CN112328832B - 一种融合标签和知识图谱的电影推荐方法 - Google Patents

一种融合标签和知识图谱的电影推荐方法 Download PDF

Info

Publication number
CN112328832B
CN112328832B CN202011165253.6A CN202011165253A CN112328832B CN 112328832 B CN112328832 B CN 112328832B CN 202011165253 A CN202011165253 A CN 202011165253A CN 112328832 B CN112328832 B CN 112328832B
Authority
CN
China
Prior art keywords
movie
user
matrix
entity
film
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
CN202011165253.6A
Other languages
English (en)
Other versions
CN112328832A (zh
Inventor
诺明花
冀欣婷
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.)
Inner Mongolia University
Original Assignee
Inner Mongolia 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 Inner Mongolia University filed Critical Inner Mongolia University
Priority to CN202011165253.6A priority Critical patent/CN112328832B/zh
Publication of CN112328832A publication Critical patent/CN112328832A/zh
Application granted granted Critical
Publication of CN112328832B publication Critical patent/CN112328832B/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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种融合标签和知识图谱的电影推荐方法，属于推荐系统技术领域，包括步骤1：将用户为电影打的标签映射到低维向量空间，构建用户‑电影标签嵌入矩阵T；送入第一全连接层后与用户其余特征送入第一多层感知器；得用户特征矩阵U；步骤2：将电影知识图谱中的实体映射到低维向量空间，得到电影‑实体嵌入矩阵Er后送入KGCNN模型得电影‑实体特征矩阵
Figure DDA0002745568480000011
步骤3：将
Figure DDA0002745568480000012
和T输入混合注意力模型，计算混合注意力权重；将KGCNN结果与电影其余特征矩阵一同送入第二多层感知器；结合混合注意力权重得电影特征矩阵I；步骤4：将U和I送入第二全连接层，计算用户对电影的评分y′。该推荐方法提高了推荐个性化、准确性，且能运用在各个领域。

