CN112785376B - 一种基于多任务学习的多领域推荐方法 - Google Patents

一种基于多任务学习的多领域推荐方法 Download PDF

Info

Publication number
CN112785376B
CN112785376B CN202110076796.9A CN202110076796A CN112785376B CN 112785376 B CN112785376 B CN 112785376B CN 202110076796 A CN202110076796 A CN 202110076796A CN 112785376 B CN112785376 B CN 112785376B
Authority
CN
China
Prior art keywords
user
field
vector
article
scoring
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.)
Expired - Fee Related
Application number
CN202110076796.9A
Other languages
English (en)
Other versions
CN112785376A (zh
Inventor
王杰
江春华
杨茂林
吴济森
陈宇涵
谢凡
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110076796.9A priority Critical patent/CN112785376B/zh
Publication of CN112785376A publication Critical patent/CN112785376A/zh
Application granted granted Critical
Publication of CN112785376B publication Critical patent/CN112785376B/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于多任务学习的多领域推荐方法。对于多个领域的用户，本发明提取多领域的用户维向量，通过全连接神经网络与“十字绣”多任务学习网络的结合，综合用户在多个领域的隐式用户向量，交互式挖掘用户真正的隐式兴趣向量，提升各个领域的用户推荐准确度，本发明使用多任务学习技术，融合用户在各个领域兴趣偏好，丰富各个领域用户隐式兴趣向量，能够让推荐的物品更加符合用户需求；并且如果某单个领域缺少该用户交互数据，可结合其他领域用户数据来解决该领域用户冷启动问题。

