CN111931035B - 业务推荐方法、装置及设备 - Google Patents
业务推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN111931035B CN111931035B CN201910395544.5A CN201910395544A CN111931035B CN 111931035 B CN111931035 B CN 111931035B CN 201910395544 A CN201910395544 A CN 201910395544A CN 111931035 B CN111931035 B CN 111931035B
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- service
- hidden factor
- factor feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 395
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims description 91
- 238000012549 training Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及机器学习技术领域,公开了一种业务推荐方法、装置和设备,所述方法包括:获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。通过上述方式,本发明实施例大大提高了业务推荐效率、降低了误差,提升了业务推荐和业务预测的精度。
Description
技术领域
本发明实施例涉及机器学习技术领域,具体涉及一种业务推荐方法、装置和设备。
背景技术
在移动通信领域,运营商通常运用分类、聚类等数据分析的方法,对运营商系统内的历史数据进行分析,实现对客户的特征化群体的细分,从而把握了用户的真正需求,帮助运营商进行有效的市场营销和客户服务。
目前经常用到的分析方法有:
分类算法,根据事物的特征和属性,将事物划分到已有的类别中。在移动通信行业,通常应用分类算法来识别潜在的客户群。比如说,使用决策树模型来识别2/3G客户是否可以迁转为4G客户,首先选取使用2/3G网络的客户,然后判断这些客户是否使用4G终端,由此将客户分为2个节点,再判断使用4G终端的客户的流量使用情况,这样一层层往下细分,直到确定可以迁转为4G网络的2/3G客户,运营商可以对这部分潜在客户群进行4G流量资费套餐推荐。
聚类分析,根据事物彼此之间不同的属性进行区分,将具有相似属性的事物聚为一类,使得同一类的事物具有高度的相似性。在移动通信行业,应用聚类分析对移动运营商的客户进行细分,将现有的客户按照不同的标准划分为不同的客户群,营销人员再对不同的客户群进行精准营销。比如说,使用K-means聚类算法分析客户的消费行为,选取客户的通话情况、消费情况,然后根据客户在流量和通话方面的差异对客户进行分层,确定K值,例如将客户群分为3层,则K值为3,最后经过K-means算法建模和计算得到客户细分模型数据,可以将客户分为上网一族、通话达人、商业人士,各层次的客户群关注的业务需求不同,对于上网一族,这类客户群的上网流量经常超出套餐额度,运营商可以向这类客户办理流量加油包或者不限量套餐产品。
协同过滤算法,根据用户的历史行为数据,挖掘发现用户的偏好,再基于不同的偏好对用户进行群组划分并推荐相似的产品。协同过滤算法主要分为3类:基于用户的协同过滤,基于物品的协同过滤,基于模型的协同过滤。在移动通信行业,主要使用基于用户的协同过滤算法进行客户群的划分,比如说根据移动用户在流量、语音、资费、增值业务等方面偏好,利用协同过滤算法来计算移动用户之间的相似度,再利用相似用户在相似项目的偏好进行预测,提供推荐。
在实现本发明实施例的过程中,发明人发现:目前存在的业务推荐方式存在效率较低、误差较大以及预测推荐的业务精度不高等问题。
发明内容
鉴于上述问题,本发明实施例提供了一种业务推荐方法、装置和设备,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种业务推荐方法,所述方法包括:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
可选的,所述获取目标用户的用户通话关系邻接矩阵,具体为:
获取与目标用户有通话关系的其他用户;
获取目标用户和与其有通话关系的其他用户的订购业务内容;
通过余弦相似度函数计算所述目标用户的订购业务内容和与其有通话关系的其他用户的订购业务内容的相似度;
根据所述相似度生成用户通话关系邻接矩阵。
可选的,所述神经网络为栈式降噪自编码神经网络。
可选的,所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,具体为:
所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量cj:
其中j表示j列,/>表示克罗内克积,/>表示拉普拉斯矩阵,IK为单位矩阵,λI为超参数;
所述栈式降噪自编码神经网络对所述业务内容矩阵进行编码,得到业务j的业务隐因子特征向量vj:
其中j表示业务j,IK为单位矩阵,/>为超参数,为噪声数据;
所述栈式降噪自编码神经网络对目标用户生成用户隐因子特征向量ui:
i为第i个用户,IK为单位矩阵,/>为超参数;
根据所述通话关系隐因子特征向量cj,生成通话关系隐因子特征矩阵
根据所述业务隐因子特征向量vj,生成业务隐因子特征矩阵
根据所述用户隐因子特征向量ui,生成用户隐因子特征矩阵
可选的,所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,之后进一步包括:
针对用户业务对(i,j)生成评分Ri1:
其中Ki1为置信参数,用来衡量目标用户i对业务j的评分可信度读,如果Ri1=1,则Ki1=a,Ri1=0,则Ki1=b,a>b>0。
可选的,所述神经网络为卷积神经网络。
可选的,所述根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐,进一步包括:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集;
初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵。
可选的,根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,包括:
在所述业务内容矩阵Xc中加入随机噪声数据X0;
通过反向传播算法更新所述神经网络上的权重矩阵W1和偏置向量b1,所述权重矩阵W1的梯度为:
所述偏置向量b1的梯度为:
其中为最大化对数似然函数,fr是以加入噪声的物品内容向量/>为输入,对物品内容信息进行编码,然后重建物品的特征向量;
更新用户隐因子特征向量ui、业务隐因子特征向量vj和用户通话关系邻接矩阵的行向量
通过计算最大化对数似然函数关于/>的梯度,令其为0,得到:
循环更新业务隐因子特征矩阵、用户隐因子特征矩阵、通话关系隐因子特征矩阵、权重矩阵和偏置向量,得到最大化对数似然函数的最优解。
可选的,所述方法进一步包括:当所述最大化对数似然函数的最优解达到预先设定的阈值时,根据所述训练数据集更新所述评分Ri1,按照所述评分Ri1向目标用户进行业务推荐。
根据本发明实施例的另一方面,提供了一种业务推荐装置,包括:
业务数据获取模块:用于获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
神经网络计算模块:用于根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
业务推荐模块:根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
根据本发明实施例的另一方面,提供了一种业务推荐设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述业务推荐方法。
根据本发明实施例的另一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行上述的业务推荐方法。
综上所述,本发明实施例通过使用协同深度学习的方法,并结合用户通话关系邻接矩阵,挖掘存在通话关系的用户订购的产品或服务之间的相似程度,生成用户隐因子关系特征矩阵、业务隐因子关系矩阵和通话关系隐因子特征矩阵,达到了更加精准的个性化推荐效果。此外,还可以使通信运营商根据用户的消费特征,比如流量需求、语音需求等,与用户隐因子特征矩阵和业务隐因子特征矩阵进行交叉比对,多角度地向用户提供推荐内容,大大提高了业务推荐效率、降低了误差,提升了业务推荐和业务预测的精度。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种业务推荐方法流程图;
图2示出了本发明实施例提供的一种协同深度学习模型图;
图3示出了本发明实施例提供的另一种业务推荐方法流程图;
图4示出了本发明实施例提供的一种业务推荐装置结构图;
图5示出了本发明实施例提供的一种业务推荐装置另一结构图;
图6示出了本发明实施例提供的一种业务推荐设备结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供的业务推荐方法通常需要在专用的业务分析和业务推荐服务器上实施,其上安装有相应的数据库。该服务器和存储有业务属性数据的数据库、存储有用户订购关系记录的数据库以及存储有用户联系人数据的数据库相配合使用。网络运营商往往拥有完整的业务属性数据、用户订购关系数据和用户联系人数据等,本发明实施例通过深度学习将业务的属性数据、用户的订购数据与用户联系人数据进行融合,在业务推荐过程中,充分考虑用于联系人数据的信息,将与目标用户有通话关系的人的产品与目标用户的属性进行综合分析,可以更加准确快速的预测出适合用户的资费、套餐、业务、产品等,并推荐给用户,给运营商提供精准营销。当然,针对训练样例中号码等敏感数据,根据国家法令都作了严格数据加密及安全管控。
如图1所示,本发明实施例提供的一种业务推荐方法的流程图,该方法包括以下步骤:
101:获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵。
业务推荐服务器首先从运营商网络中,获取业务内容信息、各用户的订购业务信息和用户联系人数据信息,然后,将上述信息转化为对应的矩阵。
业务内容矩阵XC:
主要包含运营商推出的各种产品或服务信息,具体的,如下表1所示,根据运营商推出的资费套餐,从产品名称、资费、总流量、国内语音、省内语音、短信等方面构建物品的内容矩阵。
表1
产品名称 | 资费 | 总流量 | 国内语音 | 省内语音 | 短信 |
任我用78元 | 78 | 10240 | 50 | 0 | 0 |
任我用98元 | 98 | 20480 | 150 | 150 | 0 |
任我用118元 | 118 | 20480 | 200 | 200 | 0 |
G上网套餐58元 | 58 | 500 | 50 | 0 | 0 |
4G飞享套餐58元 | 58 | 2548 | 150 | 0 | 0 |
...... |
用户评分矩阵R:
将用户对运营商的产品或服务的订购记录转化为用户评分矩阵。用户的历史评分信息可以指导特征学习,同时学习到的特征表达又可以改善预测效果。具体的,在本实施例中,如果用户订购过该产品或服务,则评分为1,反之,如果用户没有订购过该产品或服务,则评分为0。具体的,如下表2所示:
表2
用户通话关系邻接矩阵A:
根据用户联系人数据信息获取与目标用户有通话关系的联系人列表,然后提取出所有联系人的订购的产品或服务,判断与目标用户有通话关系的联系人所沟通的业务与目标用户之间的关系,判断所订购业务之间的相似度,从而构建用户通话关系邻接矩阵,目的是为了记录与目标用户有潜在关系的业务信息。
在本发明实施例中,通过余弦相似度函数计算物品或业务之间的相似度,构建用户通话关系邻接矩阵。在本实施例中,使用相似度函数Sim(j,f)描述物品j和f相互关联的程度,其中Sim(j,f)∈[0,1]。当有通话关系的用户的所订购的业务和目标用户的业务的相似度函数Sim(j,f)为1时,则将该物品或业务加入到该用户的用户通话关系邻接矩阵中去。
102:根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵。
本实施例中,通过将协同深度学习算法CDL和社交关系正则化进行结合,形成新的混合协同过滤推荐算法CDL-CR,有效的融合用户评分信息、业务内容信息和社交网络信息,使得学习到的特征表示可以在用户的社交关系网络之间进行传播,从而使得特征表示更加精准,更加准确的描述用户和潜在订购产品的隐因子特征向量。
CDL-CR模型如图2所示,通过栈式降噪自编码神经网络(SDAE)对用户订购的业务内容矩阵X进行编码,得到业务隐因子特征向量,再将目标用户订购的业务隐因子特征向量与用户评分矩阵R和用户通话关系邻接矩阵A融合,通过优化得到用户隐因子特征矩阵和业务隐因子特征矩阵。
如图2所示,SDAE是一个多层的自编码器组成的神经网络,其前一层自编码的输出作为后一层的输入。以下为本发明采用SDAE作为实施例阐述用户隐因子特征向量和业务隐因子特征向量的提取过程。Xc为J个产品构成的J*S维矩阵,表示原始无噪声的输入,X0表示加入了随机噪声的输入。W+表示所有层的权重矩阵和偏置向量的集合。L表示整个神经网络的层数,L/2层的SDAE对于L层的网络。其中:λw,λn,λv,λr,λl,λu是超参数,比如用λv衡量Vj与XL/2的靠近程度。
具体的,对SDAE的第l层的输出Xl的每一行j生成:
其中,σ为sigmoid函数;
对每个物品j,生成原始无噪声输入数据:
所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量cj:
其中/>表示克罗内克积(Kronecker积),/>表示拉普拉斯矩阵,IK为单位矩阵,λI为超参数。图2中,A为J*J维用户通话关系邻接矩阵,A(j,f)=0表示用户j和订购产品f不存在相互关系,而A(j,f)不等于0表示用户j和订购产品f存在相互关系。
根据通话关系隐因子特征向量cj,形成通话关系隐因子特征矩阵C:
对每个物品j,生成业务隐因子特征向量vj,其分布是两个高斯分布的乘积POG:
其中j表示业务j,IK为单位矩阵,/>为超参数,为噪声数据;
根据业务隐因子特征向量vj,形成业务隐因子特征矩阵V:
对每个用户i,生成用户隐因子特征向量ui:
i为第i个用户,IK为单位矩阵,/>为超参数;
根据用户隐因子特征向量ui,生成用于隐因子特征矩阵U:
U=[u1,u2,u3,......,ui]。
对每个用户-物品对(i,j),生成评分Ri1:
其中Ki1为置信参数,用来衡量用户i对物品j的评分可信度情况,如果Ri1=1,则Ki1=a,Ri1=0,则Ki1=b,a>b>0。
由上述可知,通过引入拉普拉斯矩阵到通话关系隐因子特征矩阵C的先验分布中,由通话关系确立的物品相似关系被有效地融合到CDL-CR模型中。
优选的,上述通话关系隐因子特征矩阵C,用户隐因子特征矩阵U和业务隐因子特征矩阵V,还可以通过其他申请网络模型进行计算,比如采用卷积神经网络进行模型的构建,构建过程和栈式降噪自编码神经网络(SDAE)类似,在这里不再赘述。重点在于本发明实施例将用户的社交关系信息即用户通话关系信息引入模型的构建,使得学习到的特征表示可以在用户的社交关系网络之间进行传播,从而使得特征表示更加精准,更加准确的描述用户和潜在订购产品的隐因子特征向量。
103:根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
当通过上述神经网络计算出业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵后,系统获取目标用户的业务内容数据、用户评分数据和用户通话关系数据等作为训练数据集,进行业务推荐。
具体的,如图3所示:
301:获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集;
模型建立以后,系统将获取用户的训练数据集,首先采集数据、预处理训练数据集,生成业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵。选取60000条用户的订购行为构建用户评分矩阵R,514条产品信息数据构建业务内容矩阵Xc和物品通话关系邻接矩阵A。
302:初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
初始化用户隐因子特征矩阵U,业务隐因子特征矩阵V,通话关系隐因子特征矩阵C,将系统变量赋为默认值,初始化SDAE神经网络参数W+,相关超参数及学习参数等。在业务内容矩阵Xc中加入随机噪声,生成噪声数据X0。设置dropout以实现自适应正则化。dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,防止过拟合。
303:根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
通过反向传播算法更新神经网络上的权重矩阵Wl和偏置向量bl。所述反向传播算法为适合于多层神经元网络的一种学习算法,它建立在梯度下降法的基础上。其输入输出关系实质上是一种映射关系:一个n输入m输出的反向传播神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射,这一映射具有高度非线性当考虑权重延迟时,最大后验概率等价于最大化对数似然函数因此本实施例中,将最大化对数似然函数/>作为目标函数,采用梯度下降算法优化目标函数。
