CN115858926A - 基于用户的复杂多模式兴趣提取与建模的序列推荐方法 - Google Patents

基于用户的复杂多模式兴趣提取与建模的序列推荐方法 Download PDF

Info

Publication number
CN115858926A
CN115858926A CN202211505338.3A CN202211505338A CN115858926A CN 115858926 A CN115858926 A CN 115858926A CN 202211505338 A CN202211505338 A CN 202211505338A CN 115858926 A CN115858926 A CN 115858926A
Authority
CN
China
Prior art keywords
interest
term
sequence
user
long
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
Application number
CN202211505338.3A
Other languages
English (en)
Other versions
CN115858926B (zh
Inventor
王东京
陈建江
俞东进
张新
向正哲
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202211505338.3A priority Critical patent/CN115858926B/zh
Publication of CN115858926A publication Critical patent/CN115858926A/zh
Application granted granted Critical
Publication of CN115858926B publication Critical patent/CN115858926B/zh
Priority to GBGB2316980.8A priority patent/GB202316980D0/en
Priority to US18/388,885 priority patent/US20240177009A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法，包括如下步骤：步骤1、得到长期嵌入序列和短期嵌入序列；步骤2、通过长期嵌入序列和短期嵌入序列得到更新的长期嵌入序列和短期嵌入序列；步骤3、将更新的长短期嵌入序列中最后一个物品的嵌入向量作为用户的长短期动态兴趣，通过加权计算得到用户的长短期静态兴趣；步骤4、将长短期动态兴趣和长短期静态兴趣进行拼接然后进行非线性变化得到用户的长短期进化兴趣；步骤5、通过逐元素求和得到用户的动静态兴趣和进化兴趣；步骤6、进行加权求和到融合的用户兴趣；步骤7、计算融合兴趣与所有物品嵌入的乘积作为每个物品的推荐得分，该方法实现更准确的用户个性化序列推荐。

