CN114385930A - 一种兴趣点推荐方法及系统 - Google Patents

一种兴趣点推荐方法及系统 Download PDF

Info

Publication number
CN114385930A
CN114385930A CN202111627594.5A CN202111627594A CN114385930A CN 114385930 A CN114385930 A CN 114385930A CN 202111627594 A CN202111627594 A CN 202111627594A CN 114385930 A CN114385930 A CN 114385930A
Authority
CN
China
Prior art keywords
user
interaction
entry
information
items
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
CN202111627594.5A
Other languages
English (en)
Inventor
张勇
李昕航
李超
王霞
盛明
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202111627594.5A priority Critical patent/CN114385930A/zh
Publication of CN114385930A publication Critical patent/CN114385930A/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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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

本发明提供一种兴趣点推荐方法及系统，其中方法包括：获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。用以解决现有技术中基于用户‑条目交互信息进行相似性度量，因数据稀疏造成推荐准确度不高的缺陷，实现为目标用户精准推荐兴趣点条目。

Description

一种兴趣点推荐方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种兴趣点推荐方法及系统。
背景技术
在推荐系统领域，随着基于位置的服务日益普遍，兴趣点推荐获得了越来越多人的关注。传统的方法基本上都是采用多种上下文特征来提高推荐的效果，上下文特征包括时态信息、地理位置或者社交关系等。这些辅助信息被用来对用户间以及条目间的行为相似性进行建模。但是这些方法只是通过利用用户-条目交互信息来隐式的进行相似性度量。所以它们受到数据稀疏问题的困扰，当用户和条目间没有交互的时候就不能够获取用户和条目之间的依赖关系。
基于通过利用用户-条目交互信息来隐式的进行相似性度量的缺陷，目前也有通过显式的对用户和条目的相似性进行建模的方法，但是这些方法要么是使用描述性特征，要么是利用启发式设计来手动定义相似性度量，所以它们也受到不充分的辅助信息的影响，同时也缺少泛化能力。
发明内容
本发明提供一种兴趣点推荐方法及系统，用以解决现有技术中基于用户-条目交互信息进行相似性度量，因数据稀疏造成推荐准确度不高的缺陷，实现为目标用户精准推荐兴趣点条目。
本发明还提供一种兴趣点推荐方法，包括：
获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；
将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；
其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
根据本发明所述的兴趣点推荐方法，所述兴趣点推荐模型的损失函数是基于利用链接预测机制由所述用户条目交互数据样本得到的用户和与所述用户具有关联的条目之间的关联程度，以及利用注意力机制由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异程度确定的。
根据本发明所述的兴趣点推荐方法，所述用户和与所述用户具有关联的条目之间的关联程度，包括：
所述用户和与所述用户具有关联的条目之间的距离差。
根据本发明所述的兴趣点推荐方法，所述兴趣点推荐模型的损失函数为：
Figure BDA0003440350100000021
其中，
Figure BDA0003440350100000022
为所述关联程度的函数；
Figure BDA0003440350100000023
为所述差异程度的函数；α为预设的代表权重的超参数；
所述关联程度的函数为：
Figure BDA0003440350100000024
所述差异程度的函数为：
Figure BDA0003440350100000031
其中，u，v分别代表用户和条目；(u,v)和(u′,v′)分别为所述用户条目交互数据样本真实存在的用户条目交互对，和虚假存在的用户条目交互对；
Figure BDA0003440350100000032
和
Figure BDA0003440350100000033
分别为真实存在的用户条目交互对集合和虚假存在的用户条目交互对集合；γ为预设的代表计算边界的超参数；
Figure BDA0003440350100000034
和
Figure BDA0003440350100000035
分别为按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和；m和n分别为所述用户条目交互数据样本中用户的总数和条目的总数；
