CN112231577B - 一种融合文本语义向量和神经协同过滤的推荐方法 - Google Patents

一种融合文本语义向量和神经协同过滤的推荐方法 Download PDF

Info

Publication number
CN112231577B
CN112231577B CN202011231185.9A CN202011231185A CN112231577B CN 112231577 B CN112231577 B CN 112231577B CN 202011231185 A CN202011231185 A CN 202011231185A CN 112231577 B CN112231577 B CN 112231577B
Authority
CN
China
Prior art keywords
user
article
vector
recommendation
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
Application number
CN202011231185.9A
Other languages
English (en)
Other versions
CN112231577A (zh
Inventor
张宜浩
陈绵
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.)
Shanghai Yansong Information Technology Co ltd
Original Assignee
Chongqing University of Technology
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 Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202011231185.9A priority Critical patent/CN112231577B/zh
Publication of CN112231577A publication Critical patent/CN112231577A/zh
Application granted granted Critical
Publication of CN112231577B publication Critical patent/CN112231577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种融合文本语义向量和神经协同过滤的推荐方法，包括：数据预处理模块获取用户评论文本及物品元数据；用户评论表征模块根据用户评论文本生成用户评论的嵌入向量；物品内容表征模块根据物品描述文本生成物品内容的嵌入向量。推荐模型将用户评论的嵌入向量、物品内容的嵌入向量、用户ID及物品ID的独热编码依次输入混合推荐模块和评分预测模块，进行用户评分预测。本发明引入了文本的段落向量嵌入表征方法，实现对用户评论和物品内容的文本进行表示学习，将得到的嵌入向量分别输入用户情感分析网络和物品内容分析网络，其输出视为用户和物品的协同注意力，分别作用于用户‑物品的交互序列建模，提高了推荐模型的评分预测效果。

Description

一种融合文本语义向量和神经协同过滤的推荐方法
技术领域
本发明涉及推荐技术领域，具体涉及一种融合文本语义向量和神经协同过滤的推荐方法。
背景技术
作为解决信息超载的有效工具，推荐系统在学术界和工业界都受到越来越多的关注。推荐系统作为一种试图预测用户评分或偏好的技术，通过采用各种策略为用户生成和提供建议或推荐物品。协同过滤方法是推荐系统常用的技术之一，该方法基于以下假设：用户过去喜欢的物品在将来也会喜欢。这项技术仅使用明确的用户评分信息生成推荐内容，并且通常会遇到冷启动、可伸缩性和稀疏性问题。
矩阵分解是协同过滤算法中的关键技术，该方法将显式的用户评分数值作为用户-物品间的交互信息。由于矩阵分解算法在利用用户和物品的交互方面的局限性，近年来，深度学习方法在推荐系统研究中得到了广泛的应用。特别是，神经协同过滤体系结构使用从数据中学习的拟合函数代替矩阵分解中的内积运算。但是，此方法无法解决推荐系统中的冷启动问题，因为它无法利用物品的内容信息。另一方面，通过分析推荐系统中用户对物品评分的数据，结果显示用户评分与其真实兴趣偏好之间存在很大偏差。例如，用户通常给该物品5分的最高评分，但通过对用户评论的情感或语义进行分析，显示用户对该物品并不十分满意。另外，用户评分分布极度不平衡，如在我们的实验中，对亚马逊产品数据集进行统计，我们发现5分占96.2％，4分占3.5％，1-3分只占了0.3％。现有的协同过滤推荐方法对以上问题都不能提供很好的解决方案。
基于内容的推荐方法是解决推荐系统冷启动问题的有效策略，它是基于物品内容信息和用户偏好的画像进行建模的。它还可以包括基于意见的推荐系统，因为用户评论和用户生成的反馈是推荐系统的隐式数据。例如：从用户生成的评论中提取的特征可以看作是物品的改进元数据，它可以反映物品各个方面的特征；从评论中提取情感可以看作是用户对相应特征的评论得分。然而，由于信息获取技术的局限性，单一的基于内容的推荐不够有效，并且难以将其集成到基于协同过滤的推荐模型中。
为了解决单一推荐技术的局限性，大多数研究使用混合推荐方法，该方法以不同方式组合两个或多个推荐模型，以从其互补优势中受益，例如，将协同过滤、基于内容的推荐方法和其他方法组合成为一个统一的混合模型。混合推荐技术可以通过几种方式实现：加权、切换、混合、特征组合、特征增强、级联、元级别等等。例如，通过联合基于内容的推荐方法和协同过滤方法的结果来实现混合推荐。但是，构建混合推荐模型时存在一些棘手的问题。例如，如何将两个或多个推荐模型组合为混合模型，以及如何权衡两个或多个推荐结果的权重问题。
为了解决现有技术中的问题，本发明将文本嵌入向量表征和神经协同过滤结合在一起。通过学习丰富的用户评论和物品描述文本的语义向量，将其作为辅助信息集成到神经协同过滤模型中，同时我们还使用神经网络建模用户交互序列数据，以构建基于神经协同过滤的混合推荐系统；在混合推荐模型中，用户评论和物品描述的嵌入向量被利用，作为计算用户情感倾向和物品内容特征的辅助信息，以实现混合推荐。
发明内容
本发明在现有的深度学习的推荐方法的基础上，公开了一种协同注意力机制。在数据预处理阶段，利用神经网络从用户评论和物品描述文本中学习嵌入向量表示；在推荐模型中，分别设计两个用户评论的情感分析网络和物品内容的分析网络，实现对用户评论的情感倾向和物品内容特征进行分析和计算，帮助神经网络模型对用户-物品交互序列数据进行建模。并且，本发明通过融合用户和物品的注意力向量，精心设计了融合用户情感、物品内容的注意力向量和神经协同过滤技术的混合推荐方法。利用从用户评论文本和物品描述文本中学习到的注意力向量，为构建混合的更深层次的推荐体系结构提供了支持性证据，产生更好的推荐性能。
为解决上述技术问题，本发明采用了如下的技术方案：
一种融合文本语义向量和神经协同过滤的推荐方法，包括：
S1、数据预处理模块获取物品用户评论数据及物品元数据，所述物品用户评论数据包括用户ID、物品ID、用户评分及用户评论文本，物品元数据包括物品ID及物品描述文本；
S2、用户评论预处理模块根据用户评论文本生成用户评论的语义嵌入向量；物品内容预处理模块根据物品描述文本生成物品内容的语义嵌入向量；
S3、算法输入模块利用用户ID及物品ID生成用户ID独热编码及物品ID独热编码构建混合推荐模型；
S4、算法输入模块将用户评论文本的语义嵌入向量、物品内容的语义嵌入向量、用户ID及物品ID独热编码依次输入混合推荐模块及评分预测模块，从而进行评分预测，所述混合推荐模块利用神经网络来实现对用户-物品评分的交互信息进行协同建模，利用高阶的非线性以捕获用户交互评分的复杂结构，同时，结合物品的嵌入向量来捕获内容特征以进行辅助建模，来解决了推荐系统中的冷启动问题。
优选地，在用户评论预处理模块中，将用户ID作为一个段落ID，将用户评论文本中的每个词语映射到一个唯一的词向量，进而将段落ID和段落中的每个词语的向量依次输入一个全连接层及分类器，最后得到用户评论文本的语义嵌入向量；在物品内容分析模块中，将物品ID作为一个段落ID，进而将物品描述文本中的每个词语映射到一个唯一的词向量，最后将段落ID和段落中的每个词语向量依次输入一个全连接层及分类器，最后得到物品内容的语义嵌入向量。
优选地，在混合推荐模块中，将用户评论的语义嵌入向量输入用户情感分析网络中，实现对用户评论的情感倾向进行分析；将物品内容的语义嵌入向量输入到物品内容分析网络中，实现对物品内容信息进行相似度分析；将用户评论的情感信息及物品内容的相似度信息分别输入到一个单独的Dense Layer，将其输出作为用户和物品的协同注意力向量；将它们分别作用于用户-物品的交互序列进行协同建模，最后输入评分预测模块。
综上所述，本发明与现有技术相比，具有以下优点：
(1)本发明将用户评论和物品描述的嵌入向量与神经协同过滤方法相结合，以构建统一的混合推荐模型。它利用神经网络来对用户-物品交互信息进行协同过滤建模，同时分析用户评论的情感以解决用户评分与实际兴趣偏好之间的偏差，并利用物品描述文本的嵌入向量表示物品的内容特征。
(2)引入了段落向量来表示用户评论和物品描述的文本信息，并设计了两个神经网络结构来分别捕获用户评论的情感倾向信息和物品的内容信息。并且，将这些嵌入向量视为用户和物品的协同注意力权重，并将它们与用户-物品的交互信息结合起来，以构建混合推荐系统模型。
附图说明
图1为本发明中基于段落向量的用户评论文本和物品描述文本的预训练架构示意图；
图2为本发明融合文本语义向量和神经协同过滤进行混合推荐方法的示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
本发明公开了一种融合文本语义向量和神经协同过滤的推荐方法，包括：
S1、数据预处理模块获取物品用户评论数据及物品元数据，所述物品用户评论数据包括用户ID、物品ID、用户评分及用户评论文本，物品元数据包括物品ID及物品描述文本；
S2、用户评论预处理模块根据用户ID及用户评论文本生成用户评论文本的语义嵌入向量；物品内容预处理模块根据物品ID及物品描述文本生成物品描述文本的语义嵌入向量；
具体实施时，在用户评论预处理模块中，将用户ID作为一个段落ID，将用户评论文本中的每个词语映射到一个唯一的词向量，进而将段落ID和段落中的每个词语的向量依次输入一个全连接层及分类器，最后得到用户评论文本的语义嵌入向量；
在物品内容预处理模块中，将物品ID作为一个段落ID，进而将物品描述文本中的每个词语映射到一个唯一的词向量，最后将段落ID和段落中的每个词语向量依次输入一个全连接层及分类器，最后得到物品描述文本的语义嵌入向量。
如图1所示，为解决“词袋模型”在用户评论和物品描述表示方面的缺点，本发明可使用段落向量来学习文本的分布式嵌入向量。该方法提供了单词及其相对含义的稠密向量表示，并且是对较简单的单词模型表示中使用的稀疏表示的一种改进。段落向量是一种用于学习文本片段的分布式表示形式的无监督方法。它可以学习可用于情感分析的评论文本的嵌入表示。研究表明，与其他文档建模算法(例如潜在的Dirichlet分配)相比，使用段落向量表示文本在情感分析上取得了更好的结果。用户评论嵌入单元和物品描述嵌入单元的训练可以单独进行，也可以作为整个神经网络的一部分，进行整体训练。
在用户评论预处理模块或物品描述预处理模块中，用户评论或物品描述中文本对应的每个词语都映射到一个唯一的向量。可将这些单词表示为矩阵W中的一列，该矩阵由单词在词汇表中的位置索引。对用户评论或物品描述中的词语w1,w2,w3,…,wT(T为词语的总数量)，如下式所示，本发明的嵌入向量表示模型的目标函数是求g(w)的最大化平均对数概率，
Figure BDA0002765267400000051
式中，k表示在计算目标词概率时考虑的其前后词语的个数。
然后，利用多类分类器(例如softmax)进行预测，则有
Figure BDA0002765267400000061
式中，ywt表示目标词语的非归一化的似然概率，yi表示第i个词语的非归一化的似然概率，段落文本的概率计算y＝b+Uh(wt-k,…,wt+k；W)。其中U,b是softmax的参数，h表示从W中抽取的词向量的平均值或级联构成的函数。
本发明中，可以将得到的用户评论嵌入向量及物品描述嵌入向量分别作为两个神经网络模块的输入，以对用户评论的情感倾向和物品内容的特征信息进行分析。
S3、算法输入模块利用用户ID及物品ID生成用户ID独热编码及物品ID独热编码构建混合推荐模型；
