CN112734104A - 一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法 - Google Patents

一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法 Download PDF

Info

Publication number
CN112734104A
CN112734104A CN202110013565.3A CN202110013565A CN112734104A CN 112734104 A CN112734104 A CN 112734104A CN 202110013565 A CN202110013565 A CN 202110013565A CN 112734104 A CN112734104 A CN 112734104A
Authority
CN
China
Prior art keywords
data
information
domain
generator
dual
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
Application number
CN202110013565.3A
Other languages
English (en)
Other versions
CN112734104B (zh
Inventor
闫文杰
赵子萱
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110013565.3A priority Critical patent/CN112734104B/zh
Publication of CN112734104A publication Critical patent/CN112734104A/zh
Application granted granted Critical
Publication of CN112734104B publication Critical patent/CN112734104B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)

Abstract

本发明提供了一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法。该方法获取两个具有相同项目或相同用户的同类型数据域，将两数据域中相同的用户信息或项目信息作为辅助信息；将单个数据域中的评分数据和作为辅助信息的用户信息或项目信息相级联；对级联后得到的数据进行特征提取；再通过生成对抗网络的对抗过程对不同数据域间的特征进行对齐与融合，得到融合后的数据特征；最后对融合后的数据特征进行解码得到两个数据域的评分预测矩阵，通过评分预测矩阵为用户推荐预测分数较高的项目。

Description

一种融合双生成器双判别器的生成对抗网络和自编码器的跨 域推荐方法
技术领域
本发明涉及人工智能推荐技术领域，具体涉及一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法。
背景技术
随着网络技术的不断发展，人们可以获取到的数据越来越多。但海量的数据会导致用户很难找到自己需要的信息。因此为了解决这个问题，推荐系统应运而生。然而推荐系统通常面临着数据稀疏和冷启动的问题，跨域推荐系统为解决数据稀疏和冷启动问题提供了一个新的方法。
而在现实中，通常诸如购物网站之间或视频网站之间有着相同的项目或用户。通常情况下，由于目标域的稀疏度高于源域，导致源域和目标域之间具有较高的数据异构性，进行双向迁移会导致负迁移的发生。因此单目标跨域推荐系统难以同时提升目标域和源域的推荐效果，并且没有充分利用目标域和源域的数据。
发明内容
本发明的目的在于克服现有技术的不足，提供一种可以同时提升目标域和源域的推荐效果，且能够充分利用目标域和源域的数据的双目标跨域推荐方法。
本发明是通过以下技术方案实现的：
一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，包括步骤：
步骤一：获取两个具有相同项目或相同用户的同类型数据域，数据域中包含有用户信息、项目信息和用户历史评分数据；
将两数据域中相同的用户信息或项目信息作为辅助信息，即，若两个数据域中的用户相同，则选取用户信息作为辅助信息，项目信息相同则选取项目信息作为辅助信息；
步骤二：将单个数据域中的评分数据和作为辅助信息的用户信息或项目信息相级联；
步骤三：对级联后得到的数据进行特征提取；
步骤四：通过生成对抗网络的对抗过程对不同数据域间的特征进行对齐与融合，得到融合后的数据特征；
步骤五：对融合后的数据特征进行解码得到两个数据域的评分预测矩阵。
在上述技术方案中，需要进行数据读取的两个数据域分别代表目标域和源域，用户历史评分数据包括用户评分过的项目ID和对应的分数，用户的详细属性信息为用户的用户ID、年龄、性别、职业等信息，项目的详细信息为项目ID、项目名称、类型等信息。
在上述技术方案中，数据域1和数据域2中的评分数据处理成为评分矩阵，分别记为R1和R2；对辅助信息进行one-hot编码，在数据域1和数据域2中的辅助信息的one-hot编码分别记为y1和y2；将数据域1的评分矩阵R1和辅助信息one-hot编码y1进行级联，得到矩阵Ca1，数据域2的评分矩阵R2和辅助信息one-hot编码y2进行级联，得到矩阵Ca2。
在上述技术方案中，步骤三中，包括生成器G1和生成器G2，生成器G1对Ca1进行特征提取，得到的特征记为g1，生成器G2对Ca2进行特征提取，得到的特征记为g2，生成器的工作方式如式(1)、(2)所示：
Figure BDA0002886086830000021
Figure BDA0002886086830000022
其中
Figure BDA0002886086830000023
和θG2是可学习权重，
Figure BDA0002886086830000024
和
Figure BDA0002886086830000025
是偏置，h(·)是非线性激活函数，通过使用非线性激活函数，提取代表级联矩阵数据特性的非线性特征。
在上述技术方案中，生成器G1和生成器G2使用自编码器中的编码器，利用编码器对级联数据进行特征提取。
在上述技术方案中，步骤四中，生成对抗网络中包括判别器D和分类器C，将特征g1和辅助信息one-hot编码y1进行级联得到Ca′1，特征g2和辅助信息one-hot编码y2进行级联得到Ca′2，Ca′1和Ca′2作为判别器D的输入，通过判别器D对Ca′1和Ca′2进行二分类，用以判别特征g1和g2所属数据域；数据特征g1和g2作为分类器C的输入，分类器C在整个网络中作为一个判别器使用，通过分类器C尽可能的生成g1和g2对应的辅助信息的one-hot编码。
在上述技术方案中，步骤五中，由融合后的数据域1的数据特征g′1，通过解码器解码得到数据域2的评分预测矩阵R'2；由融合后的数据域2的数据特征g'2进行解码得到数据域1的评分预测矩阵R′1。
在上述技术方案中，评分预测矩阵的行对应各个用户，列对应各个项目，对于某一用户进行推荐时，根据评分预测矩阵中对应的行中的数据，为用户推荐预测分数较高的项目。
本发明与现有技术相比，具有以下显著优势：
(1)提出一种双目标跨域推荐算法，可以同时提高源域和目标域的预测精度，且可以提高源域和目标域推荐的多样性。
(2)结合了生成对抗网络可以捕捉数据分布的优势和自编码器强大的特征捕捉能力，因为需要捕捉两个域的数据分布因此使用了双生成器和双判别器，进行源域和目标域特征的对齐与融合。
(3)模型在预测时除了使用评分数据，还使用了项目属性信息或用户属性信息。这些辅助信息与对抗网络中的判别器和生成器相结合来引导模型提取数据的特征。
附图说明
图1为一个实施例中可运行本申请的跨域推荐方法的设备的部分结构框图；
图2为一个实施例中的双目标跨域推荐方法流程示意图；
图3为一个实施例中的双目标推荐算法流程示意图。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
下面结合附图进一步叙述本发明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。下面以对两个拥有相同项目或相同用户的数据源中的用户进行项目推荐为例，对本发明进行说明。
图1是一个实施例中可运行本申请的跨域推荐方法的设备的结构框图。如图1所示，在一个实施例中，该服务器包括通过系统总线连接的处理器、存储介质、内存和网络接口。其中，网络接口用于网络通信；存储介质中存储有操作系统、数据库以及本申请所述的跨域推荐方法的软件指令；数据库用于存储算法所需数据及算法实施过程中产生的数据；内存用于缓存数据；处理器协调各个部件之间的工作并执行上述的跨域推荐方法。图1所示的结构，仅是与本推荐方法相关的部分结构框图，并不构成对本申请方案所应用于其上的设备限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或具有不同的部件布置，诸如手机、平板电脑、笔记本电脑、台式电脑等可以安装应用软件的终端设备。
图2为一个实施例中的双目标跨域推荐方法流程示意图，主要步骤包括：
步骤S201，准备模型训练所需数据。分别从数据库中读取各数据源的用户信息、项目信息和用户对项目的历史评分数据，目标域记为域1，源域记为域2，域1中的用户、项目和评分数据分别记为U1、I1和r1，域2中的用户、项目和评分数据分别记为U2、I2和r2。
在一个实施例中，域1的数据信息和域2的数据信息存储在不同的数据库中，这两个不同的数据库分别记为数据库1和数据库2。
在一个实施例中，用户信息主要包括用户的性别、年龄和职业，项目信息主要包括项目所属的类型。评分数据、用户信息和项目信息是预先存储在数据库内的数据。模型训练时只选取项目信息和用户信息其中一种作为辅助信息。当域1和域2中用户相同时选取用户信息作为辅助信息，而域1和域2中项目相同时选取项目信息作为辅助信息。
步骤S202，将域1和域2中的评分数据处理成为评分矩阵，分别记为R1和R2；对辅助信息进行one-hot编码，在域1和域2中的辅助信息的one-hot编码分别记为y1和y2。将同一域中的评分矩阵R和one-hot编码y进行级联(即域1的评分矩阵R1和辅助信息one-hot编码y1进行级联，域2的评分矩阵R2和辅助信息one-hot编码y2进行级联)，域1和域2进行级联操作后得到的矩阵分别记为Ca1和Ca2，并将级联后的数据存储到数据库中，以便后续的数据操作。
在一个实施例中，两个数据源的数据需要分别进行处理，处理后的数据存储在同一个数据库内。
步骤S203，从数据库中取出处理过后的数据，送至已训练好的双目标跨域推荐算法模型中以生成源域和目标域的评分预测矩阵R1'和R'2。
双目标跨域推荐算法主要包括以下步骤：
步骤S301，模型中包含两个生成器G1和G2，生成器G1对Ca1进行特征提取，得到的特征记为g1，生成器G2对Ca2进行特征提取，得到的特征记为g2。在本方法中，生成器G1和G2本质上是编码器，用于进行特征提取，生成器的工作方式如式(1)、(2)所示：
Figure BDA0002886086830000051
Figure BDA0002886086830000052
其中
Figure BDA0002886086830000053
和θG2是可学习权重，
Figure BDA0002886086830000054
和
Figure BDA0002886086830000055
是偏置，h(·)是非线性激活函数。通过使用非线性激活函数，可以提取代表级联矩阵数据特性的非线性特征。
步骤S302，当生成器完成特征提取的任务后，通过生成对抗网络的对抗过程对不同数据域间的特征进行对齐与融合，得到融合后的数据特征g′1和g′2。
具体的说，该步骤包含以下操作：
步骤S401，将特征g1和辅助信息one-hot编码y1进行级联得到Ca′1，特征g2和辅助信息one-hot编码y2进行级联得到Ca′2，Ca′1和Ca′2作为判别器D的输入，通过判别器D对Ca′1和Ca′2进行二分类，用以判别特征g1和g2所属数据域；数据特征g1和g2作为分类器C的输入，分类器C在整个网络中作为一个判别器使用，通过分类器C尽可能的生成g1和g2对应的辅助信息的one-hot编码。判别器D和分类器C的损失函数分别如式(3)、(4)所示：
Figure BDA0002886086830000056
Figure BDA0002886086830000057
其中θD和θC是可学习权重，bD和bC是偏置，g(i,j)是第i个域中的第j个项目或用户对应的特征。总的判别器D和分类器C的损失如式(5)所示：
Figure BDA0002886086830000061
其中n取决于两个域重合的部分，若两个域中项目相同则n为项目数，否则n为用户数。α和β是超参数，用来平衡分类器和判别器对整体模型的影响程度。
域1和域2拥有相同的项目或用户，即y1和y2对应的辅助信息的one-hot编码是相同的，分类器C会引导g1和g2进行融合，但g1和g2所属域不同，判别器D会引导g1和g2趋于不同。此时，判别器D和分类器C产生相反的作用，即D和C相互之间是对抗的，本方法利用判别器D和分类器C之间的对抗过程进行域间数据特征对齐。
步骤S402,在判别器D和分类器C一次任务结束后，在后向传播时，使用梯度反转层传播判别器D的梯度，C按原本的梯度进行传播。
在一个实施例中，D的梯度在进行后向传播之前，对D的梯度进行反向操作，即在传播时将D的梯度与一负系数相乘，以实现对抗的效果。则加入了梯度反转层后判别器损失函数如式(6)所示：
Figure BDA0002886086830000062
最小化式(6)更新网络参数，以得到较好地融合后的数据特征g′1和g′2。
步骤S303，为了进一步进行特征的融合，以g′1→R′2、g′2→R′1的方式生成各域的预测评分矩阵。
由数据特征g′1，通过解码器解码得到域2的评分预测矩阵R'2，同样对数据特征g'2进行解码得到域1的评分预测矩阵R′1，解码器的工作方式如式(7)、(8)所示：
Figure BDA0002886086830000063
Figure BDA0002886086830000064
其中
Figure BDA0002886086830000065
和
Figure BDA0002886086830000066
是可学习权重，
Figure BDA0002886086830000067
和
Figure BDA0002886086830000068
是偏置。通过解码器对特征进行解码，得到域1和域2的预测评分矩阵。最后生成预测评分的解码器的损失如式(9)、(10)所示：
Figure BDA0002886086830000071
Figure BDA0002886086830000072
