CN112950325A - 一种社交行为融合的自注意力序列推荐方法 - Google Patents
一种社交行为融合的自注意力序列推荐方法 Download PDFInfo
- Publication number
- CN112950325A CN112950325A CN202110279731.4A CN202110279731A CN112950325A CN 112950325 A CN112950325 A CN 112950325A CN 202110279731 A CN202110279731 A CN 202110279731A CN 112950325 A CN112950325 A CN 112950325A
- Authority
- CN
- China
- Prior art keywords
- user
- social
- interest
- commodity
- self
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000011273 social behavior Effects 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims description 23
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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]
- G06Q30/0623—Item investigation
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种社交行为融合的自注意力序列推荐方法，社会化推荐算法能很好的缓解用户历史数据稀疏问题，但一般的社会化推荐方法忽略了用户兴趣的动态变化，针对这一问题提出了一种社交行为融合的自注意力序列推荐方法、系统及装置。该方法首先构建用户的短期兴趣模型，然后利用注意力机制构建用户当前时刻的社交兴趣，最后结合上述短期兴趣和社交兴趣得到用户的最终兴趣向量，并根据该兴趣向量将匹配度最佳的物品推荐给用户。与已有方法相比，本发明方法能更加充分的利用社交信息进行更准确的推荐。
Description
技术领域
本发明涉及一种社会化推荐技术领域，具体为一种社交行为融合的自注意力序列推荐方法、计算机设备及存储介质。
背景技术
随着当今技术的飞速发展，数据量也与日俱增，人们越来越感觉在海量数据面前束手无策。互联网上的大量数据内容，使用户难以在短时间内做出选择。例如，音乐电影图片的网站上，内容提供商上传了大量的音频视频文件，以及多种格式的图像，供用户欣赏，但基于每个个体用户的欣赏水平的不同，用户如果需要从大量文件搜索到自己喜欢的，导致信息过载的问题，会造成时间的大量浪费，导致用户体验度的下降。为了解决信息过载(Information overload)的问题，提出了推荐系统。
现有的推荐系统往往利用用户的历史评分来预测用户对为评分物品的兴趣，但得到的评分矩阵通常为稀疏矩阵，导致推荐效果不佳。社交关系理论一般假设在强社交关系的影响下，用户与社交邻居之间有相似的偏好，因此可以作为额外信息缓解数据稀疏问题。现存的大多数社会化推荐算法通常假设用户的社交情况是不变的，但事实上用户的社交关系是随着时间而变化的。
发明内容
本发明的目的在于提出一种社交行为融合的自注意力序列推荐方法、计算机设备及存储介质，通过引入用户社交关系缓解了现有的协同过滤和矩阵分解算法所需数据集稀疏的问题，同时使社会化推荐更具有时效性。
本发明提供了一种社交行为融合的自注意力序列推荐方法，包括：
接收目标用户的商品推荐请求，提取目标用户及其朋友的历史交互记录，并将交互记录中的商品id映射到一商品隐空间，并加入位置嵌入；
利用自注意力机制构建用户的短期兴趣向量，添加多头注意力机制通过不同head捕捉不同方向信息；
利用得到的用户短期兴趣向量融合朋友的历史交互商品嵌入特征，挖掘朋友历史交互行为中与用户当前时刻相似的商品，生成用户当前时刻的社交兴趣；利用权重融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的最终兴趣向量；
将二元交叉熵作为损失函数，利用adam算法优化商品隐空间参数；
计算融合后的用户兴趣向量与商品的相似度，将最佳近似的商品特征作为预测结果，根据预测结果，将相似度最大的前K项商品id推荐给用户。
其中，在将交互列表中的商品id映射到一商品隐空间，并加入位置嵌入的步骤中，包括步骤：
用户u的历史交互记录为
用户a的历史交互记录为
其中用户a是用户u的朋友；
构建d维的商品隐空间，将预处理过的用户历史交互序列作为输入，通过检索d维的商品隐空间
得到用户u的商品特征，
Gu＝embedding(I,Ru)
其中在Gu矩阵的第t行
表示用户u在第t时刻交互商品的嵌入向量；
对每个位置映射到位置隐空间得到位置向量
再结合位置向量和物品特征，得到包含位置信息的物品特征，表示为：
其中在Hu矩阵的第t行
表示用户在第t时刻交互的商品在t位置的表示；
其中，自注意力机制表示为：
其中
为用户u在t时刻之前的交互物品的映射向量，
WK和
是投影矩阵；
前馈神经网络定义为：
其中W1、
是投影矩阵，b1、
其中，利用用户短期兴趣向量融合朋友的历史交互物品嵌入过程如下：
其中Fu表示u的朋友的集合。
是投影矩阵。
其中，融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的最终兴趣向量过程为：
其中λ是社交权重融合的超参数，取值在范围是(0，1)，控制了用户社交兴趣对用户行为的影响程度。
二元交叉熵损失函数为：
其中
是用户u对第i个商品的偏好得分，
为用户u从未交互过的商品，θ(x)＝1/(1+e-x)将预测值转换到(0,1)之间。
此外，本发明提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的社交行为融合的自注意力序列推荐方法中的步骤。
本发明提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的社交行为融合的自注意力序列推荐方法中的步骤。
区别于现有技术，本发明的社交行为融合的自注意力序列推荐方法，构建用户的短期兴趣模型，然后利用注意力机制构建用户当前时刻的社交兴趣，最后结合上述短期兴趣和社交兴趣得到用户的兴趣向量，并根据该兴趣向量将相似度最佳的物品推荐给用户。通过本发明的方法，能更加充分的利用社交兴趣进行更准确的推荐，并且在社会化推荐中加入用户行为的动态信息，从而更好的融合社交信息来缓解数据稀疏问题，而引入序列信息是推荐结果更具有时效性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种社交行为融合的自注意力序列推荐方法的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参阅图1，本发明提供了一种社交行为融合的自注意力序列推荐方法，包括：
接收目标用户的商品推荐请求，提取目标用户及其朋友的历史交互记录，并将交互记录中的商品id映射到一商品隐空间，并加入位置嵌入；
利用自注意力机制构建用户的短期兴趣向量，添加多头注意力机制通过不同head捕捉不同方向信息；
利用得到的用户短期兴趣向量融合朋友的历史交互商品嵌入特征，挖掘朋友历史交互行为中与用户当前时刻相似的商品，生成用户当前时刻的社交兴趣；利用权重融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的兴趣向量；
将二元交叉熵作为损失函数，利用adam算法优化商品隐空间参数；
计算融合后的用户兴趣向量与商品的相似度，将最佳近似的商品特征作为预测结果，根据预测结果，将相似度最大的前K项商品id推荐给用户。
其中，在将交互列表中的商品id映射到一商品隐空间，并加入位置嵌入的步骤中，包括步骤：
用户u的历史交互记录为
用户a的历史交互记录为
其中用户a是用户u的朋友；
构建d维的商品隐空间，将预处理过的用户历史交互序列作为输入，通过检索d维的商品隐空间
得到用户u的商品特征，
Gu＝embedding(I,Ru)
其中在Gu矩阵的第t行
表示用户u在第t时刻交互商品的嵌入向量；
对每个位置映射到位置隐空间得到位置向量
再结合位置向量和物品特征，得到包含位置信息的物品特征，表示为：
其中在Hu矩阵的第t行
表示用户在第t时刻交互的商品在t位置的表示；
其中，自注意力机制表示为：
其中
为用户u在t时刻之前的交互物品的映射向量，
WK和
是投影矩阵；
前馈神经网络定义为：
其中W1、
是投影矩阵，
其中，利用用户短期兴趣向量融合朋友的历史交互物品嵌入过程如下：
其中Fu表示u的朋友的集合。
是投影矩阵。
其中，融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的最终兴趣向量过程为：
其中λ是社交权重融合的超参数，取值在范围是(0，1)，控制了用户社交兴趣对用户行为的影响程度。
二元交叉熵损失函数为：
其中
是用户u对第i个商品的偏好得分，
为用户u从未交互过的商品，θ(x)＝1/(1+e-x)将预测值转换到(0,1)之间。
本发明采用Last_MF和CiaoDVD作为数据集，对本发明的推荐模型的优劣性进行验证。CiaoDVD数据集是一个隐式反馈的电影评分数据集，该数据集统计了从2000年5月31日到2013年11月28日，共17615个用户对16121部电影的72665次评分，平均每位用户的交互序列长度为4.12。并包含每次交互的时间信息及用户之间22484条社交关系。Last_MF数据集是一个隐式反馈的音乐数据集，该数据集统计了从2005年8月1日到2011年5月9日，总共1892个用户与18744个作曲家的186479条交互记录，平均每位用户的交互序列长度为98.56。同时该数据集包含每次交互的时间信息及用户之间25434条社交关系，二者的数据量情况如表1所示：
| 数据集 | CiaoDVD | Last_MF |
| 用户数量 | 17615 | 1892 |
| 物品数量 | 16121 | 18744 |
| 交互记录 | 72665 | 186479 |
| 评分密度 | 0.025％ | 0.52％ |
| 社交关系 | 2248 | 25434 |
| 社交密度 | 0.00072％ | 0.71％ |
表1 brightkite和Last_MF的数据情况
为了验证本发明提出的推荐模型，将其与序列推荐模型(AttRec、SASRec)进行对比验证。本发明的方法与现有推荐方法的效果对比如表2所示。
表2本发明推荐方法与现有推荐方法的推荐效果对比
如表2所示，本发明使用Top-N评价指标HR和NDCG对推荐效果进行评价。
在评估推荐性能时，将用户真实的下一个交互商品作为正样本i，从未交互的物品集合中随机抽取100个物品作为负样本，将正负样本结合组成包含101个物品的推荐物品列表。
命中率(HR)评估在推荐列表的相似度排名中正样本是否能排在前10，若排在前10则认为命中：
其中U表示所有的用户，lu,i表示正样本i预测评分值在推荐列表中的排序位置，
为指示函数表示正样本i的排序位置是否在前10，是为1，不是为0。
NDCG(Normalized Discounted Cumulative Gain)在HR的基础上加入了位置因素，当正样本的排名越靠前时，推荐效果更好：
此外，本发明提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的社交行为融合的自注意力序列推荐方法中的步骤。
本发明提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的社交行为融合的自注意力序列推荐方法中的步骤。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (8)
1.一种社交行为融合的自注意力序列推荐方法，其特征在于，包括：
接收目标用户的商品推荐请求，提取目标用户及其朋友的历史交互记录，并将交互记录中的商品id映射到商品隐空间，并加入位置嵌入；
利用自注意力机制构建用户的短期兴趣向量，添加多头注意力机制通过不同head捕捉不同方向信息；
利用得到的用户短期兴趣向量融合朋友的历史交互商品的嵌入特征，融合朋友历史交互行为中与用户当前时刻兴趣相似的商品，生成用户当前时刻的社交兴趣；利用权重融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的最终兴趣向量；
将二元交叉熵作为损失函数，利用adam算法优化商品隐空间参数；
计算融合后的用户兴趣向量与商品隐向量的相似度，将相似度最大的前K项商品推荐给用户。
2.根据权利要求1所述的社交行为融合的自注意力序列推荐方法，其特征在于，在将交互列表中的商品id映射到一商品隐空间，并加入位置嵌入的步骤中，包括步骤：
用户u的历史交互记录为
用户a的历史交互记录为
其中用户a是用户u的朋友；
构建d维的商品隐空间，将预处理过的用户历史交互序列作为输入，通过检索d维的商品隐空间
得到用户u的商品特征，
Gu＝embedding(I,Ru)
其中在Gu矩阵的第t行
表示用户u在第t时刻交互商品的嵌入向量；
对每个位置映射到位置隐空间得到位置向量
再结合位置向量和物品特征，得到包含位置信息的物品特征，表示为：
其中在Hu矩阵的第t行
表示用户在第t时刻交互商品的表示；
3.根据权利要求1所述的社交行为融合的自注意力序列推荐方法，其特征在于，自注意力机制表示为：
其中
为用户u在t时刻之前的交互物品的映射向量，
WQ，WK和
是投影矩阵；
前馈神经网络定义为：
其中
是投影矩阵，
4.根据权利要求1所述的社交行为融合的自注意力序列推荐方法，其特征在于，利用用户短期兴趣向量融合朋友的历史交互物品的嵌入过程如下：
其中Fu表示u的朋友的集合。
是投影矩阵。
5.根据权利要求1所述的社交行为融合的自注意力序列推荐方法，其特征在于，融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的最终兴趣向量。具体过程为：
其中λ是社交权重融合的超参数，取值在范围是(0，1)，控制了用户社交兴趣对用户行为的影响程度。
6.根据权利要求1所述的社交行为融合的自注意力序列推荐方法，其特征在于，二元交叉熵损失函数为：
其中
是用户u对第i个商品的偏好得分，
为用户u从未交互过的商品，θ(x)＝1/(1+e-x)将预测值转换到(0,1)之间。
7.一种计算机设备，其特征在于，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中的任一所述的社交行为融合的自注意力序列推荐方法中的步骤。
8.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中的任一所述的社交行为融合的自注意力序列推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110279731.4A CN112950325B (zh) | 2021-03-16 | 2021-03-16 | 一种社交行为融合的自注意力序列推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110279731.4A CN112950325B (zh) | 2021-03-16 | 2021-03-16 | 一种社交行为融合的自注意力序列推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112950325A true CN112950325A (zh) | 2021-06-11 |
| CN112950325B CN112950325B (zh) | 2023-10-03 |
Family
ID=76230039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110279731.4A Active CN112950325B (zh) | 2021-03-16 | 2021-03-16 | 一种社交行为融合的自注意力序列推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950325B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256024A (zh) * | 2021-06-17 | 2021-08-13 | 上海大学 | 一种融合群体行为的用户行为预测方法 |
| CN113592535A (zh) * | 2021-06-30 | 2021-11-02 | 北京新氧科技有限公司 | 一种广告推荐方法、装置、电子设备和存储介质 |
| CN114756768A (zh) * | 2022-06-15 | 2022-07-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
| CN116628179A (zh) * | 2023-05-30 | 2023-08-22 | 道有道科技集团股份公司 | 一种用户操作数据的可视化与人机交互推荐方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014000431A1 (zh) * | 2012-06-27 | 2014-01-03 | 华为技术有限公司 | 信息推荐方法和装置 |
| CN109767301A (zh) * | 2019-01-14 | 2019-05-17 | 北京大学 | 推荐方法及系统、计算机装置、计算机可读存储介质 |
| CN110334219A (zh) * | 2019-07-12 | 2019-10-15 | 电子科技大学 | 基于注意力机制融入文本语义特征的知识图谱表示学习方法 |
| WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技（深圳）有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
| CN110503531A (zh) * | 2019-08-30 | 2019-11-26 | 中国科学技术大学 | 时序感知的动态社交场景推荐方法 |
| 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 |
| CN111127165A (zh) * | 2019-12-26 | 2020-05-08 | 纪信智达(广州)信息技术有限公司 | 基于自注意力自编码器的序列推荐方法 |
| CN111932336A (zh) * | 2020-07-17 | 2020-11-13 | 重庆邮电大学 | 一种基于长短期兴趣偏好的商品列表推荐方法 |
-
2021
- 2021-03-16 CN CN202110279731.4A patent/CN112950325B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014000431A1 (zh) * | 2012-06-27 | 2014-01-03 | 华为技术有限公司 | 信息推荐方法和装置 |
| WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技（深圳）有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
| CN109767301A (zh) * | 2019-01-14 | 2019-05-17 | 北京大学 | 推荐方法及系统、计算机装置、计算机可读存储介质 |
| CN110334219A (zh) * | 2019-07-12 | 2019-10-15 | 电子科技大学 | 基于注意力机制融入文本语义特征的知识图谱表示学习方法 |
| CN110503531A (zh) * | 2019-08-30 | 2019-11-26 | 中国科学技术大学 | 时序感知的动态社交场景推荐方法 |
| 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 |
| CN111127165A (zh) * | 2019-12-26 | 2020-05-08 | 纪信智达(广州)信息技术有限公司 | 基于自注意力自编码器的序列推荐方法 |
| CN111932336A (zh) * | 2020-07-17 | 2020-11-13 | 重庆邮电大学 | 一种基于长短期兴趣偏好的商品列表推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨明极: "注意力机制与改进RNN的混合音乐推荐算法研究", 小型微型计算机系统, pages 2235 - 2240 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256024A (zh) * | 2021-06-17 | 2021-08-13 | 上海大学 | 一种融合群体行为的用户行为预测方法 |
| CN113592535A (zh) * | 2021-06-30 | 2021-11-02 | 北京新氧科技有限公司 | 一种广告推荐方法、装置、电子设备和存储介质 |
| CN113592535B (zh) * | 2021-06-30 | 2024-04-16 | 北京新氧科技有限公司 | 一种广告推荐方法、装置、电子设备和存储介质 |
| CN114756768A (zh) * | 2022-06-15 | 2022-07-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
| CN114756768B (zh) * | 2022-06-15 | 2022-09-02 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
| CN116628179A (zh) * | 2023-05-30 | 2023-08-22 | 道有道科技集团股份公司 | 一种用户操作数据的可视化与人机交互推荐方法 |
| CN116628179B (zh) * | 2023-05-30 | 2023-12-22 | 道有道科技集团股份公司 | 一种用户操作数据的可视化与人机交互推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112950325B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11977575B2 (en) | Media content discovery and character organization techniques | |
| CN112950325B (zh) | 一种社交行为融合的自注意力序列推荐方法 | |
| CN112732936B (zh) | 一种基于知识图谱和用户微观行为的广电节目推荐方法 | |
| US10223438B1 (en) | System and method for digital-content-grouping, playlist-creation, and collaborator-recommendation | |
| CN112074857A (zh) | 组合机器学习和社交数据以生成个性化推荐 | |
| US20120323725A1 (en) | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items | |
| US8903822B2 (en) | Apparatus and method for measuring contents similarity based on feedback information of ranked user and computer readable recording medium storing program thereof | |
| CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
| CN109903138B (zh) | 一种个性化商品推荐方法 | |
| CN112948683B (zh) | 一种社交信息动态融合的社会化推荐方法 | |
| CN113342994A (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
| CN112231579A (zh) | 基于隐式社群发现的社会化视频推荐系统与方法 | |
| CN111949894A (zh) | 一种基于多空间交互的协同过滤个性化推荐方法 | |
| CN115809339A (zh) | 跨领域推荐方法、系统、设备及存储介质 | |
| CN117112870B (zh) | 基于人工智能的用户交互画像分类方法及ai会话交互系统 | |
| CN114356979A (zh) | 一种查询方法及其相关设备 | |
| CN115129980A (zh) | 信息推荐方法、装置、设备和介质 | |
| CN116308567A (zh) | 一种基于多模态数据的电影评分预测方法及装置 | |
| CN117112870A (zh) | 基于人工智能的用户交互画像分类方法及ai会话交互系统 | |
| Ishikawa et al. | Utilizing |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230828 Address after: 030006 No. 92, Hollywood Road, Taiyuan, Shanxi Applicant after: SHANXI University Applicant after: SHANXI KAITUO TECHNOLOGY Co.,Ltd. Applicant after: Hainan Haorun Technology Co.,Ltd. Address before: 030006, No. 92, Hollywood Road, Xiaodian District, Shanxi, Taiyuan Applicant before: SHANXI University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |