CN112434184B - 基于历史影视海报的深度兴趣网络的排序方法 - Google Patents

基于历史影视海报的深度兴趣网络的排序方法 Download PDF

Info

Publication number
CN112434184B
CN112434184B CN202011474897.3A CN202011474897A CN112434184B CN 112434184 B CN112434184 B CN 112434184B CN 202011474897 A CN202011474897 A CN 202011474897A CN 112434184 B CN112434184 B CN 112434184B
Authority
CN
China
Prior art keywords
model
sequencing
training
network
movie
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
CN202011474897.3A
Other languages
English (en)
Other versions
CN112434184A (zh
Inventor
陈灵
吴上波
闫立鑫
吴廷锋
马荣深
韩亚
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202011474897.3A priority Critical patent/CN112434184B/zh
Publication of CN112434184A publication Critical patent/CN112434184A/zh
Application granted granted Critical
Publication of CN112434184B publication Critical patent/CN112434184B/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
    • G06F16/738—Presentation of query results
    • G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了基于历史影视海报的深度兴趣网络的排序方法，包括将DeepFM的模型结构、VGG模型结构和DIN模型结构进行整合构建深度学习推荐CTR排序模型网络结构；训练该模型，生成新的CTR排序模型；测试新的CTR排序模型，定期采集数据进行迭代训练得到迭代排序模型，使用迭代排序模型对推荐召回的候选集进行排序。本发明通过构建分类/数值文本、海报图像多模态特征、结合用户历史行为的历史行为序列特征以及随机负样本形成正负特征对的训练数据集和测试数据集；并使用这些数据集对训练得到新的CTR排序模型，实现了对用户召回影视的精准排序，同时也优化了用户的使用体验，使得用户能够更好地体验科技发展带来的便利。

