CN113269616B - 一种面向图神经网络的多层购物推荐方法 - Google Patents
一种面向图神经网络的多层购物推荐方法 Download PDFInfo
- Publication number
- CN113269616B CN113269616B CN202110620737.3A CN202110620737A CN113269616B CN 113269616 B CN113269616 B CN 113269616B CN 202110620737 A CN202110620737 A CN 202110620737A CN 113269616 B CN113269616 B CN 113269616B
- Authority
- CN
- China
- Prior art keywords
- user
- graph
- sub
- computing node
- neural network
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 16
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向图神经网络的多层购物推荐方法,该方法在图神经网络中构建多个二级计算节点、一个一级计算节点以及为每一用户构建一用户节点。本发明对于图神经网络需要较多计算单元的问题,提出由一级计算节点承担计算训练任务,其他二级计算节点进行数据预处理、数据库访问以及推荐的工作,在一段时间内使用同一个推荐模型,节省了计算时间;针对购物关系图较大的问题,通过将特征相近的节点在二级计算节点上存为多个子图进行任务分割;对于推荐内容单一的问题,使用多次图神经网络训练得到多个模型,先对子图进行图神经网络训练,再对多个子图构成的大图训练,二级计算节点通过一定的排序后,向用户进行推荐。
Description
技术领域
本发明涉及图神经网络领域,具体而言,涉及一种面向图神经网络的多层购物推荐方法。
背景技术
图神经网络是一种基于图的学习方法,由于图结构处于非欧式空间,因此,传统的神经网络算法无法直接应用于图结构的学习之上,由此,图神经网络就诞生了。由于图结构描述了节点间的关系,因此,图结构所蕴含的信息就更多,对于图结构的深入挖掘也就具有了更重要的意义,因此,图神经网络在购物推荐系统中能够的得到广泛的应用。图神经网络主要有图卷积网络(GCN)、图注意力网络(GAT)等。
但是,图神经网络对于动态图的处理能力有限,需要的算力较大,并且在购物推荐系统中,用户关系图通常规模较大,需要的计算成本较高,因此,图神经网络很难直接应用于购物推荐系统中。
申请号为200910045654.5的中国专利公开了一种基于用户偏好评分分布的协作推荐系统,如图1所示,其包括:数据引擎装置、项目属性类别分类器、用户兴趣存储装置、推荐模块装置和用户交互装置,数据引擎装置的两个输出端分别连接项目属性类别分类器和用户兴趣存储装置,项目属性类别分类器和用户兴趣存储装置的输出接推荐模块装置,推荐模块装置的输出接用户交互装置,用户交互装置的输出接入用户兴趣存储装置,数据引擎装置的输入端接数据库。该专利中,推荐算法使用的是协同过滤算法,在用户数据过大时,计算量较大,反馈速度慢。
申请号为201710349385.6的中国专利公开了一种基于大数据进行购物推荐的方法和设备,如图2所示,该专利提供的基于大数据进行购物推荐的方法包括以下步骤:获取用户所输入的搜索关键词;确定所述搜索关键词对应的商品信息;从所述用户的大数据中确定与所述用户存在人际关系的其他用户;其中,与所述用户的人际关系越近的其他用户,所对应的影响权重越大;基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选,以确定待推荐商品信息;将所述待推荐商品信息推荐给所述用户。该专利的不足之处在于:结构简单,影响因素分层次,与用户有人际关系的用户的购买信息对该用户的推荐结果影响较大,而与用户有相似属性的用户,却与该用户没有人际关系的用户对结果没有影响。
发明内容
本发明提供一种面向图神经网络的多层购物推荐方法,用以克服上述现有技术存在的问题。
为达到上述目的,本发明提供了一种面向图神经网络的多层购物推荐方法,其包括以下步骤:
S1:根据多个用户之间的好友关系生成一购物关系图,每个用户在购物关系图中具有一对应的节点;
S2:构建一包括多个二级计算节点和一个一级计算节点的图神经网络;
S3:在图神经网络中为每一用户构建一用户节点;
S4:多个用户节点分别获取对应用户的特征信息;
S5:在每个二级计算节点中分别构建多个子图;
S6:一级计算节点对多个二级计算节点进行管理,使得二级计算节点根据用户的特征信息,将用户特征信息相似的用户节点对应的信息存入同一个子图中,每个子图独立计算并存储子图的边,子图的边对应用户的好友关系,每个子图具有一图特征向量H,图特征向量H包含对应用户节点的位置信息、用户的位置信息、子图的特征id以及子图中包含的用户节点的数目;
S7:二级计算节点对存在其上的每个子图进行预处理,并将预处理后获得的图数据传送至一级计算节点,二级计算节点通过预设算法或预设模型访问商品数据库,以向用户推荐商品,其中,预设模型由一级计算节点提供;
S8:二级计算节点向用户提供推荐结果,推荐结果包括在用户搜索时向用户推荐的相关商品以及在用户使用期间向用户推荐的用户感兴趣商品;
S9:当购物关系图中有新的用户加入时,在图神经网络中增加一与之对应的用户节点,将该用户节点的用户位置信息及购物信息与子图的图特征向量H进行一一匹配,当用户位置信息或购物信息与子图的图特征向量H之一相同时,则将该用户节点加入该子图,根据好友关系形成该子图的边,更新该子图的图特征向量H并将该特征向量H及对应的服务器更新在一级计算节点中;
S10:多个二级计算节点将其中的子图传入一级计算节点进行训练,得到第一训练模型,一级计算节点对关系密切的子图构成的大图进行训练,得到第二训练模型,将第一训练模型和第二训练模型传输至对应的二级计算节点;
S11:二级计算节点分别使用第一训练模型和第二训练模型训练向用户提供推荐结果,其中,推荐结果按照权重的大小排序;
S12:每隔一预设时间,多个二级计算节点向一级计算节点更新一次用户的特征信息,当用户的特征信息发生变化后,在一级计算节点的调度下将用户迁移至其他二级计算节点。
在本发明的一实施例中,用户的特征信息包括用户的搜索信息、用户的位置信息、用户的好友信息、用户的个人信息和用户的购买信息,其中,用户的个人信息包括性别、年龄。
在本发明的一实施例中,二级计算节点将接收到的用户的特征信息与其内部的子图存储的用户的特征信息进行匹配,当接收到不相近的用户的特征信息时,二级计算节点输出一匹配失败信息并将接收到的用户的特征信息传送至其他二级计算节点再次匹配,若所有二级计算节点均匹配失败,则选取任务量最小的二级计算节点新建一子图,并更新新建的子图中的图特征向量H。
在本发明的一实施例中,步骤S7中,预处理包括特征去噪、特征滤波以及去除无效信息。
在本发明的一实施例中,步骤S7中,若二级计算节点未搜索到预设模型,则通过现有的推荐算法访问商品数据库,以向用户提供推荐结果并向一级计算节点发送训练请求,二级计算节点收到一级计算节点回复的同意训练信息后,二级计算节点将子图发送至一级计算节点。
在本发明的一实施例中,步骤S7中,若二级计算节点能够搜索到预设模型,则根据每一预设模型分别得到一推荐结果和推荐结果权重,并将推荐结果按照推荐结果权重依序推荐给用户。
在本发明的一实施例中,一级计算节点进一步对多个二级计算节点中的计算任务进行调配,使计算任务均匀分布在多个二级计算节点中并动态调整对用户的特征信息发生变化的二级计算节点进行调整。
本发明具有以下有益技术效果:
1.对于图神经网络需要较多计算单元的问题,提出由一级计算节点承担计算训练任务,其他二级计算节点进行数据预处理、数据库访问以及推荐的工作,在一段时间内使用同一个推荐模型,节省了计算时间;
2.针对购物关系图较大的问题,通过将特征相近的节点在二级计算节点上存为多个子图进行任务分割;
3.对于推荐内容单一的问题,使用多次图神经网络训练得到多个模型,先对子图进行图神经网络训练,再对多个子图构成的大图训练,二级计算节点通过一定的排序后,向用户进行推荐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为现有技术中基于用户偏好评分分布的协作推荐系统示意图;
图2为现有技术中基于大数据进行购物推荐的方法;
图3为本发明中的一级计算节点、二级计算节点和用户节点的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图3为本发明中的一级计算节点、二级计算节点和用户节点的示意图,如图3所示,本发明提供了一种面向图神经网络的多层购物推荐方法,其包括以下步骤:
S1:根据多个用户之间的好友关系生成一购物关系图,每个用户在购物关系图中具有一对应的节点;
购物关系图的概念为本领域技术人员所熟知,在此不予赘述。
S2:构建一包括多个二级计算节点和一个一级计算节点的图神经网络;
S3:在图神经网络中为每一用户构建一用户节点;
S4:多个用户节点分别获取对应用户的特征信息;
S5:在每个二级计算节点中分别构建多个子图;
S6:一级计算节点对多个二级计算节点进行管理,使得二级计算节点根据用户的特征信息,将用户特征信息相似的用户节点对应的信息存入同一个子图中,每个子图独立计算并存储子图的边,子图的边对应用户的好友关系,每个子图具有一图特征向量H,图特征向量H包含对应用户节点的位置信息、用户的位置信息、子图的特征id以及子图中包含的用户节点的数目;
S7:二级计算节点对存在其上的每个子图进行预处理,并将预处理后获得的图数据传送至一级计算节点,二级计算节点通过预设算法或预设模型访问商品数据库,以向用户推荐商品,其中,预设模型由一级计算节点提供;
S8:二级计算节点向用户提供推荐结果,推荐结果包括在用户搜索时向用户推荐的相关商品以及在用户使用期间向用户推荐的用户感兴趣商品;
S9:当购物关系图中有新的用户加入时,在图神经网络中增加一与之对应的用户节点,将该用户节点的用户位置信息及购物信息与子图的图特征向量H进行一一匹配,当用户位置信息或购物信息与子图的图特征向量H之一相同时,则将该用户节点加入该子图,根据好友关系形成该子图的边,更新该子图的图特征向量H并将该特征向量H及对应的服务器更新在一级计算节点中;
S10:多个二级计算节点将其中的子图传入一级计算节点进行训练,得到第一训练模型,一级计算节点对关系密切的子图构成的大图进行训练,得到第二训练模型,将第一训练模型和第二训练模型传输至对应的二级计算节点;
S11:二级计算节点分别使用第一训练模型和第二训练模型训练向用户提供推荐结果,其中,推荐结果按照权重的大小排序;
S12:每隔一预设时间,多个二级计算节点向一级计算节点更新一次用户的特征信息,当用户的特征信息发生变化后,在一级计算节点的调度下将用户迁移至其他二级计算节点。
在本发明的一实施例中,用户的特征信息包括用户的搜索信息、用户的位置信息、用户的好友信息、用户的个人信息和用户的购买信息,其中,用户的个人信息包括性别、年龄。
在本发明的一实施例中,二级计算节点将接收到的用户的特征信息与其内部的子图存储的用户的特征信息进行匹配,当接收到不相近的用户的特征信息时,二级计算节点输出一匹配失败信息并将接收到的用户的特征信息传送至其他二级计算节点再次匹配,若所有二级计算节点均匹配失败,则选取任务量最小的二级计算节点新建一子图,并更新新建的子图中的图特征向量H。
在本发明的一实施例中,步骤S7中,预处理包括特征去噪、特征滤波以及去除无效信息。
在本发明的一实施例中,步骤S7中,若二级计算节点未搜索到预设模型,则通过现有的推荐算法访问商品数据库,以向用户提供推荐结果并向一级计算节点发送训练请求,二级计算节点收到一级计算节点回复的同意训练信息后,二级计算节点将子图发送至一级计算节点。
在本发明的一实施例中,步骤S7中,若二级计算节点能够搜索到预设模型,则根据每一预设模型分别得到一推荐结果和推荐结果权重,并将推荐结果按照推荐结果权重依序推荐给用户。
在本发明的一实施例中,一级计算节点进一步对多个二级计算节点中的计算任务进行调配,使计算任务均匀分布在多个二级计算节点中并动态调整对用户的特征信息发生变化的二级计算节点进行调整。
本发明具有以下有益技术效果:
1.对于图神经网络需要较多计算单元的问题,提出由一级计算节点承担计算训练任务,其他二级计算节点进行数据预处理、数据库访问以及推荐的工作,在一段时间内使用同一个推荐模型,节省了计算时间;
2.针对购物关系图较大的问题,通过将特征相近的节点在二级计算节点上存为多个子图进行任务分割;
3.对于推荐内容单一的问题,使用多次图神经网络训练得到多个模型,先对子图进行图神经网络训练,再对多个子图构成的大图训练,二级计算节点通过一定的排序后,向用户进行推荐。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。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。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (7)
1.一种面向图神经网络的多层购物推荐方法,其特征在于,包括以下步骤:
S1:根据多个用户之间的好友关系生成一购物关系图,每个用户在购物关系图中具有一对应的节点;
S2:构建一包括多个二级计算节点和一个一级计算节点的图神经网络;
S3:在图神经网络中为每一用户构建一用户节点;
S4:多个用户节点分别获取对应用户的特征信息;
S5:在每个二级计算节点中分别构建多个子图;
S6:一级计算节点对多个二级计算节点进行管理,使得二级计算节点根据用户的特征信息,将用户特征信息相似的用户节点对应的信息存入同一个子图中,每个子图独立计算并存储子图的边,子图的边对应用户的好友关系,每个子图具有一图特征向量H,图特征向量H包含对应用户节点的位置信息、用户的位置信息、子图的特征id以及子图中包含的用户节点的数目;
S7:二级计算节点对存在其上的每个子图进行预处理,并将预处理后获得的图数据传送至一级计算节点,二级计算节点通过预设算法或预设模型访问商品数据库,以向用户推荐商品,其中,预设模型由一级计算节点提供;
S8:二级计算节点向用户提供推荐结果,推荐结果包括在用户搜索时向用户推荐的相关商品以及在用户使用期间向用户推荐的用户感兴趣商品;
S9:当购物关系图中有新的用户加入时,在图神经网络中增加一与之对应的用户节点,将该用户节点的用户位置信息及购物信息与子图的图特征向量H进行一一匹配,当用户位置信息或购物信息与子图的图特征向量H之一相同时,则将该用户节点加入该子图,根据好友关系形成该子图的边,更新该子图的图特征向量H并将该特征向量H及对应的服务器更新在一级计算节点中;
S10:多个二级计算节点将其中的子图传入一级计算节点进行训练,得到第一训练模型,一级计算节点对关系密切的子图构成的大图进行训练,得到第二训练模型,将第一训练模型和第二训练模型传输至对应的二级计算节点;
S11:二级计算节点分别使用第一训练模型和第二训练模型训练向用户提供推荐结果,其中,推荐结果按照权重的大小排序;
S12:每隔一预设时间,多个二级计算节点向一级计算节点更新一次用户的特征信息,当用户的特征信息发生变化后,在一级计算节点的调度下将用户迁移至其他二级计算节点。
2.如权利要求1所述的面向图神经网络的多层购物推荐方法,其特征在于,用户的特征信息包括用户的搜索信息、用户的位置信息、用户的好友信息、用户的个人信息和用户的购买信息,其中,用户的个人信息包括性别、年龄。
3.如权利要求1或2所述的面向图神经网络的多层购物推荐方法,其特征在于,二级计算节点将接收到的用户的特征信息与其内部的子图存储的用户的特征信息进行匹配,当接收到不相近的用户的特征信息时,二级计算节点输出一匹配失败信息并将接收到的用户的特征信息传送至其他二级计算节点再次匹配,若所有二级计算节点均匹配失败,则选取任务量最小的二级计算节点新建一子图,并更新新建的子图中的图特征向量H。
4.如权利要求1所述的面向图神经网络的多层购物推荐方法,其特征在于,步骤S7中,预处理包括特征去噪、特征滤波以及去除无效信息。
5.如权利要求1或4所述的面向图神经网络的多层购物推荐方法,其特征在于,步骤S7中,若二级计算节点未搜索到预设模型,则通过现有的推荐算法访问商品数据库,以向用户提供推荐结果并向一级计算节点发送训练请求,二级计算节点收到一级计算节点回复的同意训练信息后,二级计算节点将子图发送至一级计算节点。
6.如权利要求1或4所述的面向图神经网络的多层购物推荐方法,其特征在于,步骤S7中,若二级计算节点能够搜索到预设模型,则根据每一预设模型分别得到一推荐结果和推荐结果权重,并将推荐结果按照推荐结果权重依序推荐给用户。
7.如权利要求1述的面向图神经网络的多层购物推荐方法,其特征在于,一级计算节点进一步对多个二级计算节点中的计算任务进行调配,使计算任务均匀分布在多个二级计算节点中并动态调整对用户的特征信息发生变化的二级计算节点进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620737.3A CN113269616B (zh) | 2021-06-03 | 2021-06-03 | 一种面向图神经网络的多层购物推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620737.3A CN113269616B (zh) | 2021-06-03 | 2021-06-03 | 一种面向图神经网络的多层购物推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269616A CN113269616A (zh) | 2021-08-17 |
CN113269616B true CN113269616B (zh) | 2023-10-27 |
Family
ID=77234196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110620737.3A Active CN113269616B (zh) | 2021-06-03 | 2021-06-03 | 一种面向图神经网络的多层购物推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269616B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246011A (zh) * | 2019-06-13 | 2019-09-17 | 中国科学技术大学 | 可解释时尚服装个性化推荐方法 |
CN111553743A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
CN111931076A (zh) * | 2020-09-22 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN112115377A (zh) * | 2020-09-11 | 2020-12-22 | 安徽农业大学 | 一种基于社交关系的图神经网络链路预测推荐方法 |
CN112131480A (zh) * | 2020-09-30 | 2020-12-25 | 中国海洋大学 | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 |
-
2021
- 2021-06-03 CN CN202110620737.3A patent/CN113269616B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246011A (zh) * | 2019-06-13 | 2019-09-17 | 中国科学技术大学 | 可解释时尚服装个性化推荐方法 |
CN111553743A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
CN112115377A (zh) * | 2020-09-11 | 2020-12-22 | 安徽农业大学 | 一种基于社交关系的图神经网络链路预测推荐方法 |
CN111931076A (zh) * | 2020-09-22 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN112131480A (zh) * | 2020-09-30 | 2020-12-25 | 中国海洋大学 | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113269616A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Finding all you need: web APIs recommendation in web of things through keywords search | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN111966904B (zh) | 基于多用户画像模型的信息推荐方法和相关装置 | |
US11030265B2 (en) | Cross-platform data matching method and apparatus, computer device and storage medium | |
CN111967972B (zh) | 理财产品推荐方法及装置 | |
CN107113466A (zh) | 向用户推荐项目 | |
CN111291170B (zh) | 一种基于智能客服的会话推荐方法及相关装置 | |
CN110727761B (zh) | 对象信息获取方法、装置及电子设备 | |
CN107577710A (zh) | 基于异构信息网络的推荐方法及装置 | |
CN112084413B (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN109948016A (zh) | 应用信息推送方法、装置、服务器和计算机可读存储介质 | |
WO2020065611A1 (en) | Recommendation method and system and method and system for improving a machine learning system | |
CN116757763A (zh) | 基于知识图谱深度学习的电子商务推荐方法及系统 | |
CN110737779B (zh) | 知识图谱的构建方法、装置、存储介质和电子设备 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN114254615A (zh) | 组卷方法、装置、电子设备和存储介质 | |
KR102449602B1 (ko) | 멀티미디어 콘텐츠 내 상품 정보 처리 장치 및 그 방법 | |
Nazari et al. | Scalable and data-independent multi-agent recommender system using social networks analysis | |
CN113269616B (zh) | 一种面向图神经网络的多层购物推荐方法 | |
Yin et al. | Rsygan: Generative adversarial network for recommender systems | |
US20230244990A1 (en) | Semantic graphing of heterogeneous documents for automated decision making and resource allocation using reinforcement learning | |
CN115577288A (zh) | 面向内容的群体观点预测方法及系统 | |
CN115409579A (zh) | 一种基于元学习的响应式推荐方法、系统及设备 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 711c, 7 / F, block a, building 1, yard 19, Ronghua Middle Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing 102600 Patentee after: Beijing Zhongke Flux Technology Co.,Ltd. Address before: Room 711c, 7 / F, block a, building 1, yard 19, Ronghua Middle Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing 102600 Patentee before: Beijing Ruixin high throughput technology Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |