CN113590900A - 一种融合动态知识图谱的序列推荐方法 - Google Patents
一种融合动态知识图谱的序列推荐方法 Download PDFInfo
- Publication number
- CN113590900A CN113590900A CN202110869346.5A CN202110869346A CN113590900A CN 113590900 A CN113590900 A CN 113590900A CN 202110869346 A CN202110869346 A CN 202110869346A CN 113590900 A CN113590900 A CN 113590900A
- Authority
- CN
- China
- Prior art keywords
- graph
- embedding
- item
- sequence
- knowledge
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims abstract description 7
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000006399 behavior Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 3
- 241000764238 Isis Species 0.000 claims 1
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 239000004576 sand Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 241000022852 Letis Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明设计了一种融合动态知识图谱的序列推荐方法。利用用户在最近一段会话内的项目序列去预测用户下一个可能交互的项目,从而根据会话内的项目序列较好的捕捉用户的短期偏好。项目序列和操作序列的特征表示分别采用门控图神经网络和循环神经网络学习;同时,利用有关项目知识(例如商品品牌、评级、类别等)构建动态知识图谱,融入动态知识图谱方法在时间维度上采用图卷积网络(GCN)进行建模来学习节点的嵌入,并使用长短期记忆(LSTM)演化图卷积网络中的参数(权重矩阵),以捕捉图序列的动态,从而更为有效的预测用户的下一个交互项目。
Description
技术领域
本发明设计一种序列推荐的方法,具体涉及利用神经网络学习项目嵌入和操作的嵌入,以及融合动态知识图谱作为辅助信息进行序列推荐的方法。
背景技术
推荐系统的主要挑战是如何从历史交互信息中学习到有效的用户和物品表示,从而更好的刻画用户偏好。协同过滤等基于历史行为挖掘用户或项目相似性的传统算法很难满足一些复杂场景下的业务需求。由于很多用户和项目信息具有图结构,而且图神经网络擅长表示学习,因此,一些工作已将图神经网络应用到推荐系统中。基于内容的推荐系统和基于协同过滤推荐系统,通常建模用户的长期和静态的偏好,不同于这些传统的推荐系统,基于会话的推荐系统作为序列推荐的子分支,旨在利用用户在最近一段会话内的交互物品序列,捕获用户短期和动态的偏好,去预测下一个可能进行交互的物品,从而给用户提供即时精准的推荐服务。
现有研究多数从宏观的角度看待会话,即只是把会话看作一些用户交互过的项目序列,而不考虑用户对这些项目具体进行了什么类型的操作。实际上,即使两个用户交互的是同一个项目,但如果具体交互的操作类型不同也会反映用户不同的偏好。而且针对用户和项目交互的稀疏性问题中,对物品知识的利用不够充分,即大多数会话推荐模型只基于以往交互过的物品来推断用品的偏好,因此当交互记录稀疏时,不能充分学习会话的表示,推荐效果也不理想。
将知识图谱作为辅助信息引入到推荐系统的方法在近年来受到广泛的关注。基于知识图谱的推荐系统,对知识图谱的应用主要有三种方式,基于嵌入的方法、基于路径的方法和联合的方法。然而无论是基于知识图谱嵌入的方法和基于路径的方法,其主要思想都是将包含实体和关系的知识图谱嵌入到连续的低维向量中。知识图谱是事实的结构化表示,由实体、关系和语义描述组成。知识可以用事实的三元组形式来表示(头实体,关系,尾实体)或者(h,r,t)表示。当考虑知识图谱的图结构时,知识图谱可以看作是一个图,在图中可以表示为节点和边,每个节点表示现实世界中存在的实体,而每条边表示实体与实体之间的关系。简单来说,知识图谱就是把所有不同种类的信息连接在一起而得到的关系网络,比如社交网络。当前的知识图谱大多关注静态知识图谱,忽略了时间信息,但很多结构化的知识只在特定的时间段内有效,而事实的演化遵循一个时间序列。所以近年来的研究开始将时间信息融入到知识图谱中,称为动态知识图谱,所以本文融合动态知识图谱进行序列推荐。
