CN111754313B - 一种通讯高效无需投影的分布式数据在线分类方法 - Google Patents

一种通讯高效无需投影的分布式数据在线分类方法 Download PDF

Info

Publication number
CN111754313B
CN111754313B CN202010635904.7A CN202010635904A CN111754313B CN 111754313 B CN111754313 B CN 111754313B CN 202010635904 A CN202010635904 A CN 202010635904A CN 111754313 B CN111754313 B CN 111754313B
Authority
CN
China
Prior art keywords
model
data
nodes
working
local
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
Application number
CN202010635904.7A
Other languages
English (en)
Other versions
CN111754313A (zh
Inventor
张利军
宛袁玉
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.)
Nanjing University
Original Assignee
Nanjing 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 Nanjing University filed Critical Nanjing University
Priority to CN202010635904.7A priority Critical patent/CN111754313B/zh
Publication of CN111754313A publication Critical patent/CN111754313A/zh
Application granted granted Critical
Publication of CN111754313B publication Critical patent/CN111754313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种通讯高效无需投影的分布式数据在线分类方法，以分布式网络的形式协调多个工作节点，对在线分布式数据进行分类。首先，将多个工作节点按照一定拓扑结构连接，组成一个分布式网络。然后，在每个回合中，每个工作节点先判断当前回合是否需要进行模型更新，如果需要，则与邻居节点交换历史信息并利用无投影的方式更新模型。最后，利用最新的模型对本地数据进行分类预测，并记录本地梯度信息。与现有技术相比，本发明不需要进行计算昂贵的投影操作，仅在部分回合进行通讯，能够有效降低计算开销和通讯开销。

