CN110162709B - 一种结合对偶对抗生成网络的鲁棒的个性化排名方法 - Google Patents

一种结合对偶对抗生成网络的鲁棒的个性化排名方法 Download PDF

Info

Publication number
CN110162709B
CN110162709B CN201910441213.0A CN201910441213A CN110162709B CN 110162709 B CN110162709 B CN 110162709B CN 201910441213 A CN201910441213 A CN 201910441213A CN 110162709 B CN110162709 B CN 110162709B
Authority
CN
China
Prior art keywords
user
network
article
latent factor
item
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
Application number
CN201910441213.0A
Other languages
English (en)
Other versions
CN110162709A (zh
Inventor
不公告发明人
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.)
Zhongsen Yunchain (chengdu) Technology Co Ltd
Original Assignee
Zhongsen Yunchain (chengdu) Technology 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 Zhongsen Yunchain (chengdu) Technology Co Ltd filed Critical Zhongsen Yunchain (chengdu) Technology Co Ltd
Priority to CN201910441213.0A priority Critical patent/CN110162709B/zh
Publication of CN110162709A publication Critical patent/CN110162709A/zh
Application granted granted Critical
Publication of CN110162709B publication Critical patent/CN110162709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明用于计算机推荐领域，提出一种鲁棒的个性化排名方法，旨在为用户提供鲁棒的个性化推荐列表，帮助用户更有效地发现自己可能感兴趣的物品。对于推荐***应用平台来说，鲁棒有效的物品推荐列表也有助于提高用户对该推荐***的信任度，提高用户粘性。针对现有个性化排名方法中存在的欠鲁棒问题，本发明在学习用户和物品的潜因子表达的同时，致力于提高用户和物品的潜因子表达的鲁棒性，从而得到一个更鲁棒的个性化排名模型。相较于现有鲁棒的个性化排名方法，本发明提出的个性化排名方法可以归纳地建模规模扩展的数据集中的噪音，是一种归纳式的鲁棒的个性化排名方法。

Description

一种结合对偶对抗生成网络的鲁棒的个性化排名方法
技术领域
本发明利用计算机技术进行个性化推荐，具体是一种鲁棒的个性化排名方法。
背景技术
互联网技术的高速发展，使得信息过载成为人们快速有效地获取信息一个主要障碍。推荐***能够在大量信息中筛选出部分信息推荐给用户，以满足用户的信息需求，从而有效缓解信息过载问题。利用计算机技术，推荐***将用户可能喜好的资讯或实物推荐给用户，已经应用于人们生活的方方面面，例如商品推荐，新闻推送，歌单推荐，视频推荐等等。
为满足不同用户的个性化需求，个性化推荐***成为网络应用中不可缺少的重要组成部分。在个性化推荐***中，个性化排名发挥了重要作用。个性化排名旨在根据用户偏好，为用户产生一个有序的商品推荐列表。然而，现有的个性化排名方法往往缺乏对排名鲁棒性的研究。鲁棒的个性化排名是指，当用户的交互数据发生微小变化时，个性化排名方法给出的推荐列表不发生较大改变。而不鲁棒的个性化排名，例如，在电影推荐中，当用户的观影记录发生微小改变时，推荐的电影列表将发生剧烈的变化，甚至很可能使用户不喜欢的物品排在喜欢的物品之前，严重降低推荐的准确性。在实际的个性化推荐应用中，可以发现，鲁棒的推荐列表往往能更有效地反映用户的兴趣偏好。而对于个性化推荐应用平台来说，鲁棒的推荐列表也有助于提高用户粘性，带来持续稳定的经济利益。
现有的推荐***，很多是基于协同过滤的，这种方法的主要思想是根据用户历史的交互行为建模用户对物品的偏好。潜因子模型在学术界和工业界都很受欢迎。潜因子可以理解为一个用户喜欢一个物品的隐形原因，比如用户喜欢某部电影，可能是因为该电影中有他喜欢的某个元素，或者是他喜欢的某个演员等等；如果另外一个电影有类似的元素和演员，那么他很有可能也会喜欢这部电影。基于此，潜因子模型为用户和物品学***给交互数据添加噪音，再通过最小化对真实评分的重建误差来训练自编码器，使训练好的编码器能够识别数据中的噪音，学***，该噪音水平与数据规模紧密相关。而实际上，用户-物品交互数据的噪音水平未知，且依赖于不同的数据集，降噪自编码器根据一个超参数决定的噪音水平得到模型的输入数据，模型训练过程中，该超参数的设置根据当前训练集经验性地确定，因此，对于规模扩展的交互数据，需要重新设置该超参数；而添加对抗扰动的对抗训练，模型训练中得到的扰动参数也依赖于当前的训练集，因此对抗训练得到的鲁棒的模型参数也仅在当前数据集上有效。本发明提出一个对偶对抗生成网络，利用用户判别网络和物品判别网络对贝叶斯个性化排名方法学习得到的用户和物品的潜因子表达分别强加先验约束，提高潜因子表达的鲁棒性，从而建模了交互数据中的噪音，提高了个性化排名的鲁棒性。
发明内容
本发明的目的在于克服现有个性化排名方法中存在的问题和不足，提供一种鲁棒的个性化排名方法。
为实现本发明的目的，本发明提出一种结合对偶对抗生成网络的鲁棒的个性化排名方法。首先，将用户和物品嵌入到一个共同的低维空间；然后，利用贝叶斯个性化排名和对抗训练两个过程交替优化用户和物品的潜因子表达。训练好的鲁棒的用户和物品的潜因子模型能够归纳地建模交互数据中的噪音，从而能够处理规模扩展的数据集；最后，利用鲁棒的用户和物品的潜因子表达预测用户对物品的分数，产生鲁棒的Top-K推荐列表。该发明主要包括以下步骤：
步骤1：从互联网中采集用户与物品的交互数据，并进行预处理；
步骤2：将数据集划分为训练集、验证集和测试集；
步骤3：根据用户与物品的交互数据，通过贝叶斯个性化排名方法学习用户和物品的潜因子表达；
步骤4：对于步骤3得到的用户和物品的潜因子表达，通过生成对抗网络的对抗训练过程进行正则，提高用户和物品的潜因子表达的鲁棒性；
步骤5：交替进行上述步骤3和步骤4，得到鲁棒的用户和物品的潜因子表达，从而进行分数预测并生成鲁棒的个性化推荐列表。
所述步骤1中对用户与物品的交互数据进行预处理，具体方法如下:对于用户集合U，其大小为n，表示n个用户；物品集合I，其大小为m，表示m个物品；定义n行m列的用户-物品交互矩阵，矩阵元素取值如下：
Figure GDA0002262135560000041
将用户-物品交互数据处理为隐式反馈，取值为1，表示用户u与物品i发生过交互，但不意味着用户u真的喜欢物品i；取值为0表示用户没有见过该物品；根据隐式反馈的交互数据，通过贝叶斯个性化排名，即BPR，来学习排名模型。
所述步骤2是将数据集划分为训练集和测试集，具体方法为：对于每一个数据集，根据留一法，为每个用户保留最新的一次交互构成测试集，用剩余的交互数据进行训练；在模型训练过程中，从训练数据中随机地为每个用户保留一次交互构成验证集，以调整超参数。
所述步骤3根据用户与物品的交互数据，通过贝叶斯个性化排名方法学习用户和物品的潜因子表达，具体过程如下：
a1.根据用户-物品交互矩阵R，构造训练数据集D：
Figure GDA0002262135560000051
其中
Figure GDA0002262135560000052
表示用户u交互过的物品集合，I表示全部物品集合；
a2.对于训练数据集D中的每个用户，采用one-hot编码作为输入，通过一个用户编码器GU得到用户的嵌入向量p；例如，对于用户u，得到其嵌入向量pu＝GU(u；ΛU)，其中ΛU为用户编码器GU的参数；
a3.对于训练数据集D中的每个物品，同样采用one-hot编码作为输入，通过一个物品编码器GV得到物品的嵌入向量q；例如，对于物品v，得到其嵌入向量qv＝GV(v；ΛV)，其中ΛV为物品编码器GV的参数；
a4.使用BPR训练用户和物品编码器，具体方法如下:，
b1.对于每个训练集中的实例(u，i，j)，通过编码器GU和GV分别得到用户的潜因子表达pu和物品的潜因子表达qi、qj；
b2.对于用户-物品对(u，i)，根据(1)式预测用户u对物品i的分数：
Figure GDA0002262135560000053
b3.同样的方式得到用户u对物品j的分数
Figure GDA0002262135560000054
之后利用BPR优化用户编码器和物品编码器的参数，BPR的优化问题如下：
Figure GDA0002262135560000061
所述步骤4是通过生成对抗网络的对抗训练过程对步骤3得到的用户和物品的潜因子表达进行正则，提高潜因子表达的鲁棒性，具体方法为：为用户和物品分别构造一对生成对抗网络，其中，步骤3中的用户编码器GU和物品编码器GV在这里作为各自的生成网络，另外使用两个深度神经网络分别实现用户判别网络DU和物品判别网络DV，分别为用户和物品的潜因子表达引入先验约束,从而建模交互数据中的噪音；对抗训练的具体步骤为：
c1.固定用户生成网络GU，将用户的潜因子表达作为样本输入用户判别网络DU；其中，来自先验分布x～P(x)的潜因子表达为真样本，生成网络GU产生的潜因子表达为假样本，训练判别网络，使其能够正确区分输入样本是来自先验分布x～P(x)，还是来自生成网络GU；使用交叉熵损失函数优化用户判别网络DU，得到目标函数如下(3)式，其中，ΘU为用户判别网络DU要学习的网络参数，n为用户数：
Figure GDA0002262135560000062
c2.固定用户判别网络DU，训练生成网络GU，使其产生的潜因子表达服从先验分布x～P(x)，从而使判别网络DU错误地判断来自生成网络GU的用户潜因子表达为真样本；得到用户生成网络GU的目标函数如下(4)式，其中ΛU为用户生成网络GU要学习的网络参数，n为用户数：
Figure GDA0002262135560000071
c3.采用同样的方式使物品的潜因子表达服从一个先验分布t～P(t)，得到物品潜因子表达的判别网络DV和生成网络GV的目标函数，分别如下(5)式和(6)式,其中ΘV和ΛV为要学习的网络参数，m为物品数：
Figure GDA0002262135560000072
Figure GDA0002262135560000073
所述步骤5是交替进行步骤3的BPR学习过程和步骤4的对抗训练过程，得到鲁棒的用户和物品的潜因子表达，并基于该潜因子表达进行分数预测，根据预测得分
Figure GDA0002262135560000074
进行排名，为用户u生成鲁棒的个性化推荐列表。
附图说明
图1为本发明的鲁棒的个性化排名方法流程图。
具体实施方式
为实现本发明的目的，本发明提出一种结合对偶对抗生成网络的鲁棒的个性化排名方法。首先，将用户和物品嵌入到一个共同的低维空间；然后，利用贝叶斯个性化排名和对抗训练两个过程交替优化用户和物品的潜因子表达。训练好的鲁棒的用户和物品的潜因子模型能够归纳地建模交互数据中的噪音，从而能够处理规模扩展的数据集；最后，利用鲁棒的用户和物品的潜因子表达预测用户对物品的分数，产生鲁棒的Top-K推荐列表。该发明主要包括以下步骤：
步骤1：从互联网中采集用户与物品的交互数据，并进行预处理；
步骤2：将数据集划分为训练集、验证集和测试集；
步骤3：根据用户与物品的交互数据，通过贝叶斯个性化排名方法学习用户和物品的潜因子表达；
步骤4：对于步骤3得到的用户和物品的潜因子表达，通过生成对抗网络的对抗训练过程进行正则，提高用户和物品的潜因子表达的鲁棒性；
步骤5：交替进行上述步骤3和步骤4，得到鲁棒的用户和物品的潜因子表达，从而进行分数预测并生成鲁棒的个性化推荐列表。
所述步骤1中对用户与物品的交互数据进行预处理，具体方法如下:对于用户集合U，其大小为n，表示n个用户；物品集合I，其大小为m，表示m个物品；定义n行m列的用户-物品交互矩阵，矩阵元素取值如下：
Figure GDA0002262135560000081
将用户-物品交互数据处理为隐式反馈，取值为1，表示用户u与物品i发生过交互，但不意味着用户u真的喜欢物品i；取值为0表示用户没有见过该物品；根据隐式反馈的交互数据，通过贝叶斯个性化排名，即BPR，来学习排名模型。
所述步骤2是将数据集划分为训练集和测试集，具体方法为：对于每一个数据集，根据留一法，为每个用户保留最新的一次交互构成测试集，用剩余的交互数据进行训练；在模型训练过程中，从训练数据中随机地为每个用户保留一次交互构成验证集，以调整超参数。
所述步骤3根据用户与物品的交互数据，通过贝叶斯个性化排名方法学习用户和物品的潜因子表达，具体过程如下：
a1.根据用户-物品交互矩阵R，构造训练数据集D：
Figure GDA0002262135560000091
其中
Figure GDA0002262135560000092
表示用户u交互过的物品集合，I表示全部物品集合；
a2.对于训练数据集D中的每个用户，采用one-hot编码作为输入，通过一个用户编码器GU得到用户的嵌入向量p；例如，对于用户u，得到其嵌入向量pu＝GU(u；ΛU)，其中ΛU为用户编码器GU的参数；
a3.对于训练数据集D中的每个物品，同样采用one-hot编码作为输入，通过一个物品编码器GV得到物品的嵌入向量q；例如，对于物品v，得到其嵌入向量qv＝GV(v；ΛV)，其中ΛV为物品编码器GV的参数；
a4.使用BPR训练用户和物品编码器，具体方法如下:，
b1.对于每个训练集中的实例(u，i，j)，通过编码器GU和GV分别得到用户的潜因子表达pu和物品的潜因子表达qi、qj；
b2.对于用户-物品对(u，i)，根据(1)式预测用户u对物品i的分数：
Figure GDA0002262135560000093
b3.同样的方式得到用户u对物品j的分数
Figure GDA0002262135560000101
之后利用BPR优化用户编码器和物品编码器的参数，BPR的优化问题如下：
Figure GDA0002262135560000102
所述步骤4是通过生成对抗网络的对抗训练过程对步骤3得到的用户和物品的潜因子表达进行正则，提高潜因子表达的鲁棒性，具体方法为：为用户和物品分别构造一对生成对抗网络，其中，步骤3中的用户编码器GU和物品编码器GV在这里作为各自的生成网络，另外使用两个深度神经网络分别实现用户判别网络DU和物品判别网络DV，分别为用户和物品的潜因子表达引入先验约束,从而建模交互数据中的噪音；以用户为例，利用对抗训练使用户的潜因子表达服从一个先验分布x～P(x)，对抗训练的具体步骤为：
c1.固定用户生成网络GU，训练用户判别网络DU：将用户的潜因子表达作为样本输入用户判别网络DU；其中，来自先验分布x～P(x)的潜因子表达为真样本，生成网络GU产生的潜因子表达为假样本，训练判别网络，使其能够正确区分输入样本是来自先验分布x～P(x)，还是来自生成网络GU；使用交叉熵损失函数优化用户判别网络DU，其目标函数如下(3)式，其中，ΘU为用户判别网络DU要学习的网络参数，n为用户数：
Figure GDA0002262135560000103
c2.固定用户判别网络DU，训练生成网络GU，使其产生的潜因子表达服从先验分布x～P(x)，从而使判别网络DU错误地判断来自生成网络GU的用户潜因子表达为真样本；得到用户生成网络GU的目标函数如下(4)式，其中ΛU为用户生成网络GU要学习的网络参数，n为用户数：
Figure GDA0002262135560000111
c3.采用同样的方式使物品的潜因子表达服从一个先验分布t～P(t)，得到物品潜因子表达的判别网络DV和生成网络GV的目标函数，分别如下(5)式和(6)式,其中ΘV和ΛV为要学习的网络参数，m为物品数：
Figure GDA0002262135560000112
Figure GDA0002262135560000113
所述步骤5是交替进行步骤3的BPR学习过程和步骤4的对抗训练过程，得到鲁棒的用户和物品的潜因子表达，并基于该潜因子表达进行分数预测，根据预测得分
Figure GDA0002262135560000114
进行排名，为用户u生成鲁棒的个性化推荐列表。
本发明是一种结合对偶对抗生成网络的鲁棒的个性化排名方法。采用本发明中所述的对抗训练方式为用户和物品的潜因子表达强加先验约束，从而能够很好地建模用户与物品交互数据中的噪音，提高用户和物品的潜因子表达的鲁棒性，进而得到一个鲁棒的个性化排名模型，为用户进行鲁棒的物品推荐。本发明中训练好的判别网络所确定的潜因子表达的先验分布，可以归纳地适用于同一来源的规模扩展的数据集。

