CN115099888A - 一种基于注意力机制的用户评论有效性分析方法 - Google Patents
一种基于注意力机制的用户评论有效性分析方法 Download PDFInfo
- Publication number
- CN115099888A CN115099888A CN202210668460.6A CN202210668460A CN115099888A CN 115099888 A CN115099888 A CN 115099888A CN 202210668460 A CN202210668460 A CN 202210668460A CN 115099888 A CN115099888 A CN 115099888A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- comment
- comments
- attributes
- 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.)
- Granted
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (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)
Abstract
一种基于注意力机制的用户评论有效性分析方法,包括以下步骤:步骤1:通过VGAE模型生成用户行为数据特征;步骤2:生成用户生成内容数据特征;步骤3:通过AGNN融合用户行为数据特征和用户生成内容数据特征,并基于胶囊网络设置有效特征向量和无效特征向量两个输出,通过计算有效特征特征向量模长与无效特征向量模长之比对用户的评论进行有效性分析;本发明设置一种基于注意力机制的用户评论有效性分析方法通过整合用户行为和用户生成内容,综合利用用户的历史评论及用户的标签,刻画了用户的特征,提升分析准确度,在评论有效性预测方面给出了一种新的思路。
Description
技术领域:
本发明涉及有效性分析领域,特别涉及一种基于注意力机制的用户评论有效性分析方法。
背景技术:
当前基于有效性分析研究主要使用用户行为特征或者基于用户生成内容进行有效性的判断。
在用户行为方面,许多学者对用户的多种个人信息进行了研究,Peter H等人在《Evaluating Explainable AI:Which Algorithmic Explanations Help Users PredictModel Behavior?》中指出,评论者身份信息披露是消费者做出购买决定和评估在线评论可信性的主要依据;Chang Z等人在《ATRank:An Attention-Based User Behavior ModelingFramework for Recommendation》提出一种基于注意力机制的用户异构行为序列的建模框架,试图融合不同类型的用户行为,并以此框架进行推荐任务。但用户对先前购买过的商品的评论,也是一种很有效的特征,然而鲜有学者利用用户历史评论进行研究。
在用户生成内容方面,有学者对用户标签进行研究:Mohamed K等人在《Describing and Understanding Neighborhood Characteristics through OnlineSocial Media》直接把标签以向量化的形式转换为数字结合到模型中;Yu L等人在《TIIREC:A Tensor Approach for Tag-Driven Item Recommendation with Sparse UserGenerated Content》考虑到标签彼此之间的联系,设计出一个TIIREC模型以更好的利用标签特征;也有一些研究学者基于用户评论做了一些研究:A Zhiyong等人在《Aspect-AwareLatent Factor Model:Rating Prediction with Ratings and Reviews》使用用户评论和评分在推荐系统应用中建立相应的模型。但上述学者只基于评论内容本身,没有很好的考虑用户行为方面的结构化特征。
发明内容:
本发明的目的是设计一种基于注意力机制的用户评论有效性分析方法通过用户历史评论获取用户行为特征并考虑用户生成内容特征,更全面的对评论进行有效性分析。
一种基于注意力机制的用户评论有效性分析方法,包括以下步骤:
步骤1:生成用户行为数据特征;通过采集到用户的历史评论数据后,对这些数据进行分析,从中挖掘出用户行为的特定目的、行为习惯等信息。
步骤2:生成用户生成内容数据特征;
步骤3:融合用户行为数据特征和用户生成内容数据特征,对用户的评论进行有效性分析;
其中,所述步骤1的具体方法包括以下步骤:
步骤11:获取用户发表的历史评论;
步骤12:构建用户-评论有效性分数矩阵:以用户的历史评论为行,以商品为列,构成n*m的矩阵,其中,所述矩阵的元素为评论的有效性分数,所述某条评论的有效性分数为取多人对该条评论有效性打分的众数;
步骤13:构建商品的属性矩阵:以商品为行,商品的属性为列,构成m*g的矩阵;其中,所述矩阵的元素为用户对评论对象属性的具体描述;
步骤14:构建商品属性的空间矩阵:通过步骤13构建的商品的属性矩阵生成商品属性的空间矩阵,商品属性的空间矩阵的元素为每个评论对象属性对应的word2vec的具体空间表达;
步骤15:构建用户历史评论的属性矩阵:以用户历史评论的属性为行,用户历史评论为列,构成a*n的矩阵,其中,矩阵的元素为用户历史评论属性的具体描述;
步骤16:构建用户历史评论属性的空间矩阵:通过步骤15构建的用户历史评论属性矩阵生成用户历史评论属性的空间矩阵,用户历史评论属性的空间矩阵的元素为每个历史评论属性对应的word2vec的具体空间表达;
步骤17:由步骤12-16中构建的五个矩阵构建一个邻接矩阵A及A的节点特征矩阵X,将A和X输入至VGAE模型中得到该用户的行为数据特征;其中,VGAE中包含GCN,在GCN中,层与层之间的传播方式为:
VGAE的编码器是一个两层的图卷积网络:
其中,后验概率和VAE的解决方案一致:
其中,μ=GCNμ(X,A)是特征向量的均值;logσ=GCNμ(X,A)是节点向量的方差,q为输入X和A时的后验概率,N为正态分布,Z为隐变量,zi是因变量的元素;
两层卷积神经网络定义为:
VGAE的解码器则是利用隐变量的内积来重构邻接矩阵:
损失函数也是包括两部分:
L=IEq(Z|X,A)[logp(A|Z)]-KL[q(Z|X,A)∥P(Z)]
其中,p(Z)=∏iN(zi|0,I);
VGAE的反馈机制可以削弱用户习惯对任务的影响,本发明基于VGAE将输入图结构数据进行编码,最终输出一个包含用户特征和评论特征信息的图结构数据,达到对用户行为数据进行压缩、整合和自动选取的目的;
其中,所述步骤2的具体方法包括以下步骤:
步骤21:获取用户新生成的评论,将新生成的评论和用户的信息作为用户生成内容数据集;
步骤22:将用户生成内容数据集中的结构化数据的空间表达与非结构化数据的空间表达点乘形成用户生成内容数据特征;
VAE对每一个样本xk匹配一个高斯分布,隐变量Z就是从高斯分布中采样得到的,对k个样本来说,每个样本的高斯分布假设为VAE构建两个神经网络来进行拟合均值与方差,即μk=f1(xk),拟合的原因是这样无需加激活函数;
其中,所述步骤3的具体方法包括以下步骤:
步骤31:将用户生成内容数据特征作为中心节点,用户行为数据特征作为邻居节点,通过AGNN模型将用户生成内容数据特征和用户行为数据特征编码为融合向量;
步骤32:将所述融合向量输入至胶囊网络,在所述胶囊网络设置两个输出,输出1为有效特征向量,输出2为无效特征向量,若有效特征向量的模长大于无效特征向量的模长,则评论有效的概率大于评论无效的概率,若有效特征向量的模长小于无效特征向量的模长,则评论有效的概率小于评论无效的概率;若有效特征的向量模长为3,无效特征向量的模长为7,则评论有效性分数为3/10,若有效特征的向量模长为8,无效特征向量的模长为2,则评论有效性分数为8/10;模型输出端用胶囊网络替代常规的池化层和全连接层,普通的池化层和全连接层只能分类某一样本,但胶囊网络可一次分类多个样本,提高了分类效率;
AGNN在GCN的基础上,简单的在每层加入一个参数β(t),作用在邻居节点集上的注意力机制,学习哪些邻居与中心节点关联更强,权衡他们对分类目标节点的贡献度;
在每个传播层加入参数化的注意力引导机制,参数为β(t)∈R
H(l+1)=P(l)H(l)
这样,对于节点i的输出向量为:
计算节点i和节点j在第l层隐含状态的余弦距离,它捕捉了节点j到节点i的关联程度,注意力机制更倾向于选择那些与中心节点相同类别的邻居节点,给予更强的关联强度。
优选的,通过爬虫软件获取用户发表在购物软件上的评论,所述购物软件包括淘宝、京东、得物、唯品会。
优选的,通过设置方面词提取任务识别用户历史评论的属性。
优选的,通过CRF模型执行方面此提取任务;通过CRF模型进行方面词识别和词性标注,提取方面词,通过人工构造词库及现有词库,将方面词分类为产品外观描述、产品功能描述、物流信息、客服服务信息、使用感受和无用信息类别等属性。
优选的,所述步骤17中构建邻接矩阵A和节点特征X的具体方法为:用户-评论有效性分数矩阵忽略其元素直接构造一个大小为(n+m)*(n+m)的邻接矩阵A,用户历史评论属性的空间矩阵点乘用户历史评论的属性矩阵及用户历史评论对应的有效性分数得到前n个节点的节点特征矩阵X1,商品属性的空间矩阵点乘商品的属性矩阵,得到后m个节点的节点特征矩阵X2,将X1和X2连接,得到节点特征矩阵X。
优选的,所述步骤21中用户的信息包括用户名、用户标签,所述用户标签为性别、年龄、职业。
优选的,所述步骤22中用户生成的结构化数据包括:用户等级,用户年龄,用户过往评论的点赞数;所述用户生成的非结构化数据为用户的评论内容。
优选的,所述步骤22中生成非结构化数据的空间表达的方法为:对用户生成的非结构化数据应用word2vec生成文本词向量,再将所述向量输入至VAE模型生成非结构化内容的空间表达。
优选的,所述商品的属性包括:颜色、形状、重量和组成材料;所述用户历史评论的属性包括:情感倾向、商品的外观描写、商品的使用感受、无关信息的量和长度。
本发明设置的方法通过整合用户行为和用户生成内容,综合利用用户的历史评论及用户的标签,刻画了用户的特征,提升分析准确度,在评论有效性预测方面给出了一种新的思路。
附图说明:
附图1是本发明提供的一种基于注意力机制的用户评论有效性分析方法实施流程图。
附图2是生成用户行为数据特征的流程图。
附图3是生成用户生成内容数据特征的流程图。
附图4是评论有效性分析流程图。
附图5是评论有效性分析结构图。
附图6是注意力机制分析句法的示意图。
具体实施方式:
为了使本发明技术方案更容易理解,现用具体实施例的方式,对本发明设计的一种基于注意力机制的用户评论有效性分析方法进行清晰、完整的描述。
以下结合附图1和附图2对本方法生成用户行为数据特征的方法进行具体描述,所述方法包括以下步骤:
步骤100:通过爬虫软件获取某一用户发表在京东上的历史评论,用户的历史评论不局限于同一个商品;
步骤110:构建用户-评论有效性分数矩阵:以用户的历史评论为行,以用户历史评论对应的商品为列,邀请一千人对用户的每条评论进行打分,取众数作为矩阵的元素,生成n*m的矩阵:
评论1 | 评论2 | 评论3 | 评论4 | |
商品1 | 2 | 0 | 0 | 0 |
商品2 | 0 | 2 | 0 | 0 |
商品3 | 0 | 0 | 1 | 0 |
商品4 | 0 | 0 | 0 | 4 |
步骤120:构建商品的属性矩阵:以商品为行,商品的属性为列,构成m*g的矩阵:
商品1 | 商品2 | 商品3 | 商品4 | |
颜色 | 砖红 | 白色 | 白色 | 黄色 |
形状 | 球形 | 圆柱 | 矩形 | 矩形 |
重量 | 500g | 250g | 150g | 200g |
材料 | 皮 | 陶瓷 | 木浆 | 木浆 |
步骤130:构建商品属性的空间矩阵:通过步骤13构建的商品的属性矩阵生成商品属性的空间矩阵,商品属性的空间矩阵的元素为每个评论对象属性对应的word2vec的具体空间表达;
步骤140:构建用户历史评论的属性矩阵:以用户历史评论的属性为行,用户历史评论为列,构成a*n的矩阵:
商品描述 | 服务信息 | 物流信息 | 使用感受 | |
评论1 | 砖红 | 贴心 | 很快 | 好用 |
评论2 | 陶瓷 | 好 | 3天 | 舒适 |
评论3 | 纯棉 | 回复及时 | 4天 | 磨脚 |
评论4 | 皮制 | 售后到位 | 慢 | 闷 |
步骤150:构建用户历史评论属性的空间矩阵:通过步骤15构建的用户历史评论属性矩阵生成用户历史评论属性的空间矩阵,用户历史评论属性的空间矩阵的元素为每个历史评论属性对应的word2vec的具体空间表达;
步骤160:构建邻接矩阵A和节点特征矩阵X:用户-评论有效性分数矩阵忽略其元素直接构造一个大小为(n+m)*(n+m)的邻接矩阵A,用户历史评论属性的空间矩阵点乘用户历史评论的属性矩阵及用户历史评论对应的有效性分数得到前n个节点的节点特征矩阵X1,商品属性的空间矩阵点乘商品的属性矩阵,得到后m个节点的节点特征矩阵X2,将X1和X2连接,得到节点特征矩阵X;
步骤170:将A和X输入至VGAE模型中得到该用户的行为数据特征。
以下结合附图1和附图3对本方法生成用户生成内容数据特征的方法进行具体描述,所述方法包括以下步骤:
步骤200:通过爬虫软件获取用户新生成的评论,将新生成的评论和用户的信息作为用户生成内容数据集;
步骤210:对用户生成的非结构化数据应用word2vec生成文本词向量,再将所述向量输入至VAE模型生成非结构化内容的空间表达;
步骤220:将用户生成内容数据集中的结构化数据的空间表达与非结构化数据的空间表达点乘形成用户生成内容数据特征;
以下结合附图4~附图6对本方法对评论进行有效性分析的方法进行具体描述,所述方法包括以下步骤:
步骤300:将用户生成内容数据特征作为中心节点,用户行为数据特征作为邻居节点;通过AGNN将用户生成内容数据特征和用户行为数据特征编码为向量;
步骤310:基于胶囊网络设置两个输出,输出1为有效特征的向量,输出2为无效特征的向量;
步骤330:根据输出1和输出2的模长之比,判断评论的有效性,如表1-表3,其中预测结果的范围为0~1,人工打分范围为1~10:
表1:某草莓商品评论的预测结果与人工打分比较表:
表2:某手机商品评论的预测结果与人工打分比较表:
表3:某围巾商品评论的预测结果与人工打分比较表:
其中,表1~表3中“预测是否正确”栏认为预测结果*10与人工打分差值不超过2表示判断正确;
从三个表中可以看到,就评论本身而言,因为一些评论采用了平台的固有格式(比如评论4、评论7、评论8、评论10),对这些评论的有效性估计相对来说不太准确。同时,对于不同商品,甚至相同商品的不同评论之间,同样的方面词可能有不同的极性,也会带来不同样的影响。如表2中评论5和表3中的评论9,10,11,12,均有提及“薄”这一特征,但它们对评论有效性分数带来的影响在模型中体现并不明显。
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和宗旨的的前提下,还可以做出若干改进、替换、变型和润饰,这些改进、替换、变型和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于注意力机制的用户评论有效性分析方法,其特征在于,包括以下步骤:
步骤1:生成用户行为数据特征;
步骤2:生成用户生成内容数据特征;
步骤3:融合用户行为数据特征和用户生成内容数据特征,对用户的评论进行有效性分析;
其中,所述步骤1的具体方法包括以下步骤:
步骤11:获取用户的历史评论;
步骤12:构建用户-评论有效性分数矩阵:以用户的历史评论为行,以商品为列,构成n*m的矩阵,其中,所述矩阵的元素为评论的有效性分数,所述某条评论的有效性分数为取多人对该条评论有效性打分的众数;
步骤13:构建商品的属性矩阵:以商品为行,商品的属性为列,构成m*g的矩阵;其中,所述矩阵的元素为用户对评论对象属性的具体描述;
步骤14:构建商品属性的空间矩阵:通过步骤13构建的商品的属性矩阵生成商品属性的空间矩阵,商品属性的空间矩阵的元素为每个评论对象属性对应的word2vec的具体空间表达;
步骤15:构建用户历史评论的属性矩阵:以用户历史评论的属性为行,用户历史评论为列,构成a*n的矩阵,其中,矩阵的元素为用户历史评论属性的具体描述;
步骤16:构建用户历史评论属性的空间矩阵:通过步骤15构建的用户历史评论属性矩阵生成用户历史评论属性的空间矩阵,用户历史评论属性的空间矩阵的元素为每个历史评论属性对应的word2vec的具体空间表达;
步骤17:由步骤12-16中构建的五个矩阵构建一个邻接矩阵A及A的节点特征矩阵X,将A和X输入至VGAE模型中得到该用户的行为数据特征;
其中,所述步骤2的具体方法包括以下步骤:
步骤21:获取用户新生成的评论,将新生成的评论和用户的信息作为用户生成内容数据集;
步骤22:将用户生成内容数据集中的结构化数据的空间表达与非结构化数据的空间表达点乘形成用户生成内容数据特征;
其中,所述步骤3的具体方法包括以下步骤:
步骤31:将用户生成内容数据特征作为中心节点,用户行为数据特征作为邻居节点,通过AGNN模型将用户生成内容数据特征和用户行为数据特征编码为融合向量;
步骤32:将所述融合向量输入至胶囊网络,在所述胶囊网络设置两个输出,输出1为有效特征向量,输出2为无效特征向量,若有效特征向量的模长大于无效特征向量的模长,则评论有效的概率大于评论无效的概率,若有效特征向量的模长小于无效特征向量的模长,则评论有效的概率小于评论无效的概率。
2.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,通过爬虫软件获取用户发表在购物软件上的评论。
3.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,通过设置方面词提取任务识别用户历史评论的属性。
4.如权利要求3所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,通过CRF模型执行方面词提取任务。
5.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,所述步骤17中构建邻接矩阵A和节点特征X的具体方法为:用户-评论有效性分数矩阵忽略其元素直接构造一个大小为(n+m)*(n+m)的邻接矩阵A,用户历史评论属性的空间矩阵点乘用户历史评论的属性矩阵及用户历史评论对应的有效性分数得到前n个节点的节点特征矩阵X1,商品属性的空间矩阵点乘商品的属性矩阵,得到后m个节点的节点特征矩阵X2,将X1和X2连接,得到节点特征矩阵X。
6.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,所述步骤21中用户的信息包括用户名、用户标签,所述用户标签为性别、年龄、职业。
7.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,所述步骤22中用户生成的结构化数据包括:用户等级,用户年龄,用户过往评论的点赞数;所述用户生成的非结构化数据为用户的评论内容。
8.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,所述步骤22中生成非结构化数据的空间表达的方法为:对用户生成的非结构化数据应用word2vec生成文本词向量,再将所述向量输入至VAE模型生成非结构化内容的空间表达。
9.如权利要求1所述的一种基于注意力机制的用户评论有效性分析方法,其特征在于,所述商品的属性包括:颜色、形状、重量和组成材料;所述用户历史评论的属性包括:情感倾向、商品的外观描写、商品的使用感受、无关信息的量和长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210668460.6A CN115099888B (zh) | 2022-06-14 | 2022-06-14 | 一种基于注意力机制的用户评论有效性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210668460.6A CN115099888B (zh) | 2022-06-14 | 2022-06-14 | 一种基于注意力机制的用户评论有效性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099888A true CN115099888A (zh) | 2022-09-23 |
CN115099888B CN115099888B (zh) | 2023-01-06 |
Family
ID=83291249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210668460.6A Active CN115099888B (zh) | 2022-06-14 | 2022-06-14 | 一种基于注意力机制的用户评论有效性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099888B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670542A (zh) * | 2018-12-11 | 2019-04-23 | 田刚 | 一种基于评论外部信息的虚假评论检测方法 |
CN112417099A (zh) * | 2020-11-20 | 2021-02-26 | 南京邮电大学 | 一种基于图注意力网络的欺诈用户检测模型构建方法 |
US20210097374A1 (en) * | 2019-09-30 | 2021-04-01 | Microsoft Technology Licensing, Llc | Predicting search intent |
CN112905739A (zh) * | 2021-02-05 | 2021-06-04 | 北京邮电大学 | 虚假评论检测模型训练方法、检测方法及电子设备 |
CN113422761A (zh) * | 2021-06-11 | 2021-09-21 | 西安电子科技大学 | 基于对抗学习的恶意社交用户检测方法 |
CN113688634A (zh) * | 2021-08-17 | 2021-11-23 | 中国矿业大学(北京) | 一种细粒度情感分析方法 |
CN114386513A (zh) * | 2022-01-13 | 2022-04-22 | 吉林大学 | 一种集成评论与评分的交互式评分预测方法及系统 |
-
2022
- 2022-06-14 CN CN202210668460.6A patent/CN115099888B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670542A (zh) * | 2018-12-11 | 2019-04-23 | 田刚 | 一种基于评论外部信息的虚假评论检测方法 |
US20210097374A1 (en) * | 2019-09-30 | 2021-04-01 | Microsoft Technology Licensing, Llc | Predicting search intent |
CN112417099A (zh) * | 2020-11-20 | 2021-02-26 | 南京邮电大学 | 一种基于图注意力网络的欺诈用户检测模型构建方法 |
CN112905739A (zh) * | 2021-02-05 | 2021-06-04 | 北京邮电大学 | 虚假评论检测模型训练方法、检测方法及电子设备 |
CN113422761A (zh) * | 2021-06-11 | 2021-09-21 | 西安电子科技大学 | 基于对抗学习的恶意社交用户检测方法 |
CN113688634A (zh) * | 2021-08-17 | 2021-11-23 | 中国矿业大学(北京) | 一种细粒度情感分析方法 |
CN114386513A (zh) * | 2022-01-13 | 2022-04-22 | 吉林大学 | 一种集成评论与评分的交互式评分预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115099888B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956497B (zh) | 一种电子商务平台用户重复购买行为预测方法 | |
CN107145518B (zh) | 一种社交网络下基于深度学习的个性化推荐系统 | |
CN111444334B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN110458627B (zh) | 一种面向用户动态偏好的商品序列个性化推荐方法 | |
CN110517121A (zh) | 基于评论文本情感分析的商品推荐方法及商品推荐装置 | |
CN111125530B (zh) | 一种基于多类型特征深度学习的信息流推荐方法 | |
CN107038609A (zh) | 一种基于深度学习的商品推荐方法及系统 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN110276382B (zh) | 基于谱聚类的人群分类方法、装置及介质 | |
CN110955826A (zh) | 基于改进型循环神经网络单元的推荐系统 | |
CN112905739A (zh) | 虚假评论检测模型训练方法、检测方法及电子设备 | |
CN112884551A (zh) | 一种基于近邻用户和评论信息的商品推荐方法 | |
CN112085525A (zh) | 一种基于混合模型的用户网络购买行为预测研究方法 | |
CN112070543A (zh) | 一种电商网站中评论质量的检测方法 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
Solairaj et al. | Enhanced Elman spike neural network based sentiment analysis of online product recommendation | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN112633927A (zh) | 一种基于知识图谱规则嵌入的组合商品挖掘方法 | |
CN114722810A (zh) | 一种基于信息抽取和多属性决策的房地产客户画像方法和系统 | |
CN114840745A (zh) | 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统 | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
CN117314593A (zh) | 一种基于用户行为分析的保险项目推送方法及系统 | |
CN115099888B (zh) | 一种基于注意力机制的用户评论有效性分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |