CN112396492A - 基于图注意力网络和双向长短期记忆网络的会话推荐方法 - Google Patents
基于图注意力网络和双向长短期记忆网络的会话推荐方法 Download PDFInfo
- Publication number
- CN112396492A CN112396492A CN202011302836.9A CN202011302836A CN112396492A CN 112396492 A CN112396492 A CN 112396492A CN 202011302836 A CN202011302836 A CN 202011302836A CN 112396492 A CN112396492 A CN 112396492A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- commodities
- representation
- recommendation
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图注意力网络和双向长短期记忆网络的会话推荐方法,首先,根据用户此次会话过程中的商品序列建模为无向图,使用图神经网络和注意力机制的方法,为商品生成准确的表征;之后使用基于注意力机制的双向长短期记忆网络建模得到用户的全局兴趣,并且结合用户的当前兴趣,生成最终的用户表征;最后使用用户表征和待推荐商品的表征,计算得到每个商品的初始推荐分数,初始推荐分数经过softmax激活函数进行归一化处理得到最终的推荐分数,按照推荐分数由高到低对商品进行排序,将排序在前的商品推荐给用户。与现有技术相比,本发明在基于会话的商品推荐任务中取得了良好的效果。
Description
技术领域
本发明涉及推荐系统领域,特别涉及一种基于会话的推荐方法。
背景技术
本发明涉及的现有技术包括基于会话的推荐系统(Session BasedRecommendation)、 双向长短期记忆网络(Bi-directional Long short-term memory,BLSTM)、图神经网络 (Graph Neural Networks)、注意力机制(Attention mechanism)。
相关现有技术存在以下缺点:1)基于图神经网络的会话推荐系统(SR_GNN)将 会话中的商品序列建模为图结构的时候,使用有向图的建模方式,但是在实际购物过程 中,用户在选择商品时,并不存在严格的先后顺序关系。有向图的建模方式有可能在一 定程度上忽略商品之间的转移关系。2)会话的商品序列中可能存在噪声商品,用户在 购物过程中,由于误触或者其他原因,导致此次会话的商品序列中出现不相关的商品, 这些不相关的商品会对商品表征的准确性产生影响基于图神经网络的会话推荐系统, (SR_GNN)模型在建模商品之间的转移关系时没有考虑到噪声商品的问题。(3)基于 图神经网络的会话推荐系统(SR_GNN)模型在得到用户的全局兴趣时,计算其他商品 相对于最后一次点击商品的重要性程度,基于的假设是最后一次点击的商品对于推荐的 参考价值更高。但是最后一次点击的商品有可能就是噪声商品,因此这样的方式计算得 到的全局兴趣存在问题。4)同一件商品在不同的购物语境中,其含义不同,因此在建 模用户的全局兴趣时,应该考虑商品所处的上下文语境,而SR_GNN模型没有考虑商 品所处的上下文语境。
在基于会话的推荐系统中,当前用户的个人信息(年龄,性别,地区等)和历史浏览记录均无法获取,仅能根据用户此次会话过程中点击的商品为用户进行推荐,可以利 用的信息较为有限,而且用户的兴趣在会话过程中会发生转移,因此基于会话的推荐系 统是一个更具挑战性的推荐场景。常见的做法是基于用户已经点击的商品,对用户进行 建模,得到用户的表征,之后结合用户表征和待推荐商品的表征为每个商品计算得到一 个推荐分数,按照推荐分数将商品由高到低进行排序,将排在前面的商品推荐给用户。 其中,商品的表征生成和用户建模是基于会话的推荐系统中关键的两个环节。
在基于会话的推荐系统中,仅根据此次会话过程用户浏览的商品为用户进行个性化 推荐是本发明亟待解决的主要问题。
发明内容
为了解决在基于会话的推荐系统中,无法获取用户的配置信息和历史浏览记录,仅 根据此次会话过程中用户浏览的商品为用户进行个性化推荐的问题,本发明提出一种基 于图注意力网络和双向长短期记忆网络的会话推荐方法,结合图神经网络、注意力机制和双向长短期记忆网络的方法对用户进行建模,得到准确的用户表征,利用得到的用户 表征,为用户生成个性化的推荐。
本发明的一种基于图注意力网络和双向长短期记忆网络的会话推荐方法,该方法具 体包括以下步骤:
步骤1、根据用户此次会话过程中的商品序列,将其建模为无向图;
步骤2、以无向图为输入,使用图神经网络和注意力机制的方法生成商品的表征;
步骤2-1、计算相邻商品的注意力系数,对相邻商品的特征信息进行加权聚合:
每个商品生成初始化的表征xi如公式(1)所示:
xi=Embedding(vi) (1)
每个商品vi的相邻商品的注意力系数αij如公式(2)所示:
其中,Wα是权重矩阵;[xi,xk]表示向量xi和向量xk进行拼接,[xi,xj]表示向量xi和向 量xj进行拼接;Ni表示商品vi的邻居商品集合;LeakyReLU是激活函数;
