CN113221513A - 一种跨模态数据融合的个性化产品描述生成方法 - Google Patents

一种跨模态数据融合的个性化产品描述生成方法 Download PDF

Info

Publication number
CN113221513A
CN113221513A CN202110416512.6A CN202110416512A CN113221513A CN 113221513 A CN113221513 A CN 113221513A CN 202110416512 A CN202110416512 A CN 202110416512A CN 113221513 A CN113221513 A CN 113221513A
Authority
CN
China
Prior art keywords
product
attribute
image
description
explicit
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
CN202110416512.6A
Other languages
English (en)
Other versions
CN113221513B (zh
Inventor
郭斌
郝少阳
於志文
梁韵基
王柱
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110416512.6A priority Critical patent/CN113221513B/zh
Publication of CN113221513A publication Critical patent/CN113221513A/zh
Application granted granted Critical
Publication of CN113221513B publication Critical patent/CN113221513B/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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种跨模态数据融合的个性化产品描述生成方法，首先需要采集电商网站中的产品描述数据集，包括了产品标题、描述、图像与产品属性对；其次对图像数据、文本数据进行格式化处理，对产品属性数据进行向量表征与聚类合并；然后预测图像的显示属性门控，再基于该门控机制提取图像中的显式属性，接下来识别产品图像中的显著性区域，再分别对不同的区域进行编码表示，最后使用提取出的视觉特征指导的产品描述生成。本发明能够通过产品标题与产品图像，依据用户历史行为自动批量生成个性化的产品描述，解决人工撰写产品描述费事费力的问题。

Description

一种跨模态数据融合的个性化产品描述生成方法
技术领域
本发明属于知识挖掘技术领域，具体涉及一种个性化产品描述生成方法。
背景技术
计算机与互联网技术极大的改变了人们的生活与行为方式，其中居民消费习惯的变化最为明显。依据商务部数据，2019年电子商务交易额已经达全年GDP的35.13％，可以看出，电子商务经济已经成为中国经济体系的重要组成部分。
与传统线下商店相不同，用户在网络空间中无法与产品实体进行交互，只能依靠产品描述进一步了解产品信息，从而做出购买决策。产品描述是用户获取产品信息的主要渠道，其目的是向顾客提供有关产品的特性和优点。传统的产品描述通常是由商家聘用“专家”，根据产品信息进行手工撰写。然而手工撰写商品描述效率低下且成本较高，对于公司推广产品来说是一个较大的负担。在互联网如此庞大的电商规模之下，传统的手工撰写产品描述的方式已无法满足新时代的需求。人类撰写的商品描述受限于撰写者的经验、知识和对于产品的了解程度，在这样大规模、高频率的产品更新的情况下，人类撰写者没有时间、也没有精力去了解每一个产品的详细情况，导致写出的商品描述质量难以保证。另一方面，人工撰写的产品描述难以满足个性化需求，大多是尽可能覆盖所有的产品卖点，不同用户看到的都是相同的产品描述，可能会导致用户无法瞬间抓取到自己感兴趣的信息，最终丧失了进一步了解产品的动力。
现有的关于商品描述和评论生成的方法，大多基于人工构建的规则或简单的生成模型，根据产品标题或结合外部知识库生成通用的产品描述，然而当产品标题与产品描述缺乏直接的实体联系时，此类方法将无法使用，但产品图像中往往包含这些信息，可以从产品图像中提取合适的视觉信息指导产品描述生成。
发明内容
为了克服现有技术的不足，本发明提供了一种跨模态数据融合的个性化产品描述生成方法，首先需要采集电商网站中的产品描述数据集，包括了产品标题、描述、图像与产品属性对；其次对图像数据、文本数据进行格式化处理，对产品属性数据进行向量表征与聚类合并；然后预测图像的显示属性门控，再基于该门控机制提取图像中的显式属性，接下来识别产品图像中的显著性区域，再分别对不同的区域进行编码表示，最后使用提取出的视觉特征指导的产品描述生成。本发明能够通过产品标题与产品图像，依据用户历史行为自动批量生成个性化的产品描述，解决人工撰写产品描述费事费力的问题。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：获取产品描述数据集；
采集互联网电商网站中的产品描述，定义数据格式为＜producttitle，productdesc，productimage，productattr_dict＞，其中producttitle为产品标题；productdesc为产品描述；productimage为产品图像；productattr_dict为产品属性的键值对，以字典形式存储；
步骤2：产品图像数据格式化；
对产品图像进行统一缩放处理，分辨率统一为R*R，分辨率不足的图像使用白色填充；
步骤3：文本数据格式化；
去除长度小于L1的产品标题，对产品标题不足L2的文本进行补全，超过L2的进行截断处理；
去除长度小于L3的产品描述，对产品描述不足L4的文本进行补全，超过L4的进行截断处理；
步骤4：产品属性格式化；
使用预训练的Word2Vec将产品属性值进行向量化表征；再通过K-Means++算法对每一类属性的值进行聚类分析，将产品属性值划分为含义相近的类簇，共有A种；
步骤5：显式属性值门控预测；
采用ResNet网络从产品图像v中提取显式属性，判定图像中是否存在该种属性；
门控分布为：
Figure BDA0003026119590000021
其中，v表示产品图像，avgPool(v)为ResNet网络中平均池化层的输出，Wa与ba为可学习参数，i表示产品属性，i＝1，...，A；
使用属性门控gai表示产品是否具有第i个属性，gai的取值为0或1，表示为：
Figure BDA0003026119590000022
其中，maxid(.)表示输入向量最大值对应的索引；gai＝1表示产品具有第i个属性，gai＝0表示产品不具有第i个属性；
步骤6：显式属性值预测；
对每个产品属性构建属性分类器预测属性值，属性分类器均由一层全局平均池化和两层全连接神经网络构成；第i个属性分类器表示为Attri，Attri的全局平均池化层具有2048个7×7卷积核，第一层全连接神经网络具有2048个神经元，第二层全连接神经网络的神经元数量为ti∈(t1，t2，...tA)，其中ti为第i类属性的能够取值的数量；
则对于第i个属性，显式属性值预测的分布为：
Figure BDA0003026119590000031
其中，W1、W2、b1、b2为可学习的网络参数；
Figure BDA0003026119590000032
对应的最大值下标即为预测出的具体的显式属性值；
步骤7：隐式视觉特征提取；
将产品图像v输入预训练的Faster R-CNN网络，把Faster R-CNN网络的RegionProposal模块中ROI池化层的输出作为隐式视觉特征，表示为
Figure BDA0003026119590000033
步骤8：视觉特征指导的产品描述生成；
步骤8-1：针对显式属性，将产品所具有的属性使用双向GRU编码，第i个属性的编码表示为
Figure BDA0003026119590000034
使用Attention机制计算显式属性的上下文向量表示
Figure BDA0003026119590000035
形式化表示为：
Figure BDA0003026119590000036
Figure BDA0003026119590000037
Figure BDA0003026119590000038
其中Wg为可学习的网络参数，
Figure BDA0003026119590000039
表示生成时GRU第t个时间步输出的隐层状态，m为可训练参数，用于调整
Figure BDA00030261195900000310
的输出维度；
步骤8-2：针对隐式编码，在生成第t个产品描述词汇时，从产品图像中计算出上下文向量
Figure BDA00030261195900000311
为：
Figure BDA00030261195900000312
Figure BDA00030261195900000313
Figure BDA0003026119590000041
其中，WI、bI表示可学习的网络参数；
步骤8-3：采用视觉门控机制gI用于过滤视觉信息中的噪音，其计算方式为：
Figure BDA0003026119590000042
其中WV、Wh与bv为可学习的参数；
从图像中抽取得到的视觉信息
Figure BDA0003026119590000043
表示为：
Figure BDA0003026119590000044
步骤8-4：将
Figure BDA0003026119590000045
作为检索向量，使用Attention机制从产品标题中抽取到的上下文向量表示为
Figure BDA0003026119590000046
最终生成对产品描述词汇的概率分布为：
Figure BDA0003026119590000047
其中，Wimg、bw为可学习的网络参数，w表示产品描述词汇。
优选地，所述R＝800，L1＝7，L2＝30，L3＝10，L4＝50。
本发明的有益效果如下：
本发明能够通过产品标题与产品图像，依据用户历史行为自动批量生成个性化的产品描述，解决人工撰写产品描述费事费力的问题，一定程度上降低中小企业运营成本。传统方法一般通过产品标题从知识库中进行检索，但当标题与知识库缺乏实体联系时这种方法很难奏效，本发明通过产品图像重新建立起了该联系，一定程度上解决了该问题。
附图说明
图1为本发明方法产品描述生成框架。
图2为本发明方法显式属性提取框架。
图3为本发明实施例产品属性值合并归类结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明利用以下原理：图像中往往包含产品标题实体中不存在的信息，可以用来指导产品描述生成。提取图像中的显式语义能够明确的提取出图像中的微观视觉信息。采用事先定义的属性设置，构建一个图像的属性集合，再使用分类器检测图像中所具有的属性以及对应的值，并提出一种特殊的属性门控机制，用来过滤图像中不存在的属性。另一方面，提取图像隐式向量编码以提高对视觉信息的利用率，最终使用两种不同层次、不同粒度的视觉特征指导产品描述生成。
一种跨模态数据融合的个性化产品描述生成方法，包括以下步骤：
步骤1：获取产品描述数据集；
采集互联网电商网站中的产品描述，定义数据格式为＜producttitle，productdesc，productimage，productattr_dict＞，其中producttitle为产品标题；productdesc为产品描述；productimage为产品图像；productattr_dict为产品属性的键值对，以字典形式存储；
步骤2：产品图像数据格式化；
由于直接采集到的图像的分辨率与比例大小各异，不利于进一步的特征提取与训练。因而对图像进行统一的缩放处理，分辨率统一为800*800，尺寸不足的图像使用白色填充(图像矩阵中填充255)；
步骤3：文本数据格式化；
去除长度小于7的产品标题，对产品标题不足30的文本进行补全，超过30的进行截断处理。去除长度小于10的产品描述，对产品描述不足50的文本进行补全，超过50的进行截断处理；
步骤4：产品属性格式化；
整个产品数据集存在几十种属性，上千种值，这对于模型生成是必要且冗余的；使用预训练的Word2Vec将产品属性值进行向量化表征；再通过K-Means++算法对每一类属性的值进行聚类分析，将产品属性值划分为含义相近的类簇，共有11种；
步骤5：显式属性值门控预测；
由于预定义出的属性集由全部产品得来，并非每一个产品都具有全部属性，因而需要判断其是否存在该属性。
采用ResNet网络从产品图像v中提取显式属性，判定图像中是否存在该种属性；
门控分布为：
Figure BDA0003026119590000051
其中，v表示产品图像，avgPool(v)为ResNet网络中平均池化层的输出，Wa与ba为可学习参数，i表示产品属性，i＝1，...，A；
使用属性门控gai表示产品是否具有第i个属性，gai的取值为0或1，表示为：
Figure BDA0003026119590000061
其中，maxid(.)表示输入向量最大值对应的索引；gai＝1表示产品具有第i个属性，gai＝0表示产品不具有第i个属性；
步骤6：显式属性值预测；
对于聚合出的11种属性，每一种属性都使用单独的属性分类器预测属性的值，属性分类器均由一层全局平均池化和两层全连接神经网络构成；第i个属性分类器表示为Attri，Attri的全局平均池化层具有2048个7×7卷积核，第一层全连接神经网络具有2048个神经元，第二层全连接神经网络的神经元数量为ti∈(t1，t2，...tA)，其中ti为第i类属性的能够取值的数量；
则对于第i个属性，显式属性值预测的分布为：
Figure BDA0003026119590000062
其中，W1、W2、b1、b2为可学习的网络参数；
步骤7：隐式视觉特征提取；
将产品图像v输入预训练的Faster R-CNN网络，把Faster R-CNN网络的RegionProposal模块中ROI池化层的输出作为隐式视觉特征，表示为
Figure BDA0003026119590000063
步骤8：视觉特征指导的产品描述生成；
步骤8-1：针对显式属性，将产品所具有的属性使用双向GRU编码，第i个属性的编码表示为
Figure BDA0003026119590000064
使用Attention机制计算显式属性的上下文向量表示
Figure BDA0003026119590000065
形式化表示为：
Figure BDA0003026119590000066
Figure BDA0003026119590000067
Figure BDA0003026119590000068
其中Wg为可学习的网络参数，
Figure BDA0003026119590000069
表示生成时GRU第t个时间步输出的隐层状态，m为可训练参数，用于调整
Figure BDA00030261195900000610
的输出维度；
步骤8-2：针对隐式编码，在生成第t个产品描述词汇时，从产品图像中计算出上下文向量
Figure BDA00030261195900000611
为：
Figure BDA00030261195900000612
Figure BDA0003026119590000071
Figure BDA0003026119590000072
其中，WI、bI表示可学习的网络参数；
步骤8-3：采用视觉门控机制gI用于过滤视觉信息中的噪音，其计算方式为：
Figure BDA0003026119590000073
其中WV、Wh与bv为可学习的参数；
从图像中抽取得到的视觉信启
Figure BDA0003026119590000074
表示为：
Figure BDA0003026119590000075
步骤8-4：将
Figure BDA0003026119590000076
作为检索向量，使用Attention机制从产品标题中抽取到的上下文向量表示为
Figure BDA0003026119590000077
最终生成对产品描述词汇的概率分布为：
Figure BDA0003026119590000078
其中，Wimg、bw为可学习的网络参数，w表示产品描述词汇。

Claims (2)

1.一种跨模态数据融合的个性化产品描述生成方法，其特征在于，包括以下步骤：
步骤1：获取产品描述数据集；
采集互联网电商网站中的产品描述，定义数据格式为<producttitle,productdesc,productimage,productattr_dict>，其中producttitle为产品标题；productdesc为产品描述；productimage为产品图像；productattr_dict为产品属性的键值对，以字典形式存储；
步骤2：产品图像数据格式化；
对产品图像进行统一缩放处理，分辨率统一为R*R，分辨率不足的图像使用白色填充；
步骤3：文本数据格式化；
去除长度小于L1的产品标题，对产品标题不足L2的文本进行补全，超过L2的进行截断处理；
去除长度小于L3的产品描述，对产品描述不足L4的文本进行补全，超过L4的进行截断处理；
步骤4：产品属性格式化；
使用预训练的Word2Vec将产品属性值进行向量化表征；再通过K-Means++算法对每一类属性的值进行聚类分析，将产品属性值划分为含义相近的类簇，共有A种；
步骤5：显式属性值门控预测；
采用ResNet网络从产品图像v中提取显式属性，判定图像中是否存在该种属性；
门控分布为：
Figure FDA0003026119580000011
其中，v表示产品图像，avgPool(v)为ResNet网络中平均池化层的输出，Wa与ba为可学习参数，i表示产品属性，i＝1,…,A；
使用属性门控gai表示产品是否具有第i个属性，gai的取值为0或1，表示为：
Figure FDA0003026119580000012
其中，maxid(.)表示输入向量最大值对应的索引；gai＝1表示产品具有第i个属性，gai＝0表示产品不具有第i个属性；
步骤6：显式属性值预测；
对每个产品属性构建属性分类器预测属性值，属性分类器均由一层全局平均池化和两层全连接神经网络构成；第i个属性分类器表示为Attri，Attri的全局平均池化层具有2048个7×7卷积核，第一层全连接神经网络具有2048个神经元，第二层全连接神经网络的神经元数量为ti∈(t1,t2,…tA)，其中ti为第i类属性的能够取值的数量；
则对于第i个属性，显式属性值预测的分布为：
Figure FDA0003026119580000021
其中，W1、W2、b1、b2为可学习的网络参数；
Figure FDA0003026119580000022
对应的最大值下标即为预测出的具体的显式属性值；
步骤7：隐式视觉特征提取；
将产品图像v输入预训练的Faster R-CNN网络，把Faster R-CNN网络的RegionProposal模块中ROI池化层的输出作为隐式视觉特征，表示为
Figure FDA0003026119580000023
步骤8：视觉特征指导的产品描述生成；
步骤8-1：针对显式属性，将产品所具有的属性使用双向GRU编码，第i个属性的编码表示为
Figure FDA0003026119580000024
使用Attention机制计算显式属性的上下文向量表示
Figure FDA0003026119580000025
形式化表示为：
Figure FDA0003026119580000026
Figure FDA0003026119580000027
Figure FDA0003026119580000028
其中Wg为可学习的网络参数，
Figure FDA0003026119580000029
表示生成时GRU第t个时间步输出的隐层状态，m为可训练参数，用于调整
Figure FDA00030261195800000210
的输出维度；
步骤8-2：针对隐式编码，在生成第t个产品描述词汇时，从产品图像中计算出上下文向量
Figure FDA00030261195800000211
为：
Figure FDA00030261195800000212
Figure FDA00030261195800000213
Figure FDA00030261195800000214
其中，WI、bI表示可学习的网络参数；
步骤8-3：采用视觉门控机制gI用于过滤视觉信息中的噪音，其计算方式为：
Figure FDA0003026119580000031
其中WV、Wh与bv为可学习的参数；
从图像中抽取得到的视觉信息
Figure FDA0003026119580000032
表示为：
Figure FDA0003026119580000033
步骤8-4：将
Figure FDA0003026119580000034
作为检索向量，使用Attention机制从产品标题中抽取到的上下文向量表示为
Figure FDA0003026119580000035
最终生成对产品描述词汇的概率分布为：
Figure FDA0003026119580000036
其中，Wimg、bw为可学习的网络参数，w表示产品描述词汇。
2.根据权利要求1所述的一种跨模态数据融合的个性化产品描述生成方法，其特征在于，所述R＝800，L1＝7，L2＝30，L3＝10，L4＝50。
CN202110416512.6A 2021-04-19 2021-04-19 一种跨模态数据融合的个性化产品描述生成方法 Active CN113221513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110416512.6A CN113221513B (zh) 2021-04-19 2021-04-19 一种跨模态数据融合的个性化产品描述生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110416512.6A CN113221513B (zh) 2021-04-19 2021-04-19 一种跨模态数据融合的个性化产品描述生成方法

Publications (2)

Publication Number Publication Date
CN113221513A true CN113221513A (zh) 2021-08-06
CN113221513B CN113221513B (zh) 2024-07-12

Family

ID=77087676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110416512.6A Active CN113221513B (zh) 2021-04-19 2021-04-19 一种跨模态数据融合的个性化产品描述生成方法

Country Status (1)

Country Link
CN (1) CN113221513B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688821A (zh) * 2017-07-11 2018-02-13 西安电子科技大学 基于视觉显著性与语义属性跨模态图像自然语言描述方法
WO2018188240A1 (zh) * 2017-04-10 2018-10-18 北京大学深圳研究生院 一种基于深度语义空间的跨媒体检索方法
CN110531754A (zh) * 2018-05-24 2019-12-03 通用汽车环球科技运作有限责任公司 自主车辆的控制系统、控制方法和控制器
CN111046668A (zh) * 2019-12-04 2020-04-21 北京信息科技大学 多模态文物数据的命名实体识别方法与装置
CN111444968A (zh) * 2020-03-30 2020-07-24 哈尔滨工程大学 一种基于注意力融合的图像描述生成方法
CN112136143A (zh) * 2018-05-17 2020-12-25 国际商业机器公司 使用神经网络的时间序列数据依赖的动态发现

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018188240A1 (zh) * 2017-04-10 2018-10-18 北京大学深圳研究生院 一种基于深度语义空间的跨媒体检索方法
CN107688821A (zh) * 2017-07-11 2018-02-13 西安电子科技大学 基于视觉显著性与语义属性跨模态图像自然语言描述方法
CN112136143A (zh) * 2018-05-17 2020-12-25 国际商业机器公司 使用神经网络的时间序列数据依赖的动态发现
CN110531754A (zh) * 2018-05-24 2019-12-03 通用汽车环球科技运作有限责任公司 自主车辆的控制系统、控制方法和控制器
CN111046668A (zh) * 2019-12-04 2020-04-21 北京信息科技大学 多模态文物数据的命名实体识别方法与装置
CN111444968A (zh) * 2020-03-30 2020-07-24 哈尔滨工程大学 一种基于注意力融合的图像描述生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张秋韵;郭斌;郝少阳;王豪;於志文;景瑶;: "CrowdDepict：多源群智数据驱动的个性化商品描述生成方法", 计算机科学与探索, no. 10, 20 January 2020 (2020-01-20) *

Also Published As

Publication number Publication date
CN113221513B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN109255506B (zh) 一种基于大数据的互联网金融用户贷款逾期预测方法
CN111680217B (zh) 内容推荐方法、装置、设备及存储介质
CN110309306B (zh) 一种基于wsd层级记忆网络的文档建模分类方法
Zhao et al. The study on the text classification for financial news based on partial information
CN109871491A (zh) 论坛帖子推荐方法、系统、设备及存储介质
CN112328900A (zh) 一种融合评分矩阵和评论文本的深度学习推荐方法
CN110991464A (zh) 一种基于深度多模态数据融合的商品点击率预测方法
CN107609563A (zh) 图片语义描述方法及装置
CN112085565A (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN110472245B (zh) 一种基于层次化卷积神经网络的多标记情绪强度预测方法
CN112287672A (zh) 文本意图识别方法及装置、电子设备、存储介质
CN112884551A (zh) 一种基于近邻用户和评论信息的商品推荐方法
CN112256866A (zh) 一种基于深度学习的文本细粒度情感分析方法
CN116468460B (zh) 基于人工智能的消费金融客户画像识别系统及其方法
CN113987187A (zh) 基于多标签嵌入的舆情文本分类方法、系统、终端及介质
Li et al. Mining online reviews for ranking products: A novel method based on multiple classifiers and interval-valued intuitionistic fuzzy TOPSIS
CN114648031A (zh) 基于双向lstm和多头注意力机制的文本方面级情感识别方法
CN115017320A (zh) 结合词袋模型和深度学习模型的电商文本聚类方法及系统
CN113076425B (zh) 一种用于微博评论的事件相关观点句分类方法
Liu Deep learning in marketing: a review and research agenda
CN114266241A (zh) 基于文本和情感极性的评论有用性预测方法、设备及介质
Zhang et al. Describe the house and I will tell you the price: House price prediction with textual description data
CN116910294A (zh) 一种基于情感分析的图像滤镜生成方法
CN113221513B (zh) 一种跨模态数据融合的个性化产品描述生成方法
CN116089605A (zh) 基于迁移学习和改进词袋模型的文本情感分析方法

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