CN113407864B - 一种基于混合注意力网络的群组推荐方法 - Google Patents
一种基于混合注意力网络的群组推荐方法 Download PDFInfo
- Publication number
- CN113407864B CN113407864B CN202110686185.6A CN202110686185A CN113407864B CN 113407864 B CN113407864 B CN 113407864B CN 202110686185 A CN202110686185 A CN 202110686185A CN 113407864 B CN113407864 B CN 113407864B
- Authority
- CN
- China
- Prior art keywords
- group
- user
- attention
- feature
- potential
- 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
- 238000000034 method Methods 0.000 title claims description 60
- 230000003993 interaction Effects 0.000 claims abstract description 29
- 230000002452 interceptive effect Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 3
- 230000001537 neural effect Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于混合注意力网络的群组推荐模型,包括:利用图注意力网络提取用户和项目的交互信息,获得用户和项目结构化的特征表示;利用序列注意力网络中的全局和局部注意力单元对用户‑用户以及用户‑项目的交互关系共同建模得到群组的特征表示;利用神经协同过滤得到群组对项目的预测评分以及用户对项目的预测评分,并通过对两个预测目标进行联合优化以更新模型的参数。本发明通过利用由图注意力网络和序列注意力网络组成的混合注意力网络,对群组‑用户‑项目存在的多种交互关系以及组内用户全局和局部注意力权重进行了细粒度的分析,提取到了具备鲁棒性和自适应性的群组、用户以及项目的潜在特征,提高了群组推荐的准确性和可解释性。
Description
技术领域
本发明属于推荐算法技术领域,具体的说是一种基于混合注意力网络的群组推荐方法。
背景技术
传统的推荐方法主要面向个体用户提供推荐服务,但是随着近几年社交网络的快速发展,群组活动越来越频繁,因此群组推荐相关的研究也逐渐普及。
群组推荐是指在在线系统中为一组用户推荐符合他们兴趣偏好的商品推荐。传统的群组推荐方法大多从直接学习群组和用户的兴趣(特征)或项目的特征,即对他们的特征进行独立地建模,往往忽略了群组、用户和项目是存在多种交互关系的,例如组内用户的交互关系,用户和项目的交互关系等等,这种学习方法不仅会造成用户、项目的特征表示提取不够充分,而且无法考虑组内用户影响权重的差异性并根据目标预测项目来学习具备鲁棒性和自适应性的群组特征表示,最终损害了推荐的效果。
CN110502704A-一种基于注意力机制的群组推荐方法及系统,通过对用户数据信息进行预处理,采用改进后的密度峰值聚类的方法发现用户潜在群组,使相似性较高的用户归为一组;对组内成员使用注意力机制网络,设计注意力机制模型(AMGR)对组内成员计算权重,进行偏好融合;使用神经协同过滤(NCF)框架,进行交互学习数据,预测用户或者群组对不同项目的预测得分,从而实现群组推荐,但基于密度的聚类方法的主要思想是寻找被低密度区域分离的高密度区域,但是这种方法并不适合高维,密度区域不好确定,效率低。
CN112732932A-一种基于知识图谱嵌入的用户实体群组推荐方法,将知识图谱中的用户实体进行画像,根据用户实体画像特征给目标用户实体返回关联度top-K的用户实体群组,虽然该方法增强了用户实体群组推荐方法的精度,但其忽略了群组、用户和项目之间存在的多种交互关系,提取不够充分,影响最终的推荐的效果。
发明内容
为了解决上述问题,本发明提供了一种基于混合注意力网络的群组推荐方法,先利用图注意力网络提取用户和项目的交互信息,获得用户和项目结构化的特征表示,然后利用序列注意力网络建模组内用户之间的交互关系进行建模得到群组的特征表示。最后利用神经协同过滤得到群组对项目的预测评分以及用户对项目的预测评分,并通过对两个预测目标进行联合优化以更新模型的参数。通过这种方式充分建模群组、用户、项目存在的多种关系,有效提取群组、用户、项目的特征表示,从而提升推荐效果。
为了达到上述目的,本发明是通过以下技术方案实现的:
本发明是一种基于混合注意力网络的群组推荐方法,包含特征输入层、特征表示层、特征交叉层和评分预测层,具体包括如下步骤:
步骤1、特征输入层先获取到用户的历史交互记录,建立用户-项目的评分矩阵,然后进行矩阵分解,利用随机梯度下降方法进行优化,以此初始化得到用户u和项目v的嵌入特征pu和qv,然后将两种嵌入特征输入特征表示层;
步骤2、特征表示层先利用图注意力网络中从用户和项目的交互图中分别提取步骤1中已经得到的用户和项目邻居节点的嵌入特征,最终形成用户和项目的潜在特征表示;
步骤3、特征表示层再利用序列注意力网络中的局部和全局注意力单元对步骤2获得的组内用户、项目的潜在特征进行用户-用户交互关系以及用户-项目交互关系的处理,输出群组潜在特征向量的局部表示和全局表示,然后融合群组潜在特征向量的局部表示和全局表示生成最终群组的潜在特征表示;
步骤4、特征表示层对步骤2、步骤3得到群组、用户、项目的潜在特征输入特征交叉层;
步骤5、特征交叉层再对将步骤4得到的群组与项目的拼接向量或者用户与项目的拼接向量分别输入共享参数的多层感知机进行特征的高阶交叉组合并输出到最后评分预测层得到了群组对项目的预测评分以及用户对项目的预测评分;
步骤6、联合优化群组和用户对项目的评分预测以更新模型的参数。
本发明的进一步改进在于:所述步骤2中,图注意力网络提取用户和项目的潜在特征方法如下:在用户和项目的交互图中,将待提取潜在特征的项目j看作中心节点,将与j有过交互记录的用户看作邻居节点,利用注意力机制分别计算出项目与邻居节点的注意力权重,结合注意力权重融合自身的嵌入特征以及结点的嵌入特征得到项目的潜在特征。
基于项目维度的用户潜在特征提取过程与项目一致。
本发明的进一步改进在于:在步骤3中,通过序列注意力网络提取群组潜在特征表示方法如下:
S31、首先通过局部注意力单元根据用户和待预测项目之间的交互关系计算出每一个用户的注意力权重,加权融合组内用户的潜在特征向量输出群组潜在特征的局部表示。
S32、然后通过全局注意力单元提取根据组内用户之间交互关系得到的每个用户的注意力权重,加权融合组内用户的潜在特征向量输出群组潜在特征的全局表示Eglobal。
融合群组潜在特征的局部表示和全局表示输出群组最终的潜在特征表示。
本发明的进一步改进在于:步骤4中特征交叉和评分预测在实现的过程中主要对用户和群组根据成对排序的思想建立了损失函数。
本发明的进一步改进在于:所述步骤S6中,联合优化的主要计算方法是:
S61、首先结合用户和项目的交互数据对优化个人评分预测的损失函数来学习网络的参数,并且可以输出优化后的用户潜在特征表示;
S62、然后结合群组和项目的交互数据优化群组评分预测的损失函数,学习群组预测过程相关的参数,并且对两个预测过程共享的参数进行微调;
S63、最后对这两个过程进行迭代,直到两个过程总体达到收敛状态。
本发明的有益效果是:
(1)本发明中采用的图注意力网络有效地利用了用户和项目的交互图信息,可以提取到更为丰富的用户和项目的特征表示,在一定程度上可以帮助缓解群组推荐过程中的遇到的冷启动问题。
(2)本发明中的序列注意力网络融合了局部注意力单元和全局注意力单元,兼顾到不同交互关系下的组内用户影响权重,根据目标待测项目学习到具备鲁棒性以及自适应的群组特征表示,进而提高了群组推荐的满意度。
(3)本发明通过联合优化的方式,可以利用大量的用户-项目交互结果训练群组评分预测和个人评分预测过程共享的一些网络参数,从而弥补群组-项目交互结果稀缺引起的参数训练不够充分的缺陷。
附图说明
图1是本发明实施例的方法整体结构图。
图2是本发明实施例的局部和全局注意力单元的示意图。
具体实施方式
以下将以图式揭露本发明的实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本发明。也就是说,在本发明的部分实施方式中,这些实务上的细节是非必要的。
在数据的获取上,该方法需要使用到的数据集是Meetup数据集,Meetup数据集来自网站meetup.com,Meetup是一项帮助人们发布和参与社交活动的在线社交活动服务。该数据集主要包含16330个群组,用户5893887个,项目2510个,平均群组规模大小是每组685人,同时包含群组与项目的交互信息31214条,用户和项目的交互信息3195246条。
图1是本发明实施例的方法整体结构图,该方法主要包含四层:特征输入层、特征表示层、特征交叉层、评分预测层,具体包括如下步骤:
A、特征输入层
特征输入层先获取到用户的历史交互记录,建立用户-项目的评分矩阵,然后进行矩阵分解,利用随机梯度下降方法进行优化,以此初始化得到用户u和项目v的嵌入特征pu和qv,然后将两种嵌入特征输入特征表示层。
B、特征表示层
图注意力网络提取用户和项目的潜在特征表示,具体包括如下步骤:
S21、利用基于用户维度的图注意力网络进行项目潜在特征的提取。潜在特征的提取过程如下:检索得到和项目v产生过交互行为的用户集合N(v),基于用户维度的图注意力网络首先计算出项目v与N(v)中每个用户以及项目自身的注意力权重,然后加权融合输出最终的项目潜在表示
定义融合函数如下:
其中,如果j=v,则hvj=qv;如果j∈N(v),则hvj=pj,αvj是注意力权重,用如下公式计算这个权重:
S22、基于项目维度的图注意力网络进行用户潜在特征的提取。先检索得到和用户u产生过交互记录的项目集合C(u),基于项目维度的图注意力网络首先计算出用户u与C(u)中每个项目以及用户自身的注意力权重βuj,然后加权融合输出最终的用户潜在表示计算公式如下:
步骤3、结合附图2,利用序列注意力网络中的局部和全局注意力单元对步骤2获得的组内用户、项目的潜在特征进行用户-用户交互关系以及用户-项目交互关系的处理,输出群组潜在特征向量的局部表示和全局表示,然后融合群组潜在特征向量的局部表示和全局表示生成最终群组的潜在特征表示。
通过局部注意力单元根据用户和待预测项目之间的交互关系计算出每一个用户的注意力权重,加权融合组内用户的潜在特征向量输出群组潜在特征的局部表示,群组潜在特征的局部表示Elocal的提取过程表达式为:
S32、然后通过全局注意力单元提取根据组内用户之间交互关系得到的每个用户的注意力权重,加权融合组内用户的潜在特征向量输出群组潜在特征的全局表示Eglobal。
群组潜在特征的全局表示Eglobal的提取过程为:
S321、全局表示为了能够捕捉一个用户和组内用户的细粒度交互,需要将组内用户的潜在特征向量映射到另外两个辅助空间,通过三个特征空间共同来学习组内用户潜在特征的相似性,其中,三个特征空间表示如下:
Q=XWQ
K=XWK
V=XWV
其中,X∈Rt×d是组内t个用户潜在特征向量组成的特征矩阵,WQ∈Rd×d,WK∈Rd×d,WV∈Rd×d分别是将特征向量进行空间映射的参数矩阵,Q,K,V分别为传统注意力机制中定义的Queries,Keys和Values;
S322、得到Q,K,V后,先计算组内其他用户与指定用户ui之间的注意力权重βuj,ui,注意力权重βuj,ui代表其他用户对用户ui的关注程度:
Quj代表Q中用户uj的潜在特征向量,Kui代表K中用户ui的潜在特征向量;
S323、接下来再对其他用户与指定用户ui之间的注意力权重进行求和并进行归一化,得到用户在本组内的注意力权重:
S324、结合注意力权重,对本组用户进行加权融合,全局注意力潜在特征表达式为:
其中,Vui代表用户ui在V中的特征向量,按照比例融合以上得到的局部表示和全局表示,输出最终群组的潜在特征表示为:
其中,∈为比例系数。
在得到了用户、项目、群组的潜在特征表示之后,将它们输入特征交叉层。
C、特征交叉层和评分预测层
步骤4、特征表示层对步骤2、步骤3得到群组、用户、项目的潜在特征输入特征交叉层;
步骤5、特征交叉层再对将步骤4得到的群组与项目的拼接向量或者用户与项目的拼接向量分别输入共享参数的多层感知机进行特征的高阶交叉组合并输出到最后评分预测层得到了群组对项目的预测评分以及用户对项目的预测评,也就是说用户个人评分预测和群组评分预测在特征交叉层的多层感知机中共享参数,通过特征交叉层可以输出最后的评分预测结果。
群组与项目的特征拼接、交叉和群组的评分预测过程表示如下:
其中,v是群组和项目的交互记录RG能观测到的正样本,v′不在RG中,可作为负样本,DG是由群组、项目正样本、项目负样本组成的三元组,Θ为正则化参数,上述目标函数通过最大化正样本和负样本之间的预测差值来优化参数;
由于联合优化的方式,可以利用大量的用户-项目评分数据训练群组评分预测和个人评分预测过程共享的一些网络参数,从而弥补群组-项目评分数据稀缺引起的参数训练不够充分的缺陷。
所以,采用相同的方式进行用户与项目的特征拼接、交叉和用户的评分预测,过程如下:
其中,DU是由用户、项目正样本、项目负样本组成的三元组。
步骤6、联合优化群组和用户对项目的评分预测以更新模型的参数。
为了优化目标函数LG和LU,采用了下述步骤S61-S63的一种两阶段联合优化的方法,训练过程使用随机梯度下降算法进行参数更新,计算过程如下:
S61、首先结合用户和项目的交互数据对优化个人评分预测的损失函数来学习网络的参数,并且可以输出优化后的用户潜在特征表示;
S62、然后结合群组和项目的交互数据优化群组评分预测的损失函数,学习群组预测过程相关的参数,并且对两个预测过程共享的参数进行微调;
S63、最后对这两个过程进行迭代,直到两个过程总体达到收敛状态,最终根据评分预测结果进行排序,为群组生成服务推荐列表。
本发明提高了群组推荐的准确性和可解释性。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (5)
1.一种基于混合注意力网络的群组推荐方法,其特征在于:所述推荐方法包含特征输入层、特征表示层、特征交叉层和评分预测层,具体包括如下步骤:
步骤1、特征输入层先获取到用户的历史交互记录,建立用户-项目的评分矩阵,然后进行矩阵分解,利用随机梯度下降方法进行优化,以此初始化得到用户u和项目v的嵌入特征pu和qv,然后将两种嵌入特征输入特征表示层;
步骤2、特征表示层先利用图注意力网络中从用户和项目的交互图中分别提取步骤1中已经得到的用户和项目邻居节点的嵌入特征,最终形成用户和项目的潜在特征表示,具体包括如下步骤:
其中,如果j=v,则hvj=qv;如果j∈N(v),则hvj=pj,αvj是注意力权重,用如下公式计算这个权重:
步骤3、特征表示层再利用序列注意力网络中的局部和全局注意力单元对步骤2获得的组内用户、项目的潜在特征进行用户-用户交互关系以及用户-项目交互关系的处理,输出群组潜在特征向量的局部表示和全局表示,然后结合融合群组潜在特征向量的局部表示和全局表示生成最终群组的潜在特征表示;
步骤4、特征表示层对步骤2、步骤3得到群组、用户、项目的潜在特征输入特征交叉层;
步骤5、特征交叉层再对将步骤4得到的群组与项目的拼接向量或者用户与项目的拼接向量分别输入共享参数的多层感知机进行特征的高阶交叉组合并输出到最后评分预测层得到了群组对项目的预测评分以及用户对项目的预测评分;
步骤6、联合优化群组和用户对项目的评分预测以更新模型的参数。
3.根据权利要求2所述一种基于混合注意力网络的群组推荐方法,其特征在于:所述步骤S32中,群组潜在特征的全局表示Eglobal的提取过程为:
S321、将组内用户的潜在特征向量映射到另外两个辅助空间,通过三个特征空间共同来学习组内用户潜在特征的相似性,其中,三个特征空间表示如下:
Q=XWQ
K=XWK
V=XWV
其中,X∈Rt×d是组内t个用户潜在特征向量组成的特征矩阵,WQ∈Rd×d,WK∈Rd×d,WV∈Rd ×d分别是将特征向量进行空间映射的参数矩阵;
S322、得到Q,K,V后,先计算组内其他用户与指定用户ui之间的注意力权重βuj,ui:
Quj代表Q中用户uj的潜在特征向量,Kui代表K中用户ui的潜在特征向量;
S323、对其他用户与指定用户ui之间的注意力权重进行求和并进行归一化,得到用户在本组内的注意力权重:
S324、结合注意力权重,对本组用户进行加权融合,全局注意力潜在特征表达式为:
其中,Vui代表用户ui在V中的特征向量,按照比例融合以上得到的局部表示和全局表示,输出最终群组的潜在特征表示为:
其中,∈为比例系数。
4.根据权利要求1所述一种基于混合注意力网络的群组推荐方法,其特征在于:所述步骤5中特征交叉和评分预测的主要实现过程是:用户个人评分预测和群组评分预测在特征交叉层的多层感知机中共享参数,通过特征交叉层可以输出最后的评分预测结果,其中,群组与项目的特征拼接、交叉和群组的评分预测过程表示如下:
其中,v是群组和项目的交互记录RG能观测到的正样本,DG是由群组、项目正样本、项目负样本组成的三元组,Θ为正则化参数,上述目标函数通过最大化正样本和负样本之间的预测差值来优化参数;
采用相同的方式进行用户与项目的特征拼接、交叉和用户的评分预测,过程如下:
其中,DU是由用户、项目正样本、项目负样本组成的三元组。
5.根据权利要求1所述一种基于混合注意力网络的群组推荐方法,其特征在于:所述步骤6中,联合优化的计算方法是:
S61、首先结合用户和项目的交互数据对优化个人评分预测的损失函数来学习网络的参数,并且可以输出优化后的用户潜在特征表示;
S62、然后结合群组和项目的交互数据优化群组评分预测的损失函数,学习群组预测过程相关的参数,并且对两个预测过程共享的参数进行微调;
S63、最后对这两个过程进行迭代,直到两个过程总体达到收敛状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686185.6A CN113407864B (zh) | 2021-06-21 | 2021-06-21 | 一种基于混合注意力网络的群组推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686185.6A CN113407864B (zh) | 2021-06-21 | 2021-06-21 | 一种基于混合注意力网络的群组推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113407864A CN113407864A (zh) | 2021-09-17 |
CN113407864B true CN113407864B (zh) | 2022-10-28 |
Family
ID=77681960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110686185.6A Active CN113407864B (zh) | 2021-06-21 | 2021-06-21 | 一种基于混合注意力网络的群组推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113407864B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662009B (zh) * | 2021-12-13 | 2022-11-18 | 菏泽汇豪纺织有限公司 | 一种基于图卷积的工业互联网工厂协同推荐方法 |
CN116204729B (zh) * | 2022-12-05 | 2024-05-10 | 武汉光谷康服信息科技有限公司 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN116304362B (zh) * | 2022-12-21 | 2023-12-15 | 山东省人工智能研究院 | 一种基于相关性注意力的群组推荐方法 |
CN117033948B (zh) * | 2023-10-08 | 2024-01-09 | 江西财经大学 | 一种基于特征交互信息和时间张量分解的项目推荐方法 |
CN117112914B (zh) * | 2023-10-23 | 2024-02-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于图卷积的群体推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502704A (zh) * | 2019-08-12 | 2019-11-26 | 山东师范大学 | 一种基于注意力机制的群组推荐方法及系统 |
US20210110436A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Group item recommendations for ephemeral groups based on mutual information maximization |
-
2021
- 2021-06-21 CN CN202110686185.6A patent/CN113407864B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502704A (zh) * | 2019-08-12 | 2019-11-26 | 山东师范大学 | 一种基于注意力机制的群组推荐方法及系统 |
US20210110436A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Group item recommendations for ephemeral groups based on mutual information maximization |
Non-Patent Citations (2)
Title |
---|
MixModule: Mixed CNN Kernel Module for Medical Image Segmentation;Henry H. Yu 等;《2020 IEEE 17th International Symposium on Biomedical Imaging》;20200522;全文 * |
基于混合神经网络的序列推荐算法;刘纵横 等;《重庆邮电大学学报》;20210315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113407864A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113407864B (zh) | 一种基于混合注意力网络的群组推荐方法 | |
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
CN109345348B (zh) | 基于旅行社用户的多维信息画像的推荐方法 | |
CN112925989B (zh) | 一种属性网络的群体发现方法及系统 | |
CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
CN110362738B (zh) | 一种基于深度学习的结合信任和影响力的个性化推荐方法 | |
CN112906982A (zh) | 一种基于gnn-lstm结合的网络流量预测方法 | |
Piao et al. | Housing price prediction based on CNN | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN117237559A (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
Ding et al. | Joint qos prediction for web services based on deep fusion of features | |
Zhang et al. | Zero-small sample classification method with model structure self-optimization and its application in capability evaluation | |
Zhu et al. | Loan default prediction based on convolutional neural network and LightGBM | |
CN112487305B (zh) | 一种基于gcn的动态社交用户对齐方法 | |
Zhang et al. | End‐to‐end generation of structural topology for complex architectural layouts with graph neural networks | |
CN113128667A (zh) | 一种跨域自适应的图卷积平衡迁移学习方法与系统 | |
Zhou et al. | Online recommendation based on incremental-input self-organizing map | |
CN115689639A (zh) | 一种基于深度学习的商业广告点击率预测方法 | |
CN114862514A (zh) | 一种基于元学习的用户偏好商品推荐方法 | |
CN114756713A (zh) | 一种基于多源交互融合的图表示学习方法 | |
CN115525819A (zh) | 一种面向信息茧房的跨领域推荐方法 | |
CN114187033A (zh) | 一种基于深度迁移学习的可解释性房屋价格评估分类方法 | |
Deng | Optimization of residential landscape design and supply chain system using intelligent fuzzy cognitive map and genetic algorithm |
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 |