Description

一种基于多任务学习的多领域推荐方法
技术领域
本发明属于跨域推荐领域，具体涉及一种基于多任务学习的多领域推荐方法。
背景技术
推荐系统作为信息过载的有效手段，已广泛应用于各个企业应用中。随着企业的发展壮大，会推出各式各样的应用来扩展企业的产品矩阵，例如电影领域应用和书籍领域应用。为了解决各个系统的用户冷启动问题，传统的做法是将用户交互丰富的应用数据使用知识迁移的方法迁移到数据稀疏的应用领域。这样会存在一些问题，假如某个用户在数据稀疏的应用领域含有大量交互数据，但在数据丰富领域却没有多少交互数据，使用传统的跨域推荐方法就不能在数据丰富应用领域为该用户提供精确的数据推荐。另外，如果某个用户在两个领域都只是点击或评论了部分感兴趣的物品，单领域物品推荐容易出现“信息茧”问题。
发明内容
本发明针对单领域推荐系统推荐准确度低下和用户冷启动问题，提出了一种基于多任务学习的多领域推荐方法。对于多个领域的用户，本发明提取多领域的用户维向量，通过全连接神经网络与“十字绣”多任务学习网络的结合，综合用户在多个领域的隐式用户向量，交互式挖掘用户真正的隐式兴趣向量，提升各个领域的用户推荐准确度，本发明使用多任务学习技术，融合用户在各个领域兴趣偏好，丰富各个领域用户隐式兴趣向量，能够让推荐的物品更加符合用户需求；并且如果某单个领域缺少该用户交互数据，可结合其他领域用户数据来解决该领域用户冷启动问题。
本发明具体实现内容如下：
本发明提出了一种基于多任务学习的多领域推荐方法，包含以下步骤：
步骤S1：收集多个领域中的用户数据，并进行预处理，得到用户在各个领域中的评分数据；
步骤S2：根据步骤S1中得到的评分数据，提取用户向量U和物品向量I；
步骤S3：在通过步骤S2的操作获得各个领域的用户向量U和物品向量I后，将每个领域的物品向量I都输入到各自对应的全连接神经网络中得到物品输出向量，且将每个领域的用户向量U也都输入到各自对应的全连接神经网络中并结合“十字绣”多任务学习网络得到用户输出向量；结合物品输出向量和用户输出向量得到用户的兴趣度；然后通过得到的兴趣度在每个领域都构造一个目标函数Lt；其中t＝1，2，...，k，表示对应的第t领域；k为总领域个数；
步骤S4：按照步骤S3，在k个领域对应生成k个目标函数Lt，令整个模型的目标函数L＝L1+L2+…+Lk，根据各个领域用户评分数据进行模型训练，使得目标函数L的值最小，得到各个领域用户对物品的最佳兴趣度的预测值；
步骤S5：根据步骤S4得到各个领域的用户对物品的最佳兴趣度的预测值，将用户对未评分过的物品根据最佳兴趣度的预测值从大到小排序，取最大的多个物品推荐给目标用户。
为了更好地实现本发明，进一步地，在步骤S3中，具体操作为：
步骤S3.1：设定所述全连接神经网络的层数为li其中i＝1，2，...，N-1、Wi表示第i层的权重、bi表示第i层的偏置、q表示物品向量经过全连接神经网络后的物品输出向量，p表示用户向量经过神经网络模型后的最终输出向量；
步骤S3.2：将每个领域的物品向量U都输入到各自对应的全连接神经网络中，得到物品输出向量q，具体为：
首先计算每个领域的物品向量U对应的全连接神经网络的层数li，具体计算公式如下：
当i＝1时，全连接神经网络的层数为：l1＝W1I；
当i＞1时，li＝f(Wi-1li-1+bi)，i＝2，...，N-1；
然后得到物品输出向量q，计算公式如下：
q＝f(WNlN-1+bN)
步骤S3.3：设A为k个领域对应的k个用户输出向量p在“十字绣”多任务学习网络进行信息共享的共享参数矩阵，表达式如下：
Figure BDA0002907823980000021
其中，Ai表示第i层共享矩阵，
Figure BDA0002907823980000022
表示领域t下的第i层权重，t＝1，2，...，k，
Figure BDA0002907823980000023
表示领域t的第i层的偏置，则对于k个领域的用户输出向量p，其计算为：
当i＝1时，全连接神经网络的层数为：l1＝W1U；
当i＞1时，k个领域对应的全连接神经网络的层数分别为：
Figure BDA0002907823980000024
计算得到通过“十字绣”多任务学习网络进行信息共享后的信息矩阵为：
Figure BDA0002907823980000031
其中，以上步骤S3.2和步骤S3.3中的f都表示ReLU激活函数；
步骤S3.4：根据得到的物品输出向量q，以及用户输出向量p的信息矩阵，计算出用户对物品的兴趣度
Figure BDA0002907823980000032
具体计算公式如下：
Figure BDA0002907823980000033
为了更好地实现本发明，进一步地，所述步骤S4具体包括以下步骤：
步骤S4.1：设定兴趣度Yt为在领域t中用户对已评分物品的评分，则根据用户对物品的兴趣度
Figure BDA0002907823980000034
得到的目标函数Lt：
Figure BDA0002907823980000035
步骤S4.2：然后计算在k个领域中对应的目标函数Lt，进而计算出整个模型的目标函数L＝L1+L2+…+Lt，t＝1，2，...，k；
步骤S4.3：对目标函数L的值进行优化，使得目标函数L达到优化后的最小值，得到各个领域用户对物品的最佳兴趣度的预测值。
为了更好地实现本发明，进一步地，所述步骤S1的具体操作为：
步骤S1.1：获取在各个领域中显示的用户评分数据；
步骤S1.2：将各个领域评分数据映射到统一的评分范围[1，10]中，计算方法如下：
设定某个评分为r，某领域的评分空间为[rmix，rmax]，计算得到评分r映射后的评分值
Figure BDA0002907823980000036
具体计算公式为：
Figure BDA0002907823980000037
为了更好地实现本发明，进一步地，在所述步骤S1.1中，对于用户μ，若
Figure BDA0002907823980000038
且用户μ在领域t中没有评分数据，则根据用户对物品的行为估算用户对物品的评分数据。
为了更好地实现本发明，进一步地，在所述步骤S1.1中，对于用户μ，若
Figure BDA0002907823980000039
且
Figure BDA00029078239800000310
则从用户μ不属于的领域t随机选择n个物品，设置评分为0。
为了更好地实现本发明，进一步地，在所述步骤S1中，对于用户μ，
Figure BDA0002907823980000041
若从某领域选取了m条评分，则再选取用户μ在该领域中未评分的m个物品作为负样本数据，并将作为负样本数据的m个物品的评分值设置为0。
为了更好地实现本发明，进一步地，所述步骤S2的操作具体为：根据得到的评分数据生成评分矩阵，使用矩阵分解的方法，将评分矩阵分解成用户纬矩阵和物品维矩阵，使用用户纬矩阵表示用户向量I，物品维矩阵表示物品向量U。
为了更好地实现本发明，进一步地，所述步骤S2的操作具体还可以为：构建以用户为行，物品为列的评分矩阵，然后取用户行作为用户向量I，取物品列作为该物品向量U。
与现有技术相比，本发明有以下优点及有益效果：
1.以往技术常常是将评分多的领域数据通过知识迁移的方法将其迁移到评分稀疏领域，增加稀疏领域的推荐效果，但不能将稀疏领域的有效知识迁移到评分多的领域。本技术使用了多任务学习方法，融合多个领域的用户兴趣，增强了各个领域的推荐准确度。
2.对于某个领域没有某用户的评分数据，通过多任务学习技术可以融合其他领域的用户评分，解决了该用户在该领域用户冷启动问题。
附图说明
图1为本发明的架构示意图；
图2为多领域推荐算法运行图；
图3为多任务学习的“十字绣”网络图。
具体实施方式
为了更清楚的说明本发明实例的技术方案，下面将结合本发明实施案例中的附图，对本发明实例中的技术方案进行清楚、完整地描述。应当理解，所描述的实施案例仅仅是本发明的一部分实施例子，而不是全部实施方案，因此不应该看做是对本保护范围的限定。基于本发明中的实施方案，本领域普通技术工作人员在没有做出创造性劳动的前提下所获有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例提出了一种基于多任务学习的多领域推荐方法，在本实施例的描述中，需要说明的是，本发明应用于多个领域推荐方法，但为了描述地方便，使用两个领域作为实施方案说明，命名为领域A和领域B，以下结合图1、图2、图3进行具体说明，如图1所示，本实施例具体包含以下步骤：
步骤S1：数据预处理
步骤S1.1：获取领域A和领域B的评分数据；对于用户μ，若
Figure BDA0002907823980000042
且用户μ在领域t中没有评分数据，则根据用户对物品的行为估算用户对物品的评分数据；对于用户μ，若
Figure BDA0002907823980000051
目
Figure BDA0002907823980000052
则从用户μ不属于的领域t随机选择n个物品，设置评分为0，即如果某个用户只在某一个领域有评分数据，而在其他领域没有评分数据，则在其他领域需要做负样本填充。在其他该用户没有评分数据领域，为该用户随机选择n个该领域物品，并设置该用户对该领域选择的n个物品的评分为0；
步骤S1.2：归一化评分数据，将领域A和领域B的评分数据映射到[1，10]评分空间，以领域A为例，假设领域A的评分空间为[rmix，rmax]，则某个评分为r，其归一化后评分值
Figure BDA0002907823980000053
为
Figure BDA0002907823980000054
同时还可以进行单领域负样本填充，即在单领域中，为每个评分数据生成负样本数据。如果某个用户在单领域中总共对m个物品评了分，则在该领域中随机选择m个该用户未评分的物品作为负样本，并将评分值设为0。
步骤S2：获取各个领域的用户向量和物品向量。有多种方法提取用户向量和物品向量，例如矩阵分解的方法。如图2所示，各个领域可以构建以用户为行，物品为列的评分矩阵，然后取用户行作为该用户向量，取物品列作为该物品向量。得到领域A的用户向量Ua，物品向量Ia，领域B的用户向量Ub和物品向量Ib。
步骤S3：多个领域进行多任务学习技术丰富用户向量。如图2所示，每个用户向量和物品向量都设置一个多层全连接神经网络，用户向量全连接神经网络又结合“十字绣”多任务网络进行信息共享。
“十字绣”网络如图3所示，输入两个任务A、B，通过“十字绣”单元后会得到共享后的任务A、B：
Figure BDA0002907823980000055
其中
Figure BDA0002907823980000056
分别表示任务A、B的输入向量，参数αAA、αAB、αBA、αBB代表任务A、B的共享权重，该参数表示通过机器学习方法自动寻找任务A和任务B的共享层，而其参数的学习过程如下所示：
Figure BDA0002907823980000061
Figure BDA0002907823980000062
首先说明*a表示领域A的符号，*b表示领域B的符号，而*表示领域A或领域B的符号。设神经网络层数为lii＝1，2，...，N-1，Wi表示第i层的权重，bi表示第i层的偏置，p表示用户向量经过神经网络模型后的最终输出向量，q表示物品向量经过神经网络模型后的输出向量，则对于物品向量有：
l1＝W1I
li＝f(Wi-1li-1+bi)，i＝2，...，N-1
q＝f(WNlN-1+bN)
对于用户向量有：
l1＝W1U
Figure BDA0002907823980000063
Figure BDA0002907823980000064
其中f表示ReLU激活函数。
设
Figure BDA0002907823980000065
表示模型预测的用户对物品的兴趣度矩阵，则：
Figure BDA0002907823980000066
设Y为用户对物品的真实评分，则模型训练的损失函数为：
Figure BDA0002907823980000067
Figure BDA0002907823980000068
步骤S4：用户对未评分物品的兴趣度值，在S3训练好模型后，得到最终损失函数L＝La+Lb，使得L值达到最小，取某个用户在所有领域的用户向量，取该领域想要预测的目标物品输入模型，最终得到该用户在该领域对目标物品的兴趣度值。
步骤S5：生成最终推荐列表，由步骤S4可以获取用户在各个领域对所有未评分物品预测的兴趣度值，然后将兴趣度值从大到小排序，取top N作为该单领域最终的推荐列表。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (3)

