CN112925994A - 基于局部和全局信息融合的群组推荐方法、系统及设备 - Google Patents

基于局部和全局信息融合的群组推荐方法、系统及设备 Download PDF

Info

Publication number
CN112925994A
CN112925994A CN202110409132.XA CN202110409132A CN112925994A CN 112925994 A CN112925994 A CN 112925994A CN 202110409132 A CN202110409132 A CN 202110409132A CN 112925994 A CN112925994 A CN 112925994A
Authority
CN
China
Prior art keywords
group
representation
item
obtaining
local
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
CN202110409132.XA
Other languages
English (en)
Other versions
CN112925994B (zh
Inventor
章颂
郑楠
王丹力
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110409132.XA priority Critical patent/CN112925994B/zh
Publication of CN112925994A publication Critical patent/CN112925994A/zh
Application granted granted Critical
Publication of CN112925994B publication Critical patent/CN112925994B/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
    • G06F16/90—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic 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

Abstract

本发明属于深度学习领域，具体涉及了一种基于局部和全局信息融合的群组推荐方法、系统及设备，旨在解决现有的群组推荐方法仅从群体和用户之间的单一交互中学习群组的表示，无法考虑全面信息的群组推荐的问题。本发明包括：通过但类型聚合注意力模块分别获取含有用户语义特征信息的项目表示、含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示，进而获取项目的最终表示；通过获取群组的局部特征表示和全局特征表示并将其进行信息融合获得群组的最终表示，进而计算目标群组对项目的偏好值，基于偏好值进行排序，生成项目推荐列表。本发明通过深度学习和注意力机制实现了组内的全局表示，融合全局和局部信息，提高了群组推荐的准确度。

Description

基于局部和全局信息融合的群组推荐方法、系统及设备
技术领域
本发明属于深度学习领域，具体涉及了一种基于局部和全局信息融合的群组推荐方法、系统及设备。
背景技术
近年来，随着社交网络的发展，群组活动变得越来越受欢迎。
群组推荐系统也已应用于各种领域，例如电子商务，娱乐，社交媒体，旅游业等。
与传统的个性化推荐不同，群组推荐的目的是为寻找目标群组很可能感兴趣的项。
随着群组活动需求的不断变化和对活动的要求不断的提升，群组推荐系统也迫切需要快速地发展。
现有的基于深度学习的群体推荐方法主要存在以下两个问题：
(1)群组活动中存在多种交互信息：用户-群组、用户- 项目、群组-项目交互，但是现有的方法大多集中在从单一的交互(群组-项目)中学习群组的表示，导致模型并不能够充分的利用这些交互信息。
(2)目前尚没有相关的群组推荐模型利用群组之外的全局信息，导致模型的推荐效果并不理想。
发明内容
为了解决现有技术中的上述问题，即现有的群组推荐方法仅从群体和用户之间的单一的交互中学习群组的表示，无法考虑全面信息的群组推荐的问题，本发明提供了一种基于局部和全局信息融合的群组推荐方法，所述方法包括：
步骤S100，基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图；
步骤S200，基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000021
含有用户语义特征信息的群组表示
Figure BDA0003023469570000022
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000023
步骤S300，基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure BDA0003023469570000024
通过多类型融合注意力模块获得项目的最终表示
Figure BDA0003023469570000025
步骤S400，基于群组固有的语义特征信息
Figure BDA0003023469570000026
含有用户语义特征信息的群组表示
Figure BDA0003023469570000027
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000028
通过多类型融合注意力模块获得群组的局部特征表示
Figure BDA0003023469570000029
步骤S500，基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure BDA00030234695700000210
获得群组的全局特征表示
Figure BDA00030234695700000211
步骤S600，通过所述群组固有的语义特征信息
Figure BDA00030234695700000212
群组的局部特征表示
Figure BDA00030234695700000213
和群组的全局特征表示
Figure BDA00030234695700000214
通过多类型融合注意力模块获得群组的最终表示
Figure BDA00030234695700000215
步骤S700，基于所述项目的最终表示
Figure BDA00030234695700000216
和群组的最终表示
Figure BDA00030234695700000217
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vl的偏好值；
步骤S800，基于所述目标群组gl对于项目vl的偏好值，对候选项目进行排序，为群组生成项目推荐列表。
在一些优选的实施方式中，所述单类型聚合注意力模块中的权重计算公式为：
Figure BDA0003023469570000031
其中，qj表示目标对象，It(qj)表示与qj有交互关系的对象集合，t为对象类型，
Figure BDA0003023469570000032
和
Figure BDA0003023469570000033
表示注意力网络的权重矩阵参数，
Figure BDA0003023469570000034
是和qj交互过的t类型对象的特征向量，bt是偏置向量，wt是权重向量，dt是偏置参数，sigmoid是激活函数，σ(·)是ReLU激活函数。
在一些优选的实施方式中，步骤S200包括：
步骤S200A，基于所述用户-项目交互视图，通过单类型聚合注意力模块获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000035
Figure BDA0003023469570000036
其中，ui，j表示与项目vi有过交互的用户，Iu(vi)表示与项目vi有过交互的用户集合，权重系数αj为通过将ui，j和vi分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000037
和qj获得；
步骤S200B，基于所述群组-用户交互视图，通过单类型聚合注意力模块获取含有用户语义特征信息的群组表示
Figure BDA0003023469570000038
Figure BDA0003023469570000039
其中，ul，j表示与目标群组gl有过交互的用户，Iu(gl)表示与目标群组gl有过交互的用户集合，权重系数
Figure BDA00030234695700000310
为通过将ul，j和gl分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000041
和qj获得；
步骤S200C，基于所述群组-项目交互视图，通过单类型聚合注意力模块获取含有项目语义特征信息的群组表示
Figure BDA0003023469570000042
Figure BDA0003023469570000043
其中，vl，i表示与目标群组gl有过交互的项目，Iv(gl)表示与目标群组gl有过交互的项目集合，
Figure BDA0003023469570000044
为通过将vl，i和gl分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000045
和qj获得。
在一些优选的实施方式中，所述多类型融合注意力模块中的权重计算公式为：
Figure BDA0003023469570000046
其中，Wq和
Figure BDA0003023469570000047
表示多类型融合注意力模板的权重矩阵，
Figure BDA0003023469570000048
表示目标对象
Figure BDA0003023469570000049
的t类型特征向量，w表示权重向量，b表示偏置向量，d表示偏置参数，sigmoid是激活函数，σ(·)是ReLU激活函数，k表示类型总数。
在一些优选的实施方式中，所述项目的最终表示
Figure BDA00030234695700000410
其计算方法为：
Figure BDA00030234695700000411
其中，权重系数β1和β2为分别将
Figure BDA00030234695700000412
和vi代入所述多类型融合注意力模块中的权重计算公式中的
Figure BDA00030234695700000413
获得；
所述群组的局部特征表示
Figure BDA00030234695700000414
其计算方法为：
Figure BDA00030234695700000415
其中，权重系数
Figure BDA00030234695700000416
和
Figure BDA00030234695700000417
为分别将
Figure BDA00030234695700000418
和
Figure BDA00030234695700000419
代入所述多类型融合注意力模块中的权重计算公式中的
Figure BDA00030234695700000420
获得。
在一些优选的实施方式中，所述步骤S500，其具体步骤包括：
基于所述群组-项目交互视图，计算任一群组gk和目标群组gl的相似度simi(l，k)，重复计算其他所有群组和目标群组gl的 simi(l，k)，按照从高到低的顺序排序，采样前γ个群组组成目标群组的γ近邻群组集合
Figure BDA0003023469570000051
所述群组的全局特征表示
Figure BDA0003023469570000052
Figure BDA0003023469570000053
其中，gl，k表示与目标群组gl的近邻群组，权重系数αk为通过将gl，k和gl代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000054
和qj获得。
在一些优选的实施方式中，所述群组的最终表示
Figure BDA0003023469570000055
其计算方法为：
Figure BDA0003023469570000056
其中，权重系数β3、β4和β5为分别将gl、
Figure BDA0003023469570000057
和
Figure BDA0003023469570000058
代入所述多类型融合注意力模块中的权重计算公式中的
Figure BDA0003023469570000059
获得。
在一些优选的实施方式中，所述步骤S700，其具体步骤包括：
步骤S710，基于所述所述项目的最终表示
Figure BDA00030234695700000510
和群组的最终表示
Figure BDA00030234695700000511
通过池化层获得组合特征h0：
Figure BDA00030234695700000512
其中，⊙表示两个向量的元素级别乘积操作，concat表示特征的拼接操作；
步骤S720，基于所述组合特征h0，通过预设个数的隐藏层，获取
Figure BDA00030234695700000513
和
Figure BDA00030234695700000514
组合特征的非线性关系和高阶交互关系：
Figure BDA0003023469570000061
其中，We表示权重矩阵，be表示偏置向量，he表示第e个隐藏层的输出，e表示预设的隐藏层的层数，σ表示ReLU激活函数；
步骤S730，基于所述第e个隐藏层的输出he，通过全连接层获得目标群组gl对目标项目vi的偏好得分rli：
rli＝sigmoid(wThe)
wT表示权重向量，sigmoid表示将隐藏层的输出映射到[0，1]的激活函数。
本发明的另一方面，提出了一种基于局部和全局信息融合的群组推荐系统，所述系统包括：历史视图获取单元、项目表示及群组表示获取单元、项目的最终表示获取单元、群组的局部特征表示获取单元、群组的全局特征表示获取单元、局部全局信息融合单元、偏好值计算单元和推荐排序单元；
所述历史视图获取单元，配置为基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图；
所述项目表示及群组表示获取单元，配置为基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000062
含有用户语义特征信息的群组表示
Figure BDA0003023469570000063
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000064
所述项目的最终表示获取单元，配置为基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure BDA0003023469570000065
通过多类型融合注意力模块获得项目的最终表示
Figure BDA0003023469570000066
所述群组的局部特征表示获取单元，配置为基于群组固有的语义特征信息
Figure BDA0003023469570000071
含有用户语义特征信息的群组表示
Figure BDA0003023469570000072
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000073
通过多类型融合注意力模块获得群组的局部特征表示
Figure BDA0003023469570000074
所述群组的全局特征表示获取单元，配置为基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure BDA0003023469570000075
获得群组的全局特征表示
Figure BDA0003023469570000076
所述局部全局信息融合单元，配置为通过所述群组固有的语义特征信息
Figure BDA0003023469570000077
群组的局部特征表示
Figure BDA0003023469570000078
和群组的全局特征表示
Figure BDA0003023469570000079
通过多类型融合注意力模块获得群组的最终表示
Figure BDA00030234695700000710
所述偏好值计算单元，配置为基于所述项目的最终表示
Figure BDA00030234695700000711
和群组的最终表示
Figure BDA00030234695700000712
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vl的偏好值；
所述推荐排序单元，配置为基于所述目标。群组gl对于项目vl的偏好值进行排序，生成项目推荐列表。
本发明的第三方面，提出了一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于局部和全局信息融合的群组推荐方法。
本发明的有益效果：
(1)本发明基于局部和全局信息融合的群组推荐方法，通过深度学习和注意力机制实现了组内的全局表示，通过融合了全局和局部信息，实现群组对项目的偏好得分，提高了群组推荐的准确度。
(2)本发明实现了利用群组的全局信息增强群组的表示的群组推荐；
(3)本发明利用了组内的三种交互关系，从而在一定程度上缓解了由于数据稀疏性所导致的群组或者项目表示不充分的问题；
(4)本发明提出了两种注意力机制的方式，包括单类型聚合注意力方法、多类型融合注意力方法；
(5)本发明基于注意力机制，提出了一种基于全局和局部信息融合的群组推荐方法，可以有效的提升群组推荐的效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于局部和全局信息融合的群组推荐方法实施例的流程示意图；
图2是本发明实施例的原理示意图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于局部和全局信息融合的群组推荐方法，本方法通过深度学习和注意力机制实现了组内的全局表示，通过融合了全局和局部信息，实现群组对项目的偏好得分，提高了群组推荐的准确度。
本发明的一种基于局部和全局信息融合的群组推荐方法，包括：
步骤S100，基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图和群组-项目交互视图；
步骤S200，基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000091
含有用户语义特征信息的群组表示
Figure BDA0003023469570000092
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000093
步骤S300，基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure BDA0003023469570000094
通过多类型融合注意力模块获得项目的最终表示
Figure BDA0003023469570000095
步骤S400，基于群组固有的语义特征信息
Figure BDA0003023469570000096
含有用户语义特征信息的群组表示
Figure BDA0003023469570000097
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000098
通过多类型融合注意力模块获得群组的局部特征表示
Figure BDA0003023469570000099
步骤S500，基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure BDA00030234695700000910
获得群组的全局特征表示
Figure BDA00030234695700000911
步骤S600，通过所述群组固有的语义特征信息
Figure BDA00030234695700000912
群组的局部特征表示
Figure BDA00030234695700000913
和群组的全局特征表示
Figure BDA00030234695700000914
通过多类型融合注意力模块获得群组的最终表示
Figure BDA00030234695700000915
步骤S700，基于所述项目的最终表示
Figure BDA00030234695700000916
和群组的最终表示
Figure BDA00030234695700000917
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vl的偏好值；
步骤S800，基于所述目标群组gl对于项目vl的偏好值，对候选项目进行排序，为群组生成项目推荐列表。
为了更清晰地对本发明基于局部和全局信息融合的群组推荐方法进行说明，下面结合图1和图2对本发明实施例中各步骤展开详述。
本发明第一实施例的基于局部和全局信息融合的群组推荐方法，包括步骤S100-步骤S800，各步骤详细描述如下：
步骤S100，基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图；
在本实施例中，将所述用户-项目交互视图、群组-用户交互视图、群组-项目交互视图进行切片处理，产生预设比例的训练数据和测试数据，将历史交互数据构成训练所需的正样本，将没有和群组或用户交互过的项目作为负样本。
