CN111753209A - 一种基于改进时序卷积网络的序列推荐列表生成方法 - Google Patents
一种基于改进时序卷积网络的序列推荐列表生成方法 Download PDFInfo
- Publication number
- CN111753209A CN111753209A CN202010626102.XA CN202010626102A CN111753209A CN 111753209 A CN111753209 A CN 111753209A CN 202010626102 A CN202010626102 A CN 202010626102A CN 111753209 A CN111753209 A CN 111753209A
- Authority
- CN
- China
- Prior art keywords
- sequence
- matrix
- user
- item
- recommendation list
- 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 38
- 230000005284 excitation Effects 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 230000006835 compression Effects 0.000 claims abstract description 9
- 238000007906 compression Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- G06F16/9535—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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明设计了一种改进时序卷积网络的序列推荐列表生成方法,针对推荐系统的序列推荐,本发明提出了一种嵌入压缩‑激励模块的改进时序卷积网络提取序列特征。模型利用扩张卷积增大感受野,捕获更多的序列关系,并通过压缩激励模块加入注意力机制,给予关键项目更多的注意力,以捕捉用户交互数据的复杂结构,通过对用户和项目特征的融合,综合考虑用户的短期和长期偏好进行个性化推荐。
Description
技术领域
本发明涉及深度学习、推荐系统领域,具体公开了一种基于改进时序卷积网络的序列推荐列表生成方法。
背景技术
互联网的普及与发展,造成了网络数据信息的爆炸式增长。面对日益严重的“信息过载”现象,用户准确有效的获得想要的信息成了一个亟待解决的问题,此时推荐系统就应运而生。传统的协同过滤(Collaborative Filtering,CF)方法认为用户的偏好和项目属性都是静态的,主要利用用户信息(如个人信息、评分等)进行相似度计算,从而进行偏好分析,却忽略了用户的兴趣偏好是一种时序数据。用户的兴趣会随着时间的变化发生偏移,项目属性也会随时间而变化,如电影的受欢迎程度会随外部事件(如获得奥斯卡奖)而发生变化。同时,协同过滤方法使用未来的评分来评估当前喜好的做法,也在一定程度上违背了统计分析中的因果关系。近年来,考虑用户历史行为的序列推荐方法,为问题的解决提供了新的思路。随着深度学习的兴起,循环神经网络(Recurrent Neural Networks,RNNs)由于其天然的序列结构,成为当前学术界对序列进行建模的主要工具。但RNN的决策要取决于所有过去的隐藏状态,无法在序列中充分利用并行计算,因此在训练和评估中的速度都受到限制。另外,在现实情况下,用户的兴趣可能并不是连续的,从而对推荐列表的生成产生影响。
发明内容
现有技术中,未发现有将卷积神经网络应用于推荐系统序列推荐,本发明提出了一种嵌入压缩-激励模块的改进时序卷积网络来提取序列特征,模型利用扩张卷积增大感受野,捕获更多的序列关系,利用残差连接减小反向传播过程中的梯度消失问题,并通过压缩激励模块加入注意力机制,给予关键项目更多的注意力,以捕捉用户交互数据的复杂结构,通过对用户和项目特征的融合,综合考虑用户的短期和长期偏好进行个性化推荐。
本发明提供了一种基于改进时序卷积网络的序列推荐列表生成方法,获取数据集,并对数据集进行预处理获得训练数据集;所述训练数据集分别输入隐因子模型和item2vec模型,分别得到用户高维特征表示矩阵和项目高维特征表示矩阵;根据获得的项目高维特征表示矩阵,通过激励压缩模块调整序列权重,输入时序卷积网络提取特征,再与用户高维特征表示矩阵拼接得到最终的特征矩阵;将得到的最终特征矩阵输入全连接层生成推荐列表,取推荐分数最高的项作为推荐结果。
进一步地,采用的数据集为Movielens-1M,对数据预处理包括以下步骤:
步骤一:数据集Movielens-1M中包含用户对电影的评分,将评论或评分的存在视为用户与项目互动,从而将显性反馈的评分数据转换为隐性反馈的交互行为数据;使用时间戳确定序列的顺序,并丢弃MovieLens-1M中互动次数低于5的部分;
步骤二:将处理后的数据集的80%作为训练集,同时将剩下的20%作为测试集,并分为不同的批次送入模型并进行训练。
进一步地,所述的得到用户和项目高维特征表示矩阵包括以下步骤:
步骤一:为获取用户的高维特征表示矩阵,首先构造隐因子模型,某个用户u对某个物品i的感兴趣程度可以表示为公式:
pu表示用户u与K个潜在因子的关联关系,qi表示物品i与K个潜在因子的关联关系,将用户潜在因子矩阵p作为对用户的高维嵌入表示矩阵;
步骤二:为获取项目的高维特征表示矩阵,本文对项目的嵌入采用item2vec方法,以物品的共现性作为自然语言中的上下文关系,构建神经网络学习物品在隐藏空间的向量表示,假设将所有用户的历史项目交互定义为语料库S,将某单一用户u的历史交互项目视为一个集合su,且有su∈S,通过学习所有用户历史记录中项目间的共现关系,获得该项目的词向量表示,具体的目标函数如下式:
进一步地,最终的特征矩阵包括以下步骤:
步骤一:将获得的项目高维特征表示矩阵按时间组成序列E;
步骤二:对于维度为D,长度为T的一串序列E=[v1,v2…,v|T|],所计算的维度描述为z=[z1,z2,…,z|T|],其中z是一个T×1维的向量,其中每一个元素的计算如公式:
其中vt(i)代表序列第t个元素的第i个维度,此时可以将zt作为t时刻特征的权重;
步骤三:为了利用压缩操作的信息和利用通道间的信息依赖,使用激励操作来完成特征的重标定,按下式采用门控机制进行激活:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))
步骤四:模块的最终输出还要通过权值序列s转换原始输入E来获得。
最后输出结果如下式:
yt=(x*h)t=∑xt-dm·hm
其中*代表扩张卷积的计算符号,d是扩张率,通常设为2的指数形式,h是卷积滤波器的参数,将经过序列卷积网络提取的特征矩阵与隐因子模型模型拼接,得到完整的特征矩阵Q。
进一步地,生成推荐列表包括以下步骤:
步骤一:基于上述得到的特征矩阵Q,最后一层的输出通过引入具有softmax激活函数的全连接层来实现序列分类,完成推荐列表的生成;
步骤二:以输入序列每个元素对应的下一个元素表示真实概率分布,模型输出的元素概率分布作为预测值;采用二元交叉熵损失函数作为目标函数,训练的目标就是最小化计算真实值与预测值之间的损失,为减少过拟合风险带来的模型泛化能力降低,目标函数引入了正则化,函数如公式:
其中,yi表示元素i的实际标签值,表示其预测标签值,λ表示正则化率,θ表示惩罚项;在训练过程中,采用自适应动量项算法最小化目标函数,通过反向传播算法进行参数更新,在每次迭代中,为每个目标项目随机采样N个负样本。
步骤三:使用评价指标召回率(Recall)、平均倒数排名(Mean Reciprocal Rank,MRR)评估模型的性能。
Recall@K:该指标表示用户真实点击的项目出现在推荐列表前K位的点击序列个数占测试集中序列总数的比例。不考虑点击项目在推荐列表中的顺序,只关心其是否出现在推荐列表的前K位。绝对顺序无关紧要,而不会突出显示推荐。定义如下式:
其中N表示测试数据的总数量,nhit表示命中的项目数量。
MRR@K:该指标是用户真实点击项目在推荐列表中位置序号的倒数平均值,具体定义如下式:
MRR是范围[0,1]的归一化分数,其值的增加反映了大多数“命中”将在推荐列表的排名位置中更高,表明相应推荐系统的性能更好。
本发明的有益效果是:传统的协同过滤方法认为用户的偏好和项目属性都是静态的,主要利用用户信息(如个人信息、评分等)进行相似度计算,从而进行偏好分析,却忽略了用户的兴趣偏好是一种时序数据。用户的兴趣会随着时间的变化发生偏移,项目属性也会随时间而变化。而循环神经网络的决策要取决于所有过去的隐藏状态,无法在序列中充分利用并行计算,因此在训练和评估中的速度都受到限制。另外,在现实情况下,用户的兴趣可能并不是连续的,从而对推荐列表的生成产生影响。
本发明利用时序卷积网络代替传统的循环神经网络作为序列分析的主要模型,提高了并行性,加快了训练速度。通过结构空洞的扩张卷积扩大感受野,捕捉更为复杂的序列关系,从而加强了长期依赖。并且通过将残差连接和注意力机制结合,通过压缩激励模块,让时序卷积网络能够对层间的短时空间特征序列的权值进行重新标定,从而更好地利用序列特征,加强重点项目对推荐决策的影响,实现更好的推荐效果。
附图说明
图1是本发明所述的改进时序卷积网络的序列推荐列表生成方法的系统框架图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案做进一步地说明。
1、训练数据集
本发明的实施例以数据集Movielens-1M为例,MovieLens 1M数据集含有来自6000名用户对4000部电影的100万条评分数据,其分为三个表:评分,用户信息,电影信息,这些数据都是dat文件格式。数据集中包含用户对电影的评分,将评论或评分的存在视为用户与项目互动,从而将显性反馈的评分数据转换为隐性反馈的交互行为数据。
使用时间戳确定序列的顺序,并丢弃MovieLens-1M中互动次数低于5的部分,将处理后的数据集的80%作为训练集,同时将剩下的20%作为测试集,并分为不同的批次送入模型并进行训练。
2、获得用户高维特征表示和项目高维特征表示矩阵
根据上述对数据的训练获得的训练数据集,分别输入隐因子模型和item2vec模型,分别得到用户高维特征表示和项目高维特征表示矩阵,其包括如下步骤:。
步骤一:为获取用户的高维特征表示矩阵,首先构造隐因子模型。其基本思想是:认为每个用户都有自己的偏好,同时每个物品也包含所有用户的偏好信息。而这个偏好信息即潜在因子,是潜在影响用户对物品评分的因素。某个用户u对某个物品i的感兴趣程度可以表示为公式:
pu表示用户u与K个潜在因子的关联关系,qi表示物品i与K个潜在因子的关联关系。将用户潜在因子矩阵p作为对用户的高维嵌入表示矩阵,进入步骤二;
步骤二:为获取项目的高维特征表示矩阵,本文对项目的嵌入采用item2vec方法,以物品的共现性作为自然语言中的上下文关系,构建神经网络学习物品在隐藏空间的向量表示。
假设将所有用户的历史项目交互定义为语料库S,将某单一用户u的历史交互项目视为一个集合su,且有su∈s。通过学习所有用户历史记录中项目间的共现关系,获得该项目的词向量表示。具体的目标函数如下式:
3、引入通过激励压缩模块调整序列权重,得到最终的特征矩阵
根据获得的项目高维特征表示矩阵,通过激励压缩模块调整序列权重,输入时序卷积网络提取特征,再与上述得到的用户高维特征表示矩阵拼接得到最终的特征矩阵,其包括如下步骤:。
步骤一:将获得的项目高维特征表示矩阵按时间组成序列E,进入步骤二;
步骤二:对于维度为D,长度为T的一串序列E=[v1,v2,…,v|T|],所计算的维度描述为z=[z1,z2,…,z|T|],其中z是一个T×1维的向量,其中每一个元素的计算如公式:
其中vt(i)代表序列第t个元素的第i个维度,此时可以将zt作为t时刻特征的权重,进入步骤三;
步骤三:为了利用压缩操作的信息和利用通道间的信息依赖,使用激励操作来完成特征的重标定,按下式采用门控机制进行激活:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))
步骤四:模块的最终输出还要通过权值序列s转换原始输入E来获得。
最后输出结果如下式:
Fscale(vt,st)表示标量st和特征图之间的乘法,将激励操作的输出的权重s看作经过特征选择后的每个特征通道的重要程度,再逐通道加权到先前的特征上。实质相当于把vt矩阵中的每个值都乘以对应的权重st,完成在通道维度上的对原始特征的重标定。
yt=(x*h)t=∑xt-dm·hm
其中*代表扩张卷积的计算符号,d是扩张率,通常设为2的指数形式,h是卷积滤波器的参数。将经过序列卷积网络提取的特征矩阵与隐因子模型模型拼接,得到完整的特征矩阵Q。
4、将得到的最终特征矩阵输入全连接层生成推荐列表,取推荐分数最高的项作为推荐结果,其包括如下步骤:
步骤一:基于上述得到的特征矩阵Q,最后一层的输出通过引入具有softmax激活函数的全连接层来实现序列分类,完成推荐列表的生成。进入步骤二;
步骤二:以输入序列每个元素对应的下一个元素表示真实概率分布,模型输出的元素概率分布作为预测值。采用二元交叉熵损失函数作为目标函数,训练的目标就是最小化计算真实值与预测值之间的损失,为减少过拟合风险带来的模型泛化能力降低,目标函数引入了正则化。函数如公式:
其中,yi表示元素i的实际标签值,表示其预测标签值,λ表示正则化率,θ表示惩罚项。在训练过程中,采用自适应动量项(adaptive moments,Adam)算法最小化目标函数,通过反向传播(Back propagation)算法进行参数更新。在每次迭代中,为每个目标项目随机采样N个负样本。进入步骤三;
步骤三:使用评价指标召回率(Recall)、平均倒数排名(Mean Reciprocal Rank,MRR)评估模型的性能。
Recall@K:该指标表示用户真实点击的项目出现在推荐列表前K位的点击序列个数占测试集中序列总数的比例。不考虑点击项目在推荐列表中的顺序,只关心其是否出现在推荐列表的前K位。绝对顺序无关紧要,而不会突出显示推荐。定义如下式:
其中N表示测试数据的总数量,nhit表示命中的项目数量。
MRR@K:该指标是用户真实点击项目在推荐列表中位置序号的倒数平均值,具体定义如下式:
MRR是范围[0,1]的归一化分数,其值的增加反映了大多数“命中”将在推荐列表的排名位置中更高,表明相应推荐系统的性能更好。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所做的等效结构或等流程变换,或直接或间接运用在相关技术领域,均同理包括在本发明的专利保护范围。
Claims (4)
1.一种基于改进时序卷积网络的序列推荐列表生成方法,其特征在于,获取数据集,并对数据集进行预处理获得训练数据集;所述训练数据集分别输入隐因子模型和item2vec模型,分别得到用户高维特征表示矩阵和项目高维特征表示矩阵;根据获得的项目高维特征表示矩阵,通过激励压缩模块调整序列权重,输入时序卷积网络提取特征,再与用户高维特征表示矩阵拼接得到最终的特征矩阵;将得到的最终特征矩阵输入全连接层生成推荐列表,取推荐分数最高的项作为推荐结果。
2.根据权利要求1所述的基于改进时序卷积网络的序列推荐列表生成方法,其特征在于,所述的得到用户和项目高维特征表示矩阵包括以下步骤:
步骤一:为获取用户的高维特征表示矩阵,首先构造隐因子模型,某个用户u对某个物品i的感兴趣程度可以表示为公式:
pu表示用户u与K个潜在因子的关联关系,qi表示物品i与K个潜在因子的关联关系,将用户潜在因子矩阵p作为对用户的高维嵌入表示矩阵;
步骤二:为获取项目的高维特征表示矩阵,本文对项目的嵌入采用item2vec方法,以物品的共现性作为自然语言中的上下文关系,构建神经网络学习物品在隐藏空间的向量表示,假设将所有用户的历史项目交互定义为语料库S,将某单一用户u的历史交互项目视为一个集合Su,且有Su∈S,通过学习所有用户历史记录中项目间的共现关系,获得该项目的词向量表示,具体的目标函数如下式:
其中,其中u∈Si,v∈Sj,L为语料库集合长度,N为对于每个正样本负采样的个数,训练完成得到项目的高维特征表示矩阵。
3.根据权利要求1所述的基于改进时序卷积网络的序列推荐列表生成方法,其特征在于,最终的特征矩阵包括以下步骤:
步骤一:将获得的项目高维特征表示矩阵按时间组成序列E;
步骤二:对于维度为D,长度为T的一串序列E=[v1,v2,…,v|T|],所计算的维度描述为z=[z1,z2,…,z|T|],其中z是一个T×1维的向量,其中每一个元素的计算如公式:
其中vt(i)代表序列第t个元素的第i个维度,此时可以将zt作为t时刻特征的权重;
步骤三:为了利用压缩操作的信息和利用通道间的信息依赖,使用激励操作来完成特征的重标定,按下式采用门控机制进行激活:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))
步骤四:模块的最终输出还要通过权值序列s转换原始输入E来获得。
最后输出结果如下式:
yt=(x*h)t=∑xt-dm·hm
其中*代表扩张卷积的计算符号,d是扩张率,通常设为2的指数形式,h是卷积滤波器的参数,将经过序列卷积网络提取的特征矩阵与隐因子模型模型拼接,得到完整的特征矩阵Q。
4.根据权利要求1所述的基于改进时序卷积网络的序列推荐列表生成方法,其特征在于,生成推荐列表包括以下步骤:
步骤一:基于上述得到的特征矩阵Q,最后一层的输出通过引入具有softmax激活函数的全连接层来实现序列分类,完成推荐列表的生成;
步骤二:以输入序列每个元素对应的下一个元素表示真实概率分布,模型输出的元素概率分布作为预测值;采用二元交叉熵损失函数作为目标函数,训练的目标就是最小化计算真实值与预测值之间的损失,为减少过拟合风险带来的模型泛化能力降低,目标函数引入了正则化,函数如公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626102.XA CN111753209B (zh) | 2020-07-02 | 2020-07-02 | 一种基于改进时序卷积网络的序列推荐列表生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626102.XA CN111753209B (zh) | 2020-07-02 | 2020-07-02 | 一种基于改进时序卷积网络的序列推荐列表生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753209A true CN111753209A (zh) | 2020-10-09 |
CN111753209B CN111753209B (zh) | 2023-07-18 |
Family
ID=72678583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010626102.XA Active CN111753209B (zh) | 2020-07-02 | 2020-07-02 | 一种基于改进时序卷积网络的序列推荐列表生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753209B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529415A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于组合多感受野图神经网络的物品评分方法 |
CN113779101A (zh) * | 2021-11-10 | 2021-12-10 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐系统和方法 |
CN113868466A (zh) * | 2021-12-06 | 2021-12-31 | 北京搜狐新媒体信息技术有限公司 | 视频推荐的方法、装置、设备和存储介质 |
CN113868542A (zh) * | 2021-11-25 | 2021-12-31 | 平安科技(深圳)有限公司 | 基于注意力模型的推送数据获取方法、装置、设备及介质 |
CN114154071A (zh) * | 2021-12-09 | 2022-03-08 | 电子科技大学 | 一种基于注意力机制的情感时序推荐方法 |
CN114168845A (zh) * | 2021-11-24 | 2022-03-11 | 电子科技大学 | 一种基于多任务学习的序列化推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060097A (zh) * | 2019-04-01 | 2019-07-26 | 苏州市职业大学 | 基于注意力机制和卷积神经网络的用户行为序列推荐方法 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN111241425A (zh) * | 2019-10-17 | 2020-06-05 | 陕西师范大学 | 一种基于层次注意力机制的poi推荐方法 |
CN111324769A (zh) * | 2020-01-20 | 2020-06-23 | 腾讯科技(北京)有限公司 | 视频信息处理模型的训练方法、视频信息处理方法及装置 |
-
2020
- 2020-07-02 CN CN202010626102.XA patent/CN111753209B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060097A (zh) * | 2019-04-01 | 2019-07-26 | 苏州市职业大学 | 基于注意力机制和卷积神经网络的用户行为序列推荐方法 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
CN111241425A (zh) * | 2019-10-17 | 2020-06-05 | 陕西师范大学 | 一种基于层次注意力机制的poi推荐方法 |
CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN111324769A (zh) * | 2020-01-20 | 2020-06-23 | 腾讯科技(北京)有限公司 | 视频信息处理模型的训练方法、视频信息处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
BO MENG 等: "Human action recognition based on quaternion spatial-temporal convolutional neural network and LSTM in RGB videos", 《MULTIMED TOOLS APPL》 * |
JIE HU 等: "Squeeze-and-Excitation Networks", 《ARCHITECARXIV: 1709.01507V4 [CS.CV]》 * |
ZHI LI 等: "Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors", 《KDD 2018》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529415A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于组合多感受野图神经网络的物品评分方法 |
CN112529415B (zh) * | 2020-12-11 | 2023-05-30 | 西安电子科技大学 | 基于组合多感受野图神经网络的物品评分方法 |
CN113779101A (zh) * | 2021-11-10 | 2021-12-10 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐系统和方法 |
CN113779101B (zh) * | 2021-11-10 | 2022-03-18 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐系统和方法 |
CN114168845A (zh) * | 2021-11-24 | 2022-03-11 | 电子科技大学 | 一种基于多任务学习的序列化推荐方法 |
CN114168845B (zh) * | 2021-11-24 | 2023-08-15 | 电子科技大学 | 一种基于多任务学习的序列化推荐方法 |
CN113868542A (zh) * | 2021-11-25 | 2021-12-31 | 平安科技(深圳)有限公司 | 基于注意力模型的推送数据获取方法、装置、设备及介质 |
CN113868466A (zh) * | 2021-12-06 | 2021-12-31 | 北京搜狐新媒体信息技术有限公司 | 视频推荐的方法、装置、设备和存储介质 |
CN114154071A (zh) * | 2021-12-09 | 2022-03-08 | 电子科技大学 | 一种基于注意力机制的情感时序推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111753209B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Session-based recommendation with graph neural networks | |
CN111753209B (zh) | 一种基于改进时序卷积网络的序列推荐列表生成方法 | |
CN110196946B (zh) | 一种基于深度学习的个性化推荐方法 | |
CN111523047B (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN111209386B (zh) | 一种基于深度学习的个性化文本推荐方法 | |
CN112381581B (zh) | 一种基于改进Transformer的广告点击率预估方法 | |
CN112417306B (zh) | 基于知识图谱的推荐算法性能优化的方法 | |
CN110781409B (zh) | 一种基于协同过滤的物品推荐方法 | |
CN110796313B (zh) | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 | |
CN112328900A (zh) | 一种融合评分矩阵和评论文本的深度学习推荐方法 | |
CN112258262A (zh) | 一种基于卷积自注意力网络的会话推荐方法 | |
CN115048586B (zh) | 一种融合多特征的新闻推荐方法及系统 | |
CN110569355B (zh) | 一种基于词块的观点目标抽取和目标情感分类联合方法及系统 | |
Chen et al. | Poverty/investment slow distribution effect analysis based on Hopfield neural network | |
CN115481313A (zh) | 一种基于文本语义挖掘的新闻推荐方法 | |
CN116842254A (zh) | 基于时间间隔数据增强的生成对抗网络序列推荐方法 | |
Wen et al. | Extended factorization machines for sequential recommendation | |
CN113010774B (zh) | 一种基于动态深度注意力模型的点击率预测方法 | |
CN115293812A (zh) | 一种基于长短期兴趣的电商平台会话感知推荐预测方法 | |
CN114117229A (zh) | 一种基于有向和无向结构信息的图神经网络的项目推荐方法 | |
CN114358813A (zh) | 一种基于场矩阵因子分解机改进的广告投放方法及系统 | |
CN113590964A (zh) | 一种基于异构建模的深层神经网络Top-N推荐算法 | |
Li et al. | Research on recommendation algorithm based on e-commerce user behavior sequence | |
CN112561599A (zh) | 一种融合域特征交互的基于注意力网络学习的点击率预测方法 | |
CN113204522A (zh) | 基于结合生成对抗网络的哈希算法的大规模数据检索方法 |
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 |