CN114493781A - 用户行为预测方法、装置、电子设备及存储介质 - Google Patents

用户行为预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114493781A
CN114493781A CN202210084951.6A CN202210084951A CN114493781A CN 114493781 A CN114493781 A CN 114493781A CN 202210084951 A CN202210084951 A CN 202210084951A CN 114493781 A CN114493781 A CN 114493781A
Authority
CN
China
Prior art keywords
user
information
behavior information
sequence data
generator
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
CN202210084951.6A
Other languages
English (en)
Inventor
马晓楠
李六旬
权爱荣
王雅楠
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.)
Industrial and Commercial Bank of China Ltd ICBC
ICBC Technology Co Ltd
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
ICBC Technology Co Ltd
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 Industrial and Commercial Bank of China Ltd ICBC, ICBC Technology Co Ltd filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210084951.6A priority Critical patent/CN114493781A/zh
Publication of CN114493781A publication Critical patent/CN114493781A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种用户行为预测方法、装置、电子设备及存储介质，涉及金融技术领域，其中，该方法包括：通过用户终端获取用户在预定时间内的用户行为信息；根据所述用户行为信息和用户属性信息生成序列数据；将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。通过本发明，可以提高用户的体验感。

Description

用户行为预测方法、装置、电子设备及存储介质
技术领域
本发明涉及金融技术领域，具体涉及一种用户行为预测方法、装置、电子设备及存储介质。
背景技术
推荐系统旨在捕捉用户在复杂行为中的偏好特征，准确实现个性化推荐。在提升用户体验的同时，可以有效缓解信息过载，让长尾资源得到很好的暴露。由于时间因素，用户的兴趣和偏好在不断变化。因此，序列推荐可以有效捕捉感兴趣的时间序列，并用它来预测下一时刻的用户偏好，使推荐效果更符合用户的行为习惯。
序列推荐的目标是利用用户的历史行为序列来预测未来的用户兴趣。在目前的序列推荐网络结构中，采用了用户的向量嵌入和物品序列信息的向量嵌入的分离学习方式，这无法很好地挖掘用户和物品的交互特征，也无法较好地在预测序列中体现层次关系，从而无法准确预测用户的行为习惯，这降低了用户的体验感。
发明内容
有鉴于此，本发明提供一种用户行为预测方法、装置、电子设备及存储介质，以解决上述提及的至少一个问题。
根据本发明的第一方面，提供一种用户行为预测方法，所述方法包括：
通过用户终端获取用户在预定时间内的用户行为信息；
根据所述用户行为信息和用户属性信息生成序列数据；
将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；
根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
具体地，根据所述用户行为信息和用户属性信息生成序列数据包括：
基于预定规则将所述用户行为信息转换为多维序列数据、将所述用户属性信息转换为特征序列数据；
将所述多维序列数据和所述特征序列数据进行拼接处理，生成所述序列数据。
优选地，通过如下方式训练所述协同学习生成对抗网络：
获取用户历史信息并基于所述用户历史信息生成历史序列数据，所述用户历史信息包括：用户实际N+1次历史行为信息，其中，N为大于等于1的正整数；
将用户实际N次历史行为信息的历史序列数据输入至生成器，以输出第N+1次的行为信息；
将输出的第N+1次的行为信息与用户实际第N+1次历史行为信息输入至所述判别器，所述判别器基于输入的两个行为信息来调节所述生成器的参数，直到输入的第N+1次的行为信息与所述用户实际第N+1次历史行为信息之间的差异小于预定阈值，以此训练所述协同学习生成对抗网络。
进一步地，根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择之后，所述方法还包括：
