CN116150480A - 一种融合多模态评论信息的用户个性化需求预测方法 - Google Patents
一种融合多模态评论信息的用户个性化需求预测方法 Download PDFInfo
- Publication number
- CN116150480A CN116150480A CN202310011459.0A CN202310011459A CN116150480A CN 116150480 A CN116150480 A CN 116150480A CN 202310011459 A CN202310011459 A CN 202310011459A CN 116150480 A CN116150480 A CN 116150480A
- Authority
- CN
- China
- Prior art keywords
- node
- user
- representing
- commodity
- text
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 55
- 238000012512 characterization method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种融合多模态评论信息的用户个性化需求预测方法,其步骤包括:1.基于用户的购买历史记录,构建用户‑商品的购买关系网络;2.利用用户发表的多模态评论内容,构建网络图中边的属性;3.利用多模态变分自编码器挖掘用户在文本和图像两种模态上的主题分布;4.利用图注意力网络建模用户与商品之间的交互信息和多模态评论内容的语义信息;5.选取合适的损失函数来训练和优化模型。本发明结合了变分自编码器和图注意力网络,既能够分别从文本和图像这两种模态的数据中充分且全面地挖掘出用户对商品的偏好信息,又能够准确地对用户和商品进行表征,从而能达到更加精确的用户个性化需求的预测效果。
Description
技术领域
本发明涉及用户偏好挖掘以及用户个性化需求预测领域,特别是涉及一种融合多模态评论信息的用户个性化需求预测方法。
背景技术
随着互联网和电子商务平台的发展,线上购物逐渐成为主流的购物方式,且用户可以发表多模态的评论内容(例如,文本,图像等)。这些多模态的评论内容之间既表达着跨模态的语义信息,又具有独立于各模态的信息,且蕴含着丰富的用户偏好信息。而线上购物导致商家和用户之间缺乏面对面的交流,用户的偏好和需求信息难以准确捕捉,因此,如何组织海量的用户购买历史数据、多模态的评论数据来全面地挖掘用户的偏好,从而准确地完成用户个性化需求的预测是必要的。
在已有的用户偏好识别和需求预测领域,传统的方法忽略了对用户评论文本和评论图像数据的联合建模,以致于无法获得用户多模态的、细粒度的偏好表征;此外,现有方法无法联合建模用户的购买历史记录以及多模态的评论内容,以致于无法准确识别用户的细粒度偏好,缺乏对用户购买动机的解释。
发明内容
本发明为克服现有技术存在的不足之处,提供一种融合多模态评论信息的用户个性化需求预测方法,以期能通过变分自编码器模型实现对用户评论文本和评论图像数据的联合建模,从而学习出用户多模态的偏好分布,并结合图注意力网络联合建模用户商品的交互记录以及用户商品的交互原因(即用户多模态的偏好分布),进而能提升多模态数据在用户偏好上的表示能力、细化用户偏好识别的粒度以及个性化需求预测的准确性。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种融合多模态评论信息的用户个性化需求预测方法的特点在于,是按如下步骤进行:
步骤1、构建数据集;
步骤1.1、利用有向图G=(V,M)表征用户-商品之间的购买关系网络,其中,用户和商品为有向图G中的各个节点,V表示所有节点的集合,若用户节点i购买商品节点j,则表示用户节点i和商品节点j之间存在边,并记为eij∈M,M表示所有边的集合,且边eij对应一个注意力系数αij和主题分布λij;并将用户节点i和商品节点j互相作为邻居节点;
步骤2、构建多模态变分自编码器网络,包括:模态编码模块、模态融合模块和模态解码模块;
步骤2.1、构建模态编码模块,包括:文本编码网络和图像编码网络;其中,所述文本编码网络包括:Bi-LSTM网络、第一全连接层;所述图像编码网络包括:预训练的VGG-19网络、第二全连接层;
步骤2.1.1、以n为当前时间步,将所述评论文本Tij中的第n个单词的表征输入所述Bi-LSTM网络中,从而利用式(1)-式(5)分别得到遗忘门状态/>输入门状态/>输出门状态/>当前第n个时间步的单元状态/>和当前第n个时间步的单元输出/>
式(1)-式(5)中,表示逐元素相乘,σ(·)是sigmoid激活函数,tanh是双曲正切函数,Wf和Uf分别表示遗忘门的两个权重系数,bf表示遗忘门的偏置向量,WI和UI分别表示输入门的两个权重系数,bI表示输入门的偏置向量,Wo和Uo分别表示输出门的两个权重系数,bo表示输出门的偏置向量,Wc和Uc分别表示细胞单元的两个权重系数,bc表示细胞单元的偏置向量,/>表示第n-1个时间步的单元状态,/>表示第n-1个时间步的单元输出,当n=1时,令/>
式(7)中,W2表示第二全连接层的权重矩阵;
步骤2.2、所述模态融合模块利用式(8)计算文本和图像融合后的多模态共享表征λij;
式(8)中,λij~LN(μij,σij),LN表示逻辑正态分布,是逻辑正态分布的均值,其中,/>表示用户节点i对商品节点j的多模态评论内容在第k个主题上的均值,/>是逻辑正态分布的方差,其中,/>表示用户节点i对商品节点j的多模态评论内容在第k个主题上的方差,εij是一个服从均值为0,方差为1的正态分布的随机变量;
步骤2.3、构建模态解码模块,包括:文本解码器网络和图像解码器网络;
步骤3、图注意力网络的处理:
步骤3.1、定义更新次数为d,并初始化d=1;
式(9)中,Ni表示用户节点i的所有邻居商品节点集合,|Ni|表示用户节点i的所有邻居商品节点的数量;
式(10)中,Nj表示商品节点j的所有邻居用户节点集合,|Nj|表示商品节点j的所有邻居用户节点的数量;
式(7)中,LeakeyReLU(·)表示激活函数,a和W3是两个待学习的参数矩阵,表示第d-1次更新的用户节点i的邻居商品节点集中除邻居商品节点j之外的某个邻居商品节点j′的特征,||表示对向量的拼接操作,T表示矩阵转置操作;
步骤4、构建由多模态变分自编码器网络和图注意力网络构成的用户个性化需求预测模型并进行训练和优化;
式(14)中,表示用户节点i的非邻居节点集合,Qi表示用户节点i的非邻居节点集合/>中节点的数量;/>表示用户节点i的非邻居节点集合/>中所有节点的期望,/>表在第d次更新的用户节点i的非邻居节点集合/>中任一节点jn的特征;
式(15)中,Eeij~M表示边集合M中所有边的期望;
利用式(17)构造真实分布和变分分布之间的KL损失Lkl:
步骤5.2、利用Adam算法对所述用户个性化需求预测模型进行训练,并计算所述整体损失函数当更新次数d达到最大值dmax时或是整体损失函数Ltotal收敛时,停止训练,从而得到最优需求预测模型,用于对任一用户进行商品个性化需求的预测。
本发明一种电子设备,包括存储器以及处理器的特点在于,所述存储器用于存储支持处理器执行所述用户个性化需求预测方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序的特点在于,所述计算机程序被处理器运行时执行所述用户个性化需求预测方法的步骤。
与已有技术相比,本发明有益效果体现在:
1、本发明通过对用户购买行为数据的预处理,过滤掉交互关系稀疏的节点,对每个节点交互过的所有边上的文本和图像的初始特征求和取平均,并作为每个节点的初始特征,从而完成对海量行为数据的预处理过程,有利于提升后续用户个性化需求预测的效率。
2、本发明通过构建一个多模态变分自编码器模型,联合建模用户评论中的文本数据和图像数据,学习出一个能够表达多模态语义信息的共享表征,有利于细化用户偏好信息的粒度,更加全面和完整地表达用户个性化的偏好信息。
3、本发明构建图注意力网络,基于用户与商品之间的交互信息来构建图,基于用户多模态的偏好信息来构建图中边的属性。在图的优化学习过程中,最终能够得到既融合了图的结构信息,又融合了边上多模态语义信息的用户商品节点表征,从而大大提升了节点的表征能力、提升了用户需求的预测准确性。
4、本发明可用于电商平台的用户个性化需求预测任务中,既能预测用户会购买什么商品,又能解释用户购买的原因,应用范围广泛,有实用价值。
附图说明
图1是本发明的用户个性化需求预测的流程图。
具体实施方式
本实施例中,一种融合多模态评论信息的用户个性化需求预测方法,具体的说,如图1所示,是按如下步骤进行:
步骤1、构建数据集;
步骤1.1、利用有向图G=(V,M)表征用户-商品之间的购买关系网络,其中,用户和商品为有向图G中的各个节点,V表示所有节点的集合,若用户节点i购买商品节点j,则表示用户节点i和商品节点j之间存在边,并记为eij∈M,M表示所有边的集合,且边eij对应一个注意力系数αij和主题分布λij;并将用户节点i和商品节点j互相作为邻居节点;最终的注意力系数为多头注意力系数求和或取平均;
将用户节点i对商品节点j的评论文本的长度nt用零向量填充以达到长度N后,评论文本中单词数量不足N个单词的,补零操作,超出N个单词的,删除多于N个单词的部分。输入BERT模型中进行处理后得到文本初始表征向量,记为其中,/>表示文本初始表征向量Tij中的第n个单词的表征;
步骤2、构建多模态变分自编码器网络,包括:模态编码模块、模态融合模块和模态解码模块;
步骤2.1、构建模态编码模块,包括:文本编码网络和图像编码网络;其中,文本编码网络包括:Bi-LSTM网络、第一全连接层;图像编码网络包括:预训练的VGG-19网络、第二全连接层;
步骤2.1.1、以n为当前时间步,将评论文本Tij中的第n个单词的表征输入Bi-LSTM网络中,从而利用式(1)-式(5)分别得到遗忘门状态/>输入门状态/>输出门状态当前第n个时间步的单元状态/>和当前第n个时间步的单元输出/>
式(1)-式(5)中,表示逐元素相乘,σ(·)是sigmoid激活函数,tanh是双曲正切函数,Wf和Uf分别表示遗忘门的两个权重系数,bf表示遗忘门的偏置向量,WI和UI分别表示输入门的两个权重系数,bI表示输入门的偏置向量,Wo和Uo分别表示输出门的两个权重系数,bo表示输出门的偏置向量,Wc和Uc分别表示细胞单元的两个权重系数,bc表示细胞单元的偏置向量,/>表示第n-1个时间步的单元状态,/>表示第n-1个时间步的单元输出,当n=1时,令/>
步骤2.1.3、利用预训练的VGG-19网络对评论图像Pij进行表征,VGG-19网络架构一共包含了19个隐藏层(其中包括16个卷积层和3个全连接层),每一层神经网络都会利用上一层的输出来进一步提取图像中更复杂的特征,每一层都可以看作是多个局部特征的提取器,大大提升了网络提取特征的性能。得到图像特征向量从而利用式(7)对图像特征向量/>进行编码,获得图像隐特征/>且图像隐特征/>和文本隐特征/>的向量维度相同;
式(7)中,W2表示第二全连接层的权重矩阵;
步骤2.2、模态融合模块利用式(8)计算文本和图像融合后的多模态共享表征λij;
式(8)中,λij~LN(μij,σij),LN表示逻辑正态分布,是逻辑正态分布的均值,其中,/>表示用户节点i对商品节点j的多模态评论内容在第k个主题上的均值,/>是逻辑正态分布的方差,其中,/>表示用户节点i对商品节点j的多模态评论内容在第k个主题上的方差,εij是一个服从均值为0,方差为1的正态分布的随机变量;
步骤2.3、构建模态解码模块,包括:文本解码器网络和图像解码器网络;
其中,文本解码器部分先将多模态共享表征λij通过全连接层创建为Bi-LSTM模型的输入,然后重构出原始文本内容中每个单词出现的概率;图像解码器将多模态共享表征λij通过多个全连接层来重构原始图像的VGG-19特征。
步骤3、图注意力网络的处理:
步骤3.1、定义更新次数为d,并初始化d=1;
式(9)中,Ni表示用户节点i的所有邻居商品节点集合,|Ni|表示用户节点i的所有邻居商品节点的数量;
式(10)中,Nj表示商品节点j的所有邻居用户节点集合,|Nj|表示商品节点j的所有邻居用户节点的数量;
式(7)中,LeakeyReLU(·)表示激活函数,a和W3是两个待学习的参数矩阵,表示第d-1次更新的用户节点i的邻居商品节点集中除邻居商品节点j之外的某个邻居商品节点j′的特征,||表示对向量的拼接操作,T表示矩阵转置操作;
式(12)-式(13)中,表示节点i和节点j之间的边eij在第k个主题上的概率;且/>K表示主题数量;一方面,对每个邻居节点计算影响力权重从而基于注意力系数聚合邻居节点特征,另一方面,在此基础上再聚合邻居节点的主题偏好特征;
步骤4、构建由多模态变分自编码器网络和图注意力网络构成的用户个性化需求预测模型并进行训练和优化;
式(14)中,表示用户节点i的非邻居节点集合,Qi表示用户节点i的非邻居节点集合Ni中节点的数量;/>表示用户节点i的非邻居节点集合/>中所有节点的期望,/>表在第d次更新的用户节点i的非邻居节点集合/>中任一节点jn的特征;
利用式(15)构造评论图像数据的重构损失Lrecvgg:
式(15)中,Eeij~M表示边集合M中所有边的期望;
利用式(16)构造文本数据的重构损失Lreclstm:
利用式(17)构造真实分布和变分分布之间的KL损失Lkl:
步骤5.2、利用Adam算法对用户个性化需求预测模型进行训练,并计算整体损失函数当更新次数d达到最大值dmax时或是整体损失函数Ltotal收敛时,停止训练,从而得到最优需求预测模型,用于对任一用户进行商品个性化需求的预测。
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行上述用户个性化需求预测方法的程序,该处理器被配置为用于执行该存储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述用户个性化需求预测方法的步骤。
Claims (3)
1.一种融合多模态评论信息的用户个性化需求预测方法,其特征在于,是按如下步骤进行:
步骤1、构建数据集;
步骤1.1、利用有向图G=(V,M)表征用户-商品之间的购买关系网络,其中,用户和商品为有向图G中的各个节点,V表示所有节点的集合,若用户节点i购买商品节点j,则表示用户节点i和商品节点j之间存在边,并记为eij∈M,M表示所有边的集合,且边eij对应一个注意力系数αij和主题分布λij;并将用户节点i和商品节点j互相作为邻居节点;
步骤2、构建多模态变分自编码器网络,包括:模态编码模块、模态融合模块和模态解码模块;
步骤2.1、构建模态编码模块,包括:文本编码网络和图像编码网络;其中,所述文本编码网络包括:Bi-LSTM网络、第一全连接层;所述图像编码网络包括:预训练的VGG-19网络、第二全连接层;
步骤2.1.1、以n为当前时间步,将所述评论文本Tij中的第n个单词的表征输入所述Bi-LSTM网络中,从而利用式(1)-式(5)分别得到遗忘门状态/>输入门状态/>输出门状态/>当前第n个时间步的单元状态/>和当前第n个时间步的单元输出/>
式(1)-式(5)中,表示逐元素相乘,σ(·)是sigmoid激活函数,tanh是双曲正切函数,Wf和Uf分别表示遗忘门的两个权重系数,bf表示遗忘门的偏置向量,WI和UI分别表示输入门的两个权重系数,bI表示输入门的偏置向量,Wo和Uo分别表示输出门的两个权重系数,bo表示输出门的偏置向量,Wc和Uc分别表示细胞单元的两个权重系数,bc表示细胞单元的偏置向量,/>表示第n-1个时间步的单元状态,/>表示第n-1个时间步的单元输出,当n=1时,令
式(7)中,W2表示第二全连接层的权重矩阵;
步骤2.2、所述模态融合模块利用式(8)计算文本和图像融合后的多模态共享表征λij;
式(8)中,λij~LN(μij,σij),LN表示逻辑正态分布,是逻辑正态分布的均值,其中,/>表示用户节点i对商品节点j的多模态评论内容在第k个主题上的均值,/>是逻辑正态分布的方差,其中,/>表示用户节点i对商品节点j的多模态评论内容在第k个主题上的方差,εij是一个服从均值为0,方差为1的正态分布的随机变量;
步骤2.3、构建模态解码模块,包括:文本解码器网络和图像解码器网络;
步骤3、图注意力网络的处理:
步骤3.1、定义更新次数为d,并初始化d=1;
式(9)中,Ni表示用户节点i的所有邻居商品节点集合,|Ni|表示用户节点i的所有邻居商品节点的数量;
式(10)中,Nj表示商品节点j的所有邻居用户节点集合,|Nj|表示商品节点j的所有邻居用户节点的数量;
式(7)中,LeakeyReLU(·)表示激活函数,a和W3是两个待学习的参数矩阵,表示第d-1次更新的用户节点i的邻居商品节点集中除邻居商品节点j之外的某个邻居商品节点j′的特征,||表示对向量的拼接操作,T表示矩阵转置操作;
步骤4、构建由多模态变分自编码器网络和图注意力网络构成的用户个性化需求预测模型并进行训练和优化;
式(14)中,表示用户节点i的非邻居节点集合,Qi表示用户节点i的非邻居节点集合中节点的数量;/>表示用户节点i的非邻居节点集合/>中所有节点的期望,/>表在第d次更新的用户节点i的非邻居节点集合/>中任一节点jn的特征;
利用式(15)构造评论图像数据的重构损失Lrecvgg:
式(15)中,Eeij~M表示边集合M中所有边的期望;
利用式(16)构造文本数据的重构损失Lreclstm:
利用式(17)构造真实分布和变分分布之间的KL损失Lkl:
2.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1所述用户个性化需求预测方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1所述用户个性化需求预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011459.0A CN116150480A (zh) | 2023-01-05 | 2023-01-05 | 一种融合多模态评论信息的用户个性化需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011459.0A CN116150480A (zh) | 2023-01-05 | 2023-01-05 | 一种融合多模态评论信息的用户个性化需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116150480A true CN116150480A (zh) | 2023-05-23 |
Family
ID=86355617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310011459.0A Pending CN116150480A (zh) | 2023-01-05 | 2023-01-05 | 一种融合多模态评论信息的用户个性化需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150480A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680323A (zh) * | 2023-06-20 | 2023-09-01 | 吉林省澳美科技有限公司 | 基于大数据安全平台的用户需求挖掘方法及系统 |
CN117609611A (zh) * | 2023-11-24 | 2024-02-27 | 中邮消费金融有限公司 | 多模态信息处理方法、设备、存储介质及装置 |
CN117611245A (zh) * | 2023-12-14 | 2024-02-27 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
CN117726721A (zh) * | 2024-02-08 | 2024-03-19 | 湖南君安科技有限公司 | 基于主题驱动与多模态融合的图像生成方法、设备及介质 |
-
2023
- 2023-01-05 CN CN202310011459.0A patent/CN116150480A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680323A (zh) * | 2023-06-20 | 2023-09-01 | 吉林省澳美科技有限公司 | 基于大数据安全平台的用户需求挖掘方法及系统 |
CN116680323B (zh) * | 2023-06-20 | 2024-02-06 | 深圳市优品投资顾问有限公司 | 基于大数据安全平台的用户需求挖掘方法及系统 |
CN117609611A (zh) * | 2023-11-24 | 2024-02-27 | 中邮消费金融有限公司 | 多模态信息处理方法、设备、存储介质及装置 |
CN117611245A (zh) * | 2023-12-14 | 2024-02-27 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
CN117611245B (zh) * | 2023-12-14 | 2024-05-31 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
CN117726721A (zh) * | 2024-02-08 | 2024-03-19 | 湖南君安科技有限公司 | 基于主题驱动与多模态融合的图像生成方法、设备及介质 |
CN117726721B (zh) * | 2024-02-08 | 2024-04-30 | 湖南君安科技有限公司 | 基于主题驱动与多模态融合的图像生成方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116150480A (zh) | 一种融合多模态评论信息的用户个性化需求预测方法 | |
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN111695965B (zh) | 基于图神经网络的产品筛选方法、系统及设备 | |
CN116720004B (zh) | 推荐理由生成方法、装置、设备及存储介质 | |
CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
CN109670161B (zh) | 商品相似度计算方法及装置、存储介质、电子设备 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN112529071B (zh) | 一种文本分类方法、系统、计算机设备和存储介质 | |
CN109614611B (zh) | 一种融合生成非对抗网络与卷积神经网络的情感分析方法 | |
CN114298851A (zh) | 基于图表征学习的网络用户社交行为分析方法、装置及存储介质 | |
Xia et al. | Modeling consumer buying decision for recommendation based on multi-task deep learning | |
CN115099886B (zh) | 一种长短兴趣序列推荐方法、装置及存储介质 | |
CN115982467A (zh) | 一种去偏化用户多兴趣推荐方法、装置及存储介质 | |
CN116401542A (zh) | 一种多意图多行为解耦推荐方法及装置 | |
Chaudhuri | Visual and text sentiment analysis through hierarchical deep learning networks | |
CN110874392A (zh) | 基于深度双向注意力机制的文本网络信息融合嵌入方法 | |
CN111178986A (zh) | 用户-商品偏好的预测方法及系统 | |
CN111382619B (zh) | 图片推荐模型的生成、图片推荐方法、装置、设备及介质 | |
CN114048754A (zh) | 一种融合上下文信息图卷积的中文短文本分类方法 | |
Jaroli et al. | Deep learning model based novel semantic analysis | |
US20240037133A1 (en) | Method and apparatus for recommending cold start object, computer device, and storage medium | |
CN112364236A (zh) | 目标对象推荐系统、方法、装置、数据处理方法及装置 | |
CN114022192A (zh) | 一种基于智能营销场景的数据建模方法及系统 | |
CN116340635A (zh) | 物品推荐方法、模型训练方法、装置及设备 | |
CN116361643A (zh) | 实现对象推荐的模型训练方法及对象推荐方法及相关装置 |
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 |