CN114036400B - 一种基于超图的协同会话推荐方法 - Google Patents
一种基于超图的协同会话推荐方法 Download PDFInfo
- Publication number
- CN114036400B CN114036400B CN202111482489.7A CN202111482489A CN114036400B CN 114036400 B CN114036400 B CN 114036400B CN 202111482489 A CN202111482489 A CN 202111482489A CN 114036400 B CN114036400 B CN 114036400B
- Authority
- CN
- China
- Prior art keywords
- edge
- super
- vector
- node
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 37
- 238000012512 characterization method Methods 0.000 claims description 30
- 230000004931 aggregating effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000003472 neutralizing effect Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process 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
- G06F16/95—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于超图的协同会话推荐方法。该方法根据当前会话，对用户兴趣建模，并推荐用户在下一步最可能感兴趣的物品。主要由四个部分组成：第一部分是用所有会话和会话中的物品集合，构建超图；第二部分是聚合超边内的节点，得到超边的局部向量表征；第三部分是根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征；最后，根据当前会话得到用户兴趣，并给用户推荐物品。
Description
技术领域
本发明属于互联网服务技术领域，尤其是涉及一种基于超图的协同会话推荐方法。
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。传统的会话推荐系统采用循环神经网络来对用户兴趣进行建模，循环神经网络对会话中物品的序列性进行建模，得到目标用户的兴趣。但是循环神经网络忽略了会话中更复杂的协同信息。协同推荐认为具有相同行为模式的用户，兴趣相同。因此，最近有些方法将协同信息考虑进推荐系统中。通常做法是，基于当前会话得到目标用户的兴趣表征，再根据会话的相似度等指标，找到和当前会话相似的其他会话集合，并把相似会话包含的信息融入到目标用户的兴趣表征中。
在很多场景中，用户行为的序列性是不明显的或者是无序的。比如，用户在网易音乐等平台播放平台推荐的歌单时，音乐的播放顺序完全取决于平台推荐顺序，而不是用户的偏好。以及如抖音等短视频平台中的用户浏览短视频的顺序也是基本取决于平台的展示顺序。此时，用户的物品交互序列并不能体现物品的转移关系，这里的交互指代播放、浏览和点击等行为。有序序列建模的方法，如循环神经网络，会增大离推荐时间最近行为的重要性，而降低离推荐时间稍远行为的重要性。因此，循环神经网络不适用于依赖于平台推荐的场景。传统的协同会话推荐方法，是将和当前会话相似的邻居会话信息作为整体传递给当前会话。此时，对于当前会话来说，邻居会话中的所有物品的重要度是一样的，这会传递很多噪音。
因此，为了解决以上两种方法的弊端，本方法采用一种基于超图的协同会话推荐方法。基于系统中的所有会话和会话中物品集合，构建超图(hypergraph)。超图是普通图(normal graph)的更一般化的表示。在普通图中，一个边只能连接两个节点，而超图中的超边可以连接两个或者两个以上的节点。如，在本方法中，物品是超图的节点，会话是超图的超边。同一个会话中物品之间的关系，是同属于一个会话的关系，也就是集合关系。而超边的邻居边就是和该超边有共同的节点的其他超边。本方法对超边的邻居边进行过滤，并将邻居边内的节点信息传递到该超边内，并赋予不同的重要程度，然后更新超边的向量表征，学习协同信息。
发明内容
本发明所要解决的技术问题是根据当前会话，对用户兴趣建模，并推荐用户在下一步最可能感兴趣的物品。会话的数据极为稀疏，只依赖当前会话进行推荐会降低推荐的准确度。本方法充分考虑到会话中的协同信息，缓解稀疏性，提升推荐的准确度。
一种基于超图的协同会话推荐方法，包括以下步骤：
用所有会话和会话中的物品集合，构建超图。给定一个会话s＝{v1,v2,…,vj,…,v|s|}，任一物品vj为超图T的节点，该会话s为超图T的超边es，超边es连接会话s内的所有物品{v1,v2,…,vj,…,v|s|}。
聚合超边内的节点，得到超边的局部向量表征。超边es的局部向量表征公式为：
其中，vj∈B(es)表示vj是超边es内的节点集合B(es)中的节点，emb(vj)是节点vj的向量表征，需要模型训练并更新。
函数是将超边es内的所有节点B(es)聚集成超边es局部向量表征
的聚合函数。
函数具体为：
Wl是转移矩阵，b是向量，σ为sigmoid函数，max代表元素级别的max操作。
根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征。超边es的邻边集合为E(es)，但是并不是邻边集合E(es)内的所有超边都是超边es的相似超边，计算超边之间的相似公式为
其中，
是超边es的邻边集合E(es)内的任一超边，|·|表示集合内的元素个数，B(es)和
分别表示超边es和超边
内包含的节点集合。把和超边es的相似度小于阈值simthre的邻边过滤掉，即得到超边es的相似超边集合Esim(es)。相似超边集合Esim(Bs)中的所有超边内包含的节点，且不被超边es包含在内的节点，就是超边es的相似节点集合，即
然后，聚合超边的相似节点集合，得到超边的全局向量表征
具体为：
其中，
是超边es的局部向量表征，
是超边es的相似节点集合向量表征，
表示将向量
和向量
连接，Wg是转移矩阵，relu是relu激活函数。从公式可以看出，超边es的全局向量表征
是将超边es内的节点集合B(es)信息
和超边es的相似节点集合Nsim(es)进行融合。emb(vj)是节点vj的向量表征。
函数是将超边es的相似节点集合Nsim(es)信息融合的函数。
具体步骤为：
其中，向量q、c和转移矩阵W1、W2控制Nsim(es)中每个节点vj的权重αj。
函数是一种加法注意力机制，由超边es的局部向量表征
来决定Nsim(es)中每个节点vj的权重αj，注意力机制可以让Nsim(es)中和超边es更相似的节点获得更大的权重。
根据当前会话得到用户兴趣，并给用户推荐物品。当前会话s＝{v1,v2,…,vj,…,v|s|}的向量表征就是用户兴趣pu，而当前会话s的向量表征就是超边es的全局向量表征
所以，
将物品vj的向量emb(vj)乘以用户兴趣pu，再应用softmax函数计算出物品vj的分数：
其中，pu代表用户的兴趣向量，
代表物品vj成为下一个交互物品的可能性。同时根据
的对数似然函数值，计算损失函数：
其中，yj代表vj的one-hot编码，
函数用梯度下降法来最优化。
本发明的有益技术效果如下：
(1)本发明是一种基于超图的会话推荐方法，将会话和会话内的物品集合构建成超图，超图适用于无序集合的学习。
(2)本发明在学习协同信息时，和传统协同推荐不同，不是将目标会话的邻居会话作为整体进行学习，而是考虑到邻居会话中物品对于目标会话的重要程度。也就是，不是会话级别的协同推荐，而是物品级别的协同推荐。
附图说明
图1为本发明一种基于超图的协同会话推荐方法的流程示意图；
图2为本发明一种基于超图的协同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基于超图的协同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，是当前时间段里的所有交互物品集合s＝{v1,v2,…,vj,…,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.T：基于所有会话和会话中的物品集合，构建的超图。
定义5.B(es)：超图T中超边es连接的节点集合，也就是包含在超边es内的节点。
定义6.E(es)：超图T中超边es的邻边集合，也就是和超边es有共同节点的其他超边。
定义7.Esim(es)：超图T中超边es的相似超边集合，Esim(es)是E(es)的子集。
定义8.Nsim(es)：超图T中超边es的相似节点集合，Nsim(es)是超边es的相似超边内包含的节点集合。
定义9.emb(vj)：物品vj的向量表征。
定义10.pu：用户兴趣向量表征。
结合以上变量定义，将最终的问题定义为：给定当前会话，对用户兴趣建模，并推荐用户在下一步最可能感兴趣的物品，物品是集合V的子集。会话的数据极为稀疏，只依赖当前会话进行推荐会降低推荐的准确度。本方法充分考虑到会话中的协同信息，缓解稀疏性，提升推荐的准确度。
为此，本发明提出了一种基于超图的协同会话推荐方法。如图2所示。本方法最重要的模块是超图网络模块，该模块是在构建好超图内进行信息的传递，并最终获得融合了协同信息的超边向量表征。本发明第一步是用所有会话和会话中的物品集合，构建超图；第二步是聚合超边内的节点，得到超边的局部向量表征；第三步是根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征。超边的全局向量表征就是该超边所代表的会话的向量表征，该向量表征既融合了会话内的物品信息，又融合了相似会话的信息，即协同信息。第四步是根据当前会话得到用户兴趣，并给用户推荐物品。下面内容将对本发明的全部过程进行详细描述。
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，用所有会话和会话中的物品集合，构建超图。给定一个会话s＝{v1,v2,…,vj,…,v|s|}，任一物品vj为超图T的节点，该会话s为超图T的超边es，超边es连接会话s内的所有物品{v1,v2,…,vj,…,v|s|}。
S200，聚合超边内的节点，得到超边的局部向量表征。这里的局部表示该超边的向量表征，只融合了该超边内包含的节点信息。超边es的局部向量表征公式为：
其中，vj∈B(es)表示vj是超边es内的节点集合B(es)中的节点，emb(vj)是节点vj的向量表征，需要模型训练并更新。
函数是将超边es内的所有节点B(es)聚集成超边es局部向量表征
的聚合函数。
函数具体为：
Wl是转移矩阵，b是向量，σ为sigmoid函数，max代表元素级别的max操作，该聚合函数可以有效捕捉超边es内所有节点的突出属性。
S300，根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征。超边es的邻边集合为E(es)，但是并不是邻边集合E(es)内的所有超边都是超边es的相似超边，计算超边之间的相似公式为
其中，
是超边es的邻边集合E(es)内的任一超边，|·|表示集合内的元素个数，B(es)和
分别表示超边es和超边
内包含的节点集合。把和超边es的相似度小于阈值simthre的邻边过滤掉，即得到超边es的相似超边集合Esim(es)，这里simthre＝0.2。相似超边集合Esim(es)中的所有超边内包含的节点，且不被超边es包含在内的节点，就是超边es的相似节点集合，即
然后，聚合超边的相似节点集合，得到超边的全局向量表征
具体为：
其中，
是超边es的局部向量表征，
是超边es的相似节点集合向量表征，
表示将向量
和向量
连接，Wg是转移矩阵，relu是relu激活函数。从公式可以看出，超边es的全局向量表征
是将超边es内的节点集合B(es)信息
和超边es的相似节点集合Nsim(es)进行融合。emb(vj)是节点vj的向量表征。
函数是将超边es的相似节点集合Nsim(es)信息融合的函数。
具体步骤为：
其中，向量q、c和转移矩阵W1、W2控制Nsim(es)中每个节点vj的权重αj。
函数是一种加法注意力机制，由超边es的局部向量表征
来决定Nsim(es)中每个节点vj的权重αj，注意力机制可以让Nsim(es)中和超边es更相似的节点获得更大的权重。
S400，根据当前会话得到用户兴趣，并给用户推荐物品。当前会话s＝{v1,v2,…,vj,…,v|s|}的向量表征就是用户兴趣pn，而当前会话s的向量表征就是超边es的全局向量表征
所以，
将物品vj的向量emb(vj)乘以用户兴趣pn，再应用softmax函数计算出物品vj的分数：
其中，pn代表用户的兴趣向量，
代表物品vj成为下一个交互物品的可能性。同时根据
的对数似然函数值，计算损失函数：
其中，yj代表vj的one-hot编码，
函数用梯度下降法来最优化。
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)
1.一种基于超图的协同会话推荐方法，其特征在于：
用所有会话和会话中的物品集合，构建超图；给定一个会话s＝{v1,v2,…,vj,…,v|s|}，任一物品vj为超图T的节点，该会话s为超图T的超边es，超边es连接会话s内的所有物品{v1,v2,…,vj,…,v|s|}；
聚合超边内的节点，得到超边的局部向量表征；超边es的局部向量表征公式为：
其中，vj∈B(es)表示vj是超边es内的节点集合B(es)中的节点，emb(vj)是节点vj的向量表征，需要模型训练并更新；
函数是将超边es内的所有节点B(es)聚集成超边es局部向量表征
的聚合函数；
函数具体为：
Wl是转移矩阵，b是向量，σ为sigmoid函数，max代表元素级别的max操作；
根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征；超边es的邻边集合为E(es)，但是并不是邻边集合E(es)内的所有超边都是超边es的相似超边，计算超边之间的相似公式为
其中，
是超边es的邻边集合E(es)内的任一超边，|·|表示集合内的元素个数，B(es)和
分别表示超边es和超边
内包含的节点集合；把和超边es的相似度小于阈值simthre的邻边过滤掉，即得到超边es的相似超边集合Esim(es)；相似超边集合Esim(es)中的所有超边内包含的节点，且不被超边es包含在内的节点，就是超边es的相似节点集合，即
然后，聚合超边的相似节点集合，得到超边的全局向量表征
具体为：
其中，
是超边es的局部向量表征，
是超边es的相似节点集合向量表征，
表示将向量
和向量
连接，Wg是转移矩阵，relu是relu激活函数；从公式可以看出，超边es的全局向量表征
是将超边es内的节点集合B(es)信息
和超边es的相似节点集合Nsim(es)进行融合；emb(vj)是节点vj的向量表征；
函数是将超边es的相似节点集合Nsim(es)信息融合的函数；
具体步骤为：
其中，向量q、c和转移矩阵W1、W2控制Nsim(es)中每个节点vj的权重αj；
函数是一种加法注意力机制，由超边es的局部向量表征
来决定Nsim(es)中每个节点vj的权重αj，注意力机制可以让Nsim(es)中和超边es更相似的节点获得更大的权重；
根据当前会话得到用户兴趣，并给用户推荐物品；当前会话s＝{v1,v2,…,vj,…,v|s|}的向量表征就是用户兴趣pu，而当前会话s的向量表征就是超边es的全局向量表征
所以，
将物品vj的向量emb(vj)乘以用户兴趣pu，再应用softmax函数计算出物品vj的分数：
其中，pu代表用户的兴趣向量，
代表物品vj成为下一个交互物品的可能性；同时根据
的对数似然函数值，计算损失函数：
其中，yj代表vj的one-hot编码，
函数用梯度下降法来最优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111482489.7A CN114036400B (zh) | 2021-12-07 | 2021-12-07 | 一种基于超图的协同会话推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111482489.7A CN114036400B (zh) | 2021-12-07 | 2021-12-07 | 一种基于超图的协同会话推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114036400A CN114036400A (zh) | 2022-02-11 |
| CN114036400B true CN114036400B (zh) | 2022-04-08 |
Family
ID=80146307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111482489.7A Active CN114036400B (zh) | 2021-12-07 | 2021-12-07 | 一种基于超图的协同会话推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114036400B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783963A (zh) * | 2020-07-24 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种基于星图神经网络的推荐方法 |
| CN111881269A (zh) * | 2020-06-24 | 2020-11-03 | 北京三快在线科技有限公司 | 推荐对象确定方法、装置、电子设备及存储介质 |
| CN111881350A (zh) * | 2020-07-23 | 2020-11-03 | 清华大学 | 一种基于混合图结构化建模的推荐方法与系统 |
| CN113610265A (zh) * | 2021-06-24 | 2021-11-05 | 清华大学 | 一种基于超图卷积网络的时空行为预测方法及系统 |
| CN113672811A (zh) * | 2021-08-24 | 2021-11-19 | 广东工业大学 | 一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质 |
| CN113704439A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种基于多来源信息异构图的会话推荐方法 |
| CN113704438A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种基于分层注意力机制的异构图的会话推荐方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10579688B2 (en) * | 2016-10-05 | 2020-03-03 | Facebook, Inc. | Search ranking and recommendations for online social networks based on reconstructed embeddings |
-
2021
- 2021-12-07 CN CN202111482489.7A patent/CN114036400B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881269A (zh) * | 2020-06-24 | 2020-11-03 | 北京三快在线科技有限公司 | 推荐对象确定方法、装置、电子设备及存储介质 |
| CN111881350A (zh) * | 2020-07-23 | 2020-11-03 | 清华大学 | 一种基于混合图结构化建模的推荐方法与系统 |
| CN111783963A (zh) * | 2020-07-24 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种基于星图神经网络的推荐方法 |
| CN113610265A (zh) * | 2021-06-24 | 2021-11-05 | 清华大学 | 一种基于超图卷积网络的时空行为预测方法及系统 |
| CN113672811A (zh) * | 2021-08-24 | 2021-11-19 | 广东工业大学 | 一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质 |
| CN113704439A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种基于多来源信息异构图的会话推荐方法 |
| CN113704438A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种基于分层注意力机制的异构图的会话推荐方法 |
Non-Patent Citations (5)
| Title |
|---|
| Enhancing session-based social recommendation through item graph embedding and contextual friendship modeling;Pan Gu等;《Neurocomputing》;20210102;第419卷;190-202页 * |
| Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation;Xin Xia等;《Information Retrieval》;20210315;1-9页 * |
| Session-based Recommendation with Heterogeneous Graph Neural Network;Jinpeng Chen等;《Information Retrieval》;20210812;1-10页 * |
| 基于异构超图的多元关系排序研究;刘雷;《中国优秀硕士学位论文全文数据库 基础科学辑》;20200215;A002-228 * |
| 基于超网络的企业协同创新社区价值用户主体挖掘方法研究;唐洪婷;《中国博士学位论文全文数据库 基础科学辑》;20200115;A002-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114036400A (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111125537B (zh) | 一种基于图表征的会话推荐方法 | |
| Liu et al. | Deep reinforcement learning based recommendation with explicit user-item interactions modeling | |
| CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
| CN111222054B (zh) | 一种基于上下文邻居关系建模的会话社交推荐方法 | |
| CN110910218B (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
| CN111460331B (zh) | 一种基于时空图的会话推荐方法 | |
| CN112559878B (zh) | 一种基于图神经网络的序列推荐系统及推荐方法 | |
| CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
| CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
| CN112765461A (zh) | 一种基于多兴趣胶囊网络的会话推荐方法 | |
| CN112819575A (zh) | 一种考虑重复购买行为的会话推荐方法 | |
| CN112364242A (zh) | 针对上下文感知型的图卷积推荐系统 | |
| CN113487018A (zh) | 一种基于会话推荐的全局上下文增强图神经网络方法 | |
| CN113704438B (zh) | 一种基于分层注意力机制的异构图的会话推荐方法 | |
| CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及系统 | |
| CN113688306A (zh) | 一种基于强化学习的推荐策略生成方法及装置 | |
| CN114036400B (zh) | 一种基于超图的协同会话推荐方法 | |
| CN112256918A (zh) | 一种基于多模态动态路由的短视频点击率预测方法 | |
| CN114428912A (zh) | 一种基于捕捉用户长短期兴趣异构超图的会话推荐方法 | |
| CN113704439B (zh) | 一种基于多来源信息异构图的会话推荐方法 | |
| CN113343121B (zh) | 基于多粒度流行度特征的轻量级图卷积协同过滤推荐方法 | |
| CN115599990A (zh) | 一种知识感知结合深度强化学习的跨域推荐方法及系统 | |
| CN112307257B (zh) | 一种基于多信息节点图网络的短视频点击率预测方法 | |
| CN114528490A (zh) | 一种基于用户长短期兴趣的自监督序列推荐方法 | |
| CN112905886A (zh) | 一种基于多兴趣重复网络的会话推荐方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231220 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 |
|
| TR01 | Transfer of patent right |