CN116911949A - 基于边界排名损失和邻域感知图神经网络的物品推荐方法 - Google Patents
基于边界排名损失和邻域感知图神经网络的物品推荐方法 Download PDFInfo
- Publication number
- CN116911949A CN116911949A CN202310919874.6A CN202310919874A CN116911949A CN 116911949 A CN116911949 A CN 116911949A CN 202310919874 A CN202310919874 A CN 202310919874A CN 116911949 A CN116911949 A CN 116911949A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- perception
- neighborhood
- layer
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 58
- 230000003993 interaction Effects 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 3
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000003472 neutralizing effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于边界排名损失和邻域感知图神经网络的物品推荐方法，主要解决先有技术对物品推荐准确性较低的问题。其实现方案包括：从推荐数据集中提取用户‑物品交互信息；根据提取的信息构建用户‑物品邻域感知交互二部图；构建基于邻域感知图神经网络的物品推荐模型并定义其边界排名损失函数；将用户‑物品邻域感知交互二部图输入到物品推荐模型进行迭代训练，直至模型损失函数收敛；利用训练好的物品推荐模型为用户提供物品推荐。本发明通过构造用户‑物品邻域感知交互二部图及定义边界排名损失函数，不仅能获得更加准确的嵌入向量，而且能增大正负样本嵌入向量之间的差距，提高物品推荐的准确性，可应用于电影、图书、商品及服务推荐。
Description
技术领域
本发明属于信息技术领域，更进一步涉及物品推荐方法，可根据用户的历史行为数据，为用户进行物品推荐，可应用于电影、图书、商品及服务的推荐。
背景技术
随着基于互联网技术的电子商务、社交媒体的快速发展，用户规模和物品品类爆炸增长，推荐系统已经成为提升生活便利和提升企业盈利不可或缺的工具。物品推荐方法在很大程度上依赖于用户-物品的历史交互数据进行分析和建模，然而用户-物品交互信息通常是稀疏的即只有少量用户和物品间存在交互行为，因此如何充分利用稀疏的用户-物品交互信息，是提升物品推荐准确性的关键所在。目前已存在的物品推荐方法有很多，其中应用最广泛的是基于矩阵分解的方法。近几年，由于图神经网络对图结构数据的学习具有卓越的能力，因此图神经网络成为推荐系统更有吸引力的选择。
陕西科技大学在其申请号为201810260195.1的专利申请文献中，提出一种“基于矩阵分解协同过滤算法的图书推荐方法及系统”，其实现方案是：步骤1，处理用户-物品评分矩阵；步骤2，对评分矩阵进行均值归一化处理；步骤3，对归一化处理后的用户-物品评分矩阵进行矩阵分解，分解成两个低维矩阵的乘积，分别表示用户的特征矩阵以及物品的特征矩阵乘积；步骤4，构造改进的代价函数；步骤5，初始化特征矩阵；步骤6，通过改进的梯度下降法求解目标函数；步骤7，确定目标函数最优解之后，计算用户对候选物品的评分；步骤8，取评分较高的前k个物品推荐给用户。该方法由于仅仅隐式地利用交互信息，没有对用户-物品交互数据进行充分挖掘，因而导致评分准确率低，物品推荐的准确性差。
在推荐系统中，应用程序中的交互数据可以由用户和项目节点之间的二分图表示，观察到的交互由链接表示。近几年，由于图神经网络可以通过构造图，利用图结构信息从而显式地使用交互信息，因而被越来越多地应用到推荐领域。He等人在其发表的论文"Lightgcn:Simplifying and powering graph convolution network forrecommendation"(Proceedings of the 42nd international ACM SIGIR conference onResearch and development in Information Retrieval.2019)中提出了一种简化和增强图卷积网络的物品推荐方法LightGCN。其实现步骤为：根据用户-物品交互信息构造用户-物品评分矩阵；对评分矩阵进行均值归一化处理；初始化用户嵌入向量和物品嵌入向量，并在用户-物品交互异构图上进行多次图卷积操作，不断聚合邻域节点信息来更新用户嵌入向量和物品嵌入向量；组合所有层学到的用户嵌入向量和物品嵌入向量作为最终的用户嵌入向量和物品嵌入向量；根据用户和物品的嵌入向量，预测用户对物品感兴趣的概率；利用训练集和验证集训练模型；利用训练好的模型得到用户对物品的评分；取评分较高的前Top-K个物品推荐给用户。该方法相比于传统的矩阵分解物品推荐方法，由于聚集了图的结构信息和邻居节点的邻域信息，往往能够生成更加准确的物品推荐结果。但由于同等的对待所有邻居节点，并未对邻居节点进行重要性区分，且使用的贝叶斯排名损失函数不能增大正负样本嵌入向量之间的差异，因而导致物品推荐的准确性仍然较差。
发明内容
本发明的目的在于针对上述现有技术存在的不足，提出一种基于边界排名损失和邻域感知图神经网络的物品推荐方法，以通过对邻居节点的重要性区分，增大正负样本嵌入向量之间的差异，提高物品推荐的准确性。
为实现上述目的，本发明的实现步骤包括如下：
(1)从已有的推荐数据集中提取M个用户，N个物品，L条交互信息，M≥500，N≥500，D≥1000；
(2)构建用户-物品邻域感知交互二部图：
(2a)根据步骤(1)提取的信息构建大小为M×N的用户-物品交互矩阵(2b)根据用户-物品交互矩阵R分别构建用户相似度矩阵Su和物品相似度矩阵Si，通过Su和Si分别构建大小为M×N的用户感知矩阵Au和大小为N×M的物品感知矩阵Ai；
(2c)根据用户感知矩阵Au和物品感知矩阵Ai，得到形式为矩阵的用户-物品邻域感知交互二部图：
(3)构建基于边界排名损失和邻域感知图神经网络的物品推荐模型H：
(3a)构建包含依次排布的输入层和K个邻域感知图卷积神经网络GCN层组成的传播层O，用于更新聚合不同阶数邻域信息的嵌入向量；
(3b)对传播层中K个邻域感知图卷积神经网络GCN的输出进行平均聚合构成组合层C，用于组合传播层输出的嵌入向量；
(3c)将组合层C的输出求向量内积构建预测层P，用于计算预测评分；
(3d)将传播层、组合层和预测层依次连接构建成物品推荐模型H；
(4)定义物品推荐模型H的边界排名损失函数MBPR：
其中，表示用户um和物品/>的预测评分，/>表示物品/>和物品/>的向量内积，m表示一个超参数，O表示与同一用户um有交互的正样本物品/>和无交互的负样本物品构成的训练样本，σ表示激活函数；
(5)对物品推荐模型H进行迭代训练：
将(2)中构建的用户-物品邻域感知交互二部图作为训练集输入物品推荐模型H中采用梯度下降算法对其参数进行更新，直至损失函数收敛，得到训练好的基于边界排名损失和邻域感知图神经网络物品推荐模型H*；
(6)将待评分用户和物品输入训练好的物品推荐模型H*中，输出用户对物品的评分，并根据评分大小对物品进行排序，选取前TopK个物品推荐给用户。
本发明与现有技术相比，具有如下优点：
第一，本发明由于构建的物品推荐模型中包含有邻域感知图卷积神经网络，在对该模型进行训练以及获取向用户推荐的物品的过程中，邻域图卷积神经网络通过使用用户-物品邻域感知交互二部图，能够评估邻居节点的重要性，在进行图卷积的过程中能增加重要信息的传播，削弱无关信息的传播，以获得更好的嵌入向量，因而有效提高了物品推荐的准确性。
第二，本发明由于设计了一个更适合物品推荐的损失函数-边界排名损失函数，在模型进行训练的过程中，边界排名损失函数通过增大正负样本嵌入向量之间的差距，进一步高了物品推荐的准确性。
附图说明
图1是本发明的实现流程图。
图2是本发明中构建的邻域感知图卷积网络模型架构图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
参照图1，对本实例包括如下步骤。
步骤1，获取用户-物品交互信息。
从真实数据集中提取M个用户u、N个物品i，以及D条用户-物品交互信息L：
u＝{u1,...,um,...,uM}，um表示第m个用户，1≤m≤M，500≤M，
i＝{i1,...,in,...,iN}，in表示第n个物品，1≤n≤N，500≤N，
L＝{L1,...,Ld,...,LD}，Ld表示第d条用户-物品交互信息，1≤d≤D，1000≤D。
本实例中，真实数据集为MovieLens-1M，通过挖掘用户对电影的评分信息，向用户推荐一组电影，其中M＝6040，N＝3706，D＝1000209。
步骤2，构建用户-物品邻域感知交互二部图。
2.1)根据步骤(1)提取的信息构建以M个用户u和N个物品i为节点，以D条用户-物品交互信息L为边的用户-物品交互矩阵：Rm,n为该矩阵中第m行第n列阵元，当um与in存在交互时Rm,n＝1，不存在交互时Rm,n＝0；
2.2)根据用户-物品交互矩阵R分别构建大小为M×M用户相似度矩阵Su和大小为N×N物品相似度矩阵Su：
Su＝RRT
Si＝RTR
其中，R是用户-物品交互矩阵，RT是R的矩阵转置；
2.3)通过Su和Si分别构建用户感知矩阵Au和物品感知矩阵Ai：
其中为该矩阵中第m行第n列阵元，当um与in存在交互时/>不存在交互时 为该矩阵中第n行第m列阵元，当um与in存在交互时/>不存在交互时R是用户-物品交互矩阵，RT是R的矩阵转置；
2.4)根据用户感知矩阵Au和物品感知矩阵Ai，得到形式为矩阵的用户-物品邻域感知交互二部图：
步骤3，构建邻域感知图神经网络的物品推荐模型H。
参照图2，本步骤的实现包括如下：
3.1)构建包含依次排布的输入层和K个邻域感知图卷积神经网络GCN层组成的传播层O，用于对聚合不同阶数邻域信息的嵌入向量进行更新，得到更新后的第k层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量/>
其中，分别表示第k层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量，/>分别表示第k-1层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量，/>分别表示在用户-物品邻域感知交互二部图Gaware中和用户um有交互的所有物品的集合、物品in有交互的所有用户的集合；
3.2)对传播层中K个邻域感知图卷积神经网络GCN的输出进行平均聚合构成组合层C，用于对传播层输出的嵌入向量进行组合，得到最终用户嵌入向量和最终物品嵌入向量/>
其中，分别表示第k层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量，/>分别表示最终用户嵌入向量和最终物品嵌入向量，K是图卷积神经网络的层数；
3.3)将组合层C的输出求向量内积构建预测层P，得到预测评分
其中，分别表示最终用户嵌入向量和最终物品嵌入向量。
3.4)将传播层、组合层和预测层依次连接构建成基于邻域感知图神经网络的物品推荐模型H。
步骤4，定义物品推荐模型H的边界排名损失函数MBPR：
其中，表示用户um和物品/>的预测评分，/>表示物品/>和物品/>的向量内积，/>其中，/>分别表示组合层得到的最终正样本物品嵌入向量和最终负样本物品嵌入向量；m表示一个超参数，O表示与同一用户um有交互的正样本物品/>和无交互的负样本物品/>构成的训练样本，R+表示与用户um有交互的用户-物品对集合，R-表示与用户um无交互的用户-物品对集合，σ表示sigmoid激活函数；
步骤5，对物品推荐模型H进行迭代训练。
5.1)将步骤2中构建的用户-物品邻域感知交互二部图输入物品推荐模型H，得到用户对物品的预测评分；
5.2)根据预测评分计算当前迭代模型的损失函数LMBPR，采用梯度下降算法对其参数进行更新：
其中，Θ'为Θ的更新结果，λ为学习率，LMBPR是边界排名损失，是模型的参数梯度；
5.3)重复步骤5.1)和步骤5.2)，直至损失函数收敛，得到训练好的基于边界排名损失和邻域感知图神经网络的物品推荐模型H*。
步骤6，通过训练好的物品推荐模型H*为用户提供物品推荐。
将待评分用户和物品输入训练好的物品推荐模型H*中，输出用户对物品的评分；
根据评分大小对物品进行排序，选取前TopK个物品推荐给用户，其中，K≥1。
本实例中取但不限于K＝20。
上述步骤的顺序不作限定。
下面结合仿真实验对本发明的技术效果作进一步说明。
1.仿真条件：
仿真实验的运行环境是：Ubuntu 18.04.5Server操作系统，CPU为Intel(R)Xeon(R)CPU E5-2630 v4@2.20GHz，内存为128GB，显卡为Nvidia TITAN RTX，虚拟环境使用pytorch 1.9和python 3.7。
本发明的仿真实验中采用了推荐系统领域中常用的五个真实世界的数据集：
一是从美国Minnesota大学建立的MovieLens网站采集的电影评分数据集MovieLens-1M；
二是从豆瓣电影网站收集的用户对电影的评分记录组成的Douban数据集；
三是从Amazon网站采集的用户购买书籍评分的Amazon-Book数据集；
四是从Yelp网站采集的用户对各类餐馆、购物中心等领域的商户的评分信息的Yelp数据集；
五是从Gowalla网站采集的用户签到数据的Gowalla数据集；
这五个数据集的信息统计结果如表1。
表1五个数据集的信息统计结果
| 数据集 | 用户数量 | 物品数量 | 交互数量 |
| Movielens-1M | 6040 | 3706 | 1000209 |
| Douban | 2848 | 39586 | 894887 |
| Amazon-Book | 52463 | 91599 | 2984108 |
| Yelp | 19539 | 21266 | 450884 |
| Gowalla | 107092 | 1280969 | 6442892 |
2.仿真内容与结果：
分别用本发明和现有的简化的图卷积网络的推荐方法LightGCN在五个数据集上得到的推荐物品与其对应的真实推荐物品的召回率recall和归一化折损累计增益NDCG，以召回率recall和归一化折损累计增益NDCG为评估指标进行对比仿真，其结果如表2。
表2
表2中的召回率recall可以衡量用户的命中率，描述有多少比例的用户-物品交互记录包含在最终为用户生成的可能交互物品列表中，命中率越高，其值越靠近1，反之越靠近0，该指标越靠近1，说明物品推荐的准确性越高。
表2中的归一化折损累计增益NDCG可以衡量用户的测试物品在为用户生成的可能交互物品列表中的位置，位置越靠前，其值越接近于1，反之越靠近0，该指标越靠近1，说明物品推荐的准确性越高。
从表2可以看出，本发明相比现有技术在五个数据集上的召回率recall和归一化折损累计增益NDCG均有不同幅度的提升，证明了本发明在物品推荐任务上有较高的准确性。
仿真实验表明：本发明提出的基于边界排名损失函数和邻域感知图神经网络的物品推荐方法，通过使用用户-物品邻域感知交互二部图，更加精细的挖掘用户-物品之间的交互关系，获得更好的嵌入向量；其次通过使用边界排名损失函数，增大了正负样本嵌入向量之间的差距，提高了物品推荐的准确性。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于边界排名损失和邻域感知图神经网络的物品推荐方法，其特征在于，包括如下：
(1)从已有的推荐数据集中提取M个用户，N个物品，D条交互信息，M≥500，N≥500，D≥1000；
(2)构建用户-物品邻域感知交互二部图：
(2a)根据步骤(1)提取的信息构建大小为M×N的用户-物品交互矩阵(2b)根据用户-物品交互矩阵R分别构建用户相似度矩阵Su和物品相似度矩阵Si，通过Su和Si分别构建大小为M×N的用户感知矩阵Au和大小为N×M的物品感知矩阵Ai；
(2c)根据用户感知矩阵Au和物品感知矩阵Ai，得到形式为矩阵的用户-物品邻域感知交互二部图：
(3)构建邻域感知图神经网络的物品推荐模型H：
(3a)构建包含依次排布的输入层和K个邻域感知图卷积神经网络GCN层组成的传播层O，用于更新聚合不同阶数邻域信息的嵌入向量；
(3b)对传播层中K个邻域感知图卷积神经网络GCN的输出进行平均聚合构成组合层C，用于组合传播层输出的嵌入向量；
(3c)将组合层C的输出求向量内积构建预测层P，用于计算预测评分；
(3d)将传播层、组合层和预测层依次连接构建成物品推荐模型H；
(4)定义物品推荐模型H的边界排名损失函数MBPR：
其中，表示用户um和物品/>的预测评分，/>表示物品/>和物品/>的向量内积，m表示一个超参数，O表示与同一用户um有交互的正样本物品/>和无交互的负样本物品/>构成的训练样本，σ表示激活函数；
(5)对物品推荐模型H进行迭代训练：
将(2)中构建的用户-物品邻域感知交互二部图作为训练集输入物品推荐模型H中采用梯度下降算法对其参数进行更新，直至损失函数收敛，得到训练好的基于边界排名损失和邻域感知图神经网络物品推荐模型H*；
(6)将待评分用户和物品输入训练好的物品推荐模型H*中，输出用户对物品的评分，并根据评分大小对物品进行排序，选取前TopK个物品推荐给用户。
2.根据权利要求1所述的方法，其特征在于，步骤(2b)中所述构建用户相似度矩阵Su和物品相似度矩阵Si，公式如下：
Su＝RRT，Si＝RTR
其中，R是用户-物品交互矩阵，RT是R的矩阵转置。
3.根据权利要求1所述的方法，其特征在于，步骤(2b)中构建所述用户感知矩阵Au和物品感知矩阵Ai，公式如下：
Au＝SuR，Ai＝SiRT
其中，R是用户-物品交互矩阵，RT是R的矩阵转置。
4.根据权利要求1所述的方法，其特征在于，步骤(3a)所述传播层O更新聚合不同阶数邻域信息的嵌入向量，公式如下：
其中，分别表示第k层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量，/>分别表示第k-1层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量，/>分别表示在用户-物品邻域感知交互二部图Gaware中和用户um有交互的所有物品的集合、物品in有交互的所有用户的集合。
5.根据权利要求1所述的方法，其特征在于，步骤(3b)中所述组合层C中组合传播层输出的嵌入向量，公式如下：
其中，分别表示第k层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量，/>分别表示最终用户嵌入向量和最终物品嵌入向量，K是图卷积神经网络的层数。
6.根据权利要求1所述的方法，其特征在于，步骤(3c)中所述的预测层P计算预测评分，公式如下：
其中，分别表示最终用户嵌入向量和最终物品嵌入向量。
7.根据权利要求1所述的方法，其特征在于，步骤(4)中所述的边界损失函数中计算公式为：
其中，分别表示组合层得到的最终正样本物品嵌入向量和最终负样本物品嵌入向量。
8.根据权利要求1所述的方法，其特征在于，步骤(5)中使用梯度下降算法对其参数进行更新，通过如下公式进行：
其中，Θ'为Θ的更新结果，λ为学习率，LMBPR是边界排名损失，是模型的参数梯度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919874.6A CN116911949A (zh) | 2023-07-25 | 2023-07-25 | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919874.6A CN116911949A (zh) | 2023-07-25 | 2023-07-25 | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116911949A true CN116911949A (zh) | 2023-10-20 |
Family
ID=88352901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919874.6A Pending CN116911949A (zh) | 2023-07-25 | 2023-07-25 | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911949A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574918A (zh) * | 2024-01-15 | 2024-02-20 | 青岛冠成软件有限公司 | 一种基于lstm的智能交互方法 |
-
2023
- 2023-07-25 CN CN202310919874.6A patent/CN116911949A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574918A (zh) * | 2024-01-15 | 2024-02-20 | 青岛冠成软件有限公司 | 一种基于lstm的智能交互方法 |
| CN117574918B (zh) * | 2024-01-15 | 2024-05-03 | 青岛冠成软件有限公司 | 一种基于lstm的智能交互方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
| CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
| Chen et al. | Using fruit fly optimization algorithm optimized grey model neural network to perform satisfaction analysis for e-business service | |
| CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
| CN109783738B (zh) | 一种基于多相似度的双极限学习机混合协同过滤推荐方法 | |
| CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
| CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
| CN105893609A (zh) | 一种基于加权混合的移动app推荐方法 | |
| CN109710835B (zh) | 一种带有时间权重的异构信息网络推荐方法 | |
| CN107239993A (zh) | 一种基于拓展标签的矩阵分解推荐方法及系统 | |
| CN113222711B (zh) | 一种商品信息推荐方法、系统和存储介质 | |
| CN111737578A (zh) | 一种推荐方法及系统 | |
| CN114065048B (zh) | 基于多异构图图神经网络的物品推荐方法 | |
| CN112529415B (zh) | 基于组合多感受野图神经网络的物品评分方法 | |
| CN113268669A (zh) | 基于联合神经网络的面向关系挖掘的兴趣点推荐方法 | |
| CN116911949A (zh) | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 | |
| CN116304299A (zh) | 一种融和用户兴趣演化和梯度提升算法的个性化推荐方法 | |
| CN116541607A (zh) | 基于商品检索数据分析的智能推荐方法 | |
| CN115760271A (zh) | 基于图神经网络的机电商品个性化推荐方法和系统 | |
| CN107291894A (zh) | 一种融合相似性和共同评分项数量的概率矩阵分解模型 | |
| Hassan et al. | Performance analysis of neural networks-based multi-criteria recommender systems | |
| CN114298783A (zh) | 基于矩阵分解融合用户社交信息的商品推荐方法及系统 | |
| CN106227767A (zh) | 一种基于领域相关性自适应的协同过滤方法 | |
| CN116542738A (zh) | 一种基于电子商务大数据的信息推送方法 | |
| CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 |
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 |