具体的,在本实施例中,权重矩阵Wl的梯度为
偏置向量bl的梯度为:
其中,为最大化对数似然函数函数fr是以加入噪声的物品内容向量X0,j*为输入,对物品内容信息进行编码,然后重建物品的特征向量。
根据训练数据集更新用户隐因子特征向量ui和业务隐因子特征向量vj。通过计算目标函数关于ui,vj的偏导数,并令偏导数为0,可以得到:
ui=(VDiVT+λuIk)-1VDiRi;
其中:Di是对角矩阵,Ri=(Ri1,Ri2,......,Rij),函数fe以加入噪声的业务隐因子特征向量X0,j*为输入,对物品内容信息进行编码。
更新用户通话关系邻接矩阵的行向量ck*,通过计算目标函数关于ck*的梯度,并令其为0,可以得到
通过不断的循环迭代更新业务隐因子特征矩阵、用户隐因子特征矩阵、通话关系隐因子特征矩阵、权重矩阵和偏置向量,得到最大化对数似然函数的最优解,采用dropout限制过度拟合,达到理想精度停止训练。
这里的理想精度及最优解为预先设定的阈值,当所述最大化对数似然函数的最优解达到预先设定的阈值,则停止训练。
304:根据所述训练数据集更新评分,按照所述评分向目标用户进行业务推荐;
根据对每个用户-物品对(i,j),生成评分Ri1:
其中Ki1为置信参数,用来衡量用户i对物品j的评分可信度情况,如果Ri1=1,则Ki1=a,Ri1=0,则Ki1=b,a>b>0。
当停止训练时,根据预测评分,对业务进行排队,将排名最高的前N项向目标用户进行推荐。在本实施例中,融合用户的评分矩阵R,物品的内容矩阵Xc和物品通话关系邻接矩阵A同时进行训练,得到用户隐因子特征矩阵和印务隐因子特征矩阵,最后产生预测结果。将目标用户的所有预测评分进行排序,然后选取用户评分最高的前N项产品推荐给该用户。
因此,通过上述实施例,使用协同深度学习的方法,并结合用户通话关系邻接矩阵,挖掘存在通话关系的用户订购的产品或服务之间的相似程度,达到了更加精准的个性化推荐效果。此外,还可以使通信运营商根据用户的消费特征,比如流量需求、语音需求等,与用户隐因子特征矩阵和业务隐因子特征矩阵进行交叉比对,多角度地向用户提供推荐内容,大大提高了业务推荐效率、降低了误差,提升了业务推荐和业务预测的精度。
图4为本发明实施例提供的一种业务推荐装置的结构示意图,该业务推荐装置400包括:
业务数据获取模块401:用于获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
神经网络计算模块402:用于根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
业务推荐模块404:根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
进一步的,还包括:数据训练模块403:用于获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集;初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,将所述更新后的业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵发送给业务推荐模块。
进一步的,如图5所示,所述神经网络计算模块402,还包括深度计算单元4021和评分计算单元4022。
所述深度计算单元4021用于根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,生成业务隐因子特征向量vj,用户隐因子特征向量ui和通话关系隐因子特征向量cj,同时,也根据业务隐因子特征向量vj,用户隐因子特征向量ui和通话关系隐因子特征向量cj生成对应的业务隐因子特征还用于接收所述数据训练集,对所述数据训练集进行深度处理。
所述评分计算单元4022,根据最大化对数似然函数的最优解,生成针对用户业务对(i,j)生成评分Ri1:/>其中Ki1为置信参数,用来衡量目标用户i对业务j的评分可信度读,如果Ri1=1,则Ki1=a,Ri1=0,则Ki1=b,a>b>0。
综上所述,根据本发明实施例提供的业务推荐装置,可以通过协同深度学习的方法,并结合用户通话关系邻接矩阵,挖掘存在通话关系的用户订购的产品或服务之间的相似程度,达到了更加精准的个性化推荐效果。此外,还可以使运营商根据用户的消费特征,比如流量需求、语音需求等,与用户隐因子特征矩阵和业务隐因子特征矩阵进行交叉比对,多角度地向用户提供推荐内容,大大提高了业务推荐效率、降低了误差,提升了业务推荐和业务预测的精度。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的业务推荐方法。
可执行指令具体可以用于使得处理器执行以下业务推荐方法操作:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
在可选实施例中,所述获取目标用户的用户通话关系邻接矩阵,具体为:
获取与目标用户有通话关系的其他用户;
获取目标用户和与其有通话关系的其他用户的订购业务内容;
通过余弦相似度函数计算所述目标用户的订购业务内容和与其有通话关系的其他用户的订购业务内容的相似度;
根据所述相似度生成用户通话关系邻接矩阵。
在可选实施例中,所述神经网络为栈式降噪自编码神经网络。
在可选实施例中,所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,具体为:
所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量cj:
其中j表示j列,/>表示克罗内克积,/>表示拉普拉斯矩阵,IK为单位矩阵,λI为超参数;
