CN114357283A - 一种基于评论和自注意力机制的推荐方法 - Google Patents

一种基于评论和自注意力机制的推荐方法 Download PDF

Info

Publication number
CN114357283A
CN114357283A CN202111505740.7A CN202111505740A CN114357283A CN 114357283 A CN114357283 A CN 114357283A CN 202111505740 A CN202111505740 A CN 202111505740A CN 114357283 A CN114357283 A CN 114357283A
Authority
CN
China
Prior art keywords
user
matrix
article
characterization
characterization matrix
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
CN202111505740.7A
Other languages
English (en)
Inventor
吴国栋
贺壮壮
涂立静
李景霞
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.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
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 Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202111505740.7A priority Critical patent/CN114357283A/zh
Publication of CN114357283A publication Critical patent/CN114357283A/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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于评论和自注意力机制的推荐方法，通过利用用户和物品的交互行为分别获得用户与物品的表征矩阵，应用用户—评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵；将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分；对预测评分进行降序排列，选取评分最高的N个商品进行推荐。本发明通过使用自注意力机制处理评论，使模型的性能优于现有的技术下的推荐模型，最终提高了真实环境下推荐物品的准确度。

Description

一种基于评论和自注意力机制的推荐方法
技术领域
本发明涉及神经网络和机器学习技术领域，尤其涉及一种基于评论和自注意力机制的推荐方法。
背景技术
基于协同过滤的推荐协同过滤是基于邻域的，用户和项目的评分通过相似项目或用户计算,主要从用户与物品的静态交互数据中挖掘潜在的关联，但是忽略了用户在与物品产生交互时的动态偏好变化。例如，当用户购买了某品牌商品，基于协同过滤的方法只能推荐相似属性的商品或推荐其他用户在购买该品牌商品时购买的其他商品。这种方法简单方便，但是未在细粒度上建模用户本身的偏好，导致推荐结果往往单一且无法打动用户。因此基于模型的协同过滤推荐方法得到越来越多的关注。矩阵分解算法被应用在推荐领域，它一般通过训练得到用户和物品的潜在表征向量，并将获得的表征应用在下游任务中。
在信息爆炸的今天，基于协同过滤的方法通常没有考虑到用户的在一段时间段的用户兴趣偏好的变化，随着信息量和活跃用户增多，这种方法因为数据稀疏性和可伸缩性的限制，导致性能下降、推荐低质量、不准确预测。另外，用户在与物品产生交互的时间、地点、评论等交互信息都可能会影响用户当时的选择。由于交互信息在自然界中可能是高维的，推荐系统需要在复杂的环境中学习到用户的兴趣偏好。例如，当用户喜欢某件短袖，但是在冬天为该用户推荐喜欢的短袖是不合时宜的，因此如何有效地利用交互信息成为了研究的重点之一。
发明内容
本发明目的就是为了弥补已有技术的缺陷，提供一种基于评论和自注意力机制的推荐方法，以解决现有技术基于矩阵分解的推荐方法仅利用了用户与物品的评分矩阵，而忽略了其它交互信息的技术问题。
本发明是通过以下技术方案实现的：
一种基于评论和自注意力机制的推荐方法，具体包括以下步骤：
步骤1、利用用户和物品的交互行为分别获得用户与物品的嵌入表示向量；
步骤2、利用用户的嵌入表示向量和从用户的评论中挖掘到的用户语义信息获得用户的表征矩阵，利用物品的嵌入表示向量获得物品的表征矩阵；
