CN115238188A - 一种对象推荐方法和系统及对象推荐模型系统 - Google Patents
一种对象推荐方法和系统及对象推荐模型系统 Download PDFInfo
- Publication number
- CN115238188A CN115238188A CN202210948901.8A CN202210948901A CN115238188A CN 115238188 A CN115238188 A CN 115238188A CN 202210948901 A CN202210948901 A CN 202210948901A CN 115238188 A CN115238188 A CN 115238188A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- information
- feature
- user
- user behavior
- 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
- 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
- G06F16/953—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本说明书实施例公开了一种对象推荐方法,包括:获取候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;基于所述候选对象的特征信息确定候选对象的特征域分布信息;对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
Description
技术领域
本说明书涉及信息服务领域,特别涉及一种对象推荐方法和系统及对象推荐模型系统。
背景技术
随着互联网的迅速发展,个性化推荐在互联网产品中占据了不可忽视的地位。个性化推荐可以有效提高用户对产品的粘度,从而鼓励用户产生更多的行为。个性化推荐可以从用户的历史行为数据中,发现和分析用户的兴趣偏好,进而为用户推荐其可能感兴趣的内容。
因此,希望提供一种能够准确判断用户偏好的推荐方法。
发明内容
本说明书实施例之一提供一种对象推荐方法,包括:获取候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;基于所述候选对象的特征信息确定候选对象的特征域分布信息;对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
本说明书实施例之一提供一种对象推荐系统,包括:信息获取模块,用于获取候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;特征域分布信息确定模块,用于基于所述候选对象的特征信息确定候选对象的特征域分布信息;用户行为特征表示获取模块,用于对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;推荐分值确定模块,用于至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
本说明书实施例之一提供一种对象推荐装置,包括处理器;所述处理器用于执行上述的对象推荐方法。
本说明书实施例之一提供一种对象推荐模型系统,包括:输入层,用于接收候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;处理层,用于基于所述候选对象的特征信息确定候选对象的特征域分布信息;对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;输出层,用于至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的对象推荐系统的应用场景示意图;
图2是根据本说明书一些实施例所示的对象推荐方法的示例性流程图;
图3是根据本说明书一些实施例所示的对象图谱的示意图;
图4是根据本说明书一些实施例所示的获得对象的融合分布特征值的示例性流程图;
图5是根据本说明书一些实施例所示的对象推荐模型系统的示例性结构图;
图6是根据本说明书一些实施例所示的对象推荐系统的示例性框图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的对象推荐系统的应用场景示意图。
如图1所示,对象推荐系统的应用场景100可以包括处理设备110、网络120以及用户终端130。
处理设备110可用于处理与对象相关联的信息和/或数据来执行在本说明书中揭示的一个或者多个功能。在一些实施例中,处理设备110可以包括一个或多个处理引擎(例如,单核心处理引擎或多核心处理引擎)。仅作为范例,处理设备110可以包括中央处理器(中央处理器)、特定应用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等中的一种或多种组合。在一些实施例中,处理设备中可以包含一个或多个存储设备,用于存储处理设备需要处理的数据或者处理的结果数据等。例如,存储设备中可以存储初始用户行为特征、环境特征等。
网络120可以促进信息和/或数据的交换。在一些实施例中,场景图100中的一个或者多个组件(例如处理设备110、用户终端130)可以通过网络120传送信息至场景图100中的其他组件。例如,处理设备110可以通过网络120从用户终端130获取用户特征。又例如,用户终端130可以通过网络120获取处理设备110推荐的候选对象。在一些实施例中,网络120可以是任意形式的有线网络、无线网络、或其任意组合。仅作为范例,网络120可以是有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、以及蓝牙网络等中的一种或多种组合。
用户终端130可以是具有数据获取、存储和/或发送功能的设备。在一些实施例中,用户终端130可以获取用户特征。在一些实施例中,用户终端130可以接收处理设备110推荐的候选对象。在一些实施例中,用户终端130的使用者可以是使用应用平台(或服务平台)的在线服务的用户。用户终端130可以获取用户在应用平台上的行为数据。在一些实施例中,用户终端130可以包括但不限于移动设备130-1、平板电脑130-2、笔记本电脑130-3、台式电脑130-4等或其任意组合。示例性的移动设备130-1可以包括但不限于智能手机、个人数码助理(Personal Digital Assistance,PDA)、掌上游戏机、智能手表、可穿戴设备、虚拟显示设备、显示增强设备等或其任意组合。在一些实施例中,用户终端130可以将获取到的数据发送至应用场景100中的一个或多个设备。
应当注意的是,以上应用场景100中的各个部件的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100中的部件进行添加或减少。然而,这些改变仍在本说明书的范围之内。
在各个服务领域中,常会基于用户的历史操作对用户推荐新的对象。在一些实施例中,对象和历史操作的数据来源包括但不限于金融行业、保险行业、互联网行业、汽车行业、餐饮行业、电信行业、能源行业、娱乐行业、体育行业、物流行业、医疗行业、安全行业等。
在一些实施例中,用户的历史操作可以是用户在服务平台上进行的各种活动,例如,浏览,点击,收藏,购买等。对象可以是各个服务平台提供给用户的各种类型的产品或服务,如商品、多媒体和新闻等。
然而,在一些实施例中的推荐场景中,为了提升对用户兴趣预测的准确性,使用用户历史上的操作(如点击等)构建序列特征,但是该方法仅仅使用了用户点击对象的ID类特征(如商品ID),这样对于行为的刻画是较为粗糙的且可能含有一定噪声,这些因素都会影响对象推荐的准确性。
有鉴于此,我们希望利用更多类别或域的特征来刻画用户的行为,但是在增加了用户的行为特征后我们却发现前述实施例在行为特征建模上无法充分利用丰富的用户行为特征,为此我们还提出了一套在丰富用户行为信息上的序列建模方法,进而提升利用用户历史行为来刻画用户的兴趣的准确性。
图2是根据本说明书一些实施例所示的对象推荐方法的示例性流程图。
步骤210,获取候选对象的特征信息和用户行为序列。在一些实施例中,步骤210可由信息获取模块610执行。
在一些实施例中,候选对象可以是待推荐的一个或多个对象,如商品、多媒体和新闻等。在一些实施例中,候选对象可以是应用平台计划推广的对象。如某应用平台新推出的物品或服务等。在一些实施例中,候选对象可以是应用平台基于用户的触发操作(例如,用户在平台搜索、点击等)确定的对象。例如,某应用平台已有的且被所述用户的历史浏览过的对象,或者可以是与前述对象的相似度大于预设阈值的其他对象等等。在一些实施例中,可以认为候选对象即为应用平台期望被用户关注且被用户购买的对象。
特征信息包括两个以上特征域对应的特征值。域可以理解为类别或类目,特征域可以是指特征的类别或类目。一个特征域中可以进一步包括多个不同的特征,特征的具体取值称为特征值,在有些场景下特征和特征值可以互换,特征域包括的多个特征的具体取值也可以称为特征域对应的特征值。在一些实施例中,对象的特征域可以是商品特征域、店铺特征域、地理特征域、时间特征域和天气特征域等。作为示例,如商品特征域可以进一步包括商品ID、商品类别、商品品牌和关键字等不同特征;店铺特征域可以包括店铺ID和店铺名称关键字等特征;地理特征域可以包括地区、城市和国家等特征;时间特征域可以包括工作日、节假日、小时和餐时等特征;天气特征域可以包括风力、湿度、温度和空气质量等特征。需要说明的是,上述特征域根据实际情况可以进行增减,特征域中的特征也可以进一步细化分类,在本说明书中不做限制。
在一些实施例中,候选对象的特征信息可以用eI表示,其包括F个特征域,每个特征域下对应有相应的特征的具体取值。在一些实施例中,候选对象的特征信息可以按照预设规则编码,例如可以通过one-hot编码方式将候选对象特征转化为稀疏向量,或者候选对象的特征信息可以通过向量嵌入(embedding)方式转化为(F×d)的矩阵表示;其中,行数F代表特征域的数量,如特征域的数量为17,列数d为第一预设值。第一预设值可以根据实际情况(如应用场景或处理设备的计算能力)设置,如取值为32、64、128等,在本说明书不做限制。在一些实施例中,第一预设值可以基于向量嵌入方式确定,通过向量嵌入,可以将特征信息中每个特征域对应的特征值转换为d维向量。在一些实施例中,向量嵌入可以通过嵌入模型实现,例如,包括Word2Vec模型、Glove模型、Bert模型等。
用户行为序列包括与用户历史操作相关的至少一个对象的特征信息。其中,用户操作可以是用户对对象(例如,商品)的任何操作,例如,浏览、点击、购买、评论等。与操作相关的对象可以是指操作所施加或针对的对象,如是浏览的对象、点击的对象、购买的对象、评论的对象等。在一些实施例中,与用户历史操作相关的对象可以是多个,如10个、20个或100个等,此时,用户行为序列可以包括多个对象的特征信息。
历史操作可以是用户对对象(例如,商品)相对于当前时刻的历史时间段内的某些操作,例如,近一个月、近10天等。在一些实施例中,用户行为序列中的对象可以是指定操作类型(例如,点击、购买)的用户历史操作对应的对象,或者是操作时长(如,浏览时长超过5min等)满足预设条件的用户历史操作对应的对象。