所述栈式降噪自编码神经网络对所述业务内容矩阵进行编码,得到业务j的业务隐因子特征向量vj:
其中j表示业务j,IK为单位矩阵,/>为超参数,为噪声数据;
所述栈式降噪自编码神经网络对目标用户生成用户隐因子特征向量ui:
i为第i个用户,IK为单位矩阵,/>为超参数;
根据所述通话关系隐因子特征向量cj,生成通话关系隐因子特征矩阵
根据所述业务隐因子特征向量vj,生成业务隐因子特征矩阵
根据所述用户隐因子特征向量ui,生成用户隐因子特征矩阵
进一步的,根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,之后进一步包括:
针对用户业务对(i,j)生成评分Ri1:
其中Ki1为置信参数,用来衡量目标用户i对业务j的评分可信度读,如果Ri1=1,则Ki1=a,Ri1=0,则Ki1=b,a>b>0。
在可选实施例中,所述神经网络为卷积神经网络。
在可选实施例中,所述根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐,进一步包括:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集;
初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵。
在可选实施例中,根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,包括:
在所述业务内容矩阵Xc中加入随机噪声数据X0;
通过反向传播算法更新所述神经网络上的权重矩阵W1和偏置向量b1,所述权重矩阵W1的梯度为:
所述偏置向量b1的梯度为:
/>
其中为最大化对数似然函数,fr是以加入噪声的物品内容向量/>为输入,对物品内容信息进行编码,然后重建物品的特征向量;
更新用户隐因子特征向量ui、业务隐因子特征向量vj和用户通话关系邻接矩阵的行向量
通过计算最大化对数似然函数关于/>的梯度,令其为0,得到:
循环更新业务隐因子特征矩阵、用户隐因子特征矩阵、通话关系隐因子特征矩阵、权重矩阵和偏置向量,得到最大化对数似然函数的最优解。
在可选实施例中,包括:当所述最大化对数似然函数的最优解达到预先设定的阈值时,根据所述训练数据集更新所述评分Ri1,按照所述评分Ri1向目标用户进行业务推荐。
综上所述,根据本发明实施例提供的一种非易失性计算机存储介质,可以通过协同深度学习的方法,并结合用户通话关系邻接矩阵,挖掘存在通话关系的用户订购的产品或服务之间的相似程度,达到了更加精准的个性化推荐效果。此外,还可以使运营商根据用户的消费特征,比如流量需求、语音需求等,与用户隐因子特征矩阵和业务隐因子特征矩阵进行交叉比对,多角度地向用户提供推荐内容,大大提高了业务推荐效率、降低了误差,提升了业务推荐和业务预测的精度。
图6示出了本发明提供的一种业务推荐设备实施例的结构示意图,本发明具体实施例并不对业务推荐设备的具体实现做限定。
如图6所示,该业务推荐设备可以包括:处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中:处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604,用于与其它设备比如客户端或其它服务器等的网元通信。处理器602,用于执行程序610,具体可以执行上述业务推荐方法实施例中的相关步骤。
具体地,程序610可以包括程序代码,该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。业务推荐设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器606,用于存放程序610。存储器606可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作:
可执行指令具体可以用于使得处理器执行以下业务推荐方法操作:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
在可选实施例中,所述获取目标用户的用户通话关系邻接矩阵,具体为:
获取与目标用户有通话关系的其他用户;
获取目标用户和与其有通话关系的其他用户的订购业务内容;
通过余弦相似度函数计算所述目标用户的订购业务内容和与其有通话关系的其他用户的订购业务内容的相似度;
根据所述相似度生成用户通话关系邻接矩阵。
在可选实施例中,所述神经网络为栈式降噪自编码神经网络。
在可选实施例中,所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,具体为:
所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量cj:
其中j表示j列,/>表示克罗内克积,/>表示拉普拉斯矩阵,IK为单位矩阵,λI为超参数;
所述栈式降噪自编码神经网络对所述业务内容矩阵进行编码,得到业务j的业务隐因子特征向量vj:
其中j表示业务j,IK为单位矩阵,/>为超参数,为噪声数据;
所述栈式降噪自编码神经网络对目标用户生成用户隐因子特征向量ui:
i为第i个用户,IK为单位矩阵,/>为超参数;
根据所述通话关系隐因子特征向量cj,生成通话关系隐因子特征矩阵
根据所述业务隐因子特征向量vj,生成业务隐因子特征矩阵
根据所述用户隐因子特征向量ui,生成用户隐因子特征矩阵
进一步的,根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,之后进一步包括:
针对用户业务对(i,j)生成评分Ri1:
其中Ki1为置信参数,用来衡量目标用户i对业务j的评分可信度读,如果Ri1=1,则Ki1=a,Ri1=0,则Ki1=b,a>b>0。/>
在可选实施例中,所述神经网络为卷积神经网络。
在可选实施例中,所述根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐,进一步包括:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集;
初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵。
在可选实施例中,根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,包括:
在所述业务内容矩阵Xc中加入随机噪声数据X0;
通过反向传播算法更新所述神经网络上的权重矩阵W1和偏置向量b1,所述权重矩阵W1的梯度为:
所述偏置向量b1的梯度为:
其中为最大化对数似然函数,fr是以加入噪声的物品内容向量/>为输入,对物品内容信息进行编码,然后重建物品的特征向量;
更新用户隐因子特征向量ui、业务隐因子特征向量vj和用户通话关系邻接矩阵的行向量
通过计算最大化对数似然函数关于/>的梯度,令其为0,得到:
循环更新业务隐因子特征矩阵、用户隐因子特征矩阵、通话关系隐因子特征矩阵、权重矩阵和偏置向量,得到最大化对数似然函数的最优解。
在可选实施例中,包括:当所述最大化对数似然函数的最优解达到预先设定的阈值时,根据所述训练数据集更新所述评分Ri1,按照所述评分Ri1向目标用户进行业务推荐。
综上所述,本发明实施例提供的一种业务推荐设备,可以通过协同深度学习的方法,并结合用户通话关系邻接矩阵,挖掘存在通话关系的用户订购的产品或服务之间的相似程度,达到了更加精准的个性化推荐效果。此外,还可以使运营商根据用户的消费特征,比如流量需求、语音需求等,与用户隐因子特征矩阵和业务隐因子特征矩阵进行交叉比对,多角度地向用户提供推荐内容,大大提高了业务推荐效率、降低了误差,提升了业务推荐和业务预测的精度。
需要指出的是,在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种业务推荐方法,其特征在于,包括:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;所述神经网络为栈式降噪自编码神经网络;所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,具体为:
所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量cj:
其中K表示K层,j表示j列,NK,j为高斯分布的概率密度函数,/>表示克罗内克积,/>表示拉普拉斯矩阵,IK为单位矩阵,λI为超参数;
所述栈式降噪自编码神经网络对所述业务内容矩阵进行编码,得到业务j的业务隐因子特征向量vj:
其中j表示业务j,IK为单位矩阵,/>为超参数,/>为噪声数据,L表示整个神经网络的层数,POG为高斯分布的乘积;
所述栈式降噪自编码神经网络对目标用户生成用户隐因子特征向量ui:
i为第i个用户,IK为单位矩阵,/>为超参数,N为高斯分布的概率密度函数;
根据所述通话关系隐因子特征向量cj,生成通话关系隐因子特征矩阵
根据所述业务隐因子特征向量vj,生成业务隐因子特征矩阵
根据所述用户隐因子特征向量ui,生成用户隐因子特征矩阵
根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
2.如权利要求1所述的业务推荐方法,其特征在于,所述获取目标用户的用户通话关系邻接矩阵,具体为:
获取与目标用户有通话关系的其他用户;
获取目标用户和与其有通话关系的其他用户的订购业务内容;
通过余弦相似度函数计算所述目标用户的订购业务内容和与其有通话关系的其他用户的订购业务内容的相似度;
根据所述相似度生成用户通话关系邻接矩阵。
3.如权利要求1所述的业务推荐方法,其特征在于,根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,之后进一步包括:
针对用户业务对(i,j)生成评分Rij:
其中Kij为置信参数,用来衡量目标用户i对业务j的评分可信度读,如果Rij=1,则Kij=a,Rij=0,则Kij=b,a>b>0。
4.如权利要求1或2所述的业务推荐方法,其特征在于,所述神经网络为卷积神经网络。
5.如权利要求3所述的业务推荐方法,其特征在于,所述根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐,进一步包括:
获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集;
初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;
根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵。
6.如权利要求5所述的业务推荐方法,其特征在于,根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,包括:
在所述业务内容矩阵Xc中加入随机噪声数据X0;
通过反向传播算法更新所述神经网络上的权重矩阵W1和偏置向量b1,所述权重矩阵W1的梯度为:
所述偏置向量b1的梯度为:
其中为最大化对数似然函数,fr是以加入噪声的物品内容向量/>为输入,对物品内容信息进行编码,然后重建物品的特征向量;λn是超参数;W+表示所有层的权重矩阵和偏置向量的集合;
更新用户隐因子特征向量ui、业务隐因子特征向量vj和用户通话关系邻接矩阵的行向量ck*;
通过计算最大化对数似然函数关于ck*的梯度,令其为0,得到:
其中,λr,λl是超参数;为拉普拉斯矩阵,I1为与/>同阶的单位矩阵,vk*为业务内容矩阵的行向量;
循环更新业务隐因子特征矩阵、用户隐因子特征矩阵、通话关系隐因子特征矩阵、权重矩阵和偏置向量,得到最大化对数似然函数的最优解。
