CN116304362B - 一种基于相关性注意力的群组推荐方法 - Google Patents
一种基于相关性注意力的群组推荐方法 Download PDFInfo
- Publication number
- CN116304362B CN116304362B CN202211724767.XA CN202211724767A CN116304362B CN 116304362 B CN116304362 B CN 116304362B CN 202211724767 A CN202211724767 A CN 202211724767A CN 116304362 B CN116304362 B CN 116304362B
- Authority
- CN
- China
- Prior art keywords
- group
- kth
- sight
- interaction
- relevance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000003993 interaction Effects 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于相关性注意力的群组推荐方法,属于群组推荐技术领域,设计了相关性注意力组件,该组件首先根据景点、群组以及群组成员的嵌入向量学习每个成员的贡献度,然后根据成员的贡献度为成员分配相应的权重,并分别对群组和成员的相关性以及景点和成员的相关性建模,最后采用加权求和的形式得到群组嵌入向量以进行推荐。两种相关性建模采用的皆是逐元素乘法的形式,嵌入项向量的每个维度代表了相应特征的强度,逐元素乘法可以高效的建模特征交互。逐元素乘积后得到的新的嵌入向量不仅包含了成员和群组(景点)二阶特征组合信息,而且还包含了所隐含的关联性,达到了关联性建模的目的,从而进一步增强了群组推荐的性能。
Description
技术领域
本发明涉及群组推荐技术领域,具体涉及一种基于相关性注意力的群组推荐方法。
背景技术
随着社交活动的盛行,组团旅游成为人们钟爱的旅游方式,因而群组推荐也逐渐在旅游业发挥作用。旅游业中的群组推荐的目的是向一组用户而非单个用户推荐景点,因此它比个性化推荐复杂得多,其核心问题是如何获得群组的偏好来推断群组会选择哪些景点,这是一项非常具有挑战性的任务,因为群组偏好是其内部所有成员偏好的混合,而且群组做出选择的过程是动态变化的。
传统的群组推荐方法通常采用预定义的策略聚合成员偏好得到群组偏好,例如均值策略、最小痛苦策略,而最近的基于深度学习的方法探索如何识别成员的重要性,并动态的为成员分配不同权重,以更加准确的聚合得到群组的偏好。然而,这些方法没有充分利用群组和成员的关联性以及景点和成员的关联性。一方面,群组由单个成员组成,群组偏好与成员偏好息息相关,它们是高度互动并相互依赖的,之间存在包含和被包含的关系;另一方面,群组最终选择的景点是由成员共同决定的,因此成员的偏好可以间接的反映景点的特征。如何利用这两种相关性增强群组偏好建模是现有群组推荐方法中尚未考虑的问题。
发明内容
本发明为了克服以上技术的不足,提供了一种为旅游群组提供高效精准的景点推荐的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于相关性注意力的群组推荐方法,包括如下步骤:
a)获取包含M个用户、N个群组、K个景点、群组和景点的历史交互记录以及用户和景点的历史交互记录的数据集;
b)根据数据集中的群组和景点的历史交互记录构建群组-景点交互矩阵,将群组-景点交互矩阵输入到MF模型中,得到初始化的第n个群组gn的嵌入向量和第k个景点vk在群组和景点的交互中的嵌入向量/>其中n∈{1,2,…,N},k∈{1,2,…,K},为实数,d为嵌入向量的维度;
c)根据数据集中的用户和景点的历史交互记录构建用户-景点交互矩阵,将用户-景点交互矩阵输入到MF模型中,得到初始化的群组gn中所有成员的嵌入向量/>和第k个景点vk在用户和景点的交互中的嵌入向量/>其中ci为群组gn中第i个成员,i∈{1,2,…,|gn|},|gn|为群组gn中用户的总数,/>为群组gn中第i个成员ci的嵌入向量,/>
d)将第k个景点vk在群组和景点的交互中的嵌入向量和第k个景点vk在用户和景点的交互中的嵌入向量/>求均值,得到初始化的第k个景点vk的嵌入向量/>
e)计算得到第n个群组gn对第k个景点vk决策时第i个成员的贡献度大小oik;
f)对贡献度大小oik进行归一化处理,得到归一化后的贡献度大小aik;
g)通过公式计算第i个成员ci影响下的第n个群组gn的嵌入向量式中⊙为逐元素乘积,得到所有成员影响下的第n个群组gn的嵌入向量h)采用加权求和的形式聚合得到第n个群组gn最终的嵌入向量/>i)通过公式/>计算第i个成员ci影响下的第k个景点vk的嵌入向量得到所有成员影响下的第k个景点vk的嵌入向量/>
j)采用加权求和的形式聚合得到第k个景点vk最终的嵌入向量
k)将嵌入向量和嵌入向量/>输入到一个三层的多层感知机MLP中,输出得到预测得分/>完成基于相关性注意力群组推荐模型的建立,将预测得分最高的P个景点向第n个群组gn推荐。
优选的,步骤a)中的数据集为MaFengWo数据集。
进一步的,步骤d)中通过公式计算得到初始化的第k个景点vk的嵌入向量/>进一步的,步骤e)中通过公式/>计算得到第n个群组gn对第k个景点vk决策时第n个群组gn中第i个成员的贡献度大小oik,式中Wg、Wc、Wv均为可学习的权重矩阵,/>b为偏置矩阵,/>h为投影到贡献度大小oik的权重矩阵,T为转置,σ(·)为非线性激活函数。
优选的,步骤f)中使用Softmax归一化函数对贡献度大小oik进行归一化处理。进一步的,步骤h)中通过公式计算得到最终的嵌入向量/>
进一步的,步骤j)中通过公式计算得到最终的嵌入向量
进一步的,步骤k)中通过公式计算得到多层感知机MLP的中间层的输出e0,通过公式e1=ReLU(We0+b1)计算得到多层感知机MLP的中间层的输出e1,式中ReLU(·)为ReLU激活函数,W为权重矩阵,b1为偏置矩阵,通过公式/>计算得到预测得分/>式中b2为偏置矩阵。
优选的,步骤k)中P=5。
进一步的,还包括在步骤k)后执行如下步骤:
l-1)选取第p个景点vp替代第k个景点vk,重复执行步骤b)至步骤k)得到预测得分p∈{1,2,...,K};
l-2)通过公式计算得到损失函数L,式中(n,k,p)为一个三元组,表示第n个群组gn与第k个景点vk存在交互且与第p个景点vp不存在交互;
l-3)利用损失函数L对步骤k)中的基于相关性注意力群组推荐模型进行训练,训练过程中使用Adam优化器并采用小批量法对损失函数L进行优化。
本发明的有益效果是:通过设计相关性注意力组件,该组件首先根据景点、群组以及群组成员的嵌入向量学习每个成员的贡献度,然后根据成员的贡献度为成员分配相应的权重,并分别对群组和成员的相关性以及景点和成员的相关性建模,最后采用加权求和的形式得到群组嵌入向量以进行推荐。两种相关性建模采用的皆是逐元素乘法的形式,嵌入项向量的每个维度代表了相应特征的强度,逐元素乘法可以高效的建模特征交互。逐元素乘积后得到的新的嵌入向量不仅包含了成员和群组(景点)二阶特征组合信息,而且还包含了所隐含的关联性,达到了关联性建模的目的,从而进一步增强了群组推荐的性能。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
本研究探究了如何在群组偏好建模的过程中合理有效地利用群组和成员的相关性以及景点和成员的相关性,达到更加准确的群组偏好建模的目的,设计了一种相关性注意力组件,从而为旅游群组提供高效精准的景点推荐。具体的,一种基于相关性注意力的群组推荐方法,包括如下步骤:
a)获取包含M个用户、N个群组、K个景点、群组和景点的历史交互记录以及用户和景点的历史交互记录的数据集。
b)根据数据集中的群组和景点的历史交互记录构建群组-景点交互矩阵,将群组-景点交互矩阵输入到MF模型中,得到初始化的第n个群组gn的嵌入向量和第k个景点vk在群组和景点的交互中的嵌入向量/>其中n∈{1,2,...,N},k∈{1,2,...,K},为实数,d为嵌入向量的维度。
c)根据数据集中的用户和景点的历史交互记录构建用户-景点交互矩阵,将用户-景点交互矩阵输入到MF模型中,得到初始化的群组gn中所有成员的嵌入向量/>和第k个景点vk在用户和景点的交互中的嵌入向量/>其中ci为群组gn中第i个成员,i∈{1,2,...,|gn|},|gn|为群组gn中用户的总数,/>为群组gn中第i个成员ci的嵌入向量,/>
d)将第k个景点vk在群组和景点的交互中的嵌入向量和第k个景点vk在用户和景点的交互中的嵌入向量/>求均值,得到初始化的第k个景点vk的嵌入向量/>
e)计算得到第n个群组gn对第k个景点vk决策时第i个成员的贡献度大小oik。
f)对贡献度大小oik进行归一化处理,得到归一化后的贡献度大小aik。
g)通过公式计算第i个成员ci影响下的第n个群组gn的嵌入向量式中⊙为逐元素乘积,得到所有成员影响下的第n个群组gn的嵌入向量
h)采用加权求和的形式聚合得到第n个群组gn最终的嵌入向量
i)通过公式计算第i个成员ci影响下的第k个景点vk的嵌入向量得到所有成员影响下的第k个景点vk的嵌入向量/>
j)采用加权求和的形式聚合得到第k个景点vk最终的嵌入向量
k)将嵌入向量和嵌入向量/>输入到一个三层的多层感知机MLP中,输出得到预测得分/>完成基于相关性注意力群组推荐模型的建立,将预测得分最高的P个景点向第n个群组gn推荐。优选的,P=5。
基于如何利用群组和成员的相关性以及景点和成员的相关性增强群组推荐性能这一问题,本发明提出了一种新颖的基于相关性注意力的群组推荐方法,在该方法中设计了相关性注意力组件,该组件首先根据景点、群组以及群组成员的嵌入向量学习每个成员的贡献度,然后根据成员的贡献度为成员分配相应的权重,并分别对群组和成员的相关性以及景点和成员的相关性建模,最后采用加权求和的形式得到群组嵌入向量以进行推荐。两种相关性建模采用的皆是逐元素乘法的形式,嵌入项向量的每个维度代表了相应特征的强度,逐元素乘法可以高效的建模特征交互,本发明中将成员的嵌入向量与群组(景点)的嵌入向量进行逐元素乘积,模拟了成员与群组(景点)的交互,逐元素乘积后得到的新的嵌入向量不仅包含了成员和群组(景点)二阶特征组合信息,而且还包含了所隐含的关联性,达到了关联性建模的目的,从而进一步增强了群组推荐的性能。
实施例1:
在本发明的一个实施例中,步骤a)中的数据集为MaFengWo数据集。该数据集来自于旅游网站Mafengwo.com,该数据集包含5275个用户,995个群组以及1513个景点,同时包含群组和景点、用户和景点的历史交互记录。
实施例2:
在本发明的一个实施例中,步骤d)中通过公式计算得到初始化的第k个景点vk的嵌入向量/>
实施例3:
在本发明的一个实施例中,步骤e)中通过公式计算得到第n个群组gn对第k个景点vk决策时第n个群组gn中第i个成员的贡献度大小oik,式中Wg、Wc、Wv均为可学习的权重矩阵,b为偏置矩阵,/>h为投影到贡献度大小oik的权重矩阵,T为转置,σ(·)为非线性激活函数。
实施例4:
在本发明的一个实施例中,步骤f)中使用Softmax归一化函数对贡献度大小oxk进行归一化处理。
实施例5:
在本发明的一个实施例中,步骤h)中通过公式计算得到最终的嵌入向量/>
实施例6:
在本发明的一个实施例中,步骤j)中通过公式计算得到最终的嵌入向量/>
实施例7:
在本发明的一个实施例中,步骤k)中通过公式计算得到多层感知机MLP的中间层的输出e0,通过公式e1=ReLU(We0+b1)计算得到多层感知机MLP的中间层的输出e1,式中ReLU(·)为ReLU激活函数,W为权重矩阵,b1为偏置矩阵,通过公式计算得到预测得分/>式中b2为偏置矩阵。
实施例8:
在本发明的一个实施例中,还包括在步骤k)后执行如下步骤:
l-1)选取第p个景点vp替代第k个景点vk,重复执行步骤b)至步骤k)得到预测得分p∈{1,2,...,K};
l-2)通过公式计算得到损失函数L,式中(n,k,p)为一个三元组,表示第n个群组gn与第k个景点vk存在交互且与第p个景点vp不存在交互;
l-3)利用损失函数L对步骤k)中的基于相关性注意力群组推荐模型进行训练,训练过程中使用Adam优化器并采用小批量法对损失函数L进行优化。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于相关性注意力的群组推荐方法,其特征在于,包括如下步骤:
a)获取包含M个用户、N个群组、K个景点、群组和景点的历史交互记录以及用户和景点的历史交互记录的数据集;
b)根据数据集中的群组和景点的历史交互记录构建群组-景点交互矩阵,将群组-景点交互矩阵输入到MF模型中,得到初始化的第n个群组gn的嵌入向量和第k个景点vk在群组和景点的交互中的嵌入向量/>其中n∈{1,2,...,N},k∈{1,2,...,K}, 为实数,d为嵌入向量的维度;
c)根据数据集中的用户和景点的历史交互记录构建用户-景点交互矩阵,将用户-景点交互矩阵输入到MF模型中,得到初始化的群组gn中所有成员的嵌入向量和第k个景点vk在用户和景点的交互中的嵌入向量/>其中ci为群组gn中第i个成员,i∈{1,2,...,|gn|},|gn|为群组gn中用户的总数,/>为群组gn中第i个成员ci的嵌入向量,/>
d)将第k个景点vk在群组和景点的交互中的嵌入向量和第k个景点vk在用户和景点的交互中的嵌入向量/>求均值,得到初始化的第k个景点vk的嵌入向量/>
e)计算得到第n个群组gn对第k个景点vk决策时第i个成员的贡献度大小oik;
f)对贡献度大小oik进行归一化处理,得到归一化后的贡献度大小aik;
g)通过公式计算第i个成员ci影响下的第n个群组gn的嵌入向量/>式中⊙为逐元素乘积,得到所有成员影响下的第n个群组gn的嵌入向量
h)采用加权求和的形式聚合得到第n个群组gn最终的嵌入向量i)通过公式计算第i个成员ci影响下的第k个景点vk的嵌入向量/>得到所有成员影响下的第k个景点vk的嵌入向量/>
j)采用加权求和的形式聚合得到第k个景点vk最终的嵌入向量
k)将嵌入向量和嵌入向量/>输入到一个三层的多层感知机MLP中,输出得到预测得分/>完成基于相关性注意力群组推荐模型的建立,将预测得分最高的P个景点向第n个群组gn推荐;
步骤e)中通过公式计算得到第n个群组gn对第k个景点vk决策时第n个群组gn中第i个成员的贡献度大小oik,式中Wg、Wc、Wv均为可学习的权重矩阵,/> b为偏置矩阵,/>h为投影到贡献度大小oik的权重矩阵,T为转置,σ(·)为非线性激活函数。
2.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤a)中的数据集为MaFengWo数据集。
3.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤d)中通过公式计算得到初始化的第k个景点vk的嵌入向量/>
4.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤f)中使用Softmax归一化函数对贡献度大小oik进行归一化处理。
5.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤h)中通过公式计算得到最终的嵌入向量
6.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤j)中通过公式计算得到最终的嵌入向量
7.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤k)中通过公式计算得到多层感知机MLP的中间层的输出e0,通过公式e1=ReLU(We0+b1)计算得到多层感知机MLP的中间层的输出e1,式中ReLU(·)为ReLU激活函数,W为权重矩阵,b1为偏置矩阵,通过公式/>计算得到预测得分/>式中b2为偏置矩阵。
8.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于:步骤k)中P=5。
9.根据权利要求1所述的基于相关性注意力的群组推荐方法,其特征在于,还包括在步骤k)后执行如下步骤:
l-1)选取第p个景点vp替代第k个景点vk,重复执行步骤b)至步骤k)得到预测得分
l-2)通过公式计算得到损失函数L,式中(n,k,p)为一个三元组,表示第n个群组gn与第k个景点vk存在交互且与第p个景点vp不存在交互;
l-3)利用损失函数L对步骤k)中的基于相关性注意力群组推荐模型进行训练,训练过程中使用Adam优化器并采用小批量法对损失函数L进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724767.XA CN116304362B (zh) | 2022-12-21 | 2022-12-21 | 一种基于相关性注意力的群组推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724767.XA CN116304362B (zh) | 2022-12-21 | 2022-12-21 | 一种基于相关性注意力的群组推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304362A CN116304362A (zh) | 2023-06-23 |
CN116304362B true CN116304362B (zh) | 2023-12-15 |
Family
ID=86802109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211724767.XA Active CN116304362B (zh) | 2022-12-21 | 2022-12-21 | 一种基于相关性注意力的群组推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304362B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069717A (zh) * | 2015-07-29 | 2015-11-18 | 陕西师范大学 | 一种基于游客信任度的个性化旅游线路推荐方法 |
CN107657347A (zh) * | 2017-09-30 | 2018-02-02 | 桂林电子科技大学 | 一种面向群组的旅游推荐方法 |
CN111666496A (zh) * | 2020-06-09 | 2020-09-15 | 中森云链(成都)科技有限责任公司 | 一种基于评论文本的组推荐方法 |
CN111984863A (zh) * | 2020-07-31 | 2020-11-24 | 西安理工大学 | 一种基于mas协作机制的旅游群组推荐方法 |
CN113051487A (zh) * | 2021-04-20 | 2021-06-29 | 安徽师范大学 | 基于用户信任和社交影响力的旅游群组推荐方法 |
CN113343127A (zh) * | 2021-04-25 | 2021-09-03 | 武汉理工大学 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
CN113407864A (zh) * | 2021-06-21 | 2021-09-17 | 南京邮电大学 | 一种基于混合注意力网络的群组推荐方法 |
WO2022088661A1 (zh) * | 2020-11-01 | 2022-05-05 | 云境商务智能研究院南京有限公司 | 基于注意力机制的群体旅游路线推荐方法 |
CN115357805A (zh) * | 2022-08-02 | 2022-11-18 | 山东省计算中心(国家超级计算济南中心) | 一种基于内外部视角的群组推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9558244B2 (en) * | 2014-10-22 | 2017-01-31 | Conversable, Inc. | Systems and methods for social recommendations |
US10042961B2 (en) * | 2015-04-28 | 2018-08-07 | Microsoft Technology Licensing, Llc | Relevance group suggestions |
-
2022
- 2022-12-21 CN CN202211724767.XA patent/CN116304362B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069717A (zh) * | 2015-07-29 | 2015-11-18 | 陕西师范大学 | 一种基于游客信任度的个性化旅游线路推荐方法 |
CN107657347A (zh) * | 2017-09-30 | 2018-02-02 | 桂林电子科技大学 | 一种面向群组的旅游推荐方法 |
CN111666496A (zh) * | 2020-06-09 | 2020-09-15 | 中森云链(成都)科技有限责任公司 | 一种基于评论文本的组推荐方法 |
CN111984863A (zh) * | 2020-07-31 | 2020-11-24 | 西安理工大学 | 一种基于mas协作机制的旅游群组推荐方法 |
WO2022088661A1 (zh) * | 2020-11-01 | 2022-05-05 | 云境商务智能研究院南京有限公司 | 基于注意力机制的群体旅游路线推荐方法 |
CN113051487A (zh) * | 2021-04-20 | 2021-06-29 | 安徽师范大学 | 基于用户信任和社交影响力的旅游群组推荐方法 |
CN113343127A (zh) * | 2021-04-25 | 2021-09-03 | 武汉理工大学 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
CN113407864A (zh) * | 2021-06-21 | 2021-09-17 | 南京邮电大学 | 一种基于混合注意力网络的群组推荐方法 |
CN115357805A (zh) * | 2022-08-02 | 2022-11-18 | 山东省计算中心(国家超级计算济南中心) | 一种基于内外部视角的群组推荐方法 |
Non-Patent Citations (1)
Title |
---|
"移动环境下融合情境信息的群组推荐模型研究——基于用户APP行为数据的实证分析";夏立新等;《情报学报》;384-393 * |
Also Published As
Publication number | Publication date |
---|---|
CN116304362A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785062B (zh) | 一种基于协同过滤模型的混合神经网络推荐系统 | |
CN110929164A (zh) | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 | |
CN112288042B (zh) | 行为预测系统的更新方法及装置、存储介质和计算设备 | |
CN111553754A (zh) | 行为预测系统的更新方法及装置 | |
WO2021139415A1 (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
JP6819355B2 (ja) | レコメンデーション生成 | |
CN113268633B (zh) | 一种短视频推荐方法 | |
CN109978836A (zh) | 基于元学习的用户个性化图像美感评价方法、系统、介质和设备 | |
CN115917577A (zh) | 使用动态属性建模进行下一个篮子推荐的系统和方法 | |
CN113609388B (zh) | 基于反事实用户行为序列生成的序列推荐方法 | |
JP7157239B2 (ja) | 感情認識機械を定義するための方法及びシステム | |
WO2022198983A1 (zh) | 一种对话推荐方法、装置、电子设备及存储介质 | |
CN115357805B (zh) | 一种基于内外部视角的群组推荐方法 | |
CN111417975A (zh) | 用于个性化优惠的方法和系统 | |
CN115511109A (zh) | 一种高泛化性的个性化联邦学习实现方法 | |
CN110502701B (zh) | 引入注意力机制的好友推荐方法、系统和存储介质 | |
CN115409203A (zh) | 一种基于模型无关元学习的联邦推荐方法及系统 | |
CN113409157B (zh) | 一种跨社交网络用户对齐方法以及装置 | |
US20240046922A1 (en) | Systems and methods for dynamically updating machine learning models that provide conversational responses | |
CN116304362B (zh) | 一种基于相关性注意力的群组推荐方法 | |
CN110851580A (zh) | 一种基于结构化用户属性描述的个性化任务型对话系统 | |
CN112765474B (zh) | 一种基于深度协同过滤的推荐方法及系统 | |
CN114528490A (zh) | 一种基于用户长短期兴趣的自监督序列推荐方法 | |
CN117633371B (zh) | 基于多注意力机制的推荐方法、设备和可读存储介质 | |
CN116415293B (zh) | 一种基于生成对抗网络的用户私有属性匿名化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |