CN114648379A - 推荐商品确定方法及装置、电子设备及可读存储介质 - Google Patents
推荐商品确定方法及装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114648379A CN114648379A CN202210228825.3A CN202210228825A CN114648379A CN 114648379 A CN114648379 A CN 114648379A CN 202210228825 A CN202210228825 A CN 202210228825A CN 114648379 A CN114648379 A CN 114648379A
- Authority
- CN
- China
- Prior art keywords
- hybrid
- gating
- vector
- user
- vector representation
- 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
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
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种推荐商品确定方法及装置、电子设备及可读存储介质。其中,该方法包括:通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,推荐模型是由预设训练样本预先训练完成的;通过推荐模型的第一混合门控模块,确定第一向量表示对应的用户向量表示,以及,通过推荐模型的第二混合门控模块,确定第二向量表示对应的商品向量表示;通过推荐模型的分类模块,根据用户向量表示以及商品向量表示确定用户数据对应的推荐商品。
Description
技术领域
本发明涉及神经网络技术领域,具体而言,涉及一种推荐商品确定方法及装置、电子设备及可读存储介质。
背景技术
现有技术中,在电子商务场景中,推荐系统从大量候选商品中筛选出的用户感兴趣的商品。进而将这些商品推荐给用户以促进商业目标增长。由于候选商品的量级通常会达到上千万甚至上亿,工业界常见的做法是将推荐系统分为召回和排序两个阶段。召回阶段的目标是从大型商品语料库中找出一小部分相关候选商品,即候选集。排序阶段的目标是对候选集进行排序。候选集的质量会影响排序的效果,因此提升召回模型在大型语料库下的召回效果,对整个推荐系统的性能提升至关重要。
现有技术中,召回阶段中通常使用双塔模型(专利申请号201911224581.6),双塔模型通过用户塔(商品塔)对用户(商品)的特征进行编码得到用户(商品)表示向量。通过计算用户表示向量和商品表示向量间的余弦相似度来度量用户对商品的偏好程度。
申请人在实现本发明的过程中,发现相关技术中存在以下问题:
为了取得较好的效果,双塔模型需要大量的训练样本。因此,在多业务场景中,现有的双塔模型联合训练大、小业务中的样本以将大业务中的知识迁移到小业务中,从而提升其在小业务上的效果。然而双塔模型未区分不同业务样本间的差异性,导致不合理的迁移发生,阻碍其效果的进一步提升,也即负迁移现象。
可见,相关技术中针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种推荐商品确定方法及装置、电子设备及可读存储介质,以至少解决由于相关技术中多业务的样本联合训练时,无法识别样本间复杂的关系,进而产生负迁移,阻碍推荐模型性能进一步提升的技术问题。
根据本发明实施例的一个方面,提供了一种推荐商品确定方法,包括:通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
根据本发明实施例的另一方面,还提供了一种推荐商品确定装置,包括:第一确定模块,用于通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;第二确定模块,用于通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;第三确定模块,用于通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
根据本发明实施例的另一方面,还提供了一种电子设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上所述的推荐商品确定方法的步骤。
根据本发明实施例的另一方面,还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上所述的推荐商品确定方法的步骤。
