CN112765461A - 一种基于多兴趣胶囊网络的会话推荐方法 - Google Patents

一种基于多兴趣胶囊网络的会话推荐方法 Download PDF

Info

Publication number
CN112765461A
CN112765461A CN202110034127.5A CN202110034127A CN112765461A CN 112765461 A CN112765461 A CN 112765461A CN 202110034127 A CN202110034127 A CN 202110034127A CN 112765461 A CN112765461 A CN 112765461A
Authority
CN
China
Prior art keywords
interest
user
item
vector
capsule network
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
Application number
CN202110034127.5A
Other languages
English (en)
Inventor
顾盼
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202110034127.5A priority Critical patent/CN112765461A/zh
Publication of CN112765461A publication Critical patent/CN112765461A/zh
Pending legal-status Critical Current

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
    • G06F16/90—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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种基于多兴趣胶囊网络的会话推荐方法。该方法建立一个模型对当前会话进行建模，并预测用户点击目标物品的概率。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。因此，本方法提出多兴趣胶囊网络方法，方法向前传播部分主要由二个部分组成：第一部分是根据用户当前会话中的物品序列，采用多兴趣胶囊网络生成用户的多兴趣表征。本方法将胶囊网络中的信息融合部分算法改成序列算法，且该序列算法的输入的权重不同。所以本方法进一步改进门控循环单元网络的神经元单元，来处理权重不同的输入序列。第二部分是根据用户多兴趣表征，预测用户对目标物品的点击率。

Description

一种基于多兴趣胶囊网络的会话推荐方法
技术领域
本发明属于互联网服务技术领域，尤其是涉及一种基于多兴趣胶囊网络的会话推荐方法。
背景技术
随着在线服务的发展和流行，在线平台记录着大量的用户行为数据。从海量数据中找出用户最感兴趣的物品并推荐给用户，可以极大地提升用户的满意度和公司的收益。此时，推荐系统显得非常重要。推荐系统可以从海量物品中挖掘出用户最喜欢的物品。
传统的方法，例如基于内容的推荐方法和协同过滤方法，仅仅捕捉到用户的静态交互信息。实际上，用户的属性和交互活动是不断地更新的，这种序列数据反映出用户兴趣的变化性。因此，基于序列数据的推荐系统吸引了越来越多的关注，会话推荐方法正是一种基于序列数据的推荐方法。会话是一段时间内的用户交互序列，可以及时捕捉到用户兴趣的动态变化。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。
本方法用胶囊网络(capsule network)从当前会话的物品序列中抽取出用户的多兴趣，胶囊网络最先是在2017年由Hinton在图像视觉领域中提出并使用。胶囊网络应用在图像领域中时，网络的输入是图像中的块(patch),而块之间不具有序列性。但是用户会话中的物品序列具有时间先后性，且物品之间的先后依赖关系明显。所以处理无序输入的原始胶囊网络并不适用于有序序列。本方法将对原始胶囊网络进行改进，并应用于物品推荐领域。
发明内容
本方法是一种基于会话的物品点击率预测方法，也就是建立一个模型对当前会话进行建模，并预测用户点击目标物品的概率。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。本方法用胶囊网络(capsule network)从当前会话的物品序列中抽取出用户的多兴趣，胶囊网络最先是在2017年由Hinton在图像视觉领域中提出并使用。胶囊网络应用在图像领域中时，网络的输入是图像中的块(patch),而块之间不具有序列性。但是用户会话中的物品序列具有时间先后性，且物品之间的先后依赖关系明显。所以处理无序输入的原始胶囊网络并不适用于有序序列。为此，本发明采用以下技术方案：
一种基于多兴趣胶囊网络的会话推荐方法，包括以下步骤：
根据用户当前会话中的物品序列，采用多兴趣胶囊网络生成用户的多兴趣表征。对于一个用户会话
Figure BDA0002893510050000011
可以表示为X＝[x1,…,xl]，其中
Figure BDA0002893510050000012
是物品向量特征，通过模型训练得到，d是特征向量长度。采用多兴趣胶囊网络从物品序列中抽取出用户多兴趣，多兴趣胶囊网络的低层(low layer)是物品，高层(high layer)是兴趣。得到用户多兴趣表征的伪代码为：
Figure BDA0002893510050000013
其中，xi为会话中第i个物品向量表征，
Figure BDA0002893510050000021
为物品向第j个兴趣空间映射的转移矩阵，用户兴趣的个数参数为M。
Figure BDA0002893510050000022
方法是胶囊网络中的动态路由部分，输入参数
Figure BDA0002893510050000023
是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数。
Figure BDA0002893510050000024
方法的输出参数vj代表用户多兴趣向量表征。bij是第i个物品向量表征到第j个兴趣的连接参数，cij是参数bij归一化后的连接参数。softmaxi为softmax函数。AGGREGATEi函数表示将物品向量聚合成兴趣向量，本方法采用多兴趣门控循环单元网络。squash是胶囊网络中常用的squash向量激活函数，公式为
Figure BDA0002893510050000025
其中，对于第j个兴趣来说，实现
Figure BDA0002893510050000026
中聚合函数AGGREGATEi所采用的多兴趣门控循环单元网络(IGRU)公式具体为：
Figure BDA0002893510050000027
Figure BDA0002893510050000028
Figure BDA0002893510050000029
gi＝RELU(ci-∈)·ci·zi
Figure BDA00028935100500000210
其中，对于所有的兴趣向量，聚合函数AGGREGATEi的结构是相同的，且参数不共享。所以为了表达方便以上公式省略兴趣的下标j。ri是重置门(reset gate)，
Figure BDA00028935100500000211
和
Figure BDA00028935100500000212
是控制重置门ri的参数。zi为更新门(update gate)，
Figure BDA00028935100500000213
和
Figure BDA00028935100500000214
是控制更新门zi的参数，gi是兴趣相关的更新门(interest-specific update gate)，在更新门zi的基础上增加对当前层信息输入的控制。公式gi＝RELU(ci-∈)·ci·zi中的∈是阈值参数。RELU是RELU激活函数，具体公式为RELU(ci-∈)＝max(0，ci-∈)。当ci＜∈，也就是当前层的物品输入和当前兴趣不相关，那么gi＝0，当前层的输入信息
Figure BDA00028935100500000215
被忽视，继续传递上一层的隐藏层向量hi-1。最后一层的隐藏层输出hi就是使用激活函数squash前的用户兴趣向量表征。
根据用户多兴趣表征，预测用户对目标物品的点击率。根据用户兴趣表征vj，预测目标物品xnew的点击率。给定用户兴趣胶囊vj，计算用户点击目标物品xnew的概率为：
αj＝qT·σ(W1·vj+W2·xnew+c)
Figure BDA00028935100500000216
Figure BDA00028935100500000217
其中，vj为用户的第j个兴趣表征，xnew为目标物品向量表征。
Figure BDA00028935100500000218
是用户对目标物品的点击率预测值。参数
Figure BDA00028935100500000219
和参数
Figure BDA00028935100500000220
控制每个兴趣表征的权重，参数
Figure BDA00028935100500000221
是偏置参数。
Figure BDA00028935100500000222
和
Figure BDA00028935100500000223
是转移矩阵，
Figure BDA00028935100500000224
是偏置向量，b2是偏置标量。σ是sigmoid激活函数。
根据模型特性，设计损失函数。通过用户对目标物品的点击率预测值
Figure BDA00028935100500000225
计算预测值
Figure BDA00028935100500000226
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA0002893510050000031
其中，y∈{0,1}是真实值，代表用户是否点击了目标物品。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
本发明的有益技术效果如下：
(1)本发明是一种多兴趣表征方法。采用多兴趣胶囊网络从会话中抽取多个向量来表示用户的多兴趣。
(2)本发明改进处理原始胶囊网络，使之适用于有序序列，并把它应用于物品推荐领域。具体是将原始胶囊网络中加权平均信息融合方法改变为序列算法。
(3)本发明提出多兴趣门控循环单元网络方法，改进原始门控循环单元网络，使之能够处理权重不同的有序输入序列。
附图说明
图1为本发明一种基于多兴趣胶囊网络的会话推荐方法的流程示意图；
图2为本发明一种基于多兴趣胶囊网络的会话推荐方法的模型框架图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于多兴趣胶囊网络的会话推荐方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
会话推荐任务是指只基于当前匿名会话(anonymous session)中的物品序列，预测用户在当前会话中下一个感兴趣的物品。用户的当前会话可以表示为
Figure BDA0002893510050000032
其中，xi代表第i个物品，l是序列的长度。本方法是一种基于会话的物品点击率预测方法，也就是建立一个模型对当前会话进行建模，并预测用户点击目标物品的概率。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。本方法用胶囊网络(capsule network)从当前会话的物品序列中抽取出用户的多兴趣，胶囊网络最先是在2017年由Hinton在图像视觉领域中提出并使用。胶囊网络应用在图像领域中时，网络的输入是图像中的块(patch),而块之间不具有序列性。但是用户会话中的物品序列具有时间先后性，且物品之间的先后依赖关系明显。所以处理无序输入的原始胶囊网络并不适用于有序序列。本方法将对原始胶囊网络进行改进，并应用于物品推荐领域。
一种基于多兴趣胶囊网络的会话推荐方法的向前传播(forward propagation)部分主要由二个部分组成，如图2所示。第一部分是根据用户当前会话序列，采用多兴趣胶囊网络生成用户的多兴趣表征。原始胶囊网络中的输出胶囊将输入胶囊进行信息融合时，采用的是加权平均法。本方法直接将胶囊网络中的信息融合算法改成序列算法。最经典的序列算法是循环神经网络(RNN)，而为了处理长序列中的信息传播，最常用的循环神经网络有长短期记忆神经网络(LSTM)和门控循环单元网络(GRU)。大量工作证明门控循环单元网络参数数量比长短期记忆神经网络少，但是效果相当。所以本方法将胶囊网络中的信息融合部分改进成门控循环单元网络。但是原始的门控循环单元网络的输入序列中的每个物品的权重是相同的，而胶囊网络中的信息融合模块的胶囊输入的权重是不同的，所以本方法进一步改进门控循环单元网络的神经元单元(cell unit)。第一部分是本方法的重点，也是本方法的创新之处。第二部分是根据用户多兴趣表征，预测用户对目标物品的点击率。采用注意力机制(attention)将从用户当前会话中抽取的用户多兴趣表征和目标物品进行匹配，得到该目标物品和用户兴趣的匹配程度。并基于匹配度、用户多兴趣和该目标物品进行点击率的预测。
如图1所示，按照本发明的一个实施例，本方法包括如下步骤：
S100，根据用户当前会话中的物品序列，采用多兴趣胶囊网络生成用户的多兴趣表征。对于一个用户会话
Figure BDA0002893510050000033
可以表示为X＝[x1,…,xl]，其中
Figure BDA0002893510050000034
是物品向量特征，通过模型训练得到，d是特征向量长度。采用多兴趣胶囊网络从物品序列中抽取出用户多兴趣，多兴趣胶囊网络的低层(low layer)是物品，高层(high layer)是兴趣。得到用户多兴趣表征的伪代码为：
Figure BDA0002893510050000041
其中，xi为会话中第i个物品向量表征，
Figure BDA0002893510050000042
为物品向第j个兴趣空间映射的转移矩阵，用户兴趣的个数参数为M，本方法中M取值为3。
Figure BDA0002893510050000043
方法是胶囊网络中的动态路由部分，输入参数
Figure BDA0002893510050000044
是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数。
Figure BDA0002893510050000045
方法的输出参数vj代表用户多兴趣向量表征。bij是第i个物品向量表征到第j个兴趣的连接参数，cij是参数bij归一化后的连接参数。softmaxi为softmax函数。AGGREGATEi函数表示将物品向量聚合成兴趣向量，本方法采用多兴趣门控循环单元网络。squash是胶囊网络中常用的squash向量激活函数，公式为
Figure BDA0002893510050000046
其中，对于第j个兴趣来说，实现
Figure BDA0002893510050000047
中聚合函数AGGREGATEi所采用的多兴趣门控循环单元网络(IGRU)公式具体为：
Figure BDA0002893510050000048
Figure BDA0002893510050000049
Figure BDA00028935100500000410
gi＝RELU(ci-∈)·ci·zi
Figure BDA00028935100500000411
其中，对于所有的兴趣向量，聚合函数AGGREGATEi的结构是相同的，且参数不共享。所以为了表达方便以上公式省略兴趣的下标j。ri是重置门(reset gate)，
Figure BDA00028935100500000412
和
Figure BDA00028935100500000413
是控制重置门ri的参数。zi为更新门(update gate)，
Figure BDA00028935100500000414
和
Figure BDA00028935100500000415
是控制更新门zi的参数，gi是兴趣相关的更新门(interest-specific update gate)，在更新门zi的基础上增加对当前层信息输入的控制。公式gi＝RELU(ci-∈)·ci·zi中的∈是阈值参数，本实验中设置∈＝0.01。RELU是RELU激活函数，具体公式为RELU(ci-∈)＝max(0，ci-∈)。当ci＜∈，也就是当前层的物品输入和当前兴趣不相关，那么gi＝0，当前层的输入信息
Figure BDA00028935100500000416
被忽视，继续传递上一层的隐藏层向量hi-1。最后一层的隐藏层输出hi就是使用激活函数squash前的用户兴趣向量表征。
S200，根据用户多兴趣表征，预测用户对目标物品的点击率。根据用户兴趣表征vj，预测目标物品xnew的点击率。给定用户兴趣胶囊vj，计算用户点击目标物品xnew的概率为：
αj＝qT·σ(W1·vj+W2·xnew+c)
Figure BDA0002893510050000051
Figure BDA0002893510050000052
其中，vjj为用户的第j个兴趣表征，xnew为目标物品向量表征。
Figure BDA0002893510050000053
是用户对目标物品的点击率预测值。参数
Figure BDA0002893510050000054
和参数
Figure BDA0002893510050000055
控制每个兴趣表征的权重，参数
Figure BDA0002893510050000056
是偏置参数。
Figure BDA0002893510050000057
和
Figure BDA0002893510050000058
是转移矩阵，
Figure BDA0002893510050000059
是偏置向量，b2是偏置标量。σ是sigmoid激活函数。
S300，根据模型特性，设计损失函数。通过用户对目标物品的点击率预测值
Figure BDA00028935100500000510
计算预测值
Figure BDA00028935100500000511
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA00028935100500000512
其中，y∈{0,1}是真实值，代表用户是否点击了目标物品。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (2)

1.一种基于多兴趣胶囊网络的会话推荐方法，其特征在于：
根据用户当前会话中的物品序列，采用多兴趣胶囊网络生成用户的多兴趣表征。对于一个用户会话u，可以表示为X＝[x1,…,xl]，其中
Figure FDA0002893510040000011
是物品向量特征，通过模型训练得到，d是特征向量长度；采用多兴趣胶囊网络从物品序列中抽取出用户多兴趣，多兴趣胶囊网络的低层(low layer)是物品，高层(high layer)是兴趣；得到用户多兴趣表征的伪代码为：
Figure FDA0002893510040000012
其中，xi为会话中第i个物品向量表征，
Figure FDA0002893510040000013
为物品向第j个兴趣空间映射的转移矩阵，用户兴趣的个数参数为M；
Figure FDA0002893510040000014
方法是胶囊网络中的动态路由部分，输入参数
Figure FDA0002893510040000015
是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数；
Figure FDA0002893510040000016
方法的输出参数vj代表用户多兴趣向量表征；bij是第i个物品向量表征到第j个兴趣的连接参数，cij是参数bij归一化后的连接参数；softmaxi为softmax函数；AGGREGATEi函数表示将物品向量聚合成兴趣向量，本方法采用多兴趣门控循环单元(IGRU)网络；squash是胶囊网络中常用的squash向量激活函数，公式为
Figure FDA0002893510040000017
根据用户多兴趣表征，预测用户对目标物品的点击率；根据用户兴趣表征vj，预测目标物品xnew的点击率；给定用户兴趣胶囊vjj，计算用户点击目标物品xnew的概率为：
Figure FDA00028935100400000120
Figure FDA0002893510040000018
Figure FDA0002893510040000019
其中，vj为用户的第j个兴趣表征，xnew为目标物品向量表征；
Figure FDA00028935100400000110
是用户对目标物品的点击率预测值；参数
Figure FDA00028935100400000111
和参数
Figure FDA00028935100400000112
控制每个兴趣表征的权重，参数
Figure FDA00028935100400000113
是偏置参数；
Figure FDA00028935100400000114
和
Figure FDA00028935100400000115
是转移矩阵，
Figure FDA00028935100400000116
是偏置向量，b2是偏置标量；σ是sigmoid激活函数；
根据模型特性，设计损失函数；通过用户对目标物品的点击率预测值
Figure FDA00028935100400000117
计算预测值
Figure FDA00028935100400000118
和真实值y之间的误差，进而使用误差来更新模型参数；我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure FDA00028935100400000119
其中，y∈{0,1}是真实值，代表用户是否点击了目标物品；σ是sigmoid函数；我们采用Adam优化器更新模型参数。
2.根据权利要求1所述的一种基于多兴趣胶囊网络的会话推荐方法，其中，所述
Figure FDA0002893510040000021
中聚合函数AGGREGATEi所采用的多兴趣门控循环单元网络(IGRU)公式具体为：
Figure FDA0002893510040000022
Figure FDA0002893510040000023
Figure FDA0002893510040000024
gi＝RELU(ci-∈)·ci·zi
Figure FDA0002893510040000025
其中，对于所有的兴趣向量，聚合函数AGGREGATEi的结构是相同的，且参数不共享；所以为了表达方便以上公式省略兴趣的下标j；ri是重置门(reset gate)，
Figure FDA0002893510040000026
和
Figure FDA0002893510040000027
是控制重置门ri的参数；zi为更新门(update gate)，
Figure FDA0002893510040000028
和
Figure FDA0002893510040000029
是控制更新门zi的参数，gi是兴趣相关的更新门(interest-specific update gate)，在更新门zi的基础上增加对当前层信息输入的控制；公式gi＝RELU(ci-∈)·ci·zi中的∈是阈值参数；RELU是RELU激活函数，具体公式为RELU(ci-∈)＝max(0,ci-∈)；当ci<∈，也就是当前层的物品输入和当前兴趣不相关，那么gi＝0，当前层的输入信息
Figure FDA00028935100400000210
被忽视，继续传递上一层的隐藏层向量hi-1；最后一层的隐藏层输出hi就是使用激活函数squash前的用户兴趣向量表征。
CN202110034127.5A 2021-01-12 2021-01-12 一种基于多兴趣胶囊网络的会话推荐方法 Pending CN112765461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110034127.5A CN112765461A (zh) 2021-01-12 2021-01-12 一种基于多兴趣胶囊网络的会话推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110034127.5A CN112765461A (zh) 2021-01-12 2021-01-12 一种基于多兴趣胶囊网络的会话推荐方法

Publications (1)

Publication Number Publication Date
CN112765461A true CN112765461A (zh) 2021-05-07

Family

ID=75701370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110034127.5A Pending CN112765461A (zh) 2021-01-12 2021-01-12 一种基于多兴趣胶囊网络的会话推荐方法

Country Status (1)

Country Link
CN (1) CN112765461A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486240A (zh) * 2021-07-08 2021-10-08 上海海事大学 一种基于swpem路由算法的职位推荐方法
CN113704627A (zh) * 2021-09-06 2021-11-26 中国计量大学 一种基于时间间隔图的会话推荐方法
CN113806568A (zh) * 2021-08-10 2021-12-17 中国人民大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN116489464A (zh) * 2023-04-12 2023-07-25 浙江纳里数智健康科技股份有限公司 5g应用领域中一种基于异构双层网络的医疗资讯推荐方法
CN116562992A (zh) * 2023-07-11 2023-08-08 数据空间研究院 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986908A (zh) * 2018-05-31 2018-12-11 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质
CN109062962A (zh) * 2018-06-27 2018-12-21 华南理工大学 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN109817329A (zh) * 2019-01-21 2019-05-28 暗物智能科技(广州)有限公司 一种医疗问诊对话系统以及应用于该系统的强化学习方法
CN110119467A (zh) * 2019-05-14 2019-08-13 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN111222054A (zh) * 2020-01-03 2020-06-02 中国计量大学 一种基于上下文邻居关系建模的会话社交推荐方法
CN111460331A (zh) * 2020-04-07 2020-07-28 中国计量大学 一种基于时空图的会话推荐方法
CN112115352A (zh) * 2020-08-28 2020-12-22 齐鲁工业大学 基于用户兴趣的会话推荐方法及系统
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
CN112199550A (zh) * 2020-09-08 2021-01-08 浙江大学山东工业技术研究院 一种基于情感胶囊网络的短视频点击率预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986908A (zh) * 2018-05-31 2018-12-11 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质
CN109062962A (zh) * 2018-06-27 2018-12-21 华南理工大学 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN109817329A (zh) * 2019-01-21 2019-05-28 暗物智能科技(广州)有限公司 一种医疗问诊对话系统以及应用于该系统的强化学习方法
CN110119467A (zh) * 2019-05-14 2019-08-13 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN111222054A (zh) * 2020-01-03 2020-06-02 中国计量大学 一种基于上下文邻居关系建模的会话社交推荐方法
CN111460331A (zh) * 2020-04-07 2020-07-28 中国计量大学 一种基于时空图的会话推荐方法
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
CN112115352A (zh) * 2020-08-28 2020-12-22 齐鲁工业大学 基于用户兴趣的会话推荐方法及系统
CN112199550A (zh) * 2020-09-08 2021-01-08 浙江大学山东工业技术研究院 一种基于情感胶囊网络的短视频点击率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HINTON等: "Dynamic Routing Between Capsules", 《NIPS 2017》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486240A (zh) * 2021-07-08 2021-10-08 上海海事大学 一种基于swpem路由算法的职位推荐方法
CN113486240B (zh) * 2021-07-08 2024-02-02 上海海事大学 一种基于swpem路由算法的职位推荐方法
CN113806568A (zh) * 2021-08-10 2021-12-17 中国人民大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN113806568B (zh) * 2021-08-10 2023-11-03 中国人民大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN113704627A (zh) * 2021-09-06 2021-11-26 中国计量大学 一种基于时间间隔图的会话推荐方法
CN116489464A (zh) * 2023-04-12 2023-07-25 浙江纳里数智健康科技股份有限公司 5g应用领域中一种基于异构双层网络的医疗资讯推荐方法
CN116489464B (zh) * 2023-04-12 2023-10-17 浙江纳里数智健康科技股份有限公司 5g应用领域中一种基于异构双层网络的医疗资讯推荐方法
CN116562992A (zh) * 2023-07-11 2023-08-08 数据空间研究院 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质
CN116562992B (zh) * 2023-07-11 2023-09-29 数据空间研究院 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质

Similar Documents

Publication Publication Date Title
CN112150210B (zh) 一种基于ggnn网络的改进型神经网络推荐方法及系统
CN111523047B (zh) 基于图神经网络的多关系协同过滤算法
CN109960759B (zh) 基于深度神经网络的推荐系统点击率预测方法
CN109299396B (zh) 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN112765461A (zh) 一种基于多兴趣胶囊网络的会话推荐方法
CN111563770A (zh) 一种基于特征差异化学习的点击率预估方法
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
CN110738314B (zh) 一种基于深度迁移网络的点击率预测方法及装置
CN115186097A (zh) 一种基于知识图谱和强化学习的交互式推荐方法
CN111831895A (zh) 一种基于lstm模型的网络舆情预警方法
Liu et al. Top-aware reinforcement learning based recommendation
CN114595383A (zh) 一种基于会话序列的海洋环境数据推荐方法及系统
CN111159242B (zh) 一种基于边缘计算的客户端重排序方法及系统
CN116051175A (zh) 基于深度多兴趣网络的点击率预测模型及预测方法
CN113704438B (zh) 一种基于分层注意力机制的异构图的会话推荐方法
CN112883268B (zh) 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN114169968A (zh) 一种融合用户兴趣状态的多粒度会话推荐方法
CN116452293A (zh) 一种融合物品受众特征的深度学习推荐方法及系统
CN112905886B (zh) 一种基于多兴趣重复网络的会话推荐方法
CN115293812A (zh) 一种基于长短期兴趣的电商平台会话感知推荐预测方法
CN115470406A (zh) 一种基于双通道信息融合的图神经网络会话推荐方法
CN113704439A (zh) 一种基于多来源信息异构图的会话推荐方法
Liu et al. Ada: adaptive depth attention model for click-through rate prediction
CN114417124A (zh) 一种多任务强化学习推荐方法
CN113569139A (zh) 一种个性化会话推荐方法和系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210507

WD01 Invention patent application deemed withdrawn after publication