CN109389168A - 项目推荐模型训练方法、项目推荐方法以及装置 - Google Patents

项目推荐模型训练方法、项目推荐方法以及装置 Download PDF

Info

Publication number
CN109389168A
CN109389168A CN201811152399.XA CN201811152399A CN109389168A CN 109389168 A CN109389168 A CN 109389168A CN 201811152399 A CN201811152399 A CN 201811152399A CN 109389168 A CN109389168 A CN 109389168A
Authority
CN
China
Prior art keywords
project
user
vector
users
sample
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.)
Granted
Application number
CN201811152399.XA
Other languages
English (en)
Other versions
CN109389168B (zh
Inventor
王惠照
郑凯
段立新
江建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guoxin Youe Data Co Ltd
Original Assignee
Guoxin Youe Data Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guoxin Youe Data Co Ltd filed Critical Guoxin Youe Data Co Ltd
Priority to CN201811152399.XA priority Critical patent/CN109389168B/zh
Publication of CN109389168A publication Critical patent/CN109389168A/zh
Application granted granted Critical
Publication of CN109389168B publication Critical patent/CN109389168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种项目推荐模型训练方法项目推荐方法以及装置，本发明所述的项目推荐模型训练方法包括：基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量；选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据；使用所述训练数据对所述项目推荐模型进行训练。本申请能够更好地描述用户的兴趣偏好，提高模型的有效性，提高应用模型进行项目推荐的准确性。

Description

项目推荐模型训练方法、项目推荐方法以及装置
技术领域
本申请涉及深度学习技术领域，具体而言，涉及项目推荐模型训练方法、项目推荐方法以及装置。
背景技术
在项目推荐问题中，需要考虑用户对不同的项目操作的前后次序，这对学习用户当前兴趣偏好有重要的作用。
当前基于前后序列关系进行建模的方法，如：隐马尔可夫模型(Hidden MarkovModel，HMM)、循环神经网络(Recurrent Neural Networks，RNN)和长短时记忆网络(LongShort-Term Memory，LSTM)等，仍存在遗漏序列信息、训练难度大等问题。将这些模型应用于项目推荐时，也会存在无法描述用户整体兴趣、当前兴趣，推荐准确性不高等问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种项目推荐模型训练方法、装置及项目推荐方法和装置，能够更好地描述用户的兴趣偏好，提高模型的有效性，提高应用模型进行项目推荐的准确性。
第一方面，本申请实施例提供了一种项目推荐模型训练方法，包括：
基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量；
选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据；
使用所述训练数据对所述项目推荐模型进行训练。
可选的，所述操作信息包括所述用户对所述项目的选择和/或评分信息。
可选的，所述第一表示向量为表示所述用户的喜好程度的潜在因子表示向量，所述第二表示向量为所述项目的潜在因子表示向量。
可选的，所述基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量，包括：根据所述至少一个用户对至少一个项目的操作信息，生成用户评分矩阵；
基于潜在因子模型，对所述用户评分矩阵进行分解，生成与用户潜在因子喜好程度矩阵与项目潜在因子表示矩阵；
根据所述用户潜在因子喜好程度矩阵，确定所述各个用户的第一表示向量；以及，
根据所述项目潜在因子表示矩阵，确定所述各个项目的第二表示向量。
可选的，所述基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及所述样本用户的第一表示向量，生成所述项目推荐模型的训练数据，包括：
基于该样本用户操作的项目的操作顺序，从该样本用户所操作的项目中，选取预设数量或预设时间段内的项目，并基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据；以及
将预设数量或预设时间段之后的项目的第二表示向量，作为所述项目推荐模型的训练监督数据。
可选的，所述基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据，包括：按照该样本用户对项目的操作顺序，组合所述所选取的预设数量或预设时间段内的项目的第二表示向量，形成项目时序矩阵；
将该样本用户所对应的项目时序矩阵及其第一表示向量，作为所述项目推荐模型的训练输入数据。
一种可能的实施方式中，所述项目推荐模型为卷积神经网络CNN模型。
第二方面，本申请实施例提供了一种项目推荐方法，包括：
基于目标用户对至少一个项目的操作信息，选择距离当前时刻的预设时间内或预设数量的项目；
基于所述目标用户对所选择的项目的操作顺序，使用所选择的项目的第二表示向量及所述目标用户的第一表示向量，生成输入数据；
将所述输入数据输入项目推荐模型中，得到预测项目的预测表示向量，所述项目推荐模型由第一方面任意一项所述的项目推荐模型训练方法得到；
计算所述预测表示向量与项目的第二表示向量之间的相似度；基于计算得到的相似度，确定向所述目标用户推荐的项目并推荐给所述目标用户。
第三方面，本申请实施例提供了一种项目推荐模型训练装置，包括：
表示向量生成模块，用于基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量；
训练数据生成模块，用于选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据；
训练模块，用于使用所述训练数据对所述项目推荐模型进行训练。
第四方面，本申请实施例提供了一种项目推荐装置，包括：
选择模块，用于基于目标用户对至少一个项目的操作信息，选择距离当前时刻的预设时间内或预设数量的项目；
输入数据生成模块，用于基于所述目标用户对所选择的项目的操作顺序，使用所选择的项目的第二表示向量及所述目标用户的第一表示向量，生成输入数据；
表示向量生成模块，用于将所述输入数据输入项目推荐模型中，得到预测项目的预测表示向量，所述项目推荐模型由第一方面任意一项所述的项目推荐模型训练方法得到；
相似度计算模块，用于计算所述预测表示向量与项目的第二表示向量之间的相似度；
推荐模块，用于基于计算得到的相似度，确定向所述目标用户推荐的项目并推荐给所述目标用户。
本申请实施例提供一种项目推荐模型训练方法、项目推荐方法以及装置，能够基于至少一个用户对至少一个项目的操作信息，生成各个用户的第一表示向量以及各个项目的第二表示向量，然后针对从用户中确定的样本用户对项目的操作顺序和每个样本用户所操作项目的第二表示向量，以及样本用户的第一表示向量，生成项目推荐模型的训练数据，并对项目推荐模型进行训练，能够更好地描述用户的兴趣偏好，提高模型的有效性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1示出了本申请实施例所提供的一种项目推荐模型训练方法的流程图；
图2示出了本申请实施例所提供的项目推荐模型训练方法中，获得用户的第一表示向量和各个项目的第二表示向量的具体方法的流程图；
图3示出了本申请实施例所提供的项目推荐模型训练方法中，生成项目推荐模型的训练数据的具体方法的流程图；
图4示出了本申请实施例所提供的通过滑动窗口选取项目的过程示意图。
图5示出了本申请实施例所提供的一种项目推荐方法的流程图；
图6示出了本申请实施例所提供的一种项目推荐模型训练装置600的示意图；
图7示出了本申请实施例所提供的一种项目推荐装置700的示意图；
图8示出了本申请实施例所提供的一种电子设备800的结构示意图；
图9示出了本申请实施例所提供的一种电子设备900的结构示意图；
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
与现有技术不同，本申请实施例在建模的时候，根据用户对不同的项目操作的前后次序，获取用户长期的、静态的、不易轻易改变的喜好特征，以及用户近期的、动态的喜好特征，根据这两种喜好特征进行建模，使得得到的项目推荐模型能够更好地描述用户的兴趣偏好，提高模型的有效性，提高应用模型进行项目推荐的准确性。
例如，对用户进行电影推荐，从用户观看电影的评分记录中发现，用户观看并且给予好评的电影中动作片居多，然而用户最近观看并且给予好评的10部电影中，爱情片占了7部，其余3部电影中，只有2部分是动作片。可以推断出，动作片是用户长期的、静态的、不易轻易改变的喜好，而爱情片可以说是用户近期的、动态的喜好。在当前时间节点下，推荐给此用户爱情电影是比推荐动作片更好的选择，更加符合用户当前的电影兴趣偏好。
为了达到上述目的，本申请实施例提供一种项目推荐模型训练方法、项目推荐方法以及装置，能够基于至少一个用户对至少一个项目的操作信息，生成各个用户的第一表示向量以及各个项目的第二表示向量，然后针对从用户中确定的样本用户对项目的操作顺序和每个样本用户所操作项目的第二表示向量，以及样本用户的第一表示向量，生成项目推荐模型的训练数据，并对项目推荐模型进行训练，更好地描述用户的兴趣偏好，提高模型的有效性，提高应用模型进行项目推荐的准确性。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种项目推荐模型训练方法进行详细介绍。
参见图1所示，本申请实施例提供的项目推荐模型训练方法，包括：S101～S103。
S101：基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量。
在具体实现的时候，项目可以是指在特定平台上供用户选择的主体，例如在一购物平台上，每样商品就是一个项目；在一视频网站上，每一个视频(如电影)，或者某一个系列的视频(如一部包括了多集剧集的电视剧)就是一个项目；或者是图像，等等。不同的项目可以来自一个平台，也可以来自多个平台。此处并不限制项目的类型。或者说，项目也可以是推荐给用户的主体，本申请实施例所提供的推荐内容确定模型能够从各个项目中确定要推荐给用户的目标项目。
这里，至少一个用户对至少一个项目的操作信息可以包括用户对项目的选择和/或评分信息。以项目为购物平台上的商品为例，用户对项目的操作，可以是用户对商品的查看、加入购物车、购买、评论等操作；其中，查看、加入购物车、购买都可以作为用户对项目的选择；评论可以作为用户对项目的评分。以项目为视频网站上的视频为例，用户对项目的操作可以是用户对项目的点击观看、添加关注、评论等操作；其中，点击观看、添加关注都是用户对项目的选择；评论作为用户项目的评分。
操作信息，可以是自从平台建立后到当前时刻的所有用户对各个项目的操作信息。可选地，为了能够训练得到适应当前情况的项目推荐模型，所获取的用户对至少一个项目的操作信息，可以是获取距离当前时刻预设时间内的操作信息。
此外，针对各个平台而言，可能会存在项目下架的情况。针对这种情况，由于用户会针对已经下架的项目作出操作行为，该操作行为也是能够从一定程度上表征用户的喜好偏向，因此已经下架的项目也可以作为本申请中需要操作的项目。
在获取了至少一个用户对至少一个项目的操作信息后，基于该操作信息生成用户的第一表示向量和第二表示向量。其中，第一表示向量用于表征各个用户的喜好偏向，因此第一表示向量可以为表示用户对各个项目的喜好程度的潜在因子表示向量；第二表示向量则是用于表征各个项目，可以是项目的潜在因子表示向量。
具体地，参见图2所示，本申请实施例采用下述S201～S204获得用户的第一表示向量和各个项目的第二表示向量：
S201：根据所述至少一个用户对至少一个项目的操作信息，生成用户评分矩阵。此处，用户评分矩阵中的各个元素，是某一用户对某个项目所发生的操作的评分。该评分可以采用以下任意一种生成方式获得：
(1)：针对每个用户，只要该用户对某个项目发生了操作行为，不管该对同一项目的操作行为发生了几次，都会将该用户对该项目的评分置预设评分值。
例如：有用户甲、乙和丙，针对项目A、B、C、D发生的操作分别为：用户甲对项目A发生了点击查看的操作，对项目B发生了评价的操作，对项目C和项目D均无操作；则用户甲对项目A和项目B的评分置1，由于其对项目C和项目D无操作，因此用户甲对项目C和项目D的评分置0。用户乙对项目B发生了购买的操作，对项目D发生了查看的操作，对项目A和项目C均无操作，则用户乙对项目B和项目D的评分置1，由于起对项目A和项目C均无操作，因此用户乙对项目A和项目C的评分置0。用户丙对项目A发生了购买操作，对项目B发生了查看操作，对项目C发生了购买操作，对项目D无操作，则用户丙对项目A、项目B和项目C的评分置1，对项目D的评分置0。则形成的用户评分矩阵如下表1所示：
表1
项目A 项目B 项目C 项目D
用户甲 1 1 0 0
用户乙 0 1 0 1
用户丙 1 1 1 0
(2)针对每个用户，该用户每对某个项目发生了一次操作行为，就要将该用户对该项目的评分增加设定分值，如：加1。
例如：有用户甲、乙和丙，针对项目A、B、C、D发生的操作分别为：用户甲对项目A发生了2次点击查看的操作，对项目B发生了1次评价的操作，对项目C发生了3次购买的操作，对项目D无操作；则用户甲对项目A、项目B、项目C和项目D的评分分别为：2、1、3、0，由于其对项目D无操作，因此用户甲对项目D的评分置0。用户乙对项目A发生了1次评价的操作，对项目B发生了1次购买的操作，对项目D发生了2次查看的操作，对项目C无操作，则用户乙对项目A、项目B、项目C和项目D的评分分别为：1，1，0，2。用户丙对项目A无操作，对项目B发生了3次查看操作，对项目C发生了1次购买操作，对项目D无从操作，则用户丙对项目A、项目B、项目C和项目D的评分分别为：0，3，1，0。则形成的用户评分矩阵如下表2所示：
表2
项目A 项目B 项目C 项目D
用户甲 2 1 3 0
用户乙 1 1 0 2
用户丙 0 3 1 0
(3)将用户针对各个项目的评分或者等级等评价数据，作为用户对项目所发生的操作的评分。
另外，本申请实施例提供的评分获得方式不限于上述三种，还可以将上述至少两项相结合。例如，在将(2)和(3)结合时，如果用户针对某个项目发生操作，并对该项目进行了评分，则该用户对该项目发生的操作的评分使用用户对项目的评分；如果用户针对某个项目发生了操作，但并且对该项目进行评分，则基于用户对该项目的操作得到评分。
此外，还可以有其他的评分获得方式，例如为用户的不同操作行为赋予不同的评分值，用户在对某个项目发生各个操作行为时，为该项目赋予的评分按照操作行为对应的评分值进行赋值。
例如，用户对项目发生查看行为，对应的评分值为1；发生购买行为，对应的评分值为4；发生分享行为，对应的评分值为2；发生加入黑名单行为，对应的评分值为-3；发生评价行为，对应的评分值为2，最终将用户针对某个项目发生的各次操作行为对应的评分值进行累加，得到用户对该项目发生操作行为的评分。
S202：基于潜在因子模型，对所述用户评分矩阵进行分解，生成与用户潜在因子喜好程度矩阵与项目潜在因子表示矩阵。
在具体实现的时候，用户评分矩阵表示为Rn×m；其中，n表示用户的数量；m表示项目的数量，所建立的评分因子矩阵可以如下表3所示：
表3
项目1 项目2 …… 项目m
用户1 R11 R12 …… R1m
…… …… …… …… ……
用户n Rn1 Rn2 …… Rnm
生成的用户潜在因子喜好程度矩阵表示为：Pn×f；其中，f表示潜在因子的数量。生成的项目潜在因子表示矩阵表示为：Qf×m。对用户评分矩阵进行分解，生成用户潜在因子喜好程度矩阵和项目潜在因子表示矩阵的过程可以表示如下表4所示：
表4
S203：根据所述用户潜在因子喜好程度矩阵，确定所述各个用户的第一表示向量；以及，根据所述项目潜在因子表示矩阵，确定所述各个项目的第二表示向量。
在确定了用户潜在因子喜好程度矩阵后，针对每个用户在用户潜在因子喜好程度矩阵中与各个潜在因子对应的元素，确定该用户的第一表示向量，例如在上述表4所示的潜在因子喜好程度矩阵中，用户1的第一表示向量为：(P11、P12、……、P1f)；用户2的第一表示向量为：(P21、P22、……、P2f)；…用户n的第一表示向量为：(Pn1、Pn2、……Pnf)。
同理，各个项目的第二表示向量也可以按照相同的方式得到，例如在上述表4所示的项目潜在因子表示矩阵中，项目1的第二表示向量为：(Q11、Q21、……、Qf1)；项目2的第二表示向量为：(Q12、Q22、……、Qf2)；…项目m的第二表示向量为：(Q1m、Q2m、……、Qfm)。
在生成用户的第一表示向量和各个项目的第二表示向量后，本申请实施例提供的项目推荐模型训练方法，还要基于第一表示向量和第二表示向量构成训练数据，具体如下述S102所示。
S102：选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据。
再具体实现的时候，样本用户是从用户中筛选出来的全部或者部分。
针对样本用户是用户中筛选出来的部分的情况，由于在生成用户的第一表示向量和项目的第二表示向量的过程中，可以结合用户的数量、训练的需要，选择合适数量的用户作为样本用户，生成训练数据。
此外，还可能存在某些用户的操作信息距离当前时间较久，某些用户在当前已经处于不活跃状态，或者已经流失的状态，基于这部分用户的操作信息来构成训练数据，训练时可以不适用这些用户的信息，为此，可以从用户中筛选当前还处于较为活跃状态的用户作为样本用户。其中，当前处于较为活跃的用户，可以是距离当前时刻预设时长内对项目有操作行为的用户。
另外，在生成某个样本用户的训练数据之前，还可以对该样本用户对项目的操作数据进行数据清洗，例如该用户在某个时间段内操作的项目数量非常少，或者时间较为久远，对于训练帮助不大，例如在2017年9月至2018年7月之间只发生了一次操作行为，那么就可以将此次操作行为从该样本用户的操作行为中剔除。
具体地，参见图3所示，本申请实施例采用下述方式生成项目推荐模型的训练数据：
S301：基于该样本用户操作的项目的操作顺序，从该样本用户所操作的项目中，选取预设数量或预设时间段内的项目，并基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据。
S302：将预设数量或预设时间段之后的项目的第二表示向量，作为所述项目推荐模型的训练监督数据。这里，预设数量或预设时间段之后的项目的第二表示向量，对应用户所实际操作的项目，将该项目的第二表示向量作为训练监督数据，实现对模型的监督训练。例如，模型对输入数据进行运算，将运算结果，也即预测结果与训练监督数据进行比较，根据比较结果调整模型的参数。
此处，需要注意的是，上述S301和S302并无执行的先后顺序，可以同时执行，也可以先执行其中的任意一项。在具体实现的时候，在对模型进行训练的时候，可能会存在训练数据不足的情况，通过这种数据得到的模型会存在准确率低的问题。为了避免上述情况的产生，本申请实施例会从样本用户所操作的项目中，多次选取部分样本数据，以构建训练输入数据，每次选取的样本数据可以完全不同，也可以有部分相同。选取的时候，基于样本用户操作的项目的操作顺序进行。可以选取预设数量的项目，选取的时候，也可以选取预设时间段内的项目。
(1)针对选取预设数量的项目的情况，例如用户A操作的项目包括W1～W1000共1000条数据，按照预设数量100，每次从W1～W1000中选取100条项目，构建该次选取对应的训练输入数据，
第一次选取的项目为：W1～W100，此时对应的训练监督数据为W101；
第二次选取的项目为：W11～W110，此时对应的训练监督数据为W111；
第三次选取的项目为：W21～W120，此时对应的训练监督数据为W121；
第四次选取的项目为：W201～W300，此时对应的训练监督数据为W301。
第五次选取的项目为：W501～W600，此时对应的训练监督数据为W601。……
针对每次选取，根据该次选取所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据。此处，在进行项目选取的时候，可以通过滑动窗口来进行；也即，基于该样本用户操作的项目的操作顺序，对该样本用户操作的所有项目进行排序，然后使用一个滑动窗口，该滑动窗口能够“圈”住预设数量的项目，将滑动窗口从排序后的项目的任意一个位置开始，圈定预设数量的项目后，将圈定的项目作为选取的项目，将与圈定的项目中最后一个项目相邻的滑动窗口外的项目作为对应的监督训练数据；将滑动窗口按照一定的步长后移后，重复进行，直至滑动完所选取的项目。
参见图4所示所提供的通过滑动窗口选取项目的过程示意图，用户A操作的项目包括W1～W1000共1000条数据，滑动窗口的大小为20，步长为5，且滑动窗口首次从W1开始圈定项目，如图4中a所示，包括W1～W20，W21作为对应的训练监督数据；第二次圈定的项目如图4中b所示，包括：W6～W26，W27作为对应的训练监督数据……如此，移动滑动窗口，从而获得与该样本用户对应的多组训练输入数据和训练监督数据。以上滑动窗口的大小、步长都是示例，此处对其并不做限制。
(2)针对选取预设时间段内的项目的情况，从样本用户所操作的项目中，选取项目的时候，不同的样本用户可以具有相同的时间段。比如，选择距离当前时间点之前的一段时间，样本用户所操作的项目。也可以将样本用户的操作划分为多个时间段，并基于划分之后的时间段，从中选取样本数据在某个或某些时间段所操作的项目。
该预设时间段，针对不同的样本用户而言，可以是时间长度相同的不同时间段，例如选取用户甲从2018年1月1号至2018年1月10号之间的时间段中该用户甲所操作的项目作为选取的项目；选取用户乙从2018年3月1号至2018年3月10号之间的时间段中该用户乙所操作的项目作为选取的项目；也可以是完全一致的时间段，例如针对用户甲和用户乙，都选取两个用户从2018年2月1号至2018年2月10号之间的时间段中，用户甲和用户乙操作的项目作为各自选取的项目。针对这种情况，对不同用户所选取的项目数量可以不同，有些用户的操作频繁，则选取的该用户的项目就较多；有些用户的操作较少，则选取的该用户的项目就较少。在此情况下，还可以对选取的项目进行进一步处理，例如：对项目较少的用户所对应的数据进行补零操作，或者还可以对项目较多的用户所对应的训练数据进行剔除操作，等。以上时间段长度仅仅是示例，此处对其并不做限制。此外，可以根据推荐的项目类型，设置合适长度的时间段。
另外，本申请实施例还提供一种基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据的具体方法，包括：按照该样本用户对项目的操作顺序，组合所述所选取的预设数量或预设时间段内的项目的第二表示向量，形成项目时序矩阵，即将项目表示向量按行或按列排列，组合成矩阵；将该样本用户所对应的项目时序矩阵及其第一表示向量，作为所述项目推荐模型的训练输入数据。
S103：使用所述训练数据对所述项目推荐模型进行训练。
在具体实现的时候，项目推荐模型可以是卷积神经网络(ConvolutionalNeuralNetwork，CNN)模型。CNN靠提取图像特征的卓越能力，在计算机视觉领域，如目标检测、视觉理解等，取得巨大了的成功。卷积神经网络中的卷积过程可以理解为一种抽象的过程，将小区域内的信息统计抽象出来；池化过程可以理解为在广泛的特征描述中筛选提取出最一般、最具有代表性的信息。多次的卷积和池化过程，有助于图像特征由浅及深地提取出来，继而再与全连接层连接，最终获取深层次的特征表示。运用卷积神经网络CNN，通过卷积、池化等操作，挖掘用户潜在因子特征序列“图”，以获得用户即时兴趣偏好转移模式，再将其与用户的长时间的、静态的兴趣偏好特征进行融合，描述用户当前整体兴趣偏好，提高推荐准确性。
在使用训练数据对卷积神经网络进行训练的时候，由于训练数据的训练输入数据是按照样本用户对项目的操作顺序，将选取的预设数量或者预设时间段内的项目的第二表示向量所形成的项目的时序矩阵，将每一个项目的第二表示向量作为一个整体来看待，其就类似于图像中的一个像素点。
CNN包括卷积层、池化层和全连接层。可以采用下述方式进行训练：
(1)将训练输入数据中的项目时序矩阵输入至卷积层，使用多个大小不同的卷积核，对训练输入数据进行卷积运算，得到与每个卷积核对应的中间特征向量。
(2)在提取了时序矩阵的多个中间特征向量后，多个中间特征向量进入池化层。
在池化层中，能够将多个中间特征向量进行特征融合，得到与该时序矩阵对应的表示用户兴趣偏好转移模式的向量表示，称为兴趣偏好转移表示向量，该兴趣偏好转移表示向量用于表征样本用户在较短时间内的兴趣偏好；然后将该兴趣偏好转移表示矩阵和时序矩阵对应的样本用户的第一表示向量进行拼接，形成兴趣偏好转移表示向量和用户潜在因子喜好程度向量的拼接向量。其中，用户潜在因子喜好程度向量能够表征用户长时间、不易改变的兴趣偏好。
(3)在获取了拼接向量后，将拼接向量送入全连接层。全连接层能够将拼接向量中的兴趣偏好转移表示向量和用户潜在因子喜好程度向量进行特征融合，最终形成既能够预测得到用户感兴趣的下一个项目的特征向量。
在预测得到用户感兴趣的下一个项目的特征向量，就能够基于该预测的特征向量和该样本用户的训练监督数据，对CNN的参数进行调整。
在对卷CNN的参数进行调整的时候，就是要使得通过CNN预测得到的用户感兴趣的下一个项目的特征向量，和用户实际上进行了操作的下一个项目的第二表示向量，也即训练监督数据尽量的接近。
经过对卷积神经网络模型的多轮训练后，将得到的CNN作为项目推荐模型。
本申请实施例能够基于至少一个用户对至少一个项目的操作信息，生成各个用户的第一表示向量以及各个项目的第二表示向量，然后针对从用户中确定的样本用户对项目的操作顺序和每个样本用户所操作项目的第二表示向量，以及样本用户的第一表示向量，生成项目推荐模型的训练数据，并对项目推荐模型进行训练，更好地利用用户的兴趣偏好，提高模型的有效性。
参见图5所示，本申请实施例还提供一种项目推荐方法，包括S501～S504：
S501：基于目标用户对至少一个项目的操作信息，选择距离当前时刻的预设时间内或预设数量的项目。即选择目标用户最近一段时间内所操作的项目或最近所操作的特定数量的项目。
S502：基于所述目标用户对所选择的项目的操作顺序，使用所选择的项目的第二表示向量及所述目标用户的第一表示向量，生成输入数据。
此处，输入数据的生成方法与训练输入数据的生成方法类似，在此不再赘述。
S503：将所述输入数据输入项目推荐模型中，得到预测项目的预测表示向量，所述项目推荐模型由本申请实施例提供的项目推荐模型训练方法得到。
此处，根据输入数据得到预测表示向量的过程与上述得到样本用户的特征向量的过程类似，在此不再赘述。
S504：计算所述预测表示向量与项目的第二表示向量之间的相似度；基于计算得到的相似度，确定向所述目标用户推荐的项目并推荐给所述目标用户。
此处，可以依次计算每个项目的第二表示向量与预测表示向量之间的余弦相似度，并将相似度最高的第二表示向量对应的项目，确定为要向用户推荐的项目，然后将该项目推荐给目标用户。
利用前述项目推荐模型进行推荐时，能够更好地利用用户的兴趣偏好，使得向用户推荐的项目能够更加符合用户的喜好。
基于同一发明构思，本申请实施例中还提供了与项目推荐模型训练方法对应的项目推荐模型训练装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述项目推荐模型训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参见图6所示，本申请实施例提供的项目推荐模型训练装置600包括：
表示向量生成模块61，用于基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量；
训练数据生成模块62，用于选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据；
训练模块63，用于使用所述训练数据对所述项目推荐模型进行训练。
本申请实施例能够基于至少一个用户对至少一个项目的操作信息，生成各个用户的第一表示向量以及各个项目的第二表示向量，然后针对从用户中确定的样本用户对项目的操作顺序和每个样本用户所操作项目的第二表示向量，以及样本用户的第一表示向量，生成项目推荐模型的训练数据，并对项目推荐模型进行训练，训练过程难度小，耗费时间短，且能够建立不同时间节点之间的相互关联，兼顾概括性。
一种可能的实施方式中，所述操作信息包括所述用户对所述项目的选择和/或评分信息。
一种可能的实施方式中，所述第一表示向量为表示所述用户的喜好程度的潜在因子表示向量，所述第二表示向量为所述项目的潜在因子表示向量。
一种可能的实施方式中，表示向量生成模块61具体用于采用下述方式生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量：根据所述至少一个用户对至少一个项目的操作信息，生成用户评分矩阵；基于潜在因子模型，对所述用户评分矩阵进行分解，生成与用户潜在因子喜好程度矩阵与项目潜在因子表示矩阵；根据所述用户潜在因子喜好程度矩阵，确定所述各个用户的第一表示向量；以及，根据所述项目潜在因子表示矩阵，确定所述各个项目的第二表示向量。
一种可能的实施方式中，训练数据生成模块62具体用于采用下述方式生成所述项目推荐模型的训练数据：基于该样本用户操作的项目的操作顺序，从该样本用户所操作的项目中，选取预设数量或预设时间段内的项目，并基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据；以及将预设数量或预设时间段之后的项目的第二表示向量，作为所述项目推荐模型的训练监督数据。
一种可能的实施方式中，训练数据生成模块62具体用于采用下述方式基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据：按照该样本用户对项目的操作顺序，组合所述所选取的预设数量或预设时间段内的项目的第二表示向量，形成项目时序矩阵；将该样本用户所对应的项目时序矩阵及其第一表示向量，作为所述项目推荐模型的训练输入数据。
一种可能的实施方式中，项目推荐模型为卷积神经网络CNN模型。
基于同一发明构思，本申请实施例中还提供了与项目推荐方法对应的项目推荐装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述项目推荐方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参见图7所示，本申请实施例提供的项目推荐装置700包括：
选择模块71，用于基于目标用户对至少一个项目的操作信息，选择距离当前时刻的预设时间内或预设数量的项目；
输入数据生成模块72，用于基于所述目标用户对所选择的项目的操作顺序，使用所选择的项目的第二表示向量及所述目标用户的第一表示向量，生成输入数据；
表示向量生成模块73，用于将所述输入数据输入项目推荐模型中，得到预测项目的预测表示向量，所述项目推荐模型由本申请实施例提供的项目推荐模型训练方法得到；
相似度计算模块74，用于计算所述预测表示向量与项目的第二表示向量之间的相似度；
推荐模块75，用于基于计算得到的相似度，确定向所述目标用户推荐的项目并推荐给所述目标用户。
利用前述项目推荐模型进行推荐时，能够更好地利用用户的兴趣偏好，使得向用户推荐的项目能够更加符合用户的喜好。
对应于图1中的项目推荐模型训练方法，本申请实施例还提供了一种计算机设备800，如图8所示，该设备800包括存储器801、处理器802及存储在该存储器801上并可在该处理器802上运行的计算机程序，其中，上述处理器802执行上述计算机程序时实现上述项目推荐模型训练方法的步骤。
具体地，上述存储器801和处理器802能够为通用的存储器和处理器，这里不做具体限定，当处理器802运行存储器801存储的计算机程序时，能够执行上述项目推荐模型训练方法，从而解决概括性和训练难度无法兼顾的问题，进而达到对模型的训练过程难度小，耗费时间短，且能够建立不同时间节点之间的相互关联，兼顾概括性的效果。
对应于图1中的项目推荐模型训练方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述项目推荐模型训练方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述项目推荐模型训练方法，从而解决概括性和训练难度无法兼顾的问题，进而达到对模型的训练过程难度小，耗费时间短，且能够建立不同时间节点之间的相互关联，兼顾概括性的效果。
对应于图5中的项目推荐方法，本申请实施例还提供了一种计算机设备900，如图9所示，该设备包括存储器901、处理器902及存储在该存储器801上并可在该处理器902上运行的计算机程序，其中，上述处理器902执行上述计算机程序时实现上述项目推荐方法的步骤。
具体地，上述存储器901和处理器902能够为通用的存储器和处理器，这里不做具体限定，当处理器902运行存储器902存储的计算机程序时，能够执行上述项目推荐方法，从而能够更好地描述用户的兴趣偏好，提高模型的有效性。。
对应于图5中的项目推荐模型训练方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述项目推荐方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述项目推荐方法，从而能够更好地利用用户的兴趣偏好，使得向用户推荐的项目能够更加符合用户的喜好。本申请实施例所提供的项目推荐模型训练方法、装置及项目推荐方法和装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种项目推荐模型训练方法，其特征在于，包括：
基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量；
选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据；
使用所述训练数据对所述项目推荐模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述操作信息包括所述用户对所述项目的选择和/或评分信息。
3.根据权利要求1所述的方法，其特征在于，所述第一表示向量为表示所述用户的喜好程度的潜在因子表示向量，所述第二表示向量为所述项目的潜在因子表示向量。
4.根据权利要求3所述的方法，其特征在于，所述基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量，包括：
根据所述至少一个用户对至少一个项目的操作信息，生成用户评分矩阵；
基于潜在因子模型，对所述用户评分矩阵进行分解，生成与用户潜在因子喜好程度矩阵与项目潜在因子表示矩阵；
根据所述用户潜在因子喜好程度矩阵，确定所述各个用户的第一表示向量；以及
根据所述项目潜在因子表示矩阵，确定所述各个项目的第二表示向量。
5.根据权利要求1所述的方法，其特征在于，所述基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及所述样本用户的第一表示向量，生成所述项目推荐模型的训练数据，包括：
基于该样本用户操作的项目的操作顺序，从该样本用户所操作的项目中，选取预设数量或预设时间段内的项目，并基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据；以及
将预设数量或预设时间段之后的项目的第二表示向量，作为所述项目推荐模型的训练监督数据。
6.根据权利要求5所述的方法，其特征在于，所述基于所选择的项目的第二表示向量与所述样本用户的第一表示向量，生成所述项目推荐模型的训练输入数据，包括：
按照该样本用户对项目的操作顺序，组合所述所选取的预设数量或预设时间段内的项目的第二表示向量，形成项目时序矩阵；
将该样本用户所对应的项目时序矩阵及其第一表示向量，作为所述项目推荐模型的训练输入数据。
7.根据权利要求1-6任一所述的方法，其特征在于，所述项目推荐模型为卷积神经网络CNN模型。
8.一种项目推荐方法，其特征在于，包括：
基于目标用户对至少一个项目的操作信息，选择距离当前时刻的预设时间内或预设数量的项目；
基于所述目标用户对所选择的项目的操作顺序，使用所选择的项目的第二表示向量及所述目标用户的第一表示向量，生成输入数据；
将所述输入数据输入项目推荐模型中，得到预测项目的预测表示向量，所述项目推荐模型由权利要求1-7任一所述的项目推荐模型训练方法得到；
计算所述预测表示向量与项目的第二表示向量之间的相似度；基于计算得到的相似度，确定向所述目标用户推荐的项目并推荐给所述目标用户。
9.一种项目推荐模型训练装置，其特征在于，包括：
表示向量生成模块，用于基于至少一个用户对至少一个项目的操作信息，生成各个所述用户的第一表示向量以及各个所述项目的第二表示向量；
训练数据生成模块，用于选择至少一个样本用户，所述至少一个样本用户为所述至少一个用户的部分或者全部；以及针对所述至少一个样本用户中的每个，基于该样本用户对其所操作的项目的操作顺序及其所操作的项目的第二表示向量，以及该样本用户的第一表示向量，生成所述项目推荐模型的训练数据；
训练模块，用于使用所述训练数据对所述项目推荐模型进行训练。
10.一种项目推荐装置，其特征在于，包括：
选择模块，用于基于目标用户对至少一个项目的操作信息，选择距离当前时刻的预设时间内或预设数量的项目；
输入数据生成模块，用于基于所述目标用户对所选择的项目的操作顺序，使用所选择的项目的第二表示向量及所述目标用户的第一表示向量，生成输入数据；
表示向量生成模块，用于将所述输入数据输入项目推荐模型中，得到预测项目的预测表示向量，所述项目推荐模型由权利要求1-7任一所述的项目推荐模型训练方法得到；
相似度计算模块，用于计算所述预测表示向量与项目的第二表示向量之间的相似度；
推荐模块，用于基于计算得到的相似度，确定向所述目标用户推荐的项目并推荐给所述目标用户。
CN201811152399.XA 2018-09-29 2018-09-29 项目推荐模型训练方法、项目推荐方法以及装置 Active CN109389168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811152399.XA CN109389168B (zh) 2018-09-29 2018-09-29 项目推荐模型训练方法、项目推荐方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811152399.XA CN109389168B (zh) 2018-09-29 2018-09-29 项目推荐模型训练方法、项目推荐方法以及装置

Publications (2)

Publication Number Publication Date
CN109389168A true CN109389168A (zh) 2019-02-26
CN109389168B CN109389168B (zh) 2021-07-13

Family

ID=65418419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811152399.XA Active CN109389168B (zh) 2018-09-29 2018-09-29 项目推荐模型训练方法、项目推荐方法以及装置

Country Status (1)

Country Link
CN (1) CN109389168B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902446A (zh) * 2019-04-09 2019-06-18 北京字节跳动网络技术有限公司 用于生成信息预测模型的方法和装置
CN109918574A (zh) * 2019-03-28 2019-06-21 北京卡路里信息技术有限公司 项目推荐方法、装置、设备及存储介质
CN110297848A (zh) * 2019-07-09 2019-10-01 深圳前海微众银行股份有限公司 基于联邦学习的推荐模型训练方法、终端及存储介质
CN110689937A (zh) * 2019-09-05 2020-01-14 郑州金域临床检验中心有限公司 编码模型训练方法、***、设备及检测项目编码方法
CN110851718A (zh) * 2019-11-11 2020-02-28 重庆邮电大学 一种基于长短时记忆网络以及用户评论的电影推荐方法
CN111091888A (zh) * 2019-11-25 2020-05-01 泰康保险集团股份有限公司 活动决策方法、装置、设备及存储介质
CN111242748A (zh) * 2020-02-21 2020-06-05 腾讯科技（深圳）有限公司 用于向用户推荐项目的方法、装置和存储介质
WO2020228514A1 (zh) * 2019-05-13 2020-11-19 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
CN111026858B (zh) * 2019-11-29 2021-06-11 腾讯科技（深圳）有限公司 基于项目推荐模型的项目信息处理方法及装置
CN113312644A (zh) * 2021-06-15 2021-08-27 杭州金智塔科技有限公司 基于隐私保护的跨域推荐模型训练方法及训练***
CN113538185A (zh) * 2021-07-15 2021-10-22 山西安弘检测技术有限公司 一种放射卫生检测的模拟训练方法及装置
WO2022057658A1 (zh) * 2020-09-15 2022-03-24 腾讯科技（深圳）有限公司 推荐模型训练方法、装置、计算机设备及存储介质
CN114328995A (zh) * 2021-12-23 2022-04-12 北京达佳互联信息技术有限公司 内容推荐方法、装置、设备及存储介质
CN114418246A (zh) * 2022-03-30 2022-04-29 深圳谱盈科技有限公司 基于大数据的项目预测***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814068A (zh) * 2009-02-24 2010-08-25 日电（中国）有限公司 时序控制的基于评分预测的项目推荐方法和***
CN103823908A (zh) * 2014-03-21 2014-05-28 北京飞流九天科技有限公司 基于用户偏好的内容推荐方法和服务器
CN104935963A (zh) * 2015-05-29 2015-09-23 中国科学院信息工程研究所 一种基于时序数据挖掘的视频推荐方法
CN105069122A (zh) * 2015-08-12 2015-11-18 天津大学 一种基于用户行为的个性化推荐方法及其推荐装置
CN105354729A (zh) * 2015-12-14 2016-02-24 电子科技大学 一种电子商务***中的商品推荐方法
CN105354330A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于稀疏数据预处理的协同过滤推荐方法
CN105740444A (zh) * 2016-02-02 2016-07-06 桂林电子科技大学 基于用户评分的项目推荐方法
CN106294758A (zh) * 2016-09-23 2017-01-04 华南师范大学 基于用户认知度变化的协同推荐方法
CN106503028A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推荐方法和***
CN107368519A (zh) * 2017-06-05 2017-11-21 桂林电子科技大学 一种契合用户兴趣变化的协同处理方法及***
US9904949B1 (en) * 2013-06-21 2018-02-27 Amazon Technologies, Inc. Product recommendations
CN108243357A (zh) * 2018-01-25 2018-07-03 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814068A (zh) * 2009-02-24 2010-08-25 日电（中国）有限公司 时序控制的基于评分预测的项目推荐方法和***
US9904949B1 (en) * 2013-06-21 2018-02-27 Amazon Technologies, Inc. Product recommendations
CN103823908A (zh) * 2014-03-21 2014-05-28 北京飞流九天科技有限公司 基于用户偏好的内容推荐方法和服务器
CN104935963A (zh) * 2015-05-29 2015-09-23 中国科学院信息工程研究所 一种基于时序数据挖掘的视频推荐方法
CN105069122A (zh) * 2015-08-12 2015-11-18 天津大学 一种基于用户行为的个性化推荐方法及其推荐装置
CN106503028A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推荐方法和***
CN105354330A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于稀疏数据预处理的协同过滤推荐方法
CN105354729A (zh) * 2015-12-14 2016-02-24 电子科技大学 一种电子商务***中的商品推荐方法
CN105740444A (zh) * 2016-02-02 2016-07-06 桂林电子科技大学 基于用户评分的项目推荐方法
CN106294758A (zh) * 2016-09-23 2017-01-04 华南师范大学 基于用户认知度变化的协同推荐方法
CN107368519A (zh) * 2017-06-05 2017-11-21 桂林电子科技大学 一种契合用户兴趣变化的协同处理方法及***
CN108243357A (zh) * 2018-01-25 2018-07-03 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHIJUN ZHANG 等: ""Social recommendation model combining trust propagation and sequential behaviors"", 《HTTPS://LINK.SPRINGER.COM/ARTICLE/10.1007/S10489-015-0681-Y》 *
孙光福 等: ""基于时序行为的协同过滤推荐算法"", 《软件学报》 *
张志军: ""社交网络中个性化推荐模型及算法研究"", 《中国博士学位论文全文数据库 信息科技辑》 *
蔡海尼 等: ""基于时序模型和矩阵分解的推荐算法"", 《计算机应用研究》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918574A (zh) * 2019-03-28 2019-06-21 北京卡路里信息技术有限公司 项目推荐方法、装置、设备及存储介质
CN109902446A (zh) * 2019-04-09 2019-06-18 北京字节跳动网络技术有限公司 用于生成信息预测模型的方法和装置
CN109902446B (zh) * 2019-04-09 2023-07-11 北京字节跳动网络技术有限公司 用于生成信息预测模型的方法和装置
WO2020228514A1 (zh) * 2019-05-13 2020-11-19 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
CN110297848A (zh) * 2019-07-09 2019-10-01 深圳前海微众银行股份有限公司 基于联邦学习的推荐模型训练方法、终端及存储介质
CN110297848B (zh) * 2019-07-09 2024-02-23 深圳前海微众银行股份有限公司 基于联邦学习的推荐模型训练方法、终端及存储介质
CN110689937A (zh) * 2019-09-05 2020-01-14 郑州金域临床检验中心有限公司 编码模型训练方法、***、设备及检测项目编码方法
CN110851718B (zh) * 2019-11-11 2022-06-28 重庆邮电大学 一种基于长短时记忆网络以及用户评论的电影推荐方法
CN110851718A (zh) * 2019-11-11 2020-02-28 重庆邮电大学 一种基于长短时记忆网络以及用户评论的电影推荐方法
CN111091888A (zh) * 2019-11-25 2020-05-01 泰康保险集团股份有限公司 活动决策方法、装置、设备及存储介质
CN111091888B (zh) * 2019-11-25 2023-10-31 泰康保险集团股份有限公司 活动决策方法、装置、设备及存储介质
CN111026858B (zh) * 2019-11-29 2021-06-11 腾讯科技（深圳）有限公司 基于项目推荐模型的项目信息处理方法及装置
CN111242748B (zh) * 2020-02-21 2023-04-07 腾讯科技（深圳）有限公司 用于向用户推荐项目的方法、装置和存储介质
CN111242748A (zh) * 2020-02-21 2020-06-05 腾讯科技（深圳）有限公司 用于向用户推荐项目的方法、装置和存储介质
WO2022057658A1 (zh) * 2020-09-15 2022-03-24 腾讯科技（深圳）有限公司 推荐模型训练方法、装置、计算机设备及存储介质
CN113312644B (zh) * 2021-06-15 2022-05-24 杭州金智塔科技有限公司 基于隐私保护的跨域推荐模型训练方法及训练***
CN113312644A (zh) * 2021-06-15 2021-08-27 杭州金智塔科技有限公司 基于隐私保护的跨域推荐模型训练方法及训练***
CN113538185A (zh) * 2021-07-15 2021-10-22 山西安弘检测技术有限公司 一种放射卫生检测的模拟训练方法及装置
CN114328995A (zh) * 2021-12-23 2022-04-12 北京达佳互联信息技术有限公司 内容推荐方法、装置、设备及存储介质
CN114418246A (zh) * 2022-03-30 2022-04-29 深圳谱盈科技有限公司 基于大数据的项目预测***

Also Published As

Publication number Publication date
CN109389168B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109389168A (zh) 项目推荐模型训练方法、项目推荐方法以及装置
CN109902706B (zh) 推荐方法及装置
CN109767301B (zh) 推荐方法及***、计算机装置、计算机可读存储介质
EP3862893A1 (en) Recommendation model training method, recommendation method, device, and computer-readable medium
CN108431833A (zh) 端到端深度协作过滤
CN110413888B (zh) 一种书籍推荐方法及装置
CN105844508B (zh) 一种基于动态周期神经网络的商品推荐方法
CN115270001B (zh) 基于云端协同学习的隐私保护推荐方法及***
CN110781377B (zh) 一种文章推荐方法、装置
CN111931054B (zh) 一种基于改进残差结构的序列推荐方法和***
CN111506820A (zh) 推荐模型、方法、装置、设备及存储介质
CN112685657B (zh) 一种基于多模态交叉融合图网络的会话社交推荐方法
CN110321473A (zh) 基于多模态注意力的多样性偏好信息推送方法、***、介质及设备
CN109033453B (zh) 一种基于rbm与差分隐私保护的聚类的电影推荐方法及***
CN109670161A (zh) 商品相似度计算方法及装置、存储介质、电子设备
CN110287415A (zh) 一种内容推荐方法、装置和计算设备
CN112308669A (zh) 一种商品推荐方法、装置、存储介质及终端设备
CN114298783A (zh) 基于矩阵分解融合用户社交信息的商品推荐方法及***
CN113610610B (zh) 基于图神经网络和评论相似度的会话推荐方法和***
CN105260458A (zh) 一种用于显示装置的视频推荐方法及显示装置
CN112364236A (zh) 目标对象推荐***、方法、装置、数据处理方法及装置
CN112559904B (zh) 一种基于门机制和多模态图网络的会话社交推荐方法
CN111652673B (zh) 智能推荐方法、装置、服务器和存储介质
CN111967946B (zh) 一种基于面向用户多关系信息网络的商品推荐方法及***
CN113362139A (zh) 基于双塔结构模型的数据处理方法和装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100070, No. 101-8, building 1, 31, zone 188, South Fourth Ring Road, Beijing, Fengtai District

Applicant after: Guoxin Youyi Data Co., Ltd

Address before: 100070, No. 188, building 31, headquarters square, South Fourth Ring Road West, Fengtai District, Beijing

Applicant before: SIC YOUE DATA Co.,Ltd.

GR01 Patent grant
GR01 Patent grant