7.如权利要求6所述的业务推荐方法,其特征在于,所述方法进一步包括:当所述最大化对数似然函数的最优解达到预先设定的阈值时,根据所述训练数据集更新所述评分Rij,按照所述评分Rij向目标用户进行业务推荐。
8.一种业务推荐装置,其特征在于,包括:
业务数据获取模块:用于获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵;
神经网络计算模块:用于根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵;所述神经网络为栈式降噪自编码神经网络;所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵,通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵,具体为:
所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量cj:
其中K表示K层,j表示j列,NK,j为高斯分布的概率密度函数,/>表示克罗内克积,/>表示拉普拉斯矩阵,IK为单位矩阵,λI为超参数;
所述栈式降噪自编码神经网络对所述业务内容矩阵进行编码,得到业务j的业务隐因子特征向量vj:
其中j表示业务j,IK为单位矩阵,/>为超参数,/>为噪声数据,L表示整个神经网络的层数,POG为高斯分布的乘积;
所述栈式降噪自编码神经网络对目标用户生成用户隐因子特征向量ui:
i为第i个用户,IK为单位矩阵,/>为超参数;
根据所述通话关系隐因子特征向量cj,生成通话关系隐因子特征矩阵
根据所述业务隐因子特征向量vj,生成业务隐因子特征矩阵
根据所述用户隐因子特征向量ui,生成用户隐因子特征矩阵
业务推荐模块:用于根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。
9.一种业务推荐设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的业务推荐方法。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7任意一项所述的业务推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910395544.5A CN111931035B (zh) | 2019-05-13 | 2019-05-13 | 业务推荐方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910395544.5A CN111931035B (zh) | 2019-05-13 | 2019-05-13 | 业务推荐方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931035A CN111931035A (zh) | 2020-11-13 |
CN111931035B true CN111931035B (zh) | 2023-11-24 |
Family
ID=73282638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910395544.5A Active CN111931035B (zh) | 2019-05-13 | 2019-05-13 | 业务推荐方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931035B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380439B (zh) * | 2020-11-19 | 2024-06-04 | 平安科技(深圳)有限公司 | 目标物推荐方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013170566A1 (zh) * | 2012-05-18 | 2013-11-21 | 华为技术有限公司 | 终端用户社交网的数据挖掘方法、相关方法、装置和系统 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN107392940A (zh) * | 2017-06-12 | 2017-11-24 | 西安电子科技大学 | 一种基于堆栈半监督自适应去噪自编码器的sar图像变化检测方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109408702A (zh) * | 2018-08-29 | 2019-03-01 | 昆明理工大学 | 一种基于稀疏边缘降噪自动编码的混合推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090093B (zh) * | 2016-11-22 | 2021-02-09 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
-
2019
- 2019-05-13 CN CN201910395544.5A patent/CN111931035B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013170566A1 (zh) * | 2012-05-18 | 2013-11-21 | 华为技术有限公司 | 终端用户社交网的数据挖掘方法、相关方法、装置和系统 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN107392940A (zh) * | 2017-06-12 | 2017-11-24 | 西安电子科技大学 | 一种基于堆栈半监督自适应去噪自编码器的sar图像变化检测方法 |