Description

一种融合标签和知识图谱的电影推荐方法
技术领域
本发明属于推荐系统技术领域，特别是涉及一种融合标签和知识图谱的电影推荐方法。
背景技术
传统的推荐方法主要有基于内容的推荐方法和基于协同过滤的推荐方法，前者是利用用户的历史信息，为用户推荐相似的物品；后者又细分为基于用户的协同过滤和基于物品的协同过滤。他们都需要大量的用户和物品的交互行为来进行推荐，这样会对稀疏数据和新用户产生冷启动问题，并且很难给出合理的推荐解释。此外，仅仅利用数据集中包含的简单信息并不能很好地体现用户的偏好，难以构造准确的用户特征和物品特征，因此推荐性能较差。
随着深度学习的不断发展，许多深度学习的算法融入到推荐系统中，卷积神经网络由于其具有的平移不变性和共享全局参数的特点，可以在降低网络复杂度的同时更好的提取对象特征，对于构建用户特征和物品特征方面有很好的效果。
此外，为了提高推荐性能，还会引入一些其他信息来辅助。其中，标签作为一种文本信息，既包含了物品属性，也体现了用户情感，因此可以用来构造物品特征和用户特征。而知识图谱的提出为推荐系统提供了新的技术，其包含的大量实体中的一部分和推荐物品本身相一致，另一些实体包含了推荐物品相关联的属性，这些更加细粒度的信息可以提高推荐的准确性和可解释性。
发明内容
本发明实施例的目的在于提供一种融合标签和知识图谱的电影推荐方法，以实现利用用户的标签信息挖掘用户的兴趣偏好，更加准确的刻画用户特征，实现个性化推荐；融合电影知识图谱中丰富的电影-实体信息，根据不同的关系属性更细粒度的构造电影特征，进而优化推荐效果；通过混合注意力模型为不同的特征分配权重，从而提高推荐的准确性和可解释性。
为解决上述技术问题，本发明所采用的技术方案是，
一种融合标签和知识图谱的电影推荐方法，包括如下步骤：
步骤1：首先从数据集文档中读取用户为电影打的标签，并将其映射到低维向量空间中，构建用户-电影标签嵌入矩阵T，然后在第一全连接层中用非线性激活函数构建相应的层，再与用户其余特征矩阵一同送入第一多层感知器MLP，通过MLP中全连接的神经网络层，对这些特征进行训练，最终得到用户特征矩阵U；
步骤2：将从电影知识图谱中获得的大量电影-实体记作
Figure BDA0002745568460000021
代表第k种关系所对应的电影实体集合中的第j个实体，分别将不同关系所对应的电影-实体映射到各自的低维向量空间中，得到电影-实体嵌入矩阵Er，再送入到KGCNN模型中求得电影-实体特征矩阵Sr；
步骤3：将这些电影-实体特征矩阵Sr和用户-电影标签嵌入矩阵T一同作为混合注意力模型的输入，计算不同关系电影-实体的混合注意力权重；将KGCNN模型的输出结果与电影其余特征矩阵一同送入第二多层感知器MLP，通过MLP中多个全连接的神经网络层进行训练之后，再与混合注意力权重相乘得到电影特征矩阵I；
步骤4：将用户特征矩阵U和电影特征矩阵I送入到第二全连接层计算用户对电影的评分y′，进而实现了推荐。
进一步的，所述步骤1用非线性激活函数构建相应的层采用下式：
UT＝relu(WTT+bT)；
其中，UT表示用户-电影标签特征矩阵，relu是非线性激活函数，WT和bT分别表示计算用户-电影标签特征时的权重和偏置参数，体现不同标签对用户的重要程度。
进一步的，所述步骤2KGCNN模型是将不同关系类型对应的电影-实体嵌入矩阵Er作为模型的输入，然后在卷积层通过不同窗口大小的滤波核G进行特征的提取，对电影-实体嵌入矩阵中每一个可能的位置都进行滤波，最后使用最大池化法对提取到的特征进行选择，输出电影-实体特征矩阵
Figure BDA0002745568460000022
Figure BDA0002745568460000023
其中，Er代表电影-实体嵌入矩阵，G代表用于提取特征的滤波核，⊙代表了卷积操作；b代表非线性激活函数relu中的偏置参数；Sr是提取到的特征矩阵，max代表最大池化操作，目的是选取最重要的特征，
Figure BDA0002745568460000024
代表最终得到的电影-实体特征矩阵。
进一步的，所述步骤3的混合注意力模型包含两个部分：
第一部分是结合用户的标签信息获得注意力权重：
Figure BDA0002745568460000032
其中，αT表示注意力权重，体现了用户对电影的偏好；Tu表示用户-电影标签嵌入矩阵；S是所有经过卷积池化操作之后的电影-实体特征Sr的融合，体现了总的电影-实体特征；matmul函数是一个矩阵相乘函数，Tu与S相乘后，经softmax函数归一化后得到注意力权重；
第二部分是通过不同的电影-实体特征计算自注意力权重：
Figure BDA0002745568460000031
αE表示自注意力权重。
本发明的有益效果是：本发明更好的提取了用户特征，提高了推荐的个性化；有效地缓解稀疏数据问题；提高了推荐的准确性和可解释性；提高了模型准确率；减少信息冗余的影响，提升了推荐性能；且本发明提出的模型具有很好的泛化能力，不仅仅是在电影领域，在音乐、图书等相关领域也可以灵活的运用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是CTK模型框架图；
图2是KGCNN模型图；
图3是混合注意力模型图；
图4是CTK模型电影知识图谱嵌入规模的对比结果图
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
标签是一种涵盖了物品属性和用户情感的多层面信息，比如，Movie Lens的用户可以为电影标注“funny”、“too long”、“Chris Columbus”等标签，来构成(用户，电影，标签)三元组标签信息。这些标签作为一种文本信息，其潜在的语义空间既包含了用户的兴趣偏好，也体现了用户的特征信息，可以更深层次的挖掘用户之间的相似性，进而更加精准的刻画用户特征。
知识图谱由很多(实体，关系，实体)形式的三元组数据组成，其中大量实体之间的关系对象可以看作是实体的属性，比如(Harry Potter and the Sorcerer's Stone,filmdirector,Chris Columbus)和(Harry Potter and the Sorcerer's Stone,film stars,Rupert Grint)，其中“Chris Columbus”和“Rupert Grint”是不同关系“film director”、“film stars”所对应的属性值，根据不同的关系，这些实体可以进行更细粒度的划分并表示物品的特征。
