CN112417298A - 一种基于少量重叠用户的跨域推荐方法及系统 - Google Patents
一种基于少量重叠用户的跨域推荐方法及系统 Download PDFInfo
- Publication number
- CN112417298A CN112417298A CN202011417282.7A CN202011417282A CN112417298A CN 112417298 A CN112417298 A CN 112417298A CN 202011417282 A CN202011417282 A CN 202011417282A CN 112417298 A CN112417298 A CN 112417298A
- Authority
- CN
- China
- Prior art keywords
- domain
- graph
- nodes
- features
- cross
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002776 aggregation Effects 0.000 claims abstract description 59
- 238000004220 aggregation Methods 0.000 claims abstract description 59
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 15
- 230000003993 interaction Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000002537 cosmetic Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000006210 lotion Substances 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000006071 cream Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007334 copolymerization reaction Methods 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013047 polymeric layer Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了基于少量重叠用户的跨域推荐方法及系统，其中方法包括：根据多个相关领域的源数据得到第一序列数据并构建多个第一单域图；根据第一单域图中的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至第一序列数据得到第二序列数据；在第一单域图中增加标签节点得到第二单域图，根据第二序列数据构建公共图；根据注意力机制分别学习第二单域图和公共图得到域内特征和域间特征；进行信息融合得到用户特征和物品特征并生成推荐列表。本发明基于少量重叠用户，利用语义层信息扩充连接关系，利用注意力聚合机制对图特征进行学习，能综合多个领域知识进行目标域推荐，解决了推荐的数据稀疏和冷启动问题。
Description
技术领域
本发明涉及互联网推荐技术领域，尤其是涉及一种基于少量重叠用户的跨域推荐方法及系统。
背景技术
随着互联网和信息技术的飞速发展，海量的数据日益增多，信息过载问题日趋严重，用户想从互联网海量的文本、商品、图片、视频等资源中找到自己想要的信息变得十分困难。为了满足用户的个性化需求，人们提出了个性化推荐系统。
个性化推荐系统通过对用户的历史行为信息进行分析整合，统计出不同用户的兴趣偏好，利用相关项目及相关用户信息，实现有效的个性化推荐。协同过滤技术利用用户的历史行为数据，分析用户偏好情况，通过与目标用户相似的辅助用户或与目标项目相似的辅助项目，预测目标用户对目标项目的评分，从而实现对目标用户的推荐。但其存在的一些问题一直没有得到根本解决，如冷启动问题、数据稀疏性问题，在系统总体数据量少，或者用户提供的数据量少的情况下，用于协同过滤的用户-项目交互矩阵变得非常庞大且具有高度的稀疏性。
基于上述现象，研究人员提出了跨域推荐技术，该技术能有效缓解传统推荐系统中的冷启动问题和数据稀疏问题，满足用户的个性化需求，能提供更为精准的推荐结果，提高用户的满意度。目前有大量的方法通过跨域的相互增强来缓解稀疏性问题，利用积累较多的源域来丰富目标域的用户和商品特征。但目前现有方法大多集中在利用重叠部分用户进行知识迁移，例如在重叠部分用户之间做两个领域之间的函数映射。而一个主要缺点是，它们只能应用于跨网络重叠的用户，构成用户主体的大多非重叠用户被忽略。
总结起来，现有技术存在的主要问题有：
(1)单纯的知识转移没有利用到跨域图结构，不能捕捉图上的高阶信息传播；
(2)大多集中在利用重叠部分用户进行知识迁移，只能应用于跨网络重叠的用户；
(3)大多方法使用单源域增强目标域，无法同时使用多个源域特征。
发明内容
本发明的目的是提供一种基于少量重叠用户的跨域推荐方法及系统，以解决少量重叠跨域推荐中不能综合多个领域的知识进行目标推荐的技术问题。
本发明的目的，可以通过如下技术方案实现：
一种基于少量重叠用户的跨域推荐方法，包括：
对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；
根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；
在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；
根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；
对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
可选地，所述根据所述标签信息计算跨域节点间的语义相似度具体为：
将用户和物品的标签信息输入word2vec模型中得到标签的特征向量作为第一特征向量，对所述第一特征向量进行聚合得到节点的特征向量作为第二特征向量，根据所述第二特征向量计算跨域节点间的语义相似度。