Description

基于历史影视海报的深度兴趣网络的排序方法
技术领域
本发明涉及推荐系统技术领域，具体的说，是一种基于历史影视海报的深度兴趣网络的排序方法。
背景技术
目前广为流行的人工智能的推荐系统的深度学习推荐模型主要有AutoRec、DeepCross、PNN、NeuralCF、FNN、NFM、DeepFM、AFM、DIN、DIEN，其中以DeepFM模型为代表的Wide&Deep模型为业内研究重点；DeepFM模型对Wide&Deep模型进行改进，使用FM替换了原来的Wide部分，加强了浅层网络部分的特征组合能，主要针对Wide&Deep模型的Wide部分不具备自动特征组合能力缺陷进行了改进。它是沿着特征工程自动化的思路，基于不同特征交互操作思路的尝试，模型进一步提升的空间非常少，这是此类模型局限性。另外在影视类推荐的深度学习模型目前主要还是输入用户和物品的属性特征，这些特征大部分都是分类/数值等单一模态的特征，而没有考虑用户行为受到文字、图像、动画、声音和音乐等多种模态形式的特征因素所影响，无法解决影视的语音搜索个性化推荐系统召回结果精准排序的问题。
发明内容
本发明的目的在于提供一种基于历史影视海报的深度兴趣网络的排序方法，用于解决现有技术中的深度学习模型，无法解决影视的语音搜索个性化推荐系统召回结果精准排序的问题。
本发明通过下述技术方案解决上述问题：
基于历史影视海报的深度兴趣网络的排序方法，包括：
步骤S1：将DeepFM的模型结构、VGG模型结构和DIN模型结构进行整合构建深度学习推荐CTR排序模型网络结构；
步骤S2：训练深度学习推荐CTR排序模型网络结构，生成新的CTR排序模型；
步骤S3：测试新的CTR排序模型，定期采集数据进行迭代训练得到迭代排序模型，使用迭代排序模型对推荐召回的候选集进行排序。
所述步骤S2具体为：
数据采集：采集终端的用户属性信息、用户行为信息、地理位置信息和终端信息；周期性生成原始数据集，触发数据预处理；
数据预处理：接收原始数据集，获取影视资源的基础信息和影视的海报信息，进行数据预处理：重构适合网络模型的特征结构的数据集，并拆分数据集为训练集和样本集，触发网络模型训练；
网络模型训练：构建新的CTR排序模型的VGG+DIN+DFM的网络结构，VGG+DIN+DFM的网络结构用于引入历史观影的影视id特征以及历史观影的影视海报特征处理网络；使用训练集训练得到新的CTR排序模型。
所述步骤S3中将迭代排序模型通过docker容器和tensorflow serving镜像提供预测服务，用户通过HTTP或者GRPC远程请求迭代排序模型预测服务，对用户召回的影视资源进行排序。
本发明与现有技术相比，具有以下优点及有益效果：
本发明提出一种深度学习推荐CTR排序模型网络结构，通过构建分类/数值文本、海报图像多模态特征、结合用户历史行为的历史行为序列特征以及随机负样本形成正负特征对的训练数据集和测试数据集；并使用这些数据集对上述新模型网络进行训练评估验证得到一个新的CTR排序模型，实现了对用户召回影视的精准排序，同时也优化了用户的使用体验，使得用户能够更好地体验科技发展带来的便利。
附图说明
图1是本发明的迭代排序模型的数据获取，训练，部署和使用模型排序的系统框图；
图2是本发明的迭代排序模型的数据获取处理、训练、部署处理流程框图；
图3是本发明的数据获取和处理的流程框图；
图4是本发明定期处理影视海报的流程框图；
图5是本发明训练集的样本特征处理框图；
图6是本发明的迭代排序模型的网络结构框图；
图7是本发明使用DIN+VGG对历史行为影视ID和历史行为海报特征处理的网络结构图；
图8是本发明使用VGG16的网络结构图；
图9是本发明所使用的因子分解机FM的模型示意图；
图10是本发明迭代排序模型的Deep部分的详细结构示意图；
图11是本发明的迭代排序模型和比较模型的性能指标示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例：
一种基于历史影视海报的深度兴趣网络的排序方法，包括：
步骤S1：将DeepFM的模型结构、VGG模型结构和DIN模型结构进行整合构建深度学习推荐CTR排序模型网络结构；
步骤S2：训练深度学习推荐CTR排序模型网络结构，生成新的CTR排序模型，具体包括：
数据采集：采集终端的用户属性信息、用户行为信息、地理位置信息和终端信息；周期性生成原始数据集，触发数据预处理；
数据预处理：接收原始数据集，获取影视资源的基础信息和影视的海报信息，进行数据预处理：重构适合网络模型的特征结构的数据集，并拆分数据集为训练集和样本集，触发网络模型训练；
网络模型训练：构建新的CTR排序模型的VGG+DIN+DFM的网络结构，VGG+DIN+DFM的网络结构用于引入历史观影的影视id特征以及历史观影的影视海报特征处理网络；使用训练集训练得到新的CTR排序模型；
步骤S3：测试新的CTR排序模型，定期采集数据进行迭代训练得到迭代排序模型，将迭代排序模型通过docker容器和tensorflow serving镜像提供预测服务，用户通过HTTP或者GRPC远程请求迭代排序模型预测服务，对用户召回的影视资源进行排序。
本发明的系统框图如图1所示，当用户通过电视遥控器向智能电视发出排序指令时，智能电视触发数据采集服务器采集数据，数据采集触发训练模型服务器训练模型，训练模型服务器从媒资服务器、数据采集服务器获取数据，进行数据预处理和构建训练集和测试集。部署CTR模型服务器部署新的CTR模型，采用训练集训练新的CTR模型，采用测试集测试新的CTR模型，最终生成迭代排序模型，用作推荐系统服务器，对用户召回的影视资源进行排序。
迭代排序模型的数据获取、训练、部署流程图如图2所示：
数据获取和处理；
训练新的网络模型；
模型部署；
预测排序服务。
其中：数据采集的流程图如图3所示，从日志平台获取过去一段时间如一周内的用户观影记录数据，记录的字段为用户ID、检索条件、检索的视频ID列表、点击结果和检索时间等；从媒资数据库获取媒资库所有影视的基础属性信息，同时也需要从海报特征数据库中获取所有影视的海报特征信息，定期处理影视海报，读取终端设备的地理位置等信息，拆分数据为训练集和测试集，拆分数据集为多个小文件，给每个记录添加历史行为影视ID和历史行为影视海报以及其他特征，格局网络模型结构对样本进行处理。定期处理影视海报，如图4所示，到定期更新影视海报时，读取媒资资源库所有的影视以及不同牌照的海报图片的URL列表，根据VGG网络要求不同尺寸的海报限制对不同牌照的URL进行转换；读取历史海报下载日志，计算VGG网络计算海报特征上传海报特征数据库。
训练新的CTR模型：VGG+DIN+DFM的网络结构通过TF的Estimator高阶API接口的对上述获取处理的数据进行特征工程，并分小批次逐次喂入新的CTR模型中，并进行训练评估验证，最终生成迭代排序模型。
特征工程如图5所示，VGG+DIN+DFM的网络把样本特征(离散特征和连续特征)中稀疏向量通过Embedding操作转换成稠密向量，便于上层的深度神经网络处理。稀疏向量包括：用户的mac、影视的id、影视类型、观影时间(周几、是否周末、时间段)、月度用户观影时长、终端的机芯、终端软件版本、用户订阅的牌照商的VIP、影视的牌照商VIP、影视属性(地区、导演、演员、题材、语言、发行年代)等。
离散特征的表征策略：
categorical_column_with_identity整型特征直接one-hot；
categorical_column_with_vocabulary_list/categorical_column_with_vocabulary_file指定词汇one-hot；
categorical_column_with_hash_bucket进行hash降维one-hot，indicator_column指标直接离散化；
embedding_column嵌入对稀疏特征数据进行压缩。
连续特征的表征策略：
连续变量的处理有两个接口，分别是连续值直接映射成连续变量numeric_column，连续值的分箱离散离散化bucketized_column。连续的变量在分箱后可以继续接embedding_column。crossed_column可以对离散特征进行交叉组合，增加模型特征的表征能力。定义多个特征时，在features字典中定义多个key，tensor对象传入一个list，其中list的特征顺序不影响特征组合结果，以fc.name的字符串顺序决定组合的特征组合的顺序。如表1所示
Figure BDA0002837138040000061
表1特征顺序与特征组合对照表
新的CTR模型结构如图6所示，
1)一阶网络层：
它由稀疏输入层(Sparse Input)，嵌入层(Embedding Layer)，线性回归层(LRLayer，Linear Regression Layer)，和输出层(Output Layer)所组成。其中线性回归层和带Sigmoid激活函数的输出层组成了逻辑回归模型。该模型的输出也就是一阶网络层的最终输出，其值是(0，1)之间的连续值，反映了CTR预测分类概率。线性回归和逻辑回归的比较表如表2：
Figure BDA0002837138040000071
表2：线性回归和逻辑回归的比较表
线性回归模型用一组变量(特征)的线性组合，来建立与结果的关系。即多元线性回归，自变量(特征)x有N个，线性回归的模型表达式：y＝wixi+b。对于每一个样本，有很多属性(特征)，比如：影视标识，影视大类(电影、电视剧、综艺、动漫、少儿、记录片…)，观影时间，和上次观影的时间间隔，电视的型号，软件版本，用户购买订阅的影视授权，影视的发行年代，影视所属区域，导演，主演，影视授权，影视子类(爱情，喜剧，战争，警匪，科幻…)，影视评分，影视语言……。模型中的wi表示第i个变量(特征)xi的权重(weight)，取值范围是[0,1]，它反映了特征xi在模型中重要性，越重要越接近1，反之则接近0。模型中的b表示偏置(bias)，相当于整体偏差。逻辑回归可以看成是把线性回归的输出当作输入，将logistic函数(Sigmoid曲线)作用于线性回归的输出得到输出结果逻辑回归的模型表达式：y＝Sigmoid(wixi+b)
2)二阶网络层：
二阶网络层由因子分解机(Factorization Machine，FM)、VGGNet网络和深度兴趣网络(DIN，Deep Interest Network)所构成。使用DIN+VGG对历史行为影视ID和历史行为海报特征处理如图7所示，VGGNet网络如图8所示。因子分解机主要是为每一个特征学习了一个隐权重向量(latent weight vector)，在进行特征交叉的时候，使用两个特征的隐权重向量的内积作为交叉特征的权重，如图9所示。假如FM网络的特征个数为n，隐权重向量的维度为m，在使用梯度下降法对FM训练的过程中，FM的训练复杂度为n×m的级别，相比POLY2等模型的n2级别的复杂度来说，极大降低了训练花销；FM虽然丢失了某些具体特征组合的精确记忆能力，但是泛化能力有很大提高。FM二阶的部分的数学公式如下所示：
Figure BDA0002837138040000081
深度兴趣网络模型，利用候选物品和历史行为物品之间的相关性计算出一个权重，这个权重就代表了“注意力”的强弱。此处的物品具体来说就是影视资源，即影视的id(media_id)特征向量，和影视的海报(media_poster)特征向量。模型的特征分为两大部分：一部分是用户历史观看浏览的影视u的特征组；另一部分是推荐召回的候选影视c的特征组。Vu是用户历史行为的Embedding向量，Vc是推荐召回的候选物品，Vui是用户u的第i次历史行为的Embedding向量。加上注意力机制后，用户历史行为Embedding向量Vu从之前的Vui的加和变成了Vui的加权和，Vui的权重wui是由Vui和Vc的关系(即下面公式中的g(vui,vc)，也就是“注意力得分”)所决定的。g(vui,vc)就是注意力激活单元(本质上也是一个小的神经网络)
Figure BDA0002837138040000082
3)高阶网络层：
高阶网络如图10所示，图10是本发明新网络模型的Deep部分的详细结构示意图。高阶网络由3个隐藏层所组成。输入是全量的特征向量，包括图像特征，数值特征和分类特征。用户属性、终端设备属性和影视属性信息等类别型特征需要经过Embedding层输入连接层(Concatenated Embedding)，拼接成Embedding向量，再依次经过3层selu全连接层，最终输入LogLoss输出层。
模型部署和预测排序服务：
模型部署：定期训练基础模型和迭代模型，并把模型同步到docker的TensorFlowServing服务器容器所挂载的工作目录；
预测排序服务：用于对搜索引擎所召回的物品进行排序；
CTR预估模型的评估方法：绘制接收者工作特征(Receiver OperatorCharacteristic Curve，ROC)曲线，计算ROC曲线下的面积(Aera Under the Cure，AUC)值，其值为0.5到1之间，它反映对物品进行排序能力的强弱，数值越大说明CTR预估模型的预估效果越好。附图11是本案例实施方案中训练好的新模型的AUC性能指标图。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (2)