可以理解的,由用户历史操作相关的至少一个对象的特征信息构成的用户行为序列可以反映用户在某平台中的历史操作或行为。在一些实施例中,可以基于预设的序列化规则,对用户历史操作的至少一个对象的特征信息进行序列化排列,得到用户行为序列。序列化规则可以是用户对每个对象的操作时间的先后顺序,还可以是用户对每个对象的操作时长顺序等。其中,用户历史操作的每一个对象的特征信息可以类似前述候选对象特征,如可以是通过向量嵌入的方式确定的矩阵表示。
示例地,若用户按照时间的先后顺序依次点击了L个商品,即商品1、商品2、……、商品L。与前述候选对象的特征信息类似,对于任意商品l,l取1~L中某整数,其特征信息可以表示成向量Sl,为了便于描述,在后文中沿用该表示方法,不再重复说明。
步骤220,基于所述候选对象的特征信息确定候选对象的特征域分布信息。在一些实施例中,步骤220可由特征域分布信息确定模块620执行。
候选对象的特征域分布信息可以在一定程度上反映候选对象在各个特征域中的特征信息占比。可以将特征域注意力矩阵与所述候选对象的特征信息进行运算,得到所述候选对象的特征域分布信息;所述特征域注意力矩阵的行数与列数均为特征信息中的特征域数量,特征域注意力矩阵可以通过模型训练得到。
在一些实施例中,将特征域注意力矩阵表示为M,其行数与列数均为特征信息中的特征域数量,则特征域注意力矩阵M为(F×F)的矩阵。在一些实施例中,上述运算为矩阵乘法,则将特征域注意力矩阵与所述候选对象的特征信息进行矩阵乘法得到的候选对象的特征域分布信息可以表示为(F×d)的矩阵MeI。
特征域注意力矩阵M可以是机器学习模型(如其中的注意力机制网络)的参数,基于训练得到。模型训练的更多细节参见图5及其相关描述。
步骤230,对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示。在一些实施例中,步骤230可由用户行为特征表示获取模块630执行。
在一些实施例中,对象的融合分布特征值可以反映该对象与候选对象在特征域上的分布一致程度,进而可以用于衡量候选对象被用户喜好程度。
对于用户行为序列中的每个对象,都会计算出一个融合分布特征值,将用户行为序列中每个对象的融合分布特征值拼接组合,便可得到一个向量形式的用户行为特征表示。
如前述示例,若用户行为序列中包括与用户历史操作相关的L个对象的特征信息,则可以得到L维的用户行为特征表示向量。
在一些实施例中,将对象的特征信息以及候选对象的特征域分布信息进行融合的方式可以包括但不限于拼接和运算等。
图4是根据本说明书一些实施例所示的获得对象的融合分布特征值的示例性流程图。
以用户行为序列中的一个对象为例,可以按照图4所示的流程400得到该对象的融合分布特征值。
步骤410,将对象的特征信息与候选对象的特征域分布信息进行运算,得到对象的特征域注意力信息。
在一些实施例中,对于所述至少一个对象中的任一对象l,其特征信息可以表示为sl。在一些实施例中,对象的特征信息sl为(F×d)的矩阵,与候选对象的特征域分布信息进行运算可以是将两矩阵元素按位相乘(即求Hadamard积,记为“⊙”),在一些实施例中,将对象的特征域注意力信息表示为ql,其运算过程可以表示为:
ql=sl⊙(MeI) (1)。
通过上述运算,候选对象的特征域分布信息MeI与对象特征信息sl中取值均较大的元素会被继续放大,因此,对象的特征域注意力信息ql可以将用户对特征域的偏好信息与候选对象的特征域分布信息融合。
步骤420,基于所述对象的特征域注意力信息对所述对象的特征信息进行过滤,得到对象的特征域分布信息。
在一些实施例中,基于对象的特征域注意力信息对对象的特征信息进行过滤,可以在一定程度上将对象特征信息中用户偏好和候选对象的特征域分布都不太关注的部分信息弱化。在一些实施例中,步骤420可以通过步骤421~步骤425具体实现:
步骤421,将所述对象的特征域注意力信息与变换向量进行矩阵乘,得到过滤向量;所述变换向量的维度等于第一预设值,变换向量通过模型训练得到。
在一些实施例中,变换向量可以表示为Wq,其维度等于第一预设值d。将所述对象的特征域注意力信息与变换向量进行矩阵乘,即为(F×d)的矩阵与(d×1)的向量进行矩阵乘法,得到过滤向量可以表示为qlWq,显然,其为(F×1)的向量。
在一些实施例中,变换向量Wq与特征域注意力矩阵M类似,其可以是机器学习模型的参数,基于训练得到。模型训练的更多细节参见图5及其相关描述。
步骤423,将过滤向量的各元素进行第一归一化处理,得到归一化过滤向量。
在一些实施例中,可以通过σ函数对过滤向量的各元素进行归一化,将过滤向量中元素的值限制在0~1之间,得到归一化过滤向量可以表示为σ(qlWq)。
在一些实施例中,还可以通过其他激活函数(如Softmax或Relu函数)对过滤向量的元素进行归一化。
步骤425,将所述对象的特征信息的各列分别与所述归一化过滤向量按位相乘,得到所述对象的特征域分布信息。
在一些实施例中,将对象的特征域分布信息表示为gl,其运算过程可以表示为下式,其中(:,j)表示取矩阵的第j列:
gl(:,j)=sl(:,j)⊙σ(qlWq) (2)。
步骤430,将对象的特征信息与对象的特征域分布信息进行叠加,基于叠加结果得到对象的融合分布特征值。
在一些实施例中,将对象的特征信息与对象的特征域分布信息进行叠加的方式可以包括但不限于拼接和运算等。在一些实施例中,步骤430可以进一步包括:
步骤431,随机将对象的特征域分布信息中的部分元素丢弃。
在一些实施例中,可以基于一定比例(如20%、50%、75%等)随机将对象的特征域分布信息中的部分元素丢弃。在一些实施例中,将部分元素丢弃可以是将矩阵中部分元素变更为0得到稀疏化的矩阵,由于丢弃的数据通过元素0替代,因此对象的特征域分布信息的维度与丢弃前相同。
在一些实施例中,步骤431的丢弃操作可以记为Dropout(gl)。
步骤433,将随机丢弃后的对象的特征域分布信息与所述对象的特征信息按位相加,得到叠加结果。
在一些实施例中,将随机丢弃后的对象的特征域分布信息Dropout(gl)与所述对象的特征信息sl按位相加,得到的叠加结果可以记为:Dropout(gl)+sl。
步骤435,对叠加结果的各元素进行第二次归一化处理,得到归一化叠加结果。
为了增强系统的鲁棒性,在一些实施例中,除了上述随机将部分元素丢弃外,还可以对各元素进行归一化处理。在一些实施例中,对叠加结果Dropout(gl)+sl的各元素进行归一化,得到归一化叠加结果pl,可以表示为:
pl=LaterNorm(Dropout(gl)+sl) (3)。
LayerNorm的基本思想是对叠加结果的各元素进行平移和放缩,使其各元素的分布规范化成在固定区间范围的标准分布。
步骤437,对归一化叠加结果的各元素进行softmax运算,得到与各元素对应的权重。
在一些实施例中,对归一化叠加结果pl的各元素进行softmax运算,得到与各元素对应且值在0~1范围内且和值为1的权重ai,下标i对应归一化叠加结果中第i个元素,此时归一化叠加结果可以将元素按行顺序拼接得到F×d维的向量,可以表示为:
步骤439,基于归一化叠加结果的各元素的权重对所述各元素进行加权运算,得到所述融合分布特征值。
在一些实施例中,基于归一化叠加结果的各元素的权重ai对所述各元素进行加权运算,得到所述融合分布特征值c,可以表示为:
步骤240,至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
在一些实施例中,可以根据推荐分值,判断该候选对象是否需要向用户进行推荐。在一些实施例中,推荐分值越高,意味着越有价值向所述用户推荐该候选对象。
在一些实施例中,还可以获取用户特征以确定所述候选对象对所述用户的推荐分值,即基于用户特征、候选对象的特征信息以及所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。用户特征可以包括性别、年龄、职业、收入、用户偏好等信息中一种或多种的组合。
在一些实施例中,候选对象对所述用户的推荐分值可以通过预设算法或机器学习模型确定,在本说明书中不做限制。
在一些实施例中,步骤210~240中的一个或多个步骤可以通过机器学习模型完成,关于模型的更多内容可以参见图5相关描述。
应当注意的是,上述有关流程200以及步骤410~430的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200以及步骤410~430进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,可以将步骤431和步骤433互换,即可以先划分对象的特征域分布信息与对象的特征信息按位相加,得到叠加结果,再将叠加结果中的部分元素丢弃。又例如,步骤431和步骤435可省略。
在一些实施例中,在确定用户行为序列中各对象的特征信息时,可以参照前述处理候选对象的特征信息类似方式进行。例如,可以获取对象在F个特征域下各特征的具体取值,然后按照预设规则对这些特征的具体取值进行编码得到对象的特征信息,或者可以通过向量嵌入(embedding)方式将对象在F个特征域对应的特征的具体取值转化为(F×d)的矩阵表示。在一些实施例中,可以对对象的特征信息做更精细的处理。具体的,可以基于用户行为序列中的对象以及用户历史操作建立对象图谱;对所述对象图谱进行一轮或多轮图谱聚合,得到对象图谱中各节点的图谱特征信息;对于用户行为序列中的每一个对象,可以将该对象在对象图谱中对应的图谱特征信息作为所述对象的所述特征信息,又或者可以获取该对象的初始特征信息,基于该对象的初始特征信息以及图谱特征信息获取该对象的所述特征信息。
图3是根据本说明书一些实施例所示的对象图谱的示意图。
如图3所示,对象图谱300中的节点对应对象(如商品A、商品B、商品C以及商品D),节点之间的边反映用户历史操作。在一些实施例中,在相邻两次用户历史操作相关的两个对象对应的节点间建立边。在一些实施例中,节点之间的边还可以具有方向,通过边的方向表示历史操作的关系,例如,用户在浏览了商品A后,又在搜索栏通过搜索点击了商品B,或在商品A的相关(推荐)栏目中点击了商品B时,可以在商品A和商品B之间建立一条由商品A的对应节点指向商品B的对应节点的边;当用户浏览商品B后浏览了商品D,并且在浏览商品D后通过如搜索、点击、返回等操作再次浏览商品B,则可以在商品B的对应节点于商品D的对应节点之间分别建立两条边。在一些实施例中,在用户反复对同一对象进行连续操作(如浏览或下单等)时,可以建立由对象对应的节点指向其自身的边。示例性的,用户在某一天上午10点浏览了商品C,之后便退出了应用平台,之后用户下午3点进入应用平台再次浏览了商品C,则可以建立由商品C指向商品C的边。
在一些实施例中,对象图谱300中的节点可以具有其图谱特征信息。可以在图谱建立之初,为节点设置初始的图谱特征信息,具体可以是随机生成或将将其设为预设值。初始的图谱特征信息看作所述图谱的初始表达,而具有初始表达的图谱,可以通过多轮图谱聚合,迭代更新图谱中各节点的图谱特征信息以得到更加完善的图谱的表达。
为了提高图谱聚合时的收敛速度或者提高图谱节点的图谱特征信息表意的准确性,在一些实施例中,对所述对象图谱300进行一轮或多轮图谱聚合前,可以将前述实施例得到的对象的特征信息作为本实施例中该对象的初始的图谱特征信息,同时也作为本实施例中该对象的初始特征信息。
在一些实施例中,所述图谱的图谱特征信息可以利用矩阵或向量表示(以下以向量表示进行阐述)。
在一些实施例中,通过对图谱进行至少一轮图聚合迭代,更新图谱各节点的向量表示。在一些实施例中,图聚合可以理解为基于图谱中至少一个节点和/或边权的向量表示进行运算,利用运算结果更新图谱中另外至少一个节点和/或边权向量表示的处理过程。例如,对于每一个节点,在一轮迭代中,可以利用该节点的邻接节点的向量表示,更新该节点的向量表示。作为示例,可以对该节点的邻接节点在当前迭代轮次中的向量表示进行运算,例如,加权(该节点与邻接节点间的边权作为权重)平均运算,并利用运算结果更新该节点的向量表示。
在一些实施例中,可以基于GCN(Graph Convolutional Network,图卷积网络)或GAT(Graph Attention Networks,图神经网络)等基于神经网络的聚合模型或关系矩阵对图谱进行聚合,更新所述图谱中节点的向量表示,在本说明书中不做限制。
经过一轮或多轮图谱聚合后,可以基于图谱中节点的图谱特征信息确定该对象的特征信息。如前所述,可以基于对象的初始特征信息以及图谱特征信息联合确定该对象的特征信息。在一些实施例中,可以将对象的初始特征信息矩阵与图谱特征信息矩阵拼接得到该对象的特征信息。在一些实施例中,对象的初始特征信息矩阵与图谱特征信息矩阵可以是按行拼接,示例性的,对象的初始特征信息可以是(F×d1)的矩阵,从对象图谱300中获取的对象的图谱特征信息可以是(F×d2)的矩阵;其中,F代表特征域的个数,d1和d2为预设的数值且满足d1+d2=d,可以理解的,拼接后得到的特征信息是(F×d)的矩阵。
图5是根据本说明书一些实施例所示的对象推荐模型系统的示例性结构图。
如图5所示,对象推荐模型系统500可以包括输入层510、处理层520和输出层530。
输入层510可以用于接收候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值。
在一些实施例中,关于候选对象的特征信息和用户行为序列的更多描述可以参见步骤210及其相关内容,此处不再赘述。
在一些实施例中,输入层510可以包括embedding功能或embedding层,以对候选对象的各特征域的特征值的原始值以及用户行为序列中对象的各特征域的特征值的原始值进行embedding处理,得到低维的特征信息的矩阵或向量表示。在一些实施例中,输入层510还可以对用户行为序列中对象的各特征域的特征值的原始值进行embedding处理,得到对象的初始特征信息,并获取对象图谱中该对象的图谱特征信息,基于对象的初始特征信息以及图谱特征信息得到该对象的特征信息。
处理层520可以用于基于所述候选对象的特征信息确定候选对象的特征域分布信息;对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值。
在一些实施例中,关于候选对象的特征域分布信息和对象的融合分布特征值的更多描述可以参见步骤220、230及步骤410~430相关内容,此处不再赘述。
输出层530可以用于至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
在一些实施例中,关于候选对象对所述用户的推荐分值的更多描述可以参见步骤240及相关内容,此处不再赘述。
获取所述至少一个对象中每一个的融合分布特征值的过程可以是并行的,因此在一些实施例中,处理层520可以进一步包括一个或多个域交互层522以及序列组合层524。其中,一个或多个域交互层522用于并行获得所述至少一个对象的融合分布特征值,所述序列组合层524用于基于各对象的融合分布特征值得到用户行为特征表示。
在一些实施例中,域交互层522进一步包括:
注意力机制层,用于将对象的特征信息与候选对象的特征域分布信息进行运算,得到对象的特征域注意力信息。
在一些实施例中,关于对象的特征域注意力信息的更多描述可以参见步骤410及相关内容,此处不再赘述。
过滤层,用于基于所述对象的特征域注意力信息对所述对象的特征信息进行过滤,得到对象的特征域分布信息。
在一些实施例中,关于对象的特征域分布信息的更多描述可以参见步骤420及相关内容,此处不再赘述。
Dropout层,用于将对象的特征域分布信息中的元素进行随机丢弃。
在一些实施例中,关于随机丢弃的更多描述可以参见步骤431及相关内容,此处不再赘述。
叠加单元,用于将随机丢弃处理后的对象的特征域分布信息与对象的特征信息进行叠加,得到叠加结果。
在一些实施例中,关于叠加结果的更多描述可以参见步骤433及相关内容,此处不再赘述。
归一化层,用于对叠加结果的各元素进行第二归一化处理,得到归一化叠加结果。
在一些实施例中,关于归一化叠加结果的更多描述可以参见步骤435及相关内容,此处不再赘述。
Softmax运算层,用于对归一化叠加结果的各元素进行Softmax运算,得到与各元素对应的权重。
在一些实施例中,关于与各元素对应的权重的更多描述可以参见步骤437及相关内容,此处不再赘述。
加权运算单元,用于基于归一化叠加结果的各元素的权重对所述各元素进行加权运算,得到所述融合分布特征值。
在一些实施例中,关于融合分布特征值的更多描述可以参见步骤439及相关内容,此处不再赘述。
在一些实施例中,输出层530可以包括拼接单元532和MLP层534。
拼接单元532,用于将用户特征、用户行为特征表示以及候选对象的特征信息进行拼接;MLP层534,用于将拼接结果转换为所述推荐分值。
