CN114565436A - 基于时序建模的车型推荐系统、方法、设备及存储介质 - Google Patents

基于时序建模的车型推荐系统、方法、设备及存储介质 Download PDF

Info

Publication number
CN114565436A
CN114565436A CN202210190361.1A CN202210190361A CN114565436A CN 114565436 A CN114565436 A CN 114565436A CN 202210190361 A CN202210190361 A CN 202210190361A CN 114565436 A CN114565436 A CN 114565436A
Authority
CN
China
Prior art keywords
user
layer
sequence
commodity
vector
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
CN202210190361.1A
Other languages
English (en)
Inventor
袁章凯
谢磊
蔡春茂
张霞
郝金隆
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile 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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210190361.1A priority Critical patent/CN114565436A/zh
Publication of CN114565436A publication Critical patent/CN114565436A/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
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于时序建模的物品推荐系统、方法、设备及存储介质，在wide‑and‑deep模型中通过用户ID增强个性化，考虑用户和物品的相关信息，把用户ID这一离散属性进行编码，降低维度，训练双塔模型，更新，当网络达到最优状态时，获得具有物理意义的空间向量，从向量中提取隐含着用户的个性化偏好。本发明加入用户ID增强推荐的个性化、充分利用LSTM结合attention技术对用户行为序列建模，充分挖掘用户偏好。通过对行为序列进行双向循环挖掘提高推荐结果的准确性、多样性的同时减少耗时耗力的特征工程。

Description

基于时序建模的车型推荐系统、方法、设备及存储介质
技术领域
本发明涉及计算机信息处理技术领域，具体涉及一种基于时序建模的推荐方法。
背景技术
随着互联网和信息技术的快速发展，产生了海量数据，使我们进入大数据时代。然而这些信息并不全是个人所关心的，用户从大量的信息中寻找对自己有用的信息也变得越来越困难，这就是所谓的信息过载。另一方面，信息的生产方也在绞尽脑汁的把用户感兴趣的信息推送到用户面前，每个人的兴趣又不尽相同，所以可以实现千人千面的推荐方法应运而生。推荐算法根据用户的特征、行为等数据，确定用户的兴趣，通过发掘用户的行为，将合适的信息推荐给用户，满足用户的个性化需求，帮助用户找到感兴趣的但又不易找到的信息或商品。因此，研发有效的推荐算法一直是学术界和工业界的热点。
对于大规模线上推荐系统而言，广义线性模型GLM(Generalized linear models，如LR等)由于其简单、可扩展和可解释等优点而广泛应用。模型通常使用one-hot编码为二进制的稀疏特征来进行训练。例如，二进制特征“is_has_tbox”用1和0分别表示安装和未安装tbox设备，除此之外，通过稀疏特征交叉转换的方式达到有效的记忆功能，例如“is_has_tbox”AND“is_has_rmu”,如果用户有“is_has_tbox”为1的特征，同时用户的特征“is_has_rmu”的值也为1，那么这两个特征通过AND交叉后的值也为1，把这两个特征作为一个特征来考虑，这个例子表明了特征共现和目标的关系。但这种方式的局限性一方面需要非常耗时的手工特征，另一方面无法生成在训练集中未出现过的但非常有用的特征对。
对于embedding-based模型，比如FM或deep NN，通过学习低维度稠密特征向量，来泛化一些没有见过的特征对，且不需要很多人工特征工程。然而，当数据稀疏、用户偏好特殊、没太大的扩展空间的情况下，很难学习到有效的低维向量。这种情况下，在大部分特征之间没有联系，但是，密集向量会训练得到非0的预测权重，从而过拟合导致推荐出没有太相关的内容。另一方面，对特征进行交叉乘积的线性模型可以记忆中特殊规则，并且所需要的参数很少。
公开号：CN107507054A，名称“一种基于循环神经网络的推荐算法”的中国发明专利申请，采用的是LSTM单循环神经网络分别对用户行为和用户信息进行建模，然后将两者组合在一起作为输出层的输入。一方面由于是单向循环网络，表达力受限，另一方面没有考虑到交叉组合特征及浅层网络的优势。本发明一方面加入双向循环网络从正反两个方向对序列进行建模，同时加入注意力机制，可以对序列中相关程度高的物品或特征赋予高权重，另一方面利用了浅层网络和交叉特征的优势，使其性能得到极大提高。
公开号CN112598462A，名称“基于协同过滤和深度学习的个性化推荐方法及系统”的中国发明专利申请，提供一种基于协同过滤和深度学习的个性化推荐方法及系统，获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；个性化推荐系统建模，包括从交互矩阵中获取用户和商品的输入向量，然后分别生成用户和商品的嵌入向量，再经过注意力神经网络对嵌入向量进行加权，加权后的嵌入向量再进行线性和非线性的交互，从而获取用户和商品之间的显式和隐式关系，最后进行用户对商品的点击率预估；使用用户行为特征序列进行模型的训练和测试。本发明充分挖掘了用户的和商品的协同信号，为捕捉用户的个性化需求提供基础，能够提高推荐系统准确度和可解释性。然而，一方面，仍然没有解决数据稀疏、冷启动这两个协同过滤固有的问题，另一方面，只是对序列物品进行了排序，后续并没有为序列建模。
上述现有技术由于是单向循环网络，表达力受限，且没有考虑到交叉组合特征及浅层网络的优势。没有解决数据稀疏、冷启动这两个协同过滤固有的问题，另一方面，只是对序列物品进行了排序，后续并没有为序列建模。特别是对于车辆这种特殊的商品，用户的偏好，用户的自身特点等非常多的信息在购买时选择怎样的车型、品牌等方面非常重要，而上述模型不能很好解决该问题。
基于以上分析，如何设计一个推荐算法既满足记忆性、泛化、又能从丰富的序列信息中挖掘用户偏好、实现千人千面的推荐方法成为本领域技术人员需要解决的问题。
发明内容
本发明针对现有技术中存在的上述问题，提出一种基于时序建模的推荐系统，既满足记忆性、泛化、又能从丰富的序列信息中挖掘用户偏好、实现千人千面的推荐方法。本发明一方面加入了用户和商品的特征，比如用户特征除了用户ID之外，还有年龄、性别、行驶里程等，除了商品ID之外，还有商品类别、品牌等特征。这些特征可以应对协同过滤的数据稀疏和冷启动问题；另一方面，采用双向LSTM(Long short-term memory，长短期记忆)网络从正反两方向捕捉序列特征。
本发明解决上述技术问题的技术方案是，提出一种基于时序建模的推荐系统，该系统包括：日志系统根据输入的用户特征及其上下文获取用户和商品特征信息，通过用户曾经购买商品序列信息，将序列信息根据时间排序，获得用户行为特征序列；召回模块从存放商品信息的数据库里初选出预定数量个相关的商品；推荐系统模型根据用户和商品特征信息、用户行为特征序列获得用户对物品关注度排序，调用线性整流函数ReLU根据关注度排序计算出推荐序列，推荐系统根据推荐推荐降序排序，将排序前预定数车型推荐给用户。
根据权利要求1所述的系统，其特征在于，推荐系统模型为层次化结构，包括输入层、嵌入层、多层感知网络层、因子分解机层、注意力层，输入层分别将用户和商品特征、用户行为特征序列独热编码获得独热编码特征；嵌入层对独热编码特征进行降维，得到用户和商品及其特征的嵌入向量；多层感知网络层、因子分解机层、双向LSTM网络层根据嵌入向量计算FM输出权重、MLP输出权重、Bi-Lstm权重；注意力层对嵌入向量进行加权；线性整流函数ReLU根据上述权重及加权向量计算用户对商品关注度，推荐系统对关注度进行排序，排序前预定数量个车型推荐给用户
本发明还提出一种基于时序建模的推荐方法，包括步骤：获取用户特征信息、车辆特征信息，以及用户曾经购买车辆序列信息，将序列信息根据时间排序，获得用户行为特征序列；根据用户和商品特征信息、用户行为特征序列计算用户对车辆关注度排序，调用线性整流函数ReLU根据关注度排序计算出最终结果，推荐系统根据最终这个结果进行降序排序，将前n个预定数车型推荐给用户。
对商品关注度排序具体包括：输入层分别将用户和商品特征、用户行为特征序列独热编码获得独热编码特征；嵌入层对独热编码特征进行降维，得到用户和商品及其特征的嵌入向量；多层感知网络层、因子分解机层、双向LSTM网络层根据嵌入向量计算FM输出权重、MLP输出权重、Bi-Lstm权重；注意力层对嵌入向量进行加权；线性整流函数ReLU根据上述权重及加权向量计算用户对商品关注度，推荐系统对关注度进行排序，排序前预定数量个车型推荐给用户。
嵌入层采用嵌入矩阵P∈Rmxk得到用户和商品及其特征的嵌入向量，其中m表示该特征的数量，k表示低维空间的维度。
用户和商品特征的嵌入向量，调用公式：ai＝f(Wiai-1+bi)＝f(zi)计算第i层网络的MLP输出权重Wi，其中，bi为偏置f为激活函数，假设是relu，输入为ai-1，输出为ai。因子分解机层根据用户和商品特征的嵌入向量，调用公式：
Figure BDA0003524312660000031
计算FM输出权重，其中，w∈Rd，Vi∈Rk，线性部分<w,x>反应一阶特征的重要性，内积反应二阶特征的重要性。
双向LSTM网络层处理来自用户行为特征，为行为序列建模。
注意力层对嵌入向量进行加权。
线性整流函数计算出最终的结果，推荐系统根据这个结果进行降序排序，把前n个商品推荐给用户。
本发明一方面加入双向循环网络从正反两个方向对序列进行建模，同时加入注意力机制，对序列中相关程度高的物品或特征赋予高权重，另一方面利用了浅层网络和交叉特征的优势，使其性能得到极大提高。
还加入了用户和商品的特征，比如用户特征除了用户ID之外，还有年龄、性别、行驶里程等，除了商品ID之外，还有商品类别、品牌等特征。这些特征可以应对协同过滤的数据稀疏和冷启动问题；另一方面，采用双向LSTM(Long short-term memory，长短期记忆)网络从正反两方向捕捉序列特征。
除此之外，本发明还采用浅层神经网络、特征交叉层、注意力机制等技术捕捉特征之间的交叉、融合、权重。
本发明的推荐方法既具有线性模型的简单、高效、记忆性及可解释性，又具有深度学习模型的高度泛化性、推荐结果的多样性，同时减少耗时费力的特征工程，加入用户ID增强推荐的个性化、充分利用LSTM结合注意力机制对用户行为序列建模，充分挖掘用户偏好。本发明的高效、实用。通过对行为序列进行双向循环挖掘提高推荐结果的准确性、多样性的同时减少耗时耗力的特征工程。
附图说明
图1为本发明推荐系统架构示意图；
图2为本发明推荐系统模型结构示意图；
图3为本发明的推荐方法流程示意图。
具体实施方式
为进一步理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述。
图1为本发明推荐系统架构。日志系统根据输入的用户特征及其上下文(如用户性别、年龄、驾龄、驾驶里程、行为习惯，车型、商品品牌、类别等)获取用户和商品特征信息，通过用户曾经购买商品序列信息，将序列信息根据时间排序，获得用户行为特征序列；
召回模块根据上述信息从存放车辆信息的数据库里为该用户初选出预定数量个最相关的物品，
建立个性化推荐系统模型根据用户和商品特征信息、用户行为特征序列获得用户对物品关注度排序，推荐系统模型向用户进行推荐。其中，个性化推荐系统模型包括输入层、嵌入层、多层感知网络层、因子分解机层、注意力层。
图2是本发明推荐系统模型结构示意图。建立层次化推荐系统模型，包括：输入层，嵌入层，LSTM网络层，多层感知网络层MLP层，因子分解机FM层，连接层，注意力层，输出层。
输入层包括特征输入部分和物品序列输入部分，特征输入部分输入用户和商品特征，物品序列输入部分输入用户行为特征序列，输入的每个特征采用独热编码获得独热编码特征；
嵌入层，对输入层的独热编码特征进行降维，得到用户和商品及其特征的嵌入向量。具体为，针对输入层的每个特征，分别采用嵌入矩阵对其进行降维，例如，对任一特征，采用嵌入矩阵P∈Rmxk，其中m表示该特征的数量，k表示低维空间的维度，得到其嵌入向量；
多层感知网络层(MLP)，将用户和商品特征的嵌入向量输入到MLP网络，
将用户和商品特征的嵌入向量输入到因子分解机(FM)层，双向LSTM网络层处理来自用户行为特征，为行为序列建模。注意力层，用于对嵌入向量进行加权，获得用户对物品关注度排序。
调用线性整流函数ReLU(Rectified Linear Unit)计算出推荐结果，推荐系统根据这个推荐结果进行降序排序，把前n个商品推荐给用户。
一种基于内容的时序推荐算法，具体包括以下步骤：
步骤1，分别获取用户和商品特征信息，比如用户性别、年龄、车型、行驶里程，商品品牌、类别等，以及用户购买商品序列信息，将序列信息根据时间进行排序，排序后的数据称为用户行为特征序列；
步骤2，建立个性化推荐系统模型，包括如下部分：
输入层，此部分包括两部分，一部分为用户和商品特征，另一部分为用户行为特征序列，分别将每个特征采用独热编码；
嵌入层，对输入层的独热编码特征进行降维，得到用户和商品及其特征的嵌入向量。其中，针对输入层的每个特征，分别采用嵌入矩阵对其进行降维，例如，对任一特征，采用嵌入矩阵P∈Rmxk，其中,R表示特征矩阵，m表示特征的数量，k表示维度，得到其嵌入向量p；
多层感知网络层(MLP)，将用户和商品特征的嵌入向量输入到MLP网络，根据激活函数调用公式：
ai＝f(Wiai-1+bi)＝f(zi)
其中，对第i层网络，一般神经网络中通过bp得到的权重(weight)为Wi，偏置(bias)为bi，激活函数为f(假设是relu)，权重和偏置均采用高斯分布初始化，并通过BP(Back Propagation)算法更新，输入向量为ai-1，输出向量为ai，其中(Wi*ai-1+bi)称为zi。
因子分解机层(FM),将用户和商品特征的嵌入向量输入到FM网络，根据公式：
Figure BDA0003524312660000061
确定表达式的值yFM，即预测结果。
其中，权重w∈Rd(用户和商品特征向量)，隐向量Vi∈Rk(用户行为特征向量)，线性部分<w,x>反应一阶特征重要性，内积反应的是二阶特征的重要性，d为用户行为特征数，j1为第j1个用户行为特征数，xj1,xj2,为第j1，j2个用户行为特征对应的输入变量，x为通过注意力机制确定的与用户和商品特征特征相关的输入变量，Vi，Vj为用户行为特征相关的第i,j个隐向量。
本发明采用双向LSTM技术在推荐算法里为序列物品建模。双向LSTM网络层，此层处理来自用户行为特征，为行为序列建模。我们采用双向LSTM的目标是更充分挖掘序列物品前后关系。
注意力层，用于对嵌入向量进行加权，自动学习各输入向量对输出结果的重要性。调用公式：
Figure BDA0003524312660000062
计算所有输入的权重和C
其中，ai是通过注意力机制确定的输入变量xi对应的权重，T表示输入变量的个数，i变量编号。
线性整流函数(Rectified Linear Unit,ReLU)计算出推荐商品结果，推荐系统根据这个结果进行降序排序，把前n个商品推荐给用户。
如图3所示为本发明的推荐方法示意图。首先进行数据统计与预处理，获取用户及物品特征、及用户访问物品序列。将用户及物品特征输入推荐模型MLP网络并进行FM处理，用户访问物品序列输入双层Lstm网络进行处理后进入。MLP网络、FM处理模块、拼接模块的输出作为注意力模块的输入，注意力模块计算并输出各变量权重，然后求权重和，最后通过Relu激活函数计算出结果，根据此结果降序排序，把TopN推荐给用户。
获取用户特征(用户ID、性别、年龄等人口统计属性)、物品特征和用户点击物品序列数据，其中，物品点击序列长度可根据实际情况进行设定(如大小为N，不足N的序列左边用0补齐)，根据事件发生的先后顺序排成一列，如果列表长度大于N，选取最近发生的N个物品备用。
将各特征数据进行独热编码，进而转换为嵌入向量。
将用户及其上下文嵌入向量一方面输入MLP网络，可以根据需要动态改变层数和节点数，如可选2层、每层3个节点。
将用户特征向量和商品特征向量分别输入MLP网络和FM网络，将物品序列向量输入双层LSTM网络，最后将三个网络的输出拼接一起，维度保持32。然后输入注意力层，获取每个特征的权重，最后，通过全连接网络获得输出结果，并进过Relu函数获得最后分数值，此值作为排序依据，降序排序，把前N个产品推荐给用户。

Claims (10)

1.一种基于时序建模的推荐系统，其特征在于，该系统包括：日志系统根据输入的用户特征及其上下文获取用户和商品特征信息，通过用户曾经购买商品序列信息，将序列信息根据时间排序，获得用户行为特征序列；召回模块从存放商品信息的数据库里初选出预定数量个相关的商品；推荐系统模型根据用户和商品特征信息、用户行为特征序列计算各特征权重，求权重和，获得用户对物品关注度排序，调用线性整流函数根据关注度排序计算出推荐序列，推荐系统根据推荐推荐降序排序，将排序前预定数车型推荐给用户。
2.根据权利要求1所述的系统，其特征在于，推荐系统模型为层次化结构，包括输入层、嵌入层、多层感知网络层、因子分解机层、注意力层，输入层分别将用户和商品特征、用户行为特征序列独热编码获得独热编码特征；嵌入层对独热编码特征进行降维，得到用户和商品及其特征的嵌入向量；多层感知网络层、因子分解机层、双向LSTM网络层根据嵌入向量计算FM输出权重、MLP输出权重、Bi-Lstm权重；注意力层对嵌入向量进行加权；线性整流函数ReLU根据上述权重及加权向量计算用户对商品关注度，推荐系统对关注度进行排序，排序前预定数量个车型推荐给用户。
3.根据权利要求1或2所述的系统，其特征在于，嵌入层针对输入层的每个特征，对输入层的独热编码特征进行降维，采用嵌入矩阵P∈Rmxk得到用户和商品及其特征的嵌入向量P，其中,R表示特征矩阵，m表示特征的数量，k表示空间维度。
4.根据权利要求3所述的系统，其特征在于，多层感知网络层根据用户和商品特征的嵌入向量，调用公式：ai＝f(Wiai-1+bi)计算第i层网络的MLP输出权重Wi，其中，bi为偏置，f为激活函数，ai-1为输入向量，ai输出为输出向量。
5.根据权利要求1或4其中之一所述的系统，其特征在于，因子分解机层根据用户和商品特征的嵌入向量，调用公式：
计算预测结果FM，其中，线性部分＜w,x＞反应一阶特征的重要性，权重w∈Rd，隐向量Vi∈Rk，内积
Figure FDA0003524312650000011
反应二阶特征的重要性。
6.一种基于时序建模的推荐方法，其特征在于，包括步骤：获取用户特征信息、车辆特征信息，以及用户曾经购买车辆序列信息，将序列信息根据时间排序，获得用户行为特征序列；根据用户和车辆特征信息、用户行为特征序列计算用户对车辆关注度排序，调用线性整流函数根据关注度排序计算出最终结果，推荐系统根据最终这个结果进行降序排序，将前n个预定数车型推荐给用户。
7.根据权利要求7所述的方法，其特征在于，对车辆关注度排序具体包括：输入层分别将用户和商品特征、用户行为特征序列独热编码获得独热编码特征；嵌入层对独热编码特征进行降维，得到用户和商品及其特征的嵌入向量；多层感知网络层、因子分解机层、双向LSTM网络层根据嵌入向量计算FM输出权重、MLP输出权重、Bi-Lstm权重；注意力层对嵌入向量进行加权；线性整流函数ReLU根据上述权重及加权向量计算用户对商品关注度，推荐系统对关注度进行排序，排序前预定数量个车型推荐给用户。
8.根据权利要求6或7所述的方法，其特征在于，嵌入层针对输入层的每个特征，对输入层的独热编码特征进行降维，采用嵌入矩阵P∈Rmxk得到用户和商品及其特征的嵌入向量P，其中,R表示特征矩阵，m表示特征的数量，k表示空间维度；多层感知网络层根据用户和商品特征的嵌入向量，调用公式：ai＝f(Wiai-1+bi)计算第i层网络的MLP输出权重Wi，其中，bi为偏置，f为激活函数，ai-1为输入向量，ai输出为输出向量；因子分解机层根据用户和商品特征的嵌入向量，调用公式：
Figure FDA0003524312650000021
计算预测结果yFM，其中，线性部分＜w,x＞反应一阶特征的重要性，权重w∈Rd，隐向量Vi∈Rk，内积
Figure FDA0003524312650000022
反应二阶特征的重要性。
9.一种电子设备，其特征在于，包括，包括权利要求1-5任一项所述的基于时序建模的推荐系统。
10.一种计算机可读存储介质，其内存储有计算机可读程序，其特征在于，所述计算机可读程序被控制器调用时，能执行如权利要求6-8任一项所述的基于时序建模的推荐方法。
CN202210190361.1A 2022-02-28 2022-02-28 基于时序建模的车型推荐系统、方法、设备及存储介质 Pending CN114565436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210190361.1A CN114565436A (zh) 2022-02-28 2022-02-28 基于时序建模的车型推荐系统、方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210190361.1A CN114565436A (zh) 2022-02-28 2022-02-28 基于时序建模的车型推荐系统、方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114565436A true CN114565436A (zh) 2022-05-31

Family

ID=81715201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210190361.1A Pending CN114565436A (zh) 2022-02-28 2022-02-28 基于时序建模的车型推荐系统、方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114565436A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114996588A (zh) * 2022-08-01 2022-09-02 平安科技（深圳）有限公司 基于双塔模型的产品推荐方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114996588A (zh) * 2022-08-01 2022-09-02 平安科技（深圳）有限公司 基于双塔模型的产品推荐方法、装置、设备及存储介质