所述三种交互信息可以充分的反映出群组，项目和用户三者之间的关系，例如项目-用户交互，用户所选的项目可以在一定程度上反映出该用户的偏好，而该用户的偏好，又一定程度上可以反映出该项目的某些特征。上述所述的三种交互对象，可以在一定程度上互相表示，即可以用多种语义信息表示项目和群组。所述的群组-用户交互、群组-项目交互视为群组的局部交互信息，而群组的全局信息是和目标群组相似的群组集合，这些相似的群组，在一定程度上表现是相似的偏好，可以用相似群组的语义特征信息表示目标群组，视为群组的全局信息。在群组的局部信息和全局信息基础之上，通过注意力机制，获取局部信息和全局的信息的权重值，再将全局信息和局部信息加权相加，得到群组的最终表示。在获取的项目和群组的最终表示的基础上，通过池化层，获取项目和群组的组合特征，再经过多个隐藏层，学习两者的非线性关系和更高阶的交互关系得到最终的交互特征向量。最后再通过一个全连接层，将所述交互特征向量转化为目标群组对目标项目的偏好得分。
步骤S200，基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000111
含有用户语义特征信息的群组表示
Figure BDA0003023469570000112
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000113
单类型聚合注意力模块，从多个单一语义特征信息中，学习出每个相同语义信息特征所占的权重；
在本实施例中，所述单类型聚合注意力模块中的权重计算公式如公式(1)所示：
Figure BDA0003023469570000114
其中，qj表示目标对象，It(qj)表示与qj有交互关系的对象集合，t为对象类型，
Figure BDA0003023469570000115
和
Figure BDA0003023469570000116
表示注意力网络的权重矩阵参数，
Figure BDA0003023469570000117
是和qj交互过的t类型对象的特征向量，bt是偏置向量，wt是权重向量，dt是偏置参数，sigmoid是激活函数，σ(·)是ReLU激活函数。
在本实施例中，步骤S200包括：
步骤S200A，基于所述用户-项目交互视图，通过单类型聚合注意力模块获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000118
如公式(2)所示：
Figure BDA0003023469570000119
其中，ui，j表示与项目vi有过交互的用户，Iu(vi)表示与项目vi有过交互的用户集合，权重系数αj为通过将ui，j和vi分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000121
和qj获得；
步骤S200B，基于所述群组-用户交互视图，通过单类型聚合注意力模块获取含有用户语义特征信息的群组表示
Figure BDA0003023469570000122
如公式(3)所示：
Figure BDA0003023469570000123
其中，ul，j表示与目标群组gl有过交互的用户，Iu(gl)表示与目标群组gl有过交互的用户集合，权重系数
Figure BDA0003023469570000124
为通过将ul，j和 gl分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000125
和qj获得；
步骤S200C，基于所述群组-项目交互视图，通过单类型聚合注意力模块获取含有项目语义特征信息的群组表示
Figure BDA0003023469570000126
如公式(4)所示：
Figure BDA0003023469570000127
其中，vl，i表示与目标群组gl有过交互的项目，Iv(gl)表示与目标群组gl有过交互的项目集合，
Figure BDA0003023469570000128
为通过将vl，i和gl分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000129
和qj获得。
步骤S300，基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure BDA00030234695700001210
通过多类型融合注意力模块获得项目的最终表示
Figure BDA00030234695700001211
多类型融合注意力模块，从多个不同语义特征信息中，学习出每个不同语义信息特征所占的比重；
在本实施例中，所述多类型融合注意力模块中的权重计算公式如公式(5)所示：
Figure BDA0003023469570000131
其中，Wq和
Figure BDA0003023469570000132
表示多类型融合注意力模板的权重矩阵，
Figure BDA0003023469570000133
表示目标对象
Figure BDA0003023469570000134
的t类型特征向量，w表示权重向量，b表示偏置向量，d表示偏置参数，sigmoid是激活函数，σ(·)是ReLU激活函数，k表示类型总数。
在本实施例中，所述项目的最终表示
Figure BDA0003023469570000135
其计算方法如公式(6)所示：
Figure BDA0003023469570000136
其中，权重系数β1和β2为分别将
Figure BDA0003023469570000137
和vi代入所述多类型融合注意力模块中的权重计算公式中的
Figure BDA0003023469570000138
获得；
步骤S400，基于群组固有的语义特征信息
Figure BDA0003023469570000139
含有用户语义特征信息的群组表示
Figure BDA00030234695700001310
和含有项目语义特征信息的群组表示
Figure BDA00030234695700001311
通过多类型融合注意力模块获得群组的局部特征表示
Figure BDA00030234695700001312
所述群组的局部特征表示
Figure BDA00030234695700001313
其计算方法如公式(7) 所示：
Figure BDA00030234695700001314
其中，权重系数
Figure BDA00030234695700001315
和
Figure BDA00030234695700001316
为分别将
Figure BDA00030234695700001317
和
Figure BDA00030234695700001318
代入所述多类型融合注意力模块中的权重计算公式中的
Figure BDA00030234695700001319
获得。
步骤S500，基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure BDA0003023469570000141
获得群组的全局特征表示
Figure BDA0003023469570000142
在本实施例中，基于所述群组-项目交互视图，计算任一群组gk和目标群组gl的相似度simi(l，k)，重复计算其他所有群组和目标群组gl的simi(l，k)，按照从高到低的顺序排序，采样前γ个群组组成目标群组的γ近邻群组集合
Figure BDA0003023469570000143
所述群组的全局特征表示
Figure BDA0003023469570000144
如公式(8)所示：
Figure BDA0003023469570000145
其中，gl，k表示与目标群组gl的近邻群组，权重系数αk为通过将gl，k和gl代入所述单类型聚合注意力模块中的权重计算公式中的
Figure BDA0003023469570000146
和qj获得。
步骤S600，通过所述群组固有的语义特征信息
Figure BDA0003023469570000147
群组的局部特征表示
Figure BDA0003023469570000148
和群组的全局特征表示
Figure BDA0003023469570000149
通过多类型融合注意力模块获得群组的最终表示
Figure BDA00030234695700001410
在本实施例中，所述群组的最终表示
Figure BDA00030234695700001411
其计算方法如公式(9)所示：
Figure BDA00030234695700001412
其中，权重系数β3、β4和β5为分别将gl、
Figure BDA00030234695700001413
和
Figure BDA00030234695700001414
代入所述多类型融合注意力模块中的权重计算公式中的
Figure BDA00030234695700001415
获得。
步骤S700，基于所述项目的最终表示
Figure BDA00030234695700001416
和群组的最终表示
Figure BDA00030234695700001417
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vl的偏好值；
在本实施例中，所述步骤S700，其具体步骤包括：
步骤S710，基于所述所述项目的最终表示
Figure BDA0003023469570000151
和群组的最终表示
Figure BDA0003023469570000152
通过池化层获得组合特征h0如公式(10)所示：
Figure BDA0003023469570000153
其中，⊙表示两个向量的元素级别乘积操作，concat表示特征的拼接操作；
步骤S720，基于所述组合特征h0，通过预设个数的隐藏层，获取
Figure BDA0003023469570000154
和
Figure BDA0003023469570000155
组合特征的非线性关系和高阶交互关系如公式 (11)所示：
Figure BDA0003023469570000156
其中，We表示权重矩阵，be表示偏置向量，he表示第e个隐藏层的输出，e表示预设的隐藏层的层数，σ表示ReLU激活函数；
步骤S730，基于所述第e个隐藏层的输出he，通过全连接层获得目标群组gl对目标项目vi的偏好得分rli如公式(12)所示：
rli＝sigmoid(wThe) (12)
wT表示权重向量，sigmoid表示将隐藏层的输出映射到[0，1]的激活函数。
本发明第二实施例的基于局部和全局信息融合的群组推荐系统，包括历史视图获取单元、项目表示及群组表示获取单元、项目的最终表示获取单元、群组的局部特征表示获取单元、群组的全局特征表示获取单元、局部全局信息融合单元、偏好值计算单元和推荐排序单元；
所述历史视图获取单元，配置为基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图；
所述项目表示及群组表示获取单元，配置为基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure BDA0003023469570000161
含有用户语义特征信息的群组表示
Figure BDA0003023469570000162
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000163
所述项目的最终表示获取单元，配置为基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure BDA0003023469570000164
通过多类型融合注意力模块获得项目的最终表示
Figure BDA0003023469570000165
所述群组的局部特征表示获取单元，配置为基于群组固有的语义特征信息
Figure BDA0003023469570000166
含有用户语义特征信息的群组表示
Figure BDA0003023469570000167
和含有项目语义特征信息的群组表示
Figure BDA0003023469570000168
通过多类型融合注意力模块获得群组的局部特征表示
Figure BDA0003023469570000169
所述群组的全局特征表示获取单元，配置为基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure BDA00030234695700001610
获得群组的全局特征表示
Figure BDA00030234695700001611
所述局部全局信息融合单元，配置为通过所述群组固有的语义特征信息
Figure BDA00030234695700001612
群组的局部特征表示
Figure BDA00030234695700001613
和群组的全局特征表示
Figure BDA00030234695700001614
通过多类型融合注意力模块获得群组的最终表示
Figure BDA00030234695700001615
所述偏好值计算单元，配置为基于所述项目的最终表示
Figure BDA0003023469570000171
和群组的最终表示
Figure BDA0003023469570000172
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vl的偏好值；
所述推荐排序单元，配置为基于所述目标。群组gl对于项目vl的偏好值进行排序，生成项目推荐列表。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于局部和全局信息融合的群组推荐系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于局部和全局信息融合的群组推荐方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于局部和全局信息融合的群组推荐方法，其特征在于，所述方法包括：
步骤S100，基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图和群组-项目交互视图；
步骤S200，基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure FDA0003023469560000011
含有用户语义特征信息的群组表示
Figure FDA0003023469560000012
和含有项目语义特征信息的群组表示
Figure FDA0003023469560000013
步骤S300，基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure FDA0003023469560000014
通过多类型融合注意力模块获得项目的最终表示
Figure FDA0003023469560000015
步骤S400，基于群组固有的语义特征信息
Figure FDA0003023469560000016
含有用户语义特征信息的群组表示
Figure FDA0003023469560000017
和含有项目语义特征信息的群组表示
Figure FDA0003023469560000018
通过多类型融合注意力模块获得群组的局部特征表示
Figure FDA0003023469560000019
步骤S500，基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure FDA00030234695600000110
获得群组的全局特征表示
Figure FDA00030234695600000111
步骤S600，通过所述群组固有的语义特征信息
Figure FDA00030234695600000112
群组的局部特征表示
Figure FDA00030234695600000113
和群组的全局特征表示
Figure FDA00030234695600000114
通过多类型融合注意力模块获得群组的最终表示
Figure FDA00030234695600000115
步骤S700，基于所述项目的最终表示
Figure FDA00030234695600000116
和群组的最终表示
Figure FDA00030234695600000117
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vl的偏好值；
步骤S800，基于所述目标群组gl对于项目vl的偏好值，对候选项目进行排序，为群组生成项目推荐列表。
2.根据权利要求1所述的基于局部和全局信息融合的群组推荐方法，其特征在于，所述单类型聚合注意力模块中的权重计算公式为：
Figure FDA0003023469560000021
其中，qj表示目标对象，It(qj)表示与qj有交互关系的对象集合，t为对象类型，
Figure FDA0003023469560000022
和
Figure FDA0003023469560000023
表示注意力网络的权重矩阵参数，
Figure FDA0003023469560000024
是和qj交互过的t类型对象的特征向量，bt是偏置向量，wt是权重向量，dt是偏置参数，sigmoid是激活函数,σ(·)是ReLU激活函数。
3.根据权利要求2所述的基于局部和全局信息融合的群组推荐方法，其特征在于，所述步骤S200包括：
步骤S200A，基于所述用户-项目交互视图，通过单类型聚合注意力模块获取含有用户语义特征信息的项目表示
Figure FDA0003023469560000025
Figure FDA0003023469560000026
其中，ui，j表示与项目vi有过交互的用户，Iu(vi)表示与项目vi有过交互的用户集合，权重系数αj为通过将ui，j和vi分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure FDA0003023469560000027
和qj获得；
步骤S200B，基于所述群组-用户交互视图，通过单类型聚合注意力模块获取含有用户语义特征信息的群组表示
Figure FDA0003023469560000028
Figure FDA0003023469560000029
其中，ul，j表示与目标群组gl有过交互的用户，Iu(gl)表示与目标群组gl有过交互的用户集合，权重系数
Figure FDA0003023469560000031
为通过将ul，j和gl分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure FDA0003023469560000032
和qj获得；
步骤S200C，基于所述群组-项目交互视图，通过单类型聚合注意力模块获取含有项目语义特征信息的群组表示
Figure FDA0003023469560000033
Figure FDA0003023469560000034
其中，vl，i表示与目标群组gl有过交互的项目，Iv(gl)表示与目标群组gl有过交互的项目集合，
Figure FDA0003023469560000035
为通过将vl，i和gl分别代入所述单类型聚合注意力模块中的权重计算公式中的
Figure FDA0003023469560000036
和qj获得。
4.根据权利要求1所述的基于局部和全局信息融合的群组推荐方法，其特征在于，所述多类型融合注意力模块中的权重计算公式为：
Figure FDA0003023469560000037
其中，Wq和
Figure FDA0003023469560000038
表示多类型融合注意力模板的权重矩阵，
Figure FDA0003023469560000039
表示目标对象
Figure FDA00030234695600000310
的t类型特征向量，w表示权重向量，b表示偏置向量，d表示偏置参数，sigmoid是激活函数,σ(·)是ReLU激活函数，k表示类型总数。
5.根据权利要求4所述的基于局部和全局信息融合的群组推荐方法，其特征在于：
所述项目的最终表示
Figure FDA00030234695600000311
其计算方法为：
Figure FDA00030234695600000312
其中，权重系数β1和β2为分别将
Figure FDA0003023469560000041
和vi代入所述多类型融合注意力模块中的权重计算公式中的
Figure FDA0003023469560000042
获得；
所述群组的局部特征表示
Figure FDA0003023469560000043
其计算方法为：
Figure FDA0003023469560000044
其中，权重系数
Figure FDA0003023469560000045
和
Figure FDA0003023469560000046
为分别将
Figure FDA0003023469560000047
和
Figure FDA0003023469560000048
代入所述多类型融合注意力模块中的权重计算公式中的
Figure FDA0003023469560000049
获得。
6.根据权利要求2所述的基于局部和全局信息融合的群组推荐方法，其特征在于，所述步骤S500，其具体步骤包括：
基于所述群组-项目交互视图，计算任一群组gk和目标群组gl的相似度simi(l，k)，重复计算其他所有群组和目标群组gl的simi(l，k)，按照从高到低的顺序排序，采样前γ个群组组成目标群组的γ近邻群组集合
Figure FDA00030234695600000410
所述群组的全局特征表示
Figure FDA00030234695600000411
Figure FDA00030234695600000412
其中，gl，k表示与目标群组gl的近邻群组，权重系数αk为通过将gl，k和gl代入所述单类型聚合注意力模块中的权重计算公式中的
Figure FDA00030234695600000413
和qj获得。
7.根据权利要求4所述的基于局部和全局信息融合的群组推荐方法，其特征在于，所述群组的最终表示
Figure FDA00030234695600000414
其计算方法为：
Figure FDA00030234695600000415
其中，权重系数β3、β4和β5为分别将gl、
Figure FDA00030234695600000416
和
Figure FDA00030234695600000417
代入所述多类型融合注意力模块中的权重计算公式中的
Figure FDA00030234695600000418
获得。
8.根据权利要求1所述的基于局部和全局信息融合的群组推荐方法，其特征在于，所述步骤S700，其具体步骤包括：
步骤S710，基于所述所述项目的最终表示
Figure FDA0003023469560000051
和群组的最终表示
Figure FDA0003023469560000052
通过池化层获得组合特征h0：
Figure FDA0003023469560000053
其中，⊙表示两个向量的元素级别乘积操作，concat表示特征的拼接操作；
步骤S720，基于所述组合特征h0，通过预设个数的隐藏层，获取
Figure FDA0003023469560000054
和
Figure FDA0003023469560000055
组合特征的非线性关系和高阶交互关系：
Figure FDA0003023469560000056
其中，We表示权重矩阵，be表示偏置向量，he表示第e个隐藏层的输出，e表示预设的隐藏层的层数，σ表示ReLU激活函数；
步骤S730，基于所述第e个隐藏层的输出he，通过全连接层获得目标群组gl对目标项目vi的偏好得分rli：
rli＝sigmoid(wThe)
wT表示权重向量，sigmoid表示将隐藏层的输出映射到[0,1]的激活函数。
9.一种基于局部和全局信息融合的群组推荐系统，其特征在于，所述系统包括历史视图获取单元、项目表示及群组表示获取单元、项目的最终表示获取单元、群组的局部特征表示获取单元、群组的全局特征表示获取单元、局部全局信息融合单元、偏好值计算单元和推荐排序单元；
所述历史视图获取单元，配置为基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图和群组-项目交互视图；
所述项目表示及群组表示获取单元，配置为基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图，通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示
Figure FDA0003023469560000061
含有用户语义特征信息的群组表示
Figure FDA0003023469560000062
和含有项目语义特征信息的群组表示
Figure FDA0003023469560000063
所述项目的最终表示获取单元，配置为基于项目固有的语义特征信息vi和含有用户语义特征信息的项目表示
Figure FDA0003023469560000064
通过多类型融合注意力模块获得项目的最终表示
Figure FDA0003023469560000065
所述群组的局部特征表示获取单元，配置为基于群组固有的语义特征信息
Figure FDA0003023469560000066
含有用户语义特征信息的群组表示
Figure FDA0003023469560000067
和含有项目语义特征信息的群组表示
Figure FDA0003023469560000068
通过多类型融合注意力模块获得群组的局部特征表示
Figure FDA0003023469560000069
所述群组的全局特征表示获取单元，配置为基于所述群组-项目交互视图，通过单类型聚合注意力模块，聚合目标群组gl的γ个近邻群组
Figure FDA00030234695600000610
获得群组的全局特征表示
Figure FDA00030234695600000611
所述局部全局信息融合单元，配置为通过所述群组固有的语义特征信息
Figure FDA00030234695600000612
群组的局部特征表示
Figure FDA00030234695600000613
和群组的全局特征表示
Figure FDA00030234695600000614
通过多类型融合注意力模块获得群组的最终表示
Figure FDA00030234695600000615
所述偏好值计算单元，配置为基于所述项目的最终表示
Figure FDA00030234695600000616
和群组的最终表示
Figure FDA00030234695600000617
通过池化层获得组合特征h0，并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he，通过全连接层获得目标群组gl对于项目vL的偏好值；
所述推荐排序单元，配置为基于所述目标群组gl对于项目vl的偏好值，对候选项目进行排序，为群组生成项目推荐列表。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-8所述的基于局部和全局信息融合的群组推荐方法。
CN202110409132.XA 2021-04-16 2021-04-16 基于局部和全局信息融合的群组推荐方法、系统及设备 Active CN112925994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110409132.XA CN112925994B (zh) 2021-04-16 2021-04-16 基于局部和全局信息融合的群组推荐方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110409132.XA CN112925994B (zh) 2021-04-16 2021-04-16 基于局部和全局信息融合的群组推荐方法、系统及设备

Publications (2)

Publication Number Publication Date
CN112925994A true CN112925994A (zh) 2021-06-08
CN112925994B CN112925994B (zh) 2023-12-19

Family

ID=76174469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110409132.XA Active CN112925994B (zh) 2021-04-16 2021-04-16 基于局部和全局信息融合的群组推荐方法、系统及设备

Country Status (1)

Country Link
CN (1) CN112925994B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116204729A (zh) * 2022-12-05 2023-06-02 重庆邮电大学 一种基于超图神经网络的跨领域群组智能推荐方法
CN116821516A (zh) * 2023-08-30 2023-09-29 腾讯科技（深圳）有限公司 资源推荐方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1955266A1 (en) * 2005-11-30 2008-08-13 Nokia Corporation Socionymous method for collaborative filtering and an associated arrangement
US20140229498A1 (en) * 2013-02-14 2014-08-14 Wine Ring, Inc. Recommendation system based on group profiles of personal taste
US20170148084A1 (en) * 2015-11-24 2017-05-25 The Bottlefly, Inc. Systems and methods for tracking consumer tasting preferences
CN110309405A (zh) * 2018-03-08 2019-10-08 腾讯科技（深圳）有限公司 一种项目推荐方法、装置及存储介质
CN110502704A (zh) * 2019-08-12 2019-11-26 山东师范大学 一种基于注意力机制的群组推荐方法及系统
CN111177577A (zh) * 2019-12-12 2020-05-19 中国科学院深圳先进技术研究院 一种群组的项目推荐方法、智能终端以及存储装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1955266A1 (en) * 2005-11-30 2008-08-13 Nokia Corporation Socionymous method for collaborative filtering and an associated arrangement
US20140229498A1 (en) * 2013-02-14 2014-08-14 Wine Ring, Inc. Recommendation system based on group profiles of personal taste
US20170148084A1 (en) * 2015-11-24 2017-05-25 The Bottlefly, Inc. Systems and methods for tracking consumer tasting preferences
CN110309405A (zh) * 2018-03-08 2019-10-08 腾讯科技（深圳）有限公司 一种项目推荐方法、装置及存储介质
CN110502704A (zh) * 2019-08-12 2019-11-26 山东师范大学 一种基于注意力机制的群组推荐方法及系统
CN111177577A (zh) * 2019-12-12 2020-05-19 中国科学院深圳先进技术研究院 一种群组的项目推荐方法、智能终端以及存储装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116204729A (zh) * 2022-12-05 2023-06-02 重庆邮电大学 一种基于超图神经网络的跨领域群组智能推荐方法
CN116821516A (zh) * 2023-08-30 2023-09-29 腾讯科技（深圳）有限公司 资源推荐方法、装置、设备及存储介质
CN116821516B (zh) * 2023-08-30 2023-11-14 腾讯科技（深圳）有限公司 资源推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112925994B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN106021364B (zh) 图片搜索相关性预测模型的建立、图片搜索方法和装置
CN106095893B (zh) 一种跨媒体检索方法
CN111667022A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN107423820B (zh) 结合实体层次类别的知识图谱表示学习方法
CN111753093A (zh) 一种网络舆情危机等级评价方法和装置
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
CN112925994B (zh) 基于局部和全局信息融合的群组推荐方法、系统及设备
CN112100514B (zh) 一种基于全局注意力机制表征学习的好友推荐方法
CN112163161B (zh) 高校图书馆的推荐方法、系统、可读存储介质及电子设备
CN116109195B (zh) 一种基于图卷积神经网络的绩效评估方法及系统
CN109447110A (zh) 综合邻居标签相关性特征和样本特征的多标签分类的方法
CN109947948B (zh) 一种基于张量的知识图谱表示学习方法及系统
CN108154380A (zh) 基于大规模评分数据对用户进行商品在线实时推荐的方法
CN111930957A (zh) 实体间亲密度的分析方法、装置、电子设备以及存储介质
CN114281950B (zh) 基于多图加权融合的数据检索方法与系统
CN113987126A (zh) 基于知识图谱的检索方法及装置
CN112613533A (zh) 基于排序约束的图像分割质量评价网络系统、方法及系统
Rong et al. Exploring network behavior using cluster analysis
CN112559640A (zh) 图谱表征系统的训练方法及装置
CN113505154B (zh) 一种基于大数据的数字阅读统计分析方法及系统
Nazareth et al. Visualizing attribute interdependencies using mutual information, hierarchical clustering, multidimensional scaling, and self-organizing maps
CN115526313B (zh) 基于预测精度的跨域异质联邦学习架构运行效率评测方法
CN117436679B (zh) 一种元宇宙资源匹配方法及其系统
CN116595342B (zh) 人群圈选的方法、装置和设备及存储介质
TWI756967B (zh) 內容點擊數預測裝置及其方法

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