1.一种基于多任务学习的多领域推荐方法，其特征在于，包括以下步骤：
步骤S1：收集多个领域中的用户数据，并进行预处理，得到用户在各个领域中的评分数据；
步骤S1.1：获取在各个领域中显示的用户评分数据；
对于用户μ，若
Figure FDA0003675328310000011
且用户μ在领域t中没有评分数据，则根据用户对物品的行为估算用户对物品的评分数据；
对于用户μ，若
Figure FDA0003675328310000012
且
Figure FDA0003675328310000013
则从用户μ不属于的领域t随机选择n个物品，设置评分为0；
对于用户μ，
Figure FDA0003675328310000016
若从某领域选取了m条评分，则再选取用户μ在该领域中未评分的m个物品作为负样本数据，并将作为负样本数据的m个物品的评分值设置为0；
步骤S1.2：将各个领域评分数据映射到统一的评分范围[1,10]中，计算方法如下：
设定某个评分为r，某领域的评分空间为[rmin，rmax]，计算得到评分r映射后的评分值
Figure FDA0003675328310000014
具体计算公式为：
Figure FDA0003675328310000015
步骤S2：根据步骤S1中得到的评分数据，提取用户向量U和物品向量I；
步骤S3：在通过步骤S2的操作获得各个领域的用户向量U和物品向量I后，将每个领域的物品向量I都输入到各自对应的全连接神经网络中得到物品输出向量，且将每个领域的用户向量U也都输入到各自对应的全连接神经网络中并结合“十字绣”多任务学习网络得到用户输出向量；结合物品输出向量和用户输出向量得到用户的兴趣度；然后通过得到的兴趣度在每个领域都构造一个目标函数Lt；其中t＝1，2，...，k，表示在第t领域；k为总领域个数；
步骤S3.1：设定所述全连接神经网络的层数为li其中i＝1，2，...，N-1、Wi表示第i层的权重、bi表示第i层的偏置、q表示物品向量经过全连接神经网络后的物品输出向量，p表示用户向量经过神经网络模型后的最终输出向量；
步骤S3.2：将每个领域的物品向量U都输入到各自对应的全连接神经网络中，得到物品输出向量q，具体为：
首先计算每个领域的物品向量U对应的全连接神经网络的层数li，具体计算公式如下：
当i＝1时，全连接神经网络的层数为：l1＝W1I；
当i＞1时，li＝f(Wi-1li-1+bi)，i＝2，...，N-1；
然后得到物品输出向量q，计算公式如下：
q＝f(WNlN-1+bN)
步骤S3.3：设A为k个领域对应的k个用户输出向量p在“十字绣”多任务学习网络进行信息共享的共享参数矩阵，表达式如下：
Figure FDA0003675328310000021
其中，Ai表示第i层共享矩阵，
Figure FDA0003675328310000022
表示领域t下的第i层权重，t＝1，2，...，k，
Figure FDA0003675328310000023
表示领域t的第i层的偏置，则对于k个领域的用户输出向量p，其计算为：
当i＝1时，全连接神经网络的层数为：l1＝W1U；
当i＞1时，k个领域对应的全连接神经网络的层数分别为：
Figure FDA0003675328310000024
计算得到通过“十字绣”多任务学习网络进行信息共享后的信息矩阵为：
Figure FDA0003675328310000025
其中，以上步骤S3.2和步骤S3.3中的f都表示ReLU激活函数；
步骤S3.4：根据得到的物品输出向量q，以及用户输出向量p的信息矩阵，计算出用户对物品的兴趣度
Figure FDA0003675328310000026
具体计算公式如下：
Figure FDA0003675328310000027
步骤S4：按照步骤S3，在k个领域对应生成k个目标函数Lt，令整个模型的目标函数L＝L1+L2+...+Lk，根据各个领域用户评分数据进行模型训练，使得目标函数L的值最小，得到各个领域用户对物品的最佳兴趣度的预测值；
所述步骤S4具体包括以下步骤：
步骤S4.1：设定兴趣度Yt为在领域t中用户对已评分物品的评分，则根据用户对物品的兴趣度
Figure FDA0003675328310000028
得到的目标函数Lt：
Figure FDA0003675328310000029
步骤S4.2：然后计算在k个领域中对应的目标函数Lt，进而计算出整个模型的目标函数L＝L1+L2+...+Lt，t＝1，2，...，k；
步骤S4.3：对目标函数L的值进行优化，使得目标函数L达到优化后的最小值，得到各个领域用户对物品的最佳兴趣度的预测值；
步骤S5：根据步骤S4得到各个领域的用户对物品的最佳兴趣度的预测值，将用户对未评分过的物品根据最佳兴趣度的预测值从大到小排序，取最大的多个物品推荐给目标用户。
2.如权利要求1所述的一种基于多任务学习的多领域推荐方法，其特征在于，所述步骤S2的操作具体为：根据得到的评分数据生成评分矩阵，使用矩阵分解的方法，将评分矩阵分解成用户纬矩阵和物品维矩阵，使用用户纬矩阵表示用户向量U，物品维矩阵表示物品向量I。
3.如权利要求1-2任一项所述的一种基于多任务学习的多领域推荐方法，其特征在于，所述步骤S2的操作具体为：构建以用户为行，物品为列的评分矩阵，然后取用户行作为用户向量U，取物品列作为该物品向量I。
CN202110076796.9A 2021-01-20 2021-01-20 一种基于多任务学习的多领域推荐方法 Expired - Fee Related CN112785376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110076796.9A CN112785376B (zh) 2021-01-20 2021-01-20 一种基于多任务学习的多领域推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110076796.9A CN112785376B (zh) 2021-01-20 2021-01-20 一种基于多任务学习的多领域推荐方法