在本发明实施例中,通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,推荐模型是由预设训练样本预先训练完成的;通过推荐模型的第一混合门控模块,确定第一向量表示对应的用户向量表示,以及,通过推荐模型的第二混合门控模块,确定第二向量表示对应的商品向量表示;通过推荐模型的分类模块,根据用户向量表示以及商品向量表示确定用户数据对应的推荐商品。实现将用户和商品复杂的交互关系从源域迁移到目标域的目的,达到了精准刻画用户和商品之间交互关系的目的,进而解决了由于相关技术中多业务的样本联合训练时,无法识别样本间复杂的关系,进而产生负迁移,阻碍推荐模型性能进一步提升的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的推荐商品确定方法的流程示意图;
图2是根据本发明实施例的一种可选的推荐模型的结构示意图;
图3是根据本发明实施例的一种可选的权重生成器的结构示意图;
图4是根据本发明实施例的一种可选的推荐商品确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
在具体的应用场景中,本实施例中的技术方案,针对特定用户进行商品的推荐,获取目标用户的用户数据,将用户数据以及数据库中的商品数据输入至推荐模型中,来确定目标用户的商品偏好,从而确定目标用户对应的召回商品。
根据本发明实施例,提供了一种推荐商品确定方法,如图1所示,该方法具体可以包括:
S102,通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,推荐模型是由预设训练样本预先训练完成的;
在本实施例中,商品数据包括但不限于源域、目标域中的商品数据。
需要说明的是,源域为数据源丰富且为已有的知识领域,目标域是要数据稀疏且需要进行学习的领域。在本实施例中,推荐模型能够识别样本之间的关系,并在相似样本间进行迁移学习。例如,推荐模型获取源域和目标域中相似的商品,并在相似的商品间进行迁移学习。
在一个例子中,假定目标域中的商品数据为购物平台中的商品数据,源域中的商品包括外卖平台中的商品数据。其中,外卖平台中的商品数据包括配送时长、配送门店以及配送费、商品价格、商品名称。购物平台中的商品数据包括商品价格、商品名称以及店铺名称。则商品名称、商品价格为源域与目标域共有的数据,配送时长、配送门店以及配送费为源域独有的数据,店铺名称为目标域中独有的数据。
在实施例中,用户数据包括但不限于用户的个人数据,历史行为、以及位置信息。其中,个人数据包括例如用户ID、年龄、性别、婚姻状态等数据。用户的历史行为数据包括用户在预设时间段内的历史行为,例如用户最近点击或购买的商品的列表,以及用户最近收藏或点击次数大于预定阈值的商品的列表。其次,用户的位置信息包括但不限于用户所在的地理位置、用户浏览商品时所处的地理位置以及时间等。
此外,商品数据为预设数据库中的数据,该商品数据为一个商品列表,其中包括多个商品,本实施例中,对商品数据中商品的种类、库存数量以及价格等不做任何限定。
具体实施时,在接收到目标用户在特定应用程序或网页中的登录信息之后,获取用户数据以及预设数据库中的商品数据,然后召回商品数据中的一个或多个商品作为召回商品,然后基于预先设定好的排序模型或算法,根据一个或多个召回商品确定对应的推送商品,然后将推送商品推送至特定应用程序或网页中,展示给目标用户。在具体地应用场景中,目标用户可以是一个或多个人组成的一类用户群体,用户群体中的多个用户存在某一相同特征,本实施例中对此不作任何限定。
例如,在购物应用中,针对平台中某目标用户数据中“年龄12岁”以及预设数据库中的商品数据,平台将召回多个儿童喜好的商品或儿童使用的商品,例如玩具、儿童服饰、书籍等商品。
本实施例具体实施时,首先需要训练推荐模型。
本发明的一些实施例中,根据用户数据以及商品数据,构建训练样本集,该训练样本集中的每条训练样本包括:用户数据、商品数据以及标签,其中,标签取值为0或1,正样本标签的取值为1,表示目标用户与该商品发生过交互;负样本标签的取值为0,表示目标用户未与该商品发生过交互。具体地,训练样本包括用户数据中的用户属性、历史行为以及场景信息;还包括商品数据中的商品信息以及商品属性。
首先,获取网络平台存储的用户数据以及商品数据。通常,用户在平台上每一次商品浏览行为或商品购买行为都会生成一条用户行为记录,用户属性以及场景信息则可以直接在网络平台的数据库中查询并获取。
然后,然后基于用户数据以及商品数据构建训练样本。在一些实施例中,通过对上述的用户数据以及商品数据进行处理,可以得到训练样本。每条训练样本包括:用户属性中的用户ID、年龄、性别、婚姻状态;历史行为中的用户最近点击或购买的商品的列表,以及用户最近收藏或点击次数大于预定阈值的商品的列表;场景信息中用户所在的地理位置、用户浏览商品时所处的地理位置以及时间等信息。在一些实施例中,将每一个样本可以构成三元组,包括<用户数据、商品数据、标签>。
接下来,基于构建的训练样本集训练推荐模型,以用户数据、商品数据作为模型输入,以标签作为模型目标,训练推荐模型。其中,该推荐模型包括嵌入模块、混合门控模块以及分类模块。
第一嵌入模块用于生成用户数据的第一向量表示,以及,第二嵌入模块用于生成商品数据的商品第二向量表示等。具体地,第一嵌入模块以及第二嵌入模块实际为神经网络中的嵌入层,用于生成该用户特征的嵌入向量以及商品特征的嵌入向量,例如。具体地,例如针对用户属性以及场景信息等特征提取生成对应的嵌入向量,或,针对商品数据的多个商品特征生成对应的嵌入向量。
第一混合模块与第二混合模块为结构相同的混合门控模块,混合门控模块包括多层混合门控单元堆叠,每层混合门控单元中包括多个专家网络以及专家权重生成器,多个专家网络的输出通过专家权重生成器产生的权重结合起来,并将专家权重生成器产生的样本分组向量逐层上传,以逐层对样本进行分组,识别样本之间复杂的关系。混合门控单元用于将用户数据和商品数据的交互关系从源域迁移到目标域。其中,专家权重生成器用于根据样本的向量表示及上一层混合门控单元中的专家权重生成器输出的样本分组向量,生成当前专家权重生成器生成的样本分组向量以及多个专家网络对应的专家权重值。因此,对于相似的样本,会得到相似的样本分组向量;对差异性较大的样本,会得到差异性较大的样本分组向量。因此,通过样本分组向量计算专家网络的权重以实现在相似样本间共享专家网络以迁移知识,在差异性较大的样本使用不同的专家网络以避免负迁移。
分类模块用于对用户数据的对应的用户向量表示以及商品数据对应的商品向量表示进行分类,以确定用户数据对商品的商品偏好程度,然后根据目标用户的商品偏好程度确定目标用户对应的召回商品,进而根据召回商品确定目标用户对应的推荐商品。
以下对推荐模型的结构以及训练过程,做具体地介绍:
在一个例子中,推荐模型由用户模块和商品模块组成。用户模块的输入是用户特征,商品模块的输入为商品特征,其对输入特征的处理分为两步:首先,采用推荐模型的嵌入层将用户或商品特征变换为嵌入向量;其次,采用多层混合门控单元将嵌入向量变换为第一向量表示或第二向量表示。用户模块或商品模块的输出为用户向量表示或商品向量表示。记用户u的用户向量表示为ru,商品i的商品向量表示为ri,采用ru和ri的余弦相似度度量用户u对商品i的偏好程度pu,i越大表示用户u对商品i的偏好程度越高。
在推荐模型的模型训练的过程中,联合源域和目标域中的样本进行训练。每个训练样本可表示为三元组(u,i,l),其中l∈{0,1}表示u是和i之间是否存在交互关系。记目标域的训练样本集合为St,目标域上的损失函数如下:
采用同样的方式定义源域上的损失函数losss,并对二者加权求和得到联合损失函数:
loss=losst+λlosss
其中,λ用于调整不同域的损失函数间的关系。设置0<λ<1,以使模型更关注目标域上的损失。采用Adam算法极小化联合损失函数。模型训练完成后,将所有用户向量表示{ru}和商品向量表示{ri}存储起来以在推荐系统的召回阶段使用。记召回物品的数目为k,则对任一用户u,召回最大的k个商品。
可选地,在本实施例中,通过推荐模型中的嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,包括但不限于:通过第一嵌入模块,根据用户数据中的用户属性、历史行为以及场景信息确定第一向量表示;通过第二嵌入模块,根据商品数据中的多个商品特征确定第二向量表示。
具体地,用户数据包括三类数据,用户属性、历史行为以及场景信息,其中,用户属性包括但不限于用户ID、年龄、性别、婚姻状态等;历史行为包括但不限于用户在预设时间段内的历史行为,例如用户最近点击或购买的商品的列表,以及用户最近收藏或点击次数大于预定阈值的商品的列表;场景信息包括但不限于用户所在的地理位置、用户浏览商品时所处的地理位置以及时间等。
进一步可选地,在本实施例中,用户属性以及场景信息分别包括多个用户特征,历史行为包括用户行为对应的历史商品列表,其中,通过第一嵌入模块,根据用户数据中的用户属性、历史行为以及场景信息输入确定第一向量表示,包括但不限于:根据第一向量词典确定用户属性对应的第一嵌入向量,其中,用户属性中的每个用户特征分别对应一个第一向量词典;根据第二向量词典确定场景信息对应的第二嵌入向量,其中,场景信息中的每个用户特征分别对应一个第二向量词典;
具体地,在本实施例中,若某一种用户属性或场景信息有t种取值的用户特征,用户属性中的每种用户特征对应一个第一向量词典,场景信息中的每种用户特征对应一个第二向量词典。在第一嵌入模块(神经网络中的嵌入层)中针对每种用户特征设置一个可学习的嵌入词典其中,d是用户特征对应的向量维度。用户特征对应的向量的排列位置是固定的,当该用户特征取第i个值时,采用W的第i列作为该特征的嵌入向量。对用户属性或场景信息对应的每个用户特征,均采用一个独立可学习的嵌入向量词典。用户特征对应的嵌入词典用于存储该用户属性或场景信息中的用户特征对应的嵌入向量,例如在用户属性的用户年龄特征对应的第一向量词典中存储用户年龄向量,在用户场景的位置特征对应的第二向量词典中存储位置向量。
由此,用户属性以及场景信息中分别包括多个用户特征,每个用户特征分别对应一个向量维度的向量词典,通过上述设置的每个用户特征对应的第一向量词典或第二向量词典,在对用户属性或场景信息生成嵌入向量的过程中,只需要在用户属性或场景信息的用户特征对应向量词典中,根据用户特征获取用户属性或场景信息对应的嵌入向量。例如,针对用户属性中的用户性别,采用维度为10的向量对用户性别进行编码,构建用户性别对应的第一向量词典,然后若目标用户的为男性,则第一向量词典中的向量矩阵中查找该用户性别所对应的嵌入向量。
另一方面,根据第三向量词典确定历史商品列表中每个商品对应的历史商品向量,以及,对历史商品列表中的各个历史商品向量进行求和,以得到第三嵌入向量。
在具体地应用场景中,每个用户对应的历史行为包括用户在预设时间段内点击或浏览的商品列表,或者用户点击次数大于预设次数阈值的商品的列表。历史行为包括但不限于每种用户行为对应的历史商品列表,历史商品列表中往往都存在多个商品,每个商品分别对应不同的历史商品向量。在本实施例中,通过商品特征在第三向量词典中的位置获取商品对应的历史商品向量,对商品列表中的多个商品对应的历史商品向量进行向量求和,以得到用户的历史行为对应的第三嵌入向量。
在一个例子中,假定共有m个商品,在嵌入模块采用一个可学习的嵌入词典来存储商品的商品向量,其中d′是商品的向量维度。对第i个商品,其编码向量为W′的第i列,记为W′[i]。每个历史行为特征的取值是一个商品列表,当用户和第i1,…,il个商品产生过某种交互时,该历史行为对应的第三嵌入向量为
最后,通过对上述三类数据进行特征提取,得到第一嵌入向量、第二嵌入向量以及第三嵌入向量。对第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接,以得到用户数据对应的第一向量表示,该第一向量表示用于对用户进行精准的画像,用于体现用户的偏好。
可选地,在本实施例中,通过第二嵌入模块,根据商品数据中的多个商品特征确定第二向量表示,包括但不限于:根据第四向量词典确定商品特征对应的商品特征向量,其中,每个商品特征分别对应一个第四向量词典;对各个商品特征对应的商品特征向量进行拼接,以得到第二向量表示。
在具体地应用场景中,商品数据包括但不限于商品ID、品类、价格、地理位置等多个商品特征。与上述较为相似的方法,确定商品数据中的多个商品特征,然后根据第四向量词典确定商品列表中各个商品特征对应的商品特征向量,对多个商品特征向量进行拼接,可以得到商品数据对应的嵌入向量,即第二向量表示。
在本实施例中,对用户数据以及商品数据对应的嵌入向量获取过程中,根据商品数据或用户数据所属的域对应的域特征,可以得到域特征对应的嵌入向量由三部分组成:其中ec表示共有用户数据/商品数据的嵌入向量,es表示源域独有用户数据/商品数据的嵌入向量,et表示目标域独有用户数据/商品数据的嵌入向量。若嵌入源域的用户数据/商品数据,将et设为零向量;反之,若嵌入目标域的用户数据/商品数据,将es设为零向量。
然后,由商品对应的商品特征以及域特征进行拼接,以得到商品对应的第二向量表示。
在实际的应用场景中,商品数据存储于预设数据库中,一般来说,商品数据是固定的,不会发生变化的,因此可以预先通过第二嵌入模块获取商品数据对应的第二向量表示,然后通过混合门控模块确定第二向量表示对应的商品向量表示,然后将商品向量表示存储在数据库中,在计算用户数据对应的用户向量表示之后,可以直接获取数据库中存储的商品向量表示,计算二者的余弦相似度,进而确定目标用户对商品的偏好程度。
通过上述实施例,在第四向量词典中确定与商品数据中各个商品特征对应的商品特征向量;对商品对应的商品特征向量进行拼接,以得到第二向量表示,以实现将源域中的商品数据迁移到目标域中。
S104,通过推荐模型的第一混合门控模块,确定第一向量表示对应的用户向量表示,以及,通过推荐模型的第二混合门控模块,确定第二向量表示对应的商品向量表示;
在本实施例中,通过推荐模型的第一混合门控模块以及第二混合门控模块,将源域中用户数据对应的第一向量表示以及商品数据对应的第二向量表示,迁移至目标域中。混合门控模块用于将多个专家网络的输出通过专家权重生成器产生的权重结合起来,并将样本分组向量逐层上传,混合门控单元用于将用户数据和商品数据的交互关系从源域迁移到目标域。
可选地,在本实施例中,第一混合门控模块与第二混合门控模块为相同结构的混合门控模块,混合门控模块包括多层混合门控单元堆叠,每一层混合门控单元包括多个专家网络以及一个专家权重生成器,每个专家网络的输入包括上一层混合门控单元中上一层专家权重生成器输出的专家网络权重与上一层混合门控单元中多个专家网络输出的多个向量的加权求和;专家权重生成器的输入包括上一层混合门控单元中的上一层专家权重生成器输出的样本分组向量以及加权求和;专家权重生成器的输出包括专家网络权重以及样本分组向量;其中,
通过推荐模型的第一混合门控模块,确定第一向量表示对应的用户向量表示,包括但不限于:将第一向量表示输入至第一混合门控模块的第一层混合门控单元中的多个专家网络;将第一向量表示输入以及样本所属的域输入至第一混合门控模块的第一层混合门控单元中的专家权重生成器,经过第一混合门控模块中多层混合门控单元的处理后,。
在实际的应用场景中,混合门控模块为多层混合门控单元堆叠而成,如图2所示为本发明实施例中一种可选地混合门控模块的结构示意图,混合门控模块中包括混合门控单元22、混合门控单元24以及混合门控单元26,其中,混合门控单元22为初始层的混合门控单元,图2中混合门控单元均包括三个专家网络以及一个专家权重生成器,三个专家网络分别为专家一、专家二以及专家三。三个专家网络的输出经过加权求和,以得到混合门控单元的输出。每层混合门控单元中的专家权重生成器的输入为上一层混合门控单元中输出以及上一层混合门控单元中权重生成器输出的样本分组向量。
在图2中,混合门控单元22为初始层网络,混合门控单元26为最后一层网络,在混合门控单元22中输入嵌入模块输出的嵌入向量分别输入至三个专家网络,然后将嵌入模块输出的嵌入向量以及样本所属的域(源域、目标域、共享域)输入至混合门控单元22中的专家权重生成器。最后,在混合门控单元26中得到对应的向量表示。
在具体地应用场景中,多层混合门控单元的具体流程如下:
多层混合门控单元的输入为二元组(x,l),其中x是嵌入模块的输出,l标识当前样本所属的域:若当前样本属于源域则l=[1,0]T;若当前样本属于目标域则l=[0,1]T。多层混合门控单元由多个单层的混合门控单元堆叠而成,单层混合门控单元由若干个专家网络和一个专家权重生成器组成(图2展示了三层混合门控单元)。第L层混合门控单元的输入为二元组(xL-1,pL-1),其中xL-1表示第L-1层混合门控单元的输出,pL-1表示第L-1层混合门控单元中的样本分组向量。取(x0,p0)=(x,l)作为第一层的输入。第L层的混合门控单元采用如下公式对xL-1进行变换:
在上述实施例中,在通过推荐模型的混合门控模块,确定第一向量表示对应的用户向量表示;同时,预先通过推荐模型的混合门控模块确定商品数据对应的第二向量表示对应商品向量表示,具体过程与用户向量表示的处理方式相同,在此不做赘述,通过上述实施例,可以实现将用户数据和商品数据的交互关系从源域迁移到目标域。
可选地,在本实施例中,每一层混合门控单元中专家权重生成器的输出包括样本分组向量以及所述多个专家网络对应的权重,每一层混合门控单元中专家权重生成器的输入包括上一层混合门控单元的输出以及上一层混合门控单元的专家权重生成器输出的样本分组向量,上一层混合门控单元的输出包括上一层专家权重生成器输出的专家网络权重与上一层混合门控单元中多个专家网络生成的多个向量的加权求和,该方法还包括但不限于:
对上一层混合门控单元的输出以及上一层混合门控单元中专家权重生成器输出的样本分组向量进行拼接,并进行逐元素的Sigmoid变换,以得到调整向量;对上一层混合门控单元中专家权重生成器输出的样本分组向量以及调整向量进行逐元素的乘积,并进行Softmax变换,以得到当前层混合门控单元中专家权重生成器输出的样本分组向量;将上一层混合门控单元的输出输入至多个预设门控网络中,以得到多个门控网络向量;将样本分组向量作为多个门控网络的权重与多个门控网络向量进行加权求和,对求和结果进行Softmax变换,以得到当前层混合门控单元中专家权重生成器输出的多个专家网络对应的权重。
具体地,如图3所示,为本发明实施例中一种可选地专家权重生成器的结构示意图,专家权重生成器输出样本分组向量以及专家网络的权重的过程如下:
专家权重生成器生成wL的公式如下:
在上述实施例中,通过专家权重生成器,能够准确地确定用户数据和商品数据的交互关系。
S106,通过推荐模型的分类模块,根据用户向量表示以及商品向量表示确定用户数据对应的推荐商品。
在确定用户向量表示以及商品向量表示之后,根据用户向量表示以及商品向量表示计算余弦相似度,确定商品数据中余弦相似度最大的若干个商品为召回商品。在确定与用户数据对应的召回商品之后,根据预先设置的排序模型或者排序算法确定召回商品中的推荐商品,然后将推荐商品推送至目标用户。
在本实施例中,通过推荐模型中的嵌入模块确定目标用户的用户数据对应的第一向量表示,其中,推荐模型是由预设训练样本预先训练完成的;通过推荐模型的混合门控模块,确定第一向量表示对应的用户向量表示;通过推荐模型的分类模块,根据用户向量表示以及商品数据对应的商品向量表示确定用户数据对应的推荐商品。实现将用户和商品复杂的交互关系从源域迁移到目标域的目的,达到了精准刻画用户和商品之间交互关系的目的,进而解决了由于相关技术中多业务的样本联合训练时,无法识别样本间复杂的关系,进而产生负迁移,阻碍推荐模型性能进一步提升的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述推荐商品确定方法的推荐商品确定装置,如图4所示,该装置包括:
1)第一确定模块40,用于通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;
2)第二确定模块42,用于通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;
3)第三确定模块44,用于通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
可选地,在本实施例中,所述第一混合门控模块与所述第二混合门控模块为相同结构的混合门控模块,所述混合门控模块包括多层混合门控单元堆叠,每一层所述混合门控单元包括多个专家网络以及一个专家权重生成器,每个所述专家网络的输入包括上一层混合门控单元中上一层专家权重生成器输出的专家网络权重与所述上一层混合门控单元中多个专家网络输出的多个向量的加权求和;所述专家权重生成器的输入包括所述上一层混合门控单元中的上一层专家权重生成器输出的样本分组向量以及所述加权求和;所述专家权重生成器的输出包括专家网络权重以及样本分组向量;其中,所述第一确定模块40包括:
1)第一输入单元,用于将所述第一向量表示输入至所述第一混合门控模块的第一层混合门控单元中的多个专家网络;
2)第二输入单元,用于将所述第一向量表示及样本所属的域输入至所述第一混合门控模块的第一层混合门控单元中的专家权重生成器,经过所述第一混合门控模块中多层混合门控单元的处理后,得到用户向量表示;
3)第三输入单元,用于将所述第二向量表示输入至所述第二混合门控模块的第一层混合门控单元中的多个专家网络;
4)第四输入单元,用于将所述第二向量表示及样本所属的域输入至所述第二混合门控模块的第一层混合门控单元中的专家权重生成器,经过所述第二混合门控模块中多层混合门控单元的处理后,得到商品向量表示。
在本实施例中,通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,推荐模型是由预设训练样本预先训练完成的;通过推荐模型的第一混合门控模块,确定第一向量表示对应的用户向量表示,以及,通过推荐模型的第二混合门控模块,确定第二向量表示对应的商品向量表示;通过推荐模型的分类模块,根据用户向量表示以及商品向量表示确定用户数据对应的推荐商品。实现将用户和商品复杂的交互关系从源域迁移到目标域的目的,达到了精准刻画用户和商品之间交互关系的目的,从而提高了为用户推送商品的精准度,进而解决了由于相关技术中多业务的样本联合训练时,无法识别样本间复杂的关系,进而产生负迁移,阻碍推荐模型性能进一步提升的技术问题。
实施例3
根据本发明实施例,还提供了一种电子设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上所述的推荐商品确定方法的步骤。
可选地,在本实施例中,存储器被设置为存储用于执行以下步骤的程序代码:
S1,通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;
S2,通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;
S3,通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
实施例4
本发明的实施例还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上所述的推荐商品确定方法的步骤。
可选地,在本实施例中,可读存储介质被设置为存储用于执行以下步骤的程序代码:
S1,通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;
S2,通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;
S3,通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
可选地,存储介质还被设置为存储用于执行上述实施例1中的方法中所包括的步骤的程序代码,本实施例中对此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以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,可以存储在上述计算机可读取的存储介质中。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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、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。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种推荐商品确定方法,其特征在于,包括:
通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;
通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;
通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
2.根据权利要求1所述的方法,其特征在于,通过推荐模型中的嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,包括:
通过所述第一嵌入模块,根据所述用户数据中的用户属性、历史行为以及场景信息确定所述第一向量表示;
通过所述第二嵌入模块,根据所述商品数据中的多个商品特征确定所述第二向量表示。
3.根据权利要求2所述的方法,其特征在于,所述用户属性以及所述场景信息分别包括多个用户特征,所述历史行为包括用户行为对应的历史商品列表,其中,
通过所述第一嵌入模块,根据所述用户数据中的用户属性、历史行为以及场景信息确定所述第一向量表示,包括:
