CN114036380A - 一种基于时间门控循环单元的跨领域序列智能推荐方法 - Google Patents

一种基于时间门控循环单元的跨领域序列智能推荐方法 Download PDF

Info

Publication number
CN114036380A
CN114036380A CN202111313875.3A CN202111313875A CN114036380A CN 114036380 A CN114036380 A CN 114036380A CN 202111313875 A CN202111313875 A CN 202111313875A CN 114036380 A CN114036380 A CN 114036380A
Authority
CN
China
Prior art keywords
user
time
domain
sequence
fields
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
Application number
CN202111313875.3A
Other languages
English (en)
Inventor
王进
罗杰
周阳
杜雨露
陈宇航
邓欣
朴昌浩
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.)
Shenzhen Hongyue Enterprise Management Consulting Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111313875.3A priority Critical patent/CN114036380A/zh
Publication of CN114036380A publication Critical patent/CN114036380A/zh
Pending legal-status Critical Current

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
    • G06F16/90—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
    • G06N3/04—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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

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

Abstract

本发明请求保护一种基于时间门控循环单元的跨领域序列智能推荐方法，所述方法包括：对两个领域的数据集进行预处理；将用户在两个领域的历史行为序列按照时间先后顺序合并成一个序列；使用时间门控循环单元对跨领域序列进行建模；通过两个领域特定子网络建模分别得到两个领域候选行为的概率分布，然后同时对两个领域作下一个行为推荐。本发明通过增加领域感知的时间门来解决跨领域序列中相邻行为时间间隔不一致问题；并且还增加了一个基于用户偏好的用户门，可以对目标用户实现个性化推荐。本发明可以在一定程度缓解数据稀疏、用户冷启动等常见问题。

Description

一种基于时间门控循环单元的跨领域序列智能推荐方法
技术领域
本发明属于信息检索，推荐系统领域，具体设计一种基于时间门控循环单元的跨领域序列智能推荐方法。
背景技术
随着互联网行业的蓬勃发展，信息过载日趋明显，而用户精力有限，很难获取到自己感兴趣的内容。推荐系统的诞生正是为了解决上述问题，而推荐系统也面临诸多挑战，比如：数据稀疏、冷启动等问题。现在的一些推荐系统，不论是用户数量还是物品数量动辄百千万计，而每个用户会发生交互的物品通常不是很多，这也就是面临的数据稀疏问题。冷启动问题又可以分为：用户冷启动、物品冷启动以及系统冷启动。用户冷启动要解决的问题是如何给新用户做推荐；物品冷启动就是研究如何把新物品推荐给用户；对于一个新系统而言，没有用户历史行为信息，在这种情况下做推荐就是系统冷启动。
目前，已经有大量针对数据稀疏和冷启动问题的研究，跨领域推荐就是其中之一。跨领域推荐可以将多个领域的数据结合在一起，通过迁移学习、特征交互等方法来提升推荐效果，可以一定程度缓解数据稀疏和部分冷启动问题。协同过滤是推荐领域比较经典的一种方法，使用用户和物品的特征向量来对用户-物品进行打分；该方法实现简单，但没考虑用户历史行为信息。所谓序列建模，就是对用户历史行为序列进行建模，并给用户推荐其可能感兴趣的物品；常用的方法有循环神经网络、注意力机制以及Transformer等。相对于传统方法，序列推荐效果更好。跨领域序列推荐(CDSR)就是同时对多个领域的用户历史行为序列进行建模，然后对多个领域进行推荐。目前，大部分CDSR方法都使用到了循环神经网络来对序列进行建模，但这些方法都默认序列中每两个相邻物品之间的时间间隔是一致的。另外，在个性化推荐方面，大部分序列建模方法在建模时没有将用户信息引入门机制。
经过检索，最接近的现有技术1，CN109544306B，一种基于用户行为序列特征的跨领域推荐方法，包括：分别获得目标用户在辅助域和目标域的交互项目序列，通过跨领域推荐模型的嵌入层分别获得目标用户在辅助域和目标域中的用户嵌入矩阵和项目嵌入矩阵，然后经过LSTM层分别获取目标用户在辅助域和目标域中的总偏好特征，最后经过MLP层处理，将用户在辅助域中的总偏好特征迁移到目标域中，通过计算得到目标用户在目标域中对每个项目的喜好得分，并在目标域中为目标用户推荐接下来一段时间内可能购买或者访问的项目。应用本发明实施所提供的技术方案，提高了目标域的推荐准确性，提升了推荐性能。
最接近的现有技术2，CN113297487A，一种基于注意力机制增强门控循环单元的序列推荐系统，其特征在于，包括数据预处理模块、输入序列嵌入模块、信息抽取模块、信息增强模块、推荐模块；所述数据预处理模块用于构建模型的输入样本，所述输入样本为用户的行为序列信息，所述模块将用户的行为信息按照发生时间的顺序确定用户行为序列的先后顺序；所述输入序列嵌入模块用来将独热变量转换为稠密向量，所述独热变量为所述数据预处理模块的输出；所述信息抽取模块从嵌入向量中抽取用户偏好信息，所述偏好信息包括长期偏好和短期偏好信息并由门控循环单元结构获取，所述门控循环单元每个时间刻都会输出当前的偏好信息，使用最后一个时间刻信息作为所述短期偏好信息，使用偏好的算术平均作为所述长期偏好信息；所述信息增强模块将所述信息抽取模块的输出信息进行增强，捕获更多关于用户偏好信息；所述推荐模块在测试集上将所述信息增强模块的输出与候选推荐项目进行匹配，并对模型的推荐性能进行评估，同时按照匹配得分排序，取得分最高若干项目，并将其推荐给用户。
专利1《一种基于用户行为序列特征的跨领域推荐方法及装置》中所提出的方法是分别对源领域和目标领域的历史交互项目序列建模，并且序列建模采用的是LSTM，而我们是对源领域和目标领域合并后的跨领域序列进行建模，序列建模采用我们提出的时间门控循环单元，我们的方法考虑到了时间间隔以及个性化等问题。并且，专利1只为了提升目标领域的推荐效果，而我们的方法为了同时提升两个领域的推荐效果。
专利2《一种基于注意力机制增强门控循环单元的序列推荐系统及方法》是对单领域历史行为序列进行建模，序列建模采用的是GRU，我们的方法是对跨领域序列进行建模，并且建模方法是经过我们改进后的GRU，将时间间隔和用户信息考虑进去了。
发明内容
本发明旨在解决以上现有技术数据稀疏、物品冷启动、时间间隔、个性化等问题，提出了一种基于时间门控循环单元的跨领域序列智能推荐方法。本发明的技术方案如下：
一种基于时间门控循环单元的跨领域序列智能推荐方法，其包括以下步骤：
获取两个领域的数据集，两个领域指的是源领域与目标领域，并对两个领域的数据集进行包括用户和物品过滤的预处理；将用户在两个领域的历史行为序列按照时间先后顺序合并成一个跨领域序列；使用时间门控循环单元对跨领域序列进行建模，时间门控循环单元指的是在GRU的基础上作了改进，融入了时间间隔和用户信息；通过两个领域特定子网络建模分别得到两个领域候选行为的概率分布，两个领域特定子网络分别是源领域特定子网络和目标领域特定子网络，网络结构都是由前馈神经网络组成，然后同时对两个领域作下一个行为推荐。
进一步的，所述对两个领域的数据集进行数据预处理包括：统计源领域与目标领域的重叠用户U＝Uα∩Uβ，Uα表示源领域的用户集合，Uβ表示目标领域的用户集合；然后过滤掉源领域中不属于重叠用户的行为记录之后得到物品集合S，再过滤掉目标领域中不属于重叠用户的行为记录之后得到物品集合T。
进一步的，所述将用户在两个领域的历史行为序列按照时间先后顺序合并成一个序列具体步骤为：对于每一个用户u∈U，将其在两个领域的行为序列按照时间先后顺序合并为一个序列
Figure BDA0003342895690000041
其中，
Figure BDA0003342895690000042
k表示该用户在两个领域的历史行为总数。
进一步的，所述的时间门控循环单元主要由3部分组成，分别是重置门ri、更新门zi以及候选激活状态
Figure BDA0003342895690000043
组成，重置门和候选激活状态跟GRU保持一致，更新门由用户门ui和时间门gi通过矩阵变换得到，其中，用户门决定用户对当前物品的喜爱程度，时间门反应了当前物品对下一个物品的影响大小；最后，取出DTGRU最后一个时间步的特征向量ht-1作为两个领域行为的整体特征表示。
进一步的，更新门zi由用户门ut、时间门gt通过矩阵变换得到：
Figure BDA0003342895690000044
Figure BDA0003342895690000049
zi＝σ(Wτui+Wυgi)
其中，φ表示tanh激活函数，σ表示sigmoid激活函数，Wu，Vu，Wτ，Wυ表示权重矩阵，bz，bt表示偏置项，Δti表示序列su中第i个物品与第i+1个物品之间的时间间隔，另外，时间间隔Δti的类型不同，参数
Figure BDA00033428956900000410
的取值也不同：
Figure BDA0003342895690000045
时间间隔共有4种不同类型：
Figure BDA0003342895690000046
其中，domaini表示第i个物品属于哪一个领域，source表示源领域，target表示目标领域。
进一步的，候选激活状态
Figure BDA0003342895690000047
Figure BDA0003342895690000048
其中，φt表示tanh激活函数，Wn，Vn表示权重矩阵，
Figure BDA0003342895690000051
表示用户u的第i个行为对应的embedding向量，ri表示第i个行为时的重置门。
进一步的，所述的两个领域特定子网络分别是指：源领域特定子网络fS(x)和目标领域特定子网络fT(x)；
Figure BDA0003342895690000052
Figure BDA0003342895690000053
其中，γ表示relu激活函数，
Figure BDA0003342895690000054
表示权重矩阵，
Figure BDA0003342895690000055
表示偏置项。
进一步的，所述通过领域特定子网络得到两个领域的所有候选物品的概率分布，具体包括：
Figure BDA0003342895690000056
Figure BDA0003342895690000057
在得到两个领域的概率分布之后，即可将各自概率最大的物品同时推荐给用户，模型损失函数
Figure BDA00033428956900000510
为两个领域的交叉熵损失相加，之后采用随机梯度下降算法对模型参数进行优化：
Figure BDA0003342895690000058
Figure BDA0003342895690000059
Figure BDA00033428956900000511
其中，λ是一个可调节参数，用于控制正则项的占比大小，Θ表示模型所有的参数集合。
本发明的优点及有益效果如下：
1、本方法同时对两个领域进行建模，并对两个领域同时预测，在效率上比单领域序列建模方法更有优势，在一定程度上缓解了数据稀疏问题。另外，两个领域在交互过程中可以起到相互促进的作用，可以同时提升两个领域的推荐效果。首先，现有数据往往都是以单领域的形式呈现，比如电影、音乐数据，所以现有大多数序列建模方法都是基于单领域的；而用户行为却是多个领域相互影响的，虽然现在也有很多跨领域的方法，但很多方法都是利用源领域来辅助目标领域学习，只提升目标领域效果，即使有同时考虑提升两个领域的方法，但也不是基于序列建模的方式。
2.本方法可以应用于用户冷启动场景。例如，用户只在源领域有历史行为记录，但在目标领域没有，而仍然可以将单领域的序列作为我们的输入，并同时对两个领域进行预测、推荐，这是单领域推荐方法所不具备的。
3.本方法设计了一种考虑两个相邻历史行为时间间隔的时间门，并且根据两个行为所属领域的不同对模型参数进行了区分，更细粒度地表达出来不同类型时间间隔的影响，起到了更好的推荐作用。另外，我们还设计了一个用户门，引入了用户偏好信息，起到了个性化推荐的作用。
在结构上，两个对比文件分别用原生的LSTM和GRU，并且都是基于单领域的序列建模。我们的方法对融合后的序列进行建模，可以捕捉到不同领域间行为的相互影响。另外，由于原生GRU没有考虑到时间间隔和用户兴趣，我们对原生GRU进行了改进，增加了时间门和用户门来捕捉相邻项目的联系以及用户偏好。
附图说明
图1是本发明提供优选实施例基于时间门控循环单元的跨领域序列智能推荐方法的流程图；
图2是根据本发明一个实施例的跨领域序列推荐模型的示意图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，一种基于时间门控循环单元的跨领域序列智能推荐方法，包括以下步骤：
步骤101，对数据集进行预处理，将用户在两个领域的历史行为序列按照时间先后顺序合并成一个序列。
具体地，对数据集进行预处理包括：首先统计源领域(Source domain)与目标领域(Target domain)的重叠用户U＝US∩UT，然后过滤掉源领域中不属于重叠用户的行为记录之后得到物品集合S，再过滤掉目标领域中不属于重叠用户的行为记录之后得到物品集合T。
具体地，将用户在两个领域的历史行为序列按照时间先后顺序合并成一个序列是指：对于每一个用户u∈U，将其在两个领域的行为序列按照时间先后顺序合并为一个序列
Figure BDA00033428956900000710
其中，
Figure BDA0003342895690000071
k表示该用户在两个领域的历史行为总数。对于序列su中每一个物品
Figure BDA0003342895690000072
其与下一个交互物品
Figure BDA0003342895690000073
之间的时间间隔记为Δti，考虑到当前物品和下一个物品所属的领域，可以将Δti分为以下4种类型：
Figure BDA0003342895690000074
令输入模型的序列长度为L，我们需要对用户u的前L个历史行为来建模预测其在两个领域的下一个行为
Figure BDA0003342895690000075
模型的输入包括物品embedding向量序列
Figure BDA0003342895690000076
用户的embedding向量U以及时间间隔向量
Figure BDA0003342895690000077
步骤102，使用时间门控循环单元对跨领域序列进行建模。
参见图2所示，时间门控循环单元(DTGRU)计算公式为：
Figure BDA0003342895690000078
Figure BDA0003342895690000079
Figure BDA0003342895690000089
zi＝σ(Wτui+Wυgi)
Figure BDA0003342895690000081
Figure BDA0003342895690000082
其中，φ表示tanh激活函数，σ表示sigmoid激活函数，Wr，Vr，Wu，Vu，Wτ，WυWn，Vn表示权重矩阵，br，bz，bt，bn表示偏置项，Δti表示序列su中第i个物品与第i+1个物品之间的时间间隔。另外，每个时间步的时间间隔Δti的类型不同，参数
Figure BDA00033428956900000810
的取值也不同：
Figure BDA0003342895690000083
DTGRU主要由3部分组成，分别是重置门ri、更新门zi以及候选激活状态
Figure BDA00033428956900000811
组成。其中，重置门和候选激活状态跟GRU保持一致，更新门由用户门ui和时间门gi通过矩阵变换得到。其中，用户门决定用户对当前物品的喜爱程度，时间门反应了当前物品对下一个物品的影响大小。最后，取出DTGRU最后一个时间步的特征向量ht-1作为两个领域行为的整体特征表示。
步骤103，通过两个领域特定子网络建模分别得到两个领域候选行为的概率分布，然后同时对两个领域作下一个行为推荐。
具体地，定义两个领域的特定子网络fS，fT：
Figure BDA0003342895690000084
Figure BDA0003342895690000085
其中，γ表示relu激活函数，
Figure BDA00033428956900000812
表示权重矩阵，
Figure BDA0003342895690000086
表示偏置项。通过领域特定子网络得到两个领域的所有候选物品的概率分布：
Figure BDA0003342895690000087
Figure BDA0003342895690000088
在得到两个领域的概率分布之后，即可将各自概率最大的物品同时推荐给用户。模型损失函数
Figure BDA0003342895690000093
为两个领域的交叉熵损失相加，之后采用随机梯度下降算法对模型参数进行优化：
Figure BDA0003342895690000091
Figure BDA0003342895690000092
Figure BDA0003342895690000094
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，包括以下步骤：
获取两个领域的数据集，两个领域指的是源领域与目标领域，并对两个领域的数据集进行包括用户和物品过滤的预处理；将用户在两个领域的历史行为序列按照时间先后顺序合并成一个跨领域序列；使用时间门控循环单元对跨领域序列进行建模，时间门控循环单元指的是在GRU的基础上作了改进，融入了时间间隔和用户信息；通过两个领域特定子网络建模分别得到两个领域候选行为的概率分布，两个领域特定子网络分别是源领域特定子网络和目标领域特定子网络，网络结构都是由前馈神经网络组成，然后同时对两个领域作下一个行为推荐。
2.根据权利要求一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，所述对两个领域的数据集进行数据预处理包括：统计源领域与目标领域的重叠用户U＝Uα∩Uβ，Uα表示源领域的用户集合，Uβ表示目标领域的用户集合；然后过滤掉源领域中不属于重叠用户的行为记录之后得到物品集合S，再过滤掉目标领域中不属于重叠用户的行为记录之后得到物品集合T。
3.根据权利要求2所述的一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，所述将用户在两个领域的历史行为序列按照时间先后顺序合并成一个序列具体步骤为：对于每一个用户u∈U，将其在两个领域的行为序列按照时间先后顺序合并为一个序列
Figure FDA0003342895680000011
其中，
Figure FDA0003342895680000012
表示该用户在两个领域的历史行为总数。
4.根据权利要求3所述的一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，所述的时间门控循环单元主要由3部分组成，分别是重置门ri、更新门zi以及候选激活状态
Figure FDA0003342895680000013
组成，重置门和候选激活状态跟GRU保持一致，更新门由用户门ui和时间门gi通过矩阵变换得到，其中，用户门决定用户对当前物品的喜爱程度，时间门反应了当前物品对下一个物品的影响大小；最后，取出DTGRU最后一个时间步的特征向量ht-1作为两个领域行为的整体特征表示。
5.根据权利要求4所述的一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，更新门zi由用户门ut、时间门gt通过矩阵变换得到：
Figure FDA0003342895680000021
gi＝φ(ln(Δti)w+bt)
zi＝σ(Wτui+Wvgi)
其中，φ表示tanh激活函数，σ表示sigmoid激活函数，Wu，Vu，Wτ，Wυ表示权重矩阵，bz，bt表示偏置项，Δti表示序列su中第i个物品与第i+1个物品之间的时间间隔，另外，时间间隔Δti的类型不同，参数w的取值也不同：
Figure FDA0003342895680000022
时间间隔共有4种不同类型：
Figure FDA0003342895680000023
其中，domaini表示第i个物品属于哪一个领域，source表示源领域，target表示目标领域。
6.根据权利要求5所述的一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，候选激活状态：
Figure FDA0003342895680000024
Figure FDA0003342895680000025
其中，φt表示tanh激活函数，Wn，Vn表示权重矩阵，
Figure FDA0003342895680000026
表示用户u的第i个行为对应的embedding向量，ri表示第i个行为时的重置门。
7.根据权利要求5所述的一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，所述的两个领域特定子网络分别是指：源领域特定子网络fS(x)和目标领域特定子网络fT(x)；
Figure FDA0003342895680000031
Figure FDA0003342895680000032
其中，γ表示relu激活函数，
Figure FDA0003342895680000033
表示权重矩阵，
Figure FDA0003342895680000034
表示偏置项。
8.根据权利要求7所述的一种基于时间门控循环单元的跨领域序列智能推荐方法，其特征在于，所述通过领域特定子网络得到两个领域的所有候选物品的概率分布，具体包括：
Figure FDA0003342895680000035
Figure FDA0003342895680000036
在得到两个领域的概率分布之后，即可将各自概率最大的物品同时推荐给用户，模型损失函数
Figure FDA0003342895680000037
为两个领域的交叉熵损失相加，之后采用随机梯度下降算法对模型参数进行优化：
Figure FDA0003342895680000038
Figure FDA0003342895680000039
Figure FDA00033428956800000310
其中，λ是一个可调节参数，用于控制正则项的占比大小，Θ表示模型所有的参数集合。
CN202111313875.3A 2021-11-08 2021-11-08 一种基于时间门控循环单元的跨领域序列智能推荐方法 Pending CN114036380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111313875.3A CN114036380A (zh) 2021-11-08 2021-11-08 一种基于时间门控循环单元的跨领域序列智能推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111313875.3A CN114036380A (zh) 2021-11-08 2021-11-08 一种基于时间门控循环单元的跨领域序列智能推荐方法

Publications (1)

Publication Number Publication Date
CN114036380A true CN114036380A (zh) 2022-02-11

Family

ID=80143344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111313875.3A Pending CN114036380A (zh) 2021-11-08 2021-11-08 一种基于时间门控循环单元的跨领域序列智能推荐方法

Country Status (1)

Country Link
CN (1) CN114036380A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629983A (zh) * 2023-07-24 2023-08-22 成都晓多科技有限公司 基于用户偏好的跨领域商品推荐方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062962A (zh) * 2018-06-27 2018-12-21 华南理工大学 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN111080400A (zh) * 2019-11-25 2020-04-28 中山大学 一种基于门控图卷积网络的商品推荐方法及系统、存储介质
US20200251100A1 (en) * 2019-02-01 2020-08-06 International Business Machines Corporation Cross-domain multi-task learning for text classification
US20200286112A1 (en) * 2019-03-06 2020-09-10 Samsung Electronics Company, Ltd. Hashing-based effective user modeling
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
US20210110306A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Meta-transfer learning via contextual invariants for cross-domain recommendation
CN113139140A (zh) * 2021-05-17 2021-07-20 辽宁工程技术大学 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法
CN113297487A (zh) * 2021-05-24 2021-08-24 中南大学 一种基于注意力机制增强门控循环单元的序列推荐系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062962A (zh) * 2018-06-27 2018-12-21 华南理工大学 一种融合天气信息的门控循环神经网络兴趣点推荐方法
US20200251100A1 (en) * 2019-02-01 2020-08-06 International Business Machines Corporation Cross-domain multi-task learning for text classification
US20200286112A1 (en) * 2019-03-06 2020-09-10 Samsung Electronics Company, Ltd. Hashing-based effective user modeling
US20210110306A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Meta-transfer learning via contextual invariants for cross-domain recommendation
CN111080400A (zh) * 2019-11-25 2020-04-28 中山大学 一种基于门控图卷积网络的商品推荐方法及系统、存储介质
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
CN113139140A (zh) * 2021-05-17 2021-07-20 辽宁工程技术大学 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法
CN113297487A (zh) * 2021-05-24 2021-08-24 中南大学 一种基于注意力机制增强门控循环单元的序列推荐系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GIACOMO DOMENICONI 等: "cross-domain GRU time recommend", 《 KNOWLEDGE DISCOVERY, KNOWLEDGE ENGINEERING AND KNOWLEDGE MANAGEMENT》, vol. 967, 15 March 2019 (2019-03-15), pages 3 - 25 *
张伟: "结合时空数据特征的推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 December 2020 (2020-12-15), pages 138 - 485 *
罗杰: "基于时间感知门控循环单元的跨领域序列推荐", 《万方数据》, 6 July 2023 (2023-07-06), pages 1 - 70 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629983A (zh) * 2023-07-24 2023-08-22 成都晓多科技有限公司 基于用户偏好的跨领域商品推荐方法及系统
CN116629983B (zh) * 2023-07-24 2023-09-22 成都晓多科技有限公司 基于用户偏好的跨领域商品推荐方法及系统

Similar Documents

Publication Publication Date Title
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
Sun et al. Learning multiple-question decision trees for cold-start recommendation
CN110910218B (zh) 一种基于深度学习的多行为迁移推荐方法
CN115082147B (zh) 一种基于超图神经网络的序列推荐方法及装置
Li et al. How local is the local diversity? reinforcing sequential determinantal point processes with dynamic ground sets for supervised video summarization
CN112765480B (zh) 一种信息推送方法、装置及计算机可读存储介质
CN110032679B (zh) 一种基于层次注意力网络的动态新闻推荐的方法
CN113806630B (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
CN107507054A (zh) 一种基于循环神经网络的推荐算法
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
Wu et al. Tfnet: Multi-semantic feature interaction for ctr prediction
CN113297936A (zh) 一种基于局部图卷积网络的排球群体行为识别方法
Zhou et al. Jump: A joint predictor for user click and dwell time
Cong Personalized recommendation of film and television culture based on an intelligent classification algorithm
CN112364242A (zh) 针对上下文感知型的图卷积推荐系统
Wang et al. Research on movie recommendation model based on LSTM and CNN
Yu et al. Spectrum-enhanced pairwise learning to rank
Sridhar et al. Content-Based Movie Recommendation System Using MBO with DBN.
Cui et al. Motif-aware sequential recommendation
CN114036380A (zh) 一种基于时间门控循环单元的跨领域序列智能推荐方法
Li et al. Session Recommendation Model Based on Context‐Aware and Gated Graph Neural Networks
CN116738072B (zh) 一种结合人因信息的多维推荐方法
CN113704438A (zh) 一种基于分层注意力机制的异构图的会话推荐方法
Tang et al. Movie recommendation via BLSTM
CN117392686A (zh) 一种基于改进的动态图神经网络的不实信息检测方法

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
TA01 Transfer of patent application right

Effective date of registration: 20240603

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region after: China

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China