Claims (3)

1.一种结合对偶对抗生成网络的鲁棒的个性化排名方法，其特征在于包括以下步骤：
步骤1：从互联网中采集用户与物品的交互数据，并进行预处理；
步骤2：将数据集划分为训练集、验证集和测试集；
步骤3：根据用户与物品的交互数据，通过贝叶斯个性化排名方法学习用户和物品的潜因子表达；具体过程如下：
a1.根据用户-物品交互矩阵R，构造训练数据集
Figure FDA0002368566690000011
其中
Figure FDA0002368566690000012
表示用户u交互过的物品集合，I表示全部物品集合；
a2.对于训练数据集D中的每个用户，采用one-hot编码作为输入，通过一个用户编码器GU得到用户的嵌入向量p；对于用户u，得到其嵌入向量pu＝GU(u；ΛU)，其中ΛU为用户编码器GU的参数；
a3.对于训练数据集D中的每个物品，同样采用one-hot编码作为输入，通过一个物品编码器GV得到物品的嵌入向量q；对于物品v，得到其嵌入向量qv＝GV(v；Λv)，其中ΛV为物品编码器GV的参数；
a4.使用BPR训练用户和物品编码器，具体方法如下：
b1.对于每个训练集中的实例(u，i，j)，通过编码器GU和GV分别得到用户的潜因子表达pu和物品的潜因子表达qi、qj；
b2.对于用户物品对(u，i)，根据(1)式预测用户u对物品i的分数：
Figure FDA0002368566690000021
b3.同样的方式得到用户u对物品j的分数
Figure FDA0002368566690000022
之后利用BPR优化用户编码器和物品编码器的参数，BPR的优化问题如下：
Figure FDA0002368566690000023
步骤4：对于步骤3得到的用户和物品的潜因子表达，通过生成对抗网络的对抗训练过程进行正则，提高用户和物品的潜因子表达的鲁棒性；具体方法为：为用户和物品分别构造一对生成对抗网络，其中，步骤3中的用户编码器GU和物品编码器GV在这里作为各自的生成网络，另外使用两个深度神经网络分别实现用户判别网络DU和物品判别网络DV，分别为用户和物品的潜因子表达引入先验约束,从而建模交互数据中的噪音；对抗训练的具体步骤为：
c1.固定用户生成网络GU，将用户的潜因子表达作为样本输入用户判别网络DU；其中，来自先验分布x～P(x)的潜因子表达为真样本，生成网络GU产生的潜因子表达为假样本，训练判别网络，使其能够正确区分输入样本是来自先验分布x～P(x)，还是来自生成网络GU；使用交叉熵损失函数优化用户判别网络DU，得到目标函数如下(3)式，其中，ΘU为用户判别网络DU要学习的网络参数，n为用户数：
Figure FDA0002368566690000024
c2.固定用户判别网络DU，训练生成网络GU，使其产生的潜因子表 达
服从先验分布x～P(x)，从而使判别网络DU错误地判断来自生成网络GU的用户潜因子表达为真样本；得到用户生成网络GU的目标函数如下(4)式，其中ΛU为用户生成网络GU要学习的网络参数，n为用户数：
Figure FDA0002368566690000031
c3.采用同样的方式使物品的潜因子表达服从一个先验分布t～P(t)，得到物品潜因子表达的判别网络DV和生成网络GV的目标函数，分别如下(5)式和(6)式,其中ΘV和ΛV为要学习的网络参数，m为物品数：
Figure FDA0002368566690000032
Figure FDA0002368566690000033
步骤5：交替进行上述步骤3和步骤4，得到鲁棒的用户和物品的潜因子表达，从而进行分数预测并生成鲁棒的个性化推荐列表。
2.根据权利要求1所述的一种结合对偶对抗生成网络的鲁棒的个性化排名方法，其特征在于：所述步骤1中对用户与物品的交互数据进行预处理，具体方法如下:对于用户集合U，其大小为n，表示n个用户；物品集合I，其大小为m，表示m个物品；定义n行m列的用户-物品交互矩阵，矩阵元素取值如下：
Figure FDA0002368566690000041
将用户-物品交互数据处理为隐式反馈，取值为1，表示用户u与物品i发生过交互，但不意味着用户u真的喜欢物品i；取值为0表示用户没有见过该物品；根据隐式反馈的交互数据，通过贝叶斯个性化排名，即BPR，来学习排名模型。
3.根据权利要求1所述的一种结合对偶对抗生成网络的鲁棒的个性化排名方法，其特征在于：所述步骤5是交替进行步骤3的BPR学习过程和步骤4的对抗训练过程，得到鲁棒的用户和物品的潜因子表达，并基于该潜因子表达进行分数预测，根据预测得分
Figure FDA0002368566690000042
进行排名，为用户u生成鲁棒的个性化推荐列表。
CN201910441213.0A 2019-05-24 2019-05-24 一种结合对偶对抗生成网络的鲁棒的个性化排名方法 Active CN110162709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910441213.0A CN110162709B (zh) 2019-05-24 2019-05-24 一种结合对偶对抗生成网络的鲁棒的个性化排名方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910441213.0A CN110162709B (zh) 2019-05-24 2019-05-24 一种结合对偶对抗生成网络的鲁棒的个性化排名方法

Publications (2)

Publication Number Publication Date
CN110162709A CN110162709A (zh) 2019-08-23
CN110162709B true CN110162709B (zh) 2020-03-13

Family

ID=67632768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910441213.0A Active CN110162709B (zh) 2019-05-24 2019-05-24 一种结合对偶对抗生成网络的鲁棒的个性化排名方法

Country Status (1)

Country Link
CN (1) CN110162709B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727844B (zh) * 2019-10-21 2022-07-01 东北林业大学 一种基于生成对抗网络的在线评论商品特征观点提取方法
CN110781401A (zh) * 2019-11-07 2020-02-11 电子科技大学 一种基于协同自回归流实现的Top-n项目推荐方法
CN111104601B (zh) * 2019-12-26 2022-09-13 河南理工大学 一种对抗式多反馈层级成对个性化排名方法
CN111259233B (zh) * 2020-01-06 2022-07-26 浙江工业大学 一种提高协同过滤模型稳定性的方法
CN111241417B (zh) * 2020-01-06 2022-07-26 浙江工业大学 一种增强协同推荐***鲁棒性的方法
CN111460130B (zh) * 2020-03-27 2023-07-25 咪咕数字传媒有限公司 信息推荐方法、装置、设备和可读存储介质
CN113221003B (zh) * 2021-05-20 2023-05-02 北京建筑大学 一种基于对偶理论的混合过滤推荐方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714198B (zh) * 2009-10-29 2011-12-07 北京航空航天大学 基于贝叶斯估计的计算机网络对抗情报信息可信度评估***
US10218800B2 (en) * 2014-07-28 2019-02-26 Oath Inc. Systems and methods for providing recommendations and explanations
CN104199904B (zh) * 2014-08-27 2016-08-24 腾讯科技（深圳）有限公司 一种社交信息推送方法、服务器、用户终端以及***
US10810616B2 (en) * 2016-08-17 2020-10-20 Adobe Inc. Personalization of digital content recommendations
CN109657149A (zh) * 2018-12-25 2019-04-19 合肥学院 一种基于生成对抗网络和双聚类的推荐方法及***
CN109657156B (zh) * 2019-01-22 2021-06-01 杭州师范大学 一种基于循环生成对抗网络的个性化推荐方法

Also Published As

Publication number Publication date
CN110162709A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110162709B (zh) 一种结合对偶对抗生成网络的鲁棒的个性化排名方法
CN111460130B (zh) 信息推荐方法、装置、设备和可读存储介质
CN111708950B (zh) 内容推荐方法、装置及电子设备
Baveye et al. Deep learning vs. kernel methods: Performance for emotion prediction in videos
CN111400591B (zh) 资讯信息推荐方法、装置、电子设备及存储介质
CN110832499A (zh) 通过稀疏时间池化网络的弱监督动作定位
CN113065577A (zh) 一种面向目标的多模态情感分类方法
CN111652357B (zh) 一种利用基于图的特定目标网络解决视频问答问题的方法及其***
KR102129583B1 (ko) 딥러닝 기반의 아이템 추천 방법 및 장치
CN104715023A (zh) 基于视频内容的商品推荐方法和***
CN113590970B (zh) 一种基于读者偏好的个性化数字图书推荐***、方法、计算机及存储介质
Yang et al. STA-TSN: Spatial-temporal attention temporal segment network for action recognition in video
CN116521908B (zh) 一种基于人工智能的多媒体内容个性化推荐方法
CN111523421A (zh) 基于深度学习融合各种交互信息的多人行为检测方法及***
CN110781401A (zh) 一种基于协同自回归流实现的Top-n项目推荐方法
CN112115371A (zh) 一种基于因子分解机的神经注意力机制手机应用推荐模型
Yakhchi et al. Towards a deep attention-based sequential recommender system
CN115618101A (zh) 基于负反馈的流媒体内容推荐方法、装置及电子设备
Kordabadi et al. A movie recommender system based on topic modeling using machine learning methods
Huan et al. Human action recognition based on HOIRM feature fusion and AP clustering BOW
CN117251622A (zh) 对象推荐的方法、装置、计算机设备和存储介质
CN116980665A (zh) 一种视频处理方法、装置、计算机设备、介质及产品
CN112084415B (zh) 一种基于用户和项目长短期时间耦合关系分析的推荐方法
Compiani et al. Demand estimation with text and image data
CN114936890A (zh) 一种基于逆倾向加权方法的反事实公平的推荐方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A robust personalized ranking method combined with dual confrontation generation network

Effective date of registration: 20220509

Granted publication date: 20200313

Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd.

Pledgor: ZHONGSENYUNLIAN (CHENGDU) TECHNOLOGY Co.,Ltd.

Registration number: Y2022980005318

PE01 Entry into force of the registration of the contract for pledge of patent right