在一些实施例中,对象推荐模型可以基于多组训练样本进行端到端的训练获取。每组训练样本至少包括:样本候选对象的特征信息、样本用户行为序列。在一些实施例中,每组训练样本还包括样本用户特征。每组训练样本的标签代表该样本对应的用户是否购买或订阅了其中的样本候选对象(例如,用1表示购买,0表示未购买)。在一些实施例中,样本候选对象可以是平台历史推荐给样本用户的对象,相应的,样本的标签可以代表用户是否进行了操作(如购买、订阅或好评等)。上述各样本的标签可以从平台获取,并进行自动标注。在一些实施例中,可以基于模型的预测分值与标签的差异构造损失函数。训练过程中,不断调整模型的参数(如上述变换向量Wq与特征域注意力矩阵M),直到损失函数满足预设条件(例如,收敛、小于阈值等),得到训练好的对象推荐模型。
需要注意的是,以上对于对象推荐模型及其组分部分的描述,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对模型的组成部分进行调整。例如,可以将序列组合层524和拼接单元532设于同一层或通过其他层实现拼接操作。
图6是根据本说明书一些实施例所示的对象推荐系统的示例性框图。
如图6所示,该对象推荐系统600可以包括信息获取模块610、特征域分布信息确定模块620、用户行为特征表示获取模块630和推荐分值确定模块640。
信息获取模块610,用于获取候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值。
在一些实施例中,关于候选对象的特征信息和用户行为序列的更多描述可以参见步骤210及其相关内容,此处不再赘述。
特征域分布信息确定模块620可以用于基于所述候选对象的特征信息确定候选对象的特征域分布信息。
在一些实施例中,关于候选对象的特征域分布信息的更多描述可以参见步骤220及相关内容,此处不再赘述。
用户行为特征表示获取模块630可以用于对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值。
在一些实施例中,关于用户行为特征表示的更多描述可以参见步骤230及相关内容,此处不再赘述。
推荐分值确定模块640可以用于至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
在一些实施例中,关于候选对象对所述用户的推荐分值的更多描述可以参见步骤240及相关内容,此处不再赘述。
应当理解,图6所示的对象推荐系统600及其模块可以利用各种方式来实现。需要注意的是,以上对于系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,例如,信息获取模块610、特征域分布信息确定模块620、用户行为特征表示获取模块630和推荐分值确定模块640可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过更加细化的特征信息,能够更加全面的刻画对象的属性,以便于更准确的进行预测;(2)通过充分考虑历史操作之间的联系,进而更全面的体现出对象间的关系,能够进一步提高对象推荐的精准度。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (16)
1.一种对象推荐方法,包括:
获取候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;
基于所述候选对象的特征信息确定候选对象的特征域分布信息;
对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;
至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
2.如权利要求1所述的方法,其中,获取用户行为序列,包括:
基于所述至少一个对象以及用户历史操作建立对象图谱;对象图谱中的节点对应对象,节点之间的边反映用户历史操作;
对所述对象图谱进行一轮或多轮图谱聚合,得到对象图谱中各节点的图谱特征信息;
对于所述至少一个对象中的每一个:获取该对象的初始特征信息;从对象图谱中获取该对象的图谱特征信息;基于该对象的初始特征信息以及图谱特征信息获取该对象的特征信息;进而得到所述用户行为序列。
3.如权利要求2所述的方法,其中,所述基于所述至少一个对象以及用户历史操作建立对象图谱,包括:
在相邻两次用户历史操作相关的两个对象对应的节点间建立边。
4.如权利要求2所述的方法,其中,在所述对象图谱进行一轮或多轮图谱聚合前,将各对象的初始特征信息作为其初始的图谱特征信息。
5.如权利要求1所述的方法,其中,基于所述候选对象的特征信息确定候选对象的特征域分布信息,包括:
将特征域注意力矩阵与所述候选对象的特征信息进行运算,得到所述候选对象的特征域分布信息;所述特征域注意力矩阵的行数与列数均为特征信息中的特征域数量,特征域注意力矩阵通过模型训练得到。
6.如权利要求5所述的方法,其中,所述候选对象的特征信息表征为行数为特征域数量,列数为第一预设值的矩阵,所述运算为矩阵乘。
7.如权利要求1所述的方法,其中,所述将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值,包括:
将对象的特征信息与候选对象的特征域分布信息进行运算,得到对象的特征域注意力信息;
基于所述对象的特征域注意力信息对所述对象的特征信息进行过滤,得到对象的特征域分布信息;
将对象的特征信息与对象的特征域分布信息进行叠加,基于叠加结果得到对象的融合分布特征值。
8.如权利要求7所述的方法,其中,所述对象的特征信息表征为行数为特征域数量,列数为第一预设值的矩阵,所述运算为矩阵元素按位相乘。
9.如权利要求8所述的方法,其中,所述基于所述对象的特征域注意力信息对所述对象的特征信息进行过滤,得到对象的特征域分布信息,包括:
将所述对象的特征域注意力信息与变换向量进行矩阵乘,得到过滤向量;所述变换向量的维度等于第一预设值,变换向量通过模型训练得到;
将过滤向量的各元素进行第一归一化处理,得到归一化过滤向量;
将所述对象的特征信息的各列分别与所述归一化过滤向量按位相乘,得到所述对象的特征域分布信息。
10.如权利要求9所述的方法,其中,所述将对象的特征信息与对象的特征域分布信息进行叠加,基于叠加结果得到对象的融合分布特征值,包括:
随机将对象的特征域分布信息中的部分元素丢弃;
将随机丢弃后的对象的特征域分布信息与所述对象的特征信息按位相加,得到叠加结果;
对叠加结果的各元素进行第二归一化处理,得到归一化叠加结果;
对归一化叠加结果的各元素进行Softmax运算,得到与各元素对应的权重;
基于归一化叠加结果的各元素的权重对所述归一化叠加结果的各元素进行加权运算,得到所述融合分布特征值。
11.如权利要求1所述的方法,其中,还包括获取用户特征;
所述至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值,包括:
基于所述用户特征、候选对象的特征信息以及所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
12.一种对象推荐系统,包括:
信息获取模块,用于获取候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;
特征域分布信息确定模块,用于基于所述候选对象的特征信息确定候选对象的特征域分布信息;
用户行为特征表示获取模块,用于对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;
推荐分值确定模块,用于至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
13.一种对象推荐装置,包括处理器;
所述处理器用于执行权利要求1~11中任一项所述的对象推荐方法。
14.一种对象推荐模型系统,包括:
输入层,用于接收候选对象的特征信息和用户行为序列;所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息;其中,特征信息包括两个以上特征域对应的特征值;
处理层,用于基于所述候选对象的特征信息确定候选对象的特征域分布信息;对于所述至少一个对象中的每一个:将对象的特征信息以及候选对象的特征域分布信息进行融合,获得对象的融合分布特征值;进而获得用户行为特征表示,所述用户行为特征表示包括所述至少一个对象的融合分布特征值;
输出层,用于至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
15.如权利要求14所述的模型系统,所述处理层进一步包括一个或多个域交互层以及序列组合层,其中,一个或多个域交互层用于并行获得所述至少一个对象的融合分布特征值,所述序列组合层用于基于各对象的融合分布特征值得到用户行为特征表示;所述域交互层进一步包括:
注意力机制层,用于将对象的特征信息与候选对象的特征域分布信息进行运算,得到对象的特征域注意力信息;
过滤层,用于基于所述对象的特征域注意力信息对所述对象的特征信息进行过滤,得到对象的特征域分布信息;
Dropout层,用于将对象的特征域分布信息中的元素进行随机丢弃;
叠加单元,用于将随机丢弃处理后的对象的特征域分布信息与对象的特征信息进行叠加,得到叠加结果;
归一化层,用于对叠加结果的各元素进行第二归一化处理,得到归一化叠加结果;
Softmax运算层,用于对归一化叠加结果的各元素进行Softmax运算,得到与各元素对应的权重;
加权运算单元,用于基于归一化叠加结果的各元素的权重对所述各元素进行加权运算,得到所述融合分布特征值。
16.如权利要求14所述的模型系统,所述输出层包括:
拼接单元,用于将用户特征、用户行为特征表示以及候选对象的特征信息进行拼接;
MLP层,用于将拼接结果转换为所述推荐分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948901.8A CN115238188A (zh) | 2022-08-09 | 2022-08-09 | 一种对象推荐方法和系统及对象推荐模型系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948901.8A CN115238188A (zh) | 2022-08-09 | 2022-08-09 | 一种对象推荐方法和系统及对象推荐模型系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238188A true CN115238188A (zh) | 2022-10-25 |
Family