CN109408702A (zh) * | 2018-08-29 | 2019-03-01 | 昆明理工大学 | 一种基于稀疏边缘降噪自动编码的混合推荐方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
Non-Patent Citations (7)
Title |
---|
Collaborative topic modeling for recommending scientific articles;Chong Wang 等;《Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining》;448–456 * |
Sheng Li 等.Deep Collaborative Filtering via Marginalized Denoising Auto-encoder.《CIKM '15: Proceedings of the 24th ACM International on Conference on Information and Knowledge Management》.2015,811–820. * |
基于Spark的并行化协同深度推荐模型;贾晓光;《计算机工程与应用》;第54卷(第14期);71-76 * |
基于数据挖掘的移动互联网业务推荐模型研究;陈茹茹;《中国优秀硕士学位论文全文数据库 信息科技辑》(第04期);I138-1292 * |
基于栈式降噪自编码器的协同过滤算法;周洋 等;《计算机应用研究》;34(08);2336-2339 * |
基于深度学习的推荐系统研究综述;黄立威 等;《计算机学报》;41(07);1619-1647 * |
移动通信网中基于用户社会化关系挖掘的协同过滤算法;黄武汉 等;《电子与信息学报》;第33卷(第12期);3002-3007 * |
Also Published As
Publication number | Publication date |
---|---|
CN111931035A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11593894B2 (en) | Interest recommendation method, computer device, and storage medium | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
US9875294B2 (en) | Method and apparatus for classifying object based on social networking service, and storage medium | |
CN111461841B (zh) | 物品推荐方法、装置、服务器及存储介质 | |
US20230229863A1 (en) | Content editing using AI-based content modeling | |
CN111506820B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
EP4202725A1 (en) | Joint personalized search and recommendation with hypergraph convolutional networks | |
CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
CN112307332A (zh) | 基于用户画像聚类的协同过滤推荐方法、系统及存储介质 | |
CN112328909A (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN111209469A (zh) | 一种个性化推荐方法、装置、计算机设备及存储介质 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN112597292B (zh) | 问题回复推荐方法、装置、计算机设备和存储介质 | |
CN111931035B (zh) | 业务推荐方法、装置及设备 | |
CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
CN113010664B (zh) | 一种数据处理方法、装置及计算机设备 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
US20140324523A1 (en) | Missing String Compensation In Capped Customer Linkage Model | |
US20140324524A1 (en) | Evolving a capped customer linkage model using genetic models | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN111651643A (zh) | 候选内容的处理方法及相关设备 | |
CN113792163B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
Song et al. | Implicit feedback mining for recommendation | |
Sadouki et al. | A Deep Learning Architecture for Profile Enrichment and Content Recommendation |
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 |