则模型的总体目标函数如式(11)所示：
Figure BDA0002886086830000073
其中γ是超参数，用于控制生成器对整个模型的影响。
Figure BDA0002886086830000074
是网络中权值的正则化项λ用于控制正则化项的限制作用。因为使用了梯度反转层，因此，模型的目标就是最小化目标函数。经过多次迭代参数更新后，得到效果较好的模型进行评分预测。
步骤S204，根据各域的预测评分矩阵为各域用户进行个性化推荐。
在一个实施例中，在得到评分预测矩阵后，评分预测矩阵的行对应各个用户，列对应各个项目。对于某一用户进行推荐时，根据评分预测矩阵中对应的行中的数据，为用户推荐预测分数较高的项目。
通过上述内容，可以同时对两个域中的用户进行个性化推荐，且提高源域和目标域推荐的多样性，使推荐结果更加准确与丰富，改善用户的使用体验。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利的范围限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于，包括步骤：
步骤一：获取两个具有相同项目或相同用户的同类型数据域，数据域中包含有用户信息、项目信息和用户历史评分数据；
将两数据域中相同的用户信息或项目信息作为辅助信息，即，若两个数据域中的用户相同，则选取用户信息作为辅助信息，项目信息相同则选取项目信息作为辅助信息；
步骤二：将单个数据域中的评分数据和作为辅助信息的用户信息或项目信息相级联；
步骤三：对级联后得到的数据进行特征提取；
步骤四：通过生成对抗网络的对抗过程对不同数据域间的特征进行对齐与融合，得到融合后的数据特征；
步骤五：对融合后的数据特征进行解码得到两个数据域的评分预测矩阵。
2.如权利要求1所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：需要进行数据读取的两个数据域分别代表目标域和源域，用户历史评分数据包括用户评分过的项目ID和对应的分数，用户的详细属性信息为用户的用户ID、年龄、性别、职业等信息，项目的详细信息为项目ID、项目名称、类型等信息。
3.如权利要求1所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：数据域1和数据域2中的评分数据处理成为评分矩阵，分别记为R1和R2；对辅助信息进行one-hot编码，在数据域1和数据域2中的辅助信息的one-hot编码分别记为y1和y2；将数据域1的评分矩阵R1和辅助信息one-hot编码y1进行级联，得到矩阵Ca1，数据域2的评分矩阵R2和辅助信息one-hot编码y2进行级联，得到矩阵Ca2。
4.根据权利要求3所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：步骤三中，包括生成器G1和生成器G2，生成器G1对Ca1进行特征提取，得到的特征记为g1，生成器G2对Ca2进行特征提取，得到的特征记为g2，生成器的工作方式如式(1)、(2)所示：
Figure FDA0002886086820000011
Figure FDA0002886086820000012
其中
Figure FDA0002886086820000021
和θG2是可学习权重，
Figure FDA0002886086820000022
和
Figure FDA0002886086820000023
是偏置，h(·)是非线性激活函数，通过使用非线性激活函数，提取代表级联矩阵数据特性的非线性特征。
5.根据权利要求4所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：生成器G1和生成器G2使用自编码器中的编码器，利用编码器对级联数据进行特征提取。
6.根据权利要求4所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：步骤四中，生成对抗网络中包括判别器D和分类器C，将特征g1和辅助信息one-hot编码y1进行级联得到Ca′1，特征g2和辅助信息one-hot编码y2进行级联得到Ca′2，Ca′1和Ca′2作为判别器D的输入，通过判别器D对Ca′1和Ca′2进行二分类，用以判别特征g1和g2所属数据域；数据特征g1和g2作为分类器C的输入，分类器C在整个网络中作为一个判别器使用，通过分类器C尽可能的生成g1和g2对应的辅助信息的one-hot编码。
7.根据权利要求6所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：步骤五中，由融合后的数据域1的数据特征g′1，通过解码器解码得到数据域2的评分预测矩阵R′2；由融合后的数据域2的数据特征g′2进行解码得到数据域1的评分预测矩阵R′1。
8.根据权利要求7所述的一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法，其特征在于：评分预测矩阵的行对应各个用户，列对应各个项目，对于某一用户进行推荐时，根据评分预测矩阵中对应的行中的数据，为用户推荐预测分数较高的项目。
CN202110013565.3A 2021-01-06 2021-01-06 一种融合生成对抗网络和自编码器的跨域推荐方法 Expired - Fee Related CN112734104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110013565.3A CN112734104B (zh) 2021-01-06 2021-01-06 一种融合生成对抗网络和自编码器的跨域推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110013565.3A CN112734104B (zh) 2021-01-06 2021-01-06 一种融合生成对抗网络和自编码器的跨域推荐方法

Publications (2)

Publication Number Publication Date
CN112734104A true CN112734104A (zh) 2021-04-30
CN112734104B CN112734104B (zh) 2022-07-19

Family

ID=75590313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110013565.3A Expired - Fee Related CN112734104B (zh) 2021-01-06 2021-01-06 一种融合生成对抗网络和自编码器的跨域推荐方法

Country Status (1)

Country Link
CN (1) CN112734104B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312644A (zh) * 2021-06-15 2021-08-27 杭州金智塔科技有限公司 基于隐私保护的跨域推荐模型训练方法及训练系统
CN114840852A (zh) * 2022-05-10 2022-08-02 天津科技大学 一种基于双判别器生成对抗网络的硬件木马检测方法
CN115757529A (zh) * 2023-01-06 2023-03-07 中国海洋大学 基于多元辅助信息融合的跨域共性迁移推荐方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014228922A (ja) * 2013-05-20 2014-12-08 日本電信電話株式会社 情報推薦装置、情報推薦方法及び情報推薦プログラム
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统
CN109711925A (zh) * 2018-11-23 2019-05-03 西安电子科技大学 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统
CN109783739A (zh) * 2019-01-23 2019-05-21 北京工业大学 一种基于层叠稀疏降噪自编码器增强的协同过滤推荐方法
US20200364769A1 (en) * 2019-05-15 2020-11-19 Samsung Electronics Co., Ltd. Exploration for interactive recommendation systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014228922A (ja) * 2013-05-20 2014-12-08 日本電信電話株式会社 情報推薦装置、情報推薦方法及び情報推薦プログラム
CN109711925A (zh) * 2018-11-23 2019-05-03 西安电子科技大学 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统
CN109783739A (zh) * 2019-01-23 2019-05-21 北京工业大学 一种基于层叠稀疏降噪自编码器增强的协同过滤推荐方法
US20200364769A1 (en) * 2019-05-15 2020-11-19 Samsung Electronics Co., Ltd. Exploration for interactive recommendation systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林静 等: ""基于球形矩匹配与特征判别的图像超分辨率重建"", 《计算机应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312644A (zh) * 2021-06-15 2021-08-27 杭州金智塔科技有限公司 基于隐私保护的跨域推荐模型训练方法及训练系统
CN113312644B (zh) * 2021-06-15 2022-05-24 杭州金智塔科技有限公司 基于隐私保护的跨域推荐模型训练方法及训练系统
CN114840852A (zh) * 2022-05-10 2022-08-02 天津科技大学 一种基于双判别器生成对抗网络的硬件木马检测方法
CN114840852B (zh) * 2022-05-10 2024-05-07 天津科技大学 一种基于双判别器生成对抗网络的硬件木马检测方法
CN115757529A (zh) * 2023-01-06 2023-03-07 中国海洋大学 基于多元辅助信息融合的跨域共性迁移推荐方法和系统

Also Published As

Publication number Publication date
CN112734104B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN112734104B (zh) 一种融合生成对抗网络和自编码器的跨域推荐方法
CN112035743B (zh) 数据推荐方法、装置、计算机设备以及存储介质
CN105095279B (zh) 文件推荐方法和装置
CN112508118B (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN112766649B (zh) 基于多评分卡融合的目标对象评价方法及其相关设备
CN112035549B (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN111625645B (zh) 文本生成模型的训练方法、装置和电子设备
CN112464100B (zh) 信息推荐模型训练方法、信息推荐方法、装置及设备
CN106407381A (zh) 一种基于人工智能的推送信息的方法和装置
CN112183881A (zh) 一种基于社交网络的舆情事件预测方法、设备及存储介质
CN113569129A (zh) 点击率预测模型处理方法、内容推荐方法、装置及设备
CN113420212A (zh) 基于深度特征学习的推荐方法、装置、设备及存储介质
CN112085158A (zh) 一种基于堆栈降噪自编码器的图书推荐方法
CN110807693A (zh) 专辑的推荐方法、装置、设备和存储介质
WO2023029350A1 (zh) 基于点击行为预测的信息推送方法及装置
CN117033751A (zh) 推荐信息处理方法、装置、存储介质及设备
CN112948681B (zh) 一种融合多维度特征的时间序列数据推荐方法
CN117271759A (zh) 文本摘要生成模型训练方法、文本摘要生成方法和装置
CN115114462A (zh) 模型训练方法、装置、多媒体推荐方法、设备及存储介质
CN114398980A (zh) 跨模态哈希模型的训练方法、编码方法、装置及电子设备
CN109902169B (zh) 基于电影字幕信息提升电影推荐系统性能的方法
CN112966150A (zh) 一种视频内容抽取的方法、装置、计算机设备及存储介质
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN114049634B (zh) 一种图像识别方法、装置、计算机设备和存储介质
CN115278374B (zh) 视频召回方法及装置

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220719