根据第一向量词典确定所述用户属性对应的第一嵌入向量,其中,所述用户属性中的每个用户特征分别对应一个所述第一向量词典;
根据第二向量词典确定所述场景信息对应的第二嵌入向量,其中,所述场景信息中的每个用户特征分别对应一个所述第二向量词典;
根据第三向量词典确定所述历史商品列表中每个商品对应的历史商品向量,以及,对所述历史商品列表中的各个历史商品向量进行求和,以得到第三嵌入向量;
对所述第一嵌入向量、所述第二嵌入向量以及所述第三嵌入向量进行拼接,以得到所述第一向量表示。
4.根据权利要求2所述的方法,其特征在于,通过所述第二嵌入模块,根据所述商品数据中的多个商品特征确定所述第二向量表示,包括:
根据第四向量词典确定所述商品特征对应的商品特征向量,其中,每个所述商品特征分别对应一个所述第四向量词典;
对所述各个商品特征对应的商品特征向量进行拼接,以得到所述第二向量表示。
5.根据权利要求1所述的方法,其特征在于,所述第一混合门控模块与所述第二混合门控模块为相同结构的混合门控模块,所述混合门控模块包括多层混合门控单元堆叠,每一层所述混合门控单元包括多个专家网络以及一个专家权重生成器,每个所述专家网络的输入包括上一层混合门控单元中上一层专家权重生成器输出的专家网络权重与所述上一层混合门控单元中多个专家网络输出的多个向量的加权求和;所述专家权重生成器的输入包括所述上一层混合门控单元中的上一层专家权重生成器输出的样本分组向量以及所述加权求和;所述专家权重生成器的输出包括专家网络权重以及样本分组向量;其中,通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,包括:
将所述第一向量表示输入至所述第一混合门控模块的第一层混合门控单元中的多个专家网络;
将所述第一向量表示及样本所属的域输入至所述第一混合门控模块的第一层混合门控单元中的专家权重生成器,经过所述第一混合门控模块中多层混合门控单元的处理后,得到用户向量表示。
6.根据权利要求5所述的方法,其特征在于,所述每一层混合门控单元中专家权重生成器的输出包括样本分组向量以及所述多个专家网络对应的权重,所述每一层混合门控单元中专家权重生成器的输入包括上一层混合门控单元的输出以及上一层混合门控单元的专家权重生成器输出的样本分组向量,所述上一层混合门控单元的输出包括上一层专家权重生成器输出的专家网络权重与所述上一层混合门控单元中多个专家网络生成的多个向量的加权求和,所述方法还包括:
对所述上一层混合门控单元的输出以及所述上一层混合门控单元中专家权重生成器输出的样本分组向量进行拼接,并进行逐元素的Sigmoid变换,以得到调整向量;
对所述上一层混合门控单元中专家权重生成器输出的样本分组向量以及所述调整向量进行逐元素的乘积,并进行Softmax变换,以得到当前层混合门控单元中专家权重生成器输出的样本分组向量;
将所述上一层混合门控单元的输出输入至多个预设门控网络中,以得到多个门控网络向量;
将所述样本分组向量作为所述多个门控网络的权重与所述多个门控网络向量进行加权求和,对求和结果进行Softmax变换,以得到所述当前层混合门控单元中专家权重生成器输出的所述多个专家网络对应的权重。
7.一种推荐商品确定装置,其特征在于,包括:
第一确定模块,用于通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示,以及,通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示,其中,所述推荐模型是由预设训练样本预先训练完成的;
第二确定模块,用于通过所述推荐模型的第一混合门控模块,确定所述第一向量表示对应的用户向量表示,以及,通过所述推荐模型的第二混合门控模块,确定所述第二向量表示对应的商品向量表示;
第三确定模块,用于通过所述推荐模型的分类模块,根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。
8.根据权利要求7所述的装置,其特征在于,所述第一混合门控模块与所述第二混合门控模块为相同结构的混合门控模块,所述混合门控模块包括多层混合门控单元堆叠,每一层所述混合门控单元包括多个专家网络以及一个专家权重生成器,每个所述专家网络的输入包括上一层混合门控单元中上一层专家权重生成器输出的专家网络权重与所述上一层混合门控单元中多个专家网络输出的多个向量的加权求和;所述专家权重生成器的输入包括所述上一层混合门控单元中的上一层专家权重生成器输出的样本分组向量以及所述加权求和;所述专家权重生成器的输出包括专家网络权重以及样本分组向量;其中,
所述第二确定模块包括:
第一输入单元,用于将所述第一向量表示输入至所述第一混合门控模块的第一层混合门控单元中的多个专家网络;
第二输入单元,用于将所述第一向量表示及样本所属的域输入至所述第一混合门控模块的第一层混合门控单元中的专家权重生成器,经过所述第一混合门控模块中多层混合门控单元的处理后,得到用户向量表示;
第三输入单元,用于将所述第二向量表示输入至所述第二混合门控模块的第一层混合门控单元中的多个专家网络;
第四输入单元,用于将所述第二向量表示及样本所属的域输入至所述第二混合门控模块的第一层混合门控单元中的专家权重生成器,经过所述第二混合门控模块中多层混合门控单元的处理后,得到商品向量表示。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-7所述的推荐商品确定方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-7所述的推荐商品确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228825.3A CN114648379A (zh) | 2022-03-08 | 2022-03-08 | 推荐商品确定方法及装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228825.3A CN114648379A (zh) | 2022-03-08 | 2022-03-08 | 推荐商品确定方法及装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648379A true CN114648379A (zh) | 2022-06-21 |
Family
ID=81992790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228825.3A Pending CN114648379A (zh) | 2022-03-08 | 2022-03-08 | 推荐商品确定方法及装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648379A (zh) |
Cited By (1)
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 |
-
2022
- 2022-03-08 CN CN202210228825.3A patent/CN114648379A/zh active Pending
Cited By (2)
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 |
---|---|---|
CN109785062B (zh) | 一种基于协同过滤模型的混合神经网络推荐系统 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN111553754B (zh) | 行为预测系统的更新方法及装置 | |
CN110008399A (zh) | 一种推荐模型的训练方法及装置、一种推荐方法及装置 | |
CN110162700A (zh) | 信息推荐及模型的训练方法、装置、设备以及存储介质 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
CN110598118A (zh) | 资源对象的推荐方法、装置及计算机可读介质 | |
CN111626832A (zh) | 产品推荐方法、装置及计算机设备 | |
CN112288042A (zh) | 行为预测系统的更新方法及装置、存储介质和计算设备 | |
CN112712418B (zh) | 推荐商品信息的确定方法和装置、存储介质及电子设备 | |
CN110413888A (zh) | 一种书籍推荐方法及装置 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN111159242B (zh) | 一种基于边缘计算的客户端重排序方法及系统 | |
CN110502701B (zh) | 引入注意力机制的好友推荐方法、系统和存储介质 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN114648379A (zh) | 推荐商品确定方法及装置、电子设备及可读存储介质 | |
CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN108268519A (zh) | 一种推荐网络对象的方法和装置 | |
CN108876422B (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、介质 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN115391638A (zh) | 基于社交网络的推荐模型训练方法及装置 | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
Zuva et al. | Virtual group movie recommendation system using social network information |
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 |