CN113779101B - 一种基于深度神经网络的时序集合推荐系统和方法 - Google Patents

一种基于深度神经网络的时序集合推荐系统和方法 Download PDF

Info

Publication number
CN113779101B
CN113779101B CN202111323169.7A CN202111323169A CN113779101B CN 113779101 B CN113779101 B CN 113779101B CN 202111323169 A CN202111323169 A CN 202111323169A CN 113779101 B CN113779101 B CN 113779101B
Authority
CN
China
Prior art keywords
elements
graph
time
representations
dynamic
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
Application number
CN202111323169.7A
Other languages
English (en)
Other versions
CN113779101A (zh
Inventor
杜博文
孙磊磊
于乐
吴光辉
刘铭喆
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202111323169.7A priority Critical patent/CN113779101B/zh
Publication of CN113779101A publication Critical patent/CN113779101A/zh
Application granted granted Critical
Publication of CN113779101B publication Critical patent/CN113779101B/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N3/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于深度神经网络的时序集合推荐系统和方法。该方法建立在综合元素表示的基础上，它首先通过构造集合级共现图来捕获元素关系，然后对动态关系图进行图卷积。此外，还设计了基于注意力的时间依赖性学习模块，该模块能够捕获集合的历史序列中元素之间最重要的时间依赖性，然后通过加权求和自适应地聚集时间信息得到元素表征。最后，设计了门控更新机制来融合元素的静态和动态表示，通过挖掘元素之间共享的动态时间模式来提高预测性能。

Description

一种基于深度神经网络的时序集合推荐系统和方法
技术领域
本发明涉及深度神经网络机器学习领域，特别是涉及一种基于深度神经网络的时序集合推荐系统和方法。
背景技术
时序集合在现实场景中非常普遍，例如顾客的购买行为可以被形式化为一系列集合，其中每个集合中包含多个商品，学生每学期的选课可以认为是一个集合，以及病人的处方也可以认为是一个集合。以上述场景为例，购物篮预测有助于门店提前发货，下学期课程预测有助于高校更好地进行课程设置决策。然而，现有的为时间序列或时间事件设计的时序数据预测方法不能直接用于时序集合，因为时间序列预测方法无法处理元素之间的语义关系，而时序事件预测方法无法处理集合内的多个元素。
目前也存在一些时序集合预测的方法。但这些方法是在两阶段框架下设计的，该框架首先将每个集合投影到一个表征向量中，然后基于集合的表征序列预测后续集合。然而，两步法在集合表示过程中存在信息损失，元素本身不能得到很好的表示，导致预测性能不理想。尽管近年来，基于集合的数据的表征学习已经做了很多工作，但是所学习的表征主要应用于下游任务，没有考虑动态序列行为。因此，对于时间集合预测的任务，很难学习集合的潜在表示，然后基于所学习的表示挖掘序列模式。
发明内容
本发明的目的是提供一种基于深度神经网络的时序集合推荐系统和方法，以处理集合内的多个元素。本发明的方法建立在综合元素表示（comprehensive elementrepresentation）的基础上，它首先通过构造集合级共现图来捕获元素关系，然后对动态关系图进行图卷积。此外，还设计了基于注意力的时间依赖性学习模块，该模块能够捕获集合的历史序列中元素之间最重要的时间依赖性，然后通过加权求和自适应地聚集时间信息得到元素表征。最后，设计了门控更新机制来融合元素的静态和动态表示，通过挖掘元素之间共享的动态时间模式来提高预测性能。
为实现上述目的，本发明提供了如下方案：一种基于深度神经网络的时序集合推荐系统，包括元素关系捕获模块、时间依赖性学习模块和门控更新机制模块；其中，
所述的元素关系捕获模块，用于构建、捕获、学习元素之间的属性关系；
所述的时间依赖性学习模块，用于获取元素之间的时间依赖关系；
所述的门控更新机制模块，用于将属性关系和时间依赖关系的动态信息和静态信息相融合。
进一步的，所述元素关系捕获模块，首先通过构造集合级共现图来捕获元素关系，利用动态图的图卷积学习元素之间的属性关系。
进一步的，所述时间依赖性学习模块，能够捕获集合的历史序列中元素之间的时间依赖性，然后通过加权求和自适应地聚集时间信息得到元素表征。
进一步的，所述门控更新机制模块，通过融合元素的静态和动态表示，通过挖掘元素之间共享的动态时间模式来更全面预测结果。
根据本发明的另一方面，提出一种基于深度神经网络的时序集合推荐方法，包括以下步骤：
步骤1：首先，将用户的历史行为序列数据构造为集合级共现图，根据元素间的共现频次得到图上每条边的权重信息，具有权重信息的集合级共现图称为动态关系图，然后对动态关系图进行图卷积，得到图上每个元素的一个表征，若序列长度为T，则每个元素有T个表征；
步骤2：针对上述步骤1得到的每个元素的T个表征，通过基于注意力的时间依赖学习模块来捕获序列中元素的时间依赖关系，然后通过加权求和和自适应的聚集时间信息将元素的多个表征融合为一个表征，从而得到M个元素的M个表征；
步骤3：上述步骤处理的都是用户接触过的元素，根据步骤2得到用户接触过的M个元素的表征，结合用户未接触过的K个静态表征，通过门控更新机制来融合元素的动态和静态表示，最终得到总共N个元素的N个表征，N=M+K；
步骤4：针对上述步骤3得到的N个元素的N个表征，通过一个线性输出层得到N个浮点数值，分别表示该用户下一时刻与该N个元素的交互概率。
有益效果：
本发明的方法建立在综合元素表示（comprehensive element representation）的基础上，它首先通过构造集合级共现图来捕获元素关系，然后对动态关系图进行图卷积。此外，还设计了基于注意力的时间依赖性学习模块，该模块能够捕获集合的历史序列中元素之间最重要的时间依赖性，然后通过加权求和自适应地聚集时间信息得到元素表征。最后，设计了门控更新机制来融合元素的静态和动态表示，通过挖掘元素之间共享的动态时间模式来提高预测性能。
附图说明
图1为元素关系捕获模块算法流程示意图；
图2为融合表征算法流程示意图；
图3为融合元素动态静态特征算法流程示意图；
图4为集合级共现图实现方法示意图。
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、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
