CN112818146A - 一种基于产品图像风格的推荐方法 - Google Patents

一种基于产品图像风格的推荐方法 Download PDF

Info

Publication number
CN112818146A
CN112818146A CN202110103358.7A CN202110103358A CN112818146A CN 112818146 A CN112818146 A CN 112818146A CN 202110103358 A CN202110103358 A CN 202110103358A CN 112818146 A CN112818146 A CN 112818146A
Authority
CN
China
Prior art keywords
user
picture
style
content
average value
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
CN202110103358.7A
Other languages
English (en)
Other versions
CN112818146B (zh
Inventor
潘晓光
潘晓辉
焦璐璐
令狐彬
张娜
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.)
Henan Zhongzhao Yi Intelligent Technology Co ltd
Original Assignee
Shanxi Sanyouhe Smart Information Technology Co Ltd
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 Shanxi Sanyouhe Smart Information Technology Co Ltd filed Critical Shanxi Sanyouhe Smart Information Technology Co Ltd
Priority to CN202110103358.7A priority Critical patent/CN112818146B/zh
Publication of CN112818146A publication Critical patent/CN112818146A/zh
Application granted granted Critical
Publication of CN112818146B publication Critical patent/CN112818146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Library & Information Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)

Abstract

本发明属于机器学习技术领域，具体涉及一种基于产品图像风格的推荐方法，包括下列步骤：构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T：提取图片的内容特征和风格特征；计算其交互过的图片的内容特征平均值和风格特征平均值，分别作为用户的图片内容偏好特征和图片风格偏好特征；利用隐语意模型拟合用户的隐特征和产品的隐特征；构建目标损失函数；利用梯度下降方法对目标损失函数进行优化求解，使得目标损失函数最小，从而得到最优预测评分矩阵。本发明基于贝叶斯个性化排序模型，该技术简单可复现性高，复杂度低。本发明利用独热编码方式处理用户集和物品集，该处理方式起到了扩充特征的作用。本发明用于品图像风格的推荐。

Description

一种基于产品图像风格的推荐方法
技术领域
本发明属于机器学习技术领域，具体涉及一种基于产品图像风格的推荐方法。
背景技术
近年来，基于图像的分享平台越来越流行，比如Instagram，小红书，微博等。在这些基于图像的社交平台中，存在着大量的图像信息。因此，如何向用户推荐他们感兴趣的图像是这类推荐系统急需解决的关键问题。在现实世界中，浏览视觉图像时，用户不仅关心图像内容，还关心图像样式的匹配程度。与图像内容相比，在图像推荐平台中，图像风格被很大程度的忽略了。因此，我们把图像的内容和风格同时考虑进来，向用户推荐他们可能感兴趣的图片。
最直接简单的想法是采用协作过滤进行图像推荐，但它并没有充分利用视觉信息，并且存在数据稀疏性问题。最近，随着卷积神经网络(CNN)在图像分析方面的巨大成功，一些研究人员提出利用图像内容信息进行推荐。具体而言，基于视觉的贝叶斯个性化排序模型(VBPR)是一种基于视觉的最新的推荐模型，该模型认为用户对商品的偏好可以从两个空间中获取：从CNN中学习的视觉内容信息，以及从经典的协同过滤模型中获取的潜在的特征信息。在此基础上，我们增加图片风格特征信息，作为影响用户兴趣偏好的另一个影响因素。如何提取图片的风格也是一大技术难题。
发明内容
针对上述的技术问题，本发明提供了一种稳定性强、效率高、误差小的基于产品图像风格的推荐方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于产品图像风格的推荐方法，包括下列步骤：
S1、构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T：
S2、图片输入进卷积神经网络，提取图片的内容特征和风格特征；
S3、根据用户历史消费数据，计算其交互过的图片的内容特征平均值和风格特征平均值，分别作为用户的图片内容偏好特征和图片风格偏好特征；
S4、利用隐语意模型拟合用户的隐特征和产品的隐特征；
S5、构建目标损失函数；
S6、利用梯度下降方法对目标损失函数进行优化求解，使得目标损失函数最小，从而得到最优预测评分矩阵，并根据最优预测评分矩阵进行物品推荐。
所述S1中构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T的方法为：令U代表用户数据集，其中U＝{u1，...，uk，...，ui，...，uN},uk表示第k个用户，ui表示第i个用户，1≤i，k≤N，N表示用户总数；令I表示物品集，且令I＝{i1，i2，...，im}，ij表示第j个物品，1≤j≤M，M表示物品总数；令rij表示第i个用户ui对第j个物品vj的评分值，则用户对物品的评分矩阵为R＝{rij}N×M；此处物品即为图片。
所述S2中提取图片的内容特征和风格特征的方法为：利用卷积神经网络提取图片的内容特征wc，通过计算某个网络层多个特征映射间的gram matrix值，学习得到风格特征。
所述S3中计算交互过的图片的内容特征平均值和风格特征平均值的方法为：提取用户对图片内容特征的偏好
Figure BDA0002916850640000021
所述偏好
Figure BDA0002916850640000022
表示用户产生过消费记录的物品的图片特征的平均值，提取用户对图片的风格偏好
Figure BDA0002916850640000023
所述风格偏好
Figure BDA0002916850640000024
表示用户产生过消费记录的物品的图片风格特征的平均值。
所述S4中拟合用户的隐特征和产品的隐特征的方法为：用户集U通过独热编码方式构造用户特征矩阵Q＝{q1,...,qi,...,qN}，其中，qi表示第i个用户的N维用户隐特征向量；物品集I通过独热编码方式构造用户特征矩阵P＝{P1，P2，…PM}，其中，Pi表示第i个用户的M维图片隐特征向量；用户u对物品i的预测评分可以表示为：
Figure BDA0002916850640000025
其中
Figure BDA0002916850640000026
表示第u个用户的隐特征与第i个图片的隐特征做内积，
Figure BDA0002916850640000027
表示用户u的图片内容偏好特征与第i个图片的图片内容特征做内积，
Figure BDA0002916850640000028
表示用户u的图片风格偏好特征与第i个图片的图片风格特征做内积，β、bi、bu分别表示全局、图片、用户的偏置项。
所述S5中目标损失函数为
Figure BDA0002916850640000029
其中σ为sigmoid函数，
Figure BDA00029168506400000210
为真实评分，
Figure BDA00029168506400000211
为预测评分。
本发明与现有技术相比，具有的有益效果是：
本发明将图片的风格特征考虑在内，考虑用户对图片风格的偏好程度，向用户推荐他们可能感兴趣的图片，弥补了市场对该领域研究的不足。本发明基于贝叶斯个性化排序模型，该技术简单可复现性高，复杂度低。本发明利用独热编码方式处理用户集和物品集，该处理方式起到了扩充特征的作用。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于产品图像风格的推荐方法，如图1所示，包括下列步骤：
S1、构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T：
S2、图片输入进卷积神经网络，提取图片的内容特征和风格特征；
S3、根据用户历史消费数据，计算其交互过的图片的内容特征平均值和风格特征平均值，分别作为用户的图片内容偏好特征和图片风格偏好特征；
S4、利用隐语意模型拟合用户的隐特征和产品的隐特征；
S5、构建目标损失函数；
S6、利用梯度下降方法对目标损失函数进行优化求解，使得目标损失函数最小，从而得到最优预测评分矩阵，并根据最优预测评分矩阵进行物品推荐。
进一步，S1中构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T的方法为：令U代表用户数据集，其中U＝{u1，...，uk，...，ui，...，uN},uk表示第k个用户，ui表示第i个用户，1≤i，k≤N，N表示用户总数；令I表示物品集，且令I＝{i1，i2，...，im}，ij表示第j个物品，1≤j≤M，M表示物品总数；令rij表示第i个用户ui对第j个物品vj的评分值，则用户对物品的评分矩阵为R＝{rij}N×M；此处物品即为图片。