Description

一种通讯高效无需投影的分布式数据在线分类方法
技术领域
本发明涉及一种通讯高效无需投影的分布式数据在线分类方法，能够在对海量流式数据进行分类的同时从中学习类别分布情况。
背景技术
在线分类能够在对海量流式数据进行分类的同时从中学习类别分布情况，并且实时地调整类别预测模型以适应数据分布的变化。
在每个分类回合，分类方法先观察数据的特征并预测其类别，然后根据数据的实际类别更新类别预测模型。随着大数据时代的到来，在线分类方法被广泛应用于各种互联网应用，例如垃圾邮件检测、互联网广告投放和电商产品推荐。然而，传统的在线分类方法只能利用单个工作节点处理所有数据。在实际应用中，数据可能分布在不同的地方，将分布式数据汇总到一起可能会带来无法接受的通讯和存储开销。尤其是随着移动互联网的发展，各类互联网应用都进一步拓展到了手机等移动终端，大量的用户数据直接由分布在世界各地的移动终端产生。
为了高效处理分布式数据，分布式在线分类应运而生，它是在线分类的一个变种。与在线分类方法仅利用单个工作节点不同，分布式在线分类能够利用多个工作节点分别处理每个节点的本地数据。为了更准确的预测类别，分布式在线分类会将多个工作节点组成一个分布式网络，允许每个工作节点与其邻居节点进行通信，相互交换本地信息。已有的分布式在线分类方法主要可以分为两类：一类是基于投影的方法，另一类是无需投影的方法。具体而言，基于投影的方法在更新类别预测模型时需要执行投影步骤，从而使得预测模型始终满足给定的约束。对于一些复杂的约束条件如核范数约束，投影步骤需要花费大量的计算时间。为了解决这个问题，无需投影的方法在更新类别预测模型时会使用一种更加高效的线性优化步骤替代投影步骤。
虽然已有的无需投影的方法能够高效地更新类别预测模型，它要求所有邻居工作节点之间在每个回合都进行一次通信，从而交换各自的本地信息。在实际的分布式应用中，受限于通信距离和网络带宽等问题，频繁通信所带来的开销可能十分昂贵。为了能够进一步提升分布式在线分类的效率，需要一种通讯高效无需投影的分布式在线分类方法。
发明内容
发明目的：针对现有技术中存在的邻居工作节点间的十分昂贵的通信开销问题，本发明提供一种通讯高效无需投影的分布式数据在线分类方法。
技术方案：一种通讯高效无需投影的分布式数据在线分类方法，协调多个工作节点对分布式数据进行在线分类，可用于垃圾邮件检测、互联网广告投放和电商产品推荐等场景。具体而言，首先，将多个工作节点按照一定拓扑结构连接，组成一个分布式网络。然后，在每个回合中，每个工作节点先判断当前回合是否需要进行模型更新，如果需要，则与邻居节点交换历史信息并利用无投影的方式更新模型。最后，利用最新的模型对本地数据进行分类预测，并记录本地梯度信息用于下次模型更新。
包括分布式网络构建方法，主方法，以及子方法。
所述分布式网络构建方法的具体步骤如下：
步骤100，设置工作节点个数n；
步骤101，按照预设的拓扑结构连接工作节点；
步骤102，初始化任意两个工作节点i,j之间的通迅权重Pij＝0；
步骤103，计算任意两个邻居节点i,j之间的通迅权重其中di和dj分别表示节点i和j的邻居个数；
步骤104，计算任意节点i的自权重其中Ni表示节点i及其邻居节点组成的集合。
所述主方法的具体步骤如下：
步骤200，设置延迟参数K；
步骤201，设置每次预测模型更新的迭代次数L；
步骤202，设置学习率η；
步骤203，初始化每个工作节点i的计数器mi＝1，i＝1,2,…,n；
步骤204，初始化每个工作节点i的预测模型为一个h×k的全零矩阵，其中h表示每条数据的候选类别数目，k表示每条数据的特征数目，i＝1,2,…,n；
步骤205，初始化每个工作节点i的加权梯度矩阵为一个h×k的全零矩阵，i＝1,2,…,n；
步骤206，初始化每个工作节点i的本地梯度矩阵为一个h×k的全零矩阵，i＝1,2,…,n；
步骤207，在每个分类预测回合t，每个工作节点i执行步骤208到步骤221；其中T表示回合总数t＝1,2,…,T，i＝1,2,…,n；
步骤208，判断当前回合t是否满足t>1且mod(t,K)＝1，如果否，则转入步骤217，直接进行预测；如果是，则转入步骤209，先进行模型更新；
步骤209，将加权梯度矩阵传递给工作节点i的所有的邻居节点j≠i,j∈Ni，其中Ni表示节点i及其邻居节点组成的集合；
步骤210，更新加权矩阵表示本地梯度矩阵；
步骤211，构造替代损失函数
步骤212，将替代损失函数当前预测模型/>以及迭代次数L传递给子方法；
步骤213，运行子方法并获取其输出Xout；
步骤214，更新预测模型
步骤215，更新计数器mi＝mi+1；
步骤216，重置本地梯度矩阵为一个h×k的全零矩阵；
步骤217，获取本地数据的特征向量
步骤218，利用最新预测模型和特征向量/>预测本地数据类别为其中[h]＝{1,2,…,h}是一个正整数集合，/>表示/>的第l行；
步骤219，获取本地数据的真实类别
步骤220，计算当前回合本地损失函数ft,i(X)在处的梯度/>其中 表示X的第l行；
步骤221，更新本地梯度矩阵用于下次模型更新。
所述子方法的具体步骤如下：
步骤300，接收替代损失函数当前预测模型/>以及迭代次数L；
步骤301，初始化子方法预测模型
步骤302，初始化迭代计数器τ＝1；
步骤303，计算替代损失函数在当前子方法预测模型Yτ处的梯度
步骤304，计算子方法预测模型更新方向其中χ为预测模型的可行域；公式是要从可行域χ中找到一个使得/>最小的X,并且赋值给Vτ；
步骤305，计算子方法预测模型更新步长公式的含义是从[0,1]中找到使/>最小的s并赋值给sτ，它决定了步骤306中模型更新的程度，所以称之为步长；
步骤306，更新模型Yτ+1＝Yτ+sτ(Vτ-Yτ)；
步骤307，判断τ是否满足τ＝L，如果是，则输出Xout＝Yτ+1；如果否，则更新计数器τ＝τ+1，并转回步骤303。
所述步骤101中预设的拓扑结构是一个无向图，可供选择的无向图包括常用的完全图、循环图和网格图。
所述步骤200中延迟参数K的设置方式为其中T是回合总数。
所述步骤201中迭代次数L的设置方式为其中T是回合总数。
所述步骤202中学习率η的设置方式为其中T是回合总数，R是预测模型可行域χ的半径，D是使得下式成立的任意值：/>
所述步骤217中本地数据是某一个工作节点i＝1,2,…,n最新收集到的一条数据。
所述步骤304中可行域x的具体定义为其中h表示每条数据的候选类别数目，k表示每条数据的特征数目，c>0为控制模型复杂度的参数，/>表示所有尺寸为h×k的实矩阵组成的集合。
有益效果：与现有技术相比，本发明提供的通讯高效无需投影的分布式数据在线分类方法，不需要进行计算昂贵的投影操作，仅在部分回合进行通讯，能够有效降低计算开销和通讯开销。
附图说明
图1为本发明的分布式网络构建方法工作流程图；
图2为本发明的主方法工作流程图；
图3为本发明的子方法工作流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
通讯高效无需投影的分布式数据在线分类方法，主要功能是协调多个工作节点对分布式数据进行在线分类，可用于垃圾邮件检测、互联网广告投放和电商产品推荐等场景。下面将以电商产品推荐为例介绍本发明的具体工作流程。
分布式网络构建方法的工作流程如图1所示。首先，根据电商公司的服务器数量设置工作节点个数n。接着，按照电商公司的服务器的实际地理位置分布情况选择相应的网络拓扑结构并连接工作节点。之后，初始化任意两个工作节点i,j之间的通迅权重Pij＝0。然后，计算任意两个邻居节点i,j之间的通迅权重其中di和dj分别表示节点i和j的邻居个数。最后，计算任意节点i的自权重/>其中Ni表示节点i及其邻居节点组成的集合。
主方法的工作流程如图2所示。首先，确定产品推荐回合数T，并设置方法运行的相关参数：设置延迟参数设置每次预测模型更新的迭代次数/>设置学习率其中R是预测模型可行域χ的半径，D是使得下式成立的任意值： 然后，确定产品推荐相关的每条数据的候选类别数目h和特征数目k，并初始化每个工作节点i＝1,2,…,n的本地变量：初始化计数器mi＝1；初始化预测模型/>为一个h×k的全零矩阵；初始化加权梯度矩阵/>为一个h×k的全零矩阵；初始化本地梯度矩阵/>为一个h×k的全零矩阵。最后同时运行工作节点i＝1,2,…,n，开始每个推荐回合t＝1,2,…,T。在每个推荐回合中，每个工作节点首先判断当前回合t是否满足t>1且mod(t,K)＝1，如果是，将先更新预测模型再进行商品推荐；如果否，则直接进行商品推荐。
每个工作节点更新预测模型的具体流程如下：首先，将加权梯度矩阵传递给所有的邻居节点j≠i,j∈Ni，其中Ni表示节点i及其邻居节点组成的集合；接着，更新加权矩阵且构造替代损失函数/>之后，将替代损失函数/>当前预测模型/>以及迭代次数L传递给子方法，调用子方法并获取其输出Xout；然后，更新预测模型/>和计数器mi＝mi+1；最后，重置本地梯度矩阵为全零矩阵。
每个工作节点的商品推荐的具体流程如下：首先，获取本地用户和所有商品的特征拼接而成的向量接着，计算/>其中[h]＝{1,2,…,h}是一个正整数集合，/>表示/>的第l行，根据/>推荐商品；之后，获取本地用户实际购买的商品/>然后，计算本地损失函数fti(X)在/>处的梯度/>其中/> 表示X的第l行；最后，更新本地梯度矩阵/>
子方法的工作流程如图3所示。首先，接收替代损失函数当前预测模型以及迭代次数L。接着，初始化子方法预测模型/>和迭代计数器τ＝1。然后，迭代执行L次预测模型更新，每次更新的具流程为：首先计算替代损失函数/>在Yτ处的梯度接着计算更新方向/>然后计算更新步长最后更新模型Yτ+1＝Yτ+sτ(Vτ-Yτ)和计数器τ＝τ+1。最后，输出最新的子方法预测模型。
电商产品推荐具备用户数目和商品数目庞大的特征：庞大的用户数目要求较大的推荐回合数目，从而导致频繁的通讯；庞大的商品数目要求较大的特征数目和候选类别数目，使投影操作的计算开销昂贵。针对电商产品推荐，本发明提供的通讯高效无需投影的分布式数据在线分类方法有两点显著优势：仅在部分回合进行通讯，能够有效降低用户数目庞大引发的通讯开销；不需要进行计算昂贵的投影操作，能够有效降低商品数目庞大引发的计算开销。更进一步，通讯开销和计算开销的降低能够节省用户检索时间。

Claims (1)

1.一种通讯高效无需投影的分布式数据在线分类方法，其特征在于，协调多个工作节点对分布式数据进行在线分类，将多个工作节点按照预设的拓扑结构连接，组成一个分布式网络；在每个数据分类预测回合中，每个工作节点先判断当前回合是否需要进行模型更新，如果需要，则与邻居节点交换历史信息并利用无投影的方式更新模型；最后，利用最新的模型对本地数据进行分类预测，并记录本地梯度信息用于下次模型更新；
将多个工作节点按照预设的拓扑结构连接，组成一个分布式网络，通过分布式网络构建方法实现；所述分布式网络构建方法的具体步骤如下：
步骤100，设置工作节点个数n；
步骤101，按照预设的拓扑结构连接工作节点；
步骤102，初始化任意两个工作节点i,j之间的通迅权重Pij＝0；
步骤103，计算任意两个邻居节点i,j之间的通迅权重其中di和dj分别表示节点i和j的邻居个数；
步骤104，计算任意节点i的自权重其中Ni表示节点i及其邻居节点组成的集合；
通过主方法和子方法实现模型更新，对本地数据进行分类预测，以及记录本地梯度信息用于下次模型更新；
所述主方法的具体步骤如下：
步骤200，设置延迟参数K；
步骤201，设置每次预测模型更新的迭代次数L；
步骤202，设置学习率η；
步骤203，初始化每个工作节点i的计数器mi＝1，i＝1,2,…,n；
步骤204，初始化每个工作节点i的预测模型 为一个h×k的全零矩阵，其中h表示每条数据的候选类别数目，k表示每条数据的特征数目，i＝1,2,…,n；
步骤205，初始化每个工作节点i的加权梯度矩阵 为一个h×k的全零矩阵，
i＝1,2,…,n；
步骤206，初始化每个工作节点i的本地梯度矩阵为一个h×k的全零矩阵，i＝1,2,…,n；
步骤207，在每个分类预测回合t，每个工作节点i执行步骤208到步骤221；其中T表示回合总数t＝1,2,…,T，i＝1,2,…,n；
步骤208，判断当前回合t是否满足t>1且mod(t,K)＝1，如果否，则转入步骤217，直接进行预测；如果是，则转入步骤209，先进行模型更新；
步骤209，将加权梯度矩阵传递给工作节点i的所有的邻居节点j≠i,j∈Ni，其中Ni表示节点i及其邻居节点组成的集合；
步骤210，更新加权矩阵
步骤211，构造替代损失函数
步骤212，将替代损失函数当前预测模型/>以及迭代次数L传递给子方法；
步骤213，运行子方法并获取其输出Xout；
步骤214，更新预测模型
步骤215，更新计数器mi＝mi+1；
步骤216，重置本地梯度矩阵为一个h×k的全零矩阵；
步骤217，获取本地数据的特征向量
步骤218，利用最新预测模型和特征向量/>预测本地数据类别为/>其中[h]＝{1,2,…,h}是一个正整数集合，/>表示/>的第l行；
步骤219，获取本地数据的真实类别
步骤220，计算当前回合本地损失函数ft,i(X)在处的梯度/>其中/> 表示X的第l行；
步骤221，更新本地梯度矩阵
所述子方法的具体步骤如下：
步骤300，接收替代损失函数当前预测模型/>以及迭代次数L；
步骤301，初始化
步骤302，初始化迭代计数器τ＝1；
步骤303，计算替代损失函数在Yτ处的梯度/>
步骤304，计算更新方向其中/>为预测模型的可行域；
步骤305，计算更新步长
步骤306，更新模型Yτ+1＝Yτ+sτ(Vτ-Yτ)；
步骤307，判断τ是否满足τ＝L，如果是，则输出Xout＝Yτ+1；如果否，则更新计数器τ＝τ+1，并转回步骤303；
所述预设的拓扑结构是一个无向图，可供选择的无向图包括完全图、循环图和网格图；
所述步骤200中延迟参数K的设置方式为其中T是回合总数；
所述步骤201中迭代次数L的设置方式为其中T是回合总数；
所述步骤202中学习率η的设置方式为其中T是回合总数，R是预测模型可行域的半径，D是使得下式成立的任意值：/>
所述步骤217中本地数据是某一个工作节点i＝1,2,…,n最新收集到的一条数据；
所述步骤304中可行域的具体定义为/>其中h表示每条数据的候选类别数目，k表示每条数据的特征数目，c>0为控制模型复杂度的参数。
CN202010635904.7A 2020-07-03 2020-07-03 一种通讯高效无需投影的分布式数据在线分类方法 Active CN111754313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010635904.7A CN111754313B (zh) 2020-07-03 2020-07-03 一种通讯高效无需投影的分布式数据在线分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010635904.7A CN111754313B (zh) 2020-07-03 2020-07-03 一种通讯高效无需投影的分布式数据在线分类方法

Publications (2)

Publication Number Publication Date
CN111754313A CN111754313A (zh) 2020-10-09
CN111754313B true CN111754313B (zh) 2023-09-26

Family

ID=72679135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010635904.7A Active CN111754313B (zh) 2020-07-03 2020-07-03 一种通讯高效无需投影的分布式数据在线分类方法

Country Status (1)

Country Link
CN (1) CN111754313B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590263A (zh) * 2017-09-22 2018-01-16 辽宁工程技术大学 一种基于多变量决策树模型的分布式大数据分类方法
CN108959655A (zh) * 2018-08-07 2018-12-07 南京大学 一种面向动态环境的自适应在线推荐方法
CN110110128A (zh) * 2019-05-06 2019-08-09 西南大学 用于分布式架构的快速监督离散哈希图像检索系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11416767B2 (en) * 2018-04-27 2022-08-16 Docusign International (Emea) Limited Generative adversarial network model training using distributed ledger

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590263A (zh) * 2017-09-22 2018-01-16 辽宁工程技术大学 一种基于多变量决策树模型的分布式大数据分类方法
CN108959655A (zh) * 2018-08-07 2018-12-07 南京大学 一种面向动态环境的自适应在线推荐方法
CN110110128A (zh) * 2019-05-06 2019-08-09 西南大学 用于分布式架构的快速监督离散哈希图像检索系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于随机投影的高效自适应次梯度方法;宛袁玉;《中国优秀硕士学位论文全文数据库 信息科技辑》(第07期);I140-114 *

Also Published As

Publication number Publication date
CN111754313A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111523047B (zh) 基于图神经网络的多关系协同过滤算法
CN111881350B (zh) 一种基于混合图结构化建模的推荐方法与系统
Yao et al. RDAM: A reinforcement learning based dynamic attribute matrix representation for virtual network embedding
CN112232925A (zh) 一种融合知识图谱对商品进行个性化推荐的方法
CN112950324B (zh) 一种知识图谱辅助的成对排序个性化电商推荐方法及系统
WO2022166115A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
CN112364976A (zh) 基于会话推荐系统的用户偏好预测方法
CN110263236B (zh) 基于动态多视图学习模型的社交网络用户多标签分类方法
CN108734223A (zh) 基于社区划分的社交网络好友推荐方法
CN114491263B (zh) 推荐模型训练方法及装置、推荐方法及装置
CN108764805A (zh) 一种协同物流服务组合的多模型自适应推荐方法及系统
CN111724039A (zh) 一种向电力用户推荐客服人员的推荐方法
CN114639483A (zh) 一种基于图神经网络的电子病历检索方法及装置
CN110008977A (zh) 聚类模型构建方法以及装置
CN112364245B (zh) 基于异构信息网络嵌入的Top-K电影推荐方法
CN114064627A (zh) 一种针对多重关系的知识图谱链接补全方法及系统
CN113610610A (zh) 基于图神经网络和评论相似度的会话推荐方法和系统
CN116362836A (zh) 基于用户行为序列的农产品推荐算法
CN108537342A (zh) 一种基于邻居信息的网络表示学习方法及系统
CN113868537B (zh) 一种基于多行为会话图融合的推荐方法
CN114997476A (zh) 一种融合商品关联关系的商品预测方法
CN113744023B (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
CN110717116B (zh) 关系网络的链接预测方法及系统、设备、存储介质
CN113537613A (zh) 一种模体感知的时态网络预测方法
CN111754313B (zh) 一种通讯高效无需投影的分布式数据在线分类方法

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