CN112084416A - 基于CNN和LSTM的Web服务推荐方法 - Google Patents
基于CNN和LSTM的Web服务推荐方法 Download PDFInfo
- Publication number
- CN112084416A CN112084416A CN202010994470.XA CN202010994470A CN112084416A CN 112084416 A CN112084416 A CN 112084416A CN 202010994470 A CN202010994470 A CN 202010994470A CN 112084416 A CN112084416 A CN 112084416A
- Authority
- CN
- China
- Prior art keywords
- user
- api
- cnn
- lstm
- mashup
- 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
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/049—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于CNN和LSTM的Web服务推荐方法。目前,传统的协同过滤技术在应用系统中占据很高的地位,但是还存在着数据稀疏性的问题。一种基于CNN和LSTM的Web服务推荐方法,将CNN与LSTM进行有效结合,构建深度学习模型以实现最佳的推荐结果,在计算用户偏好特征时,采用用户的历史行为这种隐式反馈信息来提取用户的偏好,使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练,得到其各属性的特征矩阵,构建基于CNN和LSTM的评分预测模型,将各特征矩阵输入到评分预测模型,得到用户对Web服务的预测评分,推荐策略选取用户评分Top_3的Web服务为用户生成推荐,本发明应用于互联网领域。
Description
技术领域
本发明涉及一种基于CNN和LSTM的Web服务推荐方法。
背景技术
互联网的高速发展使得满足用户需求的候选服务数量飞速增长,如何从大规模的Web服务集合中,找到满足用户需求的Web服务,已经成为服务计算等领域的主要研究问题。传统的协同过滤技术在应用系统中占据很高的地位,但是还存在着数据稀疏性的问题。
发明内容
本发明的目的是提供一种基于CNN和LSTM的Web服务推荐方法,用以缓解推荐数据的稀疏性的问题,并提高了推荐的准确性。
上述的目的通过以下的技术方案实现:
一种基于CNN和LSTM的Web服务推荐方法,其特征是:将CNN与LSTM进行有效结合,构建深度学习模型以实现最佳的推荐结果,在计算用户偏好特征时,采用用户的历史行为这种隐式反馈信息来提取用户的偏好;使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练,得到其各属性的特征矩阵;构建基于CNN和LSTM的评分预测模型;将各特征矩阵输入到评分预测模型,得到用户对Web服务的预测评分;推荐策略选取用户评分Top_3的Web服务为用户生成推荐,此方法使用用户的历史记录信息提取了用户的偏好特征,解决了用户对服务没有显式评分的问题,使用CNN较好地提取了内容的局部特征,使用LSTM的全局性对文本上下文的理解进行了补充,提高了推荐的准确率。
所述的基于CNN和LSTM的Web服务推荐方法,包括以下步骤:
步骤一,基于用户的隐式反馈信息计算用户偏好特征;
步骤二,将用户特征、用户的其他属性、API各属性、Mashup各属性的文本描述内容通过BERT语言表征模型得到向量化表示;
步骤三,构建基于CNN和LSTM评分预测模型,将用户、API、Mashup的各属性特征矩阵输入到评分预测模型,得到用户对Web API的预测评分;
步骤四,将步骤步骤三得到的预测评分进行排序,选取预测评分最高的Top_3的 Web服务推荐给用户。
所述的基于CNN和LSTM的Web服务推荐方法,所述的基于用户隐式反馈信息计算用户偏好特征方法包括:
所述的基于CNN和LSTM的Web服务推荐方法,所述的基于BERT的语言表征模型的词向量化方法包括:
将用户、Web API以及Mashup的自然语言类文本数据输入到BERT模型, BERT模型通过查询词向量表将文本中的每一个词转换成一个一维向量,即Token Embeddings作为模型的输入;
此外,模型的输入还包含Segment Embeddings和Position Embeddings,SegmentEmbeddings向量的取值由模型在训练过程中自动学习,它用来刻画文本的全局语义信息,并与单个词的语义信息相融合;
Position Embeddings会对不同位置的词分别附加一个不同位置的向量以做区分,用来区分同一个词在文本中的不同位置所携带的语义信息差异;
最后,BERT会将Token Embeddings、Segment Embedding、Position Embeddings的向量和作为最终的模型输入,而输出则是输入的各词融合全文语义信息后的向量表示。
所述的基于CNN和LSTM的Web服务推荐方法,所构建的基于CNN和LSTM的评分预测模型,包括:
模型共分为四层,分别为:输入层、深度学习网络层、全连接层和输出层;
(1)输入层:主要是将用户、API以及Mashup信息的向量化表示输入到评分预测模型中;
(2)深度学习网络层:主要是将输入数据映射到隐层特征空间,它分为三个部分:一是词嵌入层,将用户性别等类别字段数据进行简单的词嵌入,得到其特征矩阵;而是CNN层,将用户、API以及Mashup的名称等短文本属性数据进行特征提取:三是LSTM层,将用户、API以及Mashup的描述等具有上下文依赖关系的长文本属性数据进行特征提取;
