CN112948709B - 一种影响力感知驱动的连续兴趣点实时推荐方法 - Google Patents

一种影响力感知驱动的连续兴趣点实时推荐方法 Download PDF

Info

Publication number
CN112948709B
CN112948709B CN202110246458.5A CN202110246458A CN112948709B CN 112948709 B CN112948709 B CN 112948709B CN 202110246458 A CN202110246458 A CN 202110246458A CN 112948709 B CN112948709 B CN 112948709B
Authority
CN
China
Prior art keywords
user
card punching
interest point
model
sequence
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
Application number
CN202110246458.5A
Other languages
English (en)
Other versions
CN112948709A (zh
Inventor
杨青
程兴和
张敬伟
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110246458.5A priority Critical patent/CN112948709B/zh
Publication of CN112948709A publication Critical patent/CN112948709A/zh
Application granted granted Critical
Publication of CN112948709B publication Critical patent/CN112948709B/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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及兴趣点推荐技术领域，涉及一种影响力感知驱动的连续兴趣点实时推荐方法，包括：一、获取用户打卡历史信息，将打卡数据组成序列；二、将打卡数据组成序列组；三、将序列组推送给模型进行训练；通过门控循环单元加注意力机制得到一段序列中每一个兴趣点所占影响力向量，将得到的向量输入全连接神经网络拟合，经过管道搜索的方式学习出适应该区域的最优超参数；四、将训练模型部署在多个服务器中；五、记录用户下一打卡地点以及对兴趣点的评分。本发明能实现精确、实时的对用户下一兴趣点的推荐。

Description

一种影响力感知驱动的连续兴趣点实时推荐方法
技术领域
本发明涉及兴趣点推荐技术领域，具体地说，涉及一种影响力感知驱动的连续兴趣点实时推荐方法。
背景技术
随着移动社交平台的快速发展，人们每天会在各种平台分享自己的行程。这样的行为使我们获得了大量用户打卡数据。这些打卡数据有助于帮助我们建立一种兴趣点的推荐系统，提高用户在城市中的体验。
高效的推荐系统不仅可以带给服务商流量和利润，同时，还可以帮助用户选择他们更感兴趣的兴趣点。传统的推荐兴趣点推荐算法往往没用考虑到最近访问的兴趣点相互的影响，这导致系统性能还有很大的提升空间。现有技术通过用户自身偏好对用户没有访问过的兴趣点进行推荐，但是一方面它使用的是传统协同过滤的思想对冷启动和数据稀疏性的处理能力不够好。另一方面它仅仅考虑了用户偏好对未访问兴趣点的影响而没有考虑到历史访问兴趣点对下一兴趣点访问的影响。还有一种技术通过语境、广告、受众三者的最佳匹配来找出个性化的推荐。虽然该技术考虑的因素很多，但是对于兴趣点推荐来说，它没有把握兴趣点与时间的关系。因为从大规模数据来看，用户访问兴趣点具有明显的周期性。且以上两种技术都是对用户接下来几天内甚至几个月内的兴趣点进行推荐。这在实际应用中实用性不强且无法适应快速的社会发展。因此，我们需要设计出一种可灵活迭代更新的模型，并能实时的对用户下一兴趣点进行推荐的系统，通过深度学习的方式把握兴趣点与打卡时间先后的关系并能够将模型部署在移动端或者服务器上，从而实现精确、实时的对用户下一兴趣点的推荐。
因此，如何为用户提供实时兴趣点推荐成为了本领域的技术人员需要解决的一个问题。
发明内容
本发明的内容是提供一种影响力感知驱动的连续兴趣点实时推荐方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种影响力感知驱动的连续兴趣点实时推荐方法，其包括以下步骤：
步骤一、获取用户打卡历史信息，将每一个用户一天内的打卡数据组成序列；
步骤二、将所有用户一天内的打卡数据组成序列组，序列组内每一条序列为一个用户一天内的序列打卡兴趣点，即该序列组包含该区域内各有效用户一天内的打卡序列；
步骤三、将序列组推送给模型进行训练；通过门控循环单元加注意力机制得到一段序列中每一个兴趣点所占影响力向量，将得到的向量输入全连接神经网络拟合，经过管道搜索的方式学习出适应该区域的最优超参数；
步骤四、将训练模型部署在多个服务器中，在一天内按一定频率将实时的用户打卡数据序列组分成多部分传入不同服务器中进行预测，并根据用户ID将预测结果实时传回用户端；
步骤五、记录用户下一打卡地点以及对兴趣点的评分，得到用户反馈数据用于优化模型，通过用户反馈及新用户打卡序列定期更新模型。
作为优选，步骤一中，从移动应用运营商大数据平台中获取用户打卡历史信息，用户打卡历史信息包括用户ID、打卡地点、打卡时间、打卡经纬度和用户评分。
作为优选，步骤二中，组成序列组后，对序列组进行清洗，剔除一天打卡次数少的序列。
作为优选，清洗是将打卡次数少于5次的新用户数据剔除并且剔除少于5次打卡的兴趣点。
作为优选，步骤三中，模型采用深度学习的方式，并在Tensorflow框架上进行模型训练。
作为优选，步骤三中，将序列组分为训练集和测试集，将训练集推送给模型进行训练，通过门控循环单元加注意力机制得到一段序列中兴趣点影响力向量，并与用户ID嵌入向量进行拼接；将得到的向量输入全连接神经网络对模型进行拟合。
作为优选，对于后续收集的用户数据直接将其分成训练集和测试集，将历史模型当作预训练模型，进行微调操作；将后续数据的训练集直接输入模型，之后对原测试集与现测试集随机抽取，将模型超参数调至最优。
与现有技术相比，本发明具有以下优点：
(1)本发明采用影响力感知驱动的连续兴趣点实时推荐系统能够根据在当天所打卡兴趣点实时为用户推荐下一兴趣点，综合考虑了用户嵌入，兴趣点影响力嵌入以及用户兴趣点变化序列，采用门控循环单元和注意机制学习到每个兴趣点的影响力，将用户最有可能偏好的兴趣点推荐给用户，采用循环神经网络的方式，将模型部署在线上实现对用户实时推荐，对用户最近时间内要去的地点进行预测，改变了过往对用户几天过后甚至几个月后兴趣偏好的预测，提高了用户的体验；
(2)本发明将模型部署在服务器上，集中预测一个区域内所有打卡用户的下一兴趣点，以达到最快速对用户进行推荐的目的。本发明的模型也可部署在移动设备上，方便对用户行为进行个性化的拟合，部署在移动设备的模型可根据用户实际需求调节模型参数大小，提高用户在移动设备上接受推荐的体验；
(3)本发明通过收集用户对推荐兴趣点的反馈和新用户打卡数据的加入，将历史模型作为预训练模型进行微调操作，不断迭代更新模型，以达到适应快节奏生活的目的，不断适应新用户群体的加入。
附图说明
图1为实施例1中一种影响力感知驱动的连续兴趣点实时推荐方法的流程图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示，本实施例提供了一种影响力感知驱动的连续兴趣点实时推荐方法，其包括以下步骤：
步骤一、从移动应用运营商大数据平台中获取用户打卡历史信息，用户打卡历史信息包括用户ID、打卡地点、打卡时间、打卡经纬度和用户评分，将每一个用户一天内的打卡数据组成序列。
步骤二、将所有用户一天内的打卡数据组成序列组，序列组内每一条序列为一个用户一天内的序列打卡兴趣点，即该序列组包含该区域内各有效用户一天内的打卡序列；然后对序列组进行清洗，剔除一天打卡次数少的序列。清洗是将打卡次数少于5次的新用户数据剔除并且剔除少于5次打卡的兴趣点。
步骤三、将序列组分为训练集和测试集，将训练集推送给模型进行训练，通过门控循环单元加注意力机制得到一段序列中兴趣点影响力向量，并与用户ID嵌入向量进行拼接；将得到的向量输入全连接神经网络对模型进行拟合，经过管道搜索的方式学习出适应该区域的最优超参数；模型采用深度学习的方式，并在Tensorflow框架上进行模型训练。对于后续收集的用户数据直接将其分成训练集和测试集，将历史模型当作预训练模型，进行微调(Fine-tune)操作，对模型进行更新；将后续数据的训练集直接输入模型，之后对原测试集与现测试集随机抽取，将模型超参数调至最优。
模型训练具体为：对每个用户的连续打卡数据进行编码处理，编码的方式采用门控循环单元。具体实施包括：对每个用户一天的连续打卡数据进行嵌入处理，通过整个模型学习该连续打卡数据的编码向量。学习到用户的编码为：
zt＝σ(Wzlt+Uzht-1)；
rt＝σ(Wtlt+Utht-1)；
Figure BDA0002964266020000051
Figure BDA0002964266020000052
其中，上式的W，U为权重参数，t为某一时刻，lt为输入兴趣点，ht为GRU函数的隐含状态，重置门rt用于控制前一时刻的隐含状态有多大程度更新到当前候选隐含层状态，更新门zt用于控制前一时刻的隐含状态有多大程度更新到当前隐含层状态，代码如下：
Figure BDA0002964266020000053
应用学习到的用户编码向量进行注意力得到每一个兴趣点在一天内的影响力。具体实施包括：对每个用户一天内的打卡行为使用注意力机制，得到一个影响力向量，通过多次迭代得到用户一天年内访问兴趣点的影响力。学习到的影响力向量为：
Figure BDA0002964266020000061
其中αij为：
Figure BDA0002964266020000062
其中eij为：
eij＝a(si-1,hj)；
其中，eij是对齐模型，代表位置j的输入和位置i的输出匹配程度的分数，si-1为i-1位置的隐含状态，hj为位置j的隐含状态，代码如下：
Figure BDA0002964266020000063
步骤四、将训练模型部署在多个服务器中，在一天内按一定频率将实时的用户打卡数据序列组分成多部分传入不同服务器中进行预测，以减少用户的等待时间，并根据用户ID将预测结果实时传回用户端。
本实施例重点阐述部署在服务器上，但不局限于服务器中还包括各品牌移动端，当在用户端部署专有的模型后，本实施例可以更快速地对用户进行推荐并收集数据。在收集到用户一天内的打卡序列后，可以实时将该序列输入到本产品模型中进行预测，并定期根据用户反馈更新。
步骤五、记录用户下一打卡地点以及对兴趣点的评分，得到用户反馈数据用于优化模型，通过用户反馈及新用户打卡序列定期更新模型。
本实施例中，更新的模型重新部署在服务器，然后观测更新后一段时间内用户的反馈情况，若是用户反馈情况明显下降，则重复步骤三，找到合适的推荐模型。
本实施例灵活使用注意力机制计算兴趣点在短期时间内的影响力大小，该影响力越大代表该兴趣点对后续访问影响越大。比如：用户在健身房或体育馆打卡后，后续对其他需要体育锻炼的地点兴趣会明显降低，也就是健身房对后续用户访问具有强影响力。本实施例通过深度学习能够感知兴趣点对短期内访问兴趣点的影响力。
本实施例可以通过注意力机制学习出各个兴趣点在序列中的影响力大小，该影响力在模型训练的过程中可以被记录，经过模型多次迭代，我们可以获得城市中兴趣点影响力的排名，该排名使得我们可以筛选出区域中重要的兴趣点以及受欢迎的兴趣点，并通过这样的排名优化我们的模型。本实施例迭代更新会使得模型的预测能力不断成长，不断适应区域中人群普遍兴趣的变化，具有很强的兴趣跟踪能力。
本实施例处理数据集剔除了打卡次数较少的用户以及被打卡次数较少的兴趣点，减少了对模型的影响。并且我们将一个用户一天内的打卡行为组成序列，该操作使得我们能够学习工作日，周末等不同时间的用户兴趣点偏好的周期性变化。
线下实验所使用数据为Instagram，这是最流行的基于手机的社交网络之一。Instagram数据不仅包括用户的兴趣点签到信息，还包括用户写的文字内容。该数据集删除了少于5个嵌入的兴趣点和少于10个评论的用户。在预处理后，我们的数据集有2216631个签入，13187个兴趣点，78233个用户，并且从其中提取了337073条日打卡序列，用作训练模型。
线上数据通过采集大数据平台的活跃用户数据而得，通过流式处理定期采集的数据，就可以具备对单个用户一天内实时推荐合适兴趣点的功能并且能够及时更新推荐系统。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：包括以下步骤：
步骤一、获取用户打卡历史信息，将每一个用户一天内的打卡数据组成序列；
步骤二、将所有用户一天内的打卡数据组成序列组，序列组内每一条序列为一个用户一天内的序列打卡兴趣点，即该序列组包含区域内各有效用户一天内的打卡序列；
步骤三、将序列组推送给模型进行训练；通过门控循环单元加注意力机制得到一段序列中每一个兴趣点所占影响力向量，将得到的向量输入全连接神经网络拟合，经过管道搜索的方式学习出适应该区域的最优超参数；
步骤四、将训练模型部署在多个服务器中，在一天内按一定频率将实时的用户打卡数据序列组分成多部分传入不同服务器中进行预测，并根据用户ID将预测结果实时传回用户端；
步骤五、记录用户下一打卡地点以及对兴趣点的评分，得到用户反馈数据用于优化模型，通过用户反馈及新用户打卡序列定期更新模型。
2.根据权利 要求1所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤一中，从移动应用运营商大数据平台中获取用户打卡历史信息，用户打卡历史信息包括用户ID、打卡地点、打卡时间、打卡经纬度和用户评分。
3.根据权利 要求1所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤二中，组成序列组后，对序列组进行清洗，剔除一天打卡次数少的序列。
4.根据权利 要求3所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：清洗是将打卡次数少于5次的新用户数据剔除并且剔除少于5次打卡的兴趣点。
5.根据权利 要求1所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤三中，模型采用深度学习的方式，并在Tensorflow框架上进行模型训练。
6.根据权利 要求5所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤三中，将序列组分为训练集和测试集，将训练集推送给模型进行训练，通过门控循环单元加注意力机制得到一段序列中兴趣点影响力向量，并与用户ID嵌入向量进行拼接；将得到的向量输入全连接神经网络对模型进行拟合。
7.根据权利 要求6所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：对于后续收集的用户数据直接将其分成训练集和测试集，将历史模型当作预训练模型，进行微调操作；将后续数据的训练集直接输入模型，之后对原测试集与现测试集随机抽取，将模型超参数调至最优。
CN202110246458.5A 2021-03-05 2021-03-05 一种影响力感知驱动的连续兴趣点实时推荐方法 Active CN112948709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110246458.5A CN112948709B (zh) 2021-03-05 2021-03-05 一种影响力感知驱动的连续兴趣点实时推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110246458.5A CN112948709B (zh) 2021-03-05 2021-03-05 一种影响力感知驱动的连续兴趣点实时推荐方法

Publications (2)

Publication Number Publication Date
CN112948709A CN112948709A (zh) 2021-06-11
CN112948709B true CN112948709B (zh) 2022-03-25

Family

ID=76247872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110246458.5A Active CN112948709B (zh) 2021-03-05 2021-03-05 一种影响力感知驱动的连续兴趣点实时推荐方法

Country Status (1)

Country Link
CN (1) CN112948709B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637911B (zh) * 2022-02-21 2024-04-09 桂林电子科技大学 一种注意力融合感知网络的下一个兴趣点推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929164A (zh) * 2019-12-09 2020-03-27 北京交通大学 一种基于用户动态偏好与注意力机制的兴趣点推荐方法
CN111259243A (zh) * 2020-01-14 2020-06-09 中山大学 基于会话的并行推荐方法及系统
CN111783895A (zh) * 2020-07-08 2020-10-16 湖南大学 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质
WO2020238353A1 (zh) * 2019-05-31 2020-12-03 腾讯科技（深圳）有限公司 数据处理方法和装置、存储介质及电子装置
CN112150210A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于ggnn网络的改进型神经网络推荐方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201631A1 (en) * 2015-06-17 2016-12-22 Yahoo! Inc. Systems and methods for online content recommendation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020238353A1 (zh) * 2019-05-31 2020-12-03 腾讯科技（深圳）有限公司 数据处理方法和装置、存储介质及电子装置
CN110929164A (zh) * 2019-12-09 2020-03-27 北京交通大学 一种基于用户动态偏好与注意力机制的兴趣点推荐方法
CN111259243A (zh) * 2020-01-14 2020-06-09 中山大学 基于会话的并行推荐方法及系统
CN112150210A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于ggnn网络的改进型神经网络推荐方法及系统
CN111783895A (zh) * 2020-07-08 2020-10-16 湖南大学 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GARG: Anonymous Recommendation of Point-of-Interest in Mobile Networks by Graph Convolution Network;Shiwen Wu等;《Data Science and Engineering》;20200729;433–447 *
Transformation-invariant image descriptors for change monitoring based on multi-modality imagery;Roman Palenichka等;《 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS》;20140127;1-5 *
基于FP-Growth的图上随机游走推荐方法;卞梦阳等;《计算机科学》;20170630;第44卷(第6期);232-236 *
基于深度学习的多源信息融合推荐算法研究;邢淑凝;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20190915(第9期);I138-56 *
基于深度学习的用户行为过程预测方法研究与实现;李宗阳;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190815(第8期);I140-78 *

Also Published As

Publication number Publication date
CN112948709A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN109447140B (zh) 一种基于神经网络深度学习的图像识别并推荐认知的方法
US11663441B2 (en) Action selection neural network training using imitation learning in latent space
EP3711000B1 (en) Regularized neural network architecture search
CN110366734B (zh) 优化神经网络架构
US20210004677A1 (en) Data compression using jointly trained encoder, decoder, and prior neural networks
CN109544197B (zh) 一种用户流失预测方法和装置
CN110929164A (zh) 一种基于用户动态偏好与注意力机制的兴趣点推荐方法
CN110766142A (zh) 模型生成方法和装置
CN110781321A (zh) 一种多媒体内容推荐方法及装置
CN107463701B (zh) 基于人工智能推送信息流的方法和装置
CN111506835B (zh) 一种融合用户时间特征和个性特征的数据特征提取方法
CN108229718A (zh) 一种信息预测方法及装置
WO2021139415A1 (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN109840595B (zh) 一种基于群体学习行为特征的知识追踪方法
CN111406264A (zh) 神经架构搜索
CN114637911B (zh) 一种注意力融合感知网络的下一个兴趣点推荐方法
JP2023511630A (ja) 学習済み隠れ状態を使用するエージェント制御のためのプランニング
CN109902823A (zh) 一种基于生成对抗网络的模型训练方法及设备
CN111695046A (zh) 基于时空移动数据表征学习的用户画像推断方法及装置
CN112948709B (zh) 一种影响力感知驱动的连续兴趣点实时推荐方法
CN109086463A (zh) 一种基于区域卷积神经网络的问答社区标签推荐方法
CN114911969A (zh) 一种基于用户行为模型的推荐策略优化方法和系统
Hagedoorn et al. Massive open online courses temporal profiling for dropout prediction
CN113449182A (zh) 一种知识信息个性化推荐方法及系统
Osika et al. Second language acquisition modeling: An ensemble approach

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