其中,Ni表示商品vi的相邻商品集合;
步骤2-2、基于门控图神经网络中的门控机制进行商品表征的更新:
计算得到更新门控信号zi和重置门控信号ri,如公式(4)(5)所示;
步骤3、结合所生成的商品表征,使用基于注意力机制的双向长短期记忆网络建模得到用户的全局兴趣,并且结合用户的当前兴趣,生成最终的用户表征;计算过程如 下:
输入初始的商品表征序列H,经过双向长短期记忆网络处理之后,得到包含有上下文语境信息的商品表征序列H′,如公式(8)所示:
H′=BLSTM(H) (8)
对H′中的每个商品计算得到一个注意力分数,如公式(9)所示:
α=softmax(WbH′) (9)
其中,Wb是需要学习的参数;
最后根据计算得到的注意力分数,对商品序列进行加权聚合得到用户的全局兴趣Sg, 如公式(10)所示:
Sg=αH′ (10)
结合用户的当前兴趣,生成最终的用户表征;计算过程如下:
使用最后一次点击的商品的表征来建模,如公式(11)所示
Sl=xt (11)
其中,Sl是用户的当前兴趣;
结合用户的全局兴趣和当前兴趣,经过线性转换之后,得到最终的用户表征Su,如公式(12)所示:
Su=Wu[Sg,Sl] (12)
步骤4、使用用户表征和待推荐商品的表征,计算得到每个商品的初始推荐分数,使用最终的用户表征和待推荐商品的表征进行内积计算,之后对计算结果使用softmax 激活函数进行归一化处理;具体计算过程如下:
通过内积为每个待推荐商品计算得到一个初始的推荐分数,如公式(13)所示:
初始推荐分数经过softmax激活函数进行归一化处理,得到每个商品的最终推荐分 数,如公式(14)所示:
按照推荐分数由高到低对商品进行排序,将排序在前的商品推荐给用户。
与现有技术相比,本发明在基于会话的商品推荐任务中取得了良好的效果。
附图说明
图1为本发明的基于图注意力网络和双向长短期记忆网络的会话推荐方法流程图;
图2为本发明的基于图注意力网络和双向长短期记忆网络的会话推荐方法实施例图;
图3为无向图构建及其邻接矩阵模型示意图;
图4为基于注意力机制的双向长短期记忆网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案进一步说明。
基于上述考虑,本发明提出一种无向图的建模方式来对会话中的商品序列进行建模, 并且在更新商品表征的时候使用基于注意力机制的方法来过滤掉噪声商品的影响。此外 在建模用户的全局兴趣时,使用基于注意力机制的双向长短期记忆网络方法,考虑商品所处的上下文语境,并且使用注意力机制来定位此次会话中的重要商品,以此建模用户 的全局兴趣。通过上述在商品表征生成和用户全局兴趣建模两方面的改进,可以提高推 荐的准确性。
如图1所示,为本发明的基于图注意力网络和双向长短期记忆网络的会话推荐方法 实施例图。
本发明主要解决在基于会话的推荐系统中为用户进行个性化推荐的问题,分为三个 主要的模块,商品表征生成模块、用户建模模块和推荐模块。
在商品表征生成模块中,将单次会话中的购物序列建模为无向图;使用图神经网络 和注意力机制,对图中邻居结点的特征信息进行聚合;结合结点初始特征信息和邻居结点特征信息,使用门控图神经网络生成最终的商品表征;
在用户建模模块中,使用基于注意力机制的双向长短期记忆网络,对会话中的购物 序列进行处理,得到用户的全局兴趣;使用购物序列中最后一次点击的商品作为用户当前兴趣的表征,结合全局兴趣与当前兴趣,生成最终的用户表征;
在推荐模块中,基于上面得到的用户表征,和待推荐商品的表征进行内积计算,为每个待推荐商品计算得到一个推荐分数;按照推荐分数对待推荐商品进行排序,将排序 在前的商品推荐给用户。
该实施例的具体流程描述如下:
步骤1、构建用户会话过程中的商品序列无向图:
将用户点击的商品序列为s=[v1,v3,v7,v1,v5,v2],S是商品序列,商品系列中的商品按照时间顺序进行排序,即用户依次浏览了v1,v3,v7,v1,v5,v2(此处为举例)。
则无向图建模为Gs=(Vs,εs),其中:
Vs={v1,v2,v3,v5,v7}
εs={(v1,v3),(v3,v1),(v3,v7),(v7,v3),(v7,v1),(v1,v7),(v1,v5),(v5,v1),(v5,v2),(v2,v5)}
即图中结点为此次会话过程中的商品集合,图中的边表示在商品序列中,两个商品的相 邻关系。因为用户的购物行为中商品之间并不存在严格的先后顺序关系,因此这里将其 建模为无向图。
根据上述建模方式,得到该无向图的结构和邻接矩阵如图2所示的无向图构建及其 邻接矩阵模型示意图。在邻接矩阵中,0表示结点之间没有边相连,1表示结点之间有 边相连。
步骤2、商品表征生成:
根据前面构建的无向图,使用基于图神经网络和注意力机制的方法,为商品生成准 确的表征。因为商品之间存在转移关系,例如用户在购买西装之后,接下来很大概率会购买皮鞋,使用图神经网络的方法,通过对相邻商品的特征信息进行聚合,可以捕获商 品之间存在的转移关系,为商品生成准确的表征。同时,考虑到商品序列中,由于用户 误触等原因,会存在噪声商品,所以使用注意力机制的方法过滤噪声商品的影响。
生成商品表征的计算过程如下
步骤2-1、计算相邻商品的注意力系数,对相邻商品的特征信息进行加权聚合(以商品vi为例):
首先,为每个商品生成初始化的表征xi,如公式(1)所示:
xi=Embedding(vi) (1)
然后,计算商品vi的每个相邻商品的注意力系数αij,如公式(2)所示:
其中Ni表示商品vi的相邻商品集合;
步骤2-1、使用门控图神经网络,进行商品表征的更新(以商品vi为例):
首先基于门控图神经网络中的门控机制,计算得到更新门控信号zi和重置门控信号ri, 如公式(4)(5)所示;
步骤3、使用基于注意力机制的双向长短期记忆网络对用户的全局兴趣进行建模,并结合用户的当前兴趣,生成最终的用户表征;
在商品序列中,商品所处的上下文语境对于建模商品十分重要,因此这里使用双向 长短期记忆网络来对商品序列进行处理。另外,在建模用户的全局兴趣时,需要对商品序列中重要商品进行定位,因此使用注意力机制来提取重要的商品。如图3所示,为基 于注意力机制的双向长短期记忆网络结构示意图。在输入层,输入的是商品表征序列; 之后商品表征序列在双向长短期记忆网络层进行处理,输出包含有上下文语境的商品表 征;之后在注意力机制层,根据包含有上下文语境的商品表征进行重要商品的定位(即 为每个商品生成一个注意力系数),之后加权聚合得到用户的全局兴趣sg。具体的计算 过程如下:
首先输入初始的商品表征序列H,经过双向长短期记忆网络处理之后,得到包含有上下文语境信息的商品表征序列H′,如公式(8)所示:
H′=BLSTM(H) (8)
对H′中的每个商品计算得到一个注意力分数,如公式(9)所示:
α=softmax(WbH′) (9)
其中,Wb是需要学习的参数;
最后根据计算得到的注意力分数,对商品序列进行加权聚合得到用户的全局兴趣Sg, 如公式(10)所示:
Sg=αH′ (10)
得到用户的全局兴趣之后,结合用户的当前兴趣,生成最终的用户表征,其中用户的当 前兴趣使用序列中最后一次点击的商品来表示,计算过程如下:
使用最后一次点击的商品的表征来建模,如公式(11)所示
Sl=xt (11)
其中,Sl是用户的当前兴趣;
结合用户的全局兴趣和当前兴趣,经过线性转换之后,得到最终的用户表征Su,如公式(12)所示:
Su=Wu[Sg,Sl] (12)
步骤4、基于上面得到的最终用户表征,为每个待推荐商品计算得到一个推荐分数, 按照推荐分数对待推荐商品进行排序,将排序在前的商品推荐给用户;
计算每个待推荐商品的推荐分数时,使用最终的用户表征和待推荐商品的表征进行 内积计算,之后对计算结果使用softmax激活函数进行归一化处理。计算过程如下:
通过内积为每个待推荐商品计算得到一个初始的推荐分数,如公式(13)所示
之后初始的推荐分数经过归一化处理,得到每个商品的最终推荐分数,如公式(14) 所示:
在推荐过程中,按照最终的推荐分数将待推荐商品由高到低进行排序,之后将排序在前 的商品推荐给用户。
步骤5、将损失函数设计为预测值和真实值的交叉熵,定义如下:
通过最小化上述损失函数,来训练算法中需要学习的参数,从而优化算法中需要学 习的参数。
本发明针对基于会话的推荐系统提出了新的推荐算法,有效解决了之前技术方案中 存在的弊端,推荐的准确性有了较大提升,并且在真实的数据集Yoochoose上面进行了验证,具体的评价指标数据验证结果如表1所示。
表1
Precision@20 | MRR@20 | |
SR_GNN | 70.57 | 30.94 |
本发明 | 70.94 | 31.25 |
Yoochoose数据集是来自在线购物网站的用户点击商品记录;Precision@20评价指标 是指:算法推荐排序前20的商品,在这20件商品中,存在用户真正点击的商品的比例;MRR@20评价指标是指:在20件商品中,真正点击的商品的排列位置;Precision@20和 MRR@20两个指标的值越大,表示推荐越准确。由上述实验结果可以得知,本发明提出 的方法,在推荐准确性方面相比于之前的技术方案有较大提升。
Claims (1)
1.一种基于图注意力网络和双向长短期记忆网络的会话推荐方法,其特征在于,该方法具体包括以下步骤:
步骤1、根据用户此次会话过程中的商品序列,将其建模为无向图;
步骤2、以无向图为输入,使用图神经网络和注意力机制的方法生成商品的表征;
步骤2-1、计算相邻商品的注意力系数,对相邻商品的特征信息进行加权聚合:
每个商品生成初始化的表征xi如公式(1)所示:
xi=Embedding(vi) (1)
每个商品vi的相邻商品的注意力系数αij如公式(2)所示:
其中,Wa是权重矩阵;[xi,xk]表示向量xi和向量xk进行拼接,[xi,xj]表示向量xi和向量xj进行拼接;Ni表示商品vi的邻居商品集合;LeakyReLU是激活函数;
其中,Ni表示商品vi的相邻商品集合;
步骤2-2、基于门控图神经网络中的门控机制进行商品表征的更新:
计算得到更新门控信号zi和重置门控信号ri,如公式(4)(5)所示;
步骤3、结合所生成的商品表征,使用基于注意力机制的双向长短期记忆网络建模得到用户的全局兴趣,并且结合用户的当前兴趣,生成最终的用户表征;计算过程如下:
输入初始的商品表征序列H,经过双向长短期记忆网络处理之后,得到包含有上下文语境信息的商品表征序列H′,如公式(8)所示:
H′=BLSTM(H) (8)
对H′中的每个商品计算得到一个注意力分数,如公式(9)所示:
α=softmax(WbH′) (9)
其中,Wb是需要学习的参数;
最后根据计算得到的注意力分数,对商品序列进行加权聚合得到用户的全局兴趣Sg,如公式(10)所示:
Sg=αH′ (10)
结合用户的当前兴趣,生成最终的用户表征;计算过程如下:
使用最后一次点击的商品的表征来建模,如公式(11)所示
Sl=xt (11)
其中,Sl是用户的当前兴趣;
结合用户的全局兴趣和当前兴趣,经过线性转换之后,得到最终的用户表征Su,如公式(12)所示:
Su=Wu[Sg,Sl] (12)
步骤4、使用用户表征和待推荐商品的表征,计算得到每个商品的初始推荐分数,使用最终的用户表征和待推荐商品的表征进行内积计算,之后对计算结果使用softmax激活函数进行归一化处理;具体计算过程如下:
通过内积为每个待推荐商品计算得到一个初始的推荐分数,如公式(13)所示:
初始推荐分数经过softmax激活函数进行归一化处理,得到每个商品的最终推荐分数,如公式(14)所示:
按照推荐分数由高到低对商品进行排序,将排序在前的商品推荐给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302836.9A CN112396492A (zh) | 2020-11-19 | 2020-11-19 | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302836.9A CN112396492A (zh) | 2020-11-19 | 2020-11-19 | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396492A true CN112396492A (zh) | 2021-02-23 |
Family
ID=74606677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302836.9A Pending CN112396492A (zh) | 2020-11-19 | 2020-11-19 | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396492A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487018A (zh) * | 2021-07-28 | 2021-10-08 | 辽宁工程技术大学 | 一种基于会话推荐的全局上下文增强图神经网络方法 |
CN113656696A (zh) * | 2021-08-24 | 2021-11-16 | 工银科技有限公司 | 一种会话推荐方法及装置 |
CN113811009A (zh) * | 2021-09-24 | 2021-12-17 | 之江实验室 | 一种基于时空特征提取强化学习的多基站协同无线网络资源分配方法 |
CN113961816A (zh) * | 2021-11-26 | 2022-01-21 | 重庆理工大学 | 一种基于结构增强的图卷积神经网络会话推荐方法 |
CN114564640A (zh) * | 2022-02-17 | 2022-05-31 | 上海师范大学 | 基于长短期记忆和图注意力网络的oj平台题目推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 齐鲁工业大学 | 基于用户会话及图卷积神经网络的商品推荐方法及系统 |
CN111080400A (zh) * | 2019-11-25 | 2020-04-28 | 中山大学 | 一种基于门控图卷积网络的商品推荐方法及系统、存储介质 |
CN111667067A (zh) * | 2020-05-28 | 2020-09-15 | 平安医疗健康管理股份有限公司 | 基于图神经网络的推荐方法、装置和计算机设备 |
CN111931903A (zh) * | 2020-07-09 | 2020-11-13 | 北京邮电大学 | 一种基于双层图注意力神经网络的网络对齐方法 |
CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
CN112150210A (zh) * | 2020-06-19 | 2020-12-29 | 南京理工大学 | 一种基于ggnn网络的改进型神经网络推荐方法及系统 |
-
2020
- 2020-11-19 CN CN202011302836.9A patent/CN112396492A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 齐鲁工业大学 | 基于用户会话及图卷积神经网络的商品推荐方法及系统 |
CN111080400A (zh) * | 2019-11-25 | 2020-04-28 | 中山大学 | 一种基于门控图卷积网络的商品推荐方法及系统、存储介质 |
CN111667067A (zh) * | 2020-05-28 | 2020-09-15 | 平安医疗健康管理股份有限公司 | 基于图神经网络的推荐方法、装置和计算机设备 |
CN112150210A (zh) * | 2020-06-19 | 2020-12-29 | 南京理工大学 | 一种基于ggnn网络的改进型神经网络推荐方法及系统 |
CN111931903A (zh) * | 2020-07-09 | 2020-11-13 | 北京邮电大学 | 一种基于双层图注意力神经网络的网络对齐方法 |
CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
Non-Patent Citations (1)
Title |
---|
孙鑫 等: "基于图神经网络和时间注意力的会话序列推荐", 《计算机工程与设计》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487018A (zh) * | 2021-07-28 | 2021-10-08 | 辽宁工程技术大学 | 一种基于会话推荐的全局上下文增强图神经网络方法 |
CN113656696A (zh) * | 2021-08-24 | 2021-11-16 | 工银科技有限公司 | 一种会话推荐方法及装置 |
CN113811009A (zh) * | 2021-09-24 | 2021-12-17 | 之江实验室 | 一种基于时空特征提取强化学习的多基站协同无线网络资源分配方法 |
CN113961816A (zh) * | 2021-11-26 | 2022-01-21 | 重庆理工大学 | 一种基于结构增强的图卷积神经网络会话推荐方法 |
CN114564640A (zh) * | 2022-02-17 | 2022-05-31 | 上海师范大学 | 基于长短期记忆和图注意力网络的oj平台题目推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11995702B2 (en) | Item recommendations using convolutions on weighted graphs | |
CN110969516B (zh) | 一种商品推荐方法及装置 | |
CN107330115B (zh) | 一种信息推荐方法及装置 | |
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN112396492A (zh) | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN105701191B (zh) | 一种推送信息点击率估计方法和装置 | |
CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
CN109543109B (zh) | 一种融合时间窗技术和评分预测模型的推荐算法 | |
CN111523047A (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
CN111310063A (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 | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN109460508B (zh) | 一种高效的垃圾评论用户群组检测方法 | |
CN110321473B (zh) | 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 | |
CN109933720B (zh) | 一种基于用户兴趣自适应演化的动态推荐方法 | |
CN111681084B (zh) | 一种基于社交关系影响因素的电商平台推荐方法 | |
CN113159892B (zh) | 一种基于多模态商品特征融合的商品推荐方法 | |
CN111651678A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN110348906A (zh) | 一种基于多类型隐式反馈的改进商品推荐方法 | |
CN112650933A (zh) | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 | |
CN110019563B (zh) | 一种基于多维数据的肖像建模方法和装置 | |
CN114581165A (zh) | 一种产品推荐方法、装置、计算机存储介质及系统 | |
Wang et al. | Jointly modeling intra-and inter-transaction dependencies with hierarchical attentive transaction embeddings for next-item 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |