CN116541608B - 房源推荐方法、装置、电子设备及存储介质 - Google Patents
房源推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116541608B CN116541608B CN202310806906.1A CN202310806906A CN116541608B CN 116541608 B CN116541608 B CN 116541608B CN 202310806906 A CN202310806906 A CN 202310806906A CN 116541608 B CN116541608 B CN 116541608B
- Authority
- CN
- China
- Prior art keywords
- expression table
- embedded expression
- user
- mixed
- dimensional
- 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 63
- 230000014509 gene expression Effects 0.000 claims abstract description 250
- 230000017105 transposition Effects 0.000 claims abstract description 31
- 238000011176 pooling Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000005034 decoration Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 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
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及计算机技术领域,提供了一种房源推荐方法、装置、电子设备及存储介质。该方法包括:获取输入样本,输入样本包括用户标识、用户特征、房源标识和房源特征;基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表;对三维嵌入表达表进行转置操作,分别得到第一转置三维嵌入表达表,第二转置三维嵌入表达表和第三转置三维嵌入表达表;对第一、第二和第三转置三维嵌入表达表分别进行序列混合处理,得到第一、第二和第三混合嵌入表达表;将第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行平均池化处理,得到输出序列;基于输出序列确定向用户推荐的房源。该方法能提高房源推荐效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种房源推荐方法、装置、电子设备及存储介质。
背景技术
房屋租售应用(APP)作为渗透二手房、租房的业务场景,在当前线上购房、租房渗透率逐渐升高的背景下,可以协助线上线下共同推广获客的经营模式,提高房屋租售效率。例如,可以将整个App产品在业务环节中的定位为线上获客,目标是提升线上成交量。为提升线上APP的用户体验,提升用户浏览时长和用户留存,可以借助推荐服务,帮助用户快速定位意向房源,了解当前app内的房源生态,为用户提供良好的房源浏览体验。
因此,如何提高房源推荐的精度,是需要解决的技术问题。
发明内容
有鉴于此,本申请实施例提供了一种房源推荐方法、装置、电子设备及存储介质,以解决现有技术中传统推荐算法直接应用于地产领域精度不够的问题。
本申请实施例的第一方面,提供了一种房源推荐方法,包括:获取输入样本,输入样本包括用户标识、用户特征、房源标识和房源特征;基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,三维嵌入表达表的三个维度分别为序列、通道和特征;对三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表;对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表;将第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行平均池化处理,得到输出序列;基于输出序列确定向用户推荐的房源。
本申请实施例的第二方面,提供了一种房源推荐装置,包括:获取模块,被配置为获取输入样本,输入样本包括用户标识、用户特征、房源标识和房源特征;构建模块,被配置为基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,三维嵌入表达表的三个维度分别为序列、通道和特征;转置模块,被配置为对三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表;混合模块,被配置为对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表;池化模块,被配置为将第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行池化处理,得到输出序列;确定模块,被配置为基于输出序列确定向用户推荐的房源。
本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:通过构建包含用户标识、用户特征、房源标识和房源特征的三维嵌入表达表,对所述三维嵌入表达表进行转置处理后,并行进行序列混合、通道混合和特征混合处理,并将三种混合处理结果经平均池化处理后,得到输出序列,以根据该输出序列确定推荐房源。该方法能够提高房源推荐的速度和准确度,进而提高推荐效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是RNN-Based序列推荐算法的流程图。
图2是本申请实施例提供的一种房源推荐方法的流程示意图。
图3是本申请实施例提供的一种三维嵌入表达表的示意图。
图4是本申请实施例提供的一种基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表的方法的流程图。
图5是本申请实施例提供的一种对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表的方法的示意图。
图6是本申请实施例提供的一种基于输出序列确定向用户推荐的房源的方法的流程图。
图7是本申请实施例提供的一种房源推荐方法的流程图。
图8是实现本申请实施例提供的房源推荐方法的部分模型的示意图。
图9是本申请实施例提供的一种房源推荐装置的示意图。
图10是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
上文提及,房屋租售应用APP作为渗透二手房、租房的业务场景,在当前线上购房、租房渗透率逐渐升高的背景下,可以协助线上线下共同推广获客的经营模式,提高房屋租售效率。例如,可以将整个App产品在业务环节中的定位为线上获客,目标是提升线上成交量。为提升线上APP的用户体验,提升用户浏览时长和用户留存,可以借助推荐服务,帮助用户快速定位意向房源,了解当前app内的房源生态,为用户提供良好的房源浏览体验。
序列推荐算法是常用的推荐算法,包括基于卷积神经网络(ConvolutionalNeuralNetworks-Based,CNN-Based)的序列推荐算法,以及基于循环神经网络(RecurrentNeural Networks-Based,RNN-Based)的序列推荐算法。这些算法通过从用户历史行为序列中挖掘序列模,来捕捉到用户行为序列中的长期依赖关系和时间关系,并利用预测损失来学习模型参数或者嵌入表征,从而提高推荐的准确性。其中,RNN-Based序列推荐算法的实现流程如图1所示:
在步骤S101中,输入表示。
输入表示包括,将输入的文本、音乐、视频等序列表示成一个矩阵,其中每行表示一个时间步,每列表示一个特征。
在步骤S102中,通过卷积层提取输入序列的特征。
可以通过一系列的卷积层来提取输入序列的局部特征,每个卷积层由多个卷积核组成,每个卷积核会对输入矩阵中的一部分进行卷积操作,提取出该部分的局部特征。具体的,卷积操作可以通过滑动窗口实现。
在步骤S103中,通过池化层进一步提取输入序列的特征。
在卷积层之后,可以使用池化层来进一步提取输入序列的特征。池化层通常采用最大池化或平均池化的方式,从每个卷积核的输出中选择最大值或者平均值作为该卷积核的输出。
在步骤S104中,通过展开层对池化层的输出进行展开处理。
例如,可以将池化层的输出展开成一维向量,作为全连接层的输入。
在步骤S105中,通过全连接层对提取的输入序列的特征进行组合和分类。
在全连接层中,可以使用多个全连接层来提高模型的表示能力,其中每个全连接层都可以包含多个神经元。全连接层可用于实现输入序列的特征组合和分类。
在步骤S106中,通过输出层输出推荐结果。
输出层的输出结果可以根据实际使用中,具体的任务要求确定。例如在文本推荐任务中,可以使用归一化指数函数(softmax)层来输出每个词的概率,选择概率最高的词作为推荐结果。
通过以上过程,CNN-Based 序列推荐模型可以学习到输入序列的局部和全局特征,并能够有效地处理不同长度的序列。在训练时,可以使用反向传播算法来更新模型参数,使得模型能够更好地适应训练数据。在预测时,可以将输入序列送入模型中,根据模型的输出进行推荐。
然而,传统的CNN-Based序列推荐算法和RNN-Based序列推荐算法在从用户历史行为序列中挖掘序列模的过程中,依赖位置嵌入表达(embedding)来保留特征间的顺序关系,但位置embedding并没有提供任何与商品特征有关的信息。当将上述推荐算法应用于房源推荐时,这种处理方式可能会破坏房源embedding的语义。也就是说,现有序列推荐算法大多假设位置embedding所表达的顺序依赖性仅存在于房源embedding中,而忽略了它们在房源特征中的存在。尤其是房源本身可能会随着时间的推移而发生变化的特征,无法在房源embedding中准确表达,这将导致房源特征的泛化能力差,推荐精度不高,推荐效果不佳。
鉴于此,本申请实施例提供了一种房源推荐方法,通过构建包含用户标识、用户特征、房源标识和房源特征的三维嵌入表达表,对所述三维嵌入表达表进行转置处理后,并行进行序列混合、通道混合和特征混合处理,并将三种混合处理结果经平均池化处理后,得到输出序列,以根据该输出序列确定推荐房源。该方法能够提高房源推荐的速度和准确度,进而提高推荐效率。
图2是本申请实施例提供的一种房源推荐方法的流程示意图。如图2所示,该房源推荐方法包括如下步骤:
在步骤S201中,获取输入样本。
其中,输入样本包括用户标识、用户特征、房源标识和房源特征。
在步骤S202中,基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表。
其中,三维嵌入表达表的三个维度分别为序列、通道和特征。
在步骤S203中,对三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表。
在步骤S204中,对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表。
在步骤S205中,将第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行平均池化处理,得到输出序列。
在步骤S206中,基于输出序列确定向用户推荐的房源。
本申请实施例中,该房源推荐方法可以由终端设备或服务器执行。其中,终端设备可以是硬件,也可以是软件。当终端设备为硬件时,其可以是具有显示屏且支持与服务器通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等;当终端设备为软件时,其可以安装在如上所述的电子设备中。终端设备可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本申请实施例对此不作限制。服务器可以是提供各种服务的服务器。服务器可以是一台服务器,也可以是由若干台服务器组成的服务器集群,或者还可以是一个云计算服务中心,本申请实施例对此不作限制。服务器可以是硬件,也可以是软件。当服务器为硬件时,其可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时,其可以是为终端设备提供各种服务的多个软件或软件模块,也可以是为终端设备提供各种服务的单个软件或软件模块,本申请实施例对此不作限制。
本申请实施例中,可以获取输入样本。其中,输入样本可以包括用户标识、用户特征、房源标识和房源特征。进一步的,用户标识可以包括用户ID,用户特征可以包括用户基本信息、用户偏好信息、用户线上行为特征以及用户线下行为特征等。房源标识可以包括房源ID,房源特征可以包括房源基本信息、房源质量特征以及房源供需特征等。
本申请实施例中,可以基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,三维嵌入表达表的三个维度分别为序列、通道和特征。图3是本申请实施例提供的一种三维嵌入表达表的示意图,如图3所示,该三维嵌入表达表的x轴方向可以代表通道,Y轴方向可以代表特征,Z轴方向可以代表序列。可以理解的是,X、Y和Z轴代表的内容可以根据需要调整,此处不做限制。
本申请实施例中,可以对三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表。也就是说,可以对图3所示三维嵌入表达表进行转置操作,分别得到第一、第二和第三转置三维嵌入表达表。其中,第一转置三维嵌入表达表的X轴代表序列,第二转置三维嵌入表达表的X轴代表通道,第三转置三维嵌入表达表的X轴代表特征。可以理解的是,当三维嵌入表达表的X轴代表通道时,可以直接将该三维嵌入表达表作为第二转置三维嵌入表达表,而无需额外进行转置操作。三维嵌入表达表的X轴代表序列和特征时类似,此处不再赘述。
本申请实施例中,可以对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表。
进一步的,还可以将第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行平均池化处理,得到输出序列。更进一步的,基于输出序列确定向用户推荐的房源。
根据本申请实施例提供的技术方案,通过构建包含用户标识、用户特征、房源标识和房源特征的三维嵌入表达表,对所述三维嵌入表达表进行转置处理后,并行进行序列混合、通道混合和特征混合处理,并将三种混合处理结果经平均池化处理后,得到输出序列,以根据该输出序列确定推荐房源。该方法能够提高房源推荐的速度和准确度,进而提高推荐效率。
本申请实施例中,用户基本信息包括以下中的至少之一:用户ID、年龄、性别、所属城市、会员等级、会员积分。用户偏好信息包括以下中的至少之一:地段、户型、价格、装修、房龄、城市、是否学区房。用户线上行为特征包括以下中的至少之一:点击、关注、线上咨询、分享。用户线下行为特征包括以下中的至少之一:到访线下门店、带看、签约、违约。
本申请实施例中,房源基本信息包括以下中的至少之一:房源ID、小区位置、面积、朝向、楼层、总楼层。房源质量特征包括以下中的至少之一:新旧程度、装修水平、设施完善度。房源供需特征包括以下中的至少之一:上架时间、浏览量、关注度、成交率。
图4是本申请实施例提供的一种基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表的方法的流程图。如图4所示,该方法包括如下步骤:
在步骤S401中,学习编码查找表,将用户标识和用户特征投射到密集向量表达中。
在步骤S402中,将用户标识和用户特征叠加到第一嵌入表达表中。
其中,第一嵌入表达表中,行表示用户特征,列表示通道。
在步骤S403中,学习编码查找表,将房源标识和房源特征投射到密集向量表达中。
在步骤S404中,将房源标识和房源特征叠加到第二嵌入表达表中。
其中,第二嵌入表达表中,行表示房源特征,列表示通道。
在步骤S405中,将第一嵌入表达表和N个房源对应的第二嵌入表达表叠加,得到三维嵌入表达表。
其中,N为正整数。
本申请实施例中,可以将用户标识和用户特征叠加至第一嵌入表达表中,并将房源标识和房源特征叠加至第二嵌入表达表中。其中,第二嵌入表达表可以有多个,每一第二嵌入表达表对应一个房源。例如,第二嵌入表达表可以为N个,N是用于为用户推荐房源的APP所能获取的所有房源的数量。
本申请实施例中,将第一嵌入表达表与N个第二嵌入表达表叠加,可以得到三维嵌入表达表。三维嵌入表达表的具体结构可以如图3所示,此处不再赘述。
根据本申请实施例提供的技术方案,通过将由用户标识和用户特征构成的第一嵌入表达表,与由房源标识和房源特征构成的第二嵌入表达表叠加组成三维嵌入表达表,能够为推荐算法提供更丰富的输入特征,提高推荐精度。
本申请实施例中,对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,可以通过以下方式实现:对第一转置三维嵌入表达表中的序列进行混合重编码,得到第一混合嵌入表达表,第一混合嵌入表达表与第一转置三维嵌入表达表具有相同的维度,且第一混合嵌入表达表与第一转置三维嵌入表达表中的序列具有不同的顺序。
图5是本申请实施例提供的一种对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表的方法的示意图。如图5所示,可以通过一个多层感知机(Multilayer Perceptron,MLP)构成的序列混合器(Sequence Mixer)模块对第一转置三维嵌入表达表进行序列混合处理。其中,MLP模块的输入为第一转置三维嵌入表达表,其中三个维度分别为序列,通道和特征。需要说明的是,特征维度在图中未示出。该第一转置三维嵌入表达表的输入特征为xt,其中xt包括,其中,C为密集向量表达的维度,S表示S行向量,1<=t<=S,C、S和t均为正整数。
将xt输入MLP模块,可以在固定通道固定特征的前提下,改变1至C中每个密集向量表达维度下,1至S的序列的顺序,并使改变后的顺序能够体现用户兴趣随时间的变化。具体的,MLP模块的输出可以通过下式计算得到:
;
其中,yt为用作序列混合的MLP模块的输出,gl为用作序列混合的MLP模块中第l层的非线性激活函数,,表示用作序列混合的MLP模块的第一个线性全连接层的可学习参数,rS为用作序列混合的MLP模块的每一层神经元数量,/>,表示用作序列混合的MLP模块的第二个线性全连接层的可学习参数,LayerNorm为归一化处理符号。
也就是说,输入特征xt在输入MLP模块后,首先经归一化(LayerNorm)处理,然后与矩阵W1相乘,再经过非线性激活函数(Activation)变换后与矩阵W2相乘,最后进行残差处理(Residual Connection),加上原始的输入特征xt,从而得到输出特征yt。
其中,输出特征yt与输入特征xt具有相同的维度,其可以包括。但是,输出特征yt中,所有的顺序依赖都融合在每个输出序列中,它们之间存在顺序,可以表示用户兴趣随时间的演变,从而使序列混合器对顺序敏感。
可以理解的是,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表的实现方式,以及对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表的实现方式,与上述对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表的实现方式类似,此处不再赘述。
进一步的,序列混合、通道混合和特征混合的处理可以并行进行,将三种混合处理结果进行平均池化处理,可以得到输出序列。一示例中,若将序列混合处理后得到的第一混合嵌入表达表用Y1表示,若将通道混合处理后得到的第二混合嵌入表达表用Y2表示,若将特征混合处理后得到的第三混合嵌入表达表用Y3表示,则输出序列Y可以表示为:Y =avgpooling(Y1, Y2, Y3),其中,avgpooling为平均池化处理函数。
图6是本申请实施例提供的一种基于输出序列确定向用户推荐的房源的方法的流程图。如图6所示,该方法包括如下步骤:
在步骤S601中,基于输出序列确定序列中所有房源的相似度。
在步骤S602中,对房源的相似度进行排序,确定前N个房源为向用户推荐的房源。
本申请实施例中,输出序列可以是一个隐藏状态的序列,其中融合了每个交互的顺序依赖性,例如用户线上行为特征与线下行为特征的顺序依赖性,跨通道依赖性,例如新上房源对旧房源的影响,以及例如特征依赖性,例如某房源关注度与价格之间的依赖性等。根据该隐藏状态的序列,可以确定出序列中所有房源的相似度。通过对所述房源的相似度进行排序,确定前N个房源为向用户推荐的房源。在一些实施方式中,也可以预设相似度阈值,将对序列中相似度大于相似度阈值的房源推荐给用户。
图7是本申请实施例提供的一种房源推荐方法的流程图。其中,图7所示实施例的步骤S701和S706-S709与图2所示实施例中的步骤S201和S203-S206相同,此处不再赘述。如图7所示,该方法还包括如下步骤:
在步骤S702中,确定输入样本中正样本和负样本。
其中,正样本包括用户点击过的房源的房源标识和房源特征,负样本包括用户未点击过的房源的房源标识和房源特征。
在步骤S703中,对负样本进行降采样处理。
在步骤S704中,确定正样本和降采样处理后的负样本为新的输入样本。
在步骤S705中,基于新的输入样本中的用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表。
在为用户进行房源推荐时,由于样本数据中的房源数量众多,大部分房源都是用户不关心的,这些房源作为样本输入会导致样本比例失衡,进而导致模型训练不充分。鉴于此,本申请实施例中,可以将样本区分为正样本和负样本,其中正样本包括用户点击过的房源的房源标识和房源特征,负样本包括用户未点击过的房源的房源标识和房源特征。对负样本可以进行降采样处理,例如采用正负样本1:K的比例进行降采样,从而构成新的输入样本。其中,K为正整数,一示例中,K可以取20。
根据本申请实施例提供的技术方案,通过将输入样本区分为正样本和负样本,并对负样本进行降采样处理,基于正样本和降采样后的负样本构成新的输入样本,能够提高输入样本与推荐任务的契合度,提升推荐精度。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
图8是实现本申请实施例提供的房源推荐方法的部分模型的示意图。本申请提供的房源推荐方法结合正负样本比例失衡的特点,对原始数据集增加负采样技术,并使用MLP架构完成序列推荐任务,其中MLP的核心部分共包含L层,每一层都设置有一个序列混合器、一个通道混合器和一个特征混合器。该L层的参数是共享的,以保证模型的复杂度不会太高,能有效提升训练和推理效率。
如图8所示,可以基于该模型进行房源推荐。具体的,可以首先获取样本数据,其中样本数据中的负样本经过了降采样处理。将样本数据中的用户标识、用户特征、房源标识和房源标识都进行嵌入表达,得到一个三维嵌入表达表。接下来,将该三维嵌入表达表进行转置处理,并将转置后的三维嵌入表达表分别输入序列混合器、通道混合器和特征混合器,进行并行混合处理。其中,输入至序列混合器的三维嵌入表达表的第一维度为序列,输入至通道混合器的三维嵌入表达表的第一维度为通道,输入至特征嵌入表达表的第一维度为特征。
在使用各混合器对输入的三维嵌入表达表进行混合处理时,可以首先将输入特征混合器,经归一化(LayerNorm)处理后与矩阵W1相乘,再经过非线性激活函数(Activation)变换后与矩阵W2相乘,最后进行残差处理,得到输出特征,该输出特征也可成为结果矩阵。将三个混合器输出的结果矩阵进行池化特征混合,可以得到输出序列Y。
进一步的,模型在训练时,可以使用常见的序列推荐方式,采用交叉熵损失函数作为模型的训练损失函数。在基于模型确定推荐房源时,可以使用经过L层的隐向量和候选商品的向量求内积或者余弦相似度获得决定是否推荐该房源。
本申请实施例提供的房源推荐模型,对用户标识、房源标识以及特征进行三向融合,显式地学习时间信息、房源在不同维度的信息、房源特征之间的相关性信息,可以实现基于房源语义的建模,并连贯地捕获顺序、跨通道和跨特征相关性,从多个维度、多个角度综合考虑用户对商品的兴趣,提升个性化推荐的效果,提高推荐的准确性和效率。
进一步的,该模型的各层设置相同,均包括一个序列混合器、一个通道混合器和一个特征混合器。所有层都共享参数来减少模型参数量,每一层中都是先对特征使用序列混合器和通道混合器,学习唯一的表征,然后使用特征混合器学习特征之间的关系,极大的降低了学习的时间,提升学习效率。
更进一步的,该模型可以自适应地学习房源信息的表示,即在训练过程中自动学习哪些房源特征对于推荐更重要,从而更好地捕捉房源之间的关系,其泛化能力和新场景的适应能力更强,鲁棒性提升。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图9是本申请实施例提供的一种房源推荐装置的示意图。如图9所示,该房源推荐装置包括:
获取模块901,被配置为获取输入样本,输入样本包括用户标识、用户特征、房源标识和房源特征。
构建模块902,被配置为基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表。
其中,三维嵌入表达表的三个维度分别为序列、通道和特征。
转置模块903,被配置为对三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表。
混合模块904,被配置为对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表。
池化模块905,被配置为将第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行池化处理,得到输出序列。
确定模块906,被配置为基于输出序列确定向用户推荐的房源。
本申请实施例中,用户特征包括用户基本信息、用户偏好信息、用户线上行为特征以及用户线下行为特征;房源特征包括房源基本信息、房源质量特征以及房源供需特征。
本申请实施例中,用户基本信息包括以下中的至少之一:用户ID、年龄、性别、所属城市、会员等级、会员积分;用户偏好信息包括以下中的至少之一:地段、户型、价格、装修、房龄、城市、是否学区房;用户线上行为特征包括以下中的至少之一:点击、关注、线上咨询、分享;用户线下行为特征包括以下中的至少之一:到访线下门店、带看、签约、违约。房源基本信息包括以下中的至少之一:房源ID、小区位置、面积、朝向、楼层、总楼层、价格;房源质量特征包括以下中的至少之一:新旧程度、装修水平、设施完善度;房源供需特征包括以下中的至少之一:上架时间、浏览量、关注度、成交率。
本申请实施例中,基于用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,包括:学习编码查找表,将用户标识和用户特征投射到密集向量表达中;将用户标识和用户特征叠加到第一嵌入表达表中,其中,第一嵌入表达表中,行表示用户特征,列表示通道;学习编码查找表,将房源标识和房源特征投射到密集向量表达中;将房源标识和房源特征叠加到第二嵌入表达表中,其中,第二嵌入表达表中,行表示房源特征,列表示通道;将第一嵌入表达表和N个房源对应的第二嵌入表达表叠加,得到三维嵌入表达表,N为正整数。
本申请实施例中,对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,包括:对第一转置三维嵌入表达表中的序列进行混合重编码,得到第一混合嵌入表达表,第一混合嵌入表达表与第一转置三维嵌入表达表具有相同的维度,且第一混合嵌入表达表与第一转置三维嵌入表达表中的序列具有不同的顺序。对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,包括:对第二转置三维嵌入表达表中的通道进行混合重编码,得到第二混合嵌入表达表,第二混合嵌入表达表与第二转置三维嵌入表达表具有相同的维度,且第二混合嵌入表达表与第二转置三维嵌入表达表中的通道具有不同的顺序。对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表,包括:对第三转置三维嵌入表达表中的特征进行混合重编码,得到第三混合嵌入表达表,第三混合嵌入表达表与第三转置三维嵌入表达表具有相同的维度,且第三混合嵌入表达表与第三转置三维嵌入表达表中的特征具有不同的顺序。
本申请实施例中,基于输出序列确定向用户推荐的房源,包括:基于输出序列确定序列中所有房源的相似度;对房源的相似度进行排序,确定前N个房源为向用户推荐的房源。
本申请实施例中,方法还包括:确定输入样本中正样本和负样本,其中,正样本包括用户点击过的房源的房源标识和房源特征,负样本包括用户未点击过的房源的房源标识和房源特征;对负样本进行降采样处理;确定正样本和降采样处理后的负样本为新的输入样本。
根据本申请实施例提供的技术方案,能够提高房源推荐的速度和准确度,进而提高推荐效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图10是本申请实施例提供的一种电子设备的示意图。如图10所示,该实施例的电子设备10包括:处理器1001、存储器1002以及存储在该存储器1002中并且可在处理器1001上运行的计算机程序1003。处理器1001执行计算机程序1003时实现上述各个方法实施例中的步骤。或者,处理器1001执行计算机程序1003时实现上述各装置实施例中各模块/单元的功能。
电子设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备10可以包括但不仅限于处理器1001和存储器1002。本领域技术人员可以理解,图10仅仅是电子设备10的示例,并不构成对电子设备10的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器1001可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器1002可以是电子设备10的内部存储单元,例如,电子设备10的硬盘或内存。存储器1002也可以是电子设备10的外部存储设备,例如,电子设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。存储器1002还可以既包括电子设备10的内部存储单元也包括外部存储设备。存储器1002用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种房源推荐方法,其特征在于,包括:
获取输入样本,所述输入样本包括用户标识、用户特征、房源标识和房源特征;
确定所述输入样本中正样本和负样本,其中,所述正样本包括用户点击过的房源的房源标识和房源特征,所述负样本包括用户未点击过的房源的房源标识和房源特征;
对所述负样本进行降采样处理;
确定所述正样本和降采样处理后的负样本为新的输入样本;
基于所述新的输入样本中的用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,所述三维嵌入表达表的三个维度分别为序列、通道和特征;
对所述三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表;
对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表;
将所述第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行平均池化处理,得到输出序列;
基于所述输出序列确定向用户推荐的房源;
其中,所述用户特征包括用户基本信息、用户偏好信息、用户线上行为特征以及用户线下行为特征;
所述房源特征包括房源基本信息、房源质量特征以及房源供需特征;
所述用户基本信息包括以下中的至少之一:用户ID、年龄、性别、所属城市、会员等级、会员积分;
所述用户偏好信息包括以下中的至少之一:地段、户型、价格、装修、房龄、城市、是否学区房;
所述用户线上行为特征包括以下中的至少之一:点击、关注、线上咨询、分享;
所述用户线下行为特征包括以下中的至少之一:到访线下门店、带看、签约、违约;
所述房源基本信息包括以下中的至少之一:房源ID、小区位置、面积、朝向、楼层、总楼层、价格;
所述房源质量特征包括以下中的至少之一:新旧程度、装修水平、设施完善度;
所述房源供需特征包括以下中的至少之一:上架时间、浏览量、关注度、成交率。
2.根据权利要求1所述的方法,其特征在于,所述基于所述用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,包括:
学习编码查找表,将用户标识和用户特征投射到密集向量表达中;
将用户标识和用户特征叠加到第一嵌入表达表中,其中,第一嵌入表达表中,行表示用户特征,列表示通道;
学习编码查找表,将房源标识和房源特征投射到密集向量表达中;
将房源标识和房源特征叠加到第二嵌入表达表中,其中,第二嵌入表达表中,行表示房源特征,列表示通道;
将第一嵌入表达表和N个房源对应的第二嵌入表达表叠加,得到所述三维嵌入表达表,N为正整数。
3.根据权利要求1所述的方法,其特征在于,所述对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,包括:
对所述第一转置三维嵌入表达表中的序列进行混合重编码,得到第一混合嵌入表达表,所述第一混合嵌入表达表与所述第一转置三维嵌入表达表具有相同的维度,且第一混合嵌入表达表与所述第一转置三维嵌入表达表中的序列具有不同的顺序;
所述对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,包括:
对所述第二转置三维嵌入表达表中的通道进行混合重编码,得到第二混合嵌入表达表,所述第二混合嵌入表达表与所述第二转置三维嵌入表达表具有相同的维度,且第二混合嵌入表达表与所述第二转置三维嵌入表达表中的通道具有不同的顺序;
所述对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表,包括:
对所述第三转置三维嵌入表达表中的特征进行混合重编码,得到第三混合嵌入表达表,所述第三混合嵌入表达表与所述第三转置三维嵌入表达表具有相同的维度,且第三混合嵌入表达表与所述第三转置三维嵌入表达表中的特征具有不同的顺序。
4.根据权利要求1所述的方法,其特征在于,所述基于所述输出序列确定向用户推荐的房源,包括:
基于所述输出序列确定序列中所有房源的相似度;
对所述房源的相似度进行排序,确定前N个房源为向用户推荐的房源。
5.一种房源推荐装置,其特征在于,包括:
获取模块,被配置为获取输入样本,所述输入样本包括用户标识、用户特征、房源标识和房源特征;
构建模块,被配置为确定所述输入样本中正样本和负样本,其中,所述正样本包括用户点击过的房源的房源标识和房源特征,所述负样本包括用户未点击过的房源的房源标识和房源特征;
对所述负样本进行降采样处理;
确定所述正样本和降采样处理后的负样本为新的输入样本;
基于所述新的输入样本中的用户标识、用户特征、房源标识和房源特征构建三维嵌入表达表,所述三维嵌入表达表的三个维度分别为序列、通道和特征;
转置模块,被配置为对所述三维嵌入表达表进行转置操作,分别得到第一维度为序列的第一转置三维嵌入表达表,第一维度为通道的第二转置三维嵌入表达表和第一维度为特征的第三转置三维嵌入表达表;
混合模块,被配置为对第一转置三维嵌入表达表进行序列混合处理,得到第一混合嵌入表达表,对第二转置三维嵌入表达表进行通道混合处理,得到第二混合嵌入表达表,对第三转置三维嵌入表达表进行特征混合处理,得到第三混合嵌入表达表;
池化模块,被配置为将所述第一混合嵌入表达表、第二混合嵌入表达表和第三混合嵌入表达表进行池化处理,得到输出序列;
确定模块,被配置为基于所述输出序列确定向用户推荐的房源;
其中,所述用户特征包括用户基本信息、用户偏好信息、用户线上行为特征以及用户线下行为特征;
所述房源特征包括房源基本信息、房源质量特征以及房源供需特征;
所述用户基本信息包括以下中的至少之一:用户ID、年龄、性别、所属城市、会员等级、会员积分;
所述用户偏好信息包括以下中的至少之一:地段、户型、价格、装修、房龄、城市、是否学区房;
所述用户线上行为特征包括以下中的至少之一:点击、关注、线上咨询、分享;
所述用户线下行为特征包括以下中的至少之一:到访线下门店、带看、签约、违约;
所述房源基本信息包括以下中的至少之一:房源ID、小区位置、面积、朝向、楼层、总楼层、价格;
所述房源质量特征包括以下中的至少之一:新旧程度、装修水平、设施完善度;
所述房源供需特征包括以下中的至少之一:上架时间、浏览量、关注度、成交率。
6.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310806906.1A CN116541608B (zh) | 2023-07-04 | 2023-07-04 | 房源推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310806906.1A CN116541608B (zh) | 2023-07-04 | 2023-07-04 | 房源推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541608A CN116541608A (zh) | 2023-08-04 |
CN116541608B true CN116541608B (zh) | 2023-10-03 |
Family
ID=87456262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310806906.1A Active CN116541608B (zh) | 2023-07-04 | 2023-07-04 | 房源推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541608B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910373B (zh) * | 2023-09-12 | 2023-12-12 | 深圳须弥云图空间科技有限公司 | 房源推荐方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN114328817A (zh) * | 2021-11-24 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 一种文本处理方法和装置 |
CN115630188A (zh) * | 2022-09-21 | 2023-01-20 | 清华大学 | 视频推荐方法、装置及电子设备 |
CN115982452A (zh) * | 2022-12-19 | 2023-04-18 | 中国平安人寿保险股份有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210365965A1 (en) * | 2020-05-25 | 2021-11-25 | Microsoft Technology Licensing, Llc | Self-supervised system generating embeddings representing sequenced activity |
-
2023
- 2023-07-04 CN CN202310806906.1A patent/CN116541608B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN114328817A (zh) * | 2021-11-24 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 一种文本处理方法和装置 |
CN115630188A (zh) * | 2022-09-21 | 2023-01-20 | 清华大学 | 视频推荐方法、装置及电子设备 |
CN115982452A (zh) * | 2022-12-19 | 2023-04-18 | 中国平安人寿保险股份有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116541608A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11227190B1 (en) | Graph neural network training methods and systems | |
KR102240662B1 (ko) | 광역 및 심층 기계 학습 모델들 | |
CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN111985622A (zh) | 一种图神经网络训练方法和系统 | |
CN116541608B (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
US20220138502A1 (en) | Graph neural network training methods and systems | |
CN116204729B (zh) | 一种基于超图神经网络的跨领域群组智能推荐方法 | |
CN111444335B (zh) | 中心词的提取方法及装置 | |
CN114358111A (zh) | 对象聚类模型的获取方法、对象聚类方法及装置 | |
CN116562357A (zh) | 点击预测模型训练方法及装置 | |
CN116401522A (zh) | 一种金融服务动态化推荐方法和装置 | |
US20220358366A1 (en) | Generation and implementation of dedicated feature-based techniques to optimize inference performance in neural networks | |
CN113450167A (zh) | 一种商品推荐方法和装置 | |
Tripathi et al. | Discriminating lysosomal membrane protein types using dynamic neural network | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN117392260B (zh) | 一种图像生成方法及装置 | |
CN116541716B (zh) | 基于序列图和超图的推荐模型训练方法及装置 | |
CN116911955B (zh) | 目标推荐模型的训练方法及装置 | |
CN117454016B (zh) | 基于改进点击预测模型的对象推荐方法及装置 | |
CN113496304B (zh) | 网络媒介信息的投放控制方法、装置、设备及存储介质 | |
US11966405B1 (en) | Inferring brand similarities using graph neural networks and selection prediction | |
CN118013113A (zh) | 对象列表推荐方法、装置、电子设备及可读存储介质 | |
CN117893279A (zh) | 一种对象推荐的方法和装置 | |
CN117493666A (zh) | 物品冷启动推荐方法和物品冷启动推荐模型训练方法 | |
CN117076930A (zh) | 训练样本处理方法、异常交易检测方法、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 |