CN114996588B (zh) * 2022-08-01 2022-10-21 平安科技（深圳）有限公司 基于双塔模型的产品推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109299396B (zh) 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
La Gatta et al. Music recommendation via hypergraph embedding
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
Rutkowski et al. A content-based recommendation system using neuro-fuzzy approach
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
Wen et al. Neural attention model for recommendation based on factorization machines
WO2021139415A1 (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN111737578A (zh) 一种推荐方法及系统
CN111563770A (zh) 一种基于特征差异化学习的点击率预估方法
CN110659411A (zh) 一种基于神经注意力自编码器的个性化推荐方法
CN111178986B (zh) 用户-商品偏好的预测方法及系统
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
Alfarhood et al. DeepHCF: a deep learning based hybrid collaborative filtering approach for recommendation systems
Khoali et al. Advanced recommendation systems through deep learning
Devipriya et al. Deep learning sentiment analysis for recommendations in social applications
Ibrahim et al. An intelligent hybrid neural collaborative filtering approach for true recommendations
Hung Integrating sentiment analysis in recommender systems
Colace et al. A content-based recommendation approach based on singular value decomposition
CN116976505A (zh) 基于信息共享的解耦注意网络的点击率预测方法
Xiang et al. Text Understanding and Generation Using Transformer Models for Intelligent E-commerce Recommendations
JP2023024932A (ja) マルチモーダルのトランスフォーマベースのアイテム分類システム、データ処理システム、データ処理方法、及びコンピュータ実行方法
Shi et al. Deep time-stream framework for click-through rate prediction by tracking interest evolution
CN114565436A (zh) 基于时序建模的车型推荐系统、方法、设备及存储介质
Nazari et al. Scalable and data-independent multi-agent recommender system using social networks analysis
CN116738053A (zh) 一种基于文本蕴含的跨域新闻推荐系统及推荐方法

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