CN115618131A - 一种融合交互频率与注意力网络的物品推荐方法及系统 - Google Patents
一种融合交互频率与注意力网络的物品推荐方法及系统 Download PDFInfo
- Publication number
- CN115618131A CN115618131A CN202211411355.0A CN202211411355A CN115618131A CN 115618131 A CN115618131 A CN 115618131A CN 202211411355 A CN202211411355 A CN 202211411355A CN 115618131 A CN115618131 A CN 115618131A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- item
- score
- preference
- 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开一种融合交互频率与注意力网络的物品推荐方法及系统,该方法包括:将收集的每个用户/物品信息进行向量化,得到对应的嵌入向量;将收集的用户物品评分信息根据设定的阈值进行偏好标记,并根据偏好标记筛选给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合;统计物品集合中每个物品的交互频率,根据融合物品交互频率的注意力网络预测目标用户对候选物品的偏好分数;统计用户集合中每个用户的交互频率,根据融合用户交互频率的注意力网络预测候选物品被目标用户喜欢的偏好分数;将上述两项偏好分数加权求和,得到目标用户对候选物品的交互预测分数,选取top‑k个候选物品进行推荐。本发明能准确地捕获用户和物品的偏好特征。
Description
技术领域
本发明属于物品推荐技术领域,尤其涉及一种融合交互频率与注意力网络的物品推荐方法及系统。
背景技术
随着网络的普及程度越来越高,互联网平台包含的信息呈现爆炸式增长趋势(GuoQ,Zhuang F,Qin C,et al.A survey on knowledge graph-based recommendersystems.IEEE Transactions on Knowledge and Data Engineering,34(8):3549-3568,2022),不可避免地造成了信息超载问题。面对互联网中如此庞大的信息量,用户越来越难以选择符合个性化需求的信息。而推荐系统可以最大限度的为信息消费者推送符合其偏好的内容,因而信息超载有力的推动了推荐系统的发展。
推荐系统可以在用户需求不明确的情况下,根据用户的点击、浏览、购买等行为分析用户需求,并从海量的信息中挖掘符合用户偏好的内容。例如,淘宝和京东等购物平台可以根据用户的浏览和购买记录分析用户偏好,进而推荐给用户感兴趣的商品;虎牙和斗鱼等直播平台可以根据用户的观看记录和收藏的内容等推荐相似类型的直播间;新浪微博可以根据用户浏览的帖子内容和标签推荐不同类型的帖子和博主等等。由此可见,推荐系统正潜移默化地影响着我们的生活。随着人们对生活中各个方面的需求的提高以及网络中各种复杂信息的涌现,推荐系统越来越难准确地捕获用户的需求,特别是面对稀疏数据时,如何准确分析用户偏好进而进行有效的推荐成为推荐领域中一个关键性问题。
在各种推荐策略中,协同过滤基于用户的历史交互行为进行偏好分析,根据用户之间的共同偏好或者是物品之间的关联性以及相似性为给定用户进行偏好预测进而进行推荐,取得了显著效果,因而得到产业界和学术界的广泛关注。但是,已有的推荐方法仍存在如下问题:(1)当面对一个新用户或者一个新物品时,因为不存在新用户和新物品的交互记录或评分数据,所以无法使用协同过滤进行推荐,即推荐系统中的用户冷启动和物品冷启动问题;(2)已有的推荐方法虽然在协同过滤中添加了社交网络、用户或物品属性等辅助信息,但大多没有考虑用户和物品之间的交互频率信息。
因此,需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
本发明针对目前推荐系统中用户和物品的偏好特征获取不够准确,且存在新用户和新物品冷启动问题,进而导致推荐不准确的情况,提出一种面向用户的、为用户推荐物品的一种融合交互频率与注意力网络的物品推荐方法及系统,通过融合物品交互频率和用户交互频率的注意力网络模型,能更准确的捕获用户和物品偏好特征,且能解决新用户和新物品面临的冷启动问题,进而提高了推荐准确度。
为了实现上述目的,本发明采用以下技术方案:
本发明一方面提出一种融合交互频率与注意力网络的物品推荐方法,包括以下步骤:
步骤1,将收集的用户物品评分信息中每个用户信息根据其编号进行词嵌入,得到每个用户对应的嵌入向量,并将用户物品评分信息中每个物品信息根据其编号进行词嵌入,得到每个物品对应的嵌入向量;
步骤2,将用户物品评分信息根据设定的阈值进行偏好标记,生成用户物品偏好信息,根据偏好标记从用户物品偏好信息中筛选出给定目标用户喜欢的物品集合以及喜欢给定候选物品的用户集合;
步骤3,基于给定目标用户喜欢的物品集合得到物品交互频率,根据融合物品交互频率的注意力网络获取目标用户对物品的偏好表示,并将目标用户对物品的偏好表示与给定的候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数;
步骤4,基于喜欢给定候选物品的用户集合得到用户交互频率,根据融合用户交互频率的注意力网络获取候选物品被用户喜欢的偏好表示,并将候选物品被用户喜欢的偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数;
步骤5,将步骤3得到的目标用户对候选物品的偏好分数和步骤4得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数并排序,选择top-k个交互预测分数较高的候选物品进行推荐。
进一步地,所述步骤2包括:
步骤2.1,根据用户物品评分信息,设置评分阈值,如果用户对物品的评分大于等于该阈值,则认为用户喜欢该物品,并添加喜欢标记;如果用户对物品的评分小于该阈值,则认为用户不喜欢该物品,并添加不喜欢标记,由此得到用户物品偏好信息;
步骤2.2,根据用户物品偏好信息中的喜欢标记筛选出给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合。
进一步地,所述步骤3包括:
步骤3.1,根据步骤2中筛选得到的目标用户喜欢的物品集合中的每个物品,统计每个物品被所有用户交互的次数并将该次数看作物品的交互频率,通过归一化得到每个物品对应的交互频率分数,并用权重矩阵计算目标用户喜欢的每个物品对应的注意力分数;
步骤3.2,将步骤3.1中得到的每个物品的交互频率分数和注意力分数相加并归一化得到目标用户喜欢的每个物品对应的权重分数,将目标用户喜欢的每个物品的嵌入向量与对应的权重分数进行加权求和,得到目标用户的物品偏好表示;若给定的目标用户为没有评分记录的新用户,则将交互频率最高的物品的嵌入向量作为该用户的物品偏好表示;
步骤3.3,将步骤3.2中获取的目标用户的物品偏好表示与候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数。
进一步地,所述步骤4包括:
步骤4.1,根据步骤2中筛选得到的喜欢给定候选物品的用户集合中的每个用户,统计每个用户交互的物品个数并将该个数看作用户的交互频率,通过归一化得到每个用户对应的交互频率分数,并用权重矩阵计算喜欢候选物品的每个用户对应的注意力分数;
步骤4.2,将步骤4.1中得到的每个用户的交互频率分数和注意力分数相加并归一化得到喜欢候选物品的每个用户对应的权重分数,将喜欢候选物品的每个用户的嵌入向量与对应的权重分数加权求和,得到喜欢候选物品的用户偏好表示;若给定的候选物品为没有评分记录的新物品,则将交互频率最高的用户的嵌入向量作为喜欢该物品的用户偏好表示;
步骤4.3,将步骤4.2中获取的喜欢候选物品的用户偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数。
进一步地,所述步骤5包括:
步骤5.1,将步骤3得到的目标用户对候选物品的偏好分数和步骤4得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数;
步骤5.2,对步骤5.1得到的交互预测分数进行排序,根据需求选取交互预测分数较高的top-k个候选物品进行推荐;
进一步地,所述的步骤3.1中,按照下式得到目标用户喜欢的物品集合中每个物品的交互频率分数与注意力分数:
ai=w1 Tθ(W1vi+b1)
其中j为目标用户喜欢的物品的个数,为目标用户喜欢的第i个物品的交互频率,为第i个物品的交互频率分数,Vi为目标用户喜欢的第i个物品的嵌入向量,W1∈Rd×d和w1∈Rd为权重矩阵,d为物品的嵌入维度,T表示转置,b1为偏置向量,θ为tanh激活函数,ai为第i个物品的注意力分数。
进一步地,所述的步骤3.2中,按照下式得到目标用户的物品偏好表示:
进一步地,所述的步骤3.3中,按照下式得到目标用户对候选物品的偏好分数:
scoreU-I=uI·v
其中v是候选物品的嵌入向量,scoreU-I为目标用户对候选物品的偏好分数。
进一步地,所述的步骤4.1中,按照下式得到喜欢候选物品的用户集合中每个用户的交互频率分数与注意力分数:
ci=w2 Tθ(W2ui+b2)
其中k为喜欢候选物品的用户个数,为喜欢候选物品的第i个用户的交互频率,为第i个用户的交互频率分数,ui为喜欢候选物品的第i个用户的嵌入向量,W2∈Rd×d和w2∈Rd为权重矩阵,d为用户的嵌入维度,T表示转置,b2为偏置向量,θ为tanh激活函数,ci为第i个用户的注意力分数。
进一步地,所述的步骤4.2中,按照下式得到喜欢候选物品的用户偏好表示:
进一步地,所述的步骤4.3中,按照下式得到候选物品被目标用户喜欢的偏好分数:
scoreI-U=vU·u
其中,u是目标用户的嵌入向量,scoreI-U为候选物品被目标用户喜欢的偏好分数。
进一步地,所述步骤5.1中,按照下式计算目标用户对候选物品的交互预测分数:
score=λ1scoreU-I+λ2scoreI-U
其中λ1和λ2为权重,score为目标用户对候选物品的交互预测分数。
本发明另一方面提出一种融合交互频率与注意力网络的物品推荐系统,包括:
用户和物品嵌入向量得出模块,用于将收集的用户物品评分信息中每个用户信息根据其编号进行词嵌入,得到每个用户对应的嵌入向量,并将用户物品评分信息中每个物品信息根据其编号进行词嵌入,得到每个物品对应的嵌入向量;
用户和物品筛选模块,用于将用户物品评分信息根据设定的阈值进行偏好标记,生成用户物品偏好信息,根据偏好标记从用户物品偏好信息中筛选出给定目标用户喜欢的物品集合以及喜欢给定候选物品的用户集合;
第一偏好分数得出模块,用于基于给定目标用户喜欢的物品集合得到物品交互频率,根据融合物品交互频率的注意力网络获取目标用户对物品的偏好表示,并将目标用户对物品的偏好表示与给定的候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数;
第二偏好分数得出模块,用于基于喜欢给定候选物品的用户集合得到用户交互频率,根据融合用户交互频率的注意力网络获取候选物品被用户喜欢的偏好表示,并将候选物品被用户喜欢的偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数;
物品推荐模块,用于将第一偏好分数得出模块得到的目标用户对候选物品的偏好分数和第二偏好分数得出模块得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数并排序,选择top-k个交互预测分数较高的候选物品进行推荐。
进一步地,所述用户和物品筛选模块包括:
用户物品偏好信息得出子模块,用于根据用户物品评分信息,设置评分阈值,如果用户对物品的评分大于等于该阈值,则认为用户喜欢该物品,并添加喜欢标记;如果用户对物品的评分小于该阈值,则认为用户不喜欢该物品,并添加不喜欢标记,由此得到用户物品偏好信息;
用户和物品筛选子模块,用于根据用户物品偏好信息中的喜欢标记筛选出给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合。
进一步地,所述第一偏好分数得出模块包括:
第一分数得出子模块,用于根据用户和物品筛选模块中筛选得到的目标用户喜欢的物品集合中的每个物品,统计每个物品被所有用户交互的次数并将该次数看作物品的交互频率,通过归一化得到每个物品对应的交互频率分数,并用权重矩阵计算目标用户喜欢的每个物品对应的注意力分数;
物品偏好表示得出子模块,用于将第一分数得出子模块中得到的每个物品的交互频率分数和注意力分数相加并归一化得到目标用户喜欢的每个物品对应的权重分数,将目标用户喜欢的每个物品的嵌入向量与对应的权重分数进行加权求和,得到目标用户的物品偏好表示;若给定的目标用户为没有评分记录的新用户,则将交互频率最高的物品的嵌入向量作为该用户的物品偏好表示;
第二分数得出子模块,用于将物品偏好表示得出子模块中获取的目标用户的物品偏好表示与候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数。
进一步地,所述第二偏好分数得出模块包括:
第三分数得出子模块,用于根据用户和物品筛选模块中筛选得到的喜欢给定候选物品的用户集合中的每个用户,统计每个用户交互的物品个数并将该个数看作用户的交互频率,通过归一化得到每个用户对应的交互频率分数,并用权重矩阵计算喜欢候选物品的每个用户对应的注意力分数;
用户偏好表示得出子模块,用于将第三分数得出子模块中得到的每个用户的交互频率分数和注意力分数相加并归一化得到喜欢候选物品的每个用户对应的权重分数,将喜欢候选物品的每个用户的嵌入向量与对应的权重分数加权求和,得到喜欢候选物品的用户偏好表示;若给定的候选物品为没有评分记录的新物品,则将交互频率最高的用户的嵌入向量作为喜欢该物品的用户偏好表示;
第四分数得出子模块,用于将用户偏好表示得出子模块中获取的喜欢候选物品的用户偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数。
进一步地,所述物品推荐模块包括:
第五分数得出子模块,用于将第一偏好分数得出模块得到的目标用户对候选物品的偏好分数和第二偏好分数得出模块得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数;
物品推荐子模块,用于对第五分数得出子模块得到的交互预测分数进行排序,根据需求选取交互预测分数较高的top-k个候选物品进行推荐。
进一步地,所述的第一分数得出子模块中,按照下式得到目标用户喜欢的物品集合中每个物品的交互频率分数与注意力分数:
ai=w1 Tθ(W1vi+b1)
其中j为目标用户喜欢的物品的个数,为目标用户喜欢的第i个物品的交互频率,为第i个物品的交互频率分数,Vi为目标用户喜欢的第i个物品的嵌入向量,W1∈Rd×d和w1∈Rd为权重矩阵,d为物品的嵌入维度,T表示转置,b1为偏置向量,θ为tanh激活函数,ai为第i个物品的注意力分数。
进一步地,所述的物品偏好表示得出子模块中,按照下式得到目标用户的物品偏好表示:
进一步地,所述的第二分数得出子模块中,按照下式得到目标用户对候选物品的偏好分数:
scoreU-I=uI·v
其中v是候选物品的嵌入向量,scoreU-I为目标用户对候选物品的偏好分数。
进一步地,所述的第三分数得出子模块中,按照下式得到喜欢候选物品的用户集合中每个用户的交互频率分数与注意力分数:
ci=w2 Tθ(W2ui+b2)
其中k为喜欢候选物品的用户个数,为喜欢候选物品的第i个用户的交互频率,为第i个用户的交互频率分数。ui为喜欢候选物品的第i个用户的嵌入向量,W2∈Rd×d和w2∈Rd为权重矩阵,d为用户的嵌入维度,T表示转置,b2为偏置向量,θ为tanh激活函数,ci为第i个用户的注意力分数。
进一步地,所述的用户偏好表示得出子模块中,按照下式得到喜欢候选物品的用户偏好表示:
进一步地,所述的第四分数得出子模块中,按照下式得到候选物品被目标用户喜欢的偏好分数:
scoreI-U=vU·u
其中,u是目标用户的嵌入向量,scoreI-U为候选物品被目标用户喜欢的偏好分数。
进一步地,所述第五分数得出子模块中,按照下式计算目标用户对候选物品的交互预测分数:
score=λ1scoreU-I+λ2scoreI-U
其中λ1和λ2为权重,score为目标用户对候选物品的交互预测分数。
与现有技术相比,本发明具有的有益效果:
(1)本发明通过融合物品交互频率和用户交互频率的注意力网络模型,能更准确的捕获用户和物品的偏好特征;
(2)本发明可有效解决推荐系统中的用户冷启动和物品冷启动问题,提高推荐准确度。
附图说明
图1为本发明实施例一种融合交互频率与注意力网络的物品推荐方法的流程图;
图2为图1中的用户物品评分信息示例图;
图3为图1中的用户物品偏好信息示例图;
图4为图1中融合物品交互频率的注意力网络模型架构示意图;
图5为本发明实施例一种融合交互频率与注意力网络的物品推荐系统的架构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种融合交互频率与注意力网络的物品推荐方法,具体步骤如下:
步骤1,将收集的用户物品评分信息(如图2所示)中每个用户信息根据其编号进行词嵌入,得到每个用户对应的嵌入向量,并将用户物品评分信息中每个物品信息根据其编号进行词嵌入,得到每个物品对应的嵌入向量;
步骤2,将用户物品评分信息根据设定的阈值进行偏好标记,生成用户物品偏好信息(如图3所示),根据偏好标记从用户物品偏好信息中筛选出给定目标用户喜欢的物品集合以及喜欢给定候选物品的用户集合;
步骤3,基于给定目标用户喜欢的物品集合得到物品交互频率,根据融合物品交互频率的注意力网络(网络模型架构如图4所示)获取目标用户对物品的偏好表示,并将目标用户对物品的偏好表示与给定的候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数;
步骤4,基于喜欢给定候选物品的用户集合得到用户交互频率,根据融合用户交互频率的注意力网络获取候选物品被用户喜欢的偏好表示,并将候选物品被用户喜欢的偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数;
步骤5,将步骤3得到的目标用户对候选物品的偏好分数和步骤4得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数并排序,选择top-k个交互预测分数较高的候选物品进行推荐。
进一步地,步骤2的具体实现步骤为:
步骤2.1,根据用户物品评分信息(具体如图2中用户物品评分信息第三列用户对物品的评分(rating)),设定评分阈值,将评分大于或等于阈值的物品视为用户喜欢的物品,并将该用户物品对标记为1,否则视为用户不喜欢的物品,将该用户物品对标记为0,以此生成用户物品偏好信息。
步骤2.2,根据用户物品偏好信息中的喜欢标记(具体如图3用户物品偏好信息中第三列tag值为1的数据)筛选出给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合。