Description

基于用户的复杂多模式兴趣提取与建模的序列推荐方法
技术领域
本发明属于数据挖掘与推荐系统领域，具体涉及一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法。
背景技术
随着移动计算技术的快速发展，人与设备之间的接触变得更加容易。在数字化的过程中产生了海量的服务和数据，用户不可避免地会面临难以从海量数据中找到所需内容的困境，也就是所谓的信息过载。个性化推荐系统是通过建模用户兴趣并推荐相关内容来解决信息过载问题。特别的，个性化推荐系统可以帮助用户从海量数据中发现他们感兴趣的产品/内容/项目，以及为产品提供商创造增加收入的机会。
通常，用户是按一定顺序访问在线物品。因此，序列推荐成为中学术界和工业界构建推荐系统的热门话题。给定用户的历史物品交互序列，序列推荐旨在预测用户可能感兴趣的下一个物品。
序列推荐将按顺序排列的物品交互序列作为输入。目前国内外的研究人员进行序列推荐的方法主要可以分为三类，基于矩阵分解的方法、基于马尔可夫链的方法和基于深度学习的方法。基于矩阵分解的方法依靠时序矩阵分解来挖掘用户不断变化的兴趣。基于马尔可夫链的方法使用一阶或高阶马尔可夫链来学习用户的长期兴趣和短期变化。受自然语言处理方法在序列建模上优势的启发，基于深度学习的方法被用来增强特征学习。基于卷积神经网络(Convolutional Neural Network，CNN)的方法如Caser应用CNN来学习物品嵌入序列。基于循环神经网络(Recurrent Neural Network，RNN)的方法使用RNN或RNN的变体如门控循环单元(Gated Recurrent Unit，GRU)和长短期记忆网络(Long Short-TermMemory network，LSTM)进行序列推荐。最近，由于图神经网络(Graph Neural Network，GNN)能够有效地学习物品之间的高阶关系，研究人员将GNN用于序列推荐任务。SR-GNN通过将GNN应用于基于物品序列构建的图来学习物品嵌入。SURGE利用GNN从嘈杂的序列中动态提取用户兴趣。此外，基于注意力的方法如SASRec采用自注意力机制来自适应选择相关物品建模用户兴趣，TLSAN通过注意力网络学习长期和短期兴趣。一般来说，基于深度学习的方法优于其他两类方法。
现有序列推荐方法在建模用户兴趣时通常分为长期和短期兴趣。长期兴趣和短期兴趣的区别主要在于用于兴趣挖掘的序列长度不同。但是随着长度的变化，用户的兴趣也会随之产生一定的变化，因此现有基于长短期兴趣的方法无法准确地建模用户的兴趣表示。
发明内容
鉴于目前序列推荐从长期兴趣和短期兴趣角度建模用户兴趣存在的缺陷，本发明从动态兴趣和静态兴趣角度提出一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法，并在动静态兴趣建模过程中考虑进化兴趣增强特征建模，实现更准确的用户个性化序列推荐。
本发明提供了一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法，该方法的具体步骤是：
步骤1、获取用户的历史物品交互序列，选择最近的长度为m的序列作为长期序列，最近的长度为n的序列的作为短期序列，要求m＞n。基于自学习的物品嵌入矩阵
Figure BDA0003968865940000021
将序列中涉及的物品进行嵌入得到长期嵌入序列Fl和短期嵌入序列Fs。
步骤2、将长期嵌入序列Fl和短期嵌入序列Fs分别输入两个独立的多头自注意力(Multi-head Self-attention)模块，得到更新的长期嵌入序列
Figure BDA0003968865940000022
和短期嵌入序列/>
Figure BDA0003968865940000023
步骤3、将更新的长期嵌入序列中最后一个物品的嵌入向量
Figure BDA0003968865940000031
作为用户的长期动态兴趣/>
Figure BDA0003968865940000032
计算更新的长期嵌入序列/>
Figure BDA0003968865940000033
与最后一个物品的嵌入向量的注意力权重并进行加权求和得到用户的长期静态兴趣/>
Figure BDA0003968865940000034
相同的，在更新的短期嵌入序列的基础上得到短期动态兴趣/>
Figure BDA0003968865940000035
和短期静态兴趣/>
Figure BDA0003968865940000036
步骤4、将长期动态兴趣
Figure BDA0003968865940000037
和长期静态兴趣/>
Figure BDA0003968865940000038
进行拼接然后进行非线性变化得到用户长期进化兴趣/>