(3)全连接层:主要是对深度学习网络层所输出的分布式特征表示做加权,映射到样本标记空间,得到用户的特征向量和融合了Mashup特征的Web API的特征向量;
(4)输出层:将用户特征向量和Web API的特征向量做内积,得到用户对于Web服务的预测评分。
所述的基于CNN和LSTM的Web服务推荐方法,所述的用户对服务预测评分的方法,包括:
(1)将用户数据:Username()、Real Name()、UserPre()、Gender()、Location()、Country()、About Me()输入到基于CNN和LSTM的评分预测模型;
(2)将API数据:API Id()、API Name()、API Tags()、API Desc()、APICategory()、API URL()、API Changelog()输入到基于CNN和LSTM的评分预测模型;
(3)将Mashup数据:Mashup Id()、Mashup Name()、Mashup Tags()、MashupDesc()、Mashup Category()、Mashup URL()、Mashup Changelog()输入到基于CNN和LSTM的评分预测模型;
所述的基于CNN和LSTM的Web服务推荐方法,所述的推荐策略为:
本发明所达到的有益效果:
1. 本发明提出了一种基于用户隐式反馈信息提取用户偏好特征的方法,解决了用户没有显式的对服务的评分的问题;
2. 本发明在进行Web服务推荐时,使用了用户、API、Mashup共计21个属性数据,从各方面对用户和Web服务进行特征提取,有效解决了数据稀疏性的问题;
3. 本发明提出了一种联合学习的神经网络,将CNN与LSTM进行有效结合,对用户、API、Mashup的各属性进行建模,来提升推荐的准确性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
附图1 为本发明BERT语言表征模型的输入向量图;
附图2 为本发明基于CNN和LSTM评分预测模型图;
附图3 位本发明基于CNN和LSTM的Web服务推荐流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
基于传统推荐技术在应用系统中存在数据稀疏性的问题,本发明提供了一种基于CNN和LSTM的Web服务推荐方法。包括以下步骤:
步骤1,基于用户隐式反馈信息计算用户偏好特征:
步骤2,基于BERT的语言表征模型的词向量化方法:
将步骤1得到的用户偏好数据、用户其他属性数据、Web API以及Mashup的文本数据输入到BERT模型, BERT模型通过查询词向量表将文本中的每一个词转换成一个一维向量,即Token Embeddings作为模型的输入,此外,模型的输入还包含Segment Embeddings和Position Embeddings,Segment Embeddings向量的取值由模型在训练过程中自动学习,它用来刻画文本的全局语义信息,并与单个词的语义信息相融合,Position Embeddings会对不同位置的词分别附加一个不同位置的向量以做区分,用来区分同一个词在文本中的不同位置所携带的语义信息差异,最后,BERT会将Token Embeddings、Segment Embedding、Position Embeddings的向量和作为最终的模型输入,如附图1所示,而输出则是输入的各词融合全文语义信息后的向量表示。
步骤3,基于CNN和LSTM的评分预测方法:
将步骤2使用基于BERT的语言表征模型的词向量化方法得到的各个属性的词嵌入矩阵输入到基于CNN和LSTM评分预测模型,如附图2所示,其内容包括:
(1)将用户数据:Username()、Real Name()、UserPre()、Gender()、Location()、Country()、About Me()输入到基于CNN和LSTM的评分预测模型;
(2)将API数据:API Id()、API Name()、API Tags()、API Desc()、APICategory()、API URL()、API Changelog()输入到基于CNN和LSTM的评分预测模型;
(3)将Mashup数据:Mashup Id()、Mashup Name()、Mashup Tags()、MashupDesc()、Mashup Category()、Mashup URL()、Mashup Changelog()输入到基于CNN和LSTM的评分预测模型;
步骤4,选取用户评分Top_3的Web服务为用户生成推荐的推荐策略,其内容为:
Claims (7)
1.一种基于CNN和LSTM的Web服务推荐方法,其特征是:将CNN与LSTM进行有效结合,构建深度学习模型以实现最佳的推荐结果,在计算用户偏好特征时,采用用户的历史行为这种隐式反馈信息来提取用户的偏好;使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练,得到其各属性的特征矩阵;构建基于CNN和LSTM的评分预测模型;将各特征矩阵输入到评分预测模型,得到用户对Web服务的预测评分;推荐策略选取用户评分Top_3的Web服务为用户生成推荐。
2.根据权利要求1所述的基于CNN和LSTM的Web服务推荐方法,其特征是:包括以下步骤:
步骤一,基于用户的隐式反馈信息计算用户偏好特征;
步骤二,将用户特征、用户的其他属性、API各属性、Mashup各属性的文本描述内容通过BERT语言表征模型得到向量化表示;
步骤三,构建基于CNN和LSTM评分预测模型,将用户、API、Mashup的各属性特征矩阵输入到评分预测模型,得到用户对Web API的预测评分;
步骤四,将步骤步骤三得到的预测评分进行排序,选取预测评分最高的Top_3的 Web服务推荐给用户。
3.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法,其特征是:所述的基于用户隐式反馈信息计算用户偏好特征方法包括:
4.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法,其特征是,所述的基于BERT的语言表征模型的词向量化方法包括:
将用户、Web API以及Mashup的自然语言类文本数据输入到BERT模型, BERT模型通过查询词向量表将文本中的每一个词转换成一个一维向量,即Token Embeddings作为模型的输入;
此外,模型的输入还包含Segment Embeddings和Position Embeddings,SegmentEmbeddings向量的取值由模型在训练过程中自动学习,它用来刻画文本的全局语义信息,并与单个词的语义信息相融合;
Position Embeddings会对不同位置的词分别附加一个不同位置的向量以做区分,用来区分同一个词在文本中的不同位置所携带的语义信息差异;
最后,BERT会将Token Embeddings、Segment Embedding、Position Embeddings的向量和作为最终的模型输入,而输出则是输入的各词融合全文语义信息后的向量表示。
5.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法,其特征是,所构建的基于CNN和LSTM的评分预测模型,包括:
模型共分为四层,分别为:输入层、深度学习网络层、全连接层和输出层;
(1)输入层:主要是将用户、API以及Mashup信息的向量化表示输入到评分预测模型中;
(2)深度学习网络层:主要是将输入数据映射到隐层特征空间,它分为三个部分:一是词嵌入层,将用户性别等类别字段数据进行简单的词嵌入,得到其特征矩阵;而是CNN层,将用户、API以及Mashup的名称等短文本属性数据进行特征提取:三是LSTM层,将用户、API以及Mashup的描述等具有上下文依赖关系的长文本属性数据进行特征提取;
(3)全连接层:主要是对深度学习网络层所输出的分布式特征表示做加权,映射到样本标记空间,得到用户的特征向量和融合了Mashup特征的Web API的特征向量;
(4)输出层:将用户特征向量和Web API的特征向量做内积,得到用户对于Web服务的预测评分。
6.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法,其特征是:所述的用户对服务预测评分的方法,包括:
(1)将用户数据:Username()、Real Name()、UserPre()、Gender()、Location()、Country()、About Me()输入到基于CNN和LSTM的评分预测模型;
(2)将API数据:API Id()、API Name()、API Tags()、API Desc()、APICategory()、API URL()、API Changelog()输入到基于CNN和LSTM的评分预测模型;
(3)将Mashup数据:Mashup Id()、Mashup Name()、Mashup Tags()、MashupDesc()、Mashup Category()、Mashup URL()、Mashup Changelog()输入到基于CNN和LSTM的评分预测模型;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010994470.XA CN112084416A (zh) | 2020-09-21 | 2020-09-21 | 基于CNN和LSTM的Web服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010994470.XA CN112084416A (zh) | 2020-09-21 | 2020-09-21 | 基于CNN和LSTM的Web服务推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112084416A true CN112084416A (zh) | 2020-12-15 |
Family
ID=73739251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010994470.XA Pending CN112084416A (zh) | 2020-09-21 | 2020-09-21 | 基于CNN和LSTM的Web服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084416A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112804080A (zh) * | 2020-12-24 | 2021-05-14 | 中国科学院信息工程研究所 | 一种访问控制初始化智能推荐方法 |
CN113343078A (zh) * | 2021-05-11 | 2021-09-03 | 浙江工业大学 | 基于主题模型聚类的Web API推荐方法 |
CN113743081A (zh) * | 2021-09-03 | 2021-12-03 | 西安邮电大学 | 技术服务信息的推荐方法 |
CN114201669A (zh) * | 2021-11-19 | 2022-03-18 | 西安电子科技大学 | 一种基于词嵌入与协同过滤技术的api推荐方法 |
CN114817745A (zh) * | 2022-05-19 | 2022-07-29 | 大连海事大学 | 一种图嵌入增强的Web API推荐方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834747A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 基于卷积神经网络的短文本分类方法 |
CN106919702A (zh) * | 2017-02-14 | 2017-07-04 | 北京时间股份有限公司 | 基于文档的关键词推送方法及装置 |
US20170262925A1 (en) * | 2016-03-09 | 2017-09-14 | Ebay Inc. | Methods and apparatus for querying a database for tail queries |
CN108536856A (zh) * | 2018-04-17 | 2018-09-14 | 重庆邮电大学 | 基于双边网络结构的混合协同过滤电影推荐模型 |
CN108573411A (zh) * | 2018-04-17 | 2018-09-25 | 重庆理工大学 | 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法 |
WO2018191555A1 (en) * | 2017-04-14 | 2018-10-18 | Drishti Technologies. Inc | Deep learning system for real time analysis of manufacturing operations |
CN109635291A (zh) * | 2018-12-04 | 2019-04-16 | 重庆理工大学 | 一种基于协同训练的融合评分信息和物品内容的推荐方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
CN111179919A (zh) * | 2019-12-20 | 2020-05-19 | 华中科技大学鄂州工业技术研究院 | 一种确定失语类型的方法及装置 |
CN111368197A (zh) * | 2020-03-04 | 2020-07-03 | 哈尔滨理工大学 | 一种基于深度学习的评论推荐系统及方法 |
CN111538898A (zh) * | 2020-03-24 | 2020-08-14 | 上海交通大学 | 基于组合特征提取的Web服务包推荐方法及系统 |
US20200293564A1 (en) * | 2019-02-12 | 2020-09-17 | Live Objects, Inc. | Automated process collaboration platform in domains |
-
2020
- 2020-09-21 CN CN202010994470.XA patent/CN112084416A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834747A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 基于卷积神经网络的短文本分类方法 |
US20170262925A1 (en) * | 2016-03-09 | 2017-09-14 | Ebay Inc. | Methods and apparatus for querying a database for tail queries |
CN106919702A (zh) * | 2017-02-14 | 2017-07-04 | 北京时间股份有限公司 | 基于文档的关键词推送方法及装置 |
WO2018191555A1 (en) * | 2017-04-14 | 2018-10-18 | Drishti Technologies. Inc | Deep learning system for real time analysis of manufacturing operations |
CN108536856A (zh) * | 2018-04-17 | 2018-09-14 | 重庆邮电大学 | 基于双边网络结构的混合协同过滤电影推荐模型 |
CN108573411A (zh) * | 2018-04-17 | 2018-09-25 | 重庆理工大学 | 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法 |
CN109635291A (zh) * | 2018-12-04 | 2019-04-16 | 重庆理工大学 | 一种基于协同训练的融合评分信息和物品内容的推荐方法 |
US20200293564A1 (en) * | 2019-02-12 | 2020-09-17 | Live Objects, Inc. | Automated process collaboration platform in domains |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
CN111179919A (zh) * | 2019-12-20 | 2020-05-19 | 华中科技大学鄂州工业技术研究院 | 一种确定失语类型的方法及装置 |
CN111368197A (zh) * | 2020-03-04 | 2020-07-03 | 哈尔滨理工大学 | 一种基于深度学习的评论推荐系统及方法 |
CN111538898A (zh) * | 2020-03-24 | 2020-08-14 | 上海交通大学 | 基于组合特征提取的Web服务包推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
张倩等: "《基于改进CNN-SRBM文本分类的评分预测推荐研究》", 《洛阳理工学院学报(自然科学版)》 * |
桑晓倩等: "《面向高效派单的可配置代买服务平台》", 《科技创新与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112804080A (zh) * | 2020-12-24 | 2021-05-14 | 中国科学院信息工程研究所 | 一种访问控制初始化智能推荐方法 |
CN113343078A (zh) * | 2021-05-11 | 2021-09-03 | 浙江工业大学 | 基于主题模型聚类的Web API推荐方法 |
CN113743081A (zh) * | 2021-09-03 | 2021-12-03 | 西安邮电大学 | 技术服务信息的推荐方法 |
CN114201669A (zh) * | 2021-11-19 | 2022-03-18 | 西安电子科技大学 | 一种基于词嵌入与协同过滤技术的api推荐方法 |
CN114201669B (zh) * | 2021-11-19 | 2023-02-03 | 西安电子科技大学 | 一种基于词嵌入与协同过滤技术的api推荐方法 |
CN114817745A (zh) * | 2022-05-19 | 2022-07-29 | 大连海事大学 | 一种图嵌入增强的Web API推荐方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084416A (zh) | 基于CNN和LSTM的Web服务推荐方法 | |
CN111753060B (zh) | 信息检索方法、装置、设备及计算机可读存储介质 | |
CN107133224B (zh) | 一种基于主题词的语言生成方法 | |
CN112069408B (zh) | 一种融合关系抽取的推荐系统及方法 | |
Shuang et al. | AELA-DLSTMs: attention-enabled and location-aware double LSTMs for aspect-level sentiment classification | |
Sohail et al. | Feature-based opinion mining approach (FOMA) for improved book recommendation | |
CN111062775A (zh) | 一种基于注意力机制的推荐系统召回方法 | |
CN107862561A (zh) | 一种基于图片属性提取建立用户兴趣库的方法及设备 | |
WO2023065211A1 (zh) | 一种信息获取方法以及装置 | |
WO2016135905A1 (ja) | 情報処理システム及び情報処理方法 | |
CN112991017A (zh) | 基于用户评论解析的标签体系精准推荐方法 | |
CN115964560B (zh) | 基于多模态预训练模型的资讯推荐方法及设备 | |
CN115630145A (zh) | 一种基于多粒度情感的对话推荐方法及系统 | |
CN111666752A (zh) | 一种基于关键词注意力机制的电路教材实体关系抽取方法 | |
Zhiyuli et al. | Bookgpt: A general framework for book recommendation empowered by large language model | |
Peng et al. | Cooperative gating network based on a single BERT encoder for aspect term sentiment analysis | |
Theosaksomo et al. | Conversational recommender system chatbot based on functional requirement | |
Gan et al. | CDMF: a deep learning model based on convolutional and dense-layer matrix factorization for context-aware recommendation | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 | |
CN114491265B (zh) | 一种经营性空间平台运营服务系统的构建方法 | |
Song et al. | QIVISE: a quantum-inspired interactive video search engine in VBS2023 | |
CN109885748A (zh) | 基于语意特征的优化推荐方法 | |
Zhang et al. | Learning personalized end-to-end task-oriented dialogue generation | |
Shama et al. | A meticulous critique on prevailing techniques of aspect-level sentiment analysis | |
CN115203532A (zh) | 一种项目推荐方法、装置、电子设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201215 |
|
WD01 | Invention patent application deemed withdrawn after publication |