发明内容
本发明设计了一种融合动态知识图谱的序列推荐方法,即SR-DKG-DNN模型。利用用户在最近一段会话内的项目序列去预测用户下一个可能交互的项目,从而根据会话内的项目序列较好地捕捉用户的短期偏好。项目序列和操作序列的特征表示分别采用门控图神经网络和循环神经网络学习;同时,利用有关项目知识(例如商品品牌、评级、类别等)构建动态知识图谱,融入动态知识图谱方法在时间维度上采用图卷积网络(GCN)进行建模来学习节点的嵌入,并使用长短期记忆(LSTM)演化图卷积网络中的参数(权重矩阵),以捕捉图序列的动态。动态知识图谱作为辅助信息从而增强序列推荐的准确性和可解释性。
先是获取数据集,并对数据集进行预处理。然后进行会话信息建模,分别通过门控图神经网络和循环神经网络,学习项目嵌入和操作嵌入,然后将两者串联训练生成会话表示,同时使用软注意机制来为会话中每个项目行为的嵌入分配适当的权重。动态知识图谱的嵌入学习是通过图卷积神经网络学习节点特征,长短时记忆网络基于当前和历史信息在时间t更新权重矩阵,然后通过TransE进行知识图谱嵌入学习,得到知识图谱嵌入学习的损失函数。最后将知识图谱的嵌入和序列推荐模型合并到多任务学习中,进行序列推荐。
对比实验结果得出,相较于传统的模型FPMC、GRUREC+(BPR/CE)、SR-GNN、M-SR,所提出的SR-DKG-DNN方法在各项指标上都有明显的提升,特别是在有冷启动项和数据稀疏问题上。这样的结果证明了融入知识图谱能够缓解冷启动项目的稀疏性问题。同时引入动态知识图谱作为辅助信息,能够更好的捕获用户短期和动态的偏好,从而给用户提供更实时和精准的推荐服务。
附图说明
图1是本发明所述的一种融合动态知识图谱的序列推荐方法的总体框架图。
具体实施方法
下面结合附图和具体实施方式,对本发明做进一步地说明,本实施例采用从中国著名的电子商务网站京东中提取的JDATA数据集:
如图1所示,获取数据集,并对数据集进行预处理,形成项目序列和操作序列,然后进行会话信息建模,分别通过门控图神经网络和循环神经网络,学习项目嵌入和操作嵌入,生成会话表示。动态知识图谱的嵌入学习是通过图卷积神经网络学习节点特征,长短时记忆网络基于当前和历史信息在时间t更新权重矩阵,然后通过TransE进行知识图谱嵌入学习,得到知识图谱嵌入学习的损失函数。最后将知识图谱的嵌入和序列推荐模型合并到多任务学习中,进行序列推荐。
数据集采用JDATA数据集,该数据集提取自中国著名的电子商务网站京东。它包含了两个月内京东上的用户行为流。操作类型包括点击、订购、评论、添加购物车和收藏。实验中使用的产品属性包括品牌、商店、类别和推出年份。将JDATA中会话的持续时间阈值设置为1小时,过滤掉了长度为1的会话以及在数据集中出现不到3次的项目。对于此数据集,我们将较早的90%用户行为作为训练集,并将随后的(最近的)10%用户行为作为测试集。为了证明引入项目知识来缓解冷启动项目问题的有效性,我们在数据集上增加了两个额外的操作。首先是保留只出现在测试集中的项目,即冷启动项目;其次是模拟一个稀疏的JDATA数据集,表示为Demo,只保留早期的1%用户行为。这样的稀疏数据集有更大比例的冷启动项目。
为了利用GGNN学习项目嵌入,首先要将项目序列转换成有向图。形式上,给定一个会话项目序列对应的有向图是Gs=(V,E)。在图Gs中,每个节点代表Si中的唯一项,每个有向边连接Si中的两个连续项。需要说明的是一个项目经常在会话中重复出现。为了更好的对图Gs建模,进一步将其构造为一个加权有向图。边的归一化权重计算为在Si中的出现频率除以项在Si中作为前一项出现的频率。
在GGNN的初始步骤中,对于图Gs中给定的项目节点v,通过查找项嵌入矩阵得到其初始嵌入并作为其初始隐藏状态基于GNN的迭代传播基本原理,将h-th(1≤h≤H)步骤中的隐藏状态作为H步后的v的项嵌入,即由于Gs是一个加权有向图,所以使用A+∈R|V×V|和A-∈R|V×V|这两个邻接矩阵分别表示图Gs的输入邻接矩阵和输出邻接矩阵。然后,根据下式更新计算
其中所有的Ws是d×d矩阵。σ是Sigmoid函数,⊙是元素乘法。此外,分别为复位门和更新门。第h步中第v项的隐藏状态即为是基于其先前的状态和候选状态来计算的。在H步之后,可以获得Gs中所有项目节点的学习嵌入,故Si中的项目嵌入表示为:
操作也可能作为序列中的一个项目重复出现。根据GRU原理,在操作序列中重复出现的操作有多个不同的嵌入。
为了表示会话的全局偏好,使用软注意机制来为会话中每个项目行为的嵌入分配适当的权重,因为不同的项目行为具有不同的优先级。具体来说,给定一个项目行为mt(1≤t≤L),其注意力权重计算为:
αt=βTσ(W1mL+W2mt+bα)
其中bα,β∈R2d和W1,W2∈R2d,然后会话的全局表示为:
最后,会话的最终表示如下:
s=W3[mL;sg]∈Rd
为了训练SR-DKG-DNN,首先收集足够的训练样本,表示为<s,j,ysj>,其中如果项j是用户在会话s之后的下一个交互项,则ysj=1,否则ysj=0。然后采用二元交叉熵损失函数,所以会话推荐的损失表示为:
其中S和I为训练样本的会话集和项目集。
图卷积神经网络(GCN)是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系,可以表示来自领域的具有任意深度的信息,因此非常适合知识图谱的学习。
一个图卷积神经网络的一般表达式为:
在包含项目的时序动态知识图谱中,通过GCN和RNN构建知识图的动态演化,并构建了与物品有关的知识图谱,当中物品可视为一大类实体节点。在模型中引入TransE的训练损失来学习知识嵌入,因此将知识嵌入学习的损失函数是定义为:
其中d是L1或者L2的距离,K是整个系统中动知识图谱三元组的集合,(h′,r,t′)是负例三元组。
一般来说,如果两个学习任务相互关联,那么将两个学习任务合并到多任务学习(MTL)范式中要比分别实现它们各自的目标更有效。在MTL中,一个任务的学习结果可以作为提示,指导另一个任务更好地学习。因此,在SR-DKG-DNN中,将知识嵌入学习作为辅助任务导入MTL范式,以辅助推荐任务。
在的场景中,MTL的目标是最大化的模型参数Φ给定的知识三元组的集合k和推荐系统的训练集y的后验概率。根据贝叶斯规则,这个目标为:
其中,p(Φ)是Φ的先验概率,它被设置为遵循零均值和0.1标准差的高斯分布。p(k|Φ)是在Φ下观察到k的可能性,p(y|Φ,k)是在k和Φ下观察到y的可能性,定义为伯努利分布的乘积。
MTL的目标综合损失函数L表示为:
Claims (5)
1.一种融合动态知识图谱的序列推荐方法,其特征在于,所述方法包括以下步骤:
步骤一:获取数据集,对数据集进行预处理;
步骤二:会话信息建模:学习项目嵌入和操作嵌入,生成会话表示;
步骤三:动态知识图谱的嵌入学习:图卷积神经网络学习节点特征,长短时记忆网络基于当前和历史信息在时间t更新权重矩阵Wt (l),提高TransE进行知识图谱嵌入学习,得到知识图谱嵌入学习的损失函数;
步骤四:将知识图谱的嵌入和序列推荐模型合并到多任务学习中。
2.根据权利要求1所述的一种融合动态知识图谱的序列推荐方法,其特征在于,步骤一所述的获取数据集以及数据预处理包括以下步骤:
步骤一:数据集采用JDATA数据集;
步骤二:对JDATA数据集进行预处理,筛选掉不符合规则的数据,设置训练集和测试集。
3.根据权利要求1所述的一种融合动态知识图谱的序列推荐方法,其特征在于,步骤二所述的会话信息建模,包括以下步骤:
(1):利用GGNN学习项目嵌入,将项目序列转换成有向图,给定一个会话项目序列Si=对应的有向图是Gs=(V,E),在图Gs中,每个节点代表Si中的唯一项,每个有向边 连接Si中的两个连续项;进一步将其构造为一个加权有向图边的归一化权重计算为在Si中的出现频率除以项在Si中作为前一项出现的频率;
在GGNN的初始步骤中,对于图Gs中给定的项目节点v,通过查找项嵌入矩阵得到其初始嵌入并作为其初始隐藏状态基于GNN的迭代传播基本原理,将h-th(1≤h≤H)步骤中的隐藏状态作为H步后的v的项嵌入,即由于Gs是一个加权有向图,所以使用A+∈R|V×V|和A-∈R|V×V|这两个邻接矩阵分别表示图Gs的输入邻接矩阵和输出邻接矩阵,然后,根据下式更新计算
其中所有的Ws是d×d矩阵,σ是Sigmoid函数,⊙是元素乘法,此外,分别为复位门和更新门;第h步中第v项的隐藏状态即为是基于其先前的状态和候选状态来计算的,在H步之后,可以获得Gs中所有项目节点的学习嵌入,故Si中的项目嵌入表示为:
操作也可能作为序列中的一个项目重复出现,根据GRU原理,在操作序列中重复出现的操作有多个不同的嵌入;
为了表示会话的全局偏好,使用软注意机制来为会话中每个项目行为的嵌入分配适当的权重,因为不同的项目行为具有不同的优先级,,给定一个项目行为mt(1≤t≤L),其注意力权重计算为:
αt=βTσ(W1mL+W2mt+bα)
其中bα,β∈R2d和W1,W2∈R2d,然后会话的全局表示为:
最后,会话的最终表示如下:
s=W3[mL;sg]∈Rd
为了训练SR-DKG-DNN,首先收集足够的训练样本,表示为<s,j,ysj>,其中如果项j是用户在会话s之后的下一个交互项,则ysj=1,否则ysj=0,然后采用二元交叉熵损失函数,所以会话推荐的损失表示为:
其中S和I为训练样本的会话集和项目集。
4.根据权利要求1所述的一种融合动态知识图谱的序列推荐方法,其特征在于,步骤三所述的动态知识图谱的嵌入学习包括以下步骤:
(1):图卷积神经网络(GCN)是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系,可以表示来自领域的具有任意深度的信息,
一个图卷积神经网络的一般表达式为:
采用长短时记忆网络,用t-1时刻的去更新能够反映了不同时刻图谱演化的影响;(3):在包含项目的时序动态知识图谱中,通过GCN和RNN构建知识图的动态演化,并构建了与物品有关的知识图谱,当中物品可视为一大类实体节点,在模型中引入TransE的训练损失来学习知识嵌入,因此将知识嵌入学习的损失函数是定义为:
其中d是L1或者L2的距离,K是整个系统中动知识图谱三元组的集合,(h′,r,t′)是负例三元组。
5.根据权利要求1所述的一种融合动态知识图谱的序列推荐方法,其特征在于,步骤四所述的将知识图谱的嵌入和序列推荐模型合并到多任务学习中包括以下步骤:
(1):在SR-DKG-DNN中,将知识嵌入学习作为辅助任务导入多任务学习MTL范式,以辅助推荐任务;
在的场景中,MTL的目标是最大化的模型参数Φ给定的知识三元组的集合k和推荐系统的训练集y的后验概率,根据贝叶斯规则,这个目标为:
其中,p(Φ)是Φ的先验概率,它被设置为遵循零均值和0.1标准差的高斯分布。p(k|Φ)是在Φ下观察到k的可能性,p(y|Φ,k)是在k和Φ下观察到y的可能性,定义为伯努利分布的乘积;
(2):MTL的目标综合损失函数L表示为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869346.5A CN113590900A (zh) | 2021-07-29 | 2021-07-29 | 一种融合动态知识图谱的序列推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869346.5A CN113590900A (zh) | 2021-07-29 | 2021-07-29 | 一种融合动态知识图谱的序列推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113590900A true CN113590900A (zh) | 2021-11-02 |
Family
ID=78252310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869346.5A Pending CN113590900A (zh) | 2021-07-29 | 2021-07-29 | 一种融合动态知识图谱的序列推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590900A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779101A (zh) * | 2021-11-10 | 2021-12-10 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐系统和方法 |
CN114238758A (zh) * | 2021-12-14 | 2022-03-25 | 杭州电子科技大学 | 一种基于多源跨界数据融合的用户画像预测方法 |
CN114238439A (zh) * | 2021-12-14 | 2022-03-25 | 四川大学 | 一种基于联合嵌入的任务驱动关系型数据视图推荐方法 |
CN114491541A (zh) * | 2022-03-31 | 2022-05-13 | 南京众智维信息科技有限公司 | 基于知识图谱路径分析的安全运营剧本自动化编排方法 |
CN114756694A (zh) * | 2022-06-16 | 2022-07-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于知识图谱的推荐系统、推荐方法和相关设备 |
CN114780841A (zh) * | 2022-04-20 | 2022-07-22 | 湖南大学 | 一种基于kphan的序列推荐方法 |
CN114969525A (zh) * | 2022-05-25 | 2022-08-30 | 天翼爱音乐文化科技有限公司 | 音乐社交推荐方法、系统、装置及存储介质 |
CN115600012A (zh) * | 2022-12-01 | 2023-01-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)(Cn) | 一种基于知识增强和结构对比的api推荐方法 |
CN115878904A (zh) * | 2023-02-22 | 2023-03-31 | 深圳昊通技术有限公司 | 基于深度学习的知识产权个性化推荐方法、系统及介质 |
CN116384494A (zh) * | 2023-06-05 | 2023-07-04 | 安徽思高智能科技有限公司 | 基于多模态孪生神经网络的rpa流程推荐方法及系统 |
WO2023184226A1 (zh) * | 2022-03-30 | 2023-10-05 | 京东方科技集团股份有限公司 | 一种物品推荐方法、物品知识图谱、模型训练方法及装置 |
CN117094387A (zh) * | 2023-10-19 | 2023-11-21 | 成都市智慧蓉城研究院有限公司 | 基于大数据的知识图谱构建方法及系统 |
-
2021
- 2021-07-29 CN CN202110869346.5A patent/CN113590900A/zh active Pending
Non-Patent Citations (2)
Title |
---|
ALDO PAREJA: "Evolving Graph Convolutional Networks for Dynamic Graphs", 《ARXIV:1902.10191》, pages 1 - 9 * |
WENJING MENG: "Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation", 《SIGIR’20: PROCEEDINGS OF THE 43RD INTERNATIONAL ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL》, pages 1 - 6 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779101B (zh) * | 2021-11-10 | 2022-03-18 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐系统和方法 |
CN113779101A (zh) * | 2021-11-10 | 2021-12-10 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐系统和方法 |
CN114238758A (zh) * | 2021-12-14 | 2022-03-25 | 杭州电子科技大学 | 一种基于多源跨界数据融合的用户画像预测方法 |
CN114238439A (zh) * | 2021-12-14 | 2022-03-25 | 四川大学 | 一种基于联合嵌入的任务驱动关系型数据视图推荐方法 |
CN114238439B (zh) * | 2021-12-14 | 2023-03-28 | 四川大学 | 一种基于联合嵌入的任务驱动关系型数据视图推荐方法 |
CN114238758B (zh) * | 2021-12-14 | 2023-04-11 | 杭州电子科技大学 | 一种基于多源跨界数据融合的用户画像预测方法 |
WO2023184226A1 (zh) * | 2022-03-30 | 2023-10-05 | 京东方科技集团股份有限公司 | 一种物品推荐方法、物品知识图谱、模型训练方法及装置 |
CN114491541A (zh) * | 2022-03-31 | 2022-05-13 | 南京众智维信息科技有限公司 | 基于知识图谱路径分析的安全运营剧本自动化编排方法 |
CN114780841A (zh) * | 2022-04-20 | 2022-07-22 | 湖南大学 | 一种基于kphan的序列推荐方法 |
CN114780841B (zh) * | 2022-04-20 | 2024-04-30 | 湖南大学 | 一种基于kphan的序列推荐方法 |
CN114969525B (zh) * | 2022-05-25 | 2023-04-07 | 天翼爱音乐文化科技有限公司 | 音乐社交推荐方法、系统、装置及存储介质 |
CN114969525A (zh) * | 2022-05-25 | 2022-08-30 | 天翼爱音乐文化科技有限公司 | 音乐社交推荐方法、系统、装置及存储介质 |
CN114756694A (zh) * | 2022-06-16 | 2022-07-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于知识图谱的推荐系统、推荐方法和相关设备 |
CN114756694B (zh) * | 2022-06-16 | 2022-10-14 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于知识图谱的推荐系统、推荐方法和相关设备 |
CN115600012B (zh) * | 2022-12-01 | 2023-04-21 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识增强和结构对比的api推荐方法 |
CN115600012A (zh) * | 2022-12-01 | 2023-01-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)(Cn) | 一种基于知识增强和结构对比的api推荐方法 |
CN115878904A (zh) * | 2023-02-22 | 2023-03-31 | 深圳昊通技术有限公司 | 基于深度学习的知识产权个性化推荐方法、系统及介质 |
CN115878904B (zh) * | 2023-02-22 | 2023-06-02 | 深圳昊通技术有限公司 | 基于深度学习的知识产权个性化推荐方法、系统及介质 |
CN116384494A (zh) * | 2023-06-05 | 2023-07-04 | 安徽思高智能科技有限公司 | 基于多模态孪生神经网络的rpa流程推荐方法及系统 |
CN116384494B (zh) * | 2023-06-05 | 2023-08-08 | 安徽思高智能科技有限公司 | 基于多模态孪生神经网络的rpa流程推荐方法及系统 |
CN117094387A (zh) * | 2023-10-19 | 2023-11-21 | 成都市智慧蓉城研究院有限公司 | 基于大数据的知识图谱构建方法及系统 |
CN117094387B (zh) * | 2023-10-19 | 2023-12-19 | 成都市智慧蓉城研究院有限公司 | 基于大数据的知识图谱构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113590900A (zh) | 一种融合动态知识图谱的序列推荐方法 | |
CN111523047B (zh) | 基于图神经网络的多关系协同过滤算法 | |
Lee et al. | Deep asymmetric multi-task feature learning | |
CN109544306B (zh) | 一种基于用户行为序列特征的跨领域推荐方法及装置 | |
CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN113254675B (zh) | 基于自适应少样本关系抽取的知识图谱构建方法 | |
CN112417289A (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
CN111259264B (zh) | 一种基于生成对抗网络的时序评分预测方法 | |
CN114971784B (zh) | 一种融合自注意力机制基于图神经网络的会话推荐方法与系统 | |
CN112488316A (zh) | 事件意图推理方法、装置、设备及存储介质 | |
CN113641811B (zh) | 促进购买行为的会话推荐方法、系统、设备及存储介质 | |
Wu et al. | Heterogeneous representation learning and matching for few-shot relation prediction | |
CN110222839A (zh) | 一种网络表示学习的方法、装置及存储介质 | |
Moholkar et al. | Lioness adapted GWO-based deep belief network enabled with multiple features for a novel question answering system | |
Cao et al. | Implicit user relationships across sessions enhanced graph for session-based recommendation | |
CN114842247B (zh) | 基于特征累加的图卷积网络半监督节点分类方法 | |
Donghua et al. | Deep knowledge tracing based on Bayesian neural network | |
CN115293812A (zh) | 一种基于长短期兴趣的电商平台会话感知推荐预测方法 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN115526293A (zh) | 一种顾及语义和结构信息的知识图谱推理方法 | |
Li et al. | ANN: a heuristic search algorithm based on artificial neural networks | |
Luo et al. | DeepAttr: Inferring demographic attributes via social network embedding | |
CN114780841A (zh) | 一种基于kphan的序列推荐方法 |
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 |