CN112446739A - 一种基于分解机和图神经网络的点击率预测方法及系统 - Google Patents
一种基于分解机和图神经网络的点击率预测方法及系统 Download PDFInfo
- Publication number
- CN112446739A CN112446739A CN202011435220.9A CN202011435220A CN112446739A CN 112446739 A CN112446739 A CN 112446739A CN 202011435220 A CN202011435220 A CN 202011435220A CN 112446739 A CN112446739 A CN 112446739A
- Authority
- CN
- China
- Prior art keywords
- neural network
- click rate
- graph neural
- advertisement
- feature
- 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
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于分解机和图神经网络的点击率预测方法及系统,包括获取广告点击历史数据,并通过所述历史数据对所述基于分解机的图神经网络模型进行训练,利用训练好的模型对待预测的广告进行迭代预测,获得预测的广告点击率;其中,所述基于分解机的图神经网络模型的构建包括:将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。所述方案可以充分地利用稀疏的输入特征,通过特征节点间的交互,丰富信息提取和学习,有效保证在较少的输入特征的情况下,保证广告点击率预测的准确度。
Description
技术领域
本公开属于计算机应用技术领域,尤其涉及一种基于分解机和图神经网络的点击率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
互联网在线广告将广告投放和实时的用户信息、媒体信息、上下文情景信息相结合,使得互联网的在线广告投放具有技术导向和计算导向,广告可以进行精确的受众定向,每一次广告决策对每个用户的效果都是可衡量和经过精确计算的。对于每一个用户的广告请求,在服务器端都进行了用户与广告库中的广告的匹配,将最适合的广告投放给该用户,以获得更高的潜在广告点击率,得到更多有效点击,产生更多收益;为了获得更高的点击率,需要预先对点击率进行预测,进而根据预测结果进行广告的推送,由此,点击率的预测精度对广告的推送起到极其重要的作用;点击率预测的目标是预测用户点击广告或商品的概率,这对许多网络应用程序(如在线广告和推荐系统)是至关重要的。
发明人发现,一方面,现有的点击率预测方法虽然可以基于线性模型(支持向量机、逻辑回归等方法)实现对点击率的预测,但是,现实中的点击率并不是简单的线性模型能够体现,导致现有的预测方法精度较低;另一方面,现有方法采用基于深度学习的方法进行点击率预测,但是,深度学习算法的精度受到样本数量以及样本自身特征丰富程度的影响,而现有点击率预测中,用户及广告的自身属性信息较为稀疏,单纯依靠样本自身的特征进行预测,其精度也受到限制。
发明内容
本公开为了解决上述问题,提供一种基于分解机和图神经网络的点击率预测方法及系统,所述方案通过将分解机的交互方式显示的引入图神经网络中,可以充分地利用稀疏的输入特征,丰富信息提取和学习,有效提高了点击率预测的精度。
根据本公开实施例的第一个方面,提供了基于分解机和图神经网络的点击率预测方法,包括:
获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
将所述组合特征输入至预训练的点击率预测模型,获得用户对所述点击率的预测结果;
其中,所述点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
根据本公开实施例的第二个方面,提供了基于分解机和图神经网络的点击率预测系统,包括:
获取单元,其用于获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
预测单元,其用于将所述组合特征输入至预训练的点击率预测模型,获得用户对所述点击率的预测结果;
其中,所述点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于分解机和图神经网络的点击率预测方法。
根据本公开实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于分解机和图神经网络的点击率预测方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案通过分解机和图神经网络的融合,不仅保存了GNN在图上的出色表达能力,同时实现了显式的图节点间的高阶交互,所述方法可以充分地利用稀疏的输入特征,通过特征节点间的交互,丰富信息提取和学习,有效的在较少的输入特征的情况下,保证点击率预测的准确度;
(2)所述高阶交互的方式是显式的,模型有效,交互阶数可调,可以根据广告点击率预测的实际的需求通过堆叠层的方式来实现任意阶的交互;同时,所述模型通过一定的参数选取可以退化为FM、HOFM和NFM,具备更加强大的框架和可扩展能力。
(3)随着深度神经网络在各个领域的成功应用,研究人员开始使用深度神经网络来学习高阶特征交互,当前已经有一些应用深度神经网络方法,可以隐式地包含特征交互,然而这种黑盒模式往往缺乏解释性,也难以有效地建模高阶交互。因此,单独设计学习高阶交互的网络是十分有必要的。这样的显式方法可以更加有效地建模高阶交互,对实验效果也有一定的提升。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的基于分解机的图神经网络的交互模型。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
本实施例的目的是提供一种基于分解机和图神经网络的点击率预测方法。
一种基于分解机和图神经网络的点击率预测方法,包括:
步骤1:获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
所述用户特征,包括用户的基本信息、用户当前位置、用户的历史行为信息的任意一种或多种;例如:用户A姓名为:XX、性别为:女、职业:I T行业;位置为:杭州;历史行为信息为:在淘宝、京东等等经常购买YSL化妆品、GUCC I等精品包等商品;具体可根据实际应用的需求进行设定。
所述广告信息包括广告对应产品基本信息、广告对应产品的位置、广告对应的产品的消费人群和广告对应的产品的历史评价信息中的任意一种或多种;举例说明,产品基本信息可为产品名称、产品功能、产品图像;产品位置为杭州;产品的消费人群为18-30岁女性;产品的历史评价为:产品质量好、正品、服务好等等,可根据实际应用进行设定。
所述特征组合是通过深度学习算法提取用户信息以及广告信息中的特征向量,并将两者的特征向量进行简单拼接,得到组合特征向量。
