CN112817442B - 基于ffm的多任务情况下态势信息分类推荐系统及方法 - Google Patents
基于ffm的多任务情况下态势信息分类推荐系统及方法 Download PDFInfo
- Publication number
- CN112817442B CN112817442B CN202110076085.1A CN202110076085A CN112817442B CN 112817442 B CN112817442 B CN 112817442B CN 202110076085 A CN202110076085 A CN 202110076085A CN 112817442 B CN112817442 B CN 112817442B
- Authority
- CN
- China
- Prior art keywords
- task
- operator
- situation information
- ffm
- recommendation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 14
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于FFM的多任务情况下态势信息分类推荐系统及方法。本发明建立基于Pew的任务处理模型,解析当前任务状态信息,根据不同任务对不同态势信息的关注度不同,同时考虑操作员状态属性,利用FFM模型计算出不同态势信息推荐策略下的任务完成概率,得出该态势信息推荐策略的推荐概率值;从而推选出推荐概率值最高的态势信息推荐策略作为操作员完成任务的信息组,在交互界面上智能显示,提高人机交互系统的智能性、交互性、用户满意度。
Description
技术领域
本发明涉及人机交互技术领域,具体涉及一种基于FFM的多任务情况下态势信息分类推荐系统及方法。
背景技术
近年来,由于人机交互在军事和民事领域的广泛应用,关于多智能体人机交互的研究得到了学术界和工业界的极大关注。人机交互是研究人、机、环境三要素之间的关系,为了解决系统中交互性能不足、缺乏智能性、灵活性差、用户满意度低等问题,就需要研究开发一种多智能体信息推荐系统。
在战场环境中,由于操作员在指挥控制多智能体系统的过程时,在不同复杂任务情况下,不同任务对不同信息的需求度不同,态势信息的推送对操作员决策会产生极大影响,同时,操作员的各类属性值,例如熟练度、利用度等因素也会对任务结果产生影响,但现有的推荐系统及方法均针对于互联网环境中,用户对产品的喜好度进行推荐,不涉及战场环境,因此,需要一种适用于战场复杂多任务的信息推荐系统及方法。
发明内容
有鉴于此,本发明提供了一种基于FFM的多任务情况下态势信息分类推荐系统及方法,针对不同战场任务以及不同操作员属性,对任务与操作员状态进行建模,将态势信息进行分类推送,从而提高信息的价值,辅助操作员进行决策。
本发明的基于FFM的多任务情况下态势信息分类推荐方法,包括如下步骤:
步骤1,构建FFM模型;所述FFM模型包括3个Field,分别对应操作员空间、任务空间和态势信息空间;操作员任务处理模型选取Pew模型;整体回报函数Reward为:
其中,Pij代表操作员i完成任务j的概率值,其中,aj为任务j复杂度系数,bi为操作员i参数,p0,ij为操作员i完成任务j的概率值,为任务匹配度r1,ij、操作员熟练度匹配度r2,ij以及操作员利用率匹配度r3,ij的加权和;
其中,任务匹配度r1,ij:当操作任务为当前任务时取1,否则为0;
操作员熟练度匹配度r2,ij:
r2,ij=α·ui,proficiency-(1-α)·tj,complexity+c1
其中,α为熟练度权值系数,ui,proficiency为操作员i熟练度,tj,complexity为任务j复杂度,c1为一常量系数;
操作员利用率匹配度r3,ij:
r3,ij=β·tj,attention-(1-β)·ui,rest_rate+c2
其中,tj,attention为任务j注意力需求,mk为当前态势信息推荐策略中的第k个态势信息,wj,k为态势信息mk对第j个任务的注意力需求的影响权值;β为利用率权值系数;ui,rest_rate为操作员i利用率;c2为一常量系数;
aj=6-4*tj,complexity,tj,complexity为任务j复杂度;b=(2~5)a;
tjq代表任务j的第q个指标,wjq代表任务j的第q个指标对应的权值;
步骤2,利用样本数据集对步骤1构建的FFM模型进行训练;
步骤3,将当前操作员信息、任务信息以及拟推荐的态势信息推荐策略中的态势信息输入训练好的FFM模型,获得当前态势信息推荐策略的推荐概率值;推荐概率值最大的态势信息推荐策略即为最终推荐结果。
较优的,任务的指标中包含任务类型、任务优先级、任务复杂度、熟练度需求和注意力需求。
较优的,根据任务类别,设定该任务的重要性指标的权值w:
空闲任务:w=wfree=0;
遥控任务:w=wremote=p(safe|obstacle)·Vobstacle,其中Vobstacle为环境复杂程度,p(safe|obstacle)为环境已知情况下遥控安全的概率;
集结任务:
其中d为集结距离,d0为集结最短距离,df为集结距离阈值;
打击任务:w=whit=[1-p(success|atk)]n·Venemy,其中p(success|atk)为攻击力已知情况下打击成功的概率,Venemy为敌方价值;
搜索任务:w=wsearch=Vtarget,Vtarget为目标价值。
较优的,任务的指标中还包含任务紧急度。
较优的,所述步骤2中,选取自适应梯度下降算法。
本发明还提供了一种基于FFM的多任务情况下态势信息分类推荐系统,包括数据处理模块、FFM模型和推荐引擎;
其中,数据处理模块提取操作员、任务以及态势信息的数据;其中,操作员数据包括操作员的熟练度、关注任务类型和注意力利用率;任务数据包括任务的任务类型、任务优先级、任务复杂度、熟练度需求、注意力需求,以及与其他任务的时序和依赖关系;态势信息数据包括机器人信息、检测信息和任务信息;
FFM模型包括3个Field,分别对应操作员空间、任务空间和态势信息空间;操作员任务处理模型选取Pew模型;整体回报函数Reward为:
FFM模型根据当前操作员信息、任务信息以及态势信息推荐策略中的态势信息,计算该态势信息推荐策略的推荐概率值;
推荐引擎对FFM输出的所有态势信息推荐策略的推荐概率值进行排序,输出推荐概率值最大的态势信息推荐策略作为最终推荐结果。
有益效果:
1、相比于传统人机交互系统,本发明对任务空间与操作员进行建模,加入信息推荐系统,智能化的推荐出高价值信息,辅助操作员决策,提高了系统的智能性。
2、推荐系统引入field概念,将操作员和任务分为不同field,提高各特征与不同field之间的关联度,使系统更加贴合任务,推荐出更高价值的信息,提高任务的完成概率。
3、该系统使用FFM推荐算法,具有很强的扩展性,方便对任务、操作员等部分进行扩展添加。
附图说明
图1为Pew任务处理模型展示图。
图2为Pew决策流程展示图。
图3为不同任务下不同信息决策结果展示图。
图4为推荐系统框架展示图。
图5为FFM模型训练结果展示图。
图6为测试集预测结果展示图。
图7为人机交互界面信息推荐效果图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明针对在人机交互系统中,指控终端交互性能不足、缺乏智能性、灵活性差、用户满意度低等问题,提供了一种基于FFM的多任务情况下态势信息分类推荐系统及方法,建立基于Pew的任务处理模型,解析当前任务状态信息,根据不同任务对不同态势信息的关注度不同,同时考虑操作员状态属性,利用FFM模型计算出不同态势信息推荐策略下的任务完成概率,得出该态势信息推荐策略的推荐概率值;从而推选出推荐概率值最高的态势信息推荐策略作为操作员完成任务的信息组,在交互界面上智能显示,提高人机交互系统的智能性、交互性、用户满意度。
步骤一、对任务进行建模,同时构建任务处理模型。
1、任务描述
操作员空间为U={u1,u2…,um-1,um},其中ui={ui,1,ui,2…,ui,c-1,ui,c},用户之间没有依赖关系,每个用户包含c个属性值,包括操作员id,性别,年龄,熟练度,关注任务类型,注意力利用率等。
任务空间为T={t1,t2…,tn-1,tn},其中tj={tj,1,tj,2…,tj,d-1,tj,d},任务之间时序和依赖关系,每个任务包含d个属性值,包括任务类型,任务优先级,任务复杂度,熟练度需求,注意力需求,敌情探测需求,通信需求等。
信息空间:M={m1,m2…,mo-1,mo},信息之间相互独立,包括机器人信息,检测信息,任务信息等。
2、任务解析
(1)任务类型:空闲,遥控,集结,搜索,打击目标等
(2)任务注意力需求:其中wj,k为信息k对任务j注意力需求的影响权值,wj,k∈[0,1]。
(3)任务重要性评定:
空闲任务:wfree=0,定义重要性为零;
遥控任务:wremote=p(safe|obstacle)·Vobstacle,其中Vobstacle为环境复杂程度,p(safe|obstacle)为环境已知情况下遥控安全的概率;
集结任务:
其中d0为集结最短距离,df为集结距离阈值;
打击任务:whit=[1-p(success|atk)]n·Venemy,其中p(success|atk)为攻击力已知情况下打击成功的概率,Venemy为敌方价值;
搜索任务:wsearch=Vtarget,Vtarget为目标价值。
(4)任务复杂度:在Pew模型下由参数a,b决定,复杂度越高,a越小。
(5)任务紧急度:emergency={true,false}
3、任务决策
操作员任务处理模型选取Pew模型,方程形式如下:
其中H1为正确决策,t为任务处理时长,p0∈[0,1],a>0且b为操作员参数,当b大于零,对于方程为凸曲线方程,操作员正确决策概率与任务处理时间为S型曲线,函数图像如图1所示。
本发明为取定整体回报函数,选取以下指标进行度量:
任务匹配度:当操作任务为当前任务时取1,否则为0;
操作员熟练度匹配度:
r2=α·uproficiency-(1-α)·tcomplexity+c1
其中,α为熟练度权值系数,uproficiency为操作员熟练度,tcomplexity为任务复杂度,c1为一常量系数。
操作员利用率匹配度:
r3=β·tattention-(1-β)·urest_rate+c2
其中,β为利用率权值系数,tattention为任务注意力需求,urest_rate为操作员利用率,c2为一常量系数。
综合以上指标,获得单个任务完成概率函数:
其中wl代表各指标所占权重,wl∈[0,1],tcomplexity为任务复杂度。
最后选定整体Reward函数:
其中Pij代表操作员i完成任务j的概率值,tjq代表任务j的第q个指标,wjq代表任务j的第q个指标对应权值,wjq∈[0,1]。
4、任务测试
针对不同任务情况下,不同信息推送策略会对任务成功率造成影响,整体任务流程如图2所示,计算测试结果如图3所示。
步骤二、推荐模型的训练
推荐系统框架如图4所示,包括数据预处理、算法模块以及搜索引擎。
具体步骤如下:
1、数据预处理:
数据收集:通过人机交互界面获取所需信息,包括操作员信息、任务信息、态势信息。
数据结构化:将所获取信息进行结构化,操作员信息包括操作员id,性别,年龄,熟练度,关注任务类型,注意力利用率等;任务信息包括任务类型,任务优先级,任务复杂度,熟练度需求,注意力需求,敌情探测需求,通信需求等;态势信息包括机器人信息,检测信息,任务信息等。
数据规范化:将结构化的信息按照不同信息推荐策略依次进行保存,数据格式为key值、user field、task field和message field。
2、推荐算法模块设计
特征选取:从规范化的数据中选取关键特征
训练模型:选取FFM模型,该模型使得输出不仅与输入特征有关,还与特征之间关系有关,模型样式如下,
其中部分与传统线性模型一致,后半部分引入field概念,Vi,fj表示特征xi与特征xj所在field的隐向量,同理,Vj,fi表示特征xj与特征xi所在field的隐向量,两者内积为:
表示两个特征的关联系数。
优化算法:选取自适应梯度下降算法,利用每次迭代历史的梯度平方根的和来修改学习速率,对于FFM模型,各参量梯度为:
超参数调优:包括learning rate、regularization、latent vector等超参数调优,选取合适的超参数,提高模型的收敛速率。
模型预测评估:将测试集数据导入模型,预测出推荐结果,并对结果准确度、预测时间进行计算评估,图5为模型训练结果,图6为测试集预测结果。
步骤三、推荐引擎模块设计
推荐引擎包括索引、召回和排列,对于当前操作员状态与任务信息,将不同信息推荐策略作为输入,导入FFM推荐模型,以任务成功率作为整体回报,预测的各信息推荐策略的推荐概率值,并进行排序,推荐概率值最高的信息策略作为最终推荐,并将通过人机交互界面对信息进行显示推送,人机交互界面信息推荐效果图如图7所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于FFM的多任务情况下态势信息分类推荐方法,其特征在于,包括如下步骤:
步骤1,构建FFM模型;所述FFM模型为传统线性模型的基础新增3个Field,分别对应操作员空间、任务空间和态势信息空间;即FFM模型为:
其中,部分与传统FFM模型的线性模型一致;
Vi,fj表示特征xi与特征xj所在field的隐向量;Vj,fi表示特征xj与特征xi所在field的隐向量;两者内积为:表示两个特征的关联系数;
各Field中,操作员任务处理模型选取Pew模型;整体回报函数Reward为:
其中,Pij代表操作员i完成任务j的概率值,其中,aj为任务j复杂度系数,bi为操作员i参数,p0,ij为任务匹配度r1,ij、操作员熟练度匹配度r2,ij以及操作员利用率匹配度r3,ij的加权和;
其中,任务匹配度r1,ij:当操作任务为当前任务时取1,否则为0;
操作员熟练度匹配度r2,ij:
r2,ij=α·ui,proficiency-(1-α)·tj,complexity+c1
其中,α为熟练度权值系数,ui,proficiency为操作员i熟练度,tj,complexity为任务j复杂度,c1为一常量系数;
操作员利用率匹配度r3,ij:
r3,ij=β·tj,attention-(1-β)·ui,rest_rate+c2
其中,tj,attention为任务j注意力需求,mk为当前态势信息推荐策略中的第k个态势信息,wj,k为态势信息mk对第j个任务的注意力需求的影响权值;β为利用率权值系数;ui,rest_rate为操作员i利用率;c2为一常量系数;
aj=6-4*tj,complexity,tj,complexity为任务j复杂度;b=(2~5)a;
tjq代表任务j的第q个指标,wjq代表任务j的第q个指标对应的权值;
步骤2,利用样本数据集对步骤1构建的FFM模型进行训练;
步骤3,将当前操作员信息、任务信息以及拟推荐的态势信息推荐策略中的态势信息输入训练好的FFM模型,获得当前态势信息推荐策略的推荐概率值;推荐概率值最大的态势信息推荐策略即为最终推荐结果。
2.如权利要求1所述的基于FFM的多任务情况下态势信息分类推荐方法,其特征在于,任务的指标中包含任务类型、任务优先级、任务复杂度、熟练度需求和注意力需求。
3.如权利要求2所述的基于FFM的多任务情况下态势信息分类推荐方法,其特征在于,根据任务类别,设定该任务的重要性指标的权值w:
空闲任务:w=wfree=0;
遥控任务:w=wremote=p(safe∣obstacle)·Vobstacle,其中Vobstacle为环境复杂程度,p(safe∣obstacle)为环境已知情况下遥控安全的概率;
集结任务:
其中d为集结距离,d0为集结最短距离,df为集结距离阈值;
打击任务:w=whit=[1-p(success∣atk)]n·Venemy,其中p(success∣atk)为攻击力已知情况下打击成功的概率,Venemy为敌方价值,n为任务空间中的任务个数;
搜索任务:w=wsearch=Vtarget,Vtarget为目标价值。
4.如权利要求2所述的基于FFM的多任务情况下态势信息分类推荐方法,其特征在于,任务的指标中还包含任务紧急度。
5.如权利要求1所述的基于FFM的多任务情况下态势信息分类推荐方法,其特征在于,所述步骤2中,选取自适应梯度下降算法。
6.一种基于FFM的多任务情况下态势信息分类推荐系统,其特征在于,包括数据处理模块、FFM模型和推荐引擎;
其中,数据处理模块提取操作员、任务以及态势信息的数据;其中,操作员数据包括操作员的熟练度、关注任务类型和注意力利用率;任务数据包括任务的任务类型、任务优先级、任务复杂度、熟练度需求、注意力需求,以及与其他任务的时序和依赖关系;态势信息数据包括机器人信息、检测信息和任务信息;
FFM模型为传统线性模型的基础新增3个Field,分别对应操作员空间、任务空间和态势信息空间;即FFM模型为:
其中,部分与传统FFM模型的线性模型一致;
Vi,fj表示特征xi与特征xj所在field的隐向量;Vj,fi表示特征xj与特征xi所在field的隐向量;两者内积为:表示两个特征的关联系数;
各Field中,操作员任务处理模型选取Pew模型;整体回报函数Reward为:
其中,Pij代表操作员i完成任务j的概率值,其中,aj为任务j复杂度系数,bi为操作员i参数,p0,ij为任务匹配度r1,ij、操作员熟练度匹配度r2,ij以及操作员利用率匹配度r3,ij的加权和;
FFM模型根据当前操作员信息、任务信息以及态势信息推荐策略中的态势信息,计算该态势信息推荐策略的推荐概率值;
推荐引擎对FFM输出的所有态势信息推荐策略的推荐概率值进行排序,输出推荐概率值最大的态势信息推荐策略作为最终推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076085.1A CN112817442B (zh) | 2021-01-20 | 2021-01-20 | 基于ffm的多任务情况下态势信息分类推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076085.1A CN112817442B (zh) | 2021-01-20 | 2021-01-20 | 基于ffm的多任务情况下态势信息分类推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112817442A CN112817442A (zh) | 2021-05-18 |
CN112817442B true CN112817442B (zh) | 2023-07-25 |
Family
ID=75858558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110076085.1A Active CN112817442B (zh) | 2021-01-20 | 2021-01-20 | 基于ffm的多任务情况下态势信息分类推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112817442B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553468A (zh) * | 2022-01-04 | 2022-05-27 | 国网浙江省电力有限公司金华供电公司 | 一种基于特征交叉与集成学习的三级网络入侵检测方法 |
CN114330755B (zh) * | 2022-03-11 | 2022-06-21 | 深圳鹏行智能研究有限公司 | 数据集的生成方法、装置、机器人和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632278A (zh) * | 2012-08-21 | 2014-03-12 | 镇江雅迅软件有限责任公司 | 一种基于上下文信息的多策略商品推荐系统 |
CN107506022A (zh) * | 2017-07-06 | 2017-12-22 | 北京理工大学 | 一种有人/无人协同班组辅助指挥系统 |
CN107635151A (zh) * | 2017-09-25 | 2018-01-26 | 四川长虹电器股份有限公司 | 一种基于域分解机的机器学习电视节目推荐方法 |
CN110930223A (zh) * | 2019-11-21 | 2020-03-27 | 苏州朗动网络科技有限公司 | 基于场感知因子分解机的推荐召回方法、设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10031520B2 (en) * | 2011-11-08 | 2018-07-24 | The United States Of America, As Represented By The Secretary Of The Navy | System and method for predicting an adequate ratio of unmanned vehicles to operators |
CN109902222B (zh) * | 2018-11-30 | 2022-05-13 | 华为技术有限公司 | 一种推荐方法及装置 |
CN112131456A (zh) * | 2019-06-24 | 2020-12-25 | 腾讯科技(北京)有限公司 | 一种信息推送方法、装置、设备及存储介质 |
-
2021
- 2021-01-20 CN CN202110076085.1A patent/CN112817442B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632278A (zh) * | 2012-08-21 | 2014-03-12 | 镇江雅迅软件有限责任公司 | 一种基于上下文信息的多策略商品推荐系统 |
CN107506022A (zh) * | 2017-07-06 | 2017-12-22 | 北京理工大学 | 一种有人/无人协同班组辅助指挥系统 |
CN107635151A (zh) * | 2017-09-25 | 2018-01-26 | 四川长虹电器股份有限公司 | 一种基于域分解机的机器学习电视节目推荐方法 |
CN110930223A (zh) * | 2019-11-21 | 2020-03-27 | 苏州朗动网络科技有限公司 | 基于场感知因子分解机的推荐召回方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112817442A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213863B (zh) | 一种基于学习风格的自适应推荐方法及系统 | |
CN111581510A (zh) | 分享内容处理方法、装置、计算机设备和存储介质 | |
CN112598462A (zh) | 基于协同过滤和深度学习的个性化推荐方法及系统 | |
WO2019029046A1 (zh) | 一种视频推荐方法及系统 | |
CN112817442B (zh) | 基于ffm的多任务情况下态势信息分类推荐系统及方法 | |
CN112182362A (zh) | 训练用于在线预测点击率的模型的方法、设备及推荐系统 | |
CN111353299B (zh) | 基于人工智能的对话场景确定方法和相关装置 | |
CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
CN114358657B (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN115878841A (zh) | 一种基于改进秃鹰搜索算法的短视频推荐方法及系统 | |
CN112800326A (zh) | 一种改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法 | |
CN116049536A (zh) | 一种推荐方法及相关装置 | |
CN113449182A (zh) | 一种知识信息个性化推荐方法及系统 | |
CN116843022A (zh) | 一种数据处理方法及相关装置 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 | |
Lin et al. | The optimization of weights in weighted hybrid recommendation algorithm | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
CN110956528B (zh) | 一种电商平台的推荐方法及系统 | |
CN115292583A (zh) | 一种项目推荐方法及其相关设备 | |
CN117235477B (zh) | 基于深度神经网络的用户群组评估方法和系统 | |
Zhang | Hesitant fuzzy linguistic information aggregation in decision making | |
Nie et al. | Movie recommendation using unrated data | |
CN117874351B (zh) | 一种基于情境感知的战场态势信息个性化推荐方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |