CN113159891A - 一种基于多种用户表示融合的商品推荐方法 - Google Patents

一种基于多种用户表示融合的商品推荐方法 Download PDF

Info

Publication number
CN113159891A
CN113159891A CN202110444714.1A CN202110444714A CN113159891A CN 113159891 A CN113159891 A CN 113159891A CN 202110444714 A CN202110444714 A CN 202110444714A CN 113159891 A CN113159891 A CN 113159891A
Authority
CN
China
Prior art keywords
user
commodity
representation
vector
comment
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
CN202110444714.1A
Other languages
English (en)
Other versions
CN113159891B (zh
Inventor
蔡国永
宋亚飞
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 CN202110444714.1A priority Critical patent/CN113159891B/zh
Publication of CN113159891A publication Critical patent/CN113159891A/zh
Application granted granted Critical
Publication of CN113159891B publication Critical patent/CN113159891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Abstract

本发明属于商品推荐领域，具体涉及一种基于多种用户表示融合的商品推荐方法。所述商品推荐方法包括：根据用户完整的商品历史购买记录构建用户‑商品二分图，通过图神经网络得到用户节点的向量表示和商品节点的向量表示，其中将用户节点的向量表示作为用户的静态偏好表示；通过循环神经网络处理用户最近购买的商品序列得到用户的动态偏好表示；通过自注意力对用户撰写的评论文本进行特征提取，得到用户评论的向量表示；将用户的动态偏好表示、静态偏好表示和评论表示级联得到用户的最终表示，将商品节点的向量表示作为商品的最终表示；通过点积计算用户和商品之间的相似度用于对候选商品进行排序；通过贝叶斯个性化排序损失优化提出方法中的参数。本发明能够利用当前可以得到的用户信息，更好的在商品推荐过程中对用户进行建模，提高推荐准确率。

Description

一种基于多种用户表示融合的商品推荐方法
技术领域
本发明涉及一种商品推荐方法，属于商品推荐领域。
背景技术
目前在商品推荐过程中，大多数工作通常将主要精力用于对商品特征进行建模，而对用户的建模仅利用用户id信息。尽管通过对多模态商品特征的使用在一定程度上缓解了数据稀疏性问题，取得了较好的效果，但我们认为对用户偏好的不充分建模成为了目前制约推荐系统性能的重要问题。造成该问题的一个原因可能是由于用户隐私和用户信息获取困难，但即便如此，我们认为目前可以获取到的用户信息并未得到充分的利用。一方面，目前的许多工作通常利用用户过去购买的所有商品捕获用户的相对稳定的静态偏好，而用户随时间演变产生的动态偏好很少得到考虑；另一方面，通过用户id捕获到的用户偏好通常是隐式的，而用户购买商品后的评论作为目前可以获取到的用户信息的重要部分，其中包含着显式的用户偏好信息，但很少有工作将其专门用于对用户偏好的建模。因此，在推荐时，在通过id捕获用户隐式的静态偏好和动态偏好的基础上，结合通过用户评论捕获的用户显式偏好将有助于更好的建模用户偏好，实现更好的推荐性能。
发明内容
针对上述问题，本发明提出了一种基于多种用户表示融合的商品推荐方法，所述推荐方法包括：
S1：根据用户-商品二分图，通过图神经网络得到用户静态偏好表示和商品节点的向量表示；
S2：获取用户最近购买的商品序列，通过循环神经网络提取用户的动态偏好表示；
S3：获取用户的评论文档，通过自注意力提取用户评论的向量表示；
S4：得到用户最终表示和商品最终表示；
S5：计算用户和商品的相似度；
S6：通过贝叶斯个性化排序损失优化模型参数。
进一步的，所述S1中得到用户静态偏好表示和商品节点的向量表示的具体方法包括：
S11：根据用户完整的历史商品购买记录构建用户-商品二分图；
S12：通过邻居聚合操作聚合用户-商品二分图上节点的特征向量表示，得到用户节点的向量表示和商品节点的向量表示，由于用户-商品二分图中包含了用户过去所有的商品购买记录，因此我们认为得到的用户节点的向量表示中包含的是用户的相对稳定的静态偏好，因此我们将用户节点的向量表示用作用户的静态偏好表示。
进一步的，所述S11中构建用户-商品二分图的具体步骤如下：
S111：设用户-商品交互矩阵为
Figure BDA0003036389260000021
其中M和N分别是用户数和商品数，如果用户u购买了商品p，则R中第u行第p列的条目Rup为1，否则为0；
S112：然后，我们可以得到用户-商品二分图的邻接矩阵表示
Figure BDA0003036389260000022
Figure BDA0003036389260000023
其中RT是R的转置。
进一步的，所述S12中邻居聚合操作的具体步骤如下：
S121：设第0层的用户-商品特征矩阵为
Figure BDA0003036389260000031
其中dn为嵌入大小，然后我们使用K层的邻居传播和聚合来聚合节点邻居的特征和图中的结构特征，传播过程定义为：
Figure BDA0003036389260000032
其中
Figure BDA0003036389260000033
为对角矩阵，其中每个条目Dii表示用户-商品邻接矩阵A中第i行向量中非零条目的数量；
S122：通过K层的邻居传播和聚合，我们可以得到从用户-商品二分图的K个特征矩阵[E(0)，E(1)，...，E(K)]，将这K个特征矩阵级联，从而得到最终的用户-商品特征矩阵
Figure BDA0003036389260000034
然后通过嵌入查找层我们可以得到用户静态偏好表示
Figure BDA0003036389260000035
和商品节点的向量表示
Figure BDA0003036389260000036
进一步的，所述S2中用户动态偏好表示的提取方法如下：
S21：相比于完整的商品购买记录而言，我们认为用户近期购买的商品中蕴含着用户随时间变化的动态偏好，因此我们从用户完整的商品历史购买记录中截取n项作为用户近期的商品购买序列。
S22：通过GRU对近期商品购买序列进行处理，得到用户的动态偏好表示
Figure BDA0003036389260000037
进一步的，所述S3中用户评论的向量表示的提取方法如下：
S31：根据用户的历史商品购买记录获取用户撰写的所有评论，将这些评论合并到用户评论文档中，并对用户评论文档进行分词、词形还原、移除停用词等预处理操作；
S32：通过评论特征提取器对预处理后的用户评论文档进行特征提取，得到用户评论的向量表示
Figure BDA0003036389260000038
进一步的，所述S32中评论特征提取器的步骤如下：
S321：将评论文本中的单词序列表示为[w1，w2，...，wl]，其中l是输入文本的长度；
S322：使用glove词嵌入将单词序列转换为单词向量矩阵
Figure BDA0003036389260000041
Figure BDA0003036389260000042
其中ds是单词向量大小；
S323：为单词向量矩阵注入可学习的位置嵌入
Figure BDA0003036389260000043
得到输入矩阵
Figure BDA0003036389260000044
S324：将输入矩阵通过非线性变换映射到相同的空间得到自注意力模型的query向量Q＝LeakyReLU(WQX)和key向量K＝LeakyReLU(WKX)；
S325：通过query和key计算关联矩阵
Figure BDA0003036389260000045
S326：将关联矩阵与value向量V＝X相乘得到自注意力模型的输出C＝AX＝[c1，c2，...，cl]T；
S327：将自注意力模型的l个输出的平均作为用户的动态表示
Figure BDA0003036389260000046
Figure BDA0003036389260000047
进一步的，所述S4中得到用户最终表示和商品最终表示的具体方法如下：
S41：将用户的静态偏好表示eu、动态偏好表示du、评论表示ru级联得到用户的最终表示u；将商品节点的向量表示ep作为商品的最终表示p。
进一步的，所述S5中用户和商品相似度的计算公式为：
Figure BDA0003036389260000048
进一步的，所述S6中通过贝叶斯个性化排序损失优化提出方法中的参数的具体步骤如下：
Figure BDA0003036389260000049
附图说明
图1是本发明的商品推荐方法流程示意图。
图2是本发明的商品推荐方法结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明提供了一种基于多种用户表示融合的商品推荐方法，包括如下步骤：
步骤1：构建用户-商品二分图，通过图神经网络得到用户静态偏好表示和商品节点的向量表示；
具体的，得到用户静态偏好表示和商品节点的向量表示的具体步骤为：
首先根据用户完整的历史商品购买记录构建用户-商品二分图；
具体的，构建用户-商品二分图的具体步骤为：
设用户-商品交互矩阵为
Figure BDA0003036389260000051
其中M和N分别是用户数和商品数，如果用户u购买了商品p，则R中第u行第p列的条目Rup为1，否则为0；
然后通过用户-商品交互矩阵我们可以得到用户-商品二分图的邻接矩阵表示
Figure BDA0003036389260000052
其中RT是R的转置。
然后通过邻居聚合操作聚合用户-商品二分图上节点的特征向量表示，得到用户节点的向量表示和商品节点的向量表示，由于用户-商品二分图中包含了用户过去所有的商品购买记录，因此我们认为得到的用户节点的向量表示中包含的是用户的相对稳定的静态偏好，因此我们将用户节点的向量表示用作用户的静态偏好表示。
具体的，邻居聚合操作的具体步骤为：
设第0层的用户-商品特征矩阵为
Figure BDA0003036389260000061
其中dn为嵌入大小，然后我们使用K层的邻居传播和聚合来聚合节点邻居的特征和图中的结构特征，传播过程定义为：
Figure BDA0003036389260000062
其中
Figure BDA0003036389260000063
为对角矩阵，其中每个条目Dii表示用户-商品邻接矩阵A中第i行向量中非零条目的数量；
通过K层的邻居传播和聚合，我们可以得到从用户-商品二分图的K个特征矩阵[E(0)，E(1)，...，E(K)]，将这K个特征矩阵级联，从而得到最终的用户-商品特征矩阵
Figure BDA0003036389260000064
然后通过嵌入查找层我们可以得到用户静态偏好表示
Figure BDA0003036389260000065
和商品节点的向量表示
Figure BDA0003036389260000066
步骤2：获取用户最近购买的商品序列，通过循环神经网络提取用户的动态偏好表示；
具体的，提取用户动态偏好表示的具体步骤如下：
相比于完整的商品购买记录而言，我们认为用户近期购买的商品中蕴含着用户随时间变化的动态偏好，因此我们首先从用户完整的商品历史购买记录中截取n项作为用户近期的商品购买序列；
通过GRU对近期商品购买序列进行处理，得到用户的动态偏好表示
Figure BDA0003036389260000067
步骤3：获取用户的评论文档，通过自注意力提取用户评论的向量表示；
具体的，提取用户评论的向量表示的具体步骤如下：
首先根据用户的历史商品购买记录获取用户撰写的所有评论，将这些评论合并到用户评论文档中，并对用户评论文档进行分词、词形还原、移除停用词等预处理操作；
然后通过评论特征提取器对预处理后的用户评论文档进行特征提取，得到用户评论的向量表示
Figure BDA0003036389260000071
具体的，评论特征提取器的具体操作如下：
将评论文本中的单词序列表示为[w1，w2，…，wl]，其中l是输入文本的长度；
使用glove词嵌入将单词序列转换为单词向量矩阵
Figure BDA0003036389260000072
Figure BDA0003036389260000073
其中ds是单词向量大小；
为单词向量矩阵注入可学习的位置嵌入
Figure BDA0003036389260000074
得到输入矩阵
Figure BDA0003036389260000075
将输入矩阵通过非线性变换映射到相同的空间得到自注意力模型的query向量Q＝LeakyReLU(WQX)和key向量K＝LeakyReLU(WKX)；
通过query和key计算关联矩阵
Figure BDA0003036389260000076
将关联矩阵与value向量V＝X相乘得到自注意力模型的输出C＝AX＝[c1，c2，...，cl]T；
将自注意力模型的l个输出的平均作为用户的动态表示
Figure BDA0003036389260000077
步骤4：得到用户最终表示和商品最终表示；
具体的，得到用户最终表示和商品最终表示的具体步骤如下：
将用户的静态偏好表示eu、动态偏好表示du、评论表示ru级联得到用户的最终表示u；将商品节点的向量表示ep作为商品的最终表示p。
步骤5：计算用户和商品的相似度；
通过用户最终表示和商品最终表示的点积计算用户和商品的相似度：
Figure BDA0003036389260000081
步骤6：通过贝叶斯个性化排序损失优化模型参数。
Figure BDA0003036389260000082
其中
Figure BDA0003036389260000083
表示pairwise训练数据，
Figure BDA0003036389260000084
表示用户u购买过的商品集，
Figure BDA0003036389260000085
表示用户u未购买过的商品集；σ是sigmoid函数；θ表示所有可训练模型参数，λ用于控制L2正则化强度以防止过拟合。
实验数据集为Amazon评论数据集的CDs_and_Vinyl和Books两个板块和来自YelpDataset Challenge的Yelp评论数据集。下表描述了三个数据集的统计信息：
Figure BDA0003036389260000086
对于每个数据集，将所有交互的70％作为训练集、10％作为验证集、20％作为测试集。
选择Recall@K和NDCG@K作为评估标准，实验中，K＝20。
选择的对比方法包括：DMF、LightGCN、JRL，下表展示了相应的实验结果：
Figure BDA0003036389260000087
Figure BDA0003036389260000091
从实验结果可以看出，本发明提供的方法在三个数据集的不同评估标准上都实现了优于对比方法的准确率。

Claims (10)

1.一种基于多种用户表示融合的商品推荐方法，其特征在于，包括如下步骤：
1.1根据用户-商品二分图，通过图神经网络得到用户静态偏好表示和商品节点的向量表示；
1.2获取用户最近购买的商品序列，提取用户的动态偏好表示；
1.3获取用户的评论文档，提取用户评论的向量表示；
1.4得到用户最终表示和商品最终表示；
1.5计算用户和商品的相似度；
1.6通过贝叶斯个性化排序损失优化提出方法中的参数。
2.根据权利要求1所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述1.1中得到用户静态偏好表示和商品节点的向量表示的具体方法如下：
2.1根据用户完整的历史商品购买记录构建用户-商品二分图；
2.2通过邻居聚合操作聚合用户-商品二分图上节点的特征向量表示，得到用户节点的向量表示和商品节点的向量表示，由于用户-商品二分图中包含了用户过去所有的商品购买记录，因此我们认为得到的用户节点的向量表示中包含的是用户的相对稳定的静态偏好，因此我们将用户节点的向量表示用作用户的静态偏好表示。
3.根据权利要求2所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述2.1中构建用户-商品二分图的具体步骤如下：
3.1设用户-商品交互矩阵为
Figure FDA0003036389250000011
其中M和N分别是用户数和商品数，如果用户u购买了商品p，则R中第u行第p列的条目Rup为1，否则为0；
3.2然后，我们可以得到用户-商品二分图的邻接矩阵表示
Figure FDA0003036389250000021
Figure FDA0003036389250000022
其中RT是R的转置。
4.根据权利要求2所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述2.2中邻居聚合操作的具体步骤如下：
4.1设初始的用户-商品二分图的特征矩阵为
Figure FDA0003036389250000023
其中dn为嵌入大小，然后我们使用K层的邻居传播和聚合来聚合节点邻居的特征和图中的结构特征，传播过程定义为：
Figure FDA0003036389250000024
其中
Figure FDA0003036389250000025
Figure FDA0003036389250000026
为对角矩阵，其中每个条目Dii表示用户-商品邻接矩阵A中第i行向量中非零条目的数量；
4.2通过K层的邻居传播和聚合，我们可以得到从用户-商品二分图的K个特征矩阵[E(0)，E(1)，...，E(K)]，将这K个特征矩阵级联，从而得到最终的用户-商品特征矩阵
Figure FDA0003036389250000027
然后通过嵌入查找层我们可以得到用户静态偏好表示
Figure FDA0003036389250000028
和商品节点的向量表示
Figure FDA0003036389250000029
5.根据权利要求1所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述1.2中用户动态偏好表示的提取方法如下：
5.1相比于完整的商品购买记录而言，我们认为用户近期购买的商品中蕴含着用户随时间变化的动态偏好，因此我们从用户完整的商品历史购买记录中截取n项作为用户近期的商品购买序列，通过GRU对近期商品购买序列进行处理，得到用户的动态偏好表示
Figure FDA00030363892500000210
6.根据权利要求1所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述1.3中用户评论的向量表示的提取方法如下：
6.1根据用户的历史商品购买记录获取用户撰写的所有评论，将这些评论合并到用户评论文档中，并对用户评论文档进行分词、词形还原、移除停用词等预处理操作；
6.2通过评论特征提取器对预处理后的用户评论文档进行特征提取，得到用户评论的向量表示
Figure FDA0003036389250000031
7.根据权利要求6所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述6.2中评论特征提取器的步骤如下：
7.1将评论文本中的单词序列表示为[w1，w2，...，wl]，其中l是输入文本的长度，然后使用glove词嵌入将单词序列转换为单词向量矩阵
Figure FDA0003036389250000032
Figure FDA0003036389250000033
其中ds是单词向量大小；
7.2为单词向量矩阵注入可学习的位置嵌入
Figure FDA0003036389250000034
得到输入矩阵
Figure FDA0003036389250000035
7.3将输入矩阵通过非线性变换映射到相同的空间得到自注意力模型的query向量Q＝LeakyReLU(WQX)和key向量K＝LeakyReLU(WKX)，然后通过query和key计算关联矩阵
Figure FDA0003036389250000036
7.4将关联矩阵与value向量V＝X相乘得到自注意力模型的输出C＝AX＝[c1，c2，...，cl]T；
7.5我们将自注意力模型的l个输出的平均作为用户的动态表示
Figure FDA0003036389250000037
Figure FDA0003036389250000038
8.根据权利要求1所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述1.4中得到用户最终表示和商品最终表示的具体方法如下：
8.1将用户的静态偏好表示eu、动态偏好表示du、评论表示ru级联得到用户的最终表示u；将商品的节点表示ep作为商品的最终表示p。
9.根据权利要求1所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述1.5中用户和商品相似度的计算公式为：
Figure FDA0003036389250000041
。
10.根据权利要求1所述的一种基于多种用户表示融合的商品推荐方法，其特征在于，所述1.6中通过贝叶斯个性化排序损失优化提出方法中的参数的具体公式如下：
Figure FDA0003036389250000042
。
CN202110444714.1A 2021-04-24 2021-04-24 一种基于多种用户表示融合的商品推荐方法 Active CN113159891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444714.1A CN113159891B (zh) 2021-04-24 2021-04-24 一种基于多种用户表示融合的商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444714.1A CN113159891B (zh) 2021-04-24 2021-04-24 一种基于多种用户表示融合的商品推荐方法

Publications (2)

Publication Number Publication Date
CN113159891A true CN113159891A (zh) 2021-07-23
CN113159891B CN113159891B (zh) 2022-05-17

Family

ID=76870185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444714.1A Active CN113159891B (zh) 2021-04-24 2021-04-24 一种基于多种用户表示融合的商品推荐方法

Country Status (1)

Country Link
CN (1) CN113159891B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564640A (zh) * 2022-02-17 2022-05-31 上海师范大学 基于长短期记忆和图注意力网络的oj平台题目推荐方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007148817A1 (ja) * 2006-06-23 2007-12-27 Nec Corporation コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム
CN108280738A (zh) * 2017-12-13 2018-07-13 西安电子科技大学 基于图像和社会化标签的商品推荐方法
CN110162696A (zh) * 2019-04-11 2019-08-23 北京三快在线科技有限公司 基于图的推荐方法、装置、电子设备及存储介质
CN110175286A (zh) * 2019-05-17 2019-08-27 山东师范大学 结合成对优化和矩阵分解的产品推荐方法及系统
CN110321473A (zh) * 2019-05-21 2019-10-11 山东省计算中心（国家超级计算济南中心） 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备
CN110969516A (zh) * 2019-12-25 2020-04-07 清华大学 一种商品推荐方法及装置
CN111222332A (zh) * 2020-01-06 2020-06-02 华南理工大学 一种结合注意力网络和用户情感的商品推荐方法
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111815403A (zh) * 2020-06-19 2020-10-23 北京石油化工学院 商品推荐方法、装置及终端设备
CN112559764A (zh) * 2020-12-10 2021-03-26 北京中视广信科技有限公司 一种基于领域知识图谱的内容推荐方法
CN112650929A (zh) * 2020-12-31 2021-04-13 安徽农业大学 一种融入评论信息的图神经网络推荐方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007148817A1 (ja) * 2006-06-23 2007-12-27 Nec Corporation コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム
CN108280738A (zh) * 2017-12-13 2018-07-13 西安电子科技大学 基于图像和社会化标签的商品推荐方法
CN110162696A (zh) * 2019-04-11 2019-08-23 北京三快在线科技有限公司 基于图的推荐方法、装置、电子设备及存储介质
CN110175286A (zh) * 2019-05-17 2019-08-27 山东师范大学 结合成对优化和矩阵分解的产品推荐方法及系统
CN110321473A (zh) * 2019-05-21 2019-10-11 山东省计算中心（国家超级计算济南中心） 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备
CN110969516A (zh) * 2019-12-25 2020-04-07 清华大学 一种商品推荐方法及装置
CN111222332A (zh) * 2020-01-06 2020-06-02 华南理工大学 一种结合注意力网络和用户情感的商品推荐方法
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111815403A (zh) * 2020-06-19 2020-10-23 北京石油化工学院 商品推荐方法、装置及终端设备
CN112559764A (zh) * 2020-12-10 2021-03-26 北京中视广信科技有限公司 一种基于领域知识图谱的内容推荐方法
CN112650929A (zh) * 2020-12-31 2021-04-13 安徽农业大学 一种融入评论信息的图神经网络推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YU TING 等: ""Personalized Recommendation System Based on Web Log Mining and Weighted Bipartite Graph"", 《2013 INTERNATIONAL CONFERENCE ON COMPUTATIONAL AND INFORMATION SCIENCES》 *
毛文山 等: ""基于Item2Vec负采样优化的专题地图产品个性化推荐方法研究"", 《地球信息科学学报》 *
郑书强: ""基于多特征融合分析的推荐模型的研究与实现"", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
黄立威 等: ""基于深度学习的推荐系统研究综述"", 《计算机学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564640A (zh) * 2022-02-17 2022-05-31 上海师范大学 基于长短期记忆和图注意力网络的oj平台题目推荐方法

Also Published As

Publication number Publication date
CN113159891B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
Sun et al. What and how: generalized lifelong spectral clustering via dual memory
Khan et al. CNN with depthwise separable convolutions and combined kernels for rating prediction
CN110674407B (zh) 基于图卷积神经网络的混合推荐方法
EP4145308A1 (en) Search recommendation model training method, and search result sorting method and device
US20160125300A1 (en) System and method for graph pattern analysis
CN111737578B (zh) 一种推荐方法及系统
CN109460508B (zh) 一种高效的垃圾评论用户群组检测方法
CN109087178A (zh) 商品推荐方法和装置
CN113159892B (zh) 一种基于多模态商品特征融合的商品推荐方法
EP3300002A1 (en) Method for determining the similarity of digital images
CN112487199B (zh) 一种基于用户购买行为的用户特征预测方法
CN108717654B (zh) 一种基于聚类特征迁移的多电商交叉推荐方法
Chou et al. Predictive analytics for customer repurchase: Interdisciplinary integration of buy till you die modeling and machine learning
CN112364976A (zh) 基于会话推荐系统的用户偏好预测方法
CN114896517A (zh) 一种商品推荐方法、系统、设备及存储介质
CN112800344A (zh) 一种基于深度神经网络的电影推荐方法
CN116703485A (zh) 基于大数据的广告精准营销方法及系统
CN113159891B (zh) 一种基于多种用户表示融合的商品推荐方法
CN113344648B (zh) 一种基于机器学习的广告推荐方法及系统
Mohammadi et al. A novel one-layer recurrent neural network for the l1-regularized least square problem
CN113610610B (zh) 基于图神经网络和评论相似度的会话推荐方法和系统
CN114491267A (zh) 一种物品的推荐方法、装置以及存储介质
CN107169830B (zh) 一种基于聚类pu矩阵分解的个性化推荐方法
CN110321565B (zh) 基于深度学习的实时文本情感分析方法、装置及设备
CN115309997B (zh) 一种基于多视图自编码特征的商品推荐方法及装置

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210723

Assignee: Guangxi wisdom Valley Technology Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2022450000202

Denomination of invention: A Product Recommendation Method Based on Multi user Representation Fusion

Granted publication date: 20220517

License type: Common License

Record date: 20221125

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210723

Assignee: Guangxi Kaihaodian Network Technology Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2022450000363

Denomination of invention: A Product Recommendation Method Based on Multi user Representation Fusion

Granted publication date: 20220517

License type: Common License

Record date: 20221219

EE01 Entry into force of recordation of patent licensing contract