CN112184341B - 一种基于档案网络的美食推荐方法 - Google Patents
一种基于档案网络的美食推荐方法 Download PDFInfo
- Publication number
- CN112184341B CN112184341B CN202011244627.3A CN202011244627A CN112184341B CN 112184341 B CN112184341 B CN 112184341B CN 202011244627 A CN202011244627 A CN 202011244627A CN 112184341 B CN112184341 B CN 112184341B
- Authority
- CN
- China
- Prior art keywords
- user
- representation
- term
- long
- item
- 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
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于档案网络的美食推荐方法,本方法结合了实体之间的关系本身包含的信息,引入了档案网络分别处理用户长期兴趣和用户评论数据,并通过改进后的LSTM序列模型将用户短期兴趣融合,最终通过上下文来确定他们的重要程度,因此本方法容纳了大量的关联信息和隐藏语义,使得学习得到的用户表示质量更佳,美食推荐结果更准确,具备部署可行性和卓越的推荐效果。
Description
技术领域
本发明涉及大数据处理领域,具体涉及一种基于档案网络的美食推荐方法。
背景技术
用户建模是在线推荐系统的一项基本任务。在过去的几十年中,对协同过滤(CF)技术进行了很好的研究,以模拟用户的长期偏好。传统上,用户表示纯粹在离线阶段生成。如果不参考特定的候选美食项目进行推荐,就很难从兴趣的角度完全捕捉用户偏好。
发明内容
针对现有技术中的上述不足,本发明提供的基于档案网络的美食推荐方法可以针对用户的喜好进行精准推荐。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于档案网络的美食推荐方法,其包括以下步骤:
S1、建立美食项目知识图谱,将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合,得到待推荐美食项目表示;
S2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示,采用LSTM序列模型获取用户的短期兴趣表示;根据当前用户浏览行为的上下文获取上下文表示;
S3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接,得到拼接向量,将拼接向量进行激活,得到权重值;
S4、将权重值与长期兴趣表示和短期兴趣表示进行融合,并将融合后的结果与用户属性表示进行聚合,得到最终用户表示;
S5、将最终用户表示与待推荐美食项目表示进行拼接后激活,得到待推荐美食项目的点击率预测值;
S6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果,完成美食推荐。
进一步地,步骤S1的具体方法包括以下子步骤:
S1-1、建立美食项目知识图谱,包括美食项目的所述商标、代言人、属性和分类;
S1-2、根据美食项目知识图谱中不同的关系进行相应实体邻居表示聚合,得到邻居聚合后的表示;
S1-3、根据公式:
获取第q个待推荐美食项目表示xq;其中σ为知识图谱中的激活函数;表示第q个美食项目自身参与聚合的可训练参数;gq表示第q个美食项目的原始表示;表示第q个美食项目在第r种关系中聚合的可训练参数;R表示关系的总数;表示第q个美食项目在第r种关系的邻居聚合后的表示。
进一步地,步骤S2中采用档案网络获取用户的长期兴趣表示的具体方法包括以下子步骤:
S2-1-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为;
S2-1-2、将用户长期行为进行矢量化,得到长期行为矢量化向量;长期行为矢量化向量包括与用户相关的每个项目所对应的长期行为向量;
S2-1-3、将长期行为矢量化向量通过正交多头注意力机制池进行汇总,并根据公式:
得到每个用户对每个项目的长期行为档案列向量xi u;其中Θu代表用户u关于所有项目的长期行为矢量化向量集;θv代表用户u对于项目v的长期行为矢量化向量;表示通过正交多头注意力机制池得到的关于θv的权重,i表示长期行为档案向量编号,即第i个长期行为档案列向量对应于项目v,也对应于θv;
S2-1-4、根据公式:
进一步地,步骤S2中采用档案网络获取用户属性表示的具体方法包括以下子步骤:
S2-2-1、将用户评论数据进行矢量化,得到评论数据矢量化向量;其中用户评论数据包括用户ID、评论标题、评论主体、评论等级和评论时间;
S2-2-2、将长期行为矢量化向量通过正交多头注意力机制池进行汇总,并根据公式:
得到每个用户对每个项目的评论数据档案列向量其中Θp代表用户u关于所有项目的评论数据矢量化向量集;θp代表用户u对于项目v的评论数据矢量化向量;表示通过正交多头注意力机制池得到的关于θp的权重,i表示评论数据档案向量编号,即第i个评论数据档案列向量对应于项目v的评论数据,也对应于θp;
S2-2-3、根据公式:
进一步地,步骤S2中采用LSTM序列模型获取用户的短期兴趣表示的具体方法包括以下子步骤:
S2-3-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为,根据公式:
ck=fk⊙Tδ⊙ck-1+ik⊙Ts⊙φ(xkWc+hk-1Uc+bc)
获取LSTM序列模型的细胞状态输出;其中ck表示第k个细胞的状态输出;fk表示第k个细胞的遗忘门输出;ck-1表示第k-1个细胞的状态输出;ik表示第k个细胞的输入门输出;φ表示LSTM序列模型的细胞激活函数;xk表示第k个细胞的原始输入,即用户短期行为;Wc、Uc和bc均为常数;hk-1表示第k-1个细胞的隐藏状态输出;⊙表示LSTM序列模型的中的element-wise相乘,即Hadamard乘积;Tδ为表示用户历史美食交互行为序列中连续的两个美食项目交互间隔时间的时间间隔门;Ts为表示LSTM细胞中的美食项目与待预测的美食项目的时间跨度的时间跨度门;
S2-3-2、根据公式:
S2-3-3、将LSTM序列模型的细胞状态输出和输出门的输出通过注意力机制得到细胞的隐藏状态输出,并根据公式:
进一步地,步骤S2中根据当前用户浏览行为的上下文获取上下文表示的具体方法为:
对于数值型的当前用户浏览行为则直接输入;对于类别型的当前用户浏览行为则进行one-hot编码;对于字符串型的当前用户浏览行为则进行embedding操作;将对当前用户浏览行为的所有操作进行拼接得到上下文表示。
进一步地,步骤S3的具体方法为:
将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接,得到拼接向量,根据公式:
进一步地,步骤S4的具体方法为:
根据公式:
进一步地,步骤S5的具体方法为:
将最终用户表示与待推荐美食项目表示进行拼接,将拼接得到的向量通过两层的感知机后通过sigmoid函数激活,得到待推荐美食项目的点击率预测值。
本发明的有益效果为:本方法根据知识图谱中的不同关系,将美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合,得到更丰富的美食项目表示。然后对于用户的长短期兴趣表示学习方法方面进行具体细化;一方面,对于用户短期兴趣的推荐所需的数据信息应该详细丰富;引入了一种改进后的LSTM技术来处理用户短时间段的历史行为,即改进后的LSTM使得对时间间隔和跨度敏感,得到一系列的隐藏状态;另一方面对于用户长期兴趣的推荐所需的数据信息应该全面、精简,引入了档案网络来处理用户长时间段的历史行为,即用户历史在离线阶段被总结成高度紧凑和互补的向量,称为档案。同时,用户对特定候选美食项目的偏好可以通过这种档案的集中而被精确地捕获。本方法结合了实体之间的关系本身包含的信息,引入了档案网络分别处理用户长期兴趣和用户评论数据,并通过改进后的LSTM序列模型将用户短期兴趣融合,最终通过上下文来确定他们的重要程度,因此本方法容纳了大量的关联信息和隐藏语义,使得学习得到的用户表示质量更佳,美食推荐结果更准确,具备部署可行性和卓越的推荐效果。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该基于档案网络的美食推荐方法包括以下步骤:
S1、建立美食项目知识图谱,将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合,得到待推荐美食项目表示;
S2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示,采用LSTM序列模型获取用户的短期兴趣表示;根据当前用户浏览行为的上下文获取上下文表示;
S3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接,得到拼接向量,将拼接向量进行激活,得到权重值;
S4、将权重值与长期兴趣表示和短期兴趣表示进行融合,并将融合后的结果与用户属性表示进行聚合,得到最终用户表示;
S5、将最终用户表示与待推荐美食项目表示进行拼接后激活,得到待推荐美食项目的点击率预测值;
S6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果,完成美食推荐。
步骤S1的具体方法包括以下子步骤:
S1-1、建立美食项目知识图谱,包括美食项目的所述商标、代言人、属性和分类;
S1-2、根据美食项目知识图谱中不同的关系进行相应实体邻居表示聚合,得到邻居聚合后的表示;
S1-3、根据公式:
获取第q个待推荐美食项目表示xq;其中σ为知识图谱中的激活函数;表示第q个美食项目自身参与聚合的可训练参数;gq表示第q个美食项目的原始表示;表示第q个美食项目在第r种关系中聚合的可训练参数;R表示关系的总数;表示第q个美食项目在第r种关系的邻居聚合后的表示。
步骤S2中采用档案网络获取用户的长期兴趣表示的具体方法包括以下子步骤:
S2-1-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为;
S2-1-2、将用户长期行为进行矢量化,得到长期行为矢量化向量;长期行为矢量化向量包括与用户相关的每个项目所对应的长期行为向量;
S2-1-3、将长期行为矢量化向量通过正交多头注意力机制池进行汇总,并根据公式:
得到每个用户对每个项目的长期行为档案列向量其中Θu代表用户u关于所有项目的长期行为矢量化向量集;θv代表用户u对于项目v的长期行为矢量化向量;表示通过正交多头注意力机制池得到的关于θv的权重,i表示长期行为档案向量编号,即第i个长期行为档案列向量对应于项目v,也对应于θv;
S2-1-4、根据公式:
步骤S2中采用档案网络获取用户属性表示的具体方法包括以下子步骤:
S2-2-1、将用户评论数据进行矢量化,得到评论数据矢量化向量;其中用户评论数据包括用户ID、评论标题、评论主体、评论等级和评论时间;
S2-2-2、将长期行为矢量化向量通过正交多头注意力机制池进行汇总,并根据公式:
得到每个用户对每个项目的评论数据档案列向量其中Θp代表用户u关于所有项目的评论数据矢量化向量集;θp代表用户u对于项目v的评论数据矢量化向量;表示通过正交多头注意力机制池得到的关于θp的权重,i表示评论数据档案向量编号,即第i个评论数据档案列向量对应于项目v的评论数据,也对应于θp;
S2-2-3、根据公式:
步骤S2中采用LSTM序列模型获取用户的短期兴趣表示的具体方法包括以下子步骤:
S2-3-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为,根据公式:
ck=fk⊙Tδ⊙ck-1+ik⊙Ts⊙φ(xkWc+hk-1Uc+bc)
获取LSTM序列模型的细胞状态输出;其中ck表示第k个细胞的状态输出;fk表示第k个细胞的遗忘门输出;ck-1表示第k-1个细胞的状态输出;ik表示第k个细胞的输入门输出;φ表示LSTM序列模型的细胞激活函数;xk表示第k个细胞的原始输入,即用户短期行为;Wc、Uc和bc均为常数;hk-1表示第k-1个细胞的隐藏状态输出;⊙表示LSTM序列模型的中的element-wise相乘,即Hadamard乘积;Tδ为表示用户历史美食交互行为序列中连续的两个美食项目交互间隔时间的时间间隔门;Ts为表示LSTM细胞中的美食项目与待预测的美食项目的时间跨度的时间跨度门;
S2-3-2、根据公式:
S2-3-3、将LSTM序列模型的细胞状态输出和输出门的输出通过注意力机制得到细胞的隐藏状态输出,并根据公式:
步骤S2中根据当前用户浏览行为的上下文获取上下文表示的具体方法为:对于数值型的当前用户浏览行为则直接输入;对于类别型的当前用户浏览行为则进行one-hot编码;对于字符串型的当前用户浏览行为则进行embedding操作;将对当前用户浏览行为的所有操作进行拼接得到上下文表示。
步骤S3的具体方法为:将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接,得到拼接向量,根据公式:
步骤S4的具体方法为:根据公式:
步骤S5的具体方法为:将最终用户表示与待推荐美食项目表示进行拼接,将拼接得到的向量通过两层的感知机后通过sigmoid函数激活,得到待推荐美食项目的点击率预测值。
在具体实施过程中,由于用户长期历史行为集可能会冗余,故在正交多头注意力机制池中还可以加入向量相似性去冗余操作,减少冗余数据。
综上所述,本发明根据知识图谱中的不同关系,将美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合,得到更丰富的美食项目表示。然后对于用户的长短期兴趣表示学习方法方面进行具体细化;一方面,对于用户短期兴趣的推荐所需的数据信息应该详细丰富;引入了一种改进后的LSTM技术来处理用户短时间段的历史行为,即改进后的LSTM使得对时间间隔和跨度敏感,得到一系列的隐藏状态;另一方面对于用户长期兴趣的推荐所需的数据信息应该全面、精简,引入了档案网络来处理用户长时间段的历史行为,即用户历史在离线阶段被总结成高度紧凑和互补的向量,称为档案。同时,用户对特定候选美食项目的偏好可以通过这种档案的集中而被精确地捕获。本方法结合了实体之间的关系本身包含的信息,引入了档案网络分别处理用户长期兴趣和用户评论数据,并通过改进后的LSTM序列模型将用户短期兴趣融合,最终通过上下文来确定他们的重要程度,因此本方法容纳了大量的关联信息和隐藏语义,使得学习得到的用户表示质量更佳,美食推荐结果更准确,具备部署可行性和卓越的推荐效果。
Claims (8)
1.一种基于档案网络的美食推荐方法,其特征在于,包括以下步骤:
S1、建立美食项目知识图谱,将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合,得到待推荐美食项目表示;
S2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示,采用LSTM序列模型获取用户的短期兴趣表示;根据当前用户浏览行为的上下文获取上下文表示;
S3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接,得到拼接向量,将拼接向量进行激活,得到权重值;
S4、将权重值与长期兴趣表示和短期兴趣表示进行融合,并将融合后的结果与用户属性表示进行聚合,得到最终用户表示;
S5、将最终用户表示与待推荐美食项目表示进行拼接后激活,得到待推荐美食项目的点击率预测值;
S6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果,完成美食推荐;
步骤S1的具体方法包括以下子步骤:
S1-1、建立美食项目知识图谱,包括美食项目的商标、代言人、属性和分类;
S1-2、根据美食项目知识图谱中不同的关系进行相应实体邻居表示聚合,得到邻居聚合后的表示;
S1-3、根据公式:
2.根据权利要求1所述的基于档案网络的美食推荐方法,其特征在于,所述步骤S2中采用档案网络获取用户的长期兴趣表示的具体方法包括以下子步骤:
S2-1-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为;
S2-1-2、将用户长期行为进行矢量化,得到长期行为矢量化向量;长期行为矢量化向量包括与用户相关的每个项目所对应的长期行为向量;
S2-1-3、将长期行为矢量化向量通过正交多头注意力机制池进行汇总,并根据公式:
得到每个用户对每个项目的长期行为档案列向量其中Θu代表用户u关于所有项目的长期行为矢量化向量集;θv代表用户u对于项目v的长期行为矢量化向量;表示通过正交多头注意力机制池得到的关于θv的权重,i表示长期行为档案向量编号,即第i个长期行为档案列向量对应于项目v,也对应于θv;
S2-1-4、根据公式:
3.根据权利要求1所述的基于档案网络的美食推荐方法,其特征在于,所述步骤S2中采用档案网络获取用户属性表示的具体方法包括以下子步骤:
S2-2-1、将用户评论数据进行矢量化,得到评论数据矢量化向量;其中用户评论数据包括用户ID、评论标题、评论主体、评论等级和评论时间;
S2-2-2、将长期行为矢量化向量通过正交多头注意力机制池进行汇总,并根据公式:
得到每个用户对每个项目的评论数据档案列向量其中Θp代表用户u关于所有项目的评论数据矢量化向量集;θp代表用户u对于项目v的评论数据矢量化向量;表示通过正交多头注意力机制池得到的关于θp的权重,i表示评论数据档案向量编号,即第i个评论数据档案列向量对应于项目v的评论数据,也对应于θp;
S2-2-3、根据公式:
4.根据权利要求1所述的基于档案网络的美食推荐方法,其特征在于,所述步骤S2中采用LSTM序列模型获取用户的短期兴趣表示的具体方法包括以下子步骤:
S2-3-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为,根据公式:
ck=fk⊙Tδ⊙ck-1+ik⊙Ts⊙φ(xkWc+hk-1Uc+bc)
获取LSTM序列模型的细胞状态输出;其中ck表示第k个细胞的状态输出;fk表示第k个细胞的遗忘门输出;ck-1表示第k-1个细胞的状态输出;ik表示第k个细胞的输入门输出;φ表示LSTM序列模型的细胞激活函数;xk表示第k个细胞的原始输入,即用户短期行为;Wc、Uc和bc均为常数;hk-1表示第k-1个细胞的隐藏状态输出;⊙表示LSTM序列模型的中的element-wise相乘,即Hadamard乘积;Tδ为表示用户历史美食交互行为序列中连续的两个美食项目交互间隔时间的时间间隔门;Ts为表示LSTM细胞中的美食项目与待预测的美食项目的时间跨度的时间跨度门;
S2-3-2、根据公式:
S2-3-3、将LSTM序列模型的细胞状态输出和输出门的输出通过注意力机制得到细胞的隐藏状态输出,并根据公式:
5.根据权利要求1所述的基于档案网络的美食推荐方法,其特征在于,所述步骤S2中根据当前用户浏览行为的上下文获取上下文表示的具体方法为:
对于数值型的当前用户浏览行为则直接输入;对于类别型的当前用户浏览行为则进行one-hot编码;对于字符串型的当前用户浏览行为则进行embedding操作;将对当前用户浏览行为的所有操作进行拼接得到上下文表示。
8.根据权利要求1所述的基于档案网络的美食推荐方法,其特征在于,所述步骤S5的具体方法为:
将最终用户表示与待推荐美食项目表示进行拼接,将拼接得到的向量通过两层的感知机后通过sigmoid函数激活,得到待推荐美食项目的点击率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244627.3A CN112184341B (zh) | 2020-11-10 | 2020-11-10 | 一种基于档案网络的美食推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244627.3A CN112184341B (zh) | 2020-11-10 | 2020-11-10 | 一种基于档案网络的美食推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184341A CN112184341A (zh) | 2021-01-05 |
CN112184341B true CN112184341B (zh) | 2022-07-08 |
Family
ID=73916580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011244627.3A Active CN112184341B (zh) | 2020-11-10 | 2020-11-10 | 一种基于档案网络的美食推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184341B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115408589B (zh) * | 2022-08-31 | 2023-06-20 | 智城动力(深圳)科技有限公司 | 一种客户类型匹配方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180052884A1 (en) * | 2016-08-16 | 2018-02-22 | Ebay Inc. | Knowledge graph construction for intelligent online personal assistant |
CN108874957B (zh) * | 2018-06-06 | 2022-02-01 | 华东师范大学 | 基于Meta-graph知识图谱表示的对话式音乐推荐方法 |
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN110633373B (zh) * | 2018-06-20 | 2023-06-09 | 上海财经大学 | 一种基于知识图谱和深度学习的汽车舆情分析方法 |
CN111695022B (zh) * | 2019-01-18 | 2023-07-04 | 创新奇智(重庆)科技有限公司 | 一种基于知识图谱可视化的兴趣搜索方法 |
CN110287335B (zh) * | 2019-06-17 | 2021-08-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
CN110288436A (zh) * | 2019-06-19 | 2019-09-27 | 桂林电子科技大学 | 一种基于游客偏好建模的个性化景点推荐方法 |
CN111274373B (zh) * | 2020-01-16 | 2021-06-11 | 山东大学 | 一种基于知识图谱的电子病历问答方法及系统 |
CN111538827B (zh) * | 2020-04-28 | 2023-09-05 | 清华大学 | 基于内容和图神经网络的判例推荐方法、装置及存储介质 |
-
2020
- 2020-11-10 CN CN202011244627.3A patent/CN112184341B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112184341A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
Mongia et al. | Deep latent factor model for collaborative filtering | |
CN111310063B (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
CN110348968B (zh) | 一种基于用户及项目耦合关系分析的推荐系统及方法 | |
Liu et al. | Dynamic attention-based explainable recommendation with textual and visual fusion | |
CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
Wu et al. | Contextual operation for recommender systems | |
Li et al. | Sparse online collaborative filtering with dynamic regularization | |
CN112650929A (zh) | 一种融入评论信息的图神经网络推荐方法 | |
CN113918833A (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
CN112184341B (zh) | 一种基于档案网络的美食推荐方法 | |
CN115982467A (zh) | 一种去偏化用户多兴趣推荐方法、装置及存储介质 | |
Panagiotakis et al. | A dual hybrid recommender system based on SCoR and the random forest | |
CN115481325A (zh) | 基于用户全局兴趣迁移感知的个性化新闻推荐方法及系统 | |
Liu et al. | Adaptive hierarchical attention-enhanced gated network integrating reviews for item recommendation | |
Selma et al. | Deep learning for recommender systems: Literature review and perspectives | |
Feng et al. | Personalized recommendation with hybrid feedback by refining implicit data | |
Hou et al. | Deep Reinforcement Learning Recommendation System based on GRU and Attention Mechanism. | |
Chen et al. | A Hybrid Neural Network and Hidden Markov Model for Time-aware Recommender Systems. | |
Elias et al. | Movie Recommendation Based on Mood Detection using Deep Learning Approach | |
CN113010796B (zh) | 用于项目推荐的方法 | |
CN116628179B (zh) | 一种用户操作数据的可视化与人机交互推荐方法 | |
CN114238755A (zh) | 基于多关系发现的个性化推荐方法 |
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 |