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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
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:
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:
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:
其中,以上步骤S3.2和步骤S3.3中的f都表示ReLU激活函数;
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S4.2: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:
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,若目则从用户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;
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:
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
其中f表示ReLU激活函数。
设Y为用户对物品的真实评分,则模型训练的损失函数为:
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;
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:
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:
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:
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:
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S4.2: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。
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)
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)
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)
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 |
-
2021
- 2021-01-20 CN CN202110076796.9A patent/CN112785376B/zh not_active Expired - Fee Related
Patent Citations (6)
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)
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 |