ID=83678454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210948901.8A Pending CN115238188A (zh) | 2022-08-09 | 2022-08-09 | 一种对象推荐方法和系统及对象推荐模型系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238188A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051201A (zh) * | 2023-01-28 | 2023-05-02 | 深圳市人马互动科技有限公司 | 语音外呼数据的处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-09 CN CN202210948901.8A patent/CN115238188A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051201A (zh) * | 2023-01-28 | 2023-05-02 | 深圳市人马互动科技有限公司 | 语音外呼数据的处理方法、装置、电子设备及存储介质 |
CN116051201B (zh) * | 2023-01-28 | 2023-06-20 | 深圳市人马互动科技有限公司 | 语音外呼数据的处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112000819B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN109934619A (zh) | 用户画像标签建模方法、装置、电子设备及可读存储介质 | |
US10354184B1 (en) | Joint modeling of user behavior | |
CN110717098A (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
Lytvyn et al. | Design of the architecture of an intelligent system for distributing commercial content in the internet space based on SEO-technologies, neural networks, and Machine Learning | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
Xia et al. | Modeling consumer buying decision for recommendation based on multi-task deep learning | |
Verma et al. | Artificial intelligence based recommendation system | |
Hassan et al. | Performance analysis of neural networks-based multi-criteria recommender systems | |
Fareed et al. | A collaborative filtering recommendation framework utilizing social networks | |
CN115238188A (zh) | 一种对象推荐方法和系统及对象推荐模型系统 | |
Manimurugan et al. | A user-based video recommendation approach using CAC filtering, PCA with LDOS-CoMoDa | |
Dos Santos et al. | Clustering learning objects for improving their recommendation via collaborative filtering algorithms | |
Vysotska et al. | V. Lytvyn | |
Nazari et al. | Scalable and data-independent multi-agent recommender system using social networks analysis | |
Kumar et al. | A Deep Ranking Weighted Multihashing Recommender System for Item Recommendation | |
Agarwal et al. | Binarized spiking neural networks optimized with Nomadic People Optimization-based sentiment analysis for social product recommendation | |
CN116205700A (zh) | 目标产品的推荐方法、装置、计算机设备和存储介质 | |
Kim et al. | Revisit Prediction by Deep Survival Analysis | |
KR102637198B1 (ko) | 인공지능 모델 제작 플랫폼을 통한 인공지능 모델 공유, 대여 및 판매방법, 장치 및 컴퓨터프로그램 | |
Hassan et al. | A computational model for improving the accuracy of multi-criteria recommender systems | |
CN113379482B (zh) | 一种物品推荐方法、计算设备以及存储介质 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 |
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 |