Figure BDA0003968865940000039
相同的，在短期动态兴趣/>
Figure BDA00039688659400000310
和短期静态兴趣/>
Figure BDA00039688659400000311
的基础上得到用户短期进化兴趣/>
Figure BDA00039688659400000312
步骤5、将长期动态兴趣
Figure BDA00039688659400000313
和短期动态兴趣/>
Figure BDA00039688659400000314
进行逐元素求和得到用户动态兴趣pd。相同的，得到用户的静态兴趣px和进化兴趣py。
步骤6、计算动态兴趣pd、静态兴趣px和进化兴趣py与最后一个物品的嵌入向量的注意力权重并进行加权求和到融合的用户兴趣p。
步骤7、计算p与所有物品嵌入F的乘积作为每个物品的推荐得分，为用户推荐分数最高的若干个物品。
本发明具有的有益效果：从动态兴趣和静态兴趣角度建模用户兴趣，在长短期序列的基础上建模多层次动静态兴趣，实现更加精确和符合实际的用户兴趣建模。动态兴趣和静态兴趣的区别在于兴趣在一段时间内是否保持稳定。动态兴趣随时间不断变化，静态兴趣在一段时间内几乎保持不变。在动静态兴趣之外，考虑静态兴趣到动态兴趣转变的进化兴趣，通过动态兴趣、静态兴趣和进化兴趣自适应融合，实现更准确的用户个性化序列推荐。
附图说明
图1为本发明基于用户的复杂多模式兴趣提取与建模的序列推荐方法实施例的模型框架图。
具体实施方式
本发明针当前序列推荐方法从长期兴趣和短期兴趣角度建模用户兴趣存在的缺陷，设计了一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法。
下面将对本发明所设计的一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法做具体说明，方法的执行过程如图1所示。
本发明的具体步骤如下：
步骤(1).序列划分和向量嵌入：获取用户的历史物品交互序列H＝(h1，h2，…，ht)，其中hi为第i个交互行为对应的物品，选择最近的长度为m的序列
Figure BDA0003968865940000041
作为长期序列，最近的长度为n的序列/>
Figure BDA0003968865940000042
作为短期序列，要求m＞n。基于自学习的物品嵌入矩阵/>
Figure BDA0003968865940000043
将序列中涉及的物品进行嵌入得到长期嵌入序列
Figure BDA0003968865940000044
和短期嵌入序列/>
Figure BDA0003968865940000045
其中k表示所有序列中所有物品种类个数，其中/>
Figure BDA0003968865940000046
Figure BDA0003968865940000047
d表示向量嵌入维度。假设用户交互序列为(a1，a2，a3，a4，a5，a6)，令m＝6，n＝3，划分得到长期序列(a1，a2，a3，a4，a5，a6)和短期序列(a4，a5，a6)。对其进行嵌入后得到长期嵌入序列
Figure BDA0003968865940000048
和短期嵌入序列/>
Figure BDA0003968865940000049
步骤(2).基于多头自注意力机制物品嵌入向量更新：将长期嵌入序列Fl和短期嵌入序列Fs分别输入两个独立的多头自注意力(Multi-head Self-attention)模块。具体的，就长期嵌入序列Fl而言，为了学习到物品之间的序列关系，为序列上的每个物品分配一个自学习的位置向量
Figure BDA00039688659400000410
并更新物品向量为/>
Figure BDA00039688659400000411
得到位置更新后的长期嵌入序列/>
Figure BDA00039688659400000412
对结合位置向量的嵌入序列进行多头自注意力机制学习。多头机制能够从不同空间建模不同信息，从而提高模型的表征能力，每个注意力头执行独立的自注意力学习。具体而言，对于第j个注意力头，通过Gl分别得到以下三个矩阵：
Figure BDA0003968865940000051
其中
Figure BDA0003968865940000052
和/>
Figure BDA0003968865940000053
为三个参数矩阵。执行注意力运算得到在该注意力头下更新的嵌入序列
Figure BDA0003968865940000054
其中o表示注意力头的数量。将o个注意力头得到的
Figure BDA0003968865940000055
进行拼接得到更新的长期嵌入序列/>
Figure BDA0003968865940000056
其中
Figure BDA0003968865940000057
相同的，得到多头自注意力机制后更新的短期嵌入序列
Figure BDA0003968865940000058
对于步骤(1)中例子而言，得到更新后长期嵌入序列
Figure BDA0003968865940000059
和短期嵌入序列/>
Figure BDA00039688659400000510
步骤(3).初始动静态兴趣建模：将长期嵌入序列
Figure BDA00039688659400000511
中最后一个物品的嵌入向量
Figure BDA00039688659400000512
作为用户的长期动态兴趣/>
Figure BDA00039688659400000513
计算长期序列中的每一个向量与/>
Figure BDA00039688659400000514
的注意力权重
Figure BDA00039688659400000515
/>
其中
Figure BDA00039688659400000516
为需要训练的参数，ReLU为激活函数，基于得到的权重进行加权求和得到长期静态兴趣
Figure BDA00039688659400000517
相同的，在短期嵌入序列
Figure BDA00039688659400000518
的基础上得到短期动态兴趣/>
Figure BDA00039688659400000519
和短期静态兴趣/>
Figure BDA00039688659400000520
具体而言，
Figure BDA0003968865940000061
Figure BDA0003968865940000062
Figure BDA0003968865940000063
对于步骤(2)中例子而言，长期动态兴趣为
Figure BDA0003968865940000064
短期动态兴趣为
Figure BDA0003968865940000065
计算/>
Figure BDA0003968865940000066
对于/>
Figure BDA0003968865940000067
的注意力权重并加权求和后得到长期静态兴趣，计算/>
Figure BDA0003968865940000068
对于/>
Figure BDA0003968865940000069
的注意力权重并加权求和后得到短期静态兴趣。
步骤(4).初始进化兴趣学习：将长期动态兴趣
Figure BDA00039688659400000610
和长期静态兴趣/>
Figure BDA00039688659400000611
进行拼接然后进行非线性变化得到用户长期进化兴趣
Figure BDA00039688659400000612
Figure BDA00039688659400000613
为需要训练的参数。相同的，在短期动态兴趣/>
Figure BDA00039688659400000614
和短期静态兴趣/>
Figure BDA00039688659400000615
的基础上得到用户短期进化兴趣/>
Figure BDA00039688659400000616
步骤(5).将长期动态兴趣
Figure BDA00039688659400000617
和短期动态兴趣/>
Figure BDA00039688659400000618
进行逐元素求和得到用户动态兴趣
Figure BDA00039688659400000619
其中⊕表示逐元素相加。相同的，将长期静态兴趣
Figure BDA00039688659400000621
和短期静态兴趣/>
Figure BDA00039688659400000622
进行逐元素求和得到用户的静态兴趣px；将长期进化兴趣/>
Figure BDA00039688659400000623
和短期进化兴趣/>
Figure BDA00039688659400000624
进行逐元素求和得到用户的进化兴趣py。
步骤(6).兴趣融合：分别计算动态兴趣pd、静态兴趣px和进化兴趣py与最后一个物品的嵌入向量
Figure BDA00039688659400000625
的注意力权重，具体定义为：
Figure BDA00039688659400000626
Figure BDA00039688659400000627
/>
Figure BDA0003968865940000071
进行加权求和并变换得到融合的用户兴趣
Figure BDA0003968865940000072
p＝Wr(αppd+αxpx+αypy)
其中
Figure BDA0003968865940000073
为需要训练的参数。
步骤(7).推荐：计算p与所有物品嵌入F的乘积作为每个物品的推荐得分，为用户推荐分数最高的若干个物品。