1.一种基于历史影视海报的深度兴趣网络的排序方法，其特征在于，包括：
步骤S1：将DeepFM的模型结构、VGG模型结构和DIN模型结构进行整合构建深度学习推荐CTR排序模型网络结构；
步骤S2：训练深度学习推荐CTR排序模型网络结构，生成新的CTR排序模型；
步骤S3：测试新的CTR排序模型，定期采集数据进行迭代训练得到迭代排序模型，使用迭代排序模型对推荐召回的候选集进行排序；
所述步骤S2具体为：
数据采集：采集终端的用户属性信息、用户行为信息、地理位置信息和终端信息；周期性生成原始数据集，触发数据预处理；
数据预处理：接收原始数据集，获取影视资源的基础信息和影视的海报信息，进行数据预处理：重构适合网络模型的特征结构的数据集，并拆分数据集为训练集和样本集，触发网络模型训练；
网络模型训练：构建新的CTR排序模型的VGG+DIN+DFM的网络结构，VGG+DIN+DFM的网络结构用于引入历史观影的影视id特征以及历史观影的影视海报特征处理网络；使用训练集训练得到新的CTR排序模型。
2.根据权利要求1所述的基于历史影视海报的深度兴趣网络的排序方法，其特征在于，所述步骤S3中将迭代排序模型通过docker容器和tensorflow serving镜像提供预测服务，用户通过HTTP或者GRPC远程请求迭代排序模型预测服务，对用户召回的影视资源进行排序。
CN202011474897.3A 2020-12-15 2020-12-15 基于历史影视海报的深度兴趣网络的排序方法 Active CN112434184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011474897.3A CN112434184B (zh) 2020-12-15 2020-12-15 基于历史影视海报的深度兴趣网络的排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011474897.3A CN112434184B (zh) 2020-12-15 2020-12-15 基于历史影视海报的深度兴趣网络的排序方法

Publications (2)

Publication Number Publication Date
CN112434184A CN112434184A (zh) 2021-03-02
CN112434184B true CN112434184B (zh) 2022-03-01

Family

ID=74691664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011474897.3A Active CN112434184B (zh) 2020-12-15 2020-12-15 基于历史影视海报的深度兴趣网络的排序方法

Country Status (1)

Country Link
CN (1) CN112434184B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530598B (zh) * 2020-12-11 2023-07-25 万达信息股份有限公司 一种基于健康数据的健康风险自测量表推荐方法
CN113222647B (zh) * 2021-04-26 2023-11-28 西安点告网络科技有限公司 基于点击率预估模型的广告推荐方法、系统及存储介质
CN113704615A (zh) * 2021-08-30 2021-11-26 万汇互联(深圳)科技有限公司 一种基于多模态的深度兴趣网络推荐方法
CN115062184B (zh) * 2022-06-29 2024-05-28 四川长虹电器股份有限公司 一种语音召回场景下的影片排序方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8294490B1 (en) * 2010-10-01 2012-10-23 Xilinx, Inc. Integrated circuit and method of asynchronously routing data in an integrated circuit
WO2018158293A1 (en) * 2017-02-28 2018-09-07 Frobas Gmbh Allocation of computational units in object classification
CN109104197A (zh) * 2018-11-12 2018-12-28 合肥工业大学 应用于卷积神经网络的非还原稀疏数据的编译码电路及其编译码方法
CN110390052A (zh) * 2019-07-25 2019-10-29 腾讯科技（深圳）有限公司 搜索推荐方法、ctr预估模型的训练方法、装置及设备
CN110879864A (zh) * 2019-10-29 2020-03-13 南京大学 一种基于图神经网络和注意力机制的上下文推荐方法
CN110910199A (zh) * 2019-10-16 2020-03-24 中国平安人寿保险股份有限公司 项目信息的排序方法、装置、计算机设备及存储介质
CN111339415A (zh) * 2020-02-25 2020-06-26 中国科学技术大学 一种基于多交互式注意力网络的点击率预测方法与装置
CN111737578A (zh) * 2020-06-22 2020-10-02 陕西师范大学 一种推荐方法及系统
CN112035747A (zh) * 2020-09-03 2020-12-04 腾讯科技（深圳）有限公司 信息推荐方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073568A1 (en) * 2011-09-21 2013-03-21 Vladimir Federov Ranking structured objects and actions on a social networking system
CN102346899A (zh) * 2011-10-08 2012-02-08 亿赞普(北京)科技有限公司 一种基于用户行为的广告点击率预测方法和装置
CN108629630B (zh) * 2018-05-08 2020-05-12 广州太平洋电脑信息咨询有限公司 一种基于特征交叉联合深度神经网络的广告推荐方法
EP3617947A1 (en) * 2018-08-30 2020-03-04 Nokia Technologies Oy Apparatus and method for processing image data
CN110889725B (zh) * 2019-11-26 2023-08-22 深圳市财象云科技有限公司 在线广告ctr预估方法、装置、设备及存储介质
CN110827129B (zh) * 2019-11-27 2022-11-11 中国联合网络通信集团有限公司 一种商品推荐方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8294490B1 (en) * 2010-10-01 2012-10-23 Xilinx, Inc. Integrated circuit and method of asynchronously routing data in an integrated circuit
WO2018158293A1 (en) * 2017-02-28 2018-09-07 Frobas Gmbh Allocation of computational units in object classification
CN109104197A (zh) * 2018-11-12 2018-12-28 合肥工业大学 应用于卷积神经网络的非还原稀疏数据的编译码电路及其编译码方法
CN110390052A (zh) * 2019-07-25 2019-10-29 腾讯科技（深圳）有限公司 搜索推荐方法、ctr预估模型的训练方法、装置及设备
CN110910199A (zh) * 2019-10-16 2020-03-24 中国平安人寿保险股份有限公司 项目信息的排序方法、装置、计算机设备及存储介质
CN110879864A (zh) * 2019-10-29 2020-03-13 南京大学 一种基于图神经网络和注意力机制的上下文推荐方法
CN111339415A (zh) * 2020-02-25 2020-06-26 中国科学技术大学 一种基于多交互式注意力网络的点击率预测方法与装置
CN111737578A (zh) * 2020-06-22 2020-10-02 陕西师范大学 一种推荐方法及系统
CN112035747A (zh) * 2020-09-03 2020-12-04 腾讯科技（深圳）有限公司 信息推荐方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A New Click-Through Rates Prediction Model Based on Deep&Cross Network;Guojing Huang 等;《https://doi.org/10.3390/a13120342》;20201214;第1-16页 *
Deep interest network for click-through rate prediction;Guorui Zhou等;《Proceedings of the24th ACM SIGKDD International Conference on Knowledge》;20180823;第1059-1068页 *
主流CTR预估模型的演化及对比;杨旭东;《https://blog.csdn.net/xw_classmate/article/details/95425671》;20190707;全文 *
基于卷积网络的视频目标检测;杨洁等;《南华大学学报(自然科学版)》;20180831(第04期);第61-68页 *
深度学习在CTR预估中的应用 | CTR深度模型大盘点;辛俊波;《https://www.sohu.com/a/227910398_500659》;20180411;全文 *

Also Published As

Publication number Publication date
CN112434184A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434184B (zh) 基于历史影视海报的深度兴趣网络的排序方法
CN110162700B (zh) 信息推荐及模型的训练方法、装置、设备以及存储介质
CN110309427B (zh) 一种对象推荐方法、装置及存储介质
CN111209476B (zh) 推荐方法、模型生成方法、装置、介质及设备
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CA3007853C (en) End-to-end deep collaborative filtering
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN110321422A (zh) 在线训练模型的方法、推送方法、装置以及设备
CN113515690A (zh) 内容召回模型的训练方法、内容召回方法、装置及设备
Huynh et al. Context-similarity collaborative filtering recommendation
CN111858972A (zh) 一种基于家庭知识图谱的电影推荐方法
CN111310025B (zh) 模型训练方法、数据处理方法、装置以及相关设备
CN115618024A (zh) 多媒体推荐方法、装置及电子设备
CN113868466B (zh) 视频推荐的方法、装置、设备和存储介质
CN114357201B (zh) 基于信息感知的视听推荐方法、系统
CN109657725B (zh) 一种基于复杂时空情境感知的服务质量预测方法及系统
CN113220974B (zh) 点击率预测模型训练、搜索召回方法、装置、设备及介质
CN115439770A (zh) 一种内容召回方法、装置、设备及存储介质
CN114357301B (zh) 数据处理方法、设备及可读存储介质
CN114282115A (zh) 一种内容推荐方法
CN115129975A (zh) 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN114611022A (zh) 推送展示信息的方法、装置、设备和存储介质
CN113888216A (zh) 广告信息推送方法、装置、电子设备及存储介质
CN111881352A (zh) 内容推送方法、装置、计算机设备和存储介质
CN114077701B (zh) 资源信息的确定方法、装置、计算机设备及存储介质

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