根据本发明的一个实施例，针对一个用户的历史行为集合序列数据，采用本发明的方法进行处理，具体包括如下步骤：
步骤1：首先，将用户的历史行为序列数据构造为集合级共现图， 即集合中的每一个元素为图上的一个节点，处于同一集合中的元素两两之间构成连边，从而实现共现图的构建。
如图1所示，νi,j代表用户i所接触的第j个元素，
Figure 916524DEST_PATH_IMAGE001
代表用户i的第k个序列集合数据。
在购物场景中，接触即为用户与物品之间的购买关系，上述的元素则代表具体物品，集合序列数据则是用户一次性购买多个物品的行为抽象，在同一个集合中的物品即为存在共现关系。根据元素间的共现频次得到图上每条边的权重信息，具有权重信息的集合级共现图称为动态关系图，然后对该动态关系图进行图卷积，卷积公式如下所示，
Figure 671597DEST_PATH_IMAGE002
代表在多层神经网络中，用户i所交互的第j个元素在t时刻的第l层的表征，bt,l和Wt,l是第l层的可训练参数，
Figure 400519DEST_PATH_IMAGE003
代表元素共现矩阵的第j行和第k列的权重值，
Figure 479333DEST_PATH_IMAGE004
代表用户i在t时刻的集合共现图中元素j的所有邻居，
Figure 180573DEST_PATH_IMAGE005
代表深度学习中的Sigmoid激活函数，将数值映射到0和1之间。
通过上述公式，则可以得到图上每个元素的一个表征，若序列长度为T，则每个元素有T个表征。
Figure 686641DEST_PATH_IMAGE006
步骤2：针对上述步骤1得到的每个元素的T个表征
Figure 902858DEST_PATH_IMAGE007
，通过基于注意力的时间依赖学习模块来捕获序列中元素的时间依赖关系，然后通过加权求和和自适应的聚集时间信息将元素的多个表征融合为一个表征,公式如下，
Figure 785364DEST_PATH_IMAGE008
,
Figure 324798DEST_PATH_IMAGE009
,
Figure 267347DEST_PATH_IMAGE010
分别是可训练参数，
Figure 705281DEST_PATH_IMAGE011
Figure 125898DEST_PATH_IMAGE012
Figure 598468DEST_PATH_IMAGE013
是一个常数，用来保持模型的稳定性，Mi是掩饰矩阵，用来避免信息泄露，softmax是指数函数，用来数据的归一化。wagg是可训练参数，用来学习不同时刻表征的重要性，其中Z i,j 代表针对用户i，元素j的各个时刻的表征，通过该公式可以捕获元素表征在时间上的依赖关系，并通过学习到的重要性将多个时刻的表征进行融合，其中z i,j 即代表融合后的针对用户i的元素j的表征。公式如上。该步骤可以得到M个元素的M个动态表征；
步骤3：上述步骤处理的都是用户接触过的元素，如用户购买某一物品即为接触。
根据步骤2可以得到用户接触过的M个元素的动态表征，结合用户未接触过的K个静态表征，通过门控更新机制来融合元素的动态和静态表示，公式如下，
Figure 384021DEST_PATH_IMAGE014
Figure 309252DEST_PATH_IMAGE015
代表用户i的静态元素表征，
Figure 533560DEST_PATH_IMAGE016
代表用户
Figure 860636DEST_PATH_IMAGE017
的动态元素表征，
Figure 833402DEST_PATH_IMAGE018
和
Figure 245929DEST_PATH_IMAGE019
是可训练的参数，用来控制静态表征和动态表征的重要性，
Figure 8349DEST_PATH_IMAGE020
为针对用户
Figure 189931DEST_PATH_IMAGE017
所学习到的元素表征。最终得到总共N个元素的N个表征（N=M+K）；
步骤4：针对上述步骤3得到的N个元素的N个表征，通过一个线性输出层得到N个浮点数值，分别表示该用户下一时刻与该元素的交互概率，公式如下，
Figure 645183DEST_PATH_IMAGE021
Figure 482689DEST_PATH_IMAGE022
代表上述整体模型最终学习到的元素表征，wo和bo代表可学习参数，sigmoid是激活函数，将数值映射到0和1之间，
Figure 48800DEST_PATH_IMAGE023
表示用户i与元素交互的概率，概率越大表明交互的概率越高，概率越小表明交互的概率越小。
在真实数据集上的实验表明，即使使用部分训练数据，本发明的方法也可以获得有竞争力的表现（效率高），并且可以显著地优于现有方法（精度高）。