Publications (2)

Publication Number Publication Date
CN112785376A CN112785376A (zh) 2021-05-11
CN112785376B true CN112785376B (zh) 2022-08-19

Family

ID=75757422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110076796.9A Expired - Fee Related CN112785376B (zh) 2021-01-20 2021-01-20 一种基于多任务学习的多领域推荐方法

Country Status (1)

Country Link
CN (1) CN112785376B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222707B (zh) * 2021-05-25 2024-02-27 中国人民大学 一种智能服务交易推荐方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109753566A (zh) * 2019-01-09 2019-05-14 大连民族大学 基于卷积神经网络的跨领域情感分析的模型训练方法
WO2019245316A1 (en) * 2018-06-21 2019-12-26 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations
CN110910218A (zh) * 2019-11-21 2020-03-24 南京邮电大学 一种基于深度学习的多行为迁移推荐方法
CN110995487A (zh) * 2019-12-03 2020-04-10 深圳市物语智联科技有限公司 多服务质量预测方法、装置、计算机设备及可读存储介质
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503508A (zh) * 2019-07-15 2019-11-26 电子科技大学 一种层级多粒度矩阵分解的物品推荐方法
CN111291274A (zh) * 2020-03-02 2020-06-16 苏州大学 一种物品推荐方法、装置、设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
WO2019245316A1 (en) * 2018-06-21 2019-12-26 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations
CN109753566A (zh) * 2019-01-09 2019-05-14 大连民族大学 基于卷积神经网络的跨领域情感分析的模型训练方法
CN110910218A (zh) * 2019-11-21 2020-03-24 南京邮电大学 一种基于深度学习的多行为迁移推荐方法
CN110995487A (zh) * 2019-12-03 2020-04-10 深圳市物语智联科技有限公司 多服务质量预测方法、装置、计算机设备及可读存储介质
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Cross-Domain Recommendation Algorithm for D2D Multimedia Application Systems;Xu Yu等;《Emerging Technologies for Device to Device Communications》;20181022;第6卷;第62574-62583页，全文 *
JSCN: Joint Spectral Convolutional Network for Cross Domain Recommendation;Zhiwei Liu等;《2019 IEEE International Conference on Big Data (Big Data)》;20200224;第1-4页，全文 *
一种基于矩阵分解的用户行为数据多任务学习模型;冯丽丽;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170215(第2期);第I138-2250页，全文 *
基于深度多任务学习的社交图像标签和分组联合推荐;耿蕾蕾等;《计算机科学》;20201231;第47卷(第12期);第177-182页，全文 *
基于网络特征学习的个性化推荐系统;王鸿伟;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20200115(第1期);第I138-157页，全文 *

Also Published As

Publication number Publication date
CN112785376A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN107563841B (zh) 一种基于用户评分分解的推荐系统
CN110266745B (zh) 基于深度网络的信息流推荐方法、装置、设备及存储介质
CN106940801A (zh) 一种用于广域网络的深度强化学习推荐系统及方法
CN110175895A (zh) 一种物品推荐方法及装置
CN106651544A (zh) 最少用户交互的会话式推荐系统
CN112749330B (zh) 信息推送方法、装置、计算机设备和存储介质
CN107590232A (zh) 一种基于网络学习环境的资源推荐系统及方法
CN111737558A (zh) 一种资讯推荐方法、装置及计算机可读存储介质
Deli et al. Fuzzy soft games
Sharma et al. Comparative Analysis of Data Storage Solutions for Responsive Big Data Applications
CN112785376B (zh) 一种基于多任务学习的多领域推荐方法
Zhang Movies and pop songs recommendation system by emotion detection through facial recognition
CN114781503A (zh) 一种基于深度特征融合的点击率预估方法
CN102866997B (zh) 用户数据的处理方法和装置
CN110795640A (zh) 一种弥补群组成员差异的自适应组推荐方法
Song et al. Persentiment: A personalized sentiment classification system for microblog users
CN115878891A (zh) 直播内容生成方法、装置、设备以及计算机存储介质
Marinov et al. Design and implementation of CBIR system for academic/educational purposes
CN113704439A (zh) 一种基于多来源信息异构图的会话推荐方法
CN115439770A (zh) 一种内容召回方法、装置、设备及存储介质
CN112036979A (zh) 评分预测方法、推荐方法、处理装置及存储介质
CN111046300A (zh) 确定用户的人群属性的方法及装置
CN112860992B (zh) 基于网站内容数据推荐的特征优化预训练方法
Kaur et al. Towards Analyzing the Online Learner's Behavior: An Expedition to Recommender System
WO2023079769A1 (ja) 処理実行システム、処理実行方法、及びプログラム

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: 20220819