本发明提出一种融合标签和知识图谱的电影推荐方法，以下简称为CTK模型，CTK模型如图1所示，该模型针对任意推荐任务是可以通用的，在这里以电影推荐为例展开介绍。具体实施步骤如下：
步骤1：首先从数据集文档中读取用户为电影打的标签，并将其映射到低维向量空间中，构建用户-电影标签嵌入矩阵T，然后在第一全连接层中用非线性激活函数构建相应的层：
UT＝relu(WTT+bT) (1)
其中，UT表示用户-电影标签特征矩阵，relu是非线性激活函数，WT和bT分别表示计算用户-电影标签特征时的权重和偏置参数，体现不同标签对用户的重要程度。
然后再与用户其余特征矩阵(比如用户ID、年龄、性别等等)一同送入第一多层感知器MLP，通过MLP中全连接的神经网络层，对这些特征进行训练，最终得到用户特征矩阵U。此处通过tf.concat()便可以将多个矩阵合并成一个大矩阵(联合或连接都是两个或以上矩阵的串联拼接，形成更大维度的矩阵)，可以理解成增加了矩阵的宽度。
由于标签是用户对电影的主观评价，因此最能体现用户的喜好和特征，对实现个性化推荐起到关键作用。此外，将用户的其他特征信息在MLP中进行特征融合，构建最终的用户特征，提高了推荐的准确度。
步骤2：将从电影知识图谱中获得的大量电影-实体记作
Figure BDA0002745568460000041
代表第k种关系所对应的电影实体集合中的第j个实体。分别将不同关系所对应的电影-实体映射到各自的低维向量空间中，得到电影-实体嵌入矩阵Er。
得到电影-实体嵌入矩阵后，再送入到KGCNN模型中求得电影-实体特征矩阵
Figure BDA0002745568460000042
KGCNN模型如图2所示，KGCNN模型是CTK框架中的重要组成部分，它是将不同关系类型对应的电影-实体嵌入矩阵Er作为模型的输入，然后在卷积层通过不同窗口大小的滤波核G进行特征的提取，对电影-实体嵌入矩阵中每一个可能的位置都进行滤波，最后使用最大池化法对提取到的特征进行选择，输出电影-实体特征矩阵
Figure BDA0002745568460000051
Figure BDA0002745568460000052
其中，Er代表电影-实体嵌入矩阵，G代表用于提取特征的滤波核，⊙代表了卷积操作；b代表非线性激活函数relu中的偏置参数；Sr是提取到的特征矩阵，max代表最大池化操作，目的是选取最重要的特征，
Figure BDA0002745568460000053
代表最终得到的电影-实体特征矩阵。
步骤3：将这些电影-实体特征矩阵
Figure BDA0002745568460000054
和用户-电影标签嵌入矩阵T一同作为混合注意力模型的输入，计算不同关系电影-实体的混合注意力权重。将KGCNN模型的输出结果与电影其余特征(例如电影的ID、类型等等)一同送入第二多层感知器MLP，通过MLP中多个全连接的神经网络层进行训练之后，再与混合注意力权重相乘得到电影特征矩阵I；
在以上步骤中，我们虽然获得了不同关系对应的电影-实体特征，但是不同的特征对电影的影响程度不同，且不同的用户，对每个特征的关注度也不同，因此为每个特征分配注意力权重是十分有必要的。
在此提出一种融合注意力和自注意力的混合注意力(hybrid attention)模型，如图3所示，其包含两个部分：
第一部分是结合用户的标签信息获得注意力权重：
Figure BDA0002745568460000055
其中，αT表示注意力权重，体现了用户对电影的偏好；Tu表示用户-电影标签嵌入矩阵；
Figure BDA0002745568460000056
是所有经过卷积池化操作之后的电影-实体特征
Figure BDA0002745568460000057
的融合，体现了总的电影实体特征；matmul函数是一个矩阵相乘函数，Tu与
Figure BDA0002745568460000058
相乘后，经softmax函数归一化后得到注意力权重；
第二部分是通过不同的电影-实体特征计算自注意力权重：
Figure BDA0002745568460000059
αE表示自注意力权重。
最终将这两个权重结合得到混合注意力权重，并作用于构建最终的电影特征矩阵I。
步骤4：获得了用户特征矩阵U和电影特征矩阵I之后，便可以将他们送入到第二全连接层计算用户对电影的评分y′，进而实现了推荐。
值得注意的是，与传统的注意力和自注意力模型不同，本发明充分利用了局部信息对整体的影响。例如，在计算注意力权重时，我们使用用户-电影标签信息而不是用户特征，去获取与电影-实体特征之间的联系；而在计算自注意力权重时，使用电影-实体特征而不是电影特征；并且最后将权重作用在电影特征上。这种局部信息与整体信息的相互作用，可以更好的提取特征，减少冗余信息的干扰。
并且本发明的这种融合注意力和自注意力的混合注意力模型，通过用户-电影标签和电影-实体特征计算注意力权重，体现了用户的偏好，提高了推荐的个性化。而通过电影-实体特征计算自注意力权重则挖掘了特征自身的不同侧重。最终将二者结合并共同作用于最终电影特征的构建，提高了推荐的性能。我们在之后的实验中对比了其他注意力模型，证明了本模型的优越性。
实施例：
本发明所使用的数据集是Group Lens实验室提供的Movie Lens电影评分数据集，该数据包括610名用户对9742部电影的100386个五星评分和3683个标签。此外，本发明还根据该数据集中的电影，通过对IMDB网站进行网页爬取，构建电影领域的小型知识图谱，其中关系类型定义为三种：film director、film stars和filmpublish，共计4360个实体。本发明使用的基本数据信息如表1所示：
表1数据集和电影知识图谱中的基本数据信息
Figure BDA0002745568460000061
本发明实验中所用到评价指标主要有平均绝对误差(MAE)、均方误差函数(MSE)、准确率(P@N)和Area Under Curve(AUC)。MAE和MSE值越小，说明模型的准确度越高。P@N和AUC值越大，说明推荐的效果越好。
