CN111723302A - 一种基于协同双模型深度表示学习的推荐方法 - Google Patents

一种基于协同双模型深度表示学习的推荐方法 Download PDF

Info

Publication number
CN111723302A
CN111723302A CN202010515926.XA CN202010515926A CN111723302A CN 111723302 A CN111723302 A CN 111723302A CN 202010515926 A CN202010515926 A CN 202010515926A CN 111723302 A CN111723302 A CN 111723302A
Authority
CN
China
Prior art keywords
users
user
text
recommendation
collaborative
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
CN202010515926.XA
Other languages
English (en)
Inventor
张璇
唐子淇
赵静转
刘会
云炜
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202010515926.XA priority Critical patent/CN111723302A/zh
Publication of CN111723302A publication Critical patent/CN111723302A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于协同双模型深度表示学习的推荐方法，涉及互联网技术的推荐系统领域，其特征在于，获取用户和物品的文本数据和关联数据，将所述文本数据通过主题模型抽取出文本特征，所述关联数据通过网络表示学习模型进行表示学习用户和物品的网络特征，通过所述文本特征和网络特征结合作为综合特征计算用户和物品之间的相似度，最后采用协同过滤算法针对用户进行物品推荐，并将结果通过知识图谱的方式展示关联实体图。本发明采用协同双模型过滤推荐充分利用了用户和物品本身以及关联特征，避免了推荐过程中矩阵稀疏和冷启动的问题，提高了推荐的准确性和结果的有效性。

Description

一种基于协同双模型深度表示学习的推荐方法
技术领域
本发明涉及基于互联网技术的推荐系统领域，特别涉及一种基于协同双模型深度表示学习的推荐方法。
背景技术
随着信息化技术的发展，推荐系统作为一种帮助用户从海量数据中获取需要信息的技术，已被广泛运用于各种网站应用中，协同过滤方法是推荐系统的首选方案之一，该方法认为用户对物品有特定的偏好，因此通过分析用户的历史行为数据，可以推断该用户的喜好，然后将具有相同或相似喜好的用户归为个用户类别，基于这个分类结果向用户推荐物品。
当前大多数的协同过滤都采用用户对物品的评分信息进行推荐，评分信息实际上是根据评分来计算不同用户的相似度，再根据用户之间的相似度推荐物品，然而这种技术通常存在评分数据稀疏性和冷启动的问题，因而求出的用户相似度会存在较大的偏差，此外，仅考虑用户对物品的评分不能反映用户和物品本身特征以及关联特征对于推荐的作用，导致推荐的结果准确性较低。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于协同双模型深度表示学习的推荐方法，通过采集的用户和物品的评分数据构建评分矩阵，同时根据获取的用户和物品的文本数据进行主题挖掘获取文本特征，并分别计算用户或者物品在不同特征下的概率构建文本特征矩阵，另一边利用了用户和物品之间的关联关系构建关联网络结构并采用网络表示学习算法学习用户与物品的网络特征，实现双模型系统过滤推荐，克服了现有技术中推荐方法和系统存在的缺陷，并提高了推荐的准确性。
本发明提供了一种基于协同双模型深度表示学习的推荐方法，具体技术方案如下：
用户和物品的数据获取，收集大量用户和物品的相关数据信息
评分矩阵的构建，将获取的用户和物品的文本数据作为行和列构建评分矩阵，获取用户对物品的评分信息作为评分内容填充到所述评分矩阵中，完成评分矩阵的构建。
文本特征矩阵的构建，对数据信息中的文本数据进行主题挖掘，分别获得用户和物品的主题信息，并根据获得的文本特征构建文本特征矩阵。
网络结构图的构建与网络表示学习，从得到的用户和物品的数据信息中获取用户和物品的关联关系，并构建各自的关联网络结构图，同时进行网络表示学习用户和物品的文本特征以及网络特征来获得综合特征。
协同过滤推荐，根据双网络模型进行协同过滤推荐，上述得到的用户和物品的综合特征进行协同过滤推荐。
知识图谱的扩展，将推荐的结果数据通过知识图谱的方式进行相关实体扩展展示。
进一步的，获取的用户和物品的数据信息包括文本数据信息和关联数据信息。
进一步的，所述评分矩阵的构建中，第一列用来标识用户，第一行用来标识物品，所述评分矩阵的行列交接处填充用户对物品的评分数据信息，无评分数据信息的交接处采用符号“-”替代。
进一步的，所述文本矩阵的构建中包括主题个数K的计算、文本主题的挖掘和文本矩阵的构建，所述主题个数K用于决定主题模型所提取的主体结构，所述文本主题的挖掘前要对获取的用户和物品的文本数据进行预处理，从文本数据中提取出关键部分并进行格式转换，将文本数据转换成能够被LDA模型处理的形式。
进一步的，所述主题个数K的计算包括两种方法进行计算，分别得到主题余弦相似度值越小的K值和主题距离越大的K值。
进一步的，所述文本主题的挖掘中，采用LDA主题模型分别对用户和物品两个方面进行主题挖掘，分别得到各自的文本特征，并对每个文本数据进行主题概率分布的计算，获得每个用户和物品在各个主题上的分布概率。
进一步的，所述文本矩阵的构建中，所述文本矩阵的第一列用来标识用户或者物品，第一行用来标识主题特征，所述文本特征矩阵的行列交界处填充计算得到的概率值。
进一步的，所述网络结构图的构建，通过获得的用户和物品的关联数据信息分别建立用户之间的用户网络结构图和物品网络结构图，所述网络表示学习，采用图生成对抗网络分别学习用户与物品的网络特征。
用户网络结构图，以用户为节点根据用户之间的关系，例如用户之间的关注、用户之间的绑定或者用户之间的互动等关系构建用户网络结构图。
物品网络结构图，以物品为节点，根据物品之间共同存在的特征或者标签获得物品之间的关联关系，来构建物品网络结构图。
所述图生成对抗网络不依赖节点的特征信息，只需学习节点的结构信息，通过对抗学习的方式提高生成式模型和判别式模型各自的生成或判别能力，所述图生成对抗网络模型为无监督模型，能够避免在数据标注处理过程中产生偏差。
进一步的，所述协同过滤推荐包括基于用户的协同过滤推荐和基于物品的协同过滤推荐，分别根据用户之间的相似度或者根据物品之间的相似度推荐物品
区别现有技术，本发明的技术方案具有以下有益效果：
1、基于文本主题模型进行的主题挖掘，并通过网络表示学习进行协同过滤推荐，充分挖掘并利用用户在网络上中操作留下的数据信息以及物品本身的信息，准确的获得用户和物品的特征，并计算出用户和物品之间的相似度，进行协同过滤，极大的利用了用户之间与物品之间的关联性，提高了推荐结果的准确性。
2、网络表示学习过程中，采用图生成对抗网络模型Graph GAN学习用户与物品的网络特征，并采用LDA主题模型获取文本数据的文本特征，根据网络特征和文本特征结合得到的综合特征进行协同过滤推荐，采用了双模型的方式进行协同过滤推荐，解决了数据稀疏性的问题。
3、所述协同过滤包括基于用户的和基于物品的两种协同过滤推荐，所述基于用户的协同过滤推荐通过用户之间的相似度确定相似用户，通过相似用户偏向的物品推荐给相似的目标用户，所述基于物品的协同过滤推荐通过物品之间的相似度获取相似的物品信息并将相似的物品推荐给偏向于该类的用户。
4、所述文本矩阵的构建中，所述主题个数K的计算采用了两种方法进行计算，得到的K值结果不完全相通，能得到主题相似度较小，同时主题距离相对较大的结果，提高了推荐结果的有效性。
附图说明
图1为本发明的协同双模型深度表示学习推荐的流程图；
图2为本发明的协同过滤推荐电影结果相关的知识图谱展示图；
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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做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。
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
本发明的实施例提供了一种基于协同双模型深度表示学习的推荐方法，可用于任何用户-物品之间的推荐模型中，所述物品不局限于具体货物，包括影视内容，学习资料，电子阅读等数据量大并具有共同特征的数据内容，本实施例提供了基于协同双模型深度表示学习的推荐方法在影视内容推荐系统的应用。
如图1所示，具体的实现流程如下：
S1：从网络中爬取了5000位用户和41785部影视内容的文本数据和关联数据；
其中，影视信息内容包括影视名称、影视ID、演员、导演、标签、影视简介、影视评价等内容，用户信息涵盖用户名称、用户关注的用户、用户标签、用户对影视作品的评分、用户对影视作品的评论等内容。
S2：根据爬取到的数据信息，抽取用户对影视的评分信息，构建评分矩阵，第一列标识用户，第一行标识影视名称，所述评分矩阵的行列交接处填充抽取的用户对影视内容的评分数据，如果用户没有对影视进行评分则在对应的交界处使用“-”代替。
S3：使用LDA主题模型从用户和影视两个方面对获得的文本数据进行主题挖掘，从而得到文本主题特征向量；
首先计算LDA主题模型中每个文档的主题个数K，所述主题个数K决定了LDA主题模型所提取的主题结构，所述主题个数K分别采用两种方法进行计算，分别为计算困惑度值确定主题词的数目K和计算主题之间的平均距离值确定主题词的个数K，根据困惑度进行计算的公式如下：
Figure BDA0002530094710000041
其中W表示文档集，Nm表示第m个文档的长度，p(wm)是模型生成文档wm的概率，p(wm)的计算公式如下：
Figure BDA0002530094710000042
之后计算主题之间的平均距离确定主题词的个数K，计算公式如下：
Figure BDA0002530094710000043
其中Tk是LDA模型K个主题的集合，即K是LDA为其建模的最分散主题的数量，D(k||k’)表示KL散度。
综合两组的情况结果并结合实际文本主题的意义，选择主题相似度较小同时主题的距离相对较大的K值。
其次，对所获得的文本数据进行预处理，从语料集中构造词库用于辅助分词，使用分词工具对语料进行分词处理，同时去掉一些标点符号和无意义的停用词。
最后，分别对用户和影视两个方面进行主题挖掘，并计算每个文本在各个主题上的概率分布，以用户和影视名称作为第一列，挖掘出的主题所对应的每个特征作为第一行，行与列的交界处填入计算得到的用户或影视作品在该特征下的概率，构建出文本特征矩阵。
S4：构建网络结构图进行网络表示学习，获得用户和影视的综合特征向量，具体过程如下：
S41：根据用户与影视之间的关联关系构建网络构图作为用户与影视的邻接矩阵；
首先以用户作为网络节点，两个用户之间的关注关系或者其它互动的关系作为边，构建用户关联网络，其次以影视本身为网络节点，影视内容与影视内容之间存在的共同标签、共同相关人员等共同的特征作为边，构建影视作品关联网络，最后将用户和影视各自的关联网络转换为邻接矩阵。
S42：采用图生成对抗网络Graph GAN学习用户与影视节点的网络特征。
所述Graph GAN网络模型采用Node2vec的结果作为生成器与判别器中所有节点的初始化表示。所述生成器使用softmax函数实现，计算公式如下：
Figure BDA0002530094710000051
其中，
Figure BDA0002530094710000055
和gv表示所述生成器的两个节点的向量，θD表示所有向量集。
所述判别器采用梯度下降算法来实现，计算公式如下：
Figure BDA0002530094710000052
其中，σ为sigmoid函数，
Figure BDA0002530094710000056
和dv表示所述判别器的两个节点的向量，θD表示所有向量集，D(v，vc；θD)表示节点V和Vc归一化內积，计算公式如下：
Figure BDA0002530094710000053
S5：将得到的综合特征向量分别计算用户和影视的相似度，进行协同过滤推荐；
S51：基于用户的协同过滤推荐，首先提取用户的特征向量，计算用户向量之间的余弦相似度获得相似用户，再根据相似度建立关于该用户的相似邻居集，所述相似邻居集中的相似用户按照相似度的降序进行排列，提取前m个用户构建最近邻居集，根据所述最近邻居集中用户喜欢的影视作品而目标用户没有接触过的影视作品来构建候选影视集，最后生成预测评分进行推荐，所述预测评分计算公式如下：
Figure BDA0002530094710000054
其中，s表示用户u的最近邻居集，sim(u,v)表示用户u和用户v的相似度，分子为若干个相似用户对影视作品i的评分与用户u的相似度的乘积并求和，rvi表示用户v对影视作品i的评分，分母为相似用户与用户u的相似度之和。
S52:基于影视作品的协同过滤推荐，首先提取影视作品的特征向量，计算影视作品向量之间的余弦相似度获得相似的影视作品，再根据相似度建立关于该影视作品的相似影视集，根据用户喜欢的影视作品所在的相似影视集推荐用户没有接触过的其它相似影视作品构建影视集，最后生成预测评分进行推荐，所述预测评分计算公式如下：。
Figure BDA0002530094710000061
其中s’表示用户u给过评分的影视作品集，sim(i,j)表示影视作品i和影视作品j的相似度，ruj表示用户u对影视作品j的评分。
S6：通过知识图谱的方式对推荐结果进行实体展示，采用Python请求OwnThink中相关实体的API接口，获取到该实体相关的可视化数据节点信息，将输出的数据利用d3js实现可视化展示，得到知识图谱，使用与影视作品相关联的实体作为特征指标，向用户推荐具有该特征的其它影视作品。
最后采用均方根误差作为最终推荐的衡量标准，衡量计算公式如下所示：
Figure BDA0002530094710000062
其中N表示测试样本的数量，abservedt表示样本t的真实值，predictedt表示对样本t的预测值，RMSE数值越小表示预测值与真实值的偏差越小，最终推荐结果的精度越高，推荐效果越好。
如下表1所示，本发明使用的基于主题模型和涂圣成对抗网络的协同过滤推荐与现有三种技术的推荐准确度对比：
Figure BDA0002530094710000063
从表1中看出，本发明使用图生成对抗网络GraphGAN提取出结构特征与LDA提取出的文本特征综合之后的协同过滤性能最好。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (9)

1.一种基于协同双模型深度表示学习的推荐方法，其特征在于，所述方法包括：
S1：用户和物品数据的采集，收集用户和物品的相关数据；
S2：构建用户和物品的评分矩阵，通过获取的用户和物品的文本数据，构建评分矩阵的行和列，收集用户对物品的评分信息作为评分内容完成评分矩阵的构建；
S3：构建用户和物品的文本特征矩阵，对获取的文本数据进行主题挖掘得到用户和物品的文本特征并构建文本特征矩阵；
S4：构建网络结构图进行网络表示学习，分别采集用户和物品的关联关系构建各自的关联网络结构图并进行网络表示学习获得用户和物品的综合特征；
S5：协同过滤推荐，对得到的用户和物品的综合特征分别进行协同过滤推荐；
S6：知识图谱进行实体扩展展示，将经过协同过滤推荐后得到的结构数据通过知识图谱进行相关实体扩展展示；
2.根据权利要求1所述的基于协同双模型深度表示学习的推荐方法，其特征在于，步骤S1中从网络中爬取用户和物品的相关数据信息，包括文本数据和关联数据。
3.根据权利要求1所述的基于协同双模型深度表示学习的推荐方法，其特征在于，步骤S2中所述评分矩阵的第一列用来标识用户，第一行用来标识物品，所述评分矩阵的行列交接处填充用户对物品的评分数据，所述评分数据为空时采用符号“-”替代。
4.根据权利要求1所述的基于协同双模型深度表示学习的推荐方法，其特征在于，步骤S3中包括主题个数K的计算、文本主题的挖掘和文本矩阵的构建。
5.根据权利要求4所述的基于协同双模型深度表示学习的推荐方法，其特征在于，所述主题个数K的计算包括两种方法进行计算，分别得到主题余弦相似度值越小的K值和主题距离越大的K值。
6.根据权利要求4所述的基于协同双模型深度表示学习的推荐方法，其特征在于，所述文本主题的挖掘中，采用LDA主题模型分别对用户和物品两个方面进行主题挖掘，分别得到各自的文本特征，并对每个文本数据进行主题概率分布的计算，获得每个用户和物品在各个主题上的分布概率。
7.根据权利要求4所述的基于协同双模型深度表示学习的推荐方法，其特征在于，所述文本矩阵的构建中，所述文本矩阵的第一列用来标识用户或者物品，第一行用来标识主题特征，所述文本特征矩阵的行列交界处填充计算得到的概率值。
8.根据权利要求1所述的基于协同双模型深度表示学习的推荐方法，其特征在于，所述网络结构图的构建，通过获得的用户和物品的关联数据信息分别建立用户之间的用户网络结构图和物品网络结构图，所述网络表示学习，采用图生成对抗网络分别学习用户与物品的网络特征。
9.根据权利要求1所述中的基于协同双模型深度表示学习的推荐方法，其特征在于，所述协同过滤推荐包括基于用户的协同过滤推荐和基于物品的协同过滤推荐，分别根据用户之间的相似度或者根据物品之间的相似度推荐物品。
CN202010515926.XA 2020-06-09 2020-06-09 一种基于协同双模型深度表示学习的推荐方法 Pending CN111723302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010515926.XA CN111723302A (zh) 2020-06-09 2020-06-09 一种基于协同双模型深度表示学习的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010515926.XA CN111723302A (zh) 2020-06-09 2020-06-09 一种基于协同双模型深度表示学习的推荐方法

Publications (1)

Publication Number Publication Date
CN111723302A true CN111723302A (zh) 2020-09-29

Family

ID=72566269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010515926.XA Pending CN111723302A (zh) 2020-06-09 2020-06-09 一种基于协同双模型深度表示学习的推荐方法

Country Status (1)

Country Link
CN (1) CN111723302A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749272A (zh) * 2021-01-19 2021-05-04 国家电网有限公司 面向非结构化数据的新能源规划性文本智能推荐方法
CN112784171A (zh) * 2021-01-21 2021-05-11 重庆邮电大学 一种基于上下文典型性的电影推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897887A (zh) * 2018-07-10 2018-11-27 华南师范大学 一种基于知识图谱和用户相似度的教学资源推荐方法
CN109241341A (zh) * 2018-05-09 2019-01-18 上海大学 一种基于知识图谱的影视择优推荐系统和方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241341A (zh) * 2018-05-09 2019-01-18 上海大学 一种基于知识图谱的影视择优推荐系统和方法
CN108897887A (zh) * 2018-07-10 2018-11-27 华南师范大学 一种基于知识图谱和用户相似度的教学资源推荐方法
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
ZIQI TANG 等: "LDA Model and Network Embedding-Based Collaborative Filtering Recommendation", 《2019 6TH INTERNATIONAL CONFERENCE ON DEPENDABLE SYSTEMS AND THEIR APPLICATIONS (DSA)》, 26 March 2020 (2020-03-26), pages 283 - 289 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749272A (zh) * 2021-01-19 2021-05-04 国家电网有限公司 面向非结构化数据的新能源规划性文本智能推荐方法
CN112784171A (zh) * 2021-01-21 2021-05-11 重庆邮电大学 一种基于上下文典型性的电影推荐方法

Similar Documents

Publication Publication Date Title
CN106599226B (zh) 一种内容推荐方法及内容推荐系统
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
WO2018112696A1 (zh) 一种内容推荐方法及内容推荐系统
CN112765486A (zh) 一种融合知识图谱的注意力机制的电影推荐方法
CN112836509B (zh) 一种专家系统知识库构建方法及系统
CN109584006B (zh) 一种基于深度匹配模型的跨平台商品匹配方法
CN112966091A (zh) 一种融合实体信息与热度的知识图谱推荐系统
CN113806630A (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
CN111984824A (zh) 一种基于多模态的视频推荐方法
CN113961666B (zh) 关键词识别方法、装置、设备、介质及计算机程序产品
CN111966888B (zh) 融合外部数据的基于方面类别的可解释性推荐方法及系统
CN116308685B (zh) 一种基于方面情感预测和协同过滤的产品推荐方法及系统
CN109816015B (zh) 一种基于材料数据的推荐方法及系统
CN112182145A (zh) 文本相似度确定方法、装置、设备和存储介质
CN115712780A (zh) 一种基于云计算和大数据的信息推送方法及装置
CN107247753A (zh) 一种相似用户选取方法及装置
CN113011172A (zh) 文本处理方法、装置、计算机设备和存储介质
CN111723302A (zh) 一种基于协同双模型深度表示学习的推荐方法
CN113591881B (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN110851694B (zh) 基于用户记忆网络和树形结构的深度模型的个性化推荐系统
Guadarrama et al. Understanding object descriptions in robotics by open-vocabulary object retrieval and detection
CN107368923B (zh) 景点热度预测方法及装置
CN106844765B (zh) 基于卷积神经网络的显著信息检测方法及装置
CN111859925B (zh) 一种基于概率情感词典的情感分析系统及方法
CN114595693A (zh) 一种基于深度学习的文本情感分析方法

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

Application publication date: 20200929