Figure BDA0003440350100000036
和
Figure BDA0003440350100000037
分别为利用注意力机制得到的用户i与用户j，以及条目i与条目j间的相似度。
根据本发明所述的兴趣点推荐方法，所述按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和分别为：
Figure BDA0003440350100000038
Figure BDA0003440350100000039
其中，R∈{0,1}，表示用户和条目的交互；d为度，表示与用户交互的条目总数，或与条目交互的用户总数。
根据本发明所述的兴趣点推荐方法，所述将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据，具体包括：
将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息；
将所述所有条目信息和所述所有用户信息输入所述兴趣点推荐模型的相似度分析层，得到所述所有条目信息中的条目与条目，以及所述所有用户信息中的用户与用户间的相似度矩阵；
将所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵输入所述兴趣点推荐模型的结果输出层，由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据。
根据本发明所述的兴趣点推荐方法，所述将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息，具体包括：
将所述用户条目交互数据输入所述交互关系分析层的一阶交互关系分析层，由所述一阶交互关系层基于图注意力机制对所述用户条目交互数据进行处理，得到与所述目标用户具有直接交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有直接交互关联的所有用户信息；
将所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息，输入所述交互关系分析层的二阶交互关系分析层，由所述二阶交互关系分析层基于交叉注意力机制对所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息进行处理，得到与所述目标用户具有潜在交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有潜在交互关联的所有用户信息；
将所述具有直接交互关联的所有条目信息、所述具有直接交互关联的所有用户信息、所述具有潜在交互关联的所有条目信息、所述具有潜在交互关联的所有用户信息，输入所述交互关系分析层的关系构建层，得到由所述具有直接交互关联的所有条目信息和所述具有潜在交互关联的所有条目信息拼接构成的与所述目标用户具有交互关联的所有条目信息，以及由所述具有直接交互关联的所有用户信息和所述具有潜在交互关联的所有用户信息拼接构成的与所述目标用户所搜索的条目信息具有交互关联的所有用户信息。
根据本发明所述的兴趣点推荐方法，所述由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据，具体包括：
由所述结果输出层根据由所述用户条目交互数据构建的原始交互矩阵，和所述推荐交互矩阵，基于预设公式，得到为所述目标用户推荐的兴趣点条目数据，所述原始交互矩阵根据所述所有条目信息和所述所有用户信息构建；
所述预设公式为：
Figure BDA0003440350100000051
其中，R*为所述推荐交互矩阵，R为所述原始交互矩阵；
Figure BDA0003440350100000052
和
Figure BDA0003440350100000053
分别为用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，λ1，λ2，λ3为预设的代表权重的超参数。
根据本发明所述的兴趣点推荐方法，所述用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，分别为：
Figure BDA0003440350100000061
Figure BDA0003440350100000062
其中，T为矩阵的转置；：表示取值为矩阵的行或列的所有值；L为相似度矩阵的拉普拉斯正则化；tr表示矩阵迹运算。
本发明还提供一种兴趣点推荐系统，包括：
数据获取模块，用于获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；
数据处理模块，用于将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；
其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
本发明提供的一种兴趣点推荐方法及系统，通过将获取的目标用户的用户信息和所述目标用户所搜索的条目信息作为用户条目交互数据输入兴趣点推荐模型中，利用基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的兴趣点推荐模型，就能得到为所述目标用户推荐的兴趣点条目数据，实现了利用在训练过程中充分考虑了用户与用户，以及条目与条目间的细粒度的个性化信息的兴趣点推荐模型，为目标用户更为精准做兴趣点推荐的目的。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种兴趣点推荐方法的流程示意图；
图2是本发明提供的一种兴趣点推荐系统的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的一种兴趣点推荐方法，该方法由计算机或者其中的软件和/或硬件的组合执行，如图1所示，所述方法包括以下步骤：
101、获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据。
其中，互联网中的每台计算机均有其唯一的IP地址，用户在使用搜索引擎等搜索网页时，一般也会针对个人信息进行注册，通过在互联网中进行数据抓取，就能通过IP地址、注册信息等等信息获得目标用户的用户信息，并获得在互联网中搜索的条目信息。
102、将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据。
随着基于位置的服务日益普遍，兴趣点推荐可以帮助用户搜索周边生活环境，提高用户的生活质量，而用户在位置社交网络中的数据信息具有高度的稀疏性，所以，该问题为用户的兴趣点精准推荐带来了很大的困难，但是，用户和用户，以及条目和条目间本身具有一定的相似性，当将用户与用户，以及条目与条目间的相似性进行统计后，使得用于分析用户和用户搜索的条目信息数据量大大增加，有效克服了数据稀疏的问题。
同时，针对用户条目交互数据为目标用户推荐兴趣点条目最为准确的方式是人工推荐，然而，通过人工获取互联网中的用户数据，然后根据用户在互联网上的搜索内容为推荐兴趣点条目，因所涉及的用户量和搜索内容数据量巨大，显然是不可能实现的，所以，基于学习型相似性度量，利用按照人工设定的规则得到的用户与用户，以及条目与条目间的相似度，对通过学习得到的用户与用户，以及条目与条目间的相似度进行训练，能够使得学习得到的结果符合人工设定的规则，并实现了对用户与用户，以及条目与条目间的细粒度的个性化信息的区分。
具体地，通过将用户条目交互数据输入利用按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，对利用注意力机制由用户条目交互数据样本得到用户与用户，以及条目与条目间的相似度进行训练得到的兴趣点推荐模型中，就能够得到为目标用户精准推荐的兴趣点条目。
作为本发明的一个实施例，所述兴趣点推荐模型的损失函数是基于利用链接预测机制由所述用户条目交互数据样本得到的用户和与所述用户具有关联的条目之间的关联程度，以及利用注意力机制由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异程度确定的。
具体地，链接预测(Link Prediction)是知识图谱嵌入(Knowledge GraphEmbedding)的应用之一，将知识图谱中实体和关系的内容映射到连续向量空间中，对知识图谱中的实体或关系进行预测，因而，利用链接预测机制，能够优化所述用户条目交互数据样本中的用户和与所述用户具有关联的条目之间的关联程度，即用户与条目之间的交互紧密程度，以及用户与未关联的条目之间的交互疏远程度，从而使得学习得到的兴趣点推荐模型中针对每一组用户和条目的交互紧密程度得到保证。
深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似，核心目标也是从众多信息中选择出对当前任务目标更关键的信息，因而利用注意力机制，能够由所述用户条目交互数据样本中得到用户和关联的条目，以及条目和关联的用户之间的关系，即针对每个用户的聚合表示以及针对每个条目的聚合表示，然后，根据针对每个用户的聚合表示以及针对每个条目的聚合表示，就能够得到用户与用户，以及条目与条目间的相似度，当通过学习得到的用户与用户，以及条目与条目间的相似度与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异越来越小时，使得学习得到的兴趣点推荐模型中各个用户，以及各个条目的相似度越接近人为定义的相似度。
即通过使损失函数基于利用链接预测机制由所述用户条目交互数据样本得到的用户和与所述用户具有关联的条目之间的关联程度，以及利用注意力机制由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异程度确定，使得所述兴趣点推荐模型的训练综合考虑了连接预测和相似性匹配两个优化目标，即局部交互信息和全局上下文信息的学习。
作为本发明的一个实施例，所述用户和与所述用户具有关联的条目之间的关联程度，包括：
所述用户和与所述用户具有关联的条目之间的距离差。
具体地，所述距离差的类型不做具体限定，以计算用户和与所述用户具有关联的条目之间的L2距离的距离差为例，通过如下式1进行计算：
d(u,v)＝‖hu-hv‖2 (1)
其中，‖·‖2表示L2距离，hu和hv分别表示用户和条目的聚合表示。
作为本发明的一个实施例，所述兴趣点推荐模型的损失函数为：
Figure BDA0003440350100000101
其中，
Figure BDA0003440350100000102
为所述关联程度的函数；
Figure BDA0003440350100000103
为所述差异程度的函数；α为预设的代表权重的超参数；
所述关联程度的函数为：
Figure BDA0003440350100000104
所述差异程度的函数为：
Figure BDA0003440350100000105
其中，u，v分别代表用户和条目；(u,v)和(u′,v′)分别为所述用户条目交互数据样本真实存在的用户条目交互对，和虚假存在的用户条目交互对；
Figure BDA0003440350100000106
和
Figure BDA0003440350100000107
分别为真实存在的用户条目交互对集合和虚假存在的用户条目交互对集合；γ为预设的代表计算边界的超参数；
Figure BDA0003440350100000108
和
Figure BDA0003440350100000109
分别为按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和；m和n分别为所述用户条目交互数据样本中用户的总数和条目的总数；
Figure BDA00034403501000001010
和
Figure BDA00034403501000001011
分别为利用注意力机制得到的用户i与用户j，以及条目i与条目j间的相似度。
具体地，利用注意力机制得到的用户与用户，以及条目与条目间的相似度通过下式计算得到：
Figure BDA0003440350100000111
Figure BDA0003440350100000112
其中，
Figure BDA0003440350100000113
和
Figure BDA0003440350100000114
分别代表用户i和条目i的聚合表示；
Figure BDA0003440350100000115
和
Figure BDA0003440350100000116
分别代表用户j和条目j的聚合表示。
更具体地，公式4中，log表示对数计算，整体上为KL散度(一种衡量分布之间距离的非对称度量)的计算过程，这里通过log(a)/log(b)的方式，替换了log(a/b)的方式，保证了对于每个用户和条目计算出的结果都是正数。
作为本发明的一个实施例，所述按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和分别为：
Figure BDA0003440350100000117
Figure BDA0003440350100000118
其中，R∈{0,1}，表示用户和条目的交互；d为度，表示与用户交互的条目总数，或与条目交互的用户总数。
具体地，Rik∈{0,1}，表示用户i和条目k的交互，当Rik为0时，则表示用户i和条目k无交互，而当Rik为1时，则表示用户i和条目k间具有交互；d表示degree，度，就是一个实体相连的所有边的数量；R表示原始用户-条目交互矩阵，如果用户和条目存在交互，即为1，否则为0；k就是索引index，在计算用户相似度时，针对每一组用户i和j，需要遍历所有条目k去计算，即得到用户i与所有条目k，以及用户j与所有条目k间的交互差异之和。
同样地，由式8能够得到条目i与所述用户k，以及条目j与所有用户k间的交互差异之和。
作为本发明的一个实施例，所述将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据，具体包括：
将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息；
将所述所有条目信息和所述所有用户信息输入所述兴趣点推荐模型的相似度分析层，得到所述所有条目信息中的条目与条目，以及所述所有用户信息中的用户与用户间的相似度矩阵；
将所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵输入所述兴趣点推荐模型的结果输出层，由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据。
具体地，在所述兴趣点推荐模型中，通过交互关系分析层，先由训练所述兴趣点推荐模型时的样本用户条目交互数据，即原始用户条目交互数据中得到与所述用户条目交互数据中所包含的目标用户以及条目信息具有交互关联的条目信息和用户信息，然后基于得到的条目信息和用户信息，通过相似度分析层，得到条目与条目，以及用户与用户间的相似度矩阵，最后，基于相似度矩阵，通过结果输出层构建推荐交互矩阵，并通过推荐交互矩阵得到为目标用户推荐的兴趣点条目数据。
作为本发明的一个实施例，所述将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息，具体包括：
将所述用户条目交互数据输入所述交互关系分析层的一阶交互关系分析层，由所述一阶交互关系层基于图注意力机制对所述用户条目交互数据进行处理，得到与所述目标用户具有直接交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有直接交互关联的所有用户信息；
将所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息，输入所述交互关系分析层的二阶交互关系分析层，由所述二阶交互关系分析层基于交叉注意力机制对所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息进行处理，得到与所述目标用户具有潜在交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有潜在交互关联的所有用户信息；
将所述具有直接交互关联的所有条目信息、所述具有直接交互关联的所有用户信息、所述具有潜在交互关联的所有条目信息、所述具有潜在交互关联的所有用户信息，输入所述交互关系分析层的关系构建层，得到由所述具有直接交互关联的所有条目信息和所述具有潜在交互关联的所有条目信息拼接构成的与所述目标用户具有交互关联的所有条目信息，以及由所述具有直接交互关联的所有用户信息和所述具有潜在交互关联的所有用户信息拼接构成的与所述目标用户所搜索的条目信息具有交互关联的所有用户信息。
具体地，所述用户条目交互数据以目标用户-条目交互的二部图形式输入所述兴趣点推荐模型中，所述交互关系分析层的一阶交互关系分析层基于图注意力机制对所述用户条目交互数据进行处理，即首先通过式9建立出目标用户-条目之间的边：
Figure BDA0003440350100000141
其中
Figure BDA0003440350100000142
为最初的嵌入，Wu，Wv是目标用户和条目的变换矩阵，最初的嵌入指目标用户和条目直接通过映射矩阵得到的表示。
然后通过式10-13计算通过每条目标用户-条目的边进行消息传递的注意力权重，通过该边对应的目标用户和条目嵌入表示计算，并对每个用户，每个条目相连的所有边进行归一化：
Figure BDA0003440350100000143
Figure BDA0003440350100000144
Figure BDA0003440350100000145
Figure BDA0003440350100000146
其中，箭头表示数据传输的方向；W是变化矩阵；N是与目标用户或者条目直接交互的其他条目或用户；cuv为从目标用户u到条目v数据传递的未归一化的注意力权重；αuv为从目标用户u到条目v数据传递的归一化的注意力权重，即其中每条边的注意力权重是通过与该边相连的目标用户和条目计算出的，并且进行了归一化，使得目标用户对所有关联的条目的总注意力为1，条目对所有关联的目标用户的总注意力为1，进而得到与所述目标用户具有直接交互关联的所有条目信息的表示，以及与所述目标用户所搜索的条目信息具有直接交互关联的所有用户信息的表示，分别如式14和15所示：
Figure BDA0003440350100000147
Figure BDA0003440350100000148
其中，
Figure BDA0003440350100000151
和
Figure BDA0003440350100000152
分别为目标用户和条目的一阶表示；σ为非线性激活函数。
进一步地，由所述二阶交互关系分析层基于交叉注意力机制对所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息进行处理，具体包括：分别通过目标用户和条目的一阶表示，计算目标用户和条目的二阶表示，即与所述目标用户具有潜在交互关联的所有条目信息的表示，以及与所述目标用户所搜索的条目信息具有潜在交互关联的所有用户信息的表示。
首先，基于自然语言处理，通过式16-19计算一阶表示的交叉注意力：
Figure BDA0003440350100000153
Figure BDA0003440350100000154
Figure BDA0003440350100000155
Figure BDA0003440350100000156
其中，
Figure BDA0003440350100000157
表示投影矩阵；Q(query)指查询；K(key)指关键词；V(value)指值；Q、K、V是由目标用户和条目的一阶聚合表示通过映射矩阵转换得到的表示，在交叉注意力的计算过程中，Q应当与K和V表示不同类型的实体，如：Q表示目标用户，则K和V则表示条目；Q表示条目，则K和V则表示目标用户。Q和K进行矩阵乘积，就能得到交叉注意力值，之后再与V相同，就能计算得到交叉注意力加权后的二阶聚合表示；A表示目标用户-条目的邻接矩阵；T表示矩阵转置。
然后，基于一阶表示的交叉注意力，得到目标用户和条目的二阶表示，如式20和21所示：
Figure BDA0003440350100000158
Figure BDA0003440350100000159
其中，
Figure BDA0003440350100000161
和
Figure BDA0003440350100000162
分别为目标用户和条目的二阶表示；：表示取值为矩阵的行或列的所有值。
更进一步地，由所述交互关系分析层的关系构建层，得到由所述目标用户的一阶表示和二阶表示拼接构成与所述目标用户具有交互关联的所有条目信息，以及由所述条目的一阶表示和二阶表示拼接构成与所述目标用户所搜索的条目信息具有交互关联的所有用户信息。
综上，通过采用图注意力消息传递和交叉注意力信息聚合来显式地学习相似性度量，使得得到的目标用户和条目之间的交互关联更加全面。
可以理解的是，基于所述兴趣点推荐模型的交互关系分析层的这一功能，在模型训练的过程中，用于计算用户和与所述用户具有关联的条目之间的距离时，所应用的用户和条目也为一阶表示和二阶表示的拼接表示，即式1变形为：
Figure BDA0003440350100000163
作为本发明的一个实施例，所述由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据，具体包括：
由所述结果输出层根据由所述用户条目交互数据构建的原始交互矩阵，和所述推荐交互矩阵，基于预设公式，得到为所述目标用户推荐的兴趣点条目数据，所述原始交互矩阵根据所述所有条目信息和所述所有用户信息构建；
所述预设公式为：
Figure BDA0003440350100000164
其中，R*为所述推荐交互矩阵，R为所述原始交互矩阵；
Figure BDA0003440350100000171
和
Figure BDA0003440350100000172
分别为用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，λ1，λ2，λ3为预设的代表权重的超参数。
具体地，根据推荐交互矩阵，在利用所述兴趣点推荐模型为目标用户提供兴趣点推荐时，使所述兴趣点推荐模型能够将构建的原始交互矩阵利用线性外推的方式，通过推荐交互矩阵进行优化，即使原始交互矩阵更加符合推荐交互矩阵，而原始交互矩阵是通过输入所述兴趣点推荐模型的用户条目交互数据得到的与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息构建的，所以能够使得根据输入的用户条目交互数据通过所述兴趣点推荐模型，得到为目标用户推荐的兴趣点。
作为本发明的一个实施例，所述用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，分别为：
Figure BDA0003440350100000173
Figure BDA0003440350100000174
其中，T为矩阵的转置；：表示取值为矩阵的行或列的所有值；L为相似度矩阵的拉普拉斯正则化；tr表示矩阵迹运算。
具体地，相似度匹配计算的公式如下式26：
L＝I-D-1/2SD-1/2 (26)
其中，L为学习得到的相似度矩阵的拉普拉斯正则化，I表示单位矩阵，D表示度矩阵，S表示学习得到的相似度矩阵
Figure BDA0003440350100000175
或
Figure BDA0003440350100000176
将式26代入式24和25，就能分别得到所述用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异。
本发明所述的兴趣点推荐方法采用图注意力消息传递和交叉注意力信息聚合来显式地学习相似性度量；通过使用组合的目标函数即局部交互预测和全局相似性匹配，学习型相似性度量反映了每个用户和条目的细粒度的个性化信息，而这些信息是在以前的启发式方法中被忽略的，与其他的图表示学习推荐方法相比，本发明所述方法能够更好的利用学习型相似性的特点，从而获得更鲁棒的性能表现，对推荐系统领域的发展具有重要意义。
下面结合图2对本发明提供的一种兴趣点推荐系统进行描述，下文描述的一种兴趣点推荐系统与上文描述的一种兴趣点推荐方法可相互对应参照。
本发明提供的一种兴趣点推荐系统，包括数据获取模块210和数据处理模块220；其中，
所述数据获取模块210用于获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；
所述数据处理模块220用于将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；
其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
具体地，本发明所述的兴趣点推荐系统，通过将获取的目标用户的用户信息和所述目标用户所搜索的条目信息作为用户条目交互数据输入兴趣点推荐模型中，利用基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的兴趣点推荐模型，就能得到为所述目标用户推荐的兴趣点条目数据，实现了利用在训练过程中充分考虑了用户与用户，以及条目与条目间的细粒度的个性化信息的兴趣点推荐模型，为目标用户更为精准做兴趣点推荐的目的。
本发明实施例提供的兴趣点推荐系统用于签署各实施例的一种兴趣点推荐方法。该兴趣点推荐系统包括的各模块实现相应功能的具体方法和流程详见上述一种兴趣点推荐方法的实施例，此处不再赘述。
本发明的兴趣点推荐系统用于前述各实施例的一种兴趣点推荐方法。因此，在前述各实施例中的一种兴趣点推荐方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行兴趣点推荐方法，该方法包括：获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的兴趣点推荐方法，该方法包括：获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法提供的兴趣点推荐方法，该方法包括：获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种兴趣点推荐方法，其特征在于，包括：
获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；
将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；
其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
2.根据权利要求1所述的兴趣点推荐方法，其特征在于，所述兴趣点推荐模型的损失函数是基于利用链接预测机制由所述用户条目交互数据样本得到的用户和与所述用户具有关联的条目之间的关联程度，以及利用注意力机制由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，与按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度之间的差异程度确定的。
3.根据权利要求2所述的兴趣点推荐方法，其特征在于，所述用户和与所述用户具有关联的条目之间的关联程度，包括：
所述用户和与所述用户具有关联的条目之间的距离差。
4.根据权利要求3所述的兴趣点推荐方法，其特征在于，所述兴趣点推荐模型的损失函数为：
Figure FDA0003440350090000011
其中，
Figure FDA0003440350090000012
为所述关联程度的函数；
Figure FDA0003440350090000013
为所述差异程度的函数；α为预设的代表权重的超参数；
所述关联程度的函数为：
Figure FDA0003440350090000014
所述差异程度的函数为：
Figure FDA0003440350090000021
其中，u，v分别代表用户和条目；(u,v)和(u′,v′)分别为所述用户条目交互数据样本真实存在的用户条目交互对，和虚假存在的用户条目交互对；
Figure FDA0003440350090000022
和
Figure FDA0003440350090000023
分别为真实存在的用户条目交互对集合和虚假存在的用户条目交互对集合；γ为预设的代表计算边界的超参数；
Figure FDA0003440350090000024
和
Figure FDA0003440350090000025
分别为按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和；m和n分别为所述用户条目交互数据样本中用户的总数和条目的总数；
Figure FDA0003440350090000026
和
Figure FDA0003440350090000027
分别为利用注意力机制得到的用户i与用户j，以及条目i与条目j间的相似度。
5.根据权利要求4所述的兴趣点推荐方法，其特征在于，所述按照预设规则得到的用户i与用户j与所有条目交互，以及条目i与条目j与所有用户交互的相似度差异之和分别为：
Figure FDA0003440350090000028
Figure FDA0003440350090000029
其中，R∈{0,1}，表示用户和条目的交互；d为度，表示与用户交互的条目总数，或与条目交互的用户总数。
6.根据权利要求1至5中任一项所述的兴趣点推荐方法，其特征在于，所述将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据，具体包括：
将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息；
将所述所有条目信息和所述所有用户信息输入所述兴趣点推荐模型的相似度分析层，得到所述所有条目信息中的条目与条目，以及所述所有用户信息中的用户与用户间的相似度矩阵；
将所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵输入所述兴趣点推荐模型的结果输出层，由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据。
7.根据权利要求6所述的兴趣点推荐方法，其特征在于，所述将所述用户条目交互数据输入所述兴趣点推荐模型的交互关系分析层，得到与所述目标用户具有交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有交互关联的所有用户信息，具体包括：
将所述用户条目交互数据输入所述交互关系分析层的一阶交互关系分析层，由所述一阶交互关系层基于图注意力机制对所述用户条目交互数据进行处理，得到与所述目标用户具有直接交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有直接交互关联的所有用户信息；
将所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息，输入所述交互关系分析层的二阶交互关系分析层，由所述二阶交互关系分析层基于交叉注意力机制对所述具有直接交互关联的所有条目信息，以及所述具有直接交互关联的所有用户信息进行处理，得到与所述目标用户具有潜在交互关联的所有条目信息，以及与所述目标用户所搜索的条目信息具有潜在交互关联的所有用户信息；
将所述具有直接交互关联的所有条目信息、所述具有直接交互关联的所有用户信息、所述具有潜在交互关联的所有条目信息、所述具有潜在交互关联的所有用户信息，输入所述交互关系分析层的关系构建层，得到由所述具有直接交互关联的所有条目信息和所述具有潜在交互关联的所有条目信息拼接构成的与所述目标用户具有交互关联的所有条目信息，以及由所述具有直接交互关联的所有用户信息和所述具有潜在交互关联的所有用户信息拼接构成的与所述目标用户所搜索的条目信息具有交互关联的所有用户信息。
8.根据权利要求7所述的兴趣点推荐方法，其特征在于，所述由所述结果输出层根据所述所有条目信息和所述所有用户信息，以及所述所有条目信息中的条目与条目和所述所有用户信息中的用户与用户间的相似度矩阵构建的推荐交互矩阵，得到为所述目标用户推荐的兴趣点条目数据，具体包括：
由所述结果输出层根据由所述用户条目交互数据构建的原始交互矩阵，和所述推荐交互矩阵，基于预设公式，得到为所述目标用户推荐的兴趣点条目数据；
所述预设公式为：
Figure FDA0003440350090000041
其中，R*为所述推荐交互矩阵，R为所述原始交互矩阵；
Figure FDA0003440350090000042
和
Figure FDA0003440350090000043
分别为用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，λ1，λ2，λ3为预设的代表权重的超参数。
9.根据权利要求8所述的兴趣点推荐方法，其特征在于，所述用户与用户间和条目与条目间的相似度矩阵与推荐交互矩阵之间的匹配度差异，分别为：
Figure FDA0003440350090000051
Figure FDA0003440350090000052
其中，T为矩阵的转置；：表示取值为矩阵的行或列的所有值；L为相似度矩阵的拉普拉斯正则化；tr表示矩阵迹运算。
10.一种兴趣点推荐系统，其特征在于，包括：
数据获取模块，用于获取目标用户的用户信息，和所述目标用户所搜索的条目信息，以作为用户条目交互数据；
数据处理模块，用于将所述用户条目交互数据输入兴趣点推荐模型，获得所述兴趣点推荐模型输出的为所述目标用户推荐的兴趣点条目数据；
其中，所述兴趣点推荐模型是基于利用注意力机制由用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度，和按照预设规则由所述用户条目交互数据样本得到的用户与用户，以及条目与条目间的相似度训练得到的。
CN202111627594.5A 2021-12-28 2021-12-28 一种兴趣点推荐方法及系统 Pending CN114385930A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111627594.5A CN114385930A (zh) 2021-12-28 2021-12-28 一种兴趣点推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111627594.5A CN114385930A (zh) 2021-12-28 2021-12-28 一种兴趣点推荐方法及系统

Publications (1)

Publication Number Publication Date
CN114385930A true CN114385930A (zh) 2022-04-22

Family

ID=81198127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111627594.5A Pending CN114385930A (zh) 2021-12-28 2021-12-28 一种兴趣点推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114385930A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290398A (zh) * 2023-09-27 2023-12-26 广东科学技术职业学院 一种基于大数据的课程推荐方法及装置
CN117290611A (zh) * 2023-11-24 2023-12-26 北京信立方科技发展股份有限公司 基于多层次知识图谱的仪器推荐方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290398A (zh) * 2023-09-27 2023-12-26 广东科学技术职业学院 一种基于大数据的课程推荐方法及装置
CN117290611A (zh) * 2023-11-24 2023-12-26 北京信立方科技发展股份有限公司 基于多层次知识图谱的仪器推荐方法及装置
CN117290611B (zh) * 2023-11-24 2024-02-23 北京信立方科技发展股份有限公司 基于多层次知识图谱的仪器推荐方法及装置

Similar Documents

Publication Publication Date Title
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
WO2022041979A1 (zh) 一种信息推荐模型的训练方法和相关装置
CN113705772A (zh) 一种模型训练方法、装置、设备及可读存储介质
Li et al. Deep cross-platform product matching in e-commerce
CN104199818B (zh) 一种基于分类的社会化推荐方法
CN109635206B (zh) 融合隐式反馈和用户社会地位的个性化推荐方法及系统
Rong et al. A Monte Carlo algorithm for cold start recommendation
CN114385930A (zh) 一种兴趣点推荐方法及系统
CN112131261B (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN112084307A (zh) 一种数据处理方法、装置、服务器及计算机可读存储介质
CN114547267A (zh) 智能问答模型的生成方法、装置、计算设备和存储介质
CN113343091A (zh) 面向产业和企业的科技服务推荐计算方法、介质及程序
US11269896B2 (en) System and method for automatic difficulty level estimation
CN109885745A (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN110020195B (zh) 文章推荐方法及装置、存储介质、电子设备
CN107590742B (zh) 一种基于行为的社交网络用户属性值反演方法
CN109886299A (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN115631008B (zh) 商品推荐方法、装置、设备及介质
CN110262906B (zh) 接口标签推荐方法、装置、存储介质和电子设备
US20140324524A1 (en) Evolving a capped customer linkage model using genetic models
US11822544B1 (en) Retrieval of frequency asked questions using attentive matching
CN109582802B (zh) 一种实体嵌入方法、装置、介质及设备
CN112785372A (zh) 一种基于语义关系的智能推荐方法
Bi et al. An approach for item recommendation using deep neural network combined with the Bayesian personalized ranking
CN111444338A (zh) 文本处理、装置、存储介质及设备

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
CB03 Change of inventor or designer information

Inventor after: Zhang Yong

Inventor after: Xing Chunxiao

Inventor after: Li Xinhang

Inventor after: Li Chao

Inventor after: Wang Xia

Inventor after: Sheng Ming

Inventor before: Zhang Yong

Inventor before: Li Xinhang

Inventor before: Li Chao

Inventor before: Wang Xia

Inventor before: Sheng Ming

CB03 Change of inventor or designer information