进一步，S2中提取图片的内容特征和风格特征的方法为：利用卷积神经网络提取图片的内容特征wc，通过计算某个网络层多个特征映射间的gram matrix值，学习得到风格特征。
进一步，S3中计算交互过的图片的内容特征平均值和风格特征平均值的方法为：提取用户对图片内容特征的偏好
Figure BDA0002916850640000031
所述偏好
Figure BDA0002916850640000032
表示用户产生过消费记录的物品的图片特征的平均值，提取用户对图片的风格偏好
Figure BDA0002916850640000033
所述风格偏好
Figure BDA0002916850640000034
表示用户产生过消费记录的物品的图片风格特征的平均值。
进一步，S4中拟合用户的隐特征和产品的隐特征的方法为：用户集U通过独热编码方式构造用户特征矩阵Q＝{q1,...,qi,...,qN}，其中，qi表示第i个用户的N维用户隐特征向量；物品集I通过独热编码方式构造用户特征矩阵P＝{P1，P2，…PM}，其中，Pi表示第i个用户的M维图片隐特征向量；用户u对物品i的预测评分可以表示为：
Figure BDA0002916850640000035
其中
Figure BDA0002916850640000036
表示第u个用户的隐特征与第i个图片的隐特征做内积，
Figure BDA0002916850640000037
表示用户u的图片内容偏好特征与第i个图片的图片内容特征做内积，
Figure BDA0002916850640000041
表示用户u的图片风格偏好特征与第i个图片的图片风格特征做内积，β、bi、bu分别表示全局、图片、用户的偏置项。
进一步，S5中目标损失函数为
Figure BDA0002916850640000042
其中σ为sigmoid函数，
Figure BDA0002916850640000043
为真实评分，
Figure BDA0002916850640000044
为预测评分。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于产品图像风格的推荐方法，其特征在于：包括下列步骤：
S1、构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T：
S2、图片输入进卷积神经网络，提取图片的内容特征和风格特征；
S3、根据用户历史消费数据，计算其交互过的图片的内容特征平均值和风格特征平均值，分别作为用户的图片内容偏好特征和图片风格偏好特征；
S4、利用隐语意模型拟合用户的隐特征和产品的隐特征；
S5、构建目标损失函数；
S6、利用梯度下降方法对目标损失函数进行优化求解，使得目标损失函数最小，从而得到最优预测评分矩阵，并根据最优预测评分矩阵进行物品推荐。
2.根据权利要求1所述的一种基于产品图像风格的推荐方法，其特征在于：所述S1中构造用户对物品的评分矩阵R和用户与用户之间的社交关系矩阵T的方法为：令U代表用户数据集，其中U＝{u1，...，uk，...，ui，...，uN}，uk表示第k个用户，ui表示第i个用户，1≤i，k≤N，N表示用户总数；令I表示物品集，且令I＝{i1，i2，...，im}，ij表示第j个物品，1≤j≤M，M表示物品总数；令rij表示第i个用户ui对第j个物品vj的评分值，则用户对物品的评分矩阵为R＝{rij}N×M；此处物品即为图片。
3.根据权利要求1所述的一种基于产品图像风格的推荐方法，其特征在于：所述S2中提取图片的内容特征和风格特征的方法为：利用卷积神经网络提取图片的内容特征wc，通过计算某个网络层多个特征映射间的gram matrix值，学习得到风格特征。
4.根据权利要求1所述的一种基于产品图像风格的推荐方法，其特征在于：所述S3中计算交互过的图片的内容特征平均值和风格特征平均值的方法为：提取用户对图片内容特征的偏好
Figure FDA0002916850630000011
所述偏好
Figure FDA0002916850630000012
表示用户产生过消费记录的物品的图片特征的平均值，提取用户对图片的风格偏好
Figure FDA0002916850630000013
所述风格偏好
Figure FDA0002916850630000014
表示用户产生过消费记录的物品的图片风格特征的平均值。
5.根据权利要求1所述的一种基于产品图像风格的推荐方法，其特征在于：所述S4中拟合用户的隐特征和产品的隐特征的方法为：用户集U通过独热编码方式构造用户特征矩阵Q＝{q1，...，qi，...，qN}，其中，qi表示第i个用户的N维用户隐特征向量；物品集I通过独热编码方式构造用户特征矩阵P＝{P1，P2，…PM}，其中，Pi表示第i个用户的M维图片隐特征向量；用户u对物品i的预测评分可以表示为：
Figure FDA0002916850630000015
其中
Figure FDA0002916850630000016
表示第u个用户的隐特征与第i个图片的隐特征做内积，
Figure FDA0002916850630000017
表示用户u的图片内容偏好特征与第i个图片的图片内容特征做内积，
Figure FDA0002916850630000018
表示用户u的图片风格偏好特征与第i个图片的图片风格特征做内积，β、bi、bu分别表示全局、图片、用户的偏置项。
6.根据权利要求1所述的一种基于产品图像风格的推荐方法，其特征在于：所述S5中目标损失函数为
Figure FDA0002916850630000021
其中σ为sigmoid函数，
Figure FDA0002916850630000022
为真实评分，
Figure FDA0002916850630000023
为预测评分。
CN202110103358.7A 2021-01-26 2021-01-26 一种基于产品图像风格的推荐方法 Active CN112818146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110103358.7A CN112818146B (zh) 2021-01-26 2021-01-26 一种基于产品图像风格的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110103358.7A CN112818146B (zh) 2021-01-26 2021-01-26 一种基于产品图像风格的推荐方法

Publications (2)

Publication Number Publication Date
CN112818146A true CN112818146A (zh) 2021-05-18
CN112818146B CN112818146B (zh) 2022-12-02

Family

ID=75859371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110103358.7A Active CN112818146B (zh) 2021-01-26 2021-01-26 一种基于产品图像风格的推荐方法

Country Status (1)

Country Link
CN (1) CN112818146B (zh)

Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101535945A (zh) * 2006-04-25 2009-09-16 英孚威尔公司 全文查询和搜索系统及其使用方法
US20100075289A1 (en) * 2008-09-19 2010-03-25 International Business Machines Corporation Method and system for automated content customization and delivery
US20130086458A1 (en) * 2011-09-30 2013-04-04 Sony Corporation Information processing apparatus, information processing method, and computer readable medium
CN103455974A (zh) * 2013-05-24 2013-12-18 厦门美图网科技有限公司 一种图像素描风格化的处理方法
CN103714537A (zh) * 2013-12-19 2014-04-09 武汉理工大学 一种图像显著性的检测方法
CN104796806A (zh) * 2014-01-16 2015-07-22 英塔玛·乔巴尼 生产个性化耳机的系统和方法
CN105117741A (zh) * 2015-09-28 2015-12-02 上海海事大学 一种书法字风格的识别方法
CN105282616A (zh) * 2015-11-13 2016-01-27 云南大学 一种组合协同过滤iptv节目推荐方法
CN105430505A (zh) * 2015-11-13 2016-03-23 云南大学 一种基于组合策略的iptv节目推荐方法
CN106126067A (zh) * 2016-06-28 2016-11-16 广东欧珀移动通信有限公司 一种触发增强现实功能开启的方法、装置及移动终端
CN106709532A (zh) * 2017-01-25 2017-05-24 京东方科技集团股份有限公司 图像处理方法和装置
CN106874923A (zh) * 2015-12-14 2017-06-20 阿里巴巴集团控股有限公司 一种商品的风格分类确定方法及装置
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
CN107766323A (zh) * 2017-09-06 2018-03-06 淮阴工学院 一种基于互信息和关联规则的文本特征提取方法
CN108287857A (zh) * 2017-02-13 2018-07-17 腾讯科技（深圳）有限公司 表情图片推荐方法及装置
CN108320187A (zh) * 2018-02-02 2018-07-24 合肥工业大学 一种基于深度社交关系的推荐方法
CN108763493A (zh) * 2018-05-30 2018-11-06 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
CN108959603A (zh) * 2018-07-13 2018-12-07 北京印刷学院 基于深度神经网络的个性化推荐系统及方法
CN109410080A (zh) * 2018-10-16 2019-03-01 合肥工业大学 一种基于层次注意力机制的社交图像推荐方法
CN109448093A (zh) * 2018-10-25 2019-03-08 广东智媒云图科技股份有限公司 一种风格图像生成方法及装置
CN109816615A (zh) * 2019-03-06 2019-05-28 腾讯科技（深圳）有限公司 图像处理方法、装置、设备以及存储介质
CN110083769A (zh) * 2019-04-29 2019-08-02 西北工业大学 一种面向用户偏好演化的移动应用推荐方法
CN110119479A (zh) * 2019-05-16 2019-08-13 苏州大学 一种餐馆推荐方法、装置、设备及可读存储介质
CN110136216A (zh) * 2018-02-09 2019-08-16 北京三星通信技术研究有限公司 图像生成的方法及终端设备
CN110134885A (zh) * 2019-05-22 2019-08-16 广东工业大学 一种兴趣点推荐方法、装置、设备以及计算机存储介质
CN110276015A (zh) * 2019-06-28 2019-09-24 北京金山安全软件有限公司 内容推送方法、装置及电子设备
CN110473073A (zh) * 2019-08-21 2019-11-19 河北工程大学 线性加权推荐的方法及装置
CN110633377A (zh) * 2019-09-23 2019-12-31 三星电子（中国）研发中心 一种图片清理方法和装置
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统
CN111259238A (zh) * 2020-01-13 2020-06-09 山西大学 一种基于矩阵分解的事后可解释性推荐方法及装置
CN111612133A (zh) * 2020-05-20 2020-09-01 广州华见智能科技有限公司 基于人脸图像多阶段关系学习的内脏器官特征编码方法

Patent Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101535945A (zh) * 2006-04-25 2009-09-16 英孚威尔公司 全文查询和搜索系统及其使用方法
US20100075289A1 (en) * 2008-09-19 2010-03-25 International Business Machines Corporation Method and system for automated content customization and delivery
US20130086458A1 (en) * 2011-09-30 2013-04-04 Sony Corporation Information processing apparatus, information processing method, and computer readable medium
CN103455974A (zh) * 2013-05-24 2013-12-18 厦门美图网科技有限公司 一种图像素描风格化的处理方法
CN103714537A (zh) * 2013-12-19 2014-04-09 武汉理工大学 一种图像显著性的检测方法
CN104796806A (zh) * 2014-01-16 2015-07-22 英塔玛·乔巴尼 生产个性化耳机的系统和方法
CN105117741A (zh) * 2015-09-28 2015-12-02 上海海事大学 一种书法字风格的识别方法
CN105282616A (zh) * 2015-11-13 2016-01-27 云南大学 一种组合协同过滤iptv节目推荐方法
CN105430505A (zh) * 2015-11-13 2016-03-23 云南大学 一种基于组合策略的iptv节目推荐方法
CN106874923A (zh) * 2015-12-14 2017-06-20 阿里巴巴集团控股有限公司 一种商品的风格分类确定方法及装置
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
CN106126067A (zh) * 2016-06-28 2016-11-16 广东欧珀移动通信有限公司 一种触发增强现实功能开启的方法、装置及移动终端
CN106709532A (zh) * 2017-01-25 2017-05-24 京东方科技集团股份有限公司 图像处理方法和装置
CN108287857A (zh) * 2017-02-13 2018-07-17 腾讯科技（深圳）有限公司 表情图片推荐方法及装置
CN107766323A (zh) * 2017-09-06 2018-03-06 淮阴工学院 一种基于互信息和关联规则的文本特征提取方法
CN108320187A (zh) * 2018-02-02 2018-07-24 合肥工业大学 一种基于深度社交关系的推荐方法
CN110136216A (zh) * 2018-02-09 2019-08-16 北京三星通信技术研究有限公司 图像生成的方法及终端设备
CN108763493A (zh) * 2018-05-30 2018-11-06 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
CN108959603A (zh) * 2018-07-13 2018-12-07 北京印刷学院 基于深度神经网络的个性化推荐系统及方法
CN109410080A (zh) * 2018-10-16 2019-03-01 合肥工业大学 一种基于层次注意力机制的社交图像推荐方法
CN109448093A (zh) * 2018-10-25 2019-03-08 广东智媒云图科技股份有限公司 一种风格图像生成方法及装置
CN109816615A (zh) * 2019-03-06 2019-05-28 腾讯科技（深圳）有限公司 图像处理方法、装置、设备以及存储介质
CN110083769A (zh) * 2019-04-29 2019-08-02 西北工业大学 一种面向用户偏好演化的移动应用推荐方法
CN110119479A (zh) * 2019-05-16 2019-08-13 苏州大学 一种餐馆推荐方法、装置、设备及可读存储介质
CN110134885A (zh) * 2019-05-22 2019-08-16 广东工业大学 一种兴趣点推荐方法、装置、设备以及计算机存储介质
CN110276015A (zh) * 2019-06-28 2019-09-24 北京金山安全软件有限公司 内容推送方法、装置及电子设备
CN110473073A (zh) * 2019-08-21 2019-11-19 河北工程大学 线性加权推荐的方法及装置
CN110633377A (zh) * 2019-09-23 2019-12-31 三星电子（中国）研发中心 一种图片清理方法和装置
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统
CN111259238A (zh) * 2020-01-13 2020-06-09 山西大学 一种基于矩阵分解的事后可解释性推荐方法及装置
CN111612133A (zh) * 2020-05-20 2020-09-01 广州华见智能科技有限公司 基于人脸图像多阶段关系学习的内脏器官特征编码方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘华锋等: "融合社交信息的矩阵分解推荐方法研究综述", 《软件学报》 *
吴安波等: "基于深度学习的颜值估计与电商精准营销", 《工业工程与管理》 *
陈嘉颖等: "一种融合语义分析特征提取的推荐算法", 《计算机研究与发展》 *

Also Published As

Publication number Publication date
CN112818146B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN112581191B (zh) 行为预测模型的训练方法及装置
CN110555112B (zh) 一种基于用户正负偏好学习的兴趣点推荐方法
CN112905900B (zh) 基于图卷积注意力机制的协同过滤推荐方法
CN108304556B (zh) 基于内容与协同过滤相结合的个性化推荐方法
CN110674407B (zh) 基于图卷积神经网络的混合推荐方法
CN108665323B (zh) 一种用于理财产品推荐系统的集成方法
Peng et al. Unsupervised cross-media retrieval using domain adaptation with scene graph
CN111553754A (zh) 行为预测系统的更新方法及装置
US20220171760A1 (en) Data processing method and apparatus, computer-readable storage medium, and electronic device
CN108897791B (zh) 一种基于深度卷积特征和语义相似度量的图像检索方法
CN113468227A (zh) 基于图神经网络的信息推荐方法、系统、设备和存储介质
CN109947987B (zh) 一种交叉协同过滤推荐方法
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
CN112507246B (zh) 一种融合全局和局部社会兴趣影响的社会推荐方法
CN114693397A (zh) 一种基于注意力神经网络的多视角多模态商品推荐方法
CN113742556B (zh) 一种基于全局和局部对齐的多模态特征对齐方法
CN109584006A (zh) 一种基于深度匹配模型的跨平台商品匹配方法
CN112800326B (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
CN108389113B (zh) 一种协同过滤推荐方法和系统
CN114496165A (zh) 一种基于异构图的食品膳食推荐方法
Murrugarra-Llerena et al. Image retrieval with mixed initiative and multimodal feedback
CN109446368B (zh) 一种基于类别信息的鸟类检索方法及系统
CN111104601A (zh) 一种对抗式多反馈层级成对个性化排名方法
CN108984551A (zh) 一种基于多类别联合软聚类的推荐方法及系统
CN113449200B (zh) 物品推荐方法、装置及计算机存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231228

Address after: 321000, Unit 201, Building 9, Jiangbin Garden, Puyang Street, Pujiang County, Jinhua City, Zhejiang Province

Patentee after: Pujiang County Baiye Trading Co.,Ltd.

Patentee after: Shanxi Zhongrunjie Environmental Technology Co.,Ltd.

Address before: 030006 room a118, No.15, Keji street, high tech Zone, Taiyuan City, Shanxi Province

Patentee before: Shanxi Sanyouhuo Intelligence Information Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240311

Address after: Room 2902, Unit 2, Building 6, Zone A, No. 39 Puhui Road (Haima Park), Zhengdong New District, Zhengzhou City, Henan Province, 450000

Patentee after: Henan Zhongzhao Yi Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: 321000, Unit 201, Building 9, Jiangbin Garden, Puyang Street, Pujiang County, Jinhua City, Zhejiang Province

Patentee before: Pujiang County Baiye Trading Co.,Ltd.

Country or region before: China

Patentee before: Shanxi Zhongrunjie Environmental Technology Co.,Ltd.