步骤3、应用用户-评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵；
步骤4、将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分；
步骤5、计算预测值与真实值之间的差值并建立模型的损失函数，当所述损失函数未满足预设条件时，将其他数据的预测值输入至模型进行模型训练，直至所述损失函数满足预设条件时，将模型用于评分预测。
步骤1所述的利用用户和物品的交互行为分别获得用户与物品的嵌入表示向量，具体过程如下：
步骤1.1、获取物品序列：
I＝(I1,I2,…,In) (1)
公式(1)中，I1,I2,…,In代表对应序号的物品，I为所有物品的集合；
获取用户序列：
U＝(U1,U2,…,Um) (2)
公式(2)中，U1,U2,…,Um代表对应序号的用户，I为所有物品的集合；
步骤1.2、使用物品序列和用户序列构建邻接矩阵Y，获取用户嵌入表示向量：
eu＝f(yWe；u) (3)
公式(3)中，y∈Y，为交互矩阵,We；u为权重参数，f(·)为映射函数，eu为最终获得的用户嵌入表示向量；
获取物品嵌入表示向量：
ei＝f(yWe；i) (4)
公式(4)中，y∈Y，为交互矩阵,We；i为权重参数，f(·)为映射函数，ei为最终获得的物品嵌入表示向量。
步骤2所述的利用用户的嵌入表示向量和从用户的评论中挖掘到的用户语义信息获得用户的表征矩阵，利用物品的嵌入表示向量获得物品的表征矩阵，具体过程如下：
步骤2.1、从用户的评论中挖掘用户语义信息：
Hu；i＝σ(au；iHi) (5)
公式(5)中，aui为权重参数,Hi为处理后的评论向量矩阵，σ(·)为映射函数，Hu；i为最终获得的用户语义信息；
步骤2.2、获取用户表征矩阵：
Figure BDA0003404283630000031
公式(6)中，f(·)为卷积函数，Wc；u是权重参数，eu为用户嵌入表示向量，Hu；i为用户语义信息，
Figure BDA0003404283630000032
表示将eu和Hu；i拼接在一起，bc；u为偏置参数；
步骤2.3、获取物品表征矩阵：
ci＝f(Wc；iei+bc；i) (7)
式中，f(·)为卷积函数，其中Wc；i是权重参数，ei为物品嵌入表示向量，bc；i为偏置参数。
步骤3所述的应用用户-评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵，具体过程如下：
步骤3.1、获取自注意力权重：
Figure BDA0003404283630000033
公式(8)中，
Figure BDA0003404283630000034
是将用户表征矩阵cu和物品表征矩阵ci拼接后得到的表征矩阵，Qw是可学习的权重参数，α为计算得到的自注意力分数,a、b、m分别代表对应序号的用户表征或物品表征向量，M为用户语义信息数量；
步骤3.2、丰富用户的表征矩阵：
c′u＝cu⊙α (9)
公式(9)中，c′u是将用户表征矩阵cu与注意力分数α经过哈达玛积计算得到的表征矩阵，⊙为哈达玛积符号。
步骤4所述的将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分，具体过程如下：
步骤4.1、拼接用户表征矩阵与物品表征矩阵：
Figure BDA0003404283630000041
公式(10)中，c′u为丰富后的用户表征矩阵，ci为物品表征矩阵，E为拼接后的结果；
步骤4.2、将用户表征矩阵与物品表征矩阵拼接的结果输入到全连接层中，得到用户对物品的预测评分：
Figure BDA0003404283630000042
公式(11)中，σ(·)为激活函数，E为用户表征矩阵与物品表征矩阵的结果，W1为第一层全连接层的权重系数，b1为第一层全连接层的偏置项，W2为第二层全连接层的权重系数，b2为第二层全连接层的偏置项，
Figure BDA0003404283630000043
为用户对物品的预测评分。
步骤5所述的计算预测值与真实值之间的差值并建立模型的损失函数，具体如下：
步骤5.1、构建损失函数：
Figure BDA0003404283630000044
公式(12)中，D是为所有用户和物品的集合，yi,j为用户i对物品j的评分，
Figure BDA0003404283630000045
为模型预测的用户i对物品j的评分，L为最终计算得到的损失值。
本发明的优点是：本发明通过利用用户和物品的交互行为分别获得用户与物品的表征矩阵，应用用户—评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵。将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分。对预测评分进行降序排列，选取评分最高的N个商品进行推荐。本发明通过使用自注意力机制处理评论，使模型的性能优于现有的技术下的推荐模型，最终提高了真实环境下推荐物品的准确度。
附图说明
图1为本发明的基于评论和自注意力机制的神经网络模型图。
具体实施方式
下面结合附图和实施样例对本发明进一步说明。
本发明通过利用用户和物品的交互行为分别获得用户与物品的表征矩阵，应用用户-评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵。将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分。对预测评分进行降序排列，选取评分最高的N个商品进行推荐。
本发明方法包括以下步骤：
步骤1、利用用户和物品的交互行为分别获得用户与物品的嵌入表示向量。
步骤1具体过程如下：
步骤1.1、获取物品序列：
I＝(I1,I2,…,In) (1)
公式(1)中，I1,I2,…,In代表对应序号的物品，I为所有物品的集合；
获取用户序列：
U＝(U1,U2,…,Um) (2)
公式(2)中，U1,U2,…,Um代表对应序号的用户，I为所有物品的集合；
步骤1.2、使用物品序列和用户序列构建邻接矩阵Y，获取用户嵌入表示向量：
eu＝f(yWe；u) (3)
公式(3)中，y∈Y，为交互矩阵,We；u为权重参数，f(·)为映射函数，eu为最终获得的用户嵌入表示向量；
获取物品嵌入表示向量：
ei＝f(yWe；i) (4)
公式(4)中，y∈Y，为交互矩阵,We；i为权重参数，f(·)为映射函数，ei为最终获得的物品嵌入表示向量；
步骤2、利用步骤1.2获得的用户嵌入表示向量和从用户的评论中挖掘到的用户语义信息获得用户的表征矩阵，利用步骤1.2获得的物品的嵌入表示向量获得物品的表征矩阵。步骤2具体过程如下：
步骤2.1、从用户的评论中挖掘用户语义信息：
Hu；i＝σ(au；iHi) (5)
公式(5)中，aui为权重参数,Hi为处理后的评论向量矩阵，σ(·)为映射函数，Hu；i为最终获得的用户语义信息；
步骤2.2、获取用户表征矩阵：
Figure BDA0003404283630000061
公式(6)中，f(·)为卷积函数，Wc；u是权重参数，eu为用户的嵌入表示向量，Hu；i为用户语义信息，
Figure BDA0003404283630000062
表示将eu和Hu；i拼接在一起，bc；u为偏置参数。
步骤2.3、获取物品表征矩阵：
ci＝f(Wc；iei+bc；i) (7)
式中，f(·)为卷积函数，其中Wc；i是权重参数，ei为物品的嵌入表示向量，bc；i为偏置参数。
步骤3、应用用户-评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵。步骤3具体过程如下：
步骤3.1、获取自注意力权重：
Figure BDA0003404283630000063
公式(8)中，
Figure BDA0003404283630000064
是将用户表征矩阵cu和物品表征矩阵ci拼接后得到的表征矩阵，Qw是可学习的权重参数，α为计算得到的自注意力分数,a、b、m分别代表对应序号的用户表征或物品表征向量，M为用户语义信息数量。
步骤3.2、丰富用户的表征矩阵：
c′u＝cu⊙α (9)
公式(9)中，c′u是将用户表征矩阵cu与注意力分数α经过哈达玛积计算得到的表征矩阵，⊙为哈达玛积符号。
步骤4、将用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中得到用户对物品的预测评分。步骤4具体过程如下。
步骤4.1、拼接用户表征矩阵与物品表征矩阵：
Figure BDA0003404283630000071
公式(10)中，c′u为丰富后的用户表征矩阵，ci为物品表征矩阵，E为拼接后的结果。
步骤4.2、将用户表征矩阵与物品表征矩阵拼接的结果输入到全连接层中，得到用户对物品的预测评分：
Figure BDA0003404283630000072
公式(11)中，σ(·)为激活函数，E为用户表征矩阵与物品表征矩阵的结果，W1为第一层全连接层的权重系数，b1为第一层全连接层的偏置项，W2为第二层全连接层的权重系数，b2为第二层全连接层的偏置项，
Figure BDA0003404283630000073
为用户对物品的预测评分。
步骤5、计算预测值与真实值之间的差值并建立模型的损失函数，当所述损失函数未满足预设条件时，将其他数据的预测值输入至模型进行模型训练，直至所述损失函数满足预设条件时，将模型用于评分预测。步骤5具体过程如下：
步骤5.1、构建损失函数：
Figure BDA0003404283630000074
公式(12)中，D是为所有用户和物品的集合，yi,j为用户i对物品j的评分，
Figure BDA0003404283630000075
为模型预测的用户i对物品j的评分，L为最终计算得到的损失值。

Claims (6)

1.一种基于评论和自注意力机制的推荐方法，其特征在于：具体包括以下步骤：
步骤1、利用用户和物品的交互行为分别获得用户与物品的嵌入表示向量；
步骤2、利用用户的嵌入表示向量和从用户的评论中挖掘到的用户语义信息获得用户的表征矩阵，利用物品的嵌入表示向量获得物品的表征矩阵；
步骤3、应用用户-评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵；
步骤4、将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分；
步骤5、计算预测值与真实值之间的差值并建立模型的损失函数，当所述损失函数未满足预设条件时，将其他数据的预测值输入至模型进行模型训练，直至所述损失函数满足预设条件时，将模型用于评分预测。
2.根据权利要求1所述的一种基于评论和自注意力机制的推荐方法，其特征在于：步骤1所述的利用用户和物品的交互行为分别获得用户与物品的嵌入表示向量，具体过程如下：
步骤1.1、获取物品序列：
I＝(I1，I2，...，In) (1)
公式(1)中，I1，I2，...，In代表对应序号的物品，I为所有物品的集合；
获取用户序列：
U＝(U1，U2，...，Um) (2)
公式(2)中，U1，U2，...，Um代表对应序号的用户，I为所有物品的集合；
步骤1.2、使用物品序列和用户序列构建邻接矩阵Y，获取用户嵌入表示向量：
eu＝f(yWe；u) (3)
公式(3)中，y∈Y，为交互矩阵，We；u为权重参数，f(·)为映射函数，eu为最终获得的用户嵌入表示向量；
获取物品嵌入表示向量：
ei＝f(yWe；i) (4)
公式(4)中，y∈Y，为交互矩阵，We；i为权重参数，f(·)为映射函数，ei为最终获得的物品嵌入表示向量。
3.根据权利要求2所述的一种基于评论和自注意力机制的推荐方法，其特征在于：步骤2所述的利用用户的嵌入表示向量和从用户的评论中挖掘到的用户语义信息获得用户的表征矩阵，利用物品的嵌入表示向量获得物品的表征矩阵，具体过程如下：
步骤2.1、从用户的评论中挖掘用户语义信息：
Hu；i＝σ(au；iHi) (5)
公式(5)中，aui为权重参数，Hi为处理后的评论向量矩阵，σ(·)为映射函数，Hu；i为最终获得的用户语义信息；
步骤2.2、获取用户表征矩阵：
Figure FDA0003404283620000021
公式(6)中，f(·)为卷积函数，Wc；u是权重参数，eu为用户嵌入表示向量，Hu；i为用户语义信息，
Figure FDA0003404283620000022
表示将eu和Hu；i拼接在一起，bc；u为偏置参数；
步骤2.3、获取物品表征矩阵：
ci＝f(Wc；iei+bc；i) (7)
式中，f(·)为卷积函数，其中Wc；i是权重参数，ei为物品嵌入表示向量，bc；i为偏置参数。
4.根据权利要求3所述的一种基于评论和自注意力机制的推荐方法，其特征在于：步骤3所述的应用用户-评论的自注意力模块得到用户与评论之间的隐式关系，丰富用户的表征矩阵，具体过程如下：
步骤3.1、获取自注意力权重：
Figure FDA0003404283620000023
公式(8)中，
Figure FDA0003404283620000024
是将用户表征矩阵cu和物品表征矩阵ci拼接后得到的表征矩阵，Qw是可学习的权重参数，α为计算得到的自注意力分数，a、b、m分别代表对应序号的用户表征或物品表征向量，M为用户语义信息数量；
步骤3.2、丰富用户的表征矩阵：
c′u＝cu⊙α (9)
公式(9)中，c′u是将用户表征矩阵cu与注意力分数α经过哈达玛积计算得到的表征矩阵，⊙为哈达玛积符号。
5.根据权利要求4所述的一种基于评论和自注意力机制的推荐方法，其特征在于：步骤4所述的将处理后的用户表征矩阵与物品表征矩阵拼接起来，并将其作为联合表征矩阵输入到全连接层中，经过计算得到用户对物品的预测评分，具体过程如下：
步骤4.1、拼接用户表征矩阵与物品表征矩阵：
Figure FDA0003404283620000031
公式(10)中，c′u为丰富后的用户表征矩阵，ci为物品表征矩阵，E为拼接后的结果；
步骤4.2、将用户表征矩阵与物品表征矩阵拼接的结果输入到全连接层中，得到用户对物品的预测评分：
Figure FDA0003404283620000032
公式(11)中，σ(·)为激活函数，E为用户表征矩阵与物品表征矩阵的结果，W1为第一层全连接层的权重系数，b1为第一层全连接层的偏置项，W2为第二层全连接层的权重系数，b2为第二层全连接层的偏置项，
Figure FDA0003404283620000033
为用户对物品的预测评分。
6.根据权利要求5所述的一种基于评论和自注意力机制的推荐方法，其特征在于：步骤5所述的计算预测值与真实值之间的差值并建立模型的损失函数，具体如下：
步骤5.1、构建损失函数：
Figure FDA0003404283620000034
公式(12)中，D是为所有用户和物品的集合，yi，j为用户i对物品j的评分，
Figure FDA0003404283620000035
为模型预测的用户i对物品j的评分，L为最终计算得到的损失值。
CN202111505740.7A 2021-12-10 2021-12-10 一种基于评论和自注意力机制的推荐方法 Pending CN114357283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111505740.7A CN114357283A (zh) 2021-12-10 2021-12-10 一种基于评论和自注意力机制的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111505740.7A CN114357283A (zh) 2021-12-10 2021-12-10 一种基于评论和自注意力机制的推荐方法

Publications (1)

Publication Number Publication Date
CN114357283A true CN114357283A (zh) 2022-04-15

Family

ID=81100040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111505740.7A Pending CN114357283A (zh) 2021-12-10 2021-12-10 一种基于评论和自注意力机制的推荐方法

Country Status (1)

Country Link
CN (1) CN114357283A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309975A (zh) * 2022-06-28 2022-11-08 中银金融科技有限公司 基于交互特征的产品推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309975A (zh) * 2022-06-28 2022-11-08 中银金融科技有限公司 基于交互特征的产品推荐方法及系统
CN115309975B (zh) * 2022-06-28 2024-06-07 中银金融科技有限公司 基于交互特征的产品推荐方法及系统

Similar Documents

Publication Publication Date Title
Martin Strategic pricing with rational inattention to quality
CN111061962B (zh) 一种基于用户评分分析的推荐方法
CN103514239B (zh) 一种集成用户行为和物品内容的推荐方法及系统
CN109508375A (zh) 一种基于多模态融合的社交情感分类方法
CN110069663B (zh) 视频推荐方法及装置
CN111339415A (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
CN108460619A (zh) 一种融合显隐式反馈的协同推荐模型
CN111222332A (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN107562787B (zh) 一种poi编码方法及装置、poi推荐方法，电子设备
CN109902229B (zh) 一种基于评论的可解释推荐方法
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
CN112632403A (zh) 推荐模型的训练方法、推荐方法、装置、设备和介质
CN111768239A (zh) 道具推荐方法、装置、系统、服务器和存储介质
CN113592609A (zh) 一种利用时间因素的个性化服饰搭配推荐方法与系统
CN111681084A (zh) 一种基于社交关系影响因素的电商平台推荐方法
CN115964560B (zh) 基于多模态预训练模型的资讯推荐方法及设备
CN115774810A (zh) 一种融合了序列信息的特征组合推荐算法框架
CN111523738B (zh) 基于用户在线学习行为模式预测学习效果的系统及预测方法
CN115269977A (zh) 一种基于图神经网络的融合知识与协同信息的推荐方法
CN111966888A (zh) 融合外部数据的基于方面类别的可解释性推荐方法及系统
CN114357283A (zh) 一种基于评论和自注意力机制的推荐方法
JP2016004551A (ja) 特定装置、特定方法及び特定プログラム
CN112085158A (zh) 一种基于堆栈降噪自编码器的图书推荐方法
CN114820121A (zh) 一种保险业务推送系统及方法
CN114358807A (zh) 基于可预测用户特征属性的用户画像方法及系统

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