S4、算法输入模块将用户评论的语义嵌入向量、物品内容的语义嵌入向量、用户ID独热编码及物品ID独热编码依次输入混合推荐模块及评分预测模块，从而进行评分预测，所述混合推荐模块利用一种新颖的混合神经协同推荐算法，所述一种新颖的混合神经协同推荐算法利用神经网络来实现对用户-物品评分的交互信息进行协同建模，利用高阶的非线性以捕获用户交互评分的复杂结构，同时，结合物品的嵌入向量来捕获内容特征以进行辅助建模，来解决推荐系统中的冷启动问题。
具体实施时，在混合推荐模块中，将用户ID独热编码及用户评论文本的语义嵌入向量输入用户情感分析网络中，用户情感分析网络模块利用用户评论文本的语义嵌入向量对用户评论文本的情感倾向信息进行分析；将物品ID独热编码及物品描述文本的语义嵌入向量输入到物品内容分析网络中，物品内容分析网络模块利用物品描述文本的语义嵌入向量进行内容特征的相似度计算；将其输出的用户评论的情感信息及物品描述文本的特征信息通过一个单独的Dense Layer，将其输出作为用户和物品的协同注意力向量；将它们分别作用于用户-物品的交互序列进行协同建模，最后输入评分预测模块。
如图1所示，本发明的混合推荐模块分别设计了两个神经网络结构捕获用户评论情感信息和物品描述的内容信息。用户情感分析网络用softmax作为激活函数，用于从用户评论的段落嵌入中分析文档的情感倾向。物品内容分析网络用于从物品描述的段落嵌入中捕获内容特征。然后，采用级联融合的方法将用户评论的情感信息和物品内容描述文本信息进行组合，得到嵌入向量并作为用户和物品的注意力向量。本发明将注意力向量与用户-物品交互信息结合，构建混合推荐模型。最后，堆叠一些隐藏层和一个全连接层，实现推荐系统中的评分预测。
在我们的混合推荐算法中，我们使用神经协同网络来拟合用户-物品的交互信息，这等效于矩阵因式分解在协同过滤中的作用。众所周知，矩阵分解是一种协同过滤算法，其工作原理是将用户-物品交互矩阵分解为两个较低维的矩形矩阵的乘积。预测评分可以用
Figure BDA0002765267400000071
来计算，其中Ru×i是用户物品评分矩阵，U∈Ru×K和I∈RK×i分别表示用户u和物品i的潜在向量。矩阵分解算法中将估计交互
Figure BDA0002765267400000072
作为用户u对物品i的预测评分：
Figure BDA0002765267400000073
本发明中，得到预测评分后，即可根据协同过滤的推荐策略对候选推荐物品进行排序，进而得到最终的TopN推荐列表。
矩阵分解算法通过利用用户和物品潜在因素的相互作用来工作，该假设潜在空间的每个维度彼此独立，并以相同的权重将它们线性组合。在上式中，K表示潜在因子的维数。
一些研究表明，可以通过更改潜在因子的数量来调整模型的表达能力，进而改善推荐系统的性能。研究也表明，仅使用显式数字评分作为用户-物品交互存在一定的局限性，并且利用所有可用的显式(例如，用户-物品评分)和隐式(例如，书签，评论)交互也可以提高推荐效果。在本发明中，利用从辅助文本数据中学习相互作用函数，使用附加融合层来解决增加潜在因子数量的限制。同时，用户评论情感和物品内容特征的隐式数据被反馈输入到附加融合层中，从而提高推荐系统的性能。
为了利用隐式数据的价值，我们还将四部分数据的向量进行逐元素乘积，进而添加到融合层。令F＝(f1,f2,…,fK)表示混合推荐模块的输出，其中F＝wk⊙(Uk⊙Ik)。
在评分预测模块中，向量F被输入到全连接层中，训练过程定义为如下：
F＝wk⊙(Uk⊙Ik)
σ2(F)＝σ1(W1F+b1)
……
σL(F)＝σL-1(WL-1σL-1(F)+bL-1)
推荐模型的评分预测是通过回归分析函数
Figure BDA0002765267400000081
获得的，其中WL-1,bL-1和σL-1分别表示第L-1层的权重矩阵，偏置向量和激活函数。在评分预测中，可以堆叠一些隐藏层以期提高推荐模型的性能，堆叠更多的非线性隐藏层会提高模型的非线性程度。
在训练过程中，损失函数定义如下：
Figure BDA0002765267400000082
其中，yu,i是训练数据集上给定的评分数值，
Figure BDA0002765267400000083
是输入测试集后得到的预测评分数值。采用Lookahead优化器对模型进行优化。Lookahead优化器首先在其内部循环中使用任何标准优化器来更新“快速权重”k次，然后在最终快速权重的方向上一次更新“慢速权重”。Lookahead优化器算法的过程主要包括以下三个步骤：
1)初始模型参数θ；
2)使用指定的优化程序更新步骤以获取新的权重
Figure BDA0002765267400000084
3)更新模型权重：
Figure BDA0002765267400000085
以上仅是本发明优选的实施方式，需指出是，对于本领域技术人员在不脱离本技术方案的前提下，还可以做出若干变形和改进，上述变形和改进的技术方案应同样视为落入本申请要求保护的范围。

Claims (1)

1.一种融合文本语义向量和神经协同过滤的推荐方法，其特征在于，包括：
S1、数据预处理模块获取物品用户评论数据及物品元数据，所述物品用户评论数据包括用户ID、物品ID、用户评分及用户评论文本，物品元数据包括物品ID及物品描述文本；
S2、用户评论预处理模块根据用户评论文本生成用户评论的语义嵌入向量；物品内容预处理模块根据物品描述文本生成物品内容的语义嵌入向量；
在用户评论预处理模块中，将用户ID作为一个段落ID，将用户评论文本中的每个词语映射到一个唯一的词向量，进而将段落ID和段落中的每个词语的向量依次输入一个全连接层及分类器，最后得到用户评论文本的语义嵌入向量；在物品内容分析模块中，将物品ID作为一个段落ID，进而将物品描述文本中的每个词语映射到一个唯一的词向量，最后将段落ID和段落中的每个词语向量依次输入一个全连接层及分类器，最后得到物品内容的语义嵌入向量；
S3、算法输入模块利用用户ID及物品ID生成用户ID独热编码及物品ID独热编码构建混合推荐模型；
S4、算法输入模块将用户评论文本的语义嵌入向量、物品内容的语义嵌入向量、用户ID及物品ID的独热编码依次输入混合推荐模块及评分预测模块，从而进行评分预测，所述混合推荐模块利用一种新颖的混合神经协同推荐算法，所述一种新颖的混合神经协同推荐算法利用神经网络来实现对用户-物品评分的交互信息进行协同建模，利用高阶的非线性以捕获用户交互评分的复杂结构，同时，结合物品的嵌入向量来捕获内容特征以进行辅助建模，来解决推荐系统中的冷启动问题；
在混合推荐模块中，将用户评论的语义嵌入向量输入用户情感分析网络中，实现对用户评论的情感倾向进行分析；将物品内容的语义嵌入向量输入到物品内容分析网络中，实现对物品内容信息进行相似度分析；将用户评论的情感信息及物品内容的相似度信息分别输入到一个单独的全连接层，将其输出作为用户和物品的协同注意力向量；将它们分别作用于用户-物品的交互序列进行协同建模，最后输入评分预测模块。
CN202011231185.9A 2020-11-06 2020-11-06 一种融合文本语义向量和神经协同过滤的推荐方法 Active CN112231577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231185.9A CN112231577B (zh) 2020-11-06 2020-11-06 一种融合文本语义向量和神经协同过滤的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231185.9A CN112231577B (zh) 2020-11-06 2020-11-06 一种融合文本语义向量和神经协同过滤的推荐方法

Publications (2)

Publication Number Publication Date
CN112231577A CN112231577A (zh) 2021-01-15
CN112231577B true CN112231577B (zh) 2022-06-03

Family

ID=74122047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231185.9A Active CN112231577B (zh) 2020-11-06 2020-11-06 一种融合文本语义向量和神经协同过滤的推荐方法

Country Status (1)

Country Link
CN (1) CN112231577B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818256B (zh) * 2021-02-05 2022-06-03 武汉大学 一种基于神经协同过滤的推荐方法
CN113268657B (zh) * 2021-04-16 2022-10-28 中国人民解放军战略支援部队信息工程大学 基于评论和物品描述的深度学习推荐方法及系统
CN113158049B (zh) * 2021-04-22 2022-11-01 中国科学院深圳先进技术研究院 一种知识增强的推荐方法和系统
CN113836392B (zh) * 2021-08-06 2024-03-26 浙江大学 一种基于bert与用户评论的深度学习可解释推荐方法
CN113570154A (zh) * 2021-08-09 2021-10-29 齐鲁工业大学 融合用户动态兴趣的多粒度交互推荐方法及系统
CN114154071B (zh) * 2021-12-09 2023-05-09 电子科技大学 一种基于注意力机制的情感时序推荐方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291815A (zh) * 2017-05-22 2017-10-24 四川大学 基于跨平台标签融合的问答社区推荐方法
CN107885749A (zh) * 2016-09-30 2018-04-06 南京理工大学 本体语义扩展与协同过滤加权融合的工艺知识检索方法
CN108304556A (zh) * 2018-02-06 2018-07-20 中国传媒大学 基于内容与协同过滤相结合的个性化推荐方法
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
EP3557498A1 (en) * 2018-04-20 2019-10-23 Facebook, Inc. Processing multimodal user input for assistant systems
CN111149100A (zh) * 2017-09-28 2020-05-12 甲骨文国际公司 基于命名实体的解析和识别确定跨文档的修辞相互关系
CN111259110A (zh) * 2020-01-13 2020-06-09 武汉大学 高校专利个性化推荐系统
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111368203A (zh) * 2020-03-09 2020-07-03 电子科技大学 一种基于图神经网络的新闻推荐方法及其系统
CN111582862A (zh) * 2020-06-26 2020-08-25 腾讯科技（深圳）有限公司 信息处理方法、装置、系统、计算机设备及存储介质
CN111782965A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 意图推荐方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9846836B2 (en) * 2014-06-13 2017-12-19 Microsoft Technology Licensing, Llc Modeling interestingness with deep neural networks

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885749A (zh) * 2016-09-30 2018-04-06 南京理工大学 本体语义扩展与协同过滤加权融合的工艺知识检索方法
CN107291815A (zh) * 2017-05-22 2017-10-24 四川大学 基于跨平台标签融合的问答社区推荐方法
CN111149100A (zh) * 2017-09-28 2020-05-12 甲骨文国际公司 基于命名实体的解析和识别确定跨文档的修辞相互关系
CN108304556A (zh) * 2018-02-06 2018-07-20 中国传媒大学 基于内容与协同过滤相结合的个性化推荐方法
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
EP3557498A1 (en) * 2018-04-20 2019-10-23 Facebook, Inc. Processing multimodal user input for assistant systems
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
CN111259110A (zh) * 2020-01-13 2020-06-09 武汉大学 高校专利个性化推荐系统
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111368203A (zh) * 2020-03-09 2020-07-03 电子科技大学 一种基于图神经网络的新闻推荐方法及其系统
CN111582862A (zh) * 2020-06-26 2020-08-25 腾讯科技（深圳）有限公司 信息处理方法、装置、系统、计算机设备及存储介质
CN111782965A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 意图推荐方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Group Recommendation Approach Based on Neural Network Collaborative Filtering;Jia Du等;《IEEE》;20190412;第1页-7页 *
基于层次聚类和语义的标签推荐研究;钟青燕等;《微计算机信息》;20101225;第199-203页 *

Also Published As

Publication number Publication date
CN112231577A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112231577B (zh) 一种融合文本语义向量和神经协同过滤的推荐方法
CN109635291B (zh) 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
CN109299396B (zh) 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
CN107273438B (zh) 一种推荐方法、装置、设备及存储介质
Salehi et al. Hybrid attribute-based recommender system for learning material using genetic algorithm and a multidimensional information model
CN110807154A (zh) 一种基于混合深度学习模型的推荐方法与系统
CN110263257B (zh) 基于深度学习处理多源异构数据的推荐方法
CN111079409A (zh) 一种利用上下文和方面记忆信息的情感分类方法
CN111222318B (zh) 基于双通道双向lstm-crf网络的触发词识别方法
CN108763367B (zh) 一种基于深度对齐矩阵分解模型进行学术论文推荐的方法
CN111274790A (zh) 基于句法依存图的篇章级事件嵌入方法及装置
Li et al. PSDVec: A toolbox for incremental and scalable word embedding
Kumar et al. Sentic computing for aspect-based opinion summarization using multi-head attention with feature pooled pointer generator network
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
Li et al. Sentiment analysis of Weibo comments based on graph neural network
CN112085158A (zh) 一种基于堆栈降噪自编码器的图书推荐方法
Liu et al. Hierarchical graph convolutional networks for structured long document classification
CN111710428A (zh) 一种建模全局和局部上下文交互的生物医学文本表示方法
CN115018941A (zh) 一种基于改进版文本解析器的文本至图像生成算法
Wan et al. A dual learning-based recommendation approach
CN114298783A (zh) 基于矩阵分解融合用户社交信息的商品推荐方法及系统
Hassan et al. Evaluating the performance of a neural network-based multi-criteria recommender system
Li et al. Coltr: Semi-supervised learning to rank with co-training and over-parameterization for web search
Du et al. Integrating KNN and Gradient Boosting Decision Tree for Recommendation
CN113641789B (zh) 基于分层融合多头注意力网络和卷积网络的观点检索方法及系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230726

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: No. 69 lijiatuo Chongqing District of Banan City Road 400054 red

Patentee before: Chongqing University of Technology

Effective date of registration: 20230726

Address after: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee after: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231124

Address after: 200120, Room 504, 5th Floor, Building 8, No. 399 Jianyun Road, Pudong New Area, Shanghai

Patentee after: Shanghai Yansong Information Technology Co.,Ltd.

Address before: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee before: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd.