CN113486250B - 内容推荐方法、装置、设备及计算机可读存储介质 - Google Patents
内容推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113486250B CN113486250B CN202110861139.5A CN202110861139A CN113486250B CN 113486250 B CN113486250 B CN 113486250B CN 202110861139 A CN202110861139 A CN 202110861139A CN 113486250 B CN113486250 B CN 113486250B
- Authority
- CN
- China
- Prior art keywords
- content
- user
- term
- account
- accounts
- 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
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种内容推荐方法、装置、设备及计算机可读存储介质,内容推荐方法包括:获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号;遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容。本发明提高了内容推荐的准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种内容推荐方法、装置、设备及计算机可读存储介质。
背景技术
面对众多内容平台和海量电影、音乐等内容,用户变得越来越“懒”,如何高效地从海量内容中获取其感兴趣的产品成为一个重要的诉求。也正是基于此,越来越多的应用和平台通过引入内容个性化推荐系统解决上述信息过载问题,通过内容和用户个性化匹配实现内容精准触达。当前的内容推荐系统主要采用基于用户长期历史行为的推荐方法和基于用户短期历史行为的推荐方法两大类。
上述方法存在以下缺点:1、基于用户长期历史行为的推荐方法侧重于挖掘用户长期内容兴趣偏好,没有考虑用户兴趣随时间演化特点,而实际内容推荐场景中,用户对内容的偏好受近期喜好、环境、心情等短期因素影响明显,导致该类方法准确率较低;2、基于用户短期历史行为的推荐方法则只考虑了用户近期行为序列,无法很好地挖掘用户长期兴趣偏好,准确率有待提升;3、冷启动问题:新用户没有任何行为或评分数据,无法进行推荐;4、稀疏性问题:当需要推荐的内容多而用户行为数据少,难以计算推荐结果。并且由于这些缺点,导致目前进行推荐时,其推荐的准确性较低。
发明内容
本发明的主要目的在于提供一种内容推荐方法、装置、设备及计算机可读存储介质,旨在解决如何提高内容推荐的准确性的技术问题。
为实现上述目的,本发明提供一种内容推荐方法,包括以下步骤:
获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号;
遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;
将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;
依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容。
可选地,依次融合各所述目标账号对应的预测概率向量,得到所有预测概率的步骤,包括:
将所述当前用户账号对应的预测概率向量作为第一概率向量,并将各所述好友账号对应的预测概率向量作为第二概率向量;
遍历各所述第二概率向量,将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率。
可选地,将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率的步骤,包括:
确定遍历的第二概率向量对应的好友账号和所述当前用户账号之间的第一亲密指数,并计算所述第一亲密指数和所述遍历的第二概率向量之间的乘积;
计算所述乘积和所述第一概率向量的和值,并将所述和值作为预测概率。
可选地,确定所述用户通信数据中的所有好友账号的步骤,包括:
确定所述用户通信数据中的所有初始用户账号,并计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数;
确定各所述亲密指数中大于预设阈值的所有目标亲密指数,并根据各所述目标亲密指数对应的初始用户账号确定好友账号。
可选地,根据各所述目标亲密指数对应的初始用户账号确定好友账号的步骤,包括:
确定各所述亲密指数中小于预设阈值的所有其它亲密指数,并将各所述其它亲密指数对应的初始用户账号作为潜在用户账号;
基于预设的增益计算公式计算各所述潜在用户账号的增益值,并确定各所述增益值中大于预设增益值的所有目标增益值;
根据各所述目标亲密指数对应的初始用户账号和各所述目标增益值对应的潜在用户账号构建好友账号。
可选地,计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数的步骤,包括:
遍历各所述初始用户账号,确定遍历的初始用户账号和所述当前用户账号之间的通话指标;
将各所述通话指标输入至预设的亲密指数算法进行计算,得到所述遍历的初始用户账号的亲密指数。
可选地,根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容的步骤,包括:
确定各所述行为内容中所述遍历的目标账号在预设时间段内采集的短期行为内容,并将各所述短期行为内容作为短期内容偏好信息;
采集所述遍历的目标账号对各所述行为内容的评分,根据各所述评分构建长期内容偏好信息,根据预设的过滤推荐算法对所述长期内容偏好信息进行过滤处理,得到长期候选推荐内容。
此外,为实现上述目的,本发明还提供一种内容推荐装置,包括:
获取模块,用于获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号;
构建模块,用于遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;
训练模块,用于将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;
推荐模块,用于依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容。
此外,为实现上述目的,本发明还提供一种内容推荐设备,内容推荐设备包括存储器、处理器及存储在存储器上并可在处理器上运行的内容推荐程序,内容推荐程序被处理器执行时实现如上述的内容推荐方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有内容推荐程序,内容推荐程序被处理器执行时实现如上述的内容推荐方法的步骤。
本发明通过根据当前用户账号的用户通信数据确定好友账号,并将好友账号和当前用户账号作为目标账号,并根据遍历的目标账号的短期内容偏好信息和长期候选推荐内容进行训练,得到预测概率向量,在融合各个目标账号对应的预测概率向量,得到所有预测概率,并推荐各个预测概率中最大预测概率对应的行为内容。从而避免了现有技术中只能进行长期或短期内容推荐时,导致推荐的准确率低的现象发生,提高了内容推荐的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图;
图2为本发明内容推荐方法第一实施例的流程示意图;
图3为本发明内容推荐装置的装置模块示意图;
图4为本发明内容推荐方法中的模型示意图;
图5为本发明内容推荐方法中的好友账号确定示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为内容推荐设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在终端设备移动到耳边时,关闭显示屏和/或背光。当然,终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及内容推荐程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的内容推荐程序,并执行以下操作:
参照图2,本发明提供一种内容推荐方法,在内容推荐方法的第一实施例中,内容推荐方法包括以下步骤:
步骤S10,获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号;
由于目前的推荐方法存在的各种缺陷,因此在本实施例中,是在构建用通信交往圈(即用户通信数据)获取用户亲密好友(即好友账号)的基础上,综合利用用户与好友的推荐结果生成最终个性化推荐结果。并且在本实施例中是综合利用用户长期与短期兴趣偏好关系,提出一种新的以协同过滤为代表长期推荐算法与LSTM循环神经网络短期推荐算法融合方式,发挥长短期算法优势互补性提升内容推荐准确性;同时加入通信社交网络中好友兴趣偏好信息,有效解决用户冷启动与稀疏性问题。
因此,在本实施例中,是采集历史行为记录分别提取用户及其好友的长期兴趣偏好与短期兴趣偏好,针对长期兴趣偏好基于协同过滤推荐算法产生长期候选推荐结果,并引入一种改进的可融合长期候选推荐结果和短期兴趣偏好的LSTM循环神经网络分别产生用户及其好友的推荐结果,通过一种用户及好友推荐结果融合机制产生最终个性化内容推荐结果。其实现流程是基于用户通信详单数据构建用户通信交往圈,并引入一种两阶段好友社群发现方法获取用户好友。根据历史内容行为日志分别采集用户及好友短期内容行为信息、长期内容行为信息,并形成短期内容兴趣偏好序列及长期用户-内容评分矩阵。根据用户及好友长期内容偏好信息,利用基于矩阵分解的协同过滤推荐方法生成用户及好友长期候选推荐内容,用于后续融合通信社交关系和长短时兴趣的内容推荐。再引入一种新的可融合用户长期候选推荐内容与短期内容兴趣偏好的LSTM循环神经网络结构,对用户及其好友分别产生融合长短时兴趣的推荐结果,并可以根据用户及其好友推荐结果的融合机制产生融合长短时兴趣与通信社交关系的推荐结果。
因此,在本实施例中,先获取当前用户账号(即当前用户正在使用的用户账号)的用户通信数据,即用户通信详单数据,并基于用户通信详单数据构建用户通信交往圈,再通过一种通信交往亲密指数算法计算用户-用户亲密度指数,基于亲密度发现用户一度直接好友,再利用FASTUNFLODING算法挖掘用户二度潜在好友,形成用户好友社群。并将用户好友社群中的所有用户账号作为好友账号。并且为了便于后续的解释说明,在本实施例中将当前用户账号和好友账号作为目标账号,即目标账号即可以当前用户账号,也可以为好友账号。
步骤S20,遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;
在获取到所有的目标账号后,可以对每个目标账号都采用相同的操作模式,即可以根据用户历史内容行为记录(即行为内容),对每个用户Ui采集最近行为按行为时间先后排序的K个内容形成短期偏好内容序列Short_Favor_Seq(Ui)=,作为用户短期内容偏好信息;根据用户较长一段时间的行为记录(即行为内容),综合用户行为类型、行为次数、内容上架时间计算用户对内容的评分生成一个N*M的用户内容评分矩阵R,其中N表示用户数量,M表示内容数量,将该内容评分矩阵R作为用户长期内容偏好信息。对于用户Ui的好友社群F(Ui)中的每个用户同样按照上述方法形成短期及长期内容偏好信息。
根据用户长期内容偏好信息,结合评分矩阵利用基于矩阵分解的协同过滤推荐方法生成用户长期候选推荐内容(即长期候选推荐内容),后续将其与短期内容偏好信息融合形成最终推荐结果。基于矩阵分解的协同过滤推荐将原始用户内容评分矩阵R分别将用户和内容特征投影到一个潜在的隐空间得到一个N*P维用户潜在特征矩阵和一个P*M维内容潜在特征矩阵/>,通过这两个矩阵的内积得到用户内容预测评分矩阵/>,根据预测评分由高到低产生TOPK个用户Ui的长期候选推荐内容L_TOPK{Ui}。用户潜在特征矩阵/>和内容潜在特征矩阵/>通过最小化公式并利用梯度下降算法迭代求得最优解,即:
;
其中,K表示用户有过行为的所有<用户,内容>对的数量,表示用户u对内容c的评分,/>表示用户u对内容的潜在特征向量,/>表示内容c的潜在特征向量转置,/>为正则化系数。
对于用户Ui的好友社群F(Ui)的每个用户均按照上述上述方法分别形成好友的长期候选推荐内容。
步骤S30,将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;
在本实施例中,会引入一种新的可融合用户长期候选推荐内容与短期内容兴趣偏好的LSTM循环神经网络结构(即预设循环神经网络模型),对用户及其好友分别产生融合长短时兴趣的推荐结果,并提出一种用户及其好友推荐结果的融合机制。原始的LSTM算法输入只包含短期行为序列,现将根据用户长期内容兴趣偏好产生的长期候选推荐内容列表作为静态向量加到每个时刻t的LSTM输入中,如图4所示。改进后融合长短时兴趣的LSTM结构包括输入层、隐含层和输出层。其中输入层包括用户Ui的长期候选推荐内容L_TOPK{Ui}和用户短期内容兴趣偏好序列Short_Favor_Seq(Ui),在每个时刻t将长期候选推荐内容和短期内容偏好序列作为隐含层输入;隐含层由长短时兴趣记忆细胞构成,t时刻的细胞状态由t-1时刻细胞状态、t时刻长期兴趣信息、t时刻短期兴趣信息共同决定,表达式如公4。输出层会根据隐含层细胞的状态通过一个使用SOFTMAX激活函数的单层神经网络输出一个M维用户-内容概率向量,/>表示t时刻用户对M个内容的预测偏好概率,该向量取值为(0,1)之间,通过公式5计算。取最后一个时刻T的输出/>作为用户-内容预测偏好概率向量(即预测概率向量)。
(公式4);
(公式5);
并且,对于用户Ui的好友社群F(Ui)中的好友Uj(即其他的所有目标账号)同样按照上述方法融合长短时兴趣与通信社交关系推荐产生其对内容的预测偏好概率向量。
步骤S40,依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容。
并且在计算得到各个预测概率向量后,可以根据不同的用户的目标账号来进行融合,得到所有预测概率,即可以根据以下公式计算得到各个预测概率。即:
;
其中,、/>为用户ui和uj基于上述融合长短时兴趣推荐生产的用户-内容预测偏好向量,/>为用户ui和用户uj的交往圈亲密指数。
给定最终推荐结果个数m,取中预测概率最高的前M个内容作为用户的内容推荐结果。即推荐各个预测概率中最大预测概率对应的行为内容。
此外,为辅助理解本实施例中的内容推荐的流程的理解,下面进行举例说明。
例如,若使用从某免费视频内容APP上提取数据的一个真实的数据集,共包含11288个用户,23126个视频内容和150987条记录,同时随机选取5000名无任何行为的冷启动用户观察发明所述方法对冷启动用户的推荐情况。
通过将本实施例中的方法与协同过滤、原始的LSTM算法形成的推荐结果进行对比。如表1所示,分别比较用户对推荐产生的TOP3首歌、TOP5首歌以及TOP10首歌的点击情况进行准确率评估,同时针对冷启动用户对比三种方法不能产生推荐结果比例。可以看出,本实施例中的方法准确率始终优于对比方法,以TOP10首歌的推荐准确率为例,本实施例中的方法准确率较协同过滤提高了76%,较原始LSTM方法提升了近18%。同时对比算法对冷启动用户均无法产生推荐结果,本实施例中的方法由于引入了通信社交网络信息进行推荐仅有约40%冷启动用户无法产生推荐结果,极大缓解了冷启动问题。
表1
在本实施例中,通过根据当前用户账号的用户通信数据确定好友账号,并将好友账号和当前用户账号作为目标账号,并根据遍历的目标账号的短期内容偏好信息和长期候选推荐内容进行训练,得到预测概率向量,在融合各个目标账号对应的预测概率向量,得到所有预测概率,并推荐各个预测概率中最大预测概率对应的行为内容。从而避免了现有技术中只能进行长期或短期内容推荐时,导致推荐的准确率低的现象发生,提高了内容推荐的准确性。
进一步地,基于上述本发明的第一实施例,提出本发明内容推荐方法的第二实施例,在本实施例中,上述实施例步骤S40,依次融合各所述目标账号对应的预测概率向量,得到所有预测概率的步骤的细化,包括:
步骤a,将所述当前用户账号对应的预测概率向量作为第一概率向量,并将各所述好友账号对应的预测概率向量作为第二概率向量;
在本实施例中,在获取到所有目标账号对应的预测概率向量后,为了计算所有行为内容的预测概率,可以将当前用户账号对应的预测概率向量作为第一概率向量,并将各个好友账号对应的预测概率向量作为第二概率向量。
步骤b,遍历各所述第二概率向量,将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率。
由于第二概率向量存在多个,因此可以遍历各个第二概率向量,并根据遍历的第二概率向量对应的好友账号和当前用户账号之间的亲密指数进行融合,即融合遍历的第二概率向量和第一概率向量,以得到预测概率。
在本实施例中,通过先将当前用户账号对应的预测概率向量作为第一概率向量,将好友账号对应的预测概率向量作为第二概率向量,并遍历第二概率向量,将遍历的第二概率向量和第一概率向量融合,得到预测概率,从而保障了获取到的预测概率的准确性。
具体地,将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率的步骤,包括:
步骤c,确定遍历的第二概率向量对应的好友账号和所述当前用户账号之间的第一亲密指数,并计算所述第一亲密指数和所述遍历的第二概率向量之间的乘积;
在本实施例中,在对遍历的第二概率向量和第一概率向量进行融合时,可以直接获取已经提前计算好的所有好友账号和当前用户账号之间的亲密指数,并在这些亲密指数中确定确定遍历的第二概率向量对应的好友账号和当前用户账号之间的第一亲密指数。再计算第一亲密指数和遍历的第二概率向量之间的乘积;
步骤d,计算所述乘积和所述第一概率向量的和值,并将所述和值作为预测概率。
计算乘积和第一概率向量的和值,并将此和值作为预测概率。需要说明的是,在本实施例中,每个好友账号都至少对应有一个预测概率。并且计算预测概率的公式可以为:
;
其中、/>为用户ui和uj基于上述融合长短时兴趣推荐生产的用户-内容预测偏好向量,/>为用户ui和用户uj的交往圈亲密指数。
在本实施例中,通过确定遍历的第二概率向量对应的好友账号和当前用户账号之间的第一亲密指数,并将第一亲密指数和遍历的第二概率向量之间的乘积和第一概率向量之间的和值作为预测概率,从而保障了获取到的预测概率的准确性。
进一步地,确定所述用户通信数据中的所有好友账号的步骤,包括:
步骤e,确定所述用户通信数据中的所有初始用户账号,并计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数;
在本实施例中,在确定用户通信数据中的好友账号时,可以通过两个阶段段来获取所有好友账号,即第一阶段通过一种通信交往亲密指数算法计算用户-用户亲密度指数,基于亲密度发现用户一度直接好友;第二阶段利用FASTUNFLODING算法挖掘用户二度潜在好友,形成用户好友社群。因此,可以在本实施例中,先确定用户通信数据中的所有有用的初始用户账号,再计算当前用户账号和各个初始用户账号之间的亲密指数。并且在本实施例中,会针对用户通信数据,会进行过滤服务号码、公共号码、测试号码等非个人正常使用号码,将通话用户看成是通信社交网络中的节点,若用户1和用户2存在通话往来则用户1与用户2所在节点存在相连的无向边,由此构建用户通信社交网络。
再计算通信交往圈中用户-用户交往亲密指数,确定用户一度直接好友。考虑到年龄差距较大的用户,内容兴趣差别大,因此过滤通信社交网络中年龄差大于10岁的用户。基于用户通话、位置等信息选取X1通话时长、X2通话次数、X3工作日非工作时段通话时长、X4工作日非工作时段通话次数、X5周末通话时长、X6周末通话次数、X8周末通话基站重合度、X9疫情期间通话基站重合度作为衡量交往亲密度的特征指标。则引入以下用户交往圈亲密指数算法度量用户Ui和用户Uj亲密度,其中α_i为第i个指标的权重,权重通过熵权法确定。
即亲密指数S(Ui,Uj)可以通过如下公式进行计算确定,
(公式1) 。
步骤f,确定各所述亲密指数中大于预设阈值的所有目标亲密指数,并根据各所述目标亲密指数对应的初始用户账号确定好友账号。
在计算得到当前用户账号和各个初始用户账号之间的所有亲密指数后,且发现在这些亲密指数中存在有大于预设阈值的目标亲密指数时,可以直接将各个目标亲密指数对应的初始用户账号作为好友账号。例如,如图5所示,当通过原始通信社交网络确定各个用户节点后,如用户1、用户2等。可以进行一阶段用户一度直接好友挖掘,计算各个用户与其它用户之间的亲密指数,如用户1对应的亲密指数包括0.65、0.67、0.82、0.88;用户2对应的亲密指数为0.12、0.72、0.77。然后再进行二阶段用户好友社群挖掘,以得到用户好友的好友账号。
在本实施例中,通过在计算得到的各个亲密指数中确定大于预设阈值的所有目标亲密指数,并根据目标亲密指数对应的初始用户账号确定好友账号,从而保障了获取到的好友账号的准确性。
具体地,根据各所述目标亲密指数对应的初始用户账号确定好友账号的步骤,包括:
步骤g,确定各所述亲密指数中小于预设阈值的所有其它亲密指数,并将各所述其它亲密指数对应的初始用户账号作为潜在用户账号;
在本实施例中,由于本通信系统只可采集本通信系统内发生的通信数据,存在两个用户没有直接通信联系且与系统内的一个用户均存在亲密联系的情况,这两个无直接联系的用户用户较大概率存在亲密关系且有相同的兴趣偏好,此时一度直接好友无法识别,引入FASTUNFOLDING挖掘这种二度潜在好友,最终形成用户Ui的好友社群F(Ui)。
即可以确定各个亲密指数中小于预设阈值的所有其它亲密指数,也就是除了目标亲密指数之外的所有亲密指数,然后再将各个其它亲密指数对应的初始用户账号作为潜在用户账号。
步骤j,基于预设的增益计算公式计算各所述潜在用户账号的增益值,并确定各所述增益值中大于预设增益值的所有目标增益值;
步骤h,根据各所述目标亲密指数对应的初始用户账号和各所述目标增益值对应的潜在用户账号构建好友账号。
然后再根据提前设置的增益计算公式计算各个潜在用户账号的增益值,将各个增益值中大于预设增益值的所有目标增益值对应的潜在用户账号,和各个目标亲密指数对应的初始用户账号一起作为好友账号。具体地,首先根据第一阶段形成的一度直接好友集合,将每个用户划分到不同社区中;对于社区中不存在直接联系的用户节点,根据公式2模块度增益公式计算将它划分到有二度联系的社区中得到的模块度增益,如果最大增益大于0则将它划分到对应的社区,重复进行该步骤直到节点的社区不再发生变化。
(公式2);
其中,表示的是社区c内部的权重,权重指根据公式1算出的用户-用户交往圈亲密指数,/>表示的是与社区c内部的点连接的边的权重,/>是关联到节点i的链路的权重的总和,/>是从节点i连接到社区C中的节点的链路的总和,/>表示网络中所有的权重和。
在本实施例中,通过确定各个初始用户账号中的潜在用户账号,计算各个潜在用户账号的增益值,并将大于预设增益值的目标增益值对应的潜在用户账号和目标亲密指数对应的初始用户账号作为好友账号,从而保障了获取到的好友账号的准确性。
具体地,计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数的步骤,包括:
步骤k,遍历各所述初始用户账号,确定遍历的初始用户账号和所述当前用户账号之间的通话指标;
在本实施例中,计算亲密指数时,可以遍历各个初始用户账号,确定遍历的初始用户账号和当前用户账号之间的通话指标。也就是基于用户通话、位置等信息选取X1通话时长、X2通话次数、X3工作日非工作时段通话时长、X4工作日非工作时段通话次数、X5周末通话时长、X6周末通话次数、X8周末通话基站重合度、X9疫情期间通话基站重合度作为衡量交往亲密度的特征指标(即通话指标)。
步骤m,将各所述通话指标输入至预设的亲密指数算法进行计算,得到所述遍历的初始用户账号的亲密指数。
当获取到各个通话指标后可以将各个通话指标依次输入至提前设置的亲密指数算法中进行计算,以得到遍历的初始用户账号的亲密指数。
在本实施例中,通过获取各个通话指标,并根据亲密指数算法间计算,得到亲密指数,从而保障了获取到的亲密指数的准确性。
进一步地,根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容的步骤,包括:
步骤n,确定各所述行为内容中所述遍历的目标账号在预设时间段内采集的短期行为内容,并将各所述短期行为内容作为短期内容偏好信息;
在本实施例中,可以先确定各个行为内容中遍历的目标账号在预设时间段内采集的短期行为内容。即根据用户历史内容行为记录,对每个用户Ui采集最近行为按行为时间先后排序的K个内容形成短期偏好内容序列Short_Favor_Seq(Ui)=,作为用户短期内容偏好信息。
步骤x,采集所述遍历的目标账号对各所述行为内容的评分,根据各所述评分构建长期内容偏好信息,根据预设的过滤推荐算法对所述长期内容偏好信息进行过滤处理,得到长期候选推荐内容。
在本实施例中,根据用户(即遍历的目标账号对应用户)较长一段时间的行为记录,综合用户行为类型、行为次数、内容上架时间计算用户对内容的评分生成一个N*M的用户内容评分矩阵R,其中N表示用户数量,M表示内容数量,将该内容评分矩阵R作为用户长期内容偏好信息。对于用户Ui的好友社群F(Ui)中的每个用户同样按照上述方法形成短期及长期内容偏好信息。根据用户长期内容偏好信息,结合评分矩阵利用基于矩阵分解的协同过滤推荐方法生成用户长期候选推荐内容,后续将其与短期内容偏好融合形成最终推荐结果。
其中,基于矩阵分解的协同过滤推荐将原始用户内容评分矩阵R分别将用户和内容特征投影到一个潜在的隐空间得到一个N*P维用户潜在特征矩阵和一个P*M维内容潜在特征矩阵/>,通过这两个矩阵的内积得到用户内容预测评分矩阵/>,根据预测评分由高到低产生TOPK个用户Ui的长期候选推荐内容L_TOPK{Ui}。用户潜在特征矩阵/>和内容潜在特征矩阵/>通过最小化公式3并利用梯度下降算法迭代求得最优解。
(公式3)
其中,K表示用户有过行为的所有<用户,内容>对的数量,表示用户u对内容c的评分,/>表示用户u对内容的潜在特征向量,/>表示内容c的潜在特征向量转置,/>为正则化系数。
对于用户Ui的好友社群F(Ui)的每个用户均按照上述上述方法分别形成好友的长期候选推荐内容。
在本实施例中,通过根据短期行为内容构建短期内容偏好信息,并根据遍历的目标账号的评分构建长期内容偏好信息,再进行过滤处理,得到长期候选推荐内容,从而保障了获取到的长期候选推荐内容的准确性。
此外,参照图3,本发明实施例还提供一种内容推荐装置,包括:
获取模块A10,用于获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号;
构建模块A20,用于遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;
训练模块A30,用于将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;
推荐模块A40,用于依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容。
可选地,推荐模块A40,用于:
将所述当前用户账号对应的预测概率向量作为第一概率向量,并将各所述好友账号对应的预测概率向量作为第二概率向量;
遍历各所述第二概率向量,将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率。
可选地,推荐模块A40,用于:
确定遍历的第二概率向量对应的好友账号和所述当前用户账号之间的第一亲密指数,并计算所述第一亲密指数和所述遍历的第二概率向量之间的乘积;
计算所述乘积和所述第一概率向量的和值,并将所述和值作为预测概率。
可选地,获取模块A10,用于:
确定所述用户通信数据中的所有初始用户账号,并计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数;
确定各所述亲密指数中大于预设阈值的所有目标亲密指数,并根据各所述目标亲密指数对应的初始用户账号确定好友账号。
可选地,获取模块A10,用于:
确定各所述亲密指数中小于预设阈值的所有其它亲密指数,并将各所述其它亲密指数对应的初始用户账号作为潜在用户账号;
基于预设的增益计算公式计算各所述潜在用户账号的增益值,并确定各所述增益值中大于预设增益值的所有目标增益值;
根据各所述目标亲密指数对应的初始用户账号和各所述目标增益值对应的潜在用户账号构建好友账号。
可选地,获取模块A10,用于:
遍历各所述初始用户账号,确定遍历的初始用户账号和所述当前用户账号之间的通话指标;
将各所述通话指标输入至预设的亲密指数算法进行计算,得到所述遍历的初始用户账号的亲密指数。
可选地,构建模块A20,用于:
确定各所述行为内容中所述遍历的目标账号在预设时间段内采集的短期行为内容,并将各所述短期行为内容作为短期内容偏好信息;
采集所述遍历的目标账号对各所述行为内容的评分,根据各所述评分构建长期内容偏好信息,根据预设的过滤推荐算法对所述长期内容偏好信息进行过滤处理,得到长期候选推荐内容。
其中,内容推荐装置的各个功能模块实现的步骤可参照本发明内容推荐方法的各个实施例,此处不再赘述。
此外,本发明还提供一种内容推荐设备,所述内容推荐设备包括:存储器、处理器及存储在所述存储器上的内容推荐程序;所述处理器用于执行所述内容推荐程序,以实现上述内容推荐方法各实施例的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述内容推荐方法各实施例的步骤。
本发明计算机可读存储介质具体实施方式与上述内容推荐方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种内容推荐方法,其特征在于,所述内容推荐方法包括以下步骤:
获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号;
遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;其中,根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容的步骤,包括:确定各所述行为内容中所述遍历的目标账号在预设时间段内采集的短期行为内容,并将各所述短期行为内容作为短期内容偏好信息;采集所述遍历的目标账号对各所述行为内容的评分,根据各所述评分构建长期内容偏好信息,根据预设的过滤推荐算法对所述长期内容偏好信息进行过滤处理,得到长期候选推荐内容;
将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;
依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容;
其中,确定所述用户通信数据中的所有好友账号的步骤,包括:
确定所述用户通信数据中的所有初始用户账号,并计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数,其中,所述初始用户账号包括与当前用户账号存在通信联系的用户账号,以及与所述存在通信联系的用户账号存在通信联系,但与当前用户账号不存在通信联系的用户账号;
确定各所述亲密指数中大于预设阈值的所有目标亲密指数,并根据各所述目标亲密指数对应的初始用户账号确定好友账号;
确定各所述亲密指数中小于预设阈值的所有其它亲密指数,并将各所述其它亲密指数对应的初始用户账号作为潜在用户账号;
基于预设的增益计算公式计算各所述潜在用户账号的增益值,并确定各所述增益值中大于预设增益值的所有目标增益值;
根据各所述目标亲密指数对应的初始用户账号和各所述目标增益值对应的潜在用户账号构建好友账号。
2.如权利要求1所述的内容推荐方法,其特征在于,所述依次融合各所述目标账号对应的预测概率向量,得到所有预测概率的步骤,包括:
将所述当前用户账号对应的预测概率向量作为第一概率向量,并将各所述好友账号对应的预测概率向量作为第二概率向量;
遍历各所述第二概率向量,将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率。
3.如权利要求2所述的内容推荐方法,其特征在于,所述将遍历的第二概率向量和所述第一概率向量进行融合,得到预测概率的步骤,包括:
确定遍历的第二概率向量对应的好友账号和所述当前用户账号之间的第一亲密指数,并计算所述第一亲密指数和所述遍历的第二概率向量之间的乘积;
计算所述乘积和所述第一概率向量的和值,并将所述和值作为预测概率。
4.如权利要求1所述的内容推荐方法,其特征在于,所述计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数的步骤,包括:
遍历各所述初始用户账号,确定遍历的初始用户账号和所述当前用户账号之间的通话指标;
将各所述通话指标输入至预设的亲密指数算法进行计算,得到所述遍历的初始用户账号的亲密指数。
5.一种内容推荐装置,其特征在于,所述内容推荐装置包括:
获取模块,用于获取当前用户账号的用户通信数据,并确定所述用户通信数据中的所有好友账号,并将所述当前用户账号和所述好友账号作为目标账号,其中,确定所述用户通信数据中的所有好友账号,包括:确定所述用户通信数据中的所有初始用户账号,并计算所述当前用户账号和各所述初始用户账号之间的所有亲密指数,其中,所述初始用户账号包括与当前用户账号存在通信联系的用户账号,以及与所述存在通信联系的用户账号存在通信联系,但与当前用户账号不存在通信联系的用户账号;确定各所述亲密指数中大于预设阈值的所有目标亲密指数,并根据各所述目标亲密指数对应的初始用户账号确定好友账号;确定各所述亲密指数中小于预设阈值的所有其它亲密指数,并将各所述其它亲密指数对应的初始用户账号作为潜在用户账号;基于预设的增益计算公式计算各所述潜在用户账号的增益值,并确定各所述增益值中大于预设增益值的所有目标增益值;根据各所述目标亲密指数对应的初始用户账号和各所述目标增益值对应的潜在用户账号构建好友账号;
构建模块,用于遍历各所述目标账号,采集遍历的目标账号的所有行为内容,并根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容;其中,根据各所述行为内容构建短期内容偏好信息和长期候选推荐内容,包括:确定各所述行为内容中所述遍历的目标账号在预设时间段内采集的短期行为内容,并将各所述短期行为内容作为短期内容偏好信息;采集所述遍历的目标账号对各所述行为内容的评分,根据各所述评分构建长期内容偏好信息,根据预设的过滤推荐算法对所述长期内容偏好信息进行过滤处理,得到长期候选推荐内容;
训练模块,用于将所述短期内容偏好信息和所述长期候选推荐内容输入至预设循环神经网络模型进行训练,得到预测概率向量;
推荐模块,用于依次融合各所述目标账号对应的预测概率向量,得到所有预测概率,并推荐各所述预测概率中最大预测概率对应的行为内容。
6.一种内容推荐设备,其特征在于,所述内容推荐设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的内容推荐程序,所述内容推荐程序被所述处理器执行时实现如权利要求1至4中任一项所述的内容推荐方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有内容推荐程序,所述内容推荐程序被处理器执行时实现如权利要求1至4中任一项所述的内容推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861139.5A CN113486250B (zh) | 2021-07-28 | 2021-07-28 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861139.5A CN113486250B (zh) | 2021-07-28 | 2021-07-28 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486250A CN113486250A (zh) | 2021-10-08 |
CN113486250B true CN113486250B (zh) | 2023-09-05 |
Family
ID=77943309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110861139.5A Active CN113486250B (zh) | 2021-07-28 | 2021-07-28 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486250B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115080862B (zh) * | 2022-07-20 | 2022-11-15 | 广州市保伦电子有限公司 | 基于推荐算法的会议推荐系统 |
CN115131111A (zh) * | 2022-08-31 | 2022-09-30 | 深圳前海鹏影数字软件运营有限公司 | 基于电商平台的产品推荐方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829833A (zh) * | 2018-06-15 | 2018-11-16 | 重庆智多信息发展有限公司 | 一种基于社交关系碎片数据的模糊搜索方法 |
JP2019003681A (ja) * | 2018-09-06 | 2019-01-10 | 富士フイルム株式会社 | リコメンド装置、リコメンド方法、プログラムおよび記録媒体 |
CN110097433A (zh) * | 2019-05-14 | 2019-08-06 | 苏州大学 | 基于注意力机制的推荐方法、装置、设备及存储介质 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN110377840A (zh) * | 2019-07-29 | 2019-10-25 | 电子科技大学 | 一种基于用户长短期偏好的音乐列表推荐方法及系统 |
CN110502701A (zh) * | 2019-07-08 | 2019-11-26 | 华南师范大学 | 引入注意力机制的好友推荐方法、系统和存储介质 |
CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
CN111061945A (zh) * | 2019-11-11 | 2020-04-24 | 汉海信息技术(上海)有限公司 | 推荐方法、装置、电子设备,存储介质 |
CN111079056A (zh) * | 2019-10-11 | 2020-04-28 | 深圳壹账通智能科技有限公司 | 提取用户画像的方法、装置、计算机设备和存储介质 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN112182398A (zh) * | 2020-10-13 | 2021-01-05 | 福州大学 | 考虑用户的长期偏好与短期偏好的景点推荐方法和系统 |
CN112948683A (zh) * | 2021-03-16 | 2021-06-11 | 山西大学 | 一种社交信息动态融合的社会化推荐方法 |
CN113158071A (zh) * | 2021-03-19 | 2021-07-23 | 广东工业大学 | 一种基于图神经网络的知识社交推荐方法、系统和设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4655200B2 (ja) * | 2005-02-01 | 2011-03-23 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
CN106503014B (zh) * | 2015-09-08 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和系统 |
CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
-
2021
- 2021-07-28 CN CN202110861139.5A patent/CN113486250B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN108829833A (zh) * | 2018-06-15 | 2018-11-16 | 重庆智多信息发展有限公司 | 一种基于社交关系碎片数据的模糊搜索方法 |
JP2019003681A (ja) * | 2018-09-06 | 2019-01-10 | 富士フイルム株式会社 | リコメンド装置、リコメンド方法、プログラムおよび記録媒体 |
CN110097433A (zh) * | 2019-05-14 | 2019-08-06 | 苏州大学 | 基于注意力机制的推荐方法、装置、设备及存储介质 |
CN110502701A (zh) * | 2019-07-08 | 2019-11-26 | 华南师范大学 | 引入注意力机制的好友推荐方法、系统和存储介质 |
CN110377840A (zh) * | 2019-07-29 | 2019-10-25 | 电子科技大学 | 一种基于用户长短期偏好的音乐列表推荐方法及系统 |
CN111079056A (zh) * | 2019-10-11 | 2020-04-28 | 深圳壹账通智能科技有限公司 | 提取用户画像的方法、装置、计算机设备和存储介质 |
CN111061945A (zh) * | 2019-11-11 | 2020-04-24 | 汉海信息技术(上海)有限公司 | 推荐方法、装置、电子设备,存储介质 |
CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN112182398A (zh) * | 2020-10-13 | 2021-01-05 | 福州大学 | 考虑用户的长期偏好与短期偏好的景点推荐方法和系统 |
CN112948683A (zh) * | 2021-03-16 | 2021-06-11 | 山西大学 | 一种社交信息动态融合的社会化推荐方法 |
CN113158071A (zh) * | 2021-03-19 | 2021-07-23 | 广东工业大学 | 一种基于图神经网络的知识社交推荐方法、系统和设备 |
Non-Patent Citations (1)
Title |
---|
基于用户兴趣标签的混合推荐方法;朱雨晗;;电子制作(22);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486250A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297848B (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
CN113486250B (zh) | 内容推荐方法、装置、设备及计算机可读存储介质 | |
US9348898B2 (en) | Recommendation system with dual collaborative filter usage matrix | |
CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN110309434B (zh) | 一种轨迹数据处理方法、装置以及相关设备 | |
CN108305181B (zh) | 社交影响力确定、信息投放方法及装置、设备及存储介质 | |
CN110837577A (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN114090575A (zh) | 基于键值数据库的数据存储方法、检索方法及相应的装置 | |
CN113127727A (zh) | 信息推荐模型确定方法、信息推荐方法及装置 | |
CN110706055A (zh) | 商品信息推送方法及装置、存储介质、计算机设备 | |
CN111159570A (zh) | 一种信息推荐方法及服务器 | |
CN113722546B (zh) | 异常用户账户获取方法及装置、电子设备、存储介质 | |
WO2015153240A1 (en) | Directed recommendations | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
KR101441983B1 (ko) | 사용자 프로파일 생성 장치 및 그 방법 | |
CN108848152B (zh) | 一种对象推荐的方法及服务器 | |
CN110895558B (zh) | 一种对话回复的方法及相关装置 | |
US20240104623A1 (en) | Method and apparatus for pushing information | |
US20150170035A1 (en) | Real time personalization and categorization of entities | |
CN112785391B (zh) | 推荐处理方法、装置及智能设备、存储介质 | |
CN113256379A (zh) | 一种为商品关联购物需求的方法 | |
CN116503115B (zh) | 一种基于互联网游戏平台的广告资源推荐方法及系统 | |
CN113254811B (zh) | 一种基于大数据的兴趣地点推荐方法、系统及存储介质 |
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 |