Claims (8)

1.一种基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，包括如下步骤：
步骤1、获取用户的历史物品交互序列，通过自学习的物品嵌入矩阵得到长期嵌入序列和短期嵌入序列；
步骤2、将长期嵌入序列和短期嵌入序列分别输入两个独立的多头自注意力模块，得到更新的长期嵌入序列和短期嵌入序列；
步骤3、将更新的长期嵌入序列中最后一个物品的嵌入向量作为用户的长期动态兴趣，计算更新的长期嵌入序列与最后一个物品的嵌入向量的注意力权重并进行加权求和得到用户的长期静态兴趣，相同的，在更新的短期嵌入序列的基础上得到短期动态兴趣和短期静态兴趣；
步骤4、将长期动态兴趣和长期静态兴趣进行拼接然后进行非线性变化得到用户的长期进化兴趣，相同的，得到用户的短期进化兴趣；
步骤5、通过逐元素求和得到用户的动态兴趣、静态兴趣和进化兴趣；
步骤6、计算动态兴趣、静态兴趣和进化兴趣与最后一个物品的嵌入向量的注意力权重并进行加权求和到融合的用户兴趣；
步骤7、计算与所有物品嵌入的乘积作为每个物品的推荐得分，为用户推荐分数最高的前若干个物品。
2.根据权利要求1所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤5中，将长期动态兴趣和短期动态兴趣进行逐元素求和得到用户的动态兴趣；
将长期静态兴趣和短期静态兴趣进行逐元素求和得到用户的动态兴趣；
将长期进化兴趣和短期进化兴趣进行逐元素求和得到用户的动态兴趣。
3.根据权利要求1所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤1中，将用户的历史物品交互序列表示为H＝(h1，h2，…，ht)，其中hi为第i个交互行为对应的物品；长期序列为最近的长度为m的序列
Figure FDA0003968865930000021
短期序列为最近的长度为n的序列/>
Figure FDA0003968865930000022
基于自学习的物品嵌入矩阵
Figure FDA0003968865930000023
将序列中涉及的物品进行嵌入得到长期嵌入序列/>
Figure FDA0003968865930000024
和短期嵌入序列/>
Figure FDA0003968865930000025
其中k表示所有序列中所有物品种类个数，其中
Figure FDA0003968865930000026
Figure FDA0003968865930000027
d表示向量嵌入维度。
4.根据权利要求1所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤2中，更新的长期嵌入序列
Figure FDA0003968865930000028
定义为：
Figure FDA0003968865930000029
其中，
Figure FDA00039688659300000210
为对应物品i的经过注意力机制更新后的嵌入表示，/>
Figure FDA00039688659300000211
为第j个注意力头得到的嵌入序列，定义为：/>
Figure FDA00039688659300000212
其中
Figure FDA00039688659300000213
为位置更新后的长期嵌入序列，/>
Figure FDA00039688659300000214
为位置更新后的物品i嵌入表示，/>
Figure FDA00039688659300000215
为物品i的初始嵌入表征，/>
Figure FDA00039688659300000216
是自学习的物品i的位置向量；相同的，得到多头自注意力机制后更新的短期嵌入序列/>
Figure FDA0003968865930000031
5.根据权利要求4所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤3中，用户的长期动态兴趣
Figure FDA0003968865930000032
为长期嵌入序列/>
Figure FDA0003968865930000033
中最后一个物品的嵌入向量/>
Figure FDA0003968865930000034
长期静态兴趣定义为：
Figure FDA0003968865930000035
Figure FDA0003968865930000036
其中
Figure FDA0003968865930000037
为需要训练的参数，ReLU为激活函数，/>
Figure FDA0003968865930000038
是最后一个物品的嵌入向量；相同的，在短期嵌入序列/>
Figure FDA0003968865930000039
的基础上得到短期动态兴趣/>
Figure FDA00039688659300000310
和短期静态兴趣
Figure FDA00039688659300000311
6.根据权利要求1所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤4中，用户长期进化兴趣定义为：
Figure FDA00039688659300000312
其中，
Figure FDA00039688659300000313
是长期动态兴趣，/>
Figure FDA00039688659300000314
是长期静态兴趣，(·|·)为拼接运算，
Figure FDA00039688659300000315
为需要训练的参数；相同的，在短期动态兴趣/>
Figure FDA00039688659300000316
和短期静态兴趣
Figure FDA00039688659300000317
的基础上得到用户短期进化兴趣/>
Figure FDA00039688659300000318
7.根据权利要求2所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤5中，用户的动态兴趣pd定义为：
Figure FDA00039688659300000319
其中
Figure FDA0003968865930000041
表示逐元素相加，/>
Figure FDA0003968865930000042
是长期动态兴趣，/>
Figure FDA0003968865930000043
是短期动态兴趣；
相同的，用户的静态兴趣px定义为：
Figure FDA0003968865930000044
相同的，用户的进化兴趣py定义为：
Figure FDA0003968865930000045
8.根据权利要求7所述的基于用户的复杂多模式兴趣提取与建模的序列推荐方法，其特征在于，所述步骤6中，融合的用户兴趣定义为：
p＝Wr(αppd+αxpx+αypy)
Figure FDA0003968865930000046
Figure FDA0003968865930000047
Figure FDA0003968865930000048
其中
Figure FDA0003968865930000049
为需要训练的参数，pd是动态兴趣，px是静态兴趣，py是进化兴趣，/>
Figure FDA00039688659300000410
是最后一个物品的嵌入向量。/>
CN202211505338.3A 2022-11-29 2022-11-29 基于用户的复杂多模式兴趣提取与建模的序列推荐方法 Active CN115858926B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211505338.3A CN115858926B (zh) 2022-11-29 2022-11-29 基于用户的复杂多模式兴趣提取与建模的序列推荐方法
GBGB2316980.8A GB202316980D0 (en) 2022-11-29 2023-11-06 Sequwncw recommendation method based on extracting and modeling of complex multi-mode user interests
US18/388,885 US20240177009A1 (en) 2022-11-29 2023-11-13 Sequence recommendation method based on extracting and modeling of complex multi-mode user interests

