CN116628332A - 一种基于提示学习的个性化推荐方法 - Google Patents
一种基于提示学习的个性化推荐方法 Download PDFInfo
- Publication number
- CN116628332A CN116628332A CN202310606146.XA CN202310606146A CN116628332A CN 116628332 A CN116628332 A CN 116628332A CN 202310606146 A CN202310606146 A CN 202310606146A CN 116628332 A CN116628332 A CN 116628332A
- Authority
- CN
- China
- Prior art keywords
- user
- prompt
- sequence
- attention
- personalized
- 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 27
- 230000006399 behavior Effects 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000003068 static effect Effects 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- G06F16/9535—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于信息推荐技术领域,具体涉及一种基于提示学习的个性化推荐方法。本发明包含以下步骤:S1:将用户属性和历史行为数据组织成序列形式,并进行序列填充;S2:根据用户属性设计提示模板构建个性化提示并生成嵌入表征,并将其插入到S1中历史行为序列的开头,生成用户行为序列;S3:将S1中的用户属性序列,S2中的用户行为序列进行拼接,获得最终的输入表示并进行嵌入操作,获得嵌入矩阵;S4:在自注意力层中学习和集成项目间的注意力权重,通过叠加注意力层学习更加复杂的项目间注意力权重;S5:将用户嵌入与最终的项目进行运算,将排名Top‑K的项目推荐给用户。本发明可以适应不同领域和场景的个性化推荐需求,具有更大的灵活性和准确性。
Description
技术领域
本发明属于信息推荐技术领域,具体涉及一种基于提示学习的个性化推荐方法。
背景技术
随着互联网的快速发展,人们面临着越来越多的信息和选择。在这种信息过载的环境下,用户很难找到他们感兴趣的内容或产品。推荐系统的出现就是为了解决信息过载问题,帮助用户发现和获取符合其个人兴趣的内容。推荐系统的核心是预测用户是否会与商品之间进行交互。协同过滤(CF)是利用过去的用户和商品的交互来实现预测,这是实现有效的个性化推荐的基本任务。但是这种相对较独立的推荐方法,忽略了用户的历史行为和上下文信息,无法有效地理解用户的偏好和兴趣演化。于是,个性化序列推荐模型(如SASRec)应运而生,它针对用户在时间上连续的行为序列中进行推荐。其关键是建模用户的行为序列,使用序列建模技术,如循环神经网络(RNN)和长短期记忆网络(LSTM),来捕捉序列中的时序信息和用户的行为演化。这些模型能够学习用户的偏好演变、行为模式和转换,从而进行更准确的推荐。此外,它还考虑了上下文信息的影响。上下文信息可以是时间、地点、设备、社交关系等与用户行为相关的环境因素。通过将上下文信息与用户行为序列相结合,系统可以更好地理解用户行为的背景和动机,提供更具针对性的推荐。
这种序列推荐模型虽然考虑到了用户行为的时序信息,但仍然存在一些问题:1)主要依赖用户历史行为数据进行推荐,而用户的历史行为数据通常是稀疏的。这会导致在数据不足的情况下,难以准确地捕捉用户的偏好和行为模式,影响推荐的准确性和个性化程度。2)在新用户加入或新物品上线时会面临冷启动问题。由于缺乏足够的用户行为数据,传统方法难以对新用户或新物品进行准确的推荐,导致推荐结果可能不够精准或个性化。3)传统推荐系统往往无法直接获取用户的意图和偏好信息,而是通过分析用户的历史行为进行推断。这种间接的推断方式可能存在误差,无法充分理解用户的真实需求,导致推荐结果可能不够精准或满足用户期望。4)传统推荐系统通常采用固定的模型和算法,难以灵活地应对不同领域和场景的个性化需求。这限制了推荐系统的灵活性和适应性,可能无法充分发挥推荐系统的潜力。5)传统推荐系统主要是基于用户历史行为进行推荐,用户在推荐过程中的主动参与度较低。这可能导致用户对推荐结果的满意度降低,因为用户无法直接表达其偏好、意图和特殊需求。
发明内容
本发明的目的是解决上述问题,提出了一种基于提示学习的个性化推荐方法,该方法在个性化序列推荐模型SASRec的基础上,加入了提示学习Prompt Learning,以缓解数据稀疏性、冷启动等问题,从而提高推荐系统的准确性和适应性。
本发明为实现上述发明目的,采取的技术方案如下:
一种基于提示学习的个性化推荐方法,包括以下步骤:
S1:将用户属性和历史行为数据组织成序列形式,并进行序列填充;
S2:根据用户属性设计提示模板构建个性化提示并生成嵌入表征,并将其插入到S1中历史行为序列的开头,生成用户行为序列;
S3:将S1中的用户属性序列,S2中的用户行为序列进行拼接,获得最终的输入表示并进行嵌入操作,获得嵌入矩阵;
S4:在自注意力层中学习和集成项目间的注意力权重,通过叠加注意力层学习更加复杂的项目间注意力权重;
S5:将用户嵌入与最终的项目进行运算,将排名Top-K的项目推荐给用户。
进一步的作为本发明的优选技术方案,用户属性数据包括用户的个人信息和兴趣偏好等静态数据;历史行为数据是通过用户在系统中的行为收集得到的,包括用户的点击、购买、评价、收藏、分享等行为相关的动态数据;每个用户都有m个属性Au={a1,a2,...,am};每个用户u都有一个按时间排序的历史行为序列Su={S1,S2,...,St,...,Sn};其中,St为由行为对象和行为类型组成的二元组;t表示用户与第t次与项目的交互。
进一步的作为本发明的优选技术方案,得到用户u的每个属性的嵌入表征后,拼接他们得到Xu=[a1||a2||··||am],其中ai是第i个用户属性嵌入表征;然后经过MLP得到包含n个token的个性化提示嵌入表征Pu={p1,p2,...,pn}:
Pu=PPG(Xu|θ)=W2σ(W1Xu+b1)+b2
其中,和/>是θ中的可训练参数;d1、d′和d2分别是拼接后的用户属性序列Xu、隐藏层和输出提示的嵌入大小;
将个性化提示嵌入表征Pu和历史行为序列Su拼接后得到用户行为表征:
进一步的作为本发明的优选技术方案,将S1中的用户静态属性表征Xu结合S2中的用户行为表征得到最终计算相似度的嵌入表征E:
θ和分别是生成个性化提示嵌入表征Pu和深度模型MLP的参数;E表示拼接后的嵌入表示,M表示用户静态属性序列的嵌入表征;S表示用户行为序列的嵌入表示。
进一步的作为本发明的优选技术方案,使用自注意力机制将嵌入S3中得到的E,映射到子空间中,在自注意力中,K,Q,V,都来自同一对象;计算过程可表示为如下:
其中,WQ,WK,WV是三个线性投影矩阵;注意力机制本质上仍是线性模型,为了使模型具有非线性能力和不同维度间的交互能力,因此增加双层前馈神经网络:
Fi=FFN(Si)=Relu(SiW1+b1)W2+b2
其中,W1和W2为权重矩阵,b1和b2为偏置向量;由于Fi中汇集了前面步骤中的所有嵌入项,因此,通过该注意力块进行注意力块堆叠,来学习项目间更复杂的依赖关系:
Sb=SA(Fb-1)
进一步的作为本发明的优选技术方案,在自注意层自适应分层提取之前交互过的项目信息后,采用Sigmoid函数输出,来预测下一个项目i的可能性:
其中,ri,t表示项给定前t项时项目i是下一项的可能性,N是项目的嵌入矩阵。
本发明所述的一种基于提示学习的个性化推荐方法,采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明根据用户静态属性利用提示学习获得提示数据,用于补充用户行为数据或获取用户的偏好和意图。
(2)本发明根据不同的用户数据和任务需求设计和调整提示模板,使得本发明可以适应不同领域和场景的个性化推荐需求,具有更大的灵活性。
(3)本发明通过用户提供的提示数据来获得更准确的推荐。鼓励用户积极参与推荐过程,这使得用户在推荐过程中拥有更大的主动性和参与度,可以更好地满足其个性化需求。
附图说明
图1为本发明的方法流程示意图;
图2为本发明实施例中用户历史交互行为序列的示意图。
具体实施方式
下面结合附图详细的描述本发明的作进一步的解释说明,以使本领域的技术人员可以更深入地理解本发明并能够实施,但下面通过参考实例仅用于解释本发明,不作为本发明的限定。
在现有的SASRec个性化序列推荐的基础上,加入提示学习模块,提出一种基于提示学习的个性化推荐方法,如图1所示。在输入嵌入层之前,增加对用户数据序列进行处理的过程,并引进提示学习模块,使用户行为序列中包含的语义更加丰富,提高模型的灵活性和准确性。
一种基于提示学习的个性化推荐方法,包含以下步骤:
S1:将用户的属性和历史行为数据组织成序列形式,并进行序列填充;
S2:根据用户属性设计提示模板构建个性化提示并生成嵌入表征,并将其插入到S1中历史行为序列的开头,生成用户行为序列;
S3:将S1中的用户属性序列,S2中的用户行为序列进行拼接,获得最终的输入表示并进行嵌入操作,获得嵌入矩阵;
S4:在自注意力层中学习和集成项目间的注意力权重,通过叠加注意力层学习更加复杂的项目间注意力权重;
S5:将用户嵌入与最终的项目进行运算,将排名Top-K的项目推荐给用户。
S1具体为:用户属性数据包括用户的个人信息(年龄、性别、职业等)和兴趣偏好(爱好、喜欢的主题、类型)等静态数据。历史行为数据是通过用户在系统中的行为收集得到的,例如用户的点击、购买、评价、收藏、分享等行为相关的动态数据。每个用户都有m个属性Au={a1,a2,...,am}。每个用户u都有一个按时间排序的历史行为序列Su={S1,S2,...,St,...,Sn}。其中,St为由行为对象(即项目)和行为类型(点击、购买、评价、收藏、分享等)组成的二元组,如图2所示,c表示行为对象,o表示行为类型。t表示用户与第t次与项目的交互。
在S2中,为了有效和自动化的生成提示,我们基于用户的自身属性设计模板来构建提示。在得到用户u的每个属性的嵌入表征后,拼接他们得到Xu=[a1||a2||··||am],其中ai是第i个用户属性嵌入表征。然后经过MLP得到包含n个token的个性化提示嵌入表征Pu={p1,p2,...,pn}:
Pu=PPG(Xu|θ)=W2σ(W1Xu+b1)+b2
其中,和/>是θ中的可训练参数。d1、d′和d2分别是拼接后的用户属性序列Xu、隐藏层和输出提示的嵌入大小。选择PPG(·)函数,因为它简单有效。将上述个性化提示嵌入表征Pu和历史行为序列Su拼接后得到用户行为表征:
S3具体为:将S1中的用户静态属性表征Xu结合S2中的用户行为表征得到最终计算相似度的嵌入表征E:
θ和分别是生成个性化提示嵌入表征Pu和深度模型MLP的参数。E表示拼接后的嵌入表示,M表示用户静态属性序列的嵌入表征。S表示用户行为序列的嵌入表示。
在S4的自注意力层中,自注意力机制将单个序列与它自身进行对照来表示,降低了对外部信息的依赖,并且能够更好地捕捉到序列内部特征间的相关性。在该层中,使用自注意力机制将嵌入S3中得到的E,映射到子空间中,在自注意力中,K,Q,V,都来自同一对象。因此,具体的计算过程可表示为如下:
其中,WQ,WK,WV是三个线性投影矩阵。注意力机制本质上仍是线性模型,为了使模型具有非线性能力和不同维度间的交互能力,因此增加双层前馈神经网络:
Fi=FFN(Si)=Relu(SiW1+b1)W2+b2
其中,W1和W2为权重矩阵,b1和b2为偏置向量。由于Fi中汇集了前面步骤中的所有嵌入项,因此,通过该注意力块进行注意力块堆叠,来学习项目间更复杂的依赖关系:
Sb=SA(Fb-1)
在S5中的预测层中,采用Sigmoid函数输出,来预测下一个项目i的可能性:
其中,ri,t表示项给定前t项时项目i是下一项的可能性,N是项目的嵌入矩阵。最终得到预测概率,将排名Top-K的项目推荐给用户。
本发明提出了一种基于提示学习的个性化推荐方法,通过提示学习,既能够的有效的缓解一般序列推荐模型数据稀疏性的问题,又在一定程度上解决了冷启动的问题。且基于不同的用户数据和任务需求设计和调整提示模板,使得本发明可以适应不同领域和场景的个性化推荐需求,具有更大的灵活性。
以上所述的具体实施方案,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,所应理解的是,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的范围,任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所做出的等同变化与修改,均应属于本发明保护的范围。
Claims (6)
1.一种基于提示学习的个性化推荐方法,其特征在于,包括以下步骤:
S1:将用户属性和历史行为数据组织成序列形式,并进行序列填充;
S2:根据用户属性设计提示模板构建个性化提示并生成嵌入表征,并将其插入到S1中历史行为序列的开头,生成用户行为序列;
S3:将S1中的用户属性序列,S2中的用户行为序列进行拼接,获得最终的输入表示并进行嵌入操作,获得嵌入矩阵;
S4:在自注意力层中学习和集成项目间的注意力权重,通过叠加注意力层学习更加复杂的项目间注意力权重;
S5:将用户嵌入与最终的项目进行运算,将排名Top-K的项目推荐给用户。
2.根据权利要求1所述的一种基于提示学习的个性化推荐方法,其特征在于,用户属性数据包括用户的个人信息和兴趣偏好等静态数据;历史行为数据是通过用户在系统中的行为收集得到的,包括用户的点击、购买、评价、收藏、分享等行为相关的动态数据;每个用户都有m个属性Au={a1,a2,...,am};每个用户u都有一个按时间排序的历史行为序列Su={S1,S2,...,St,...,Sn};其中,St为由行为对象和行为类型组成的二元组;t表示用户与第t次与项目的交互。
3.根据权利要求2所述的一种基于提示学习的个性化推荐方法,其特征在于,得到用户u的每个属性的嵌入表征后,拼接他们得到Xu=[a1||a2||··||am],其中ai是第i个用户属性嵌入表征;然后经过MLP得到包含n个token的个性化提示嵌入表征Pu={p1,p2,...,pn}:
Pu=PPG(Xu|θ)=W2σ(W1Xu+b1)+b2
其中,和/>是θ中的可训练参数;d1、d′和d2分别是拼接后的用户属性序列Xu、隐藏层和输出提示的嵌入大小;
将个性化提示嵌入表征Pu和历史行为序列Su拼接后得到用户行为表征:
4.根据权利要求3所述的一种基于提示学习的个性化推荐方法,其特征在于,将S1中的用户静态属性表征Xu结合S2中的用户行为表征得到最终计算相似度的嵌入表征E:
θ和分别是生成个性化提示嵌入表征Pu和深度模型MLP的参数;E表示拼接后的嵌入表示,M表示用户静态属性序列的嵌入表征;S表示用户行为序列的嵌入表示。
5.根据权利要求4所述的一种基于提示学习的个性化推荐方法,其特征在于,使用自注意力机制将嵌入S3中得到的E,映射到子空间中,在自注意力中,K,Q,V,都来自同一对象;计算过程可表示为如下:
其中,WQ,WK,WV是三个线性投影矩阵;注意力机制本质上仍是线性模型,为了使模型具有非线性能力和不同维度间的交互能力,因此增加双层前馈神经网络:
Fi=FFN(Si)=Relu(SiW1+b1)W2+b2
其中,W1和W2为权重矩阵,b1和b2为偏置向量;由于Fi中汇集了前面步骤中的所有嵌入项,因此,通过该注意力块进行注意力块堆叠,来学习项目间更复杂的依赖关系:
Sb=SA(Fb-1)
6.根据权利要求5所述的一种基于提示学习的个性化推荐方法,其特征在于,在自注意层自适应分层提取之前交互过的项目信息后,采用Sigmoid函数输出,来预测下一个项目i的可能性:
其中,ri,t表示项给定前t项时项目i是下一项的可能性,N是项目的嵌入矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310606146.XA CN116628332A (zh) | 2023-05-26 | 2023-05-26 | 一种基于提示学习的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310606146.XA CN116628332A (zh) | 2023-05-26 | 2023-05-26 | 一种基于提示学习的个性化推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628332A true CN116628332A (zh) | 2023-08-22 |
Family
ID=87596912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310606146.XA Pending CN116628332A (zh) | 2023-05-26 | 2023-05-26 | 一种基于提示学习的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628332A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422526A (zh) * | 2023-11-15 | 2024-01-19 | 哈尔滨工业大学 | 一种基于提示的用户跨域冷启动方法 |
-
2023
- 2023-05-26 CN CN202310606146.XA patent/CN116628332A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422526A (zh) * | 2023-11-15 | 2024-01-19 | 哈尔滨工业大学 | 一种基于提示的用户跨域冷启动方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240119321A1 (en) | Generative interactive video method and system | |
CN111460130B (zh) | 信息推荐方法、装置、设备和可读存储介质 | |
US11699095B2 (en) | Cross-domain recommender systems using domain separation networks and autoencoders | |
CN111339404B (zh) | 基于人工智能的内容热度预测方法、装置和计算机设备 | |
CN112131472B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
US20220067571A1 (en) | Machine-learning prediction or suggestion based on object identification | |
US20230139824A1 (en) | Media content enhancement based on user feedback of multiple variations | |
CN117836765A (zh) | 基于多模态超图的点击预测 | |
Ibrahim et al. | An intelligent hybrid neural collaborative filtering approach for true recommendations | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
CN116628332A (zh) | 一种基于提示学习的个性化推荐方法 | |
CN117114772A (zh) | 投放素材挖掘方法、装置、设备及存储介质 | |
Elahi et al. | Recommender systems: Challenges and opportunities in the age of big data and artificial intelligence | |
CN115168721A (zh) | 融合协同变换与时态感知的用户兴趣推荐方法及系统 | |
CN112269943B (zh) | 一种信息推荐系统及方法 | |
US20240037133A1 (en) | Method and apparatus for recommending cold start object, computer device, and storage medium | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN117251622A (zh) | 对象推荐的方法、装置、计算机设备和存储介质 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN114707633B (zh) | 特征提取方法、装置、电子设备和存储介质 | |
Bi et al. | A recommendations model with multiaspect awareness and hierarchical user-product attention mechanisms | |
CN113742562B (zh) | 视频推荐方法、装置、电子设备及存储介质 | |
KR102410981B1 (ko) | 사용자 반응 정보 기반 인공지능 컨텐츠 추천 큐레이션 시스템 | |
Liu et al. | Deep cross networks with aesthetic preference for cross-domain recommendation | |
CN115310004A (zh) | 融合项目时序关系的图神经协同过滤推荐方法 |
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 |