步骤2:将所述组合特征输入至预训练的点击率预测模型,获得用户对所述广告点击率的预测结果;
其中,所述广告点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
具体的,如图1所述基于分解机的图神经网络的具体策略如下:
步骤S1,将所有的特征域两两连接,从而获得全连接图。
步骤S2,根据FM的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作,具体方式如下:
当然,我们也可以将聚合操作以矩阵的形式进行表达,如下:
U=SE(1)
其中U矩阵的第i行对应特征域i的邻居节点的嵌入和。
步骤S3,将不同层的节点嵌入进行连接,形成预测的节点最终表达。在形成最终的表达之前,首先对每一层的输出接上一个激活函数,因为我们要通过组合所有层的输出来形成最终的预测点击概率。公式如下:
z*=z(1)||…||z(m)
其中,W(k)代表第k个特征交互层的转化矩阵,z(k)综合了所有特征之间的k阶交互,z*表示堆叠了m个特征交互层后形成的最终嵌入,p(k)表示k阶交互所得嵌入的投影向量,则表示以内积的方式获得的最终预测。
步骤S4,由于广告只存在点击与不点击两种状态,故本实施例中根据二分类任务,设计损失函数进行训练;本公开采取了对数损失函数,如下所示:
进一步的,为了验证本公开的实施效果,接下来以Criteo数据库为例进行说明。该数据库拥有4500万用户的点击记录,其中包含26个类别特征和13个数值特征。在该数据库上经常实验点击预测任务,给定用户和他正在访问的页面,目标是预测他将点击给定广告的可能性。具体步骤如下:
步骤S1,我们将少于10次的特征视为不常出现的特征,参考价值不大,所以进行删除并将它们视为“未知”的单个特征。
步骤S2,将实例随机分成8:1:1,分别作为训练集、验证集和测试集。
步骤S3,依据损失函数,进行模型训练,其中学习率设置为0.001,批处理大小为1024。特征嵌入大小为32。
步骤S4,以AUC和时间作为指标,展示该模型和其他模型的实验效果,另外,我们展示了RelaImpr指标,便于模型之间对比,公式如下:
具体的如表1所示,展示了本公开所述方案与现有方法在不同数据集中的比较结果,通过比较可以发现,本公开所述方案在准确率以及执行效率上都具有明显提升。
表1本公开所述方案与现有方法在不同数据集(Criteo、Avazu以及MovieLens数据集)的比较
实施例二:
本实施例的目的是提供一种基于分解机和图神经网络的点击率预测系统。
一种基于分解机和图神经网络的点击率预测系统,包括:
获取单元,其用于获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
预测单元,其用于将所述组合特征输入至预训练的广告点击率预测模型,获得用户对所述广告点击率的预测结果;
其中,所述广告点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
实施例三:
本实施例的目的是提供一种电子设备。
一种电子设备,包括、存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
将所述组合特征输入至预训练的点击率预测模型,获得用户对所述点击率的预测结果;
其中,所述点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
实施例四:
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤,包括:
获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
将所述组合特征输入至预训练的点击率预测模型,获得用户对所述点击率的预测结果;
其中,所述点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
上述实施例提供的一种基于分解机和图神经网络的点击率预测方法和系统完全可以实现,具有广阔应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于分解机和图神经网络的点击率预测方法,其特征在于,包括:
获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
将所述组合特征输入至预训练的点击率预测模型,获得用户对所述广告点击率的预测结果;
其中,所述点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
3.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法,其特征在于,所述将不同层的节点嵌入进行连接,形成预测节点的最终表达之前,需要对每一个图交互层的输出添加激活函数,通过组合所有层的输出来形成最终的预测表达。
5.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法,其特征在于,所述特征组合是通过深度学习算法提取用户信息以及广告信息中的特征向量,并将两者的特征向量进行简单拼接,得到组合特征向量。
6.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法,其特征在于,所述用户信息包括用户的基本信息、用户当前位置、用户的历史行为信息的任意一种或多种。
7.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法,其特征在于,所述广告信息包括广告对应产品基本信息、广告对应产品的位置、广告对应的产品的消费人群和广告对应的产品的历史评价信息中的任意一种或多种。
8.一种基于分解机和图神经网络的点击率预测系统,其特征在于,包括:
获取单元,其用于获取待预测的用户特征和广告特征,并进行特征组合得到组合特征;
预测单元,其用于将所述组合特征输入至预训练的点击率预测模型,获得用户对所述广告点击率的预测结果;
其中,所述点击率预测模型基于图神经网络,将图神经网络中的所有特征域两两连接,从而获得全连接图;根据分解机的交互方式,实现邻接特征域之间的交互,并以加和的方式进行特征聚合操作;将不同层的节点嵌入进行连接,形成预测节点的最终表达。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于分解机和图神经网络的点击率预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于分解机和图神经网络的点击率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435220.9A CN112446739B (zh) | 2020-12-10 | 2020-12-10 | 一种基于分解机和图神经网络的点击率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435220.9A CN112446739B (zh) | 2020-12-10 | 2020-12-10 | 一种基于分解机和图神经网络的点击率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446739A true CN112446739A (zh) | 2021-03-05 |