可选地，所述根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征具体包括：
利用注意力学习机制融合学习边和节点的信息，分别对所述第二单域图和公共图进行邻居边聚合和邻居节点聚合得到边聚合特征和节点聚合特征，根据所述边聚合特征和节点聚合特征进行聚合学习得到域内特征和域间特征。
可选地，对所述第二单域图和公共图进行邻居边聚合得到边聚合特征具体包括：
根据类型级别的注意力机制学习特征Pv,r＝aggregation(Ej,r,j∈Γv,r)；其中，j为目标节点v在边类型为r的邻居节点，Ej,r为目标节点v相邻边类型为r的向量，Γv,r为目标节点v在边类型为r的邻居节点集合，aggregation为min、max、mean策略或者注意力机制；
根据边级别的注意力机制聚合不同类型边的特征Pv＝[Pv，1；Pv，2；Pv,i；...；Pv，s]，计算边级别的注意力权重
其中,Pv,i为目标节点v的第i(1≤i≤s)个类型边的特征向量，T为矩阵转置，W1和W2为学习的参数。
可选地，对所述第二单域图和公共图进行邻居节点聚合得到节点聚合特征具体包括：
根据注意力机制学习邻居节点的信息，计算邻居节点对目标节点的贡献，具体过程为：将目标节点v的邻居节点表征进行拼接表示：Nv＝[Gvn1；Gvn2；Gvni...；Gvnm]，计算邻居节点ni的权重βi＝softmax(W3 Ttanh(W4Nv))T；
其中，Gvni表示目标节点v的邻居节点ni的特征,W3和W4为学习的参数。
可选地，所述预设阈值为0.8。
本发明还提供了一种基于少量重叠用户的跨域推荐系统，包括：
第一单域图构建模块，用于对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；
第二序列数据确定模块，用于根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；
第二单域图和公共图构建模块，用于在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；
特征学习模块，用于根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；
信息融合和推荐模块，用于对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
可选地，第二序列数据确定模块根据所述标签信息计算跨域节点间的语义相似度具体包括：
将用户和物品的标签信息输入word2vec模型中得到标签的特征向量作为第一特征向量，对所述第一特征向量进行聚合得到节点的特征向量作为第二特征向量，根据所述第二特征向量计算跨域节点间的语义相似度。
可选地，特征学习模块根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征具体包括：
利用注意力学习机制融合学习边和节点的信息，分别对所述第二单域图和公共图进行邻居边聚合和邻居节点聚合得到边聚合特征和节点聚合特征，根据所述边聚合特征和节点聚合特征进行聚合学习得到域内特征和域间特征。
本发明还提供了一种电子设备，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序实现所述的基于少量重叠用户的跨域推荐方法。
本发明提供的基于少量重叠用户的跨域推荐方法及系统，其中方法包括：对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
本发明提供的基于少量重叠用户的跨域推荐方法及系统，基于多个相关领域中存在少量重叠用户的情况，使用网络结构来表示不同的领域，依靠连接标签相似度高的策略来增加连接关系，利用语义层信息扩充跨域之间的连接关系；利用多层的注意力聚合机制对图特征进行学习，能提取单个领域内的域内特征和跨多个领域的域间特征，通过网络信息的聚合，不重叠用户也能享用到其他领域的特征；使用不同的行为数据，搭建异构网络学习行为交互特征，可以综合多个领域的知识进行目标域推荐，从而解决目标域推荐的数据稀疏和冷启动问题。
附图说明
图1为本发明一种基于少量重叠用户的跨域推荐方法及系统的方法流程图；
图2为本发明一种基于少量重叠用户的跨域推荐方法及系统的模型示意图；
图3为本发明一种基于少量重叠用户的跨域推荐方法及系统的跨域模型输出特征示意图。
具体实施方式
本发明实施例提供了一种基于少量重叠用户的跨域推荐方法及系统，以解决少量重叠跨域推荐中不能综合多个领域的知识进行目标推荐的技术问题。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
跨域推荐算法能很好地解决数据稀疏和冷启动的问题，它从辅助域转移有价值的知识，以辅助目标域内的推荐任务。现有的研究大多集中于辅助域与目标域共享相同用户或项的场景。
跨域推荐算法可以分为四类，(1)无用户重叠且无项目重叠(NU-NI)；(2)有用户重叠但无项目重叠(U-NI)；(3)无用户重叠但有项目重叠(NU-I)；(4)有用户且有项目重叠(U-I)。目前的跨域推荐方法集中在高重叠度场景下，对未重叠部分无法享受跨域带来的好处。而实际业务中常面临着各领域重叠小，新领域需要利用旧领域的知识加强推荐的情况。
无重叠跨域推荐是指用户和项目在辅助域和目标域之间没有重叠的情况下的跨域推荐，目前无重叠方法可以分为两大类：基于side information和共享评价模式。
基于side information：利用辅助信息将源域与目标域进行结合(例如使用标签推断在多个域之间的相关性，对标签进行聚类等)。这类方法的缺点是：不能适用于没有相应边关系信息的域。
共享评价模式：将共享的评价模式从源域转移到目标域。CBT(采用共聚算法在辅助域中构建评价模式，然后通过寻找目标域中用户和项目对应的用户和项目组来传递评价模式)；TALMUD(将多个辅助域的评级模式结合在一起+权重策略)；将目标域和辅助域的潜在空间映射到公共子空间后，对目标域的潜在因素进行调整。共享评价模式的缺点是：没有利用图结构信息，无法获取图的高阶特征。
图领域的快速发展为跨域带来新的视角。目前还没有基于图和少量用户重叠的综合多域的跨域推荐方法。本发明主要致力于研究基于重叠域小的图跨域推荐问题。总结问题主要的挑战有：(1)重叠领域小；(2)学习域之间的行为互动。
