CN116562992B - 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 - Google Patents
一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 Download PDFInfo
- Publication number
- CN116562992B CN116562992B CN202310845818.2A CN202310845818A CN116562992B CN 116562992 B CN116562992 B CN 116562992B CN 202310845818 A CN202310845818 A CN 202310845818A CN 116562992 B CN116562992 B CN 116562992B
- Authority
- CN
- China
- Prior art keywords
- interest
- user
- term
- uncertainty
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003993 interaction Effects 0.000 claims abstract description 53
- 230000007774 longterm Effects 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012512 characterization method Methods 0.000 claims description 26
- 239000002775 capsule Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- RPNUMPOLZDHAAY-UHFFFAOYSA-N Diethylenetriamine Chemical compound NCCNCCN RPNUMPOLZDHAAY-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network 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
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (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
本发明公开了一种建模用户新兴趣不确定性的物品推荐方法、装置及介质,该物品推荐方法包括以下步骤:提取用户稳定的长期兴趣、利用所述若干个兴趣聚类中心计算用户的每个历史交互信息的兴趣不确定性、利用短期兴趣提取器Uncertain‑GRU建模用户的短期兴趣向量、结合用户的长、短期兴趣向量对目标商品进行打分,得到最终推荐列表结果。本发明可以更好地推荐用户当前感兴趣的商品,使用户对推荐结果的满意度提升。
Description
技术领域
本发明涉及数据处理系统或方法领域,具体的说是一种建模用户新兴趣不确定性的物品推荐方法、装置及介质。
背景技术
在工业界推荐系统中,尤其是电商、短视频等场景下,用户往往产生海量交互,如何准确建模用户兴趣是各大互联网公司争相研究的热点。早期的推荐系统模型关注对特征交互的充分建模,如只建模特征一阶交互的FM模型,对特征域进行划分后在各自域内分别进行特征交互的FFM模型,以及利用神经网络提取特征高阶交互并与建模特征低阶交互的FM模型相融合的DeepFM等。然而特征因子本身提供的信息有限,且用户兴趣变化较快,为了更精细且全面的刻画用户兴趣,有部分工作着眼于对用户历史交互序列进行建模,利用用户的历史交互信息挖掘用户潜在兴趣。为了建模用户的历史交互序列并提取信息,研究者们尝试了大量网络结构。如利用卷积神经网络的CASER模型,利用门控循环神经网络的GRU4Rec模型,以及利用自注意力机制的SASRec模型等等。在推荐系统的实际应用场景中,用户兴趣往往是快速变化的,而用户产生的新兴趣往往与近期交互历史相差较大,由于当前序列推荐模型缺乏对用户是否产生新兴趣的建模,因此模型并不会对用户产生的新兴趣给予重视,甚至会忽略掉这个重要信息。
为了探索用户新兴趣,工业界往往采用手工策略对用户投放新颖内容,希望模型可以逐渐捕捉到用户兴趣发生变化,这种方式往往需要用户对新兴趣产生较多点击后才能起到作用,然而由于初始阶段,模型没有注意到用户新兴趣的产生,因此将极少推荐与用户新兴趣相符的物品,会损失大量收益。除此之外,手工策略也难以进行调优。
为了充分挖掘用户新兴趣,我们设计了一种建模用户新兴趣的物品推荐方法,通过用户历史交互兴趣不确定性的刻画,定量的描述了哪些历史交互代表了用户的新兴趣,并利用兴趣不确定性指导模型产生推荐结果,使得指导模型在推荐过程中更加关注用户新兴趣。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种建模用户新兴趣不确定性的物品推荐方法、装置及介质,可以更好地推荐用户当前感兴趣的商品,使用户对推荐结果的满意度提升。
本发明为达到上述发明目的,采用如下技术方案:
第一方面,本发明提供了一种建模用户新兴趣不确定性的物品推荐方法,该图像分类方法包括以下步骤:
S1,提取用户稳定的长期兴趣,利用若干个兴趣聚类中心表示用户不同的兴趣点,再利用胶囊网络机制获得用户的兴趣聚类中心,每个兴趣聚类中心表示用户的一种长期兴趣;
S2,利用所述若干个兴趣聚类中心计算用户的每个历史交互信息的兴趣不确定性,若兴趣不确定性高,则该历史交互信息不属于任意一个兴趣聚类中心,应重点关注该历史交互信息;
S3,利用短期兴趣提取器Uncertain-GRU,结合每个历史交互信息与所述重点关注的历史交互信息对应的兴趣不确定性,建模用户的短期兴趣向量;
S4,结合用户的长、短期兴趣向量对目标商品进行打分,最后根据打分对待推荐列表进行排序,并得到最终推荐列表结果。
更进一步地,所述历史交互信息的数据集为D,,其中n为数据集大小,每个四元组中u、v、s、y分别表示用户、商品、该用户的历史交互序列,以及对应的标签,则标签/>表示为四元组中的用户是否对对应的商品发生交互,且,历史交互序列/>表示为/>,且N为历史交互序列长度,用户/>进行向量化表示为/>,商品/>向量化表示为/>,且d表示用户商品表征维度。
更进一步地,所述步骤S1中,提取用户稳定的长期兴趣具体包括以下步骤:利用兴趣聚类中心充分表征用户的长期兴趣,从商品序列表征矩阵通过胶囊网络计算获得用户的兴趣聚类中心,商品序列表征矩阵表示为/>,胶囊网络计算过程表达如下:随机初始化变量集合/>,其中,M为胶囊网络输出胶囊个数,r为迭代轮次,/>为胶囊投影矩阵,并按以下操作循环r次:
对每个i计算;
对每个j计算;
对每个j计算;
对每个i,每个j计算 ;
返回兴趣聚类中心表征集合。
更进一步地,所述兴趣聚类中心通过辅助模型训练以进一步表征用户的长期兴趣,利用attention机制聚合兴趣聚类中心为长期兴趣表征,再计算辅助损失函数,聚合兴趣聚类中心计算过程表达为:
;
;
;
其中,辅助损失函数计算过程表达为:
;
;
其中,用户兴趣查询表征表示为/>,/>为线性神经网络模型,/>表示长期兴趣表征。
更进一步地,设置正则辅助损失函数以帮助解耦不同的所述兴趣聚类中心,并对兴趣聚类中心过于接近时进行惩罚,辅助损失函数/>表达为:。
更进一步地,所述步骤S3中,建模用户的短期兴趣向量的具体步骤包括:
(1)根据用户的兴趣聚类中心及历史交互序列计算兴趣不确定性,对于历史交互序列中的,若不能判定它属于哪个兴趣聚类,则认为该商品兴趣不确定度较高,判定过程具体计算方式如下:
;
;
;
(2)修改gru结构并通过Uncertain-GRU计算方法得到演进兴趣表征序列,当输入历史交互序列后,则可以得到演进兴趣表征序列/>,Uncertain-GRU具体计算方式为:
;
;
;
;
;
(3)利用attention机制聚合演进兴趣表征序列,得到用户的短期兴趣表征,/>具体计算方式如下:
;
;
;
其中,为线性神经网络。
更进一步地,所述步骤S4中,当获得用户的长、短期兴趣表征后,利用门控机制自适应结合长、短期兴趣表征,以获得最终的兴趣表征,/>具体计算方式为:
;
;
;
。
更进一步地,所述损失函数之和为优化的损失函数,优化的损失函数形式化表示为:/>,其中,/>分别为平衡各项损失函数的超参数,其中/>为线性神经网络。
第二方面,本发明提供了一种物品推荐装置,包括存储器以及处理器,存储器存储有计算机可执行指令,处理器被配置为运行所述计算机可执行指令,所述计算机可执行指令被所述处理器运行时实现所述的物品推荐方法。
第三方面,本发明提供了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,所述计算机程序被处理器运行时实现所述的物品推荐方法。
与现有技术相比,本发明的有益效果如下:
本发明的物品推荐方法通过建模用户的兴趣不确定性,从用户的历史交互信息中发掘与用户的长期兴趣不一致的商品,从而使得模型可以重点关注用户新产生的兴趣,受益于对用户新兴趣的发掘,可以在工业界推荐系统中获得较大性能提升。因此,相比于传统CTR预估方法,本发明的物品推荐方法可以更好地推荐用户当前感兴趣的商品,使用户对推荐结果的满意度提升。
本发明的历史交互序列模型推荐结果普遍高于非序列模型结果,说明对用户兴趣进行建模时,用户历史交互序列的重要性。同时本发明的推荐方法与其它序列模型对比时均有显著提升,说明对用户新兴趣进行建模可以有效地获得更好的推荐效果。
本发明的物品推荐方法可以应用到大型电商、短视频及新闻推荐平台中,充分发掘用户短期内产生的新兴趣,并针对该新兴趣进行推荐,一方面可以提升用户满意度,让平台获取更高收益,另一方面可以更全面的探索用户兴趣,让平台对用户真实兴趣更加了解。
附图说明
图1为本发明提供的实施例1中建模用户新兴趣不确定性的物品推荐方法的流程图;
图2为本发明提供的实施例1中物品推荐模型整体结构图;
图3为本发明的实施例1中Uncertain-GRU的模型结构图。
具体实施方式
实施例1:
参见图1~3,本实施例公开了一种建模用户新兴趣不确定性的物品推荐方法,该物品推荐方法包括以下步骤:
S1,提取用户稳定的长期兴趣,利用若干个兴趣聚类中心表示用户不同的兴趣点,再利用胶囊网络机制获得用户的兴趣聚类中心,每个兴趣聚类中心表示用户的一种长期兴趣。
提取用户稳定的长期兴趣具体包括以下步骤:利用兴趣聚类中心充分表征用户的长期兴趣,从商品序列表征矩阵通过胶囊网络计算获得用户的兴趣聚类中心,商品序列表征矩阵表示为/>,胶囊网络计算过程表达如下:随机初始化变量集合/>,其中,M为胶囊网络输出胶囊个数,r为迭代轮次,为胶囊投影矩阵,并按以下操作循环r次:
对每个i计算;
对每个j计算;
对每个j计算;
对每个i,每个j计算 ;
返回兴趣聚类中心表征集合。
此外,兴趣聚类中心可以通过辅助模型训练以进一步表征用户的长期兴趣,利用attention机制聚合兴趣聚类中心为长期兴趣表征,再计算辅助损失函数/>,聚合兴趣聚类中心计算过程表达为:
;
;
;
其中,辅助损失函数计算过程表达为:
;
;
其中,用户兴趣查询表征表示为/>,/>为线性神经网络模型,/>表示长期兴趣表征。
为了帮助解耦不同的兴趣聚类中心,可以设置正则辅助损失函数,并对兴趣聚类中心过于接近时进行惩罚,辅助损失函数/>表达为:/>。
S2,利用所述若干个兴趣聚类中心计算用户的每个历史交互信息的兴趣不确定性,若兴趣不确定性高,则该历史交互信息不属于任意一个兴趣聚类中心,应重点关注该历史交互信息。
用户的历史交互信息的数据集为D,,其中n为数据集大小,每个四元组中u、v、s、y分别表示用户、商品、该用户的历史交互序列,以及对应的标签,则标签/>表示为四元组中的用户是否对对应的商品发生交互,且/>,历史交互序列/>表示为/>,且N为历史交互序列长度,用户/>进行向量化表示为/>,商品/>向量化表示为/>,且d表示用户商品表征维度。
S3,利用短期兴趣提取器Uncertain-GRU,结合每个历史交互信息与所述重点关注的历史交互信息对应的兴趣不确定性,建模用户的短期兴趣向量,建模用户的短期兴趣向量的具体步骤包括:
(1)根据用户的兴趣聚类中心及历史交互序列计算兴趣不确定性,对于历史交互序列中的,若不能判定它属于哪个兴趣聚类,则认为该商品兴趣不确定度较高,判定过程具体计算方式如下:
;
;
;
(2)修改gru结构并通过Uncertain-GRU计算方法得到演进兴趣表征序列,当输入历史交互序列后,则可以得到演进兴趣表征序列/>,Uncertain-GRU具体计算方式为:
;
;
;
;
;
(3)利用attention机制聚合演进兴趣表征序列,得到用户的短期兴趣表征,/>具体计算方式如下:
;
;
;
其中,为线性神经网络。
S4,结合用户的长、短期兴趣向量对目标商品进行打分,最后根据打分对待推荐列表进行排序,并得到最终推荐列表结果。具体地,当获得用户的长、短期兴趣表征后,利用门控机制自适应结合长、短期兴趣表征,以获得最终的兴趣表征,/>具体计算方式为:
;
;
;
。
其中,损失函数之和为优化的损失函数,优化的损失函数形式化表示为:,其中,/>分别为平衡各项损失函数的超参数,其中/>为线性神经网络。
为了进行验证本实施例公开的推荐方法有效性,在淘宝网公开的数据集中进行测试,该数据集包含了从11月25日至12月3日之间的用户交互历史信息,将12月1日及以前的数据作为训练集,12月2日的数据作为验证集,12月3日的数据作为测试集。该数据集共有用户36915个、物品64138个,经过10-core清洗后总交互数量为1471155个。本实施例公开的推荐方法和传统推荐系统方法进行比对,其中包括非序列推荐模型NCF、LightGCN以及序列推荐模型DIN、DIEN、CASER、SASRec以及GRU4Rec等,再以AUC、GAUC、MRR以及NDCG@2为测试指标,最终结果如表1所示。
表1 不同推荐方法在淘宝网公开的数据集的测试表现结果
从表1中记录的测试表现结果可以看出,序列模型推荐结果普遍高于非序列模型结果,由此说明了对用户兴趣进行建模时,用户历史交互序列的重要性。
实施例2:
第二方面,本发明提供了一种物品推荐装置,包括存储器以及处理器,存储器存储有计算机可执行指令,处理器被配置为运行所述计算机可执行指令,计算机可执行指令被所述处理器运行时实现实施例1公开的物品推荐方法。
实施例3:
第三方面,本发明提供了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,计算机程序被处理器运行时实现实施例1公开的物品推荐方法。
Claims (6)
1.一种建模用户新兴趣不确定性的物品推荐方法,其特征是,该物品推荐方法包括以下步骤:
S1,提取用户稳定的长期兴趣,利用若干个兴趣聚类中心表示用户不同的兴趣点,再利用胶囊网络机制获得用户的兴趣聚类中心,每个兴趣聚类中心表示用户的一种长期兴趣;
S2,利用所述若干个兴趣聚类中心计算用户的每个历史交互信息的兴趣不确定性,若兴趣不确定性高,则该历史交互信息不属于任意一个兴趣聚类中心,应重点关注该历史交互信息;
S3,利用短期兴趣提取器Uncertain-GRU,结合每个历史交互信息与所述重点关注的历史交互信息对应的兴趣不确定性,建模用户的短期兴趣向量;
S4,结合用户的长、短期兴趣向量对目标商品进行打分,最后根据打分对待推荐列表进行排序,并得到最终推荐列表结果;
其中,所述历史交互信息的数据集为D,D={(u1,v1,s1,y1),…,(un,vn,sn,yn)},其中n为数据集大小,每个四元组中u、v、s、y分别表示用户、商品、该用户的历史交互序列,以及对应的标签,则标签yi表示为四元组中的用户是否对对应的商品发生交互,且yi∈{0,1},历史交互序列si表示为且N为历史交互序列长度,用户ui进行向量化表示为e(ui)∈Rd,商品vi向量化表示为e(vi)∈Rd,且d表示用户商品表征维度;
所述步骤S1中,提取用户稳定的长期兴趣具体包括以下步骤:利用兴趣聚类中心充分表征用户的长期兴趣,从商品序列表征矩阵通过胶囊网络计算获得用户的兴趣聚类中心,商品序列表征矩阵Sp表示为胶囊网络计算过程表达如下:随机初始化变量集合{bij}1≤i≤N,1≤jM~N(0,σ2),其中,M为胶囊网络输出胶囊个数,r为迭代轮次,T∈Rd ×d为胶囊投影矩阵,并按以下操作循环r次:
对每个i计算wij=softmax(bij);
对每个j计算
对每个j计算
对每个i,每个j计算
返回兴趣聚类中心表征集合
所述兴趣聚类中心通过辅助模型训练以进一步表征用户的长期兴趣,利用attention机制聚合兴趣聚类中心为长期兴趣表征e(LT,p),再计算辅助损失函数Llt,聚合兴趣聚类中心计算过程表达为:
a1,a2,…,aM=softmax(o1,o2,…,oM);
其中,辅助损失函数Llt计算过程表达为:
其中,用户兴趣查询表征qp表示为qp=[e(up),e(vp)],f1,f2为线性神经网络模型,e(LT,p)表示长期兴趣表征;
所述步骤S3中,建模用户的短期兴趣向量的具体步骤包括:
(1)根据用户的兴趣聚类中心及历史交互序列计算兴趣不确定性,对于历史交互序列中的若不能判定它属于哪个兴趣聚类,则认为该商品兴趣不确定度较高,判定过程具体计算方式如下:
[p(1),p(2),…,p(M)]=softmax([o(1),o(2)…o(M)]);
(2)修改gru结构并通过Uncertain-GRU计算方法得到演进兴趣表征序列,当输入历史交互序列Sp后,则可以得到演进兴趣表征序列Uncertain-GRU具体计算方式为:
(3)利用attention机制聚合演进兴趣表征序列,得到用户的短期兴趣表征e(ST,p),e(ST,p)具体计算方式如下:
a1,a2,…,aN=softmax(o1,o2,…,oN);
其中,f3为线性神经网络。
2.根据权利要求1所述的建模用户新兴趣不确定性的物品推荐方法,其特征是,设置正则辅助损失函数Ldis以帮助解耦不同的所述兴趣聚类中心,并对兴趣聚类中心过于接近时进行惩罚,辅助损失函数Ldis表达为:
3.根据权利要求2所述的建模用户新兴趣不确定性的物品推荐方法,其特征是,所述步骤S4中,当获得用户的长、短期兴趣表征后,利用门控机制自适应结合长、短期兴趣表征,以获得最终的兴趣表征Lmain,Lmain具体计算方式为:
α=sigmoid(f4([e(up),e(vp),e(ST,P),e(LT,p)]);
e(p)=α*e(ST,P)+(1-α)*e(LT,p);
4.根据权利要求3所述的建模用户新兴趣不确定性的物品推荐方法,其特征是,所述损失函数之和为优化的损失函数,优化的损失函数Lfinal形式化表示为:Lfinal=Lmain+βLlt+γLdis,其中,β、γ分别为平衡各项损失函数的超参数,其中f4为线性神经网络。
5.一种物品推荐装置,包括存储器以及处理器,存储器存储有计算机可执行指令,处理器被配置为运行所述计算机可执行指令,其特征在于,所述计算机可执行指令被所述处理器运行时实现权利要求1~4任一项所述的物品推荐方法。
6.一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实现权利要求1~4任一项所述的物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845818.2A CN116562992B (zh) | 2023-07-11 | 2023-07-11 | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845818.2A CN116562992B (zh) | 2023-07-11 | 2023-07-11 | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562992A CN116562992A (zh) | 2023-08-08 |
CN116562992B true CN116562992B (zh) | 2023-09-29 |
Family
ID=87502268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310845818.2A Active CN116562992B (zh) | 2023-07-11 | 2023-07-11 | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562992B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720006B (zh) * | 2023-08-10 | 2023-11-03 | 数据空间研究院 | 一种基于有限用户敏感属性的公平推荐方法、设备及介质 |
CN117217634B (zh) * | 2023-11-07 | 2024-02-02 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932336A (zh) * | 2020-07-17 | 2020-11-13 | 重庆邮电大学 | 一种基于长短期兴趣偏好的商品列表推荐方法 |
CN112380426A (zh) * | 2020-10-23 | 2021-02-19 | 南京邮电大学 | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统 |
CN112685657A (zh) * | 2021-01-06 | 2021-04-20 | 中国计量大学 | 一种基于多模态交叉融合图网络的会话社交推荐方法 |
CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
CN113722599A (zh) * | 2021-09-06 | 2021-11-30 | 中国计量大学 | 一种基于用户长期兴趣和短期兴趣建模的会话推荐方法 |
CN114297509A (zh) * | 2022-01-26 | 2022-04-08 | 上海鱼尔网络科技有限公司 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
CN114519145A (zh) * | 2022-02-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 |
CN114722287A (zh) * | 2022-04-14 | 2022-07-08 | 西安邮电大学 | 一种融入层级结构的长短期推荐方法 |
CN114741532A (zh) * | 2022-04-14 | 2022-07-12 | 齐鲁工业大学 | 基于多尺度分散动态路由的知识图谱补全方法及系统 |
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 |
CN115099886A (zh) * | 2022-05-25 | 2022-09-23 | 华南理工大学 | 一种长短兴趣序列推荐方法、装置及存储介质 |
-
2023
- 2023-07-11 CN CN202310845818.2A patent/CN116562992B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932336A (zh) * | 2020-07-17 | 2020-11-13 | 重庆邮电大学 | 一种基于长短期兴趣偏好的商品列表推荐方法 |
CN112380426A (zh) * | 2020-10-23 | 2021-02-19 | 南京邮电大学 | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统 |
CN112685657A (zh) * | 2021-01-06 | 2021-04-20 | 中国计量大学 | 一种基于多模态交叉融合图网络的会话社交推荐方法 |
CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
CN113722599A (zh) * | 2021-09-06 | 2021-11-30 | 中国计量大学 | 一种基于用户长期兴趣和短期兴趣建模的会话推荐方法 |
CN114297509A (zh) * | 2022-01-26 | 2022-04-08 | 上海鱼尔网络科技有限公司 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
CN114519145A (zh) * | 2022-02-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 |
CN114722287A (zh) * | 2022-04-14 | 2022-07-08 | 西安邮电大学 | 一种融入层级结构的长短期推荐方法 |
CN114741532A (zh) * | 2022-04-14 | 2022-07-12 | 齐鲁工业大学 | 基于多尺度分散动态路由的知识图谱补全方法及系统 |
CN115099886A (zh) * | 2022-05-25 | 2022-09-23 | 华南理工大学 | 一种长短兴趣序列推荐方法、装置及存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
Graph Based Long-term And Short-Term Interest Model for Click-Through Rate Prediction;Huinan Sun等;《Proceeding of the 31st ACM International Conference on Information & Knowledge Management》;全文 * |
多兴趣序列推荐技术及应用;宋子涵;《中国优秀硕士论文 信息科技》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116562992A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116562992B (zh) | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
Jank et al. | Functional data analysis in electronic commerce research | |
CN112967112B (zh) | 一种自注意力机制和图神经网络的电商推荐方法 | |
WO2009094672A2 (en) | Belief propagation for generalized matching | |
Yu et al. | Personalized item recommendation for second-hand trading platform | |
Xue et al. | Pricing personalized bundles: A new approach and an empirical study | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN113837842A (zh) | 一种基于用户行为数据的商品推荐方法及设备 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN114896517A (zh) | 一种商品推荐方法、系统、设备及存储介质 | |
CN114154565A (zh) | 一种基于多层次特征交互的点击率预测方法及装置 | |
Ji et al. | Regularized singular value decomposition in news recommendation system | |
CN114417161B (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN116071128A (zh) | 一种基于多行为特征提取与自监督学习的多任务推荐方法 | |
CN116362823A (zh) | 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置 | |
CN110555719B (zh) | 一种基于深度学习的商品点击率预测方法 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN111815410A (zh) | 基于选择性邻域信息的商品推荐方法 | |
CN112150206B (zh) | 用户感兴趣物品的预测方法及设备 | |
CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和系统 | |
Yin et al. | PeNet: A feature excitation learning approach to advertisement click-through rate prediction | |
Motte | Mathematical models for large populations, behavioral economics, and targeted advertising | |
Chai et al. | Recommendation algorithm for mobile E-commerce based on reputation |
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 |