实验中的基线有：矩阵分解模型(MFMP)，在本实验中，该基线所包含的数据不包括标签和相关实体数据，只利用数据集中本身包含的一些数据。基于标签的推荐模型(TB)，通过将标签嵌入到低维向量空间形成用户特征，然后再送入到全连接的多层感知其中，发现用户之间的相似性做出推荐。多层感知器(MLP)，该基线通过将标签和相关实体嵌入到低维向量空间，分别送入各自的全连接层，形成相应的特征表示，再进行拼接送入多层感知器中实现推荐。多通道卷积神经网络(KCNN)，将不同关系类型对应的实体做为多个通道并且拼接它们一起进行卷积，在电影、音乐、图书和新闻推荐中有很好的效果。
上述四个基线系统和本发明的CTK模型在MovieLens数据集上进行实验，实验结果如表2所示。
表2基线系统和本发明CTK模型的实验结果
Figure BDA0002745568460000071
为了验证本发明提出的混合注意力(hybrid attention)模型的有效性，在MovieLens数据集上进行对比实验，实验结果如表3所示。
表3注意力模型对比实验结果
Figure BDA0002745568460000072
另外，本发明还在Movie Lens数据集上针对电影知识图谱的嵌入规模以及MLP隐藏层的层数对模型的影响进行了实验，结果如图4、表4所示。
表4CTK模型中MLP隐藏层的层数的对比结果
MAE MSE AUC
L＝0 0.6301 0.6714 0.6230
L＝1 0.6104 0.6562 0.6308
L＝2 0.5831 0.6223 0.7221
L＝3 0.5922 0.6384 0.6453
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.一种融合标签和知识图谱的电影推荐方法，其特征在于，包括如下步骤：
步骤1：首先从数据集文档中读取用户为电影打的标签，并将其映射到低维向量空间中，构建用户-电影标签嵌入矩阵T，然后在第一全连接层中用非线性激活函数构建相应的层，再与用户其余特征矩阵一同送入第一多层感知器MLP，通过MLP中全连接的神经网络层，对这些特征进行训练，最终得到用户特征矩阵U；
步骤2：将从电影知识图谱中获得的大量电影-实体记作
Figure FDA0002745568450000011
Figure FDA0002745568450000012
代表第k种关系所对应的电影实体集合中的第j个实体，分别将不同关系所对应的电影-实体映射到各自的低维向量空间中，得到电影-实体嵌入矩阵Er，再送入到KGCNN模型中求得电影-实体特征矩阵
Figure FDA0002745568450000013
步骤3：将这些电影-实体特征矩阵
Figure FDA0002745568450000016
和用户-电影标签嵌入矩阵T一同作为混合注意力模型的输入，计算不同关系电影-实体的混合注意力权重；将KGCNN模型的输出结果与电影其余特征矩阵一同送入第二多层感知器MLP，通过MLP中多个全连接的神经网络层进行训练之后，再与混合注意力权重相乘得到电影特征矩阵I；
步骤4：将用户特征矩阵U和电影特征矩阵I送入到第二全连接层计算用户对电影的评分y′，进而实现了推荐。
2.根据权利要求1所述的一种融合标签和知识图谱的电影推荐方法，其特征在于，所述步骤1用非线性激活函数构建相应的层采用下式：
UT＝relu(WTT+bT)；
其中，UT表示用户-电影标签特征矩阵，relu是非线性激活函数，WT和bT分别表示计算用户-电影标签特征时的权重和偏置参数，体现不同标签对用户的重要程度。
3.根据权利要求1所述的一种融合标签和知识图谱的电影推荐方法，其特征在于，所述步骤2KGCNN模型是将不同关系类型对应的电影-实体嵌入矩阵Er作为模型的输入，然后在卷积层通过不同窗口大小的滤波核G进行特征的提取，对电影-实体嵌入矩阵中每一个可能的位置都进行滤波，最后使用最大池化法对提取到的特征进行选择，输出电影-实体特征矩阵
Figure FDA0002745568450000014
Figure FDA0002745568450000015
其中，Er代表电影-实体嵌入矩阵，G代表用于提取特征的滤波核，⊙代表了卷积操作；b代表非线性激活函数relu中的偏置参数；Sr是提取到的特征矩阵，max代表最大池化操作，目的是选取最重要的特征，
Figure FDA0002745568450000021
代表最终得到的电影-实体特征矩阵。
4.根据权利要求1所述的一种融合标签和知识图谱的电影推荐方法，其特征在于，所述步骤3的混合注意力模型包含两个部分：
第一部分是结合用户的标签信息获得注意力权重：
Figure FDA0002745568450000022
其中，αT表示注意力权重，体现了用户对电影的偏好；Tu表示用户-电影标签嵌入矩阵；
Figure FDA0002745568450000023
是所有经过卷积池化操作之后的电影-实体特征
Figure FDA0002745568450000024
的融合，体现了总的电影-实体特征；matmul函数是一个矩阵相乘函数，Tu与
Figure FDA0002745568450000025
相乘后，经softmax函数归一化后得到注意力权重；
第二部分是通过不同的电影-实体特征计算自注意力权重：
Figure FDA0002745568450000026
αE表示自注意力权重。
CN202011165253.6A 2020-10-27 2020-10-27 一种融合标签和知识图谱的电影推荐方法 Active CN112328832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011165253.6A CN112328832B (zh) 2020-10-27 2020-10-27 一种融合标签和知识图谱的电影推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011165253.6A CN112328832B (zh) 2020-10-27 2020-10-27 一种融合标签和知识图谱的电影推荐方法

Publications (2)

Publication Number Publication Date
CN112328832A CN112328832A (zh) 2021-02-05
CN112328832B true CN112328832B (zh) 2022-08-09

Family

ID=74296940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011165253.6A Active CN112328832B (zh) 2020-10-27 2020-10-27 一种融合标签和知识图谱的电影推荐方法

Country Status (1)

Country Link
CN (1) CN112328832B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306936A (zh) * 2022-11-24 2023-06-23 北京建筑大学 基于层次关系旋转和实体旋转的知识图谱嵌入方法及模型
CN115905717B (zh) * 2023-03-02 2023-05-09 中南大学 基于混合3d卷积融合评级与评论的景点推荐方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050235157A1 (en) * 2002-05-16 2005-10-20 Yong-Ju Cho Program recommendation device and method using rough fuzzy multi layer perceptron (mlp) in electronic program guide (epg) application
CN103593792A (zh) * 2013-11-13 2014-02-19 复旦大学 一种基于中文知识图谱的个性化推荐方法与系统
CN108268619A (zh) * 2018-01-08 2018-07-10 阿里巴巴集团控股有限公司 内容推荐方法及装置
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN110555753A (zh) * 2019-08-14 2019-12-10 中国平安人寿保险股份有限公司 基于推荐的排序控制方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050235157A1 (en) * 2002-05-16 2005-10-20 Yong-Ju Cho Program recommendation device and method using rough fuzzy multi layer perceptron (mlp) in electronic program guide (epg) application
CN103593792A (zh) * 2013-11-13 2014-02-19 复旦大学 一种基于中文知识图谱的个性化推荐方法与系统
CN108268619A (zh) * 2018-01-08 2018-07-10 阿里巴巴集团控股有限公司 内容推荐方法及装置
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN110555753A (zh) * 2019-08-14 2019-12-10 中国平安人寿保险股份有限公司 基于推荐的排序控制方法、装置、计算机设备及存储介质

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
A Survey on Knowledge Graph-Based Recommender Systems;Qingyu Guo;《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》;20201007;第1-20页 *
Construction of a Cloud Scenario Knowledge Graph for Cloud Service Market;Shiqi Zhang;《2020 IEEE (ICSESS)》;20201016;第503-506页 *
CTK: Configurable Object Abstractions for Multiprocessors;Dilma M.Silva;《IEEE TRANSACTIONS ON SOFTWARE ENGINEERING》;20010630;第27卷(第6期);第531-549页 *
Knowledge Embedding towards the Recommendation with Sparse User-Item Interactions;Deqing Yang;《2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining》;20190830;第325-332页 *
ResNet结合BiGRU的关系抽取混合模型;唐朝;《中文信息学报》;20200229;第34卷(第2期);第38-45页 *
Sound and Music Recommendation with Knowledge Graphs;SERGIO ORAMAS;《ACM Transactions on Intelligent Systems and Technology》;20161031;第8卷(第2期);第21:1-21:21页 *
TGCN: Tag Graph Convolutional Network for Tag-Aware Recommendation;Bo Chen;《CIKM"20》;20201023;第155-164页 *
Tibetan Unknown Word Identification from News Corpora for Supporting Lexicon-based Tibetan Word Segmentation porting Lexicon-based Tibetan Word Segmentation;Minghua Nuo;《Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing (Short Papers)》;20150731;第415-457页 *
一种准确而高效的领域知识图谱构建方法;杨玉基等;《软件学报》;20180208(第10期);全文 *
二Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network;weixin_44576543;《https://blog.csdn.net/weixin_44576543/article/details/103033004》;20191112;全文 *
基于深度学习的推荐系统研究综述;黄立威等;《计算机学报》;20180305(第07期);全文 *
基于深度神经网络和加权隐反馈的个性化推荐;薛峰等;《模式识别与人工智能》;20200415(第04期);全文 *
融合本体语义与用户属性的协同过滤算法;王光;《计算机工程》;20191015;第45卷(第10期);第215-220页 *

Also Published As

Publication number Publication date
CN112328832A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
Khan et al. CNN with depthwise separable convolutions and combined kernels for rating prediction
Greene et al. Visual scenes are categorized by function.
Ren et al. Matching algorithms: Fundamentals, applications and challenges
US8645123B2 (en) Image-based semantic distance
Shin et al. Tumblr blog recommendation with boosted inductive matrix completion
Xi et al. Deep rating and review neural network for item recommendation
CN112328832B (zh) 一种融合标签和知识图谱的电影推荐方法
Ma et al. An exploration of improving prediction accuracy by constructing a multi-type clustering based recommendation framework
Huang et al. Sketch-based image retrieval with deep visual semantic descriptor
Ma et al. MMM: multi-source multi-net micro-video recommendation with clustered hidden item representation learning
Wang et al. Joint representation learning with ratings and reviews for recommendation
Mu et al. Collaborative filtering recommendation algorithm based on knowledge graph
Lu et al. MMKRL: A robust embedding approach for multi-modal knowledge graph representation learning
Li et al. Asking images: Hybrid recommendation system for tourist spots by hierarchical sampling statistics and multimodal visual Bayesian personalized ranking
CN111522889A (zh) 用户兴趣标签扩展方法、装置、电子设备及存储介质
Wang et al. Flickr group recommendation with auxiliary information in heterogeneous information networks
Wang et al. An enhanced multi-modal recommendation based on alternate training with knowledge graph representation
Khan et al. Joint deep recommendation model exploiting reviews and metadata information
Xu et al. Do adjective features from user reviews address sparsity and transparency in recommender systems?
Peng et al. HARSAM: A hybrid model for recommendation supported by self-attention mechanism
Stewart et al. Cross-tagging for personalized open social networking
Jorro-Aragoneses et al. Personalized case-based explanation of matrix factorization recommendations
Kim et al. Doubly supervised embedding based on class labels and intrinsic clusters for high-dimensional data visualization
Ye et al. A collaborative neural model for rating prediction by leveraging user reviews and product images
He et al. Multi-label double-layer learning for cross-modal retrieval

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