CN113704441A - 一种考虑物品和物品属性特征级别重要性的会话推荐方法 - Google Patents

一种考虑物品和物品属性特征级别重要性的会话推荐方法 Download PDF

Info

Publication number
CN113704441A
CN113704441A CN202111036107.8A CN202111036107A CN113704441A CN 113704441 A CN113704441 A CN 113704441A CN 202111036107 A CN202111036107 A CN 202111036107A CN 113704441 A CN113704441 A CN 113704441A
Authority
CN
China
Prior art keywords
user
item
importance
attribute
conversation
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
CN202111036107.8A
Other languages
English (en)
Other versions
CN113704441B (zh
Inventor
关伟
顾盼
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.)
Zhejiang Zhiduo Network Technology Co ltd
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN202111036107.8A priority Critical patent/CN113704441B/zh
Publication of CN113704441A publication Critical patent/CN113704441A/zh
Application granted granted Critical
Publication of CN113704441B publication Critical patent/CN113704441B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • 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
    • 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

Abstract

本发明公开了一种考虑物品和物品属性特征级别重要性的会话推荐方法。该方法根据给定用户的当前会话，挖掘出用户的多种兴趣，来预测用户对目标物品的点击率。主要由四个部分组成：第一部分是用物品级别的注意力机制得到会话中所有物品的重要性；第二部分是用物品属性特征级别的注意力机制得到会话中物品不同属性特征的重要性；第三部分是结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征；最后，根据用户兴趣向量表征，预测用户对目标物品的点击率。

Description

一种考虑物品和物品属性特征级别重要性的会话推荐方法
技术领域
本发明属于互联网服务技术领域，尤其是涉及一种考虑物品和物品属性特征级别重要性的会话推荐方法。
背景技术
会话(Session)是一个时间段内用户的交互行为，基于会话的推荐是基于当前会话推荐用户下一个点击的物品。在实际场景中，有些用户是匿名登录，无法获取该用户的历史交互行为数据以及用户详细信息。因此，只能基于该匿名用户的当前会话给用户推荐感兴趣的物品。传统的会话推荐系统采用循环神经网络(RNN)，来学习会话中的物品序列信息。而神经网络方法难以学习长序列中的长期依赖(long-term dependency)问题，且很难捕捉用户细粒度的偏好。在电商场景中，一个物品有很多属性特征，用户在决定是否购买的时候，可能关注物品的价格、风格、质量以及品牌等。并且用户对他点击过的商品的喜欢程度并不相同，甚至对于有些点击过的物品是不喜欢的态度。因此，在基于当前会话抽取用户兴趣以及给用户推荐下一个感兴趣的物品时，应确定两个重要性：第一个重要性是会话中不同物品的重要性；二是会话中物品的不同属性特征的重要性。也就是确定用户对每个物品的喜欢程度，以及对物品的不同属性特征的喜欢程度。
在2019年IJCAI会议中，苏州大学的研究团队提出一种基于分层细粒度注意力的推荐方法(DMRAN)，该方法先用物品级别的注意力机制给序列中的物品分配不同重要性，并得到用户多属性特征，再用特征级别的注意力机制，对上一层抽取出的多属性特征分配不同重要性，最终得到用户多兴趣向量表征。该论文的做法会导致用户对不同物品的相同类型特征是同等看重的，忽视了用户对不同物品的相同属性的看重程度是不同的。如：用户在在购买鞋类商品时，可能更看重商品的品牌；而在购买绿植类商品时，不看重商品的品牌，而看重商品的价格。所以，先从所有物品中抽取出用户的多属性特征，再分配多属性特征的重要程度的方法是不合理的。本方法提出一种考虑物品和物品属性特征级别重要性的会话推荐方法，同时学习会话中物品的重要程度以及会话中物品不同属性特征的重要程度，结合两者得到用户的多兴趣向量表征，并预测用户下一个感兴趣的物品。
发明内容
本发明所要解决的技术问题是给定用户的当前会话，会话推荐方法对用户的多种兴趣进行建模，来预测用户对目标物品的点击率。在电商场景中，一个物品有很多属性特征，用户在决定是否购买时，可能关注物品的价格、风格、质量以及品牌等。并且用户对他点击过的商品的喜欢程度并不相同。因此，在基于当前会话抽取用户兴趣以及给用户推荐下一个感兴趣的物品时，应确定两个重要性：第一个重要性是会话中不同物品的重要性；二是会话中物品的不同属性特征的重要性。
一种考虑物品和物品属性特征级别重要性的会话推荐方法，包括以下步骤：
用物品级别的注意力机制得到会话中所有物品的重要性。当前会话{v1，v2，…，v|s|}对应向量表征为{x1，x2，…，x|s|}，采用物品级别的注意力(item-level attention)机制得到会话中任一物品vj的注意力值(attention value)e(vj)，然后采用softmax函数对每个物品的注意力值进行归一化，得到任一物品vj最终权重αj，具体计算过程如下：
Figure BDA0003247017430000011
Figure BDA0003247017430000012
其中,We1和we2分别是转换矩阵和转换向量，xj是物品vj的向量表征，RELU是RELU激活函数，exp(·)是指数函数。
用物品属性特征级别的注意力机制得到会话中物品不同特征的重要性。用户对同一物品的不同属性特征的偏好是不同的，用户对不同物品的相同属性特征的偏好也是不同的。用户对物品vj的第i个属性特征的看重程度bi，j由乘法注意力机制计算得到，且再用softmax对bi，j进行归一化，得到参数ci，j，参数ci，j代表最终的用户对物品vj的第i个属性特征的看重程度。具体计算公式如下：
Figure BDA0003247017430000021
Figure BDA0003247017430000022
其中，Wi是将物品转换到属性空间的转换矩阵，xi是物品vi的向量表征，qi是第i个属性特征，属性特征的个数为M个。
结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征。用户在当前会话中体现的兴趣特征，取决于当前会话中不同物品的重要性，以及物品的不同属性的重要性。同时考虑两者非常重要，仅仅用基于物品级别的注意力机制来做推荐，忽视了真实场景下用户的多兴趣。仅仅用基于物品属性特征级别的注意力机制来做推荐，会导致模型对不重要的物品分配过多的权重。因此，需要结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征，具体公式如下：
Figure BDA0003247017430000023
mi＝∑jai，j·Wi·xj
其中，ai，j是结合了物品重要程度αj和物品属性特征重要程度ci，j的参数。Wi是上步骤提到的将物品转换到属性空间的转换矩阵，Wi·xj可以将物品vj映射到第i个属性特征空间下，然后和参数ai，j相乘求和，得到用户的多兴趣向量表征mi。
根据用户兴趣向量表征，预测用户对目标物品的点击率。对于不同的目标物品，用户对其不同的属性特征有不同的关注度。因此，本方法首先将目标物品和用户多兴趣进行匹配，给用户不同兴趣分配不同权重，并得到用户和该目标物品相关的最终兴趣向量表征O。再用用户最终兴趣向量表征和目标物品的向量表征xnew计算相似度，得到推荐概率
Figure BDA0003247017430000024
为：
αi＝qT·σ(W1·mi+W2·xnew)
Figure BDA0003247017430000025
Figure BDA0003247017430000026
其中，mi为用户的第i个兴趣向量表征，xnew为目标物品vnew的向量表征。参数q和参数W1，W2控制每个兴趣向量表征的权重，σ是sigmoid激活函数。
根据模型特性，设计损失函数。通过用户对目标物品的点击率预测值
Figure BDA0003247017430000027
计算预测值
Figure BDA0003247017430000028
和真实值y之间的误差，进而使用误差来更新模型参数。采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA0003247017430000029
其中，y∈{0，1}是真实值，代表用户是否点击了目标物品。σ是sigmoid函数。采用Adam优化器更新模型参数。
本发明的有益技术效果如下：
(1)本发明是一种细粒度化(fine-grained)的的推荐方法，考虑真实场景下用户对物品的不同的属性特征的偏好是不同的。当遇到不同目标物品时，从当前会话中抽取出的用户兴趣是不同的。
(2)本发明结合物品级别的注意力机制和物品属性特征级别的注意力机制来生成用户的多兴趣向量表征。
附图说明
图1为本发明一种考虑物品和物品属性特征级别重要性的会话推荐方法的流程示意图；
图2为本发明一种考虑物品和物品属性特征级别重要性的会话推荐方法的模型框架图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种考虑物品和物品属性特征级别重要性的会话推荐方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
首先，需要对用到的变量和公式给出相关定义。
定义1.V：物品集合，且V＝{v1，v2，…，v|V|}，|V|代表物品集合中物品的数量。
定义2.s：当前会话，会话是当前时间段里的所有交互物品集合s＝{v1，v2，…，v|s|}，|s|代表会话中物品的数量。
定义3.S：系统中的会话集合，S＝{s1，s2，…，s|S|}，|S|代表会话集合中会话的数量。
定义4.
Figure BDA0003247017430000031
物品vj的向量表征。
定义5.mi：用户的第i个兴趣向量表征。
结合以上变量定义，将最终的问题定义为：给定用户的当前会话s，会话推荐方法对用户的多种兴趣进行建模，来预测用户对目标物品xnew，的点击率。在电商场景中，一个物品有很多属性特征，用户在决定是否购买时，可能关注物品的价格、风格、质量以及品牌等。并且用户对他点击过的商品的喜欢程度并不相同，甚至对于有些点击过的物品是不喜欢的态度。因此，在基于当前会话抽取用户兴趣以及给用户推荐下一个感兴趣的物品时，应确定两个重要性：第一个重要性是会话中不同物品的重要性；二是会话中物品的不同属性特征的重要性。也就是确定用户对每个物品的喜欢程度，以及对物品的不同属性特征的喜欢程度。
为此，本发明提出了一种考虑物品和物品属性特征级别重要性的会话推荐方法，如图2所示，方法的向前传播(forward propagation)部分主要由四个部分组成。第一部分是用物品级别的注意力机制得到会话中所有物品的重要性；第二部分是用物品属性特征级别的注意力机制得到会话中物品不同属性特征的重要性；第三部分是结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征；最后，根据用户兴趣向量表征，预测用户对目标物品的点击率。
如图1所示，按照本发明的一个实施例，本方法包括如下步骤：
S100，用物品级别的注意力机制得到会话中所有物品的重要性。当前会话{v1，v2，…，v|s|}对应向量表征为{x1，x2，…，x|s|}，采用物品级别的注意力(item-levelattention)机制得到会话中任一物品vj的注意力值(attentionvalue)e(vj)，然后采用softmax函数对每个物品的注意力值进行归一化，得到任一物品vj最终权重αj，具体计算过程如下：
Figure BDA0003247017430000032
Figure BDA0003247017430000033
其中，We1和we2分别是转换矩阵和转换向量，xj是物品vj的向量表征，RELU是RELU激活函数，exp(·)是指数函数。
S200，用物品属性特征级别的注意力机制得到会话中物品不同特征的重要性。用户对同一物品的不同属性特征的偏好是不同的，用户对不同物品的相同属性特征的偏好也是不同的。用户对物品vj的第i个属性特征的看重程度bi，j由乘法注意力机制计算得到，且再用softmax对bi，j进行归一化，得到参数ci，j，参数ci，j代表最终的用户对物品vj的第i个属性特征的看重程度。具体计算公式如下：
Figure BDA0003247017430000034
Figure BDA0003247017430000035
其中，Wi是将物品转换到属性空间的转换矩阵，xj是物品vj的向量表征，qi是第i个属性特征，属性特征的个数为M个，在实验中M＝3。
S300，结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征。用户在当前会话中体现的兴趣特征，取决于当前会话中不同物品的重要性，以及物品的不同属性的重要性。同时考虑两者非常重要，仅仅用基于物品级别的注意力机制来做推荐，忽视了真实场景下用户的多兴趣。仅仅用基于物品属性特征级别的注意力机制来做推荐，会导致模型对不重要的物品分配过多的权重。因此，需要结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征，具体公式如下：
Figure BDA0003247017430000041
mi＝∑jai，j·Wi·xj
其中，ai，j是结合了物品重要程度αj和物品属性特征重要程度ci，j的参数。Wi是上步骤提到的将物品转换到属性空间的转换矩阵，Wi·xj可以将物品vi映射到第i个属性特征空间下，然后和参数ai，j相乘求和，得到用户的多兴趣向量表征mi。
S400，根据用户兴趣向量表征，预测用户对目标物品的点击率。对于不同的目标物品，用户对其不同的属性特征有不同的关注度。因此，本方法首先将目标物品和用户多兴趣进行匹配，给用户不同兴趣分配不同权重，并得到用户和该目标物品相关的最终兴趣向量表征o。再用用户最终兴趣向量表征和目标物品的向量表征xnew计算相似度，得到推荐概率
Figure BDA0003247017430000042
为：
αi＝qT·σ(W1·mi+W2·xnew)
Figure BDA0003247017430000043
Figure BDA0003247017430000044
其中，mi为用户的第i个兴趣向量表征，xnew为目标物品vnew的向量表征。参数q和参数W1，W2控制每个兴趣向量表征的权重，σ是sigmoid激活函数。
S500，根据模型特性，设计损失函数。通过用户对目标物品的点击率预测值
Figure BDA0003247017430000045
计算预测值
Figure BDA0003247017430000046
和真实值y之间的误差，进而使用误差来更新模型参数。采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA0003247017430000047
其中，y∈{0，1}是真实值，代表用户是否点击了目标物品。σ是sigmoid函数。采用Adam优化器更新模型参数。
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种考虑物品和物品属性特征级别重要性的会话推荐方法，其特征在于：
用物品级别的注意力机制得到会话中所有物品的重要性；当前会话{v1，v2，…，v|s|}对应向量表征为{x1，x2，…，x|s|}，采用物品级别的注意力机制得到会话中任一物品vj的注意力值e(vj)，然后采用softmax函数对每个物品的注意力值进行归一化，得到任一物品vj最终权重αj，具体计算过程如下：
Figure FDA0003247017420000011
Figure FDA0003247017420000012
其中，We1和we2分别是转换矩阵和转换向量，xj是物品vj的向量表征，RELU是RELU激活函数，exp(·)是指数函数；
用物品属性特征级别的注意力机制得到会话中物品不同特征的重要性；用户对同一物品的不同属性特征的偏好是不同的，用户对不同物品的相同属性特征的偏好也是不同的；用户对物品vj的第i个属性特征的看重程度bi，j由乘法注意力机制计算得到，且再用softmax对bi，j进行归一化，得到参数ci，j，参数ci，j代表最终的用户对物品vj的第i个属性特征的看重程度；具体计算公式如下：
Figure FDA0003247017420000013
Figure FDA0003247017420000014
其中，Wi是将物品转换到属性空间的转换矩阵，xj是物品vj的向量表征，qi是第i个属性特征，属性特征的个数为M个；
结合会话中物品的重要性和物品属性特征的重要性，从会话中抽取多个用户兴趣向量表征，具体公式如下：
Figure FDA0003247017420000015
Figure FDA0003247017420000016
其中，ai，j是结合了物品重要程度αj和物品属性特征重要程度ci，j的参数；Wi是上步骤提到的将物品转换到属性空间的转换矩阵，Wi·xj可以将物品vj映射到第i个属性特征空间下，然后和参数ai，j相乘求和，得到用户的多兴趣向量表征mi；
根据用户兴趣向量表征，预测用户对目标物品的点击率；对于不同的目标物品，用户对其不同的属性特征有不同的关注度；因此，本方法首先将目标物品和用户多兴趣进行匹配，给用户不同兴趣分配不同权重，并得到用户和该目标物品相关的最终兴趣向量表征O；再用用户最终兴趣向量表征和目标物品的向量表征xnew计算相似度，得到推荐概率
Figure FDA0003247017420000017
为：
Figure FDA00032470174200000113
Figure FDA0003247017420000018
Figure FDA0003247017420000019
其中，mi为用户的第i个兴趣向量表征，xnew为目标物品vnew的向量表征；参数q和参数W1，W2控制每个兴趣向量表征的权重，σ是sigmoid激活函数；
根据模型特性，设计损失函数；通过用户对目标物品的点击率预测值
Figure FDA00032470174200000110
计算预测值
Figure FDA00032470174200000111
和真实值y之间的误差，进而使用误差来更新模型参数；采用交叉熵损失函数来指导模型参数的更新过程：
Figure FDA00032470174200000112
其中，y∈{0，1}是真实值，代表用户是否点击了目标物品；σ是sigmoid函数；采用Adam优化器更新模型参数。
CN202111036107.8A 2021-09-06 2021-09-06 一种考虑物品和物品属性特征级别重要性的会话推荐方法 Active CN113704441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111036107.8A CN113704441B (zh) 2021-09-06 2021-09-06 一种考虑物品和物品属性特征级别重要性的会话推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111036107.8A CN113704441B (zh) 2021-09-06 2021-09-06 一种考虑物品和物品属性特征级别重要性的会话推荐方法

Publications (2)

Publication Number Publication Date
CN113704441A true CN113704441A (zh) 2021-11-26
CN113704441B CN113704441B (zh) 2022-06-10

Family

ID=78660133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111036107.8A Active CN113704441B (zh) 2021-09-06 2021-09-06 一种考虑物品和物品属性特征级别重要性的会话推荐方法

Country Status (1)

Country Link
CN (1) CN113704441B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10136191B1 (en) * 2016-12-12 2018-11-20 Google Llc Methods, systems, and media for recommending media content based on attribute grouped viewing sessions
CN109960759A (zh) * 2019-03-22 2019-07-02 中山大学 基于深度神经网络的推荐系统点击率预测方法
CN111046294A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 点击率预测方法、推荐方法、模型、装置及设备
US20200134696A1 (en) * 2018-10-31 2020-04-30 Amadeus S.A.S. Recommender systems and methods using cascaded machine learning models
CN111222054A (zh) * 2020-01-03 2020-06-02 中国计量大学 一种基于上下文邻居关系建模的会话社交推荐方法
CN111581520A (zh) * 2020-05-25 2020-08-25 中国人民解放军国防科技大学 基于会话中物品重要性的物品推荐方法和系统
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备
CN111754278A (zh) * 2019-03-27 2020-10-09 北京京东尚科信息技术有限公司 物品推荐方法、装置、计算机存储介质和电子设备
CN112035746A (zh) * 2020-09-01 2020-12-04 湖南大学 一种基于时空序列图卷积网络的会话推荐方法
CN112150210A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于ggnn网络的改进型神经网络推荐方法及系统
CN112395505A (zh) * 2020-12-01 2021-02-23 中国计量大学 一种基于协同注意力机制的短视频点击率预测方法
CN112685657A (zh) * 2021-01-06 2021-04-20 中国计量大学 一种基于多模态交叉融合图网络的会话社交推荐方法
CN112883268A (zh) * 2021-02-22 2021-06-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN112905887A (zh) * 2021-02-22 2021-06-04 中国计量大学 一种基于多兴趣短期优先模型的会话推荐方法
CN112967112A (zh) * 2021-03-24 2021-06-15 武汉大学 一种自注意力机制和图神经网络的电商推荐方法
CN113010802A (zh) * 2021-03-25 2021-06-22 华南理工大学 一种基于用户与物品多属性交互面向隐式反馈的推荐方法
CN113158033A (zh) * 2021-03-19 2021-07-23 浙江工业大学 一种基于知识图谱偏好传播的协同推荐模型构建方法
CN113326425A (zh) * 2021-04-20 2021-08-31 中国电子科技集团公司第五十四研究所 一种基于结构和语义注意力堆叠的会话推荐方法及系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10136191B1 (en) * 2016-12-12 2018-11-20 Google Llc Methods, systems, and media for recommending media content based on attribute grouped viewing sessions
US20200134696A1 (en) * 2018-10-31 2020-04-30 Amadeus S.A.S. Recommender systems and methods using cascaded machine learning models
CN109960759A (zh) * 2019-03-22 2019-07-02 中山大学 基于深度神经网络的推荐系统点击率预测方法
CN111754278A (zh) * 2019-03-27 2020-10-09 北京京东尚科信息技术有限公司 物品推荐方法、装置、计算机存储介质和电子设备
CN111046294A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 点击率预测方法、推荐方法、模型、装置及设备
CN111222054A (zh) * 2020-01-03 2020-06-02 中国计量大学 一种基于上下文邻居关系建模的会话社交推荐方法
CN111581520A (zh) * 2020-05-25 2020-08-25 中国人民解放军国防科技大学 基于会话中物品重要性的物品推荐方法和系统
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备
CN112150210A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于ggnn网络的改进型神经网络推荐方法及系统
CN112035746A (zh) * 2020-09-01 2020-12-04 湖南大学 一种基于时空序列图卷积网络的会话推荐方法
CN112395505A (zh) * 2020-12-01 2021-02-23 中国计量大学 一种基于协同注意力机制的短视频点击率预测方法
CN112685657A (zh) * 2021-01-06 2021-04-20 中国计量大学 一种基于多模态交叉融合图网络的会话社交推荐方法
CN112883268A (zh) * 2021-02-22 2021-06-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN112905887A (zh) * 2021-02-22 2021-06-04 中国计量大学 一种基于多兴趣短期优先模型的会话推荐方法
CN113158033A (zh) * 2021-03-19 2021-07-23 浙江工业大学 一种基于知识图谱偏好传播的协同推荐模型构建方法
CN112967112A (zh) * 2021-03-24 2021-06-15 武汉大学 一种自注意力机制和图神经网络的电商推荐方法
CN113010802A (zh) * 2021-03-25 2021-06-22 华南理工大学 一种基于用户与物品多属性交互面向隐式反馈的推荐方法
CN113326425A (zh) * 2021-04-20 2021-08-31 中国电子科技集团公司第五十四研究所 一种基于结构和语义注意力堆叠的会话推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱思涵等: "基于序列特征的点击率预测模型", 《华东师范大学学报(自然科学版)》 *
袁涛等: "一种基于CW-RNN的多时间尺度序列建模推荐算法", 《中文信息学报》 *

Also Published As

Publication number Publication date
CN113704441B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
CN111222054B (zh) 一种基于上下文邻居关系建模的会话社交推荐方法
CN109783738B (zh) 一种基于多相似度的双极限学习机混合协同过滤推荐方法
CN109087178A (zh) 商品推荐方法和装置
CN112765461A (zh) 一种基于多兴趣胶囊网络的会话推荐方法
CN112528165A (zh) 一种基于动态路由图网络的会话社交推荐方法
CN112685657B (zh) 一种基于多模态交叉融合图网络的会话社交推荐方法
CN112492396B (zh) 一种基于细粒度的多方面分析的短视频点击率预测方法
CN112883268B (zh) 一种考虑用户多兴趣以及社交影响的会话推荐方法
Wang et al. Hybrid customer requirements rating method for customer-oriented product design using QFD
Ahamed et al. A recommender system based on deep neural network and matrix factorization for collaborative filtering
CN112053188A (zh) 一种基于混合深度神经网络模型的互联网广告推荐方法
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
CN110046736B (zh) 权益推荐方法、装置及设备
CN112395505B (zh) 一种基于协同注意力机制的短视频点击率预测方法
CN113610610B (zh) 基于图神经网络和评论相似度的会话推荐方法和系统
CN112559777A (zh) 内容项投放方法、装置、计算机设备及存储介质
CN113688306A (zh) 一种基于强化学习的推荐策略生成方法及装置
CN113704441B (zh) 一种考虑物品和物品属性特征级别重要性的会话推荐方法
CN112256918A (zh) 一种基于多模态动态路由的短视频点击率预测方法
Yan et al. Dynamic clustering based contextual combinatorial multi-armed bandit for online recommendation
CN112905886B (zh) 一种基于多兴趣重复网络的会话推荐方法
JP5588938B2 (ja) アイテム推薦装置及び方法及びプログラム
CN112765401A (zh) 一种基于非局部网络和局部网络的短视频推荐方法
CN113569139A (zh) 一种个性化会话推荐方法和系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231106

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018, No. 258, source street, Xiasha Higher Education Park, Hangzhou, Zhejiang

Patentee before: China Jiliang University