通过所述用户终端获取用户的选择信息；
将所述用户未来行为信息和所述用户的选择信息输入至所述判别器，以使所述判别器基于所述用户未来行为信息和所述用户的选择信息来更新所述生成器的参数。
根据本发明的第二方面，提供一种用户行为预测装置，所述装置包括：
用户行为信息获取单元，用于通过用户终端获取用户在预定时间内的用户行为信息；
序列数据生成单元，用于根据所述用户行为信息和用户属性信息生成序列数据；
未来行为信息生成单元，用于将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；
选择信息显示单元，用于根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
具体地，所述序列数据生成单元包括：
数据转换模块，用于基于预定规则将所述用户行为信息转换为多维序列数据、将所述用户属性信息转换为特征序列数据；
序列数据生成模块，用于将所述多维序列数据和所述特征序列数据进行拼接处理，生成所述序列数据。
优选地，所述装置还包括：训练单元，用于训练所述协同学习生成对抗网络，所述训练单元包括：
历史数据获取模块，用于获取用户历史信息并基于所述用户历史信息生成历史序列数据，所述用户历史信息包括：用户实际N+1次历史行为信息，其中，N为大于等于1的正整数；
预测模块，用于将用户实际N次历史行为信息的历史序列数据输入至生成器，以输出第N+1次的行为信息；
参数调整模块，用于将输出的第N+1次的行为信息与用户实际第N+1次历史行为信息输入至所述判别器，所述判别器基于输入的两个行为信息来调节所述生成器的参数，直到输入的第N+1次的行为信息与所述用户实际第N+1次历史行为信息之间的差异小于预定阈值，以此训练所述协同学习生成对抗网络。
进一步地，所述装置还包括：
选择信息获取单元，用于通过所述用户终端获取用户的选择信息；
参数更新单元，用于将所述用户未来行为信息和所述用户的选择信息输入至所述判别器，以使所述判别器基于所述用户未来行为信息和所述用户的选择信息来更新所述生成器的参数。
根据本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
根据本发明的第四方面，提供一种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方法的步骤。
由上述技术方案可知，通过将获取的用户行为信息和用户属性信息生成序列数据，并将序列数据输入至已训练的协同学习生成对抗网络中，以预测用户未来行为信息，之后根据用户未来行为信息在用户终端显示相应的信息，以便于用户选择，如此，通过本技术方案的协同学习生成对抗网络，可以准确预测用户的行为习惯，为用户提供符合用户行为习惯的信息，便于用户选择，这样可以提高用户的体验感。
附图说明
为了更清楚地说明本发明实施例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是根据本发明实施例的用户行为预测方法的流程图；
图2是根据本发明实施例的协同学习生成对抗网络训练的流程图；
图3是根据本发明实施例的协同学习生成对抗网络的示例结构图；
图4是根据本发明实施例的用户行为预测装置的结构框图；
图5是根据本发明实施例的序列数据生成单元2的结构框图；
图6是根据本发明实施例的训练单元的结构框图；
图7为本发明实施例的电子设备600的系统构成的示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，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。
目前，使用序列推荐算法来挖掘用户和物品之间的层次关系。然而，序列推荐算法通常使用单独的学习策略，无法较好地捕捉用户和物品的相关特征以及挖掘用户和物品之间的层次关系，缺乏层次特征使得模型无法生成高质量的预测序列。因而，基于序列推荐算法的产品推荐方案，无法准确预测用户的行为习惯，这降低了用户的体验感。基于此，本发明实施例提供一种用户行为预测方案，该方案结合协同学习生成对抗网络(CollaborativeLearningGenerative Adversarial Networks，CLGAN)，捕捉了交互序列之间的层次相关性，可以较好地在预测序列中体现层次关系，从而可以准确预测用户的行为习惯，提高用户的体验感。
需要说明的是，本发明技术方案中对各用户数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。以下结合附图来来详细描述本发明实施例。
图1是根据本发明实施例的用户行为预测方法的流程图，如图1所示，该方法包括：
步骤101，通过用户终端获取用户在预定时间(例如，5分钟)内的用户行为信息。这里的用户行为信息例如是，电商场景中用户的商品浏览或购买行为。
步骤102，根据所述用户行为信息和用户属性信息(例如，性别、年龄等)生成序列数据。
具体地，基于预定规则将所述用户行为信息转换为多维序列数据、将所述用户属性信息转换为特征序列数据；随后将所述多维序列数据和所述特征序列数据进行拼接处理，生成所述序列数据。
这里的预定规则可以是文字信息转换为计算机可识别字符的规则，具体可以依据实际情况而定，本发明对此不作限制。例如，可以将电商场景中的商品名称转化为机器可识别的可用于计算机计算的矩阵形式字符。
步骤103，将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新。
步骤104，根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
通过将获取的用户行为信息和用户属性信息生成序列数据，并将序列数据输入至已训练的协同学习生成对抗网络中，以预测用户未来行为信息，之后根据用户未来行为信息在用户终端显示相应的信息，以便于用户选择，如此，通过本发明实施例的协同学习生成对抗网络，可以准确预测用户的行为习惯，为用户提供符合用户行为习惯的信息，便于用户选择，这样可以提高用户的体验感。
在实际操作中，上述协同学习生成对抗网络可以通过图2所示的流程进行训练，如图2所示，训练过程包括：
步骤201，获取用户历史信息并基于所述用户历史信息生成历史序列数据，所述用户历史信息包括：用户实际N+1次历史行为信息，其中，N为大于等于1的正整数；
步骤202，将用户实际N次历史行为信息的历史序列数据输入至生成器，以输出第N+1次的行为信息；
步骤203，将输出的第N+1次的行为信息与用户实际第N+1次历史行为信息输入至所述判别器，所述判别器基于输入的两个行为信息来调节所述生成器的参数，直到输入的第N+1次的行为信息与所述用户实际第N+1次历史行为信息之间的差异小于预定阈值，以此训练所述协同学习生成对抗网络。
在具体实施过程中，当用户选择步骤104显示的信息后，可以通过所述用户终端获取用户的选择信息；之后将步骤103预测的用户未来行为信息和用户实际选择的信息输入至判别器，以使所述判别器基于所述用户未来行为信息和所述用户实际选择的信息来更新所述生成器的参数。如此，可以进一步提高协同学习生成对抗网络的预测准确率，从而可以进一步提高用户的体验感。
在电商场景示例中，输入是用户和物品的交互信息，其中，U和I分别代表用户和物品数据集，数据集中包含现实电商场景中所有用户的点击、购买序列，U代表用户集合，I代表不同用户对应的点击、购买序列。交互信息数据表示为：{i1,i2,i3,…,it,in}，其中n为用户u在某个时间序列中的交互总数，即用户u的点击、购买序列长度(序列包含的商品数)，it为用户u的第t个交互项，即用户点击、购买序列中的第t个商品。其中，可以定义用户u交互序列中的子序列为ij:k＝{ij,…,ik}，条件为1<j<k<n，j、k、n均为正整数，即预定时间内的用户行为信息。
因此，协同学习生成对抗网络的输入为：用户的历史交互序列数据{i1,i2,i3,…,it,in}(用户的点击、购买历史序列数据)和用户属性序列数据iu(用户个人属性数据，包括年龄、性别、爱好等)；输出是：用户在第(n+1)步时可能的点击，即用户下一次可能点击、购买的商品。
为了更好地理解本发明，以下给出结合图3所示的协同学习生成对抗网络的示例结构来详细描述本发明实施例。
如图3所示，协同学习生成对抗网络(CLGAN)框架由两部分组成：生成器和判别器，其中：(1)基于协同学习的生成器，以用户行为序列为输入，推荐可能的下一个项目。它可以更好地捕捉序列信息之间的层次关系。由于生成项的离散性，该生成器的训练可以通过强化学习中的策略梯度来实现。(2)判别器，以整体序列特征作为输入，训练判别器做出更可靠的判断。通过判别器模块提供的奖励信号，指导生成器更新学习参数。
以下分别详细描述生成器和判别器的网络构建以及对抗训练过程。
(1)生成器
在CLGAN框架中，协同学习生成器模块被设计为考虑多属性序列影响的生成模型。通过引入协同学习机制，模型输入是用户的历史行为序列，用户可能点击(例如电商场景中用户的商品浏览或购买行为)的下一个项目是输出。生成器通过叠加嵌入层、协同学习层和预测层来实现序列生成器，用Gθ表示，θ是生成器模块的参数集。以下分别描述各网络层。
嵌入层(Embedding Layer)：对于嵌入矩阵MG∈RI×d，例如，将电商场景中的所有商品名称转化为机器可识别的矩阵形式用于计算机计算，其中，R表示商品经过嵌入转换后变为数字表示的矩阵，I、d代表该矩阵的行数和列数，该矩阵将原始数据one-hot表示映射到d维密集表示。例如，One-hot转换出的矩阵为n*1的维度，即有n个商品就生成n*1维的矩阵，矩阵某一位置为1表示对应位置上的商品，其余位置均为数字0。给定长度为n的历史交互序列，应用MG搜索操作来形成输入嵌入矩阵EG∈Rn×d，EG表示表示在商品嵌入矩阵MG的基础上嵌入用户历史交互序列信息，即将用户历史序列信息根据不同商品的矩阵合并成一个用户历史交互序列矩阵，序列中有n个商品即行数为n。此外，在潜在空间(即，当前嵌入层等由矩阵表示的商品或用户特征之间的运算层)中添加用户特征矩阵Pu∈Rn×d(例如，用户年龄、性别、爱好等属性组成的特征矩阵)以增强输入表示，其中，Pu表示用户特征，即，将每个不同用户的年龄、性别等特征组合生成每个用户的特征矩阵。这样，生成器EG∈Rn×d的输入表示可以通过对两个嵌入矩阵求和得到：EG＝E+P，也就是说，生成器的输入为嵌入矩阵及用户特征矩阵两个矩阵拼接得到，此时输入拥有两个维度的特征。
协同学习层(Co-learning Layer)：借鉴卷积神经网络(CNN)在图像处理中用于捕捉局部特征的成功经验，可以使用卷积块来构建生成器。在嵌入层的基础上，潜在空间EG(n×d矩阵)中前n项是卷积层的输入，它使用卷积滤波器搜索和学习序列模式。考虑到卷积运算池化部分内部数据丢失的问题，可以使用空洞卷积的方式来扩大感受以及捕获多尺度上下文信息，其中卷积滤波器采用
Figure BDA0003487256200000081
平方滤波器来捕获周围的相关特征，h为滤波器尺寸，k为卷积核的数量。此外，可以丢弃最大池化部分，该空洞卷积滤器转换如下：
Figure BDA0003487256200000082
Figure BDA0003487256200000083
Figure BDA0003487256200000084
其中l∈{1,2,…,t}是膨胀率，具体含义是在卷积核中填充膨胀率-1中0的个数，
Figure BDA0003487256200000085
是离散函数，k是离散滤波器的尺寸大小，relu是卷积网络中的激活函数，经过
Figure BDA0003487256200000086
滤波器对E进行卷积操作输出矩
Figure BDA0003487256200000087
即为第i个事项的向量表示，通过拼接[1,2,...,n-h+1]个事项的向量表示，得到该输入序列的整体向量表示zd。在通过池化避免信息丢失的情况下，通过扩张卷积扩大感受，使每个卷积输出包含更大范围的信息。在需要较长序列信息依赖的推荐问题中可以起到很好的作用。
预测层(Prediction Layer)：该层为将用户嵌入表示连接到协同学习模块的输出层，将用户短期兴趣的向量表示P(即，用户短时间内偏好的点击事项)和用户长期兴趣的向量表示zd(即，用户短时间内偏好的点击事项)拼接为一个完整向量，用于表示预测事项的向量。最后，在生成器的最后一层，使用softmax函数计算在i1:t-1个输入事项的状态下，用户对t时刻的物品it的偏好的概率Gθ，公式如下：
Figure BDA0003487256200000088
(2)判别器
判别器的输入是生成器生成的序列数据和真实的序列数据。判别器的作用是区分生成的序列数据和真实的序列数据，同时判别器输出奖励激励，引导生成器的迭代更新，使生成的序列数据更接近真实分布。参见图3，判别器包括：嵌入层、协同学习层和预测层，其中：
嵌入层(Embedding Layer)：区别于生成器的随机输入的项目嵌入表示，判别器的项目嵌入矩阵由生成器的输出和真实序列数据共同作为项目表示，即MG∈RI×d，它将项目的原始热唯一代码映射到d维的密集表示。给定长度为n的历史交互序列，应用MG搜索操作来形成输入嵌入矩阵EG∈Rn×d。同时，我们在潜在空间中拼接了用户特征矩阵Pu∈Rn×d以增强输入表示。这样，判别器EG∈Rn×d的输入表示可以通过对两个嵌入矩阵求和得到：EG＝E+P。
在实际操作中，判别器网络结构采用与生成器相同的网络结构。
由于序列推荐中的推荐事项是离散，导致生成对抗学习过程中生成器无法通过梯度回传来更新参数，这使得梯度下降法在生成对抗中难以实现。因此，可以从强化学习(RL)中的策略梯度算法中学习来更新生成器的参数。首先，在RL系统中设置顺序推荐任务。在t-steps，状态s表示为i1:t-1＝{i1,i2,…,it-1}，由t-steps之前的推荐子序列生成；下一个要为动作a选择的项目表示为it；策略梯度过程是：当动作a被执行时，它会从s过渡到一个新的状态，对应子序列i1:t＝{i1,i2,…,it}。我们定义一对状态和动作的期望回报，即Q函数，如下：
Figure BDA0003487256200000091
其中，Q为在t时刻，判别器D针对生成器Q在t时刻的动作作出的奖励值，其中，奖励值生成器生成的预测值Gθ和真实值同时输入到判别器Dθ网络后，网络训练得到的动态差值，生成器会根据奖励值修正生成器的生成结果。随着判别器的迭代更新，逐渐使生成器生成更接近真实环境中的推荐事项。
生成对抗学习过程：
我们使用经典的策略梯度来更新生成器的模型参数。形式上，生成器Gθ(it|i1:t-1)的目标是在步骤t最大化预期回报：
Figure BDA0003487256200000092
其中，Rt表示生成序列的奖励，方程(4)和方程(5)分别定义Gθ(it|i1:t-1)为生成器和
Figure BDA0003487256200000093
判别器。目标函数的梯度为J(θ)，可以推导出生成器的参数如下：
Figure BDA0003487256200000094
使用梯度策略更新生成器的参数如下：
Figure BDA0003487256200000095
其中，参数更新的步长为γ。更新生成器后，我们通过最小化以下目标损失来继续优化鉴别器
Figure BDA0003487256200000102
Figure BDA0003487256200000101
其中，Pdata是真实数据分布。
由以上描述可知，通过在序列推荐中引入了协同学习机制，可以有效地捕捉交互序列之间的层次相关性，本发明实施例的协同学习生成对抗网络(CLGAN)，使用奖励信息来动态更新层次信息的网络参数，从而可以准确预测用户的行为习惯，为用户提供符合用户行为习惯的信息，便于用户选择，这样可以提高用户的体验感。
基于相似的发明构思，本发明实施例还提供一种用户行为预测装置，该装置优选地可用于实现上述方法实施例中的流程。
图4是用户行为预测装置的结构框图，如图4所示，该装置包括：用户行为信息获取单元1、序列数据生成单元2、未来行为信息生成单元3和选择信息显示单元4，其中：
用户行为信息获取单元1，用于通过用户终端获取用户在预定时间内的用户行为信息；
序列数据生成单元2，用于根据所述用户行为信息和用户属性信息生成序列数据；
未来行为信息生成单元3，用于将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；
选择信息显示单元4，用于根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
通过序列数据生成单元2将用户行为信息获取单元1获取的用户行为信息和用户属性信息生成序列数据，未来行为信息生成单元3将序列数据输入至已训练的协同学习生成对抗网络中，以预测用户未来行为信息，之后选择信息显示单元4根据用户未来行为信息在用户终端显示相应的信息，以便于用户选择，如此，通过本发明实施例的协同学习生成对抗网络，可以准确预测用户的行为习惯，为用户提供符合用户行为习惯的信息，便于用户选择，这样可以提高用户的体验感。
具体地，如图5所示，上述序列数据生成单元2包括：数据转换模块21和序列数据生成模块22，其中：
数据转换模块21，用于基于预定规则将所述用户行为信息转换为多维序列数据、将所述用户属性信息转换为特征序列数据；
序列数据生成模块22，用于将所述多维序列数据和所述特征序列数据进行拼接处理，生成所述序列数据。
在实际操作中，上述装置还包括：训练单元，用于训练所述协同学习生成对抗网络。
如图6所示，该训练单元包括：历史数据获取模块61、预测模块62和参数调整模块63，其中：
历史数据获取模块61，用于获取用户历史信息并基于所述用户历史信息生成历史序列数据，所述用户历史信息包括：用户实际N+1次历史行为信息，其中，N为大于等于1的正整数；
预测模块62，用于将用户实际N次历史行为信息的历史序列数据输入至生成器，以输出第N+1次的行为信息；
参数调整模块63，用于将输出的第N+1次的行为信息与用户实际第N+1次历史行为信息输入至所述判别器，所述判别器基于输入的两个行为信息来调节所述生成器的参数，直到输入的第N+1次的行为信息与所述用户实际第N+1次历史行为信息之间的差异小于预定阈值，以此训练所述协同学习生成对抗网络。
在具体实施过程中，上述装置还包括：选择信息获取单元和参数更新单元，其中：
选择信息获取单元，用于通过所述用户终端获取用户的选择信息；
参数更新单元，用于将所述用户未来行为信息和所述用户的选择信息输入至所述判别器，以使所述判别器基于所述用户未来行为信息和所述用户的选择信息来更新所述生成器的参数。
上述各单元、各模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。
在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。
本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及用户行为预测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图7为本发明实施例的电子设备600的系统构成的示意框图。如图7所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，用户行为预测功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：
通过用户终端获取用户在预定时间内的用户行为信息；
根据所述用户行为信息和用户属性信息生成序列数据；
将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；
根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
从上述描述可知，本申请实施例提供的电子设备，通过将获取的用户行为信息和用户属性信息生成序列数据，并将序列数据输入至已训练的协同学习生成对抗网络中，以预测用户未来行为信息，之后根据用户未来行为信息在用户终端显示相应的信息，以便于用户选择，如此，通过本发明实施例的协同学习生成对抗网络，可以准确预测用户的行为习惯，为用户提供符合用户行为习惯的信息，便于用户选择，这样可以提高用户的体验感。
在另一个实施方式中，用户行为预测装置可以与中央处理器100分开配置，例如可以将用户行为预测装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现用户行为预测功能。
如图7所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图7中所示的所有部件；此外，电子设备600还可以包括图7中没有示出的部件，可以参考现有技术。
如图7所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种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以实现上述用户行为预测方法的步骤。
综上所述，本发明实施例提供了一种新颖的协同学习生成对抗网络，通过该网络可以预测用户未来行为信息，为用户提供符合用户行为习惯的信息，便于用户选择，这样可以提高用户的体验感。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种用户行为预测方法，其特征在于，所述方法包括：
通过用户终端获取用户在预定时间内的用户行为信息；
根据所述用户行为信息和用户属性信息生成序列数据；
将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；
根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
2.根据权利要求1所述的方法，其特征在于，根据所述用户行为信息和用户属性信息生成序列数据包括：
基于预定规则将所述用户行为信息转换为多维序列数据、将所述用户属性信息转换为特征序列数据；
将所述多维序列数据和所述特征序列数据进行拼接处理，生成所述序列数据。
3.根据权利要求1所述的方法，其特征在于，通过如下方式训练所述协同学习生成对抗网络：
获取用户历史信息并基于所述用户历史信息生成历史序列数据，所述用户历史信息包括：用户实际N+1次历史行为信息，其中，N为大于等于1的正整数；
将用户实际N次历史行为信息的历史序列数据输入至生成器，以输出第N+1次的行为信息；
将输出的第N+1次的行为信息与用户实际第N+1次历史行为信息输入至所述判别器，所述判别器基于输入的两个行为信息来调节所述生成器的参数，直到输入的第N+1次的行为信息与所述用户实际第N+1次历史行为信息之间的差异小于预定阈值，以此训练所述协同学习生成对抗网络。
4.根据权利要求1所述的方法，其特征在于，根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择之后，所述方法还包括：
通过所述用户终端获取用户的选择信息；
将所述用户未来行为信息和所述用户的选择信息输入至所述判别器，以使所述判别器基于所述用户未来行为信息和所述用户的选择信息来更新所述生成器的参数。
5.一种用户行为预测装置，其特征在于，所述装置包括：
用户行为信息获取单元，用于通过用户终端获取用户在预定时间内的用户行为信息；
序列数据生成单元，用于根据所述用户行为信息和用户属性信息生成序列数据；
未来行为信息生成单元，用于将所述序列数据输入至已训练的协同学习生成对抗网络中，以输出用户未来行为信息，其中，所述协同学习生成对抗网络包括：生成器和判别器，其中，生成器用于输出用户未来行为信息，所述判别器基于所述生成器的输出信息对所述生成器中的参数进行更新；
选择信息显示单元，用于根据所述用户未来行为信息在所述用户终端显示相应的信息，以便于用户选择。
6.根据权利要求5所述的装置，其特征在于，所述序列数据生成单元包括：
数据转换模块，用于基于预定规则将所述用户行为信息转换为多维序列数据、将所述用户属性信息转换为特征序列数据；
序列数据生成模块，用于将所述多维序列数据和所述特征序列数据进行拼接处理，生成所述序列数据。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：训练单元，用于训练所述协同学习生成对抗网络，
所述训练单元包括：
历史数据获取模块，用于获取用户历史信息并基于所述用户历史信息生成历史序列数据，所述用户历史信息包括：用户实际N+1次历史行为信息，其中，N为大于等于1的正整数；
预测模块，用于将用户实际N次历史行为信息的历史序列数据输入至生成器，以输出第N+1次的行为信息；
参数调整模块，用于将输出的第N+1次的行为信息与用户实际第N+1次历史行为信息输入至所述判别器，所述判别器基于输入的两个行为信息来调节所述生成器的参数，直到输入的第N+1次的行为信息与所述用户实际第N+1次历史行为信息之间的差异小于预定阈值，以此训练所述协同学习生成对抗网络。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
选择信息获取单元，用于通过所述用户终端获取用户的选择信息；
参数更新单元，用于将所述用户未来行为信息和所述用户的选择信息输入至所述判别器，以使所述判别器基于所述用户未来行为信息和所述用户的选择信息来更新所述生成器的参数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。
CN202210084951.6A 2022-01-25 2022-01-25 用户行为预测方法、装置、电子设备及存储介质 Pending CN114493781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210084951.6A CN114493781A (zh) 2022-01-25 2022-01-25 用户行为预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210084951.6A CN114493781A (zh) 2022-01-25 2022-01-25 用户行为预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114493781A true CN114493781A (zh) 2022-05-13

Family

ID=81473976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210084951.6A Pending CN114493781A (zh) 2022-01-25 2022-01-25 用户行为预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114493781A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943585A (zh) * 2022-05-27 2022-08-26 天翼爱音乐文化科技有限公司 一种基于生成对抗网络的业务推荐方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657156A (zh) * 2019-01-22 2019-04-19 杭州师范大学 一种基于循环生成对抗网络的个性化推荐方法
CN110136731A (zh) * 2019-05-13 2019-08-16 天津大学 空洞因果卷积生成对抗网络端到端骨导语音盲增强方法
CN111275205A (zh) * 2020-01-13 2020-06-12 优地网络有限公司 虚拟样本的生成方法、终端设备及存储介质
CN111553242A (zh) * 2020-04-24 2020-08-18 驭势（上海）汽车科技有限公司 用于预测驾驶行为的生成对抗网络的训练方法和电子设备
CN111985218A (zh) * 2020-07-30 2020-11-24 哈尔滨工业大学 一种基于生成对抗网络的司法文书自动校对方法
CN112182384A (zh) * 2020-09-28 2021-01-05 平安科技（深圳）有限公司 基于对抗学习的内容推荐方法、装置和计算机设备
CN112329816A (zh) * 2020-10-09 2021-02-05 北京嘀嘀无限科技发展有限公司 数据分类方法、装置、电子设备和可读存储介质
US20210056384A1 (en) * 2019-08-23 2021-02-25 Lg Electronics Inc. Apparatus for generating temperature prediction model and method for providing simulation environment
CN112465718A (zh) * 2020-11-27 2021-03-09 东北大学秦皇岛分校 一种基于生成对抗网络的两阶段图像修复方法
CN112884552A (zh) * 2021-02-22 2021-06-01 广西师范大学 一种基于生成对抗和知识蒸馏的轻量级多模推荐方法
CN113191969A (zh) * 2021-04-17 2021-07-30 南京航空航天大学 一种基于注意力对抗生成网络的无监督图像除雨方法
CN113344791A (zh) * 2021-07-05 2021-09-03 中山大学 基于空洞卷积和特征融合的双目超分辨率图像检测方法、系统及介质
CN113377899A (zh) * 2020-03-09 2021-09-10 华为技术有限公司 意图识别方法及电子设备
CN113792820A (zh) * 2021-11-15 2021-12-14 航天宏康智能科技(北京)有限公司 用户行为日志异常检测模型的对抗训练方法和装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657156A (zh) * 2019-01-22 2019-04-19 杭州师范大学 一种基于循环生成对抗网络的个性化推荐方法
CN110136731A (zh) * 2019-05-13 2019-08-16 天津大学 空洞因果卷积生成对抗网络端到端骨导语音盲增强方法
US20210056384A1 (en) * 2019-08-23 2021-02-25 Lg Electronics Inc. Apparatus for generating temperature prediction model and method for providing simulation environment
CN111275205A (zh) * 2020-01-13 2020-06-12 优地网络有限公司 虚拟样本的生成方法、终端设备及存储介质
CN113377899A (zh) * 2020-03-09 2021-09-10 华为技术有限公司 意图识别方法及电子设备
CN111553242A (zh) * 2020-04-24 2020-08-18 驭势（上海）汽车科技有限公司 用于预测驾驶行为的生成对抗网络的训练方法和电子设备
CN111985218A (zh) * 2020-07-30 2020-11-24 哈尔滨工业大学 一种基于生成对抗网络的司法文书自动校对方法
CN112182384A (zh) * 2020-09-28 2021-01-05 平安科技（深圳）有限公司 基于对抗学习的内容推荐方法、装置和计算机设备
CN112329816A (zh) * 2020-10-09 2021-02-05 北京嘀嘀无限科技发展有限公司 数据分类方法、装置、电子设备和可读存储介质
CN112465718A (zh) * 2020-11-27 2021-03-09 东北大学秦皇岛分校 一种基于生成对抗网络的两阶段图像修复方法
CN112884552A (zh) * 2021-02-22 2021-06-01 广西师范大学 一种基于生成对抗和知识蒸馏的轻量级多模推荐方法
CN113191969A (zh) * 2021-04-17 2021-07-30 南京航空航天大学 一种基于注意力对抗生成网络的无监督图像除雨方法
CN113344791A (zh) * 2021-07-05 2021-09-03 中山大学 基于空洞卷积和特征融合的双目超分辨率图像检测方法、系统及介质
CN113792820A (zh) * 2021-11-15 2021-12-14 航天宏康智能科技(北京)有限公司 用户行为日志异常检测模型的对抗训练方法和装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HONGBO LIANG 等: "Spectral-Spatial Attention Feature Extraction for Hyperspectral Image Classification Based on Generative Adversarial Network", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 14, 28 September 2021 (2021-09-28), pages 10017 - 10032, XP011883266, DOI: 10.1109/JSTARS.2021.3115971 *
JIE FENG 等: "Generative adversarial networks based on collaborative learning and attention mechanism for hyperspectral image classification", 《REMOTE SENSING》, vol. 12, no. 7, 3 April 2020 (2020-04-03), pages 1 - 24 *
丛晓峰 等: "基于多尺度空洞卷积的对抗去雾网络", 《应用光学》, vol. 41, no. 6, 30 November 2020 (2020-11-30), pages 1207 - 1213 *
张寅丹: "高分辨率城市土地覆被制图的阴影效应去除研究", 《中国博士学位论文全文数据库 基础科学辑》, no. 4, 15 April 2021 (2021-04-15), pages 008 - 13 *
张睿: "基于生成对抗机制的群体行为预测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2021 (2021-01-15), pages 138 - 1333 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943585A (zh) * 2022-05-27 2022-08-26 天翼爱音乐文化科技有限公司 一种基于生成对抗网络的业务推荐方法及系统

Similar Documents

Publication Publication Date Title
US20210256403A1 (en) Recommendation method and apparatus
CN111090756B (zh) 基于人工智能的多目标推荐模型的训练方法及装置
CN110402445B (zh) 使用递归神经网络浏览序列数据的方法和系统
CN111274473B (zh) 基于人工智能的推荐模型的训练方法、装置及存储介质
CN112528164B (zh) 一种用户协同过滤召回方法及装置
CN111708948A (zh) 内容项推荐方法、装置、服务器及计算机可读存储介质
CN111768231A (zh) 产品信息推荐方法及装置
CN111783873A (zh) 基于增量朴素贝叶斯模型的用户画像方法及装置
WO2021136362A1 (zh) 页面的访问处理、配置处理方法、装置及电子设备
CN111612588A (zh) 商品呈现方法及装置、计算设备、计算机可读存储介质
CN115269997A (zh) 一种金融产品推荐方法及装置
CN114493781A (zh) 用户行为预测方法、装置、电子设备及存储介质
CN112269943B (zh) 一种信息推荐系统及方法
CN117708428A (zh) 推荐信息预测方法、装置以及电子设备
CN114357236A (zh) 音乐推荐方法、装置、电子设备及计算机可读存储介质
Thabet et al. Towards intelligent serious games: deep knowledge tracing with hybrid prediction models
CN113297520A (zh) 页面设计辅助处理方法、装置及电子设备
CN110457464A (zh) 用于信息处理的方法、装置和计算设备
CN117786234B (zh) 一种基于两阶段对比学习的多模态资源推荐方法
KR102530237B1 (ko) 이성 간 매칭 제공 방법
CN113407819B (zh) 一种基于残差网络的序列推荐方法、系统及存储介质
KR102485807B1 (ko) 사용자를 위한 주방 용품 추천 방법
CN117093874A (zh) 文本生成方法、装置、计算机设备、介质和程序产品
CN117369962A (zh) 工作流执行序列生成方法、装置、计算机设备和存储介质
CN115510270A (zh) 视频数据推荐方法及装置

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