CN112446739B CN112446739B (zh) | 2023-04-18 |
Family
ID=74740189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011435220.9A Active CN112446739B (zh) | 2020-12-10 | 2020-12-10 | 一种基于分解机和图神经网络的点击率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446739B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570416A (zh) * | 2021-07-30 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 投放内容确定方法、装置、电子设备及存储介质 |
CN114358813A (zh) * | 2021-11-29 | 2022-04-15 | 重庆邮电大学 | 一种基于场矩阵因子分解机改进的广告投放方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
-
2020
- 2020-12-10 CN CN202011435220.9A patent/CN112446739B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
Non-Patent Citations (1)
Title |
---|
陶竹林等: "点击预测的关键技术研究", 《中国传媒大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570416A (zh) * | 2021-07-30 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 投放内容确定方法、装置、电子设备及存储介质 |
CN113570416B (zh) * | 2021-07-30 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 投放内容确定方法、装置、电子设备及存储介质 |
CN114358813A (zh) * | 2021-11-29 | 2022-04-15 | 重庆邮电大学 | 一种基于场矩阵因子分解机改进的广告投放方法及系统 |
CN114358813B (zh) * | 2021-11-29 | 2024-05-28 | 重庆邮电大学 | 一种基于场矩阵因子分解机改进的广告投放方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112446739B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zuo et al. | Tag-aware recommender systems based on deep neural networks | |
Mao et al. | Multiobjective e-commerce recommendations based on hypergraph ranking | |
CN109903117B (zh) | 一种用于商品推荐的知识图谱处理方法及装置 | |
CN109582956B (zh) | 应用于句子嵌入的文本表示方法和装置 | |
CN112446739B (zh) | 一种基于分解机和图神经网络的点击率预测方法及系统 | |
Wang et al. | Trust-aware collaborative filtering with a denoising autoencoder | |
CN111581545A (zh) | 一种召回文档的排序方法及相关设备 | |
Yu et al. | A user-based cross domain collaborative filtering algorithm based on a linear decomposition model | |
CN111522889A (zh) | 用户兴趣标签扩展方法、装置、电子设备及存储介质 | |
CN112417289A (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
da Silva et al. | Content-based social recommendation with poisson matrix factorization | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN110083766B (zh) | 一种基于元路径引导嵌入的查询推荐方法及装置 | |
CN114723535A (zh) | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 | |
CN114706989A (zh) | 一种基于技术创新资产为知识库的智能推荐方法 | |
CN116882414B (zh) | 基于大规模语言模型的评语自动生成方法及相关装置 | |
CN116738983A (zh) | 模型进行金融领域任务处理的词嵌入方法、装置、设备 | |
CN116541592A (zh) | 向量生成方法、信息推荐方法、装置、设备及介质 | |
Chen et al. | Gaussian mixture embedding of multiple node roles in networks | |
Shen et al. | A deep embedding model for co-occurrence learning | |
CN115344698A (zh) | 标签处理方法、装置、计算机设备、存储介质和程序产品 | |
CN113946745A (zh) | 通用个性化推荐方法、推荐系统及训练方法 | |
CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 | |
Yechuri et al. | Semantic Web Mining for Analyzing Retail Environment Using Word2Vec and CNN-FK. | |
CN114298118B (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 |
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 |