CN116245610A - 一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法 - Google Patents
一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法 Download PDFInfo
- Publication number
- CN116245610A CN116245610A CN202310193838.6A CN202310193838A CN116245610A CN 116245610 A CN116245610 A CN 116245610A CN 202310193838 A CN202310193838 A CN 202310193838A CN 116245610 A CN116245610 A CN 116245610A
- Authority
- CN
- China
- Prior art keywords
- book
- node
- neural network
- graph
- uncertainty
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000342 Monte Carlo simulation Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
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
- 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，涉及信息推荐领域，对用户节点执行初步分析，获取用户节点与第一图书候选集节点的第一图神经网络集；按照设定跳选取第一图神经网络集中的子图；分别针对子图中的用户节点及第一图书候选集节点中的每个执行至少两层带MC‑Dropout的神经网络的多次更新；依据用户节点的图嵌入求取节点的第一不确定评估参数；依据第一图书候选集节点的图嵌入求取节点的第二不确定评估参数；依据第一不确定评估参数与第二不确定评估参数计算不确定性加权相似度值；依据相似度值对第一图书候选集节点执行排序，获取对应用户节点的图书推荐。本发明能够在保持结果精确度的情况下获得简化计算的效果。
Description
技术领域
本发明涉及信息推荐领域，尤其涉及一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法。
背景技术
推荐系统(Recommendation system)是一种在各类应用和电商场景下十分常用的技术。它的功能是根据用户的历史记录和一些物理特征，例如性别、年龄等，从海量的商品候选中挑选最有可能被用户消费的一小部分推荐给用户，从而节省用户的搜寻时间，提升用户的体验。通常情况下，推荐系统分为召回、粗排、精排步骤，这三部类似于三个漏斗，召回步骤从海量候选中粗略选出一批相对合适的候选，粗排再对结果精细化加工，筛选出一批更加契合用户的候选，最后再由精排细筛选得到推荐给用户的结果。
在图书管理系统中的推荐系统，用户比电商场景下的应用情况下相对较少，(通常在十万级以内)，用户的消费行为相对稀疏(大多数用户的年消费次数在一百以内)，推荐系统需要在见过更小的数据集的情况下，做出更有效的预测，从而给出更精准的推荐。
而现有的图书管理系统的推荐系统算法中，通常采用图神经网络(Graph neuralnetwork)，来执行分析计算，而这种图神经网络是一种特殊的神经网络。该模型的输入出去一般的节点特征以外，还有节点与节点之间的邻接关系。因此，图神经网络能够有效建模节点之间的多跳关系信息，从而更好地分析图结构数据。在图书馆系统中，节点可以被分为用户节点和图书节点，用户节点之间可能存在同学关系、师生关系，图书节点之间可能存在同类型关系、同作者关系，用户与图书节点之间可能存在消费关系。而这些用户与图书节点之间的关系相对简单，采用现有的图神经网络来执行运算可能造成节点运算的复杂化，增加不必要的计算。
因此，针对上述问题，既要能兼顾需要在模型必然面对较大认知不确定性时的前提下，有效利用可量化的不确定性，对于模型进行改进，以提升模型在推荐系统中的表现。又能解决传统图神经网络又面临着模型计算量过大的问题，需要进行简化的问题。
因此，本领域的技术人员致力于开发一种新的图书精排方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的是图书推荐系统中的精排推荐的简化计算过程并保持计算结果准确度的技术问题。
为实现上述目的，本发明提供了一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，所述方法包括如下步骤：
对用户节点执行初步分析，获取所述用户节点与第一图书候选集节点的第一图神经网络集；按照设定跳选取所述第一图神经网络集中的子图；
分别针对所述子图中的用户节点及第一图书候选集节点中的每个执行至少两个带MC-Dropout的神经网络的多次更新；
依据所述多次更新获取多个所述用户节点的图嵌入及所述第一图书候选集节点的图嵌入；
依据所述用户节点的图嵌入求取节点的第一不确定评估参数；
依据所述第一图书候选集节点的图嵌入求取节点的第二不确定评估参数；
依据所述第一不确定评估参数与所述第二不确定评估参数计算不确定性加权相似度值；
依据所述不确定性相似度值对所述第一图书候选集节点执行排序，获取对应所述用户节点的图书推荐。
进一步地，所述用户节点的图嵌入为：
对每次更新后的原始图嵌入求平均；
所述第一图书候选集节点的图嵌入为：对每次更新后的原始图嵌入求平均。
进一步地，
依据所述用户节点的图嵌入求取节点的第一不确定评估参数为：
对所述用户节点的图嵌入求方差；
依据所述第一图书候选集节点的图嵌入求取节点的第二不确定评估参数为：
对所述第一图书候选集节点的图嵌入求方差。
进一步地，
对所述图嵌入及所述不确定评估参数多轮聚合，之后执行计算不确定性加权相似度值：
计算
重复K次，计算
所述k为聚合轮次，所述K为聚合轮次总数，dv为v节点的度数，v节点为用户节点或第一图书候选集节点。
进一步地，
所述计算不确定性加权相似度值的计算方法为：sui＝(1+exp(-cu-ci))cosine(eu，ei)，其中cosine指余弦相似度，其中u为用户节点，i为图书节点。
进一步地，
所述第一图神经网络集生成中，所述用户节点与所述第一图书候选集节点使用相同的神经网络模型，或使用不同的神经网络模型。
进一步地，
所述带MC-Dropout的神经网络包括多个随机的Dropout层。
进一步地，
所述依据所述不确定性相似度值对所述第一图书候选集节点执行排序步骤之前还包括：
针对所述多个随机的Dropout层计算不同的Dropout层输出结果之间的多个不确定性加权相似度值，选取不确定性加权相似度值。
进一步地，
所述k等于所述第一图神经网络集中的网络节点的层数。
进一步地，
所述第一不确定评估参数及所述第二不确定评估参数被存储。
技术效果
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
通过在模型中引入Monte-Carlo Dropout技术实现模型不确定性的建模。仅选取目标节点k跳内的子图进行计算。同时采用了先预测后聚合的模式。Monte-Carlo Dropout会在预测阶段加入随机的Dropout层，使得模型在面对相同输入时会产生不同的输出，因此可以通过不同输出之间的差别建立评估参数来衡量模型不确定性，并且对这种不确定性的评估参数能够执行量化排序。
图神经网络的聚合模块的每一次聚合步骤仅考虑目标节点的邻居节点，因此对于一个k层的图神经网络仅需考虑目标节点的k跳内的节点即可。而对于精排模型而言，由于召回和粗排已经筛除了大量节点，对于少量的候选节点而言，仅采用k跳子图可以极大缩减计算成本。同时先预测后聚合的模式使得预测模块的结果可以预存，不必重复计算，从而进一步降低了计算开支。
通过多次输出结果的方差可以有效建模模型的不确定性。在不影响计算结果准确度的情况下，有效减少了计算开销。
附图说明
图1是本发明的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法的流程示意图；
图2是本发明的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法的模型组成结构示意图。
图3是本发明的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法的具体实施方式中的代码界面截图示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
基于MC-Dropout的神经网络是一种特殊的神经网络。在该模型中，Dropout层被保留到了预测阶段，因此能够在多次输入相同的情况下获得不同的输出。通过多次不同输出之间的差异，可以建模模型的认知不确定性(epistemic uncertainty)。认知不确定性通常会在模型训练过程中未曾接触过的数据范围上偏大，在模型训练过程中常见的数据范围上较小。现有的模型每次面对相同的输入只会给出相同的输出，这使得模型无法建模其自身的不确定性。由于无法对模型的不确定性有着良好的理解，模型的结果的可信度无法得到保障，本发明的技术方案中首先对不同的输出的不确定性评估参数进行计算，并且最终获取不确定性加权相似度的排序计算从而获取精确的计算结果。同时，对图神经网络的计算采用k跳节点的选取，一般图神经网络需要用到全图，会导致计算开销巨大，实际上在图书推荐系统中并不需要如此巨大的计算量。
在本发明的具体的图书推荐系统中，用户和图书之间信息按借阅关系构成一张二部图，用户的物理信息(id、性别、年龄、近一个月借阅数量等)和图书的物理信息(id、类别、作者、出版时间等)按向量形式存储，其它的实施方式中可包括更多的用户及图书信息。
由于在本例中用户信息与图书信息并不相同，故而需要使用两个神经网络分别对用户信息和书本信息进行处理。实际情况下，可以按实际需求决定是否使用同一个神经网络。即在图书推荐系统中，可设置两个神经网络分别对用户和图书信息执行处理，并选择其中一个神经网络计算两者节点之间的关系，或者是采用同一个神经网络分别对用户和图书信息同时进行处理，以获取两两节点之间的信息。
如图1中所示，为按照本发明的核心构思所执行的步骤：
对用户节点经过召回和粗排过程获取对应的图书候选节点集；
对上述节点执行子图的获取；
将上述所有的节点信息多次输入至少两个带有MC-Dropout的神经网络，或者是分别将用户节点信息和图书候选集节点分别多次输入对应类型的带有MC-Dropout的神经网络，以获取不确定性评估参数；
进一步的，由上述所求取的不确定性评估参数，获取图书候选节点集的不确定性加权相似度，并用上述的相似度执行排序后推送给用户。
用户在进入图书推荐系统后，首先经过系统的召回和粗排模块，获得一个带有N个候选图书的候选集，在本实施例中，用户节点为u，候选集中的图书节点为i。
如图2和3中所示，按照本发明中的一个具体的实施方式，本发明的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，具体包括如下步骤：另外，为方便展示，2、3层(对应实用例中步骤2-5)对用户、图书节点分开展示，叙述中由于两者步骤近似，故不加区分。
下表是对实用例以及附图中所使用的符号及其上下标意义的说明：
步骤1、对用户节点和进入图书候选集节点执行选取其k跳内的子图，其中获得的子图包括了用户节点、全部图书候选集节点，以及到上述节点之间距离k以内的全部节点；
步骤2、对于子图中的每个节点，读取其物理信息向量后，多次分别进入两个带有MC-Dropout的神经网络，其中子图中的用户节点进入一个MC-Dropout的神经网络，子图中的图书候选集节点进入另外一个MC-Dropout的神经网络，以分别对用户节点和图书候选集节点进行更新，得到多个嵌入输出，对得到的多个嵌入求平均，得到嵌入
对多个嵌入求方差，得到不确定性评分/>
具体来说，其中用户信息向量集为Xu，图书信息向量集为Xi，
S为子图中所获取的节点集，利用带有MC-Dropout的神经网络更新Xv，获取多个图嵌入
以此方式，对图嵌入求平均获取/>
求方差获取不确定性参数集/>
其中v∈u；对于图书候选集节点，同样可获取对应的参数；
步骤3、将获取的图嵌入平均值和对应的不确定评估参数进行多重聚合，具体包括：计算获取多重聚合后的不确定性评估参数：
步骤4、重复步骤3K次，计算
步骤5、对于用户节点v和候选集中的图书节点i计算不确定性加权相似度sui＝(1+exp(-cu-ci))cosine(eu，ei)，其中cosine指余弦相似度。
步骤6、根据suv对候选集中的图书进行排序。选取其中的top-10发送给用户。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，所述方法包括如下步骤：。
对用户节点执行初步分析，获取所述用户节点与第一图书候选集节点的第一图神经网络集；按照设定跳选取所述第一图神经网络集中的子图；
分别针对所述子图中的用户节点及第一图书候选集节点中的每个执行至少两个带MC-Dropout的神经网络的多次更新；
依据所述多次更新获取多个所述用户节点的图嵌入及所述第一图书候选集节点的图嵌入；
依据所述用户节点的图嵌入求取节点的第一不确定评估参数；
依据所述第一图书候选集节点的图嵌入求取节点的第二不确定评估参数；
依据所述第一不确定评估参数与所述第二不确定评估参数计算不确定性加权相似度值；
依据所述不确定性相似度值对所述第一图书候选集节点执行排序，获取对应所述用户节点的图书推荐。
2.如权利要求1所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，所述用户节点的图嵌入为：
对每次更新后的原始图嵌入求平均；
所述第一图书候选集节点的图嵌入为：对每次更新后的原始图嵌入求平均。
3.如权利要求1所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
依据所述用户节点的图嵌入求取节点的第一不确定评估参数为：
对所述用户节点的图嵌入求方差；
依据所述第一图书候选集节点的图嵌入求取节点的第二不确定评估参数为：
对所述第一图书候选集节点的图嵌入求方差。
4.如权利要求1所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
对所述图嵌入及所述不确定评估参数多轮聚合，之后执行计算不确定性加权相似度值：
计算
重复K次，计算
所述k为聚合轮次，所述K为聚合轮次总数，dv为v节点的度数，v节点为统称的用户节点或第一图书候选集节点。
5.如权利要求1-4中任意一项中所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
所述计算不确定性加权相似度值的计算方法为：sui＝(1+exp(-cu-ci))ccosine(eu，ei)，其中cosine指余弦相似度，其中u为用户节点，i为图书节点。
6.如权利要求5中所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
所述第一图神经网络集生成中，所述用户节点与所述第一图书候选集节点使用相同的神经网络模型，或使用不同的神经网络模型。
7.如权利要求5中所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
所述带MC-Dropout的神经网络包括多个随机的Dropout层。
8.如权利要求7中所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
所述依据所述不确定性相似度值对所述第一图书候选集节点执行排序步骤之前还包括：
针对所述多个随机的Dropout层计算不同的Dropout层输出结果之间的多个不确定性加权相似度值，选取不确定性加权相似度值。
9.如权利要求5中所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
所述k等于所述第一图神经网络集中的网络节点的层数。
10.如权利要求5中所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，
所述第一不确定评估参数及所述第二不确定评估参数被存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193838.6A CN116245610B (zh) | 2023-03-02 | 2023-03-02 | 一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193838.6A CN116245610B (zh) | 2023-03-02 | 2023-03-02 | 一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116245610A true CN116245610A (zh) | 2023-06-09 |
| CN116245610B CN116245610B (zh) | 2024-05-17 |
Family
ID=86625827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310193838.6A Active CN116245610B (zh) | 2023-03-02 | 2023-03-02 | 一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245610B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468227A (zh) * | 2021-06-25 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 基于图神经网络的信息推荐方法、系统、设备和存储介质 |
| CN113744032A (zh) * | 2021-09-14 | 2021-12-03 | 重庆邮电大学 | 一种图书推荐的方法、相关装置、设备及存储介质 |
| US20220414792A1 (en) * | 2021-06-24 | 2022-12-29 | Jinan University | Social recommendation method based on multi-feature heterogeneous graph neural networks |
-
2023
- 2023-03-02 CN CN202310193838.6A patent/CN116245610B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220414792A1 (en) * | 2021-06-24 | 2022-12-29 | Jinan University | Social recommendation method based on multi-feature heterogeneous graph neural networks |
| CN113468227A (zh) * | 2021-06-25 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 基于图神经网络的信息推荐方法、系统、设备和存储介质 |
| CN113744032A (zh) * | 2021-09-14 | 2021-12-03 | 重庆邮电大学 | 一种图书推荐的方法、相关装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116245610B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
| CN109961142B (zh) | 一种基于元学习的神经网络优化方法及装置 | |
| CN105991397B (zh) | 信息传播方法和装置 | |
| Teng et al. | Overlapping community detection in directed and undirected attributed networks using a multiobjective evolutionary algorithm | |
| CN110110201B (zh) | 一种内容推荐方法和系统 | |
| CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
| CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
| CN111445008A (zh) | 一种基于知识蒸馏的神经网络搜索方法及系统 | |
| 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 | |
| CN112086144A (zh) | 分子生成方法、装置、电子设备及存储介质 | |
| CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
| CN114036388A (zh) | 数据处理方法和装置、电子设备、及存储介质 | |
| CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
| US20230418871A1 (en) | Systems, methods, computing platforms, and storage media for comparing non-adjacent data subsets | |
| CN111242670B (zh) | 一种确定最大影响程度指标的种子集合的方法及装置 | |
| CN116245610B (zh) | 一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法 | |
| CN111475720A (zh) | 推荐方法、装置、服务器及存储介质 | |
| CN115456708A (zh) | 推荐模型的训练方法、装置、电子设备和存储介质 | |
| CN111966889B (zh) | 一种图嵌入向量的生成方法以及推荐网络模型的生成方法 | |
| CN115599990A (zh) | 一种知识感知结合深度强化学习的跨域推荐方法及系统 | |
| CN115238188A (zh) | 一种对象推荐方法和系统及对象推荐模型系统 | |
| CN114329231A (zh) | 对象特征处理方法、装置、电子设备及存储介质 | |
| CN115345687A (zh) | 一种跨网站商品对齐方法及装置 | |
| CN109345274B (zh) | 基于bp神经网络评分预测误差的近邻用户选择方法 | |
| CN116089722B (zh) | 基于图产出标签的实现方法、装置、计算设备和存储介质 |
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 |