请参阅图1，本发明提供的一种基于少量重叠用户的跨域推荐方法的实施例，包括：
S100：对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；
S200：根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；
S300：在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；
S400：根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；
S500：对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
请参阅图1，本实施例从流程上分为数据处理、序列构图、单图和公共图模型、信息融合、排序推荐这些步骤。
在步骤S100中，将多个相关领域的源数据进行处理，得到相应的第一序列数据，将第一序列数据构建为多个第一单域图，每个第一单域图与一个领域的数据相对应。具体过程为：
首先，从物品交互数据中采集含有部分重叠用户(user)或者部分重叠物品(item)的多个相关领域的源数据，获取相关的用户和物品信息，值得说明的是，这里的物品信息不限于商品本身的信息，也可以是用户对某种项目的行为数据，例如用户点击某个item。
然后，对用户和物品进行自然数编码，值得注意的是，重点保存可以区分用户和物品的信息，主要有两种做法：一是自然数编码时用数值大小区分即例如1～m的是用户，m+1～n的是物品；二是可以保存编码映射关系；最终形成序列数据。例如，一条序列数据为：【node1,node2,action_type,graph_type,time(additional)】，表示node1和node2有action_type的关系，利用graph_type标识不同域的数据，time(additional)表示该关系的时间戳，时间戳为可选项。
最后，根据得到的序列数据构建多个第一单域图，每个第一单域图与一个领域的数据相对应。具体的，将前面数据得到的序列数据，每种graph_type(除依靠tag信息增加的add类型外)依据节点和边关系建立一个异构信息网络结构，每个第一单域图为单个领域数据对应的异构信息网络结构。
在步骤S200中，由于用户和物品都有很多标签(tag)信息，将标签信息按照时间戳先后顺序整理为【node1,tag1,tag2,…,tagn】的形式。对标签信息的处理上，将用户和物品的标签序列信息当成一个句子、标签当成单词输入到word2vec模型中，输出每个标签的表征，本实施例中的表征表示特征向量，即用一个向量对标签的特征进行表示。对标签的特征向量进行平均聚合等策略，得到tag语义下的user表征，这里的平均聚合是指将一个用户相关的tag表征向量做平均。
然后，根据tag语义下的user表征，计算跨域节点之间的相似度，相似度计算可以使用常规的方法例如内积、余弦相似度、欧式距离等，计算完成后经过归一化的方法(例如softmax函数)，将输出结果固定在0-1之间。将相似度高于预设阈值的跨域节点增加连边关系，本实施例中的相似度阈值可以根据经验和数据集进行调整，例如可设置为0.8；将新增的跨域节点间的连边关系添加到序列数据中，序列数据中新增数据的格式为：【node1,node2,tag_similar,add，time(additional)】。其中，tag_similar表示是通过计算tag相似度得到的边关系编码，add为graph_type的一种，表示是通过tag相似度计算额外增加的连接关系结构，add对边类型起标识作用。
本实施例中，获取多个相关领域的源数据，对数据进行处理得到对应的序列数据，通过标签等信息依靠word2vec等方法计算相似度后，将相似度高的节点进行连边以加深连边关系即增加重叠域大小(对应图3的word2vec计算相似度，依靠相似度增加连边关系这一部分)，然后通过序列构图将序列数据构建为图数据。
为了更清楚地说明序列构图，在介绍序列构图之前，给出如下几个定义：
定义1：网络：网络可以用一个有向图G＝(V,E)来表示，其中V为实体，E为实体之间的关系。映射函数Φ:V→A表示每个实体v∈V属于实体类型集合A：Φ(v)∈A；用映射函数Ψ:E→R表示每条边e∈E属于边的集合R：Ψ(e)∈R。
定义2：异构信息网络：当节点或者边的个数大于1，即|A|＞1或者|R|＞1，那么该网络为异构信息网络，简称为异构网络。
根据前面数据得到的序列数据，每种graph_type(除依靠tag信息增加的add类型外)已经依据节点和边关系建立了一张异构信息网络结构，即根据每个领域的数据已经建立对应的第一单域图。
在步骤S300中，在第一单域图对应的网络结构中增加标签节点得到第二单域图(即将相关的属性节点作为一种节点加入图结构中，例如用户a具有“女”这一属性，将“女”作为一个节点与用户a相连)。综合所有graph_type建立一张大图网络结构，称为公共图。图中节点之间的交互关系若带时间戳，即为节点间的时序交互关系。
例如，在商品推荐中，用户和商品都是节点，用户购买、点击或者收藏商品即为节点之间的交互关系，通过交互关系可以建立节点间的交互关系图。具体的，用户点击商品序列是将用户与点击过的商品进行连接，可以在边的特征上加入时间戳，得到用户与点击过的商品间的时序交互关系，根据时序交互关系可以建立用户与点击过的商品间的时序交互关系图。在训练时图的数据结构用邻接矩阵来进行表示。
具体的，例如，一个数据中有用户node1,node2；物品node3,node4,node5；用户标签有“男”、“女”、“二次元手办”、“美妆”。商品标签有“美妆类”、“化妆水”、“卸妆乳”、“手办类”、“初音未来”。序列数据有如下几条：
node1，node3，1(购买)，100000(京东)，10000005(时间戳)
node2，node4，2(收藏)，100001(拼多多)，10000006
node2，node5，2(收藏)，100000(京东)，10000007
node2，node5，3(分享)，100000(京东)，10000008
node2，node5，1(购买)，100000(京东)，10000009
标签信息有：
node1：“女”、“美妆”；
node2：“男”、“二次元手办”；
node3：“美妆类”、“化妆水”；
node4：“美妆类”、“卸妆乳”；
node5：“二次元手办”、“初音未来”；
假设拼多多领域对应的第二单域图的节点有node2，node4，“男”，“二次元手办”，“美妆类”，“卸妆乳”；京东领域对应的第二单域图的节点有node1，node3，node5，“女”，“美妆”，“二次元手办”，“美妆类”，“化妆水”；
公共图的节点有node1，node2，node3，node4，node5，“女”，“美妆”，“男”，“二次元手办”，“美妆类”，“化妆水”。【node1,node3,1(购买),100000(京东),10000005(时间戳)】表示node1和node3节点之间在10000005时间戳下形成了一条类型为1的边，这条边属于京东域。而标签信息node1:“女”、“美妆”可以拆解为边1(node1和“女”之间)以及边2(node1和“美妆”之间)。其他边以此类推，那么形成图的时候只需要把边都连接起来。
如果是第二单域图，例如，拼多多域只考虑【node2,node4,2(收藏),100001(拼多多),10000006】以及【node2：“男”、“二次元手办”；node4：“美妆类”、“卸妆乳”】形成的图。
通过标签计算相似度，把标签信息输入到word2vec模型后输出每个单词的特征向量，对特征向量采用相似度计算的方法，将相似度高的节点相连，即将相似度高于预设阈值的跨域节点增加连边关系，例如，计算得到node1与node4的相似度大于预设阈值，即在node1与node4之间增加连边关系：【node1,node4,4(tag_similar),100002(add)，99999999(取所有时间中的最大，因为是推测连接的边)】)，将新增的连边关系也加入到公共图中。
在步骤S400中，利用单域图模型学习单个领域内的特征，对每个域构成的第二单域图网络，利用异构图特征方法生成节点嵌入信息。异构图特征方法多种多样，可以大致分为基于注意力和基于meta-path两种形式。本实施例采用注意力的方式去融合学习不同边和节点的信息，具体分为两阶聚合层，第一阶为邻居边聚合和节点邻居聚合，第二阶将它们两进行聚合。以关系网络为例(节点为人，关系边有朋友、同事、亲人)，直观来看，不同关系对我们的影响是不同的，亲人里面对我们影响也有大有小。所以，本实施例设计了注意力机制的方法去计算不同节点特征的对目标节点而言的权重以及不同边特征对目标节点的权重，利用权重衡量它们对目标节点的重要性。
本实施例中，对邻居边聚合时，边的特征用E∈Rn×s×e表示，其中,n为网络节点个数，s为边的类型数，e为边特征的大小(即用多少维来表示边的特征)。直观来看，不同边类型的影响应该是不同的。例如，在朋友推荐的场景中，朋友的贡献大于群体关系，最好的朋友的贡献大于普通朋友。为此，本实施例设计了一种新的双级别注意机制来学习不同类型的边缘，双级别注意机制先聚合同一类型的边特征，再聚合不同类型边的边特征。
具体的，首先，本实施例先利用类型级别的注意力机制学习特征Pv,r∈Re：Pv,r＝aggregation(Ej,r,j∈Γv,r)；其中，边的特征E∈Rn×s×e，n为网络节点个数，s为边的类型数，e为边特征的大小，j为目标节点v在边类型为r的邻居节点，Ej,r为目标节点v相邻边类型为r的向量，Γv,r是目标节点v在边类型为r的邻居节点集合；即通过aggregation函数聚合相同类型的边的特征，aggregation可以为min、max、mean策略或者注意力机制等方法。
然后，设计边级别的注意力机制聚合不同类型边的特征，具体表现为：Pv＝[Pv，1；Pv，2；Pv,i；...；Pv，s]，其中,Pv,i为目标节点v的第i(1≤i≤s)个类型边的特征向量,s表示不同边的类型；然后，计算边级别的注意力权重：
其中,W1和W2为学习的参数，T为矩阵转置。为了转换到同一维度下，我们使用：Hv＝MPvαv将维度转变与节点维度相同，其中M为转换矩阵。
一般地，对邻居节点进行聚合时，可以直观地对相邻节点进行聚合学习异构网络中相邻节点的信息。例如，采用多嵌入矩阵的max、min或mean计算最终的融合结果。但是这些方法没有考虑不同节点的贡献。在现实中，用户可以与其他用户进行交互，或者对电影进行评级。它们应该对用户有不同的贡献或影响。
本实施例利用注意机制来学习邻居节点的信息，用注意力机制计算邻居节点对目标节点的贡献，具体计算方式如下所述：首先，将邻居节点表征进行拼接表示：Nv＝[Gvn1；Gvn2；Gvni...；Gvnm](类似边，将不同邻居特征向量按列排成矩阵)。其中，Gvni表示目标节点v的邻居节点ni的特征；然后，计算不同邻居节点的权重：
其中，W3和W4为学习的参数。
对邻居边聚合和邻居节点聚合后，进行二阶聚合，得到第二单域图特征。具体的，本实施例根据学习到的目标节点的边类型聚合特征Hv和邻居节点聚合特征Nv进行聚合学习，即
输出节点的最终单图域内表示S。其中，W为学习的参数权重，
为Hadamard乘积即矩阵对应元素相乘。
在步骤S400中，本实施例利用公共图模型学习节点的跨域特征，具体的，利用额外信息例如用户和商品的tag，通过word2vec的方式计算tag特征，将tag特征经过聚合层得到用户的表征，将相似度高的节点进行相连(相似度高可以定义为节点向量之间经过点乘输出分数后经过softmax归一化为0-1之间，取大于0.8的部分；其中，0.8为经验数值，可以根据数据集的情况进行选择)，利用action_type标记好不同的边(用户和用户相似边、用户和商品相似边、商品和商品相似边)。这一部分在数据层已有较为详细的描述。最后对加深连接关系后的大图使用前面所述的单图模型层的方法进行学习得到跨域特征C。
在步骤S500中，利用信息融合层对得到的第二单域图特征和公共图特征进行信息融合，得到用户特征和商品特征。具体的，融合策略有注意力机制，取最大、最小、平均等：H＝aggregation(S,C)。aggregation可以是注意力机制，可以是mean,max,min策略。举个简单的max例子，如果S(i,j)＝1.0,C(i,j)＝0.8，那么Hmin(i,j)＝0.8；Hmax(i,j)＝1.0；Hmean(i,j)＝0.9。
在步骤S500中，本实施例得到节点表征之后，需要生成推荐列表。对前一步生成的user和item特征，利用贝叶斯理论对评分进行排序。首先，计算用户u对商品i的评分Pui：Pui＝σ(HuHi T)。其中，Hu是从H里取出来的目标用户u的向量，Hi是从H里取出来的商品i的向量，σ是激活函数。贝叶斯理论在实验中的体现具体是对一个目标user选取正向的item，并随机选取负样本。本实施例采用贝叶斯个性化排序来计算模型的损失函数：
loss＝∑＜u,i,j＞∈D-lnσ(Pui-Puj)+λ||Θ||2
其中，λ||Θ||2为正则项，D＝{＜u,i,j＞|＜u,i＞∈D+,＜u,j＞∈D-}表示训练三元组，D+表示有关系的边的集合，D-表示无关系的边的集合。即训练三元组<u,i,j>中，u和i表示有关系的边(例如用户点击商品，则表示用户与商品之间存在点击关系)，u和j表示没有关系的边(表示用户和商品之间没有任何交互关系)。
值得说明的是，本实施例中学习单域图模型和公共图模型的方法一致，利用层次注意力学习异构网络结构和特征信息；利用信息融合层融合单图和公共图模型输出的节点表征；最后利用贝叶斯排序原理对节点的相似度打分结果进行排序推荐。
本实施例适用重叠域较小的跨域推荐场景，将两个领域特征通过部分重叠用户连接起来，通过设计图模型将特征在两个域之间实现传递，也可以自然扩展到多个域，如果域之间没有重叠部分或者重叠域较小，可以通过语义层的连接关系扩展两个领域内节点之间的关系。
本实施例中，为了迁移多个重叠小的跨域知识，提出网络增强跨域推荐方法；方法的核心是利用重叠的用户将多个网络相连为一个公共网络，之后利用语义层信息加深大图连接关系后分别学习单网络特征和公共网络特征，然后将这两部分特征聚合为节点表征；得到节点的特征后，利用贝叶斯(BPR)原理计算用户对商品的评分并进行排序输出排序推荐列表。整个模型可以分为数据层、序列构图层、单图模型、公共图模型、信息融合层和排序推荐层几个部分，模块之间的关系如流程图2所示。整体通过加深不同网络之间的连接关系加深重叠域以缓解重叠域小的问题，通过异构网络和特征信息来学习不同类型的交互信息。
本发明提供的基于少量重叠用户的跨域推荐方法及系统，基于多个相关领域中存在少量重叠用户的情况，使用网络结构来表示不同的领域，依靠连接标签相似度高的策略来增加连接关系，利用语义层信息扩充跨域之间的连接关系；利用多层的注意力聚合机制对图特征进行学习，能提取单个领域内的域内特征和跨多个领域的域间特征，通过网络信息的聚合，不重叠用户也能享用到其他领域的特征；使用不同的行为数据，搭建异构网络学习行为交互特征，可以综合多个领域的知识进行目标域推荐，从而解决目标域推荐的数据稀疏和冷启动问题。
请参阅图3，以下为本发明一种基于少量重叠用户的跨域推荐方法的另一个实施例。
本实施例中，首先，将多个相关领域的源数据经处理构建为单域图结构，将多个单域图依靠重叠域进行连接(为了简单形象化表示图结构，异构网络左边的图中用圆圈代表用户节点，方框代表商品节点，方框带折页代表标签节点)，连接后将特征相似度高的节点相连并记录边信息，形成一张大的异构网络。
例如，图3中部右边图结构，这边的短虚线并不是真实边，指示这两个节点是同一个节点，即两个域中重叠的项，那么行成图结构的时候其实连接的两个点是同一个；长虚线为增加的边关系，即通过word2vec的方法计算相似度，在两个相似度高的节点上增加一条边即用长虚线表示的边。其中，相似度高的衡量按照经验取数值，实验中取0.8。
另外，本发明还提供了一种基于少量重叠用户的跨域推荐系统的实施例，包括：
第一单域图构建模块，用于对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；
第二序列数据确定模块，用于根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；
第二单域图和公共图构建模块，用于在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；
特征学习模块，用于根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；
信息融合和推荐模块，用于对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
本实施例提供的基于少量重叠用户的跨域推荐系统，使用网络结构来表示不同的域，设计层次注意力机制方法捕捉图的高阶以及异构语义，依靠连接标签相似度高的策略来增加连接关系；从源域学习用户和项目之间的交互关系扩展到目标域，增强目标域的学习表示，通过网络信息的聚合将所有节点表征在域间进行迁移，不重叠用户也能享用到其他领域的特征，可以用于综合多个域的知识进行目标域推荐，能进行少重叠或无重叠跨域推荐，从而解决目标域推荐的数据稀疏和冷启动问题。
值得说明的是，本实施例中扩充除了tag信息，还有其他类似的语义信息或者标签信息都可以做到。聚合层上可以使用其他聚合方法。
本发明还提供了一种电子设备，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序实现所述的基于少量重叠用户的跨域推荐方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于少量重叠用户的跨域推荐方法，其特征在于，包括：
对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；
根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；
在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；
根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；
对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
2.根据权利要求1所述的基于少量重叠用户的跨域推荐方法，其特征在于，所述根据所述标签信息计算跨域节点间的语义相似度具体为：
将用户和物品的标签信息输入word2vec模型中得到标签的特征向量作为第一特征向量，对所述第一特征向量进行聚合得到节点的特征向量作为第二特征向量，根据所述第二特征向量计算跨域节点间的语义相似度。
3.根据权利要求2所述的基于少量重叠用户的跨域推荐方法，其特征在于，所述根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征具体包括：
利用注意力学习机制融合学习边和节点的信息，分别对所述第二单域图和公共图进行邻居边聚合和邻居节点聚合得到边聚合特征和节点聚合特征，根据所述边聚合特征和节点聚合特征进行聚合学习得到域内特征和域间特征。
4.根据权利要求3所述的基于少量重叠用户的跨域推荐方法，其特征在于，对所述第二单域图和公共图进行邻居边聚合得到边聚合特征具体包括：
根据类型级别的注意力机制学习特征Pv,r＝aggregation(Ej,r,j∈Γv,r)；其中，j为目标节点v在边类型为r的邻居节点，Ej,r为_目标节点v相邻边类型为r的向量，Γv,r为目标节点v在边类型为r的邻居节点集合，aggregation为min、max、mean策略或者注意力机制；
根据边级别的注意力机制聚合不同类型边的特征Pv＝[Pv，1；Pv，2；Pv,i；..；Pv，s]，计算边级别的注意力权重αv＝softmax(W1 Ttanh(W2Pv))T；其中,Pv,i为目标节点v的第i(1≤i≤s)个类型边的特征向量，T为矩阵转置，W1和W2为学习的参数。
5.根据权利要求4所述的基于少量重叠用户的跨域推荐方法，其特征在于，对所述第二单域图和公共图进行邻居节点聚合得到节点聚合特征具体包括：
根据注意力机制学习邻居节点的信息，计算邻居节点对目标节点的贡献，具体过程为：将目标节点v的邻居节点表征进行拼接表示：Nv＝[Gvn1；Gvn2；Gvni..；Gvnm]，计算邻居节点ni的权重
其中，Gvni表示目标节点v的邻居节点ni的特征,W3和W4为学习的参数。
6.根据权利要求1-5任意一项所述的基于少量重叠用户的跨域推荐方法，其特征在于，所述预设阈值为0.8。
7.一种基于少量重叠用户的跨域推荐系统，其特征在于，包括：
第一单域图构建模块，用于对多个相关领域的源数据进行处理得到第一序列数据，根据所述第一序列数据构建多个第一单域图；其中，所述第一单域图包括用户节点、物品节点及节点间的连边关系，每个第一单域图与一个领域相对应；
第二序列数据确定模块，用于根据节点的标签信息计算跨域节点间的语义相似度，将语义相似度大于预设阈值的节点间的连边关系添加至所述第一序列数据得到第二序列数据；其中，所述跨域节点为不同的第一单域图中的节点；
第二单域图和公共图构建模块，用于在所述第一单域图中增加标签节点得到第二单域图，根据所述第二序列数据构建公共图；
特征学习模块，用于根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征；
信息融合和推荐模块，用于对所述域内特征和域间特征进行信息融合得到用户特征和物品特征，根据所述用户特征和物品特征生成用户推荐列表。
8.根据权利要求7所述的基于少量重叠用户的跨域推荐系统，其特征在于，第二序列数据确定模块根据所述标签信息计算跨域节点间的语义相似度具体包括：
将用户和物品的标签信息输入word2vec模型中得到标签的特征向量作为第一特征向量，对所述第一特征向量进行聚合得到节点的特征向量作为第二特征向量，根据所述第二特征向量计算跨域节点间的语义相似度。
9.根据权利要求8所述的基于少量重叠用户的跨域推荐系统，其特征在于，特征学习模块根据注意力机制分别学习所述第二单域图和公共图得到域内特征和域间特征具体包括：
利用注意力学习机制融合学习边和节点的信息，分别对所述第二单域图和公共图进行邻居边聚合和邻居节点聚合得到边聚合特征和节点聚合特征，根据所述边聚合特征和节点聚合特征进行聚合学习得到域内特征和域间特征。
10.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序实现如权利要求1-6任意一项所述的基于少量重叠用户的跨域推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417282.7A CN112417298B (zh) | 2020-12-07 | 2020-12-07 | 一种基于少量重叠用户的跨域推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417282.7A CN112417298B (zh) | 2020-12-07 | 2020-12-07 | 一种基于少量重叠用户的跨域推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112417298A true CN112417298A (zh) | 2021-02-26 |
| CN112417298B CN112417298B (zh) | 2021-06-29 |
Family
ID=74776678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011417282.7A Active CN112417298B (zh) | 2020-12-07 | 2020-12-07 | 一种基于少量重叠用户的跨域推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417298B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342998A (zh) * | 2021-08-05 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
| CN113435984A (zh) * | 2021-08-27 | 2021-09-24 | 苏州浪潮智能科技有限公司 | 一种跨域推荐方法、系统、存储介质及设备 |
| CN113779380A (zh) * | 2021-08-12 | 2021-12-10 | 阿里巴巴（中国）有限公司 | 跨域推荐、内容推荐方法、装置及设备 |
| CN113806630A (zh) * | 2021-08-05 | 2021-12-17 | 中国科学院信息工程研究所 | 基于注意力的多视角特征融合跨域推荐方法及装置 |
| CN114036380A (zh) * | 2021-11-08 | 2022-02-11 | 重庆邮电大学 | 一种基于时间门控循环单元的跨领域序列智能推荐方法 |
| CN114139052A (zh) * | 2021-11-19 | 2022-03-04 | 北京百度网讯科技有限公司 | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 |
| CN116051224A (zh) * | 2022-10-25 | 2023-05-02 | 重庆理工大学 | 联合互补知识迁移与目标域特征抽取的跨域推荐方法 |
| CN116629983A (zh) * | 2023-07-24 | 2023-08-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及系统 |
| CN116910375A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于用户偏好多样性的跨域推荐方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013130834A1 (en) * | 2012-03-01 | 2013-09-06 | Qloo, Inc. | Personalized cross-domain recommender system |
| US20190392330A1 (en) * | 2018-06-21 | 2019-12-26 | Samsung Electronics Co., Ltd. | System and method for generating aspect-enhanced explainable description-based recommendations |
| CN110968675A (zh) * | 2019-12-05 | 2020-04-07 | 北京工业大学 | 一种基于多领域语义融合的推荐方法及系统 |
| CN111291261A (zh) * | 2020-01-21 | 2020-06-16 | 江西财经大学 | 融合标签和注意力机制的跨领域推荐方法及其实现系统 |
-
2020
- 2020-12-07 CN CN202011417282.7A patent/CN112417298B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013130834A1 (en) * | 2012-03-01 | 2013-09-06 | Qloo, Inc. | Personalized cross-domain recommender system |
| US20190392330A1 (en) * | 2018-06-21 | 2019-12-26 | Samsung Electronics Co., Ltd. | System and method for generating aspect-enhanced explainable description-based recommendations |
| CN110968675A (zh) * | 2019-12-05 | 2020-04-07 | 北京工业大学 | 一种基于多领域语义融合的推荐方法及系统 |
| CN111291261A (zh) * | 2020-01-21 | 2020-06-16 | 江西财经大学 | 融合标签和注意力机制的跨领域推荐方法及其实现系统 |
Non-Patent Citations (2)
| Title |
|---|
| LIANG CHEN ET AL: "Friend Recommendation Based on Multi-Social Graph Convolutional Network", 《IEEE ACCESS》 * |
| 陈雷慧等: "跨领域推荐技术综述", 《华东师范大学学报（自然科学版）》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342998A (zh) * | 2021-08-05 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
| CN113806630A (zh) * | 2021-08-05 | 2021-12-17 | 中国科学院信息工程研究所 | 基于注意力的多视角特征融合跨域推荐方法及装置 |
| CN113779380A (zh) * | 2021-08-12 | 2021-12-10 | 阿里巴巴（中国）有限公司 | 跨域推荐、内容推荐方法、装置及设备 |
| CN113779380B (zh) * | 2021-08-12 | 2023-11-21 | 阿里巴巴（中国）有限公司 | 跨域推荐、内容推荐方法、装置及设备 |
| CN113435984A (zh) * | 2021-08-27 | 2021-09-24 | 苏州浪潮智能科技有限公司 | 一种跨域推荐方法、系统、存储介质及设备 |
| CN114036380A (zh) * | 2021-11-08 | 2022-02-11 | 重庆邮电大学 | 一种基于时间门控循环单元的跨领域序列智能推荐方法 |
| CN114139052B (zh) * | 2021-11-19 | 2022-10-21 | 北京百度网讯科技有限公司 | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 |
| WO2023087667A1 (zh) * | 2021-11-19 | 2023-05-25 | 北京百度网讯科技有限公司 | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 |
| CN114139052A (zh) * | 2021-11-19 | 2022-03-04 | 北京百度网讯科技有限公司 | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 |
| CN116051224A (zh) * | 2022-10-25 | 2023-05-02 | 重庆理工大学 | 联合互补知识迁移与目标域特征抽取的跨域推荐方法 |
| CN116051224B (zh) * | 2022-10-25 | 2024-01-23 | 重庆理工大学 | 联合互补知识迁移与目标域特征抽取的跨域推荐方法 |
| CN116629983A (zh) * | 2023-07-24 | 2023-08-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及系统 |
| CN116629983B (zh) * | 2023-07-24 | 2023-09-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及系统 |
| CN116910375A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于用户偏好多样性的跨域推荐方法及系统 |
| CN116910375B (zh) * | 2023-09-13 | 2024-01-23 | 南京大数据集团有限公司 | 一种基于用户偏好多样性的跨域推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112417298B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417298B (zh) | 一种基于少量重叠用户的跨域推荐方法及系统 | |
| Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
| CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
| Yi et al. | Inferring users’ preferences from crowdsourced pairwise comparisons: A matrix completion approach | |
| CN110619081A (zh) | 一种基于交互图神经网络的新闻推送方法 | |
| Hu et al. | Movie collaborative filtering with multiplex implicit feedbacks | |
| Wan et al. | Deep matrix factorization for trust-aware recommendation in social networks | |
| Liang et al. | A probabilistic rating auto-encoder for personalized recommender systems | |
| Xu et al. | Graphcar: Content-aware multimedia recommendation with graph autoencoder | |
| CN113255798A (zh) | 一种分类模型训练方法、装置、设备及介质 | |
| Zan et al. | UDA: A user-difference attention for group recommendation | |
| CN116561424A (zh) | 一种应用于智能推荐系统的图神经网络结合Transformer的推荐方法 | |
| CN112784118A (zh) | 一种对三角形结构敏感的图中的社区发现方法和装置 | |
| Chaubey et al. | Sentiment Analysis of Image with Text Caption using Deep Learning Techniques | |
| CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及系统 | |
| Shukla et al. | Role of hybrid optimization in improving performance of sentiment classification system | |
| Zhou et al. | Betweenness centrality-based community adaptive network representation for link prediction | |
| CN112364236A (zh) | 目标对象推荐系统、方法、装置、数据处理方法及装置 | |
| CN108984551A (zh) | 一种基于多类别联合软聚类的推荐方法及系统 | |
| Chen et al. | Graph enhanced neural interaction model for recommendation | |
| CN112364245B (zh) | 基于异构信息网络嵌入的Top-K电影推荐方法 | |
| Magdum et al. | Mining online reviews and tweets for predicting sales performance and success of movies | |
| Liu et al. | TCD-CF: Triple cross-domain collaborative filtering recommendation | |
| CN114842247B (zh) | 基于特征累加的图卷积网络半监督节点分类方法 | |
| CN116306834A (zh) | 一种基于全局路径感知图神经网络模型的链路预测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230925 Address after: Room 1001, Building 1, Saiyin International Business Center, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Hangzhou Jiajie Network Technology Co.,Ltd. Address before: 510275 No. 135 West Xingang Road, Guangdong, Guangzhou Patentee before: SUN YAT-SEN University |
|
| TR01 | Transfer of patent right |