在真实的推荐系统中，针对具体用户，物品本身之间的属性关系以及用户的动态购买行为习惯是非常关键的信息，而本发明的模型正是良好的捕获了这些信息。上述步骤1通过构建集合级元素共现图，利用动态图的图卷积可以良好的学习元素之间的属性关系；上述步骤2通过基于注意力机制的序列学习，很好的获取到元素之间的时间依赖关系，也就是用户的动态行为习惯；最后，为了防止推荐物品的局限性，本发明针对用户未见过的商品，通过门控机制将物品的动态和静态信息融合，从而实现更加全面的推荐。基于上述三个关键部分，本发明的模型取得了显著的预测效果。
根据本发明的另一个实施例，提出一种基于深度神经网络的时序集合推荐系统，包括元素关系捕获模块、时间依赖性学习模块和门控更新机制模块；其中，
所述的元素关系捕获模块，用于构建、捕获、学习元素之间的属性关系；
所述的时间依赖性学习模块，用于获取元素之间的时间依赖关系；
所述的门控更新机制模块，用于将属性关系和时间依赖关系的动态信息和静态信息相融合。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于深度神经网络的时序集合推荐系统，其特征在于，包括：元素关系捕获模块、时间依赖性学习模块和门控更新机制模块；其中，
所述的元素关系捕获模块，用于构建、捕获、学习元素之间的属性关系；首先，将用户的历史行为序列数据构造为集合级共现图，根据元素间的共现频次得到图上每条边的权重信息，具有权重信息的集合级共现图称为动态关系图，然后对动态关系图进行图卷积，得到图上每个元素的一个表征，若序列长度为T，则每个元素有T个表征；
所述的时间依赖性学习模块，用于获取元素之间的时间依赖关系；针对得到的每个元素的T个表征，通过基于注意力的时间依赖学习模块来捕获序列中元素的时间依赖关系，然后通过加权求和和自适应的聚集时间信息将元素的多个表征融合为一个表征，从而得到M个元素的M个表征；
所述的门控更新机制模块，用于将属性关系和时间依赖关系的动态信息和静态信息相融合，根据得到用户接触过的M个元素的表征，结合用户未接触过的K个静态表征，通过门控更新机制来融合元素的动态和静态表示，最终得到总共N个元素的N个表征，N=M+K；
交互概率获取模块：用于针对上述门控更新机制模块得到的N个元素的N个表征，通过一个线性输出层得到N个浮点数值，分别表示该用户下一时刻与该N个元素的交互概率。
2.根据权利要求1所述的一种基于深度神经网络的时序集合推荐系统，其特征在于，所述元素关系捕获模块，首先通过构造集合级共现图来捕获元素关系，利用动态图的图卷积学习元素之间的属性关系。
3.根据权利要求1所述的一种基于深度神经网络的时序集合推荐系统，其特征在于，所述时间依赖性学习模块，能够捕获集合的历史序列中元素之间的时间依赖性，然后通过加权求和自适应地聚集时间信息得到元素表征。
4.根据权利要求1所述的一种基于深度神经网络的时序集合推荐系统，其特征在于，所述门控更新机制模块，通过融合元素的静态和动态表示，通过挖掘元素之间共享的动态时间模式来更全面预测结果。
5.一种基于深度神经网络的时序集合推荐方法，其特征在于，包括以下步骤：
步骤1：首先，将用户的历史行为序列数据构造为集合级共现图，根据元素间的共现频次得到图上每条边的权重信息，具有权重信息的集合级共现图称为动态关系图，然后对动态关系图进行图卷积，得到图上每个元素的一个表征，若序列长度为T，则每个元素有T个表征；
步骤2：针对上述步骤1得到的每个元素的T个表征，通过基于注意力的时间依赖学习模块来捕获序列中元素的时间依赖关系，然后通过加权求和和自适应的聚集时间信息将元素的多个表征融合为一个表征，从而得到M个元素的M个表征；
步骤3：上述步骤处理的都是用户接触过的元素，根据步骤2得到用户接触过的M个元素的表征，结合用户未接触过的K个静态表征，通过门控更新机制来融合元素的动态和静态表示，最终得到总共N个元素的N个表征，N=M+K；
步骤4：针对上述步骤3得到的N个元素的N个表征，通过一个线性输出层得到N个浮点数值，分别表示该用户下一时刻与该N个元素的交互概率。
CN202111323169.7A 2021-11-10 2021-11-10 一种基于深度神经网络的时序集合推荐系统和方法 Active CN113779101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111323169.7A CN113779101B (zh) 2021-11-10 2021-11-10 一种基于深度神经网络的时序集合推荐系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111323169.7A CN113779101B (zh) 2021-11-10 2021-11-10 一种基于深度神经网络的时序集合推荐系统和方法

Publications (2)

Publication Number Publication Date
CN113779101A CN113779101A (zh) 2021-12-10
CN113779101B true CN113779101B (zh) 2022-03-18

Family

ID=78956927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111323169.7A Active CN113779101B (zh) 2021-11-10 2021-11-10 一种基于深度神经网络的时序集合推荐系统和方法

Country Status (1)

Country Link
CN (1) CN113779101B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473100A (zh) * 2013-09-17 2013-12-25 中国科学院软件研究所 一种基于依赖关系的Web服务替换方法
WO2014063436A1 (zh) * 2012-10-25 2014-05-01 国网山东省电力公司电力科学研究院 基于时间序列和神经网络法的风电功率预测方法
CN107784167A (zh) * 2017-10-10 2018-03-09 北京理工大学 一种基于依赖性的集成唯象本构的多目标优化方法
CN110532471A (zh) * 2019-08-27 2019-12-03 华侨大学 基于门控循环单元神经网络的主动学习协同过滤方法
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111753209A (zh) * 2020-07-02 2020-10-09 南京工业大学 一种基于改进时序卷积网络的序列推荐列表生成方法
CN113112793A (zh) * 2021-03-29 2021-07-13 华南理工大学 一种基于动态时空相关性的交通流预测方法
CN113269603A (zh) * 2021-04-28 2021-08-17 北京智谱华章科技有限公司 面向推荐系统的时空图卷积方法和系统
CN113343077A (zh) * 2021-04-30 2021-09-03 南京大学 一种融合用户兴趣时序波动的个性化推荐方法及系统
CN113590900A (zh) * 2021-07-29 2021-11-02 南京工业大学 一种融合动态知识图谱的序列推荐方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014063436A1 (zh) * 2012-10-25 2014-05-01 国网山东省电力公司电力科学研究院 基于时间序列和神经网络法的风电功率预测方法
CN103473100A (zh) * 2013-09-17 2013-12-25 中国科学院软件研究所 一种基于依赖关系的Web服务替换方法
CN107784167A (zh) * 2017-10-10 2018-03-09 北京理工大学 一种基于依赖性的集成唯象本构的多目标优化方法
CN110532471A (zh) * 2019-08-27 2019-12-03 华侨大学 基于门控循环单元神经网络的主动学习协同过滤方法
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111753209A (zh) * 2020-07-02 2020-10-09 南京工业大学 一种基于改进时序卷积网络的序列推荐列表生成方法
CN113112793A (zh) * 2021-03-29 2021-07-13 华南理工大学 一种基于动态时空相关性的交通流预测方法
CN113269603A (zh) * 2021-04-28 2021-08-17 北京智谱华章科技有限公司 面向推荐系统的时空图卷积方法和系统
CN113343077A (zh) * 2021-04-30 2021-09-03 南京大学 一种融合用户兴趣时序波动的个性化推荐方法及系统
CN113590900A (zh) * 2021-07-29 2021-11-02 南京工业大学 一种融合动态知识图谱的序列推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于自注意力的协同演进土建";孙磊磊 等;《计算机工程与设计》;20210228;全文 *

Also Published As

Publication number Publication date
CN113779101A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN107330115B (zh) 一种信息推荐方法及装置
CN112989064B (zh) 一种聚合知识图神经网络和自适应注意力的推荐方法
Chen et al. FASCINATE: fast cross-layer dependency inference on multi-layered networks
CN112532439B (zh) 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法
US20240265309A1 (en) Item recommendation method and apparatus, and storage medium
CN107423442A (zh) 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
US20090083207A1 (en) Event-Based Anticipation Systems, Methods and Computer Program Products for Associative Memories
CN112800342B (zh) 基于异质信息的推荐方法、系统、计算机设备和存储介质
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
CN108960304A (zh) 一种网络交易欺诈行为的深度学习检测方法
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
CN106897404A (zh) 一种基于多gru层神经网络的推荐方法与系统
CN107292097A (zh) 基于特征组的特征选择方法、及中医主症选择方法
CN112632296B (zh) 基于知识图谱具有可解释性的论文推荐方法及系统、终端
CN113918834B (zh) 融合社交关系的图卷积协同过滤推荐方法
CN113918833A (zh) 通过社交网络关系的图卷积协同过滤实现的产品推荐方法
CN114036405A (zh) 一种基于图卷积网络的社交推荐方法与系统
CN112257959A (zh) 用户风险预测方法、装置、电子设备及存储介质
CN115880027A (zh) 一种电子商务网站商品季节性预测模型创建方法
CN114511023A (zh) 分类模型训练方法以及分类方法
CN111402028A (zh) 一种信息处理方法、装置及设备
CN114254738A (zh) 双层演化的动态图卷积神经网络模型构建方法及应用
CN109697511B (zh) 数据推理方法、装置及计算机设备
CN113779101B (zh) 一种基于深度神经网络的时序集合推荐系统和方法
CN108764489B (zh) 基于虚拟样本的模型训练方法及设备

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