및 그 장치 |
CN109271582A (zh) * | 2018-08-20 | 2019-01-25 | 东南大学 | 一种基于带属性元路径的个性化信息推荐方法 |
CN110598130A (zh) * | 2019-09-30 | 2019-12-20 | 重庆邮电大学 | 一种融合异构信息网络和深度学习的电影推荐方法 |
CN110633422A (zh) * | 2019-09-16 | 2019-12-31 | 安徽大学 | 一种基于异构信息网络的微博好友推荐方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622427B (zh) * | 2016-07-13 | 2021-04-06 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
CN107871264A (zh) * | 2016-09-28 | 2018-04-03 | 长沙湘佩网络技术有限公司 | 一种智能推荐商城系统 |
CN107038631B (zh) * | 2017-04-21 | 2019-04-30 | 山东佳联电子商务有限公司 | 一种点拍网的智能拍卖方法 |
US11797838B2 (en) * | 2018-03-13 | 2023-10-24 | Pinterest, Inc. | Efficient convolutional network for recommender systems |
CN109359244B (zh) * | 2018-10-30 | 2021-07-20 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN110020913A (zh) * | 2019-02-20 | 2019-07-16 | 中国人民财产保险股份有限公司 | 产品推荐方法、设备及存储介质 |
CN110083766B (zh) * | 2019-04-26 | 2021-05-14 | 北京邮电大学 | 一种基于元路径引导嵌入的查询推荐方法及装置 |
CN110309360B (zh) * | 2019-06-13 | 2021-09-28 | 山东大学 | 短视频标签标注方法及系统 |
CN110288436A (zh) * | 2019-06-19 | 2019-09-27 | 桂林电子科技大学 | 一种基于游客偏好建模的个性化景点推荐方法 |
CN110580314A (zh) * | 2019-07-16 | 2019-12-17 | 华南师范大学 | 基于图卷积神经网络和动态权重的课程推荐方法和系统 |
-
2020
- 2020-06-03 CN CN202010492185.8A patent/CN111709819B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100113423A (ko) * | 2009-04-13 | 2010-10-21 | (주)미디어레 | 역 벡터 공간 모델을 이용한 키워드 추천방법 및 그 장치 |
CN109271582A (zh) * | 2018-08-20 | 2019-01-25 | 东南大学 | 一种基于带属性元路径的个性化信息推荐方法 |
CN110633422A (zh) * | 2019-09-16 | 2019-12-31 | 安徽大学 | 一种基于异构信息网络的微博好友推荐方法 |
CN110598130A (zh) * | 2019-09-30 | 2019-12-20 | 重庆邮电大学 | 一种融合异构信息网络和深度学习的电影推荐方法 |
Non-Patent Citations (1)
Title |
---|
Knowledge Graph Convolutional Networks for Recommender Systems;Wang, Hongwei等;《WEB CONFERENCE 2019: PROCEEDINGS OF THE WORLD WIDE WEB CONFERENCE (WWW 2019)》;20191231;第3307-3313页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709819A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
CN105912669B (zh) | 用于补全搜索词及建立个体兴趣模型的方法及装置 | |
CN111444394A (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
CN110020128B (zh) | 一种搜索结果排序方法及装置 | |
CN110633373A (zh) | 一种基于知识图谱和深度学习的汽车舆情分析方法 | |
US8660901B2 (en) | Matching of advertising sources and keyword sets in online commerce platforms | |
CN111444395A (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
US20060031085A1 (en) | Electronic brokerage system and methods of performing the same | |
US7680697B2 (en) | Searching for a seller of a product | |
CN109918563B (zh) | 一种基于公开数据的图书推荐的方法 | |
CN106296257A (zh) | 一种基于用户行为分析的固定广告位投放方法及系统 | |
CN104050243A (zh) | 一种将搜索与社交相结合的网络搜索方法及其系统 | |
CN115809926A (zh) | 汇聚多种分销渠道联盟资源的创新联盟分销合作交易平台 | |
CN113239319A (zh) | 一种自动匹配及推送给供应商来投标报价的方法 | |
CN111709819B (zh) | 一种点拍网基于图神经网络的产权交易推荐系统及推荐方法 | |
Ou et al. | An Intelligent Recommendation System for Real Estate Commodity. | |
KR20000030826A (ko) | 인터넷 검색 시스템 및 그 제어방법 | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
CN115344767A (zh) | 基于网络数据的供应商评价方法 | |
CN115131108A (zh) | 一种电商商品筛选系统 | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
Hung | Using Cloud Services to Develop Marketing Information System Applications | |
CN114912031A (zh) | 基于聚类和协同过滤的混合推荐方法和系统 | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 |
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 |