进一步地,步骤3的具体实现步骤为:
步骤3.1,根据步骤2中筛选得到的目标用户喜欢的物品集合中的每个物品,统计每个物品被所有用户交互的次数并将该次数看作物品的交互频率,通过归一化得到每个物品对应的交互频率分数,并用权重矩阵计算目标用户喜欢的每个物品对应的注意力分数。具体地,获取目标用户喜欢的物品集合中每个物品的交互频率分数与注意力分数的计算公式如下:
ai=w1 Tθ(W1vi+b1)
其中j为目标用户喜欢的物品的个数,为目标用户喜欢的第i个物品的交互频率,为第i个物品的交互频率分数,Vi为目标用户喜欢的第i个物品的嵌入向量,W1∈Rd×d和w1∈Rd为权重矩阵,d为物品的嵌入维度,T表示转置,b1为偏置向量,θ为tanh激活函数,ai为第i个物品的注意力分数。
步骤3.2,将步骤3.1中得到的每个物品的交互频率分数和注意力分数相加并归一化得到目标用户喜欢的每个物品对应的权重分数,将目标用户喜欢的每个物品的嵌入向量与对应的权重分数进行加权求和,得到目标用户的物品偏好表示;若给定的目标用户为没有评分记录的新用户,则将交互频率最高的物品的嵌入向量作为该用户的物品偏好表示。具体地,获取目标用户的物品偏好表示的计算公式如下:
步骤3.3,将步骤3.2中获取的目标用户的物品偏好表示与候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数。具体地,获取目标用户对候选物品的偏好分数的计算公式如下:
scoreU-I=uI·v
其中v是候选物品的嵌入向量,scoreU-I为目标用户对候选物品的偏好分数。
进一步地,步骤4的具体实现步骤为:
步骤4.1,根据步骤2中筛选得到的喜欢给定候选物品的用户集合中的每个用户,统计每个用户交互的物品个数并将该个数看作用户的交互频率,通过归一化得到每个用户对应的交互频率分数,并用权重矩阵计算喜欢候选物品的每个用户对应的注意力分数。具体地,获取喜欢候选物品的用户集合中每个用户的交互频率分数与注意力分数的计算公式如下:
ci=w2 Tθ(W2ui+b2)
其中k为喜欢候选物品的用户个数,为喜欢候选物品的第i个用户的交互频率,为第i个用户的交互频率分数,ui为喜欢候选物品的第i个用户的嵌入向量,W2∈Rd×d和w2∈Rd为权重矩阵,d为用户的嵌入维度,T表示转置,b2为偏置向量,θ为tanh激活函数,ci为第i个用户的注意力分数。
步骤4.2,将步骤4.1中得到的每个用户的交互频率分数和注意力分数相加并归一化得到喜欢候选物品的每个用户对应的权重分数,将喜欢候选物品的每个用户的嵌入向量与对应的权重分数加权求和,得到喜欢候选物品的用户偏好表示;若给定的候选物品为没有评分记录的新物品,则将交互频率最高的用户的嵌入向量作为喜欢该物品的用户偏好表示。具体地,获取喜欢候选物品的用户偏好表示的计算公式如下:
步骤4.3,将步骤4.2中获取的喜欢候选物品的用户偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数。具体地,获取候选物品被目标用户喜欢的偏好分数的计算公式如下:
scoreI-U=vU·u
其中,u是目标用户的嵌入向量,scoreI-U为候选物品被目标用户喜欢的偏好分数。
进一步地,步骤5的具体实现步骤为:
步骤5.1,将步骤3得到的目标用户对候选物品的偏好分数和步骤4得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数。具体地,计算目标用户对候选物品的交互预测分数的计算公式如下:
score=λ1scoreU-I+λ2scoreI-U
其中λ1和λ2为权重,score为目标用户对候选物品的交互预测分数。
步骤5.2,对步骤5.1得到的交互预测分数进行排序,根据需求选取交互预测分数较高的top-k个候选物品进行推荐。
作为一种可实施方式,以MovieLens-1M数据集进行融合交互频率与注意力网络的电影推荐为实施例,详细描述本发明的实施过程。
MovieLens是一个推荐系统和虚拟社区网站,主要通过协同过滤进行电影推荐,GroupLens研究组根据MovieLens网站提供的数据制作了MovieLens数据集。MovieLens-1M数据集包含6036个用户对2445部电影的评分信息,源数据格式如图2所示,图2中第二列的itemID对应movieID。
首先,执行步骤1。将MovieLens-1M数据集中所有的用户和电影根据其ID进行词嵌入,得到每个用户和每个电影对应的嵌入向量。
接着,执行步骤2。设定评分阈值为3,根据用户对电影的评分,将评分大于等于3的电影视为用户喜欢此电影,并将该用户电影对标记为1,否则视为用户不喜欢此电影,将该用户电影对标记为0,以此生成用户电影偏好信息。
根据图3用户电影偏好信息中tag为1的用户电影对筛选出给定目标用户(用户ID、即userID为1)喜欢的电影集合和喜欢给定候选电影(userID为1的用户未交互过的电影)的用户集合,筛选结果如表1和表2所示。
表1目标用户喜欢的电影集合示例
表2喜欢候选电影的部分用户集合示例
然后,执行步骤3。将userID为1的用户当作目标用户,根据表1中筛选出的目标用户喜欢的电影集合,统计userID为1的目标用户喜欢的电影对应的交互频率,结果如表3所示。
表3 userID为1的目标用户喜欢的电影对应的交互频率示例
根据步骤3.1和步骤3.2中的公式,将userID为1的用户喜欢的电影对应的交互频率进行归一化得到电影对应的交互频率分数,并用权重矩阵计算出userID为1的用户喜欢的电影对应的注意力分数。将两个分数相加并归一化得到userID为1的用户喜欢的电影对应的权重分数,并与目标用户喜欢的电影的嵌入向量进行加权求和计算出目标用户的电影偏好表示。userID为1的目标用户喜欢的电影对应的交互频率分数、注意力分数和权重分数的计算结果如表4所示。
表4 userID为1的目标用户喜欢的电影对应的各项分数的计算结果示例
根据步骤3.3中的公式将userID为1的用户的电影偏好表示与候选电影的嵌入向量进行点积运算,得到userID为1的目标用户对候选电影的偏好分数,计算结果如表5所示。
表5 userID为1的目标用户对候选电影的偏好分数示例
再执行步骤4。统计喜欢候选电影的用户对应的交互频率,以喜欢候选电影940的部分用户为例,结果如表6所示。
表6喜欢候选电影940的部分用户对应的交互频率示例
根据步骤4.1和步骤4.2中的公式,将喜欢候选电影的用户对应的交互频率进行归一化得到用户对应的交互频率分数,并用权重矩阵计算出喜欢候选电影的用户对应的注意力分数。将两个分数相加并归一化得到喜欢候选电影的用户对应的权重分数,并与喜欢候选电影的用户的嵌入向量进行加权求和计算出喜欢候选电影的用户偏好表示。喜欢候选电影940的部分用户对应的交互频率分数、注意力分数和权重分数的计算结果如表7所示。
表7喜欢候选电影940的部分用户对应的各项分数的计算结果示例
根据步骤4.3中的公式将喜欢候选电影的用户偏好表示与目标用户的嵌入向量进行点积运算,得到候选电影被目标用户喜欢的偏好分数,计算结果如表8所示。
表8候选电影被目标用户喜欢的偏好分数示例
最后执行步骤5。根据步骤5.1中的公式,将步骤3得到的目标用户对候选电影的偏好分数和步骤4得到的候选电影被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选电影的交互预测分数。例如,设置λ1和λ2都为0.5,计算得到userID为1的目标用户对movieID为940的候选电影的交互预测分数(0.5*0.6449+0.5*0.3296=0.4872)。同样的,可以得到userID为1的目标用户对其他候选电影的交互预测分数,计算结果如表9所示。
表9目标用户对候选电影的交互预测分数示例
对得到的目标用户对候选电影的交互预测分数进行排序,选择交互预测分数大于0.45(top-2)的候选电影推荐给userID为1的目标用户。
在上述实施例的基础上,如图5所示,本发明还提出一种融合交互频率与注意力网络的物品推荐系统,包括:
用户和物品嵌入向量得出模块,用于将收集的用户物品评分信息中每个用户信息根据其编号进行词嵌入,得到每个用户对应的嵌入向量,并将用户物品评分信息中每个物品信息根据其编号进行词嵌入,得到每个物品对应的嵌入向量;
用户和物品筛选模块,用于将用户物品评分信息根据设定的阈值进行偏好标记,生成用户物品偏好信息,根据偏好标记从用户物品偏好信息中筛选出给定目标用户喜欢的物品集合以及喜欢给定候选物品的用户集合;
第一偏好分数得出模块,用于基于给定目标用户喜欢的物品集合得到物品交互频率,根据融合物品交互频率的注意力网络获取目标用户对物品的偏好表示,并将目标用户对物品的偏好表示与给定的候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数;
第二偏好分数得出模块,用于基于喜欢给定候选物品的用户集合得到用户交互频率,根据融合用户交互频率的注意力网络获取候选物品被用户喜欢的偏好表示,并将候选物品被用户喜欢的偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数;
物品推荐模块,用于将第一偏好分数得出模块得到的目标用户对候选物品的偏好分数和第二偏好分数得出模块得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数并排序,选择top-k个交互预测分数较高的候选物品进行推荐。
进一步地,所述用户和物品筛选模块包括:
用户物品偏好信息得出子模块,用于根据用户物品评分信息,设置评分阈值,如果用户对物品的评分大于等于该阈值,则认为用户喜欢该物品,并添加喜欢标记;如果用户对物品的评分小于该阈值,则认为用户不喜欢该物品,并添加不喜欢标记,由此得到用户物品偏好信息;
用户和物品筛选子模块,用于根据用户物品偏好信息中的喜欢标记筛选出给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合。
进一步地,所述第一偏好分数得出模块包括:
第一分数得出子模块,用于根据用户和物品筛选模块中筛选得到的目标用户喜欢的物品集合中的每个物品,统计每个物品被所有用户交互的次数并将该次数看作物品的交互频率,通过归一化得到每个物品对应的交互频率分数,并用权重矩阵计算目标用户喜欢的每个物品对应的注意力分数;
物品偏好表示得出子模块,用于将第一分数得出子模块中得到的每个物品的交互频率分数和注意力分数相加并归一化得到目标用户喜欢的每个物品对应的权重分数,将目标用户喜欢的每个物品的嵌入向量与对应的权重分数进行加权求和,得到目标用户的物品偏好表示;若给定的目标用户为没有评分记录的新用户,则将交互频率最高的物品的嵌入向量作为该用户的物品偏好表示;
第二分数得出子模块,用于将物品偏好表示得出子模块中获取的目标用户的物品偏好表示与候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数。
进一步地,所述第二偏好分数得出模块包括:
第三分数得出子模块,用于根据用户和物品筛选模块中筛选得到的喜欢给定候选物品的用户集合中的每个用户,统计每个用户交互的物品个数并将该个数看作用户的交互频率,通过归一化得到每个用户对应的交互频率分数,并用权重矩阵计算喜欢候选物品的每个用户对应的注意力分数;
用户偏好表示得出子模块,用于将第三分数得出子模块中得到的每个用户的交互频率分数和注意力分数相加并归一化得到喜欢候选物品的每个用户对应的权重分数,将喜欢候选物品的每个用户的嵌入向量与对应的权重分数加权求和,得到喜欢候选物品的用户偏好表示;若给定的候选物品为没有评分记录的新物品,则将交互频率最高的用户的嵌入向量作为喜欢该物品的用户偏好表示;
第四分数得出子模块,用于将用户偏好表示得出子模块中获取的喜欢候选物品的用户偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数。
进一步地,所述物品推荐模块包括:
第五分数得出子模块,用于将第一偏好分数得出模块得到的目标用户对候选物品的偏好分数和第二偏好分数得出模块得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数;
物品推荐子模块,用于对第五分数得出子模块得到的交互预测分数进行排序,根据需求选取交互预测分数较高的top-k个候选物品进行推荐。
进一步地,所述的第一分数得出子模块中,按照下式得到目标用户喜欢的物品集合中每个物品的交互频率分数与注意力分数:
ai=w1 Tθ(W1vi+b1)
其中j为目标用户喜欢的物品的个数,为目标用户喜欢的第i个物品的交互频率,为第i个物品的交互频率分数,Vi为目标用户喜欢的第i个物品的嵌入向量,W1∈Rd×d和w1∈Rd为权重矩阵,d为物品的嵌入维度,T表示转置,b1为偏置向量,θ为tanh激活函数,ai为第i个物品的注意力分数。
进一步地,所述的物品偏好表示得出子模块中,按照下式得到目标用户的物品偏好表示:
进一步地,所述的第二分数得出子模块中,按照下式得到目标用户对候选物品的偏好分数:
scoreU-I=uI·v
其中v是候选物品的嵌入向量,scoreU-I为目标用户对候选物品的偏好分数。
进一步地,所述的第三分数得出子模块中,按照下式得到喜欢候选物品的用户集合中每个用户的交互频率分数与注意力分数:
ci=w2 Tθ(W2ui+b2)
其中k为喜欢候选物品的用户个数,为喜欢候选物品的第i个用户的交互频率,为第i个用户的交互频率分数。ui为喜欢候选物品的第i个用户的嵌入向量,W2∈Rd×d和w2∈Rd为权重矩阵,d为用户的嵌入维度,T表示转置,b2为偏置向量,θ为tanh激活函数,ci为第i个用户的注意力分数。
进一步地,所述的用户偏好表示得出子模块中,按照下式得到喜欢候选物品的用户偏好表示:
进一步地,所述的第四分数得出子模块中,按照下式得到候选物品被目标用户喜欢的偏好分数:
scoreI-U=vU·u
其中,u是目标用户的嵌入向量,scoreI-U为候选物品被目标用户喜欢的偏好分数。
进一步地,所述第五分数得出子模块中,按照下式计算目标用户对候选物品的交互预测分数:
score=λ1scoreU-I+λ2scoreI-U
其中λ1和λ2为权重,score为目标用户对候选物品的交互预测分数。
综上,本发明通过融合物品交互频率和用户交互频率的注意力网络模型,能更准确的捕获用户和物品的偏好特征;本发明可有效解决推荐系统中的用户冷启动和物品冷启动问题,提高推荐准确度。
以上所示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)
1.一种融合交互频率与注意力网络的物品推荐方法,其特征在于,包括以下步骤:
步骤1,将收集的用户物品评分信息中每个用户信息根据其编号进行词嵌入,得到每个用户对应的嵌入向量,并将用户物品评分信息中每个物品信息根据其编号进行词嵌入,得到每个物品对应的嵌入向量;
步骤2,将用户物品评分信息根据设定的阈值进行偏好标记,生成用户物品偏好信息,根据偏好标记从用户物品偏好信息中筛选出给定目标用户喜欢的物品集合以及喜欢给定候选物品的用户集合;
步骤3,基于给定目标用户喜欢的物品集合得到物品交互频率,根据融合物品交互频率的注意力网络获取目标用户对物品的偏好表示,并将目标用户对物品的偏好表示与给定的候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数;
步骤4,基于喜欢给定候选物品的用户集合得到用户交互频率,根据融合用户交互频率的注意力网络获取候选物品被用户喜欢的偏好表示,并将候选物品被用户喜欢的偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数;
步骤5,将步骤3得到的目标用户对候选物品的偏好分数和步骤4得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数并排序,选择top-k个交互预测分数较高的候选物品进行推荐。
2.根据权利要求1所述的一种融合交互频率与注意力网络的物品推荐方法,其特征在于,所述步骤2包括:
步骤2.1,根据用户物品评分信息,设置评分阈值,如果用户对物品的评分大于等于该阈值,则认为用户喜欢该物品,并添加喜欢标记;如果用户对物品的评分小于该阈值,则认为用户不喜欢该物品,并添加不喜欢标记,由此得到用户物品偏好信息;
步骤2.2,根据用户物品偏好信息中的喜欢标记筛选出给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合。
3.根据权利要求1所述的一种融合交互频率与注意力网络的物品推荐方法,其特征在于,所述步骤3包括:
步骤3.1,根据步骤2筛选得到的目标用户喜欢的物品集合中的每个物品,统计每个物品被所有用户交互的次数并将该次数看作物品的交互频率,通过归一化得到每个物品对应的交互频率分数,并用权重矩阵计算目标用户喜欢的每个物品对应的注意力分数;
步骤3.2,将步骤3.1中得到的每个物品的交互频率分数和注意力分数相加并归一化得到目标用户喜欢的每个物品对应的权重分数,将目标用户喜欢的每个物品的嵌入向量与对应的权重分数进行加权求和,得到目标用户的物品偏好表示;若给定的目标用户为没有评分记录的新用户,则将交互频率最高的物品的嵌入向量作为该用户的物品偏好表示;
步骤3.3,将步骤3.2中获取的目标用户的物品偏好表示与候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数。
4.根据权利要求1所述的一种融合交互频率与注意力网络的物品推荐方法,其特征在于,所述的步骤4包括:
步骤4.1,根据步骤2筛选得到的喜欢给定候选物品的用户集合中的每个用户,统计每个用户交互的物品个数并将该个数看作用户的交互频率,通过归一化得到每个用户对应的交互频率分数,并用权重矩阵计算喜欢候选物品的每个用户对应的注意力分数;
步骤4.2,将步骤4.1中得到的每个用户的交互频率分数和注意力分数相加并归一化得到喜欢候选物品的每个用户对应的权重分数,将喜欢候选物品的每个用户的嵌入向量与对应的权重分数加权求和,得到喜欢候选物品的用户偏好表示;若给定的候选物品为没有评分记录的新物品,则将交互频率最高的用户的嵌入向量作为喜欢该物品的用户偏好表示;
步骤4.3,将步骤4.2中获取的喜欢候选物品的用户偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数。
5.根据权利要求1所述的一种融合交互频率与注意力网络的物品推荐方法,其特征在于,所述的步骤5包括:
步骤5.1,将步骤3得到的目标用户对候选物品的偏好分数和步骤4得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数;
步骤5.2,对步骤5.1得到的交互预测分数进行排序,根据需求选取交互预测分数较高的top-k个候选物品进行推荐。
10.一种融合交互频率与注意力网络的物品推荐系统,其特征在于,包括:
用户和物品嵌入向量得出模块,用于将收集的用户物品评分信息中每个用户信息根据其编号进行词嵌入,得到每个用户对应的嵌入向量,并将用户物品评分信息中每个物品信息根据其编号进行词嵌入,得到每个物品对应的嵌入向量;
用户和物品筛选模块,用于将用户物品评分信息根据设定的阈值进行偏好标记,生成用户物品偏好信息,根据偏好标记从用户物品偏好信息中筛选出给定目标用户喜欢的物品集合以及喜欢给定候选物品的用户集合;
第一偏好分数得出模块,用于基于给定目标用户喜欢的物品集合得到物品交互频率,根据融合物品交互频率的注意力网络获取目标用户对物品的偏好表示,并将目标用户对物品的偏好表示与给定的候选物品的嵌入向量进行点积运算,得到目标用户对候选物品的偏好分数;
第二偏好分数得出模块,用于基于喜欢给定候选物品的用户集合得到用户交互频率,根据融合用户交互频率的注意力网络获取候选物品被用户喜欢的偏好表示,并将候选物品被用户喜欢的偏好表示与目标用户的嵌入向量进行点积运算,得到候选物品被目标用户喜欢的偏好分数;
物品推荐模块,用于将第一偏好分数得出模块得到的目标用户对候选物品的偏好分数和第二偏好分数得出模块得到的候选物品被目标用户喜欢的偏好分数进行加权求和,计算目标用户对候选物品的交互预测分数并排序,选择top-k个交互预测分数较高的候选物品进行推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211411355.0A CN115618131B (zh) | 2022-11-11 | 2022-11-11 | 一种融合交互频率与注意力网络的物品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211411355.0A CN115618131B (zh) | 2022-11-11 | 2022-11-11 | 一种融合交互频率与注意力网络的物品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618131A true CN115618131A (zh) | 2023-01-17 |
CN115618131B CN115618131B (zh) | 2023-05-23 |
Family
ID=84879458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211411355.0A Active CN115618131B (zh) | 2022-11-11 | 2022-11-11 | 一种融合交互频率与注意力网络的物品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618131B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222622A1 (en) * | 2011-05-27 | 2014-08-07 | Nokia Corporation | Method and Apparatus for Collaborative Filtering for Real-Time Recommendation |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 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 |
CN109410080A (zh) * | 2018-10-16 | 2019-03-01 | 合肥工业大学 | 一种基于层次注意力机制的社交图像推荐方法 |
CN112328893A (zh) * | 2020-11-25 | 2021-02-05 | 重庆理工大学 | 一种基于记忆网络和协同注意力的推荐方法 |
US11004135B1 (en) * | 2017-08-18 | 2021-05-11 | Amazon Technologies, Inc. | Artificial intelligence system for balancing relevance and diversity of network-accessible content |
US20210240792A1 (en) * | 2018-12-18 | 2021-08-05 | Tencent Technology (Shenzhen) Company Limited | Information recommendation method and apparatus, device, and storage medium |
CN113590929A (zh) * | 2021-01-28 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置及电子设备 |
-
2022
- 2022-11-11 CN CN202211411355.0A patent/CN115618131B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222622A1 (en) * | 2011-05-27 | 2014-08-07 | Nokia Corporation | Method and Apparatus for Collaborative Filtering for Real-Time Recommendation |
US11004135B1 (en) * | 2017-08-18 | 2021-05-11 | Amazon Technologies, Inc. | Artificial intelligence system for balancing relevance and diversity of network-accessible content |
CN109410080A (zh) * | 2018-10-16 | 2019-03-01 | 合肥工业大学 | 一种基于层次注意力机制的社交图像推荐方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 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 |
US20210240792A1 (en) * | 2018-12-18 | 2021-08-05 | Tencent Technology (Shenzhen) Company Limited | Information recommendation method and apparatus, device, and storage medium |
CN112328893A (zh) * | 2020-11-25 | 2021-02-05 | 重庆理工大学 | 一种基于记忆网络和协同注意力的推荐方法 |
CN113590929A (zh) * | 2021-01-28 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
李昆仑等: ""基于注意力机制与改进TF-IDF的推荐算法"", 《计算机工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115618131B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thorat et al. | Survey on collaborative filtering, content-based filtering and hybrid recommendation system | |
Zhou et al. | Shilling attack detection for recommender systems based on credibility of group users and rating time series | |
Liang et al. | Time-aware topic recommendation based on micro-blogs | |
Bouadjenek et al. | Persador: personalized social document representation for improving web search | |
Stanescu et al. | A hybrid recommender system: User profiling from keywords and ratings | |
Jariha et al. | A state-of-the-art Recommender Systems: An overview on Concepts, Methodology and Challenges | |
Kumar et al. | Automatically detecting groups using locality-sensitive hashing in group recommendations | |
Tao et al. | Dynamic feature weighting based on user preference sensitivity for recommender systems | |
Miao et al. | Joint prediction of rating and popularity for cold-start item by sentinel user selection | |
Xu et al. | Do adjective features from user reviews address sparsity and transparency in recommender systems? | |
Liu et al. | Collaborative prediction for multi-entity interaction with hierarchical representation | |
CN111310046A (zh) | 对象推荐方法及装置 | |
Sharma et al. | A framework of hybrid recommender system for web personalisation | |
Ko et al. | Semantically-based recommendation by using semantic clusters of users' viewing history | |
CN109299368B (zh) | 一种用于环境信息资源ai智能个性化推荐的方法及系统 | |
Mirhasani et al. | Alleviation of cold start in movie recommendation systems using sentiment analysis of multi-modal social networks | |
Karlsen et al. | Personalized recommendation of socially relevant images | |
CN115618131B (zh) | 一种融合交互频率与注意力网络的物品推荐方法及系统 | |
Yuan et al. | MS-UCF: A reliable recommendation method based on mood-sensitivity identification and user credit | |
Zhao et al. | Probabilistic matrix factorization based on similarity propagation and trust propagation for recommendation | |
Sama et al. | Movie recommendation system using deep learning | |
Joseph et al. | A Comparative Study of Collaborative Movie Recommendation System | |
Nguyen et al. | Collaborative multi-key learning with an anonymization dataset for a recommender system | |
Chao et al. | Collaborative Filtering and Leaders' Advice Based Recommendation System for Cold Start Users | |
Yang et al. | Personalized recommendation in social media: a profile expansion approach |
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 |