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211505338.3A CN115858926B (zh) 2022-11-29 2022-11-29 基于用户的复杂多模式兴趣提取与建模的序列推荐方法

Publications (2)

Publication Number Publication Date
CN115858926A true CN115858926A (zh) 2023-03-28
CN115858926B CN115858926B (zh) 2023-09-01

Family

ID=85667359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211505338.3A Active CN115858926B (zh) 2022-11-29 2022-11-29 基于用户的复杂多模式兴趣提取与建模的序列推荐方法

Country Status (3)

Country Link
US (1) US20240177009A1 (zh)
CN (1) CN115858926B (zh)
GB (1) GB202316980D0 (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015058558A1 (zh) * 2013-10-23 2015-04-30 腾讯科技（深圳）有限公司 问题推荐方法、装置及系统
CN110245299A (zh) * 2019-06-19 2019-09-17 中国人民解放军国防科技大学 一种基于动态交互注意力机制的序列推荐方法及其系统
CN110688565A (zh) * 2019-09-04 2020-01-14 杭州电子科技大学 基于多维霍克斯过程和注意力机制的下一个物品推荐方法
CN110929164A (zh) * 2019-12-09 2020-03-27 北京交通大学 一种基于用户动态偏好与注意力机制的兴趣点推荐方法
CN111310033A (zh) * 2020-01-23 2020-06-19 山西大学 基于用户兴趣漂移的推荐方法及推荐装置
CN112528165A (zh) * 2020-12-16 2021-03-19 中国计量大学 一种基于动态路由图网络的会话社交推荐方法
WO2022007526A1 (zh) * 2020-07-07 2022-01-13 云境商务智能研究院南京有限公司 一种基于多视图注意力机制的旅游包推荐方法
CN114169968A (zh) * 2021-12-09 2022-03-11 杭州电子科技大学 一种融合用户兴趣状态的多粒度会话推荐方法
CN114969533A (zh) * 2022-06-02 2022-08-30 重庆邮电大学 一种基于用户长短期偏好的序列推荐方法
CN115082147A (zh) * 2022-06-14 2022-09-20 华南理工大学 一种基于超图神经网络的序列推荐方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015058558A1 (zh) * 2013-10-23 2015-04-30 腾讯科技（深圳）有限公司 问题推荐方法、装置及系统
CN110245299A (zh) * 2019-06-19 2019-09-17 中国人民解放军国防科技大学 一种基于动态交互注意力机制的序列推荐方法及其系统
CN110688565A (zh) * 2019-09-04 2020-01-14 杭州电子科技大学 基于多维霍克斯过程和注意力机制的下一个物品推荐方法
CN110929164A (zh) * 2019-12-09 2020-03-27 北京交通大学 一种基于用户动态偏好与注意力机制的兴趣点推荐方法
CN111310033A (zh) * 2020-01-23 2020-06-19 山西大学 基于用户兴趣漂移的推荐方法及推荐装置
WO2022007526A1 (zh) * 2020-07-07 2022-01-13 云境商务智能研究院南京有限公司 一种基于多视图注意力机制的旅游包推荐方法
CN112528165A (zh) * 2020-12-16 2021-03-19 中国计量大学 一种基于动态路由图网络的会话社交推荐方法
CN114169968A (zh) * 2021-12-09 2022-03-11 杭州电子科技大学 一种融合用户兴趣状态的多粒度会话推荐方法
CN114969533A (zh) * 2022-06-02 2022-08-30 重庆邮电大学 一种基于用户长短期偏好的序列推荐方法
CN115082147A (zh) * 2022-06-14 2022-09-20 华南理工大学 一种基于超图神经网络的序列推荐方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG DONGJING 等: "Attentive sequential model based on graph neural network for next poi recommendation", WEB OF SCIENCE, pages 1 - 6 *
张岩;郭斌;王倩茹;张靖;於志文;: "SeqRec：基于长期偏好和即时兴趣的序列推荐模型", 浙江大学学报(工学版), no. 06, pages 1177 - 1184 *
徐登威: "时间与上下文感知的序列推荐方法研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), pages 138 - 997 *

Also Published As

Publication number Publication date
GB202316980D0 (en) 2023-12-20
US20240177009A1 (en) 2024-05-30
CN115858926B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN107423442A (zh) 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
Tiwari et al. Investigation of artificial intelligence techniques in finance and marketing
CN116010684A (zh) 物品推荐方法、装置及存储介质
CN111950593A (zh) 一种推荐模型训练的方法及装置
Roslan et al. The rise of AI-powered voice assistants: Analyzing their transformative impact on modern customer service paradigms and consumer expectations
CN114519610A (zh) 信息预测方法以及装置
CN109189922B (zh) 评论评估模型的训练方法和装置
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
Dai et al. Hybrid deep model for human behavior understanding on industrial internet of video things
Sangeetha et al. Techniques using artificial intelligence to solve stock market forecast, sales estimating and market division issues
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
CN108628882A (zh) 用于预判问题的方法和系统
Chen et al. Session-based recommendation: Learning multi-dimension interests via a multi-head attention graph neural network
Chen An online retail prediction model based on AGA-LSTM neural network
AU2019200721B2 (en) Online training and update of factorization machines using alternating least squares optimization
CN115858926A (zh) 基于用户的复杂多模式兴趣提取与建模的序列推荐方法
CN116681463A (zh) 销量预测方法、系统、设备及存储介质
Borysenko et al. Intelligent forecasting in multi-criteria decision-making.
CN116484092A (zh) 基于用户长短期偏好的分层注意力网络序列推荐方法
Deng et al. Adaptive personalized recommendation based on adaptive learning
Astawa et al. Comparison of rnn, lstm, and gru methods on forecasting website visitors
CN111179070A (zh) 一种基于lstm的借贷风险时效性预测系统及方法
Pandey et al. Time Series Forecasting and Prediction of Walmart Data using Hybrid Machine Learning Techniques
CN114329193B (zh) 基于时间感知兴趣演化的点击率预测方法
CN114219530A (zh) 一种基于情感分析的解释推荐方法、装置和设备

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