CN113806630A - 基于注意力的多视角特征融合跨域推荐方法及装置 - Google Patents
基于注意力的多视角特征融合跨域推荐方法及装置 Download PDFInfo
- Publication number
- CN113806630A CN113806630A CN202110896075.2A CN202110896075A CN113806630A CN 113806630 A CN113806630 A CN 113806630A CN 202110896075 A CN202110896075 A CN 202110896075A CN 113806630 A CN113806630 A CN 113806630A
- Authority
- CN
- China
- Prior art keywords
- domain
- features
- feature
- migratable
- fusion
- 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 34
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012512 characterization method Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000003993 interaction Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000004576 sand Substances 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
- G06F16/9535—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
Description
技术领域
本发明属于软件技术领域,尤其涉及一种基于注意力的多视角特征融合跨域推荐方法及装置。
背景技术
近年来,跨域推荐由于能够缓解推荐系统中长期存在的数据稀疏问题和冷启动问题而引起了研究学者的广泛关注。跨域推荐的目的是利用源域的信息来丰富目标域,因此可以有效缓解目标域中的数据稀疏问题和冷启动问题。例如,中国专利(申请号:CN202011605125.9,申请公布号:CN112699310A)首先获取源域和目标域的数据,并对源域和目标域的数据进行筛选,获取源域和目标域数据的公共用户数据,将公共用户数据作为训练数据。然后,获取训练数据中公共用户的基本信息以及评论数据,对基本信息及评论数据进行文本向量的转换,生成文本向量并针对文本向量生成集合。紧接着,构建自编码器对集合中的文本向量进行训练,输出公共用户评分特征集合。将集合中的公共用户评分特征进行串联操作作为深度神经网络的输入,将公共用户目标域的预测评分数据作为输出,构建跨域推荐模型。最后,获取预设量的公共用户足迹数据,使用预设量的公共用户足迹数据作为推荐数据,将推荐数据输入跨域推荐模型运算,输出对公共用户的推荐物品。该方法通过学习源域到目标域的相关性非线性映射,为目标域提供推荐依据,可以有效缓解目标域中的数据稀疏问题和冷启动问题。中国专利(申请号:CN201710188924.2,申请公布号:CN106951547A)首先对源域和目标域的数据进行处理,筛选出公共用户。然后,将公共用户在两个域的数据进行融合,组成一个新的评分矩阵,并对分数进行均一化处理,借助用户相似度计算公式进行计算。该方法可以完全依靠原有领域的数据计算用户相似度,最终产生推荐,一定程度上解决了用户冷启动问题。该方法迁移公共用户在源域中的数据到目标域中,增强目标域的数据丰富度,从而得到更为准确的个性化推荐结果。
但是现有跨域推荐方法侧重于学习公共用户的特征,并将这些特征从源域迁移到目标域,使得这类方法很难捕获到源域和目标域之间的潜在可迁移特征。强行将源域中公共用户的特征迁移到目标域有时不但不能增强目标域的数据丰富度,反而会引入噪音降低目标域的推荐准确度。例如,如果张三看过一部推理过程中涉及数学知识的悬疑电影,张三可能会对一本数学书感兴趣。但是,现有方法无法在电影域和书籍域之间捕获这种潜在的可迁移特征。现有方法可能会尝试将电影域中电影的类型迁移到书籍域,向张三推荐一本悬疑小说。然而,如果张三看这部悬疑电影是因为喜欢电影中的某个演员,推荐悬疑小说给张三显然是不合适的。
发明内容
针对现有跨域推荐方法的不足,本发明提出了一种基于多维度特征融合的跨域推荐方法及装置。该方法首先构造3个不同的异质信息网络GS、GT和GST,分别存储源域的公共用户-物品历史交互记录、目标域的公共用户-物品历史交互记录以及源域和目标域公共用户-物品历史交互记录的集合。然后,我们同时从3个不同的异质信息网络GS、GT和GST中学习公共用户和物品的特征。其中,源域和目标域之间的潜在可迁移特征是从异质信息网络GST中获取的,公共用户和物品在各自域内的域特性特征分别是从异质信息网络GS和GT中获取的。从而,公共用户和物品在不同域间的潜在可迁移特征以及各自域内的域特性特征可以共同作用进行目标域内推荐准确度的提高。接下来,我们设计了一种基于注意力的多维度特征融合算法,用来进行不同类型特征的有机结合。通过考虑不同类型特征的不同重要性,我们对这些特征进行充分地利用,从而向公共用户推荐合适的物品。
本发明采用的技术方案如下:
一种基于注意力的多视角特征融合跨域推荐方法,其步骤包括:
1)提取源域与目标域之间的公共用户,并在源域与目标域中,分别构建公共用户-物品历史交互记录的第一训练集与第二训练集,其中第一训练集与第二训练集分别包含若干正样本及若干负样本;
2)基于第一训练集与第二训练集,分别提取公共用户在源域的域特性特征公共用户与物品在目标域的域特性特征与域特性特征IT、公共用户与物品在源域与目标域之间的潜在可迁移特征与潜在可迁移特征并进行相应的特征融合,得到公共用户融合特征U′T及物品融合特征I′T;
3)基于公共用户融合特征U′T、物品融合特征I′T及相应样本标识进行训练,并在得出最优模型的基础上,利用第一训练集与第二训练集得到最优偏好预测集;
4)利用最优偏好预测集,对公共用户进行目标域中的物品推荐。
进一步地,通过以下步骤得到公共用户融合特征U′T:
进一步地,通过以下步骤得到最优模型的输出:
1)将公共用户融合特征U′T及物品融合特征I′T输入偏好预测层,其中偏好预测层的结构包括:一多层感知机;
2)利用多层感知机学习公共用户与物品之间的高阶非线性特征交互关系,获取最优模型的输出。
进一步地,训练最优模型时,使用的损失函数包括:交叉熵损失函数。
一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行以上所述方法。
一种电子装置,包括存储器和处理器,其中存储器存储执行以上所述方法的程序。
与现有的技术相比,本发明的优点在于:
1.本发明针对现有跨域推荐方法侧重于分别学习公共用户在各自域的特征,忽略了源域和目标域之间潜在可迁移特征的捕获的问题,构造3个不同的异质信息网络GS、GT和GST,分别存储源域的公共用户-物品历史交互记录、目标域的公共用户-物品历史交互记录以及源域和目标域公共用户-物品历史交互记录的集合。然后,从异质信息网络GST中提取公共用户和物品在源域和目标域之间的潜在可迁移特征,从GS中提取公共用户和物品在源域的域特性特征,从GT中提取公共用户和物品在目标域的域特性特征。从而,公共用户和物品在不同域间的潜在可迁移特征以及各自域内的域特性特征可以共同作用,增强目标域的数据丰富度并进行目标域内推荐准确度的提高。
2.本发明针对现有跨域推荐方法中,不同类型的特征区分力不强,重要特征贡献度低的问题,提出基于注意力的多维度特征融合算法来学习不同类型特征的重要性。通过学习,对不同类型的特征设置不同的权值,重要的特征设置较高的权值,次要的特征设置较低的权值,增加重要特征的贡献力,实现不同类型特征的有机结合和充分利用,进而提高推荐系统的性能。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的偏好预测架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明做进一步详细说明。
本发明提出的基于注意力的多视角特征融合跨域推荐方法,提供了一个完整的偏好预测架构,主要由异质信息网络的构建、特征的提取、特征的融合和偏好预测4部分组成。
通过对偏好预测模型的训练,异质信息网络构建层首先构造3个不同的异质信息网络GS、GT和GST,分别存储源域的公共用户-物品历史交互记录、目标域的公共用户-物品历史交互记录以及源域和目标域公共用户-物品历史交互记录的集合。然后,特征提取层同时从3个不同的异质信息网络GS、GT和GST中提取公共用户和物品的特征。其中,源域和目标域之间的潜在可迁移特征是从异质信息网络GST中提取得到的,公共用户和物品在源域的域特性特征是从异质信息网络GS中提取得到的,公共用户和物品在目标域的域特性特征是从异质信息网络GT中提取得到的。通过提取不同类型的特征,可以实现特征的共同作用,进而提高目标域内推荐的准确度。紧接着,特征融合层设计了一种基于注意力的多维度特征融合算法,通过学习不同类型特征的重要性可以实现不同类型特征的有机结合。因此,可以对不同类型的特征进行充分利用并提高推荐系统的性能。最后,偏好预测层通过一个多层感知机来计算公共用户对物品的喜好程度,进而推荐合适的物品给公共用户。
下面以源域和目标域中共有m个公共用户,目标域中有n个物品为例,对本发明进行进一步的说明。
图1为事件检测流程图,包括数据预处理,构建偏好预测架构,训练偏好预测模型,推荐物品给公共用户四个部分。
步骤1.数据预处理。
首先从源域和目标域中提取出m个公共用户,将源域中公共用户的历史交互记录作为训练集,将目标域中公共用户的历史交互记录划分为训练集和测试集两部分。其中,每一条历史交互记录都有标为1的标签代表用户与物品有过交互。另外,为训练集中每个用户随机采样4个未交互物品作为负样本,为测试集中每个用户随机采样99个未交互物品作为负样本,标签统一设置为0;
步骤2.构建偏好预测架构。
图2是本发明的偏好预测架构示意图。该架构主要由异质信息网络的构建、特征的提取、基于注意力的多维度特征融合算法和偏好预测4部分组成。首先,构建3个不同的异质信息网络GS、GT和GST。其中,GS用来存储源域的公共用户-物品历史交互记录,GT用来存储目标域的公共用户-物品历史交互记录,GST用来存储源域和目标域公共用户-物品历史交互记录的集合。紧接着,从3个不同的异质信息网络GS、GT和GST中提取公共用户和物品的特征。其中,从异质信息网络GST中提取得到公共用户和目标域中的物品在源域和目标域之间的潜在可迁移特征矩阵和从异质信息网络GS中提取得到公共用户在源域的域特性特征矩阵从异质信息网络GT中提取得到公共用户和物品在目标域的域特性特征矩阵和IT。然后,通过一个多层注意力网络来学习公共用户在源域的域特性特征、目标域的域特性特征以及源域和目标域之间潜在可迁移特征的权值矩阵和 同时,学习物品在目标域的域特性特征以及源域和目标域之间潜在可迁移特征的权值矩阵WT和1-WT。通过公式和实现公共用户和物品不同类型特征的有机结合和充分利用,得到公共用户的加权特征矩阵U′T和物品的加权特征矩阵I′T,其中,和分别表示源域中公共用户的域特性特征矩阵和它的权值矩阵,和分别表示目标域中公共用户的域特性特征矩阵和它的权值矩阵,表示公共用户在源域和目标域之间的潜在可迁移特征矩阵。IT和WT分别表示目标域中物品的域特性特征矩阵和它的权值矩阵,则表示目标域中的物品在源域和目标域之间的潜在可迁移特征矩阵。最后,通过多层感知机来学习目标域中公共用户加权特征和物品加权特征之间的高阶非线性特征交互关系,得到公共用户对物品的偏好预测矩阵进而向公共用户推荐合适的物品;
步骤3.训练偏好预测模型。
首先,将训练集中公共用户与物品的交互记录输入到网络构建层,分别得到3个不同的异质信息网络GS、GT和GST。然后,从异质信息网络GST中提取得到公共用户和目标域中的物品在源域和目标域之间的潜在可迁移特征矩阵和从异质信息网络GS中提取得到公共用户在源域的域特性特征矩阵从异质信息网络GT中提取得到公共用户和物品在目标域的域特性特征矩阵和IT。紧接着,将获取到的不同类型的特征输入到多层注意力网络中,自动学习得出公共用户和物品特征的权值,通过公式 和实现公共用户和物品不同类型特征的有机结合和充分利用,得到公共用户的加权特征矩阵U′T和物品的加权特征矩阵I′T。最后,将各加权特征矩阵输入多层感知机来学习特征间的高阶非线性特征交互关系,得到公共用户对物品的偏好预测矩阵根据交叉熵损失函数计算模型的损失并更新网络参数,不断重复直至模型收敛且在测试集上的效果达到最优,从而训练得出最优模型;
步骤4.推荐物品给用户。
在步骤3训练得出最优模型的基础上,利用训练集中的数据得到最优偏好预测集。根据测试集中公共用户的ID和待预测物品的ID从偏好预测集中查找出相应的用户对物品的偏好预测值并对其进行排序,将前K个偏好预测值较高的物品推荐给用户。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (9)
1.一种基于注意力的多视角特征融合跨域推荐方法,其步骤包括:
1)提取源域与目标域之间的公共用户,并在源域与目标域中,分别构建公共用户-物品历史交互记录的第一训练集与第二训练集,其中第一训练集与第二训练集分别包含若干正样本及若干负样本;
2)基于第一训练集与第二训练集,分别提取公共用户在源域的域特性特征公共用户与物品在目标域的域特性特征与域特性特征IT、公共用户与物品在源域与目标域之间的潜在可迁移特征与潜在可迁移特征并进行相应的特征融合,得到公共用户融合特征U′T及物品融合特征I′T;
3)基于公共用户融合特征U′T、物品融合特征I′T及相应样本标识进行训练,并在得出最优模型的基础上,利用第一训练集与第二训练集得到最优偏好预测集;
4)利用最优偏好预测集,对公共用户进行目标域中的物品推荐。
6.如权利要求1所述的方法,其特征在于,通过以下步骤得到最优模型的输出:
1)将公共用户融合特征U′T及物品融合特征I′T输入偏好预测层,其中偏好预测层的结构包括:一多层感知机;
2)利用多层感知机学习公共用户与物品之间的高阶非线性特征交互关系,获取最优模型的输出。
7.如权利要求1所述的方法,其特征在于,训练最优模型时,使用的损失函数包括:交叉熵损失函数。
8.一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1-7中任一所述方法。
9.一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行如权利要求1-7中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896075.2A CN113806630A (zh) | 2021-08-05 | 2021-08-05 | 基于注意力的多视角特征融合跨域推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896075.2A CN113806630A (zh) | 2021-08-05 | 2021-08-05 | 基于注意力的多视角特征融合跨域推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113806630A true CN113806630A (zh) | 2021-12-17 |
Family
ID=78893414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110896075.2A Pending CN113806630A (zh) | 2021-08-05 | 2021-08-05 | 基于注意力的多视角特征融合跨域推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806630A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438732A (zh) * | 2022-09-06 | 2022-12-06 | 重庆理工大学 | 面向冷启动用户基于分类偏好迁移的跨域推荐方法 |
CN115757529A (zh) * | 2023-01-06 | 2023-03-07 | 中国海洋大学 | 基于多元辅助信息融合的跨域共性迁移推荐方法和系统 |
CN116910375A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于用户偏好多样性的跨域推荐方法及系统 |
CN117688247A (zh) * | 2024-01-31 | 2024-03-12 | 云南大学 | 推荐方法、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245285A (zh) * | 2019-04-30 | 2019-09-17 | 中国科学院信息工程研究所 | 一种基于异构信息网络的个性化推荐方法 |
CN110516165A (zh) * | 2019-08-28 | 2019-11-29 | 安徽农业大学 | 一种基于文本ugc的混合神经网络跨领域推荐方法 |
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN112288042A (zh) * | 2020-12-18 | 2021-01-29 | 蚂蚁智信(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置、存储介质和计算设备 |
CN112417298A (zh) * | 2020-12-07 | 2021-02-26 | 中山大学 | 一种基于少量重叠用户的跨域推荐方法及系统 |
CN112464097A (zh) * | 2020-12-07 | 2021-03-09 | 广东工业大学 | 一种多辅助域信息融合跨域推荐方法与系统 |
-
2021
- 2021-08-05 CN CN202110896075.2A patent/CN113806630A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN110245285A (zh) * | 2019-04-30 | 2019-09-17 | 中国科学院信息工程研究所 | 一种基于异构信息网络的个性化推荐方法 |
CN110516165A (zh) * | 2019-08-28 | 2019-11-29 | 安徽农业大学 | 一种基于文本ugc的混合神经网络跨领域推荐方法 |
CN112417298A (zh) * | 2020-12-07 | 2021-02-26 | 中山大学 | 一种基于少量重叠用户的跨域推荐方法及系统 |
CN112464097A (zh) * | 2020-12-07 | 2021-03-09 | 广东工业大学 | 一种多辅助域信息融合跨域推荐方法与系统 |
CN112288042A (zh) * | 2020-12-18 | 2021-01-29 | 蚂蚁智信(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置、存储介质和计算设备 |
Non-Patent Citations (1)
Title |
---|
赵志勇;王卓然;: "基于设计管理方法应用的产品开发实证研究", 工业工程与管理, no. 04, 10 August 2013 (2013-08-10) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438732A (zh) * | 2022-09-06 | 2022-12-06 | 重庆理工大学 | 面向冷启动用户基于分类偏好迁移的跨域推荐方法 |
CN115757529A (zh) * | 2023-01-06 | 2023-03-07 | 中国海洋大学 | 基于多元辅助信息融合的跨域共性迁移推荐方法和系统 |
CN115757529B (zh) * | 2023-01-06 | 2023-05-26 | 中国海洋大学 | 基于多元辅助信息融合的跨域共性迁移推荐方法和系统 |
CN116910375A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于用户偏好多样性的跨域推荐方法及系统 |
CN116910375B (zh) * | 2023-09-13 | 2024-01-23 | 南京大数据集团有限公司 | 一种基于用户偏好多样性的跨域推荐方法及系统 |
CN117688247A (zh) * | 2024-01-31 | 2024-03-12 | 云南大学 | 推荐方法、终端设备及存储介质 |
CN117688247B (zh) * | 2024-01-31 | 2024-04-12 | 云南大学 | 推荐方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Weakly supervised user profile extraction from twitter | |
Nie et al. | Data-driven answer selection in community QA systems | |
CN111177575A (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
CN113806630A (zh) | 基于注意力的多视角特征融合跨域推荐方法及装置 | |
Yang et al. | Tag-based expert recommendation in community question answering | |
CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
Zhang et al. | Cross-domain recommendation with semantic correlation in tagging systems | |
Guo et al. | User relationship strength modeling for friend recommendation on Instagram | |
CN109992674B (zh) | 一种融合自动编码器和知识图谱语义信息的推荐方法 | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
Wang et al. | Long video question answering: A matching-guided attention model | |
Cong | Personalized recommendation of film and television culture based on an intelligent classification algorithm | |
Liu | A survey of deep learning approaches for recommendation systems | |
Kumar et al. | Word semantics based 3-d convolutional neural networks for news recommendation | |
Dai et al. | BTR: a feature-based Bayesian task recommendation scheme for crowdsourcing system | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
CN116308685A (zh) | 一种基于方面情感预测和协同过滤的产品推荐方法及系统 | |
Liu et al. | Identifying experts in community question answering website based on graph convolutional neural network | |
Deng et al. | Neural variational collaborative filtering with side information for top-K recommendation | |
Li et al. | Graph-based relation-aware representation learning for clothing matching | |
Xu et al. | Towards annotating media contents through social diffusion analysis | |
CN113239159A (zh) | 基于关系推理网络的视频和文本的跨模态检索方法 | |
Xiao et al. | Research and implementation of hybrid recommendation algorithm based on collaborative filtering and word2vec | |
Zeng et al. | Neural collaborative autoencoder for recommendation with co-occurrence embedding |
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 |