CN110209954A - 基于lda主题模型和深度学习的群组推荐方法 - Google Patents
基于lda主题模型和深度学习的群组推荐方法 Download PDFInfo
- Publication number
- CN110209954A CN110209954A CN201910476821.5A CN201910476821A CN110209954A CN 110209954 A CN110209954 A CN 110209954A CN 201910476821 A CN201910476821 A CN 201910476821A CN 110209954 A CN110209954 A CN 110209954A
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- group
- service
- indicate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000002123 temporal effect Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000006854 communication Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于LDA主题模型和深度学习的群组推荐方法,包括:获取用户的历史信息,所述用户的历史信息包括:用户参与的服务信息、用户参与的群组信息;基于所述用户的历史信息中的主题内容以及LDA主题模型,获得所述用户的历史信息的期间范围内的动态偏好;描述所述用户的动态偏好与服务之间的对应关系;通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好。采用上述方案,可以解决用户偏好相对于时间因素而产生变化的问题;考虑到用户的社交关系对用户的服务选择的影响,更符合实际生活中推荐***的需求,提高了推荐的精度和准确度。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于LDA主题模型和深度学习的群组推荐方法。
背景技术
在大数据时代,如何从海量数据中高效获取有用数据吸引着越来越多的人研究。群组推荐是基于用户需求,以用户允许识别符合他们的需求、偏好、品味和目标为基础,查找对整个用户群有益的项目推荐。
现有技术中采取的方案,只考虑了用户的历史兴趣爱好信息对群组偏好的影响,忽略了用户社交关系的影响、以及时间变化对用户偏好的影响,导致了推荐效果不佳。
发明内容
发明目的:针对现有技术缺陷,本发明旨在提供一种基于LDA主题模型和深度学习的群组推荐方法。
技术方案:本发明实施例中提供一种基于LDA主题模型和深度学习的群组推荐方法,包括:获取用户的历史信息,所述用户的历史信息包括:用户参与的服务信息、用户参与的群组信息;基于所述用户的历史信息中的主题内容,获得所述用户的历史信息的期间范围内的动态偏好;描述所述用户的动态偏好与服务之间的对应关系;通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好。
具体的,定义用户相关偏好的矩阵;将所述用户的历史信息输入所述偏好矩阵,得到所述用户的偏好信息;将所述用户的偏好信息进行聚类;使用LDA获取各个聚类的主题分布;使用时间函数,调整用户在不同时间段对于主题分布的权重,得到用户动态偏好。
具体的,所述用户相关偏好包括:用户的服务偏好、用户的群组偏好,其中:所述用户的服务偏好包括:用户的服务语义偏好、用户的服务时间偏好、用户的服务位置偏好;所述用户的群组偏好包括:用户的群组标签偏好、用户的群组语义偏好。
具体的,述用户的服务语义偏好计算步骤如下:将所述用户的历史信息中用户参与的服务信息输入LDA文本主题模型;获取主题特征向量eSu;
所述用户的服务时间偏好采用以下公式进行计算:
p(D,T|u)=p(T|D,u)p(D|u),
其中,p(D|u)为用户u在一个月内某天参与服务的概率,p(T|D,u)为用户u在一个月内某天中在时间段T参与服务的几率;
所述用户的服务位置偏好采用以下公式进行计算:
其中,Lu是用户u参加服务的位置集合,l、分别表示用户u参加服务的位置,Kσ为参数;
用户的群组标签偏好采用以下公式进行计算:
其中,i表示单词,j表示文档,表示标签字典内的单词,表示标签字典内的文档,tj表示用户的历史信息内的文档,ti表示用户的历史信息内的单词;
用户的群组语义偏好的计算步骤如下:将所述用户的历史信息中用户参与的群组信息输入LDA文本主题模型;获取主题特征向量eSg。
具体的,将用户的服务偏好、用户的群组偏好分别作为两个深度神经网络的输入,分别获取用户的服务偏好对应的隐性特征向量,以及用户的群组偏好对应的隐性特征向量;计算用户的服务偏好对应的隐性特征向量和用户的群组偏好对应的隐性特征向量的平均特征向量;所述平均特征向量包括:内容特征、时间特征和位置特征。
具体的,述内容特征采用以下公式进行计算:
其中,i表示单词,j表示文档,k表示文本,D表示所有k的集合,ni,j表示i在j中的出现次数,mw为出现i的k的次数;
所述时间特征采用以下公式进行计算:
其中,te表示服务e的时间特征,表示30×24的矩阵A中,用户u在30天中的某天的24小时中的某时段使用服务e,则对应的数值为1,否则为0;
所述位置特征采用以下公式进行计算:
其中,mu,i表示用户u在位置i选择服务的频率次数。
具体的,根据内容特征信息、时间特征信息以及位置特征信息来表示用户特征xu和服务特征xe,如下所示:
xu=[cu,tu,lu],xe=[ce,te,le],
其中,cu,tu,lu分别对应用户u的内容特征信息、时间特征信息以及位置特征信息;ce,te,le分别对应服务e的内容特征信息、时间特征信息以及位置特征信息。
具体的,采用以下公式计算用户特征和服务特征之间的相似度:
隐藏神经元:
x(i)=W1x,
x(i)=f(Wix(i-1)+bi),i=2,...,N-1,
y=f(WNx(N)+bN),
其中,x(i),i=1,...,N-1表示隐藏层神经元,bi表示第i-1层偏置项,Wi表示第i层网络参数;
用户特征xi和服务特征xj之间的相似度:
其中,x是输入向量,y为输出向量。yi以及yj则表示xi和xj的高层特征,输出即表示用户u对服务e的评价,即:
具体的,用户ui与群组内其他用户通过一次沟通过程可得出:
其中,是用户uj对e的原始偏好,表示用户uj对ui的影响度,经过一次交流后所有用户的修正偏好矩阵为:
R(1)=σ{F1R(0)}
其中,表示所有用户的修正偏好矩阵, 表示影响度矩阵,表示群内用户的原始偏好矩阵;
群组内用户反复交流得出:
R(t)=σ{FtR(t-1)}
R(t)表示群内成员完成t次沟通后的修正偏好矩阵,Ft表示t次沟通后群内成员的影响度矩阵,最终群组g对服务e的偏好矩阵Rg可表示为:
其中,wg,i表示ui在g群组中所占权重。若ui不是g的成员,则wg,i为0,得到:
Rg=WtR(t)
其中,Wt={wg,i}(g=1,2,…,|G|),u=1,2,...,|U|
具体的,使用神经网络bp算法计算参数矩阵Ft。
有益效果:与现有技术相比,本发明具有如下显著优点:可以解决用户偏好相对于时间因素而产生变化的问题;考虑到用户的社交关系对用户的服务选择的影响,更符合实际生活中推荐***的需求,提高了推荐的精度和准确度。
附图说明
图1为本发明实施例中的一种基于LDA主题模型和深度学习的群组推荐方法的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1,其为本发明实施例中的一种基于LDA主题模型和深度学习的群组推荐方法的流程示意图,包括具体步骤,以下结合具体步骤进行详细说明。
步骤S101,获取用户的历史信息,所述用户的历史信息包括用户参与的服务信息、用户参与的群组信息。
步骤S102,基于所述用户的历史信息中的主题,获得所述用户的历史信息的期间范围内的动态偏好。
步骤S103,描述所述用户的动态偏好与服务之间的对应关系。
步骤S104,通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好。
在具体实施中,获取的用户的历史信息,从用户的历史信息中挖掘用户参与的群组信息以及服务信息,包括用户本身参与服务的文本、文档信息、位置和时间信息,也包括用户参与的群组中的文本、文档信息,服务信息可以包括抽象的人工服务、咨询以及具体的商品消费。
在具体实施中,主题是指文字作品、文档、语句段落中所要表现的中心思想、主要内容,可以由短语或关键词表现。
本发明实施例中,所述获得所述用户的历史信息的期间范围内的动态偏好,包括:定义用户相关偏好的矩阵;将所述用户的历史信息输入所述偏好矩阵,得到所述用户的偏好信息;将所述用户的偏好信息进行聚类;使用LDA获得各个聚类的主题分布;使用时间函数,调整用户在不同时间段对于主题分布的权重,得到用户动态偏好。
在具体实施中,定义用户偏好矩阵。利用上一步中获得的群组服务信息挖掘用户的服务偏好和群组偏好,并挖掘参与服务和兴趣组的主题信息。
在具体实施中,将用户的偏好信息基于主题内容进行分层聚类,基于主题内容使用K-means聚类方法进行聚类,基于LDA主题模型获取各分组内用户偏好的主题分布,通过时间函数调整权重来动态获取用户偏好。
在具体实施中,LDA(Latent Dirichlet Allocation)是一种文档主题生成模型,也称为一个三层贝叶斯概率模型,包含词、主题和文档三层结构。
在具体实施中,时间函数可以为逻辑函数,表达如下:
F(f)=(A1,A2,...,An),
其中:A1,A2,...,An为输入函数,取值是0或1;F称为A1,A2,...,An的输出函数。
本发明实施例中,所述用户相关偏好包括:用户的服务偏好、用户的群组偏好,其中:所述用户的服务偏好包括:用户的服务语义偏好、用户的服务时间偏好、用户的服务位置偏好;所述用户的群组偏好包括:用户的群组标签偏好、用户的群组语义偏好。
本发明实施例中,所述用户的服务语义偏好计算步骤如下:
将所述用户的历史信息中用户参与的服务信息输入LDA文本主题模型;
获取主题特征向量eSu;
所述用户的服务时间偏好采用以下公式进行计算:
p(D,T|u)=p(T|D,u)p(D|u),
其中,p(D|u)为用户u在一个月内某天参与服务的概率,p(T|D,u)为用户u在一个月内某天中在时间段T参与服务的几率;
所述用户的服务位置偏好采用以下公式进行计算:
其中,Lu是用户u参加服务的位置集合,l、分别表示用户u参加服务的位置,Kσ为参数;
用户的群组标签偏好采用以下公式进行计算:
其中,i表示单词,j表示文档,表示标签字典内的单词,表示标签字典内的文档,tj表示用户的历史信息内的文档,ti表示用户的历史信息内的单词;
用户的群组语义偏好的计算步骤如下:
将所述用户的历史信息中用户参与的群组信息输入LDA文本主题模型;
获取主题特征向量gsu。
本发明实施例中,在所述描述所述用户的动态偏好与服务之间的对应关系之前包括:将用户的服务偏好、用户的群组偏好分别作为两个深度神经网络的输入,分别获取用户的服务偏好对应的隐性特征向量,以及用户的群组偏好对应的隐性特征向量;计算用户的服务偏好对应的隐性特征向量和用户的群组偏好对应的隐性特征向量的平均特征向量;所述平均特征向量包括:内容特征、时间特征和位置特征。
本发明实施例中,所述内容特征采用以下公式进行计算:
其中,i表示单词,j表示文档,k表示文本,D表示所有k的集合,ni,j表示i在j中的出现次数,mw为出现i的k的次数;
所述时间特征采用以下公式进行计算:
其中,te表示服务e的时间特征,表示30×24的矩阵A中,用户u在30天中的某天的24小时中的某时段使用服务e,则对应的数值为1,否则为0;
所述位置特征采用以下公式进行计算:
其中,mu,i表示用户u在位置i选择服务的频率次数。
本发明实施例中,所述描述所述用户的动态偏好与服务之间的对应关系,包括:
根据内容特征信息、时间特征信息以及位置特征信息来表示用户特征xu和服务特征xe,如下所示:
xu=[cu,tu,lu],xe=[ce,te,le],
其中,cu,tu,lu分别对应用户u的内容特征信息、时间特征信息以及位置特征信息;ce,te,le分别对应服务e的内容特征信息、时间特征信息以及位置特征信息。
在具体实施中,用内容特征、时间特征和位置特征来描述一个服务。
本发明实施例中,所述描述所述用户的动态偏好与服务之间的对应关系,包括:
采用以下公式计算用户特征和服务特征之间的相似度:
隐藏神经元:
x(1)=W1x,
x(i)=f(Wix(i-1)+bi),i=2,...,N-1,
y=f(WNx(N)+bN),
其中,x(i),i=1,...,N-1表示隐藏层神经元,bi表示第i-1层偏置项,Wi表示第i层网络参数;
用户特征xi和服务特征xj之间的相似度:
其中,x是输入向量,y为输出向量。yi以及yj则表示xi和xj的高层特征,输出即表示用户u对服务e的评价,即:
在具体实施中,利用深度语义网络来提取用户和服务的隐式特征以获取用户对服务的评价,即可以表现为用户动态偏好与服务特征之间的对应关系。
在具体实施中,为了获取更多的用户偏好和服务之间的对应关系,从而有效提高推荐效率,基于用户和服务特征使用深度语义网络模型来挖掘隐式特征。
本发明实施例中,所述通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,包括:
用户ui与群组内其他用户通过一次沟通过程可得出:
其中,是用户uj对e的原始偏好,表示用户uj对ui的影响度,经过一次交流后所有用户的修正偏好矩阵为:
R(1)=σ{F1R(0)}
其中,表示所有用户的修正偏好矩阵, 表示影响度矩阵,表示群内用户的原始偏好矩阵;
群组内用户反复交流得出:
R(t)=σ{FtR(t-1)}
R(t)表示群内成员完成t次沟通后的修正偏好矩阵,Ft表示t次沟通后群内成员的影响度矩阵,最终群组g对服务e的偏好矩阵Rg可表示为:
其中,wg,i表示ui在g群组中所占权重。若ui不是g的成员,则wg,i为0,得到:
Rg=WtR(t)
其中,Wi={wg,i}(g=1,2,...,|G|),u=1,2,...,|U|
在具体实施中,用户服务的选择可能会因为朋友或亲人的选择而发生变化,针对于用户之间交流的过程建立用户交流模型,在上述过程中可以体现本发明实施例中的深度学习。
在具体实施中,根据群组对于服务的偏好可以进一步生成群组推荐服务列表。
在具体实施中,可以首先利用神经网络求解用户的影响度矩阵,然后基于影响度矩阵得出群组对服务的偏好矩阵。
本发明实施例中,使用神经网络bp算法计算参数矩阵Ft。
在具体实施中,在该神经网络求解过程中,以R0为输入层向量,以Rg为输出层向量,将作为样本训练集,则R(1),R(2),...,R(k)作为神经网络的隐藏层神经元,以F1,F2,...,Ft为神经网络中的隐藏层参数,Wt表示R(t)与神经网络中输出层神经元的参数。然后将目标函数转化为神经网络求解得出参数矩阵,最后基于影响度矩阵得出群组对服务的偏好矩阵并完成群组推荐。
Claims (10)
1.一种基于LDA主题模型和深度学习的群组推荐方法,其特征在于,包括:
获取用户的历史信息,所述用户的历史信息包括:用户参与的服务信息、用户参与的群组信息;
基于所述用户的历史信息中的主题内容以及LDA主题模型,获得所述用户的历史信息的期间范围内的动态偏好;
描述所述用户的动态偏好与服务之间的对应关系;
通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好。
2.根据权利要求1所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述基于所述用户的历史信息中的内容以及LDA主题模型,获得所述用户的历史信息的期间范围内的动态偏好,包括:
定义用户相关偏好的矩阵;
将所述用户的历史信息输入所述偏好矩阵,得到所述用户的偏好信息;
将所述用户的偏好信息进行聚类;
使用LDA主题模型获得各个聚类的主题分布;
使用时间函数,调整用户在不同时间段对于主题分布的权重,得到用户动态偏好。
3.根据权利要求2所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述用户相关偏好包括:用户的服务偏好、用户的群组偏好,其中:所述用户的服务偏好包括:用户的服务语义偏好、用户的服务时间偏好、用户的服务位置偏好;所述用户的群组偏好包括:用户的群组标签偏好、用户的群组语义偏好。
4.根据权利要求3所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述用户的服务语义偏好计算步骤如下:
将所述用户的历史信息中用户参与的服务信息输入LDA文本主题模型;
获取主题特征向量eSu;
所述用户的服务时间偏好采用以下公式进行计算:
p(D,T|u)=p(T|D,u)p(D|u),
其中,p(D|u)为用户u在一个月内某天参与服务的概率,p(T|D,u)为用户u在一个月内某天中在时间段T参与服务的几率;
所述用户的服务位置偏好采用以下公式进行计算:
其中,Lu是用户u参加服务的位置集合,l、分别表示用户u参加服务的位置,Kσ为参数;
用户的群组标签偏好采用以下公式进行计算:
其中,i表示单词,j表示文档,表示标签字典内的单词,表示标签字典内的文档,tj表示用户的历史信息内的文档,ti表示用户的历史信息内的单词;
用户的群组语义偏好的计算步骤如下:
将所述用户的历史信息中用户参与的群组信息输入LDA文本主题模型;
获取主题特征向量eSg。
5.根据权利要求4所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,在所述描述所述用户的动态偏好与服务之间的对应关系之前包括:
将用户的服务偏好、用户的群组偏好分别作为两个深度神经网络的输入,分别获取用户的服务偏好对应的隐性特征向量,以及用户的群组偏好对应的隐性特征向量;
计算用户的服务偏好对应的隐性特征向量和用户的群组偏好对应的隐性特征向量的平均特征向量;所述平均特征向量包括:内容特征、时间特征和位置特征。
6.根据权利要求5所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述内容特征采用以下公式进行计算:
其中,i表示单词,j表示文档,k表示文本,D表示所有k的集合,ni,j表示i在j中的出现次数,mw为出现i的k的次数;
所述时间特征采用以下公式进行计算:
其中,te表示服务e的时间特征,表示30×24的矩阵A中,用户u在30天中的某天的24小时中的某时段使用服务e,则对应的数值为1,否则为0;
所述位置特征采用以下公式进行计算:
其中,mu,i表示用户u在位置i选择服务的频率次数。
7.根据权利要求6所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述描述用户的动态偏好与服务之间的对应关系,包括:
根据内容特征信息、时间特征信息以及位置特征信息来表示用户特征xu和服务特征xe,如下所示:
xu=[cu,tu,lu],xe=[ce,te,le],
其中,cu,tu,lu分别对应用户u的内容特征信息、时间特征信息以及位置特征信息;ce,te,le分别对应服务e的内容特征信息、时间特征信息以及位置特征信息。
8.根据权利要求7所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述描述用户的动态偏好与服务之间的对应关系,包括:
采用以下公式计算用户特征和服务特征之间的相似度:
隐藏神经元:
x(1)=W1x,
x(i)=f(Wix(i-1)+bi),i=2,...,N-1,
y=f(WNx(N)+bN),
其中,x(i),i=1,...,N-1表示隐藏层神经元,bi表示第i-1层偏置项,Wi表示第i层网络参数;
用户特征xi和服务特征xj之间的相似度:
其中,x是输入向量,y为输出向量。yi以及yj则表示xi和xj的高层特征,输出即表示用户u对服务e的评价,即:
9.根据权利要求8所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好,包括:
用户ui与群组内其他用户通过一次沟通过程可得出:
其中,是用户uj对e的原始偏好,表示用户uj对ui的影响度,经过一次交流后所有用户的修正偏好矩阵为:
R(1)=σ{F1R(0)}
其中,表示所有用户的修正偏好矩阵, 表示影响度矩阵,表示群内用户的原始偏好矩阵;
群组内用户反复交流得出:
R(t)=σ{FtR(t-1)}
R(t)表示群内成员完成t次沟通后的修正偏好矩阵,Ft表示t次沟通后群内成员的影响度矩阵,最终群组g对服务e的偏好矩阵Rg可表示为:
其中,wg,i表示ui在g群组中所占权重。若ui不是g的成员,则wg,i为0,得到:
Rg=WiR(t)
其中,Wi={wg,i}(g=1,2,...,|G|),u=1,2,...,|U|。
10.根据权利要求9所述的的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,使用神经网络bp算法计算参数矩阵Ft。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476821.5A CN110209954B (zh) | 2019-06-03 | 2019-06-03 | 基于lda主题模型和深度学习的群组推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476821.5A CN110209954B (zh) | 2019-06-03 | 2019-06-03 | 基于lda主题模型和深度学习的群组推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209954A true CN110209954A (zh) | 2019-09-06 |
CN110209954B CN110209954B (zh) | 2022-08-26 |
Family
ID=67790349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910476821.5A Active CN110209954B (zh) | 2019-06-03 | 2019-06-03 | 基于lda主题模型和深度学习的群组推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209954B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795640A (zh) * | 2019-10-12 | 2020-02-14 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
CN111368552A (zh) * | 2020-02-26 | 2020-07-03 | 北京市公安局 | 一种面向特定领域的网络用户群组划分方法及装置 |
CN111581378A (zh) * | 2020-04-28 | 2020-08-25 | 中国工商银行股份有限公司 | 基于交易数据建立用户消费标签体系的方法和装置 |
CN111626616A (zh) * | 2020-05-27 | 2020-09-04 | 深圳莫比嗨客数据智能科技有限公司 | 一种众包任务推荐方法 |
CN111651566A (zh) * | 2020-08-10 | 2020-09-11 | 四川大学 | 基于多任务的小样本学习的裁判文书争议焦点提取方法 |
WO2021197001A1 (zh) * | 2020-04-03 | 2021-10-07 | 南京邮电大学 | 一种融合社交关系与自私偏好顺序的群组划分方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248678A1 (en) * | 2008-03-28 | 2009-10-01 | Kabushiki Kaisha Toshiba | Information recommendation device and information recommendation method |
CN108629010A (zh) * | 2018-05-07 | 2018-10-09 | 南京大学 | 一种基于主题和服务组合信息的web服务推荐方法 |
-
2019
- 2019-06-03 CN CN201910476821.5A patent/CN110209954B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248678A1 (en) * | 2008-03-28 | 2009-10-01 | Kabushiki Kaisha Toshiba | Information recommendation device and information recommendation method |
CN108629010A (zh) * | 2018-05-07 | 2018-10-09 | 南京大学 | 一种基于主题和服务组合信息的web服务推荐方法 |
Non-Patent Citations (1)
Title |
---|
邓钟晟: "社交网络中基于关系强度的用户群体发现研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795640A (zh) * | 2019-10-12 | 2020-02-14 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
CN110795640B (zh) * | 2019-10-12 | 2023-08-18 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
CN111368552A (zh) * | 2020-02-26 | 2020-07-03 | 北京市公安局 | 一种面向特定领域的网络用户群组划分方法及装置 |
WO2021197001A1 (zh) * | 2020-04-03 | 2021-10-07 | 南京邮电大学 | 一种融合社交关系与自私偏好顺序的群组划分方法 |
US12033223B2 (en) | 2020-04-03 | 2024-07-09 | Nanjing University Of Posts And Telecommunications | Group division method based on social relationship in combination with selfish preference order |
CN111581378A (zh) * | 2020-04-28 | 2020-08-25 | 中国工商银行股份有限公司 | 基于交易数据建立用户消费标签体系的方法和装置 |
CN111581378B (zh) * | 2020-04-28 | 2024-04-26 | 中国工商银行股份有限公司 | 基于交易数据建立用户消费标签体系的方法和装置 |
CN111626616A (zh) * | 2020-05-27 | 2020-09-04 | 深圳莫比嗨客数据智能科技有限公司 | 一种众包任务推荐方法 |
CN111651566A (zh) * | 2020-08-10 | 2020-09-11 | 四川大学 | 基于多任务的小样本学习的裁判文书争议焦点提取方法 |
CN111651566B (zh) * | 2020-08-10 | 2020-12-01 | 四川大学 | 基于多任务的小样本学习的裁判文书争议焦点提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110209954B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209954A (zh) | 基于lda主题模型和深度学习的群组推荐方法 | |
CN109635291A (zh) | 一种基于协同训练的融合评分信息和物品内容的推荐方法 | |
CN108363804A (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
CN101354714B (zh) | 一种基于概率潜在语义分析的问题推荐方法 | |
Tan et al. | Improving aspect-based sentiment analysis via aligning aspect embedding | |
CN109783738A (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 | |
CN109214454B (zh) | 一种面向微博的情感社区分类方法 | |
CN111813895B (zh) | 一种基于层次注意力机制和门机制的属性级别情感分析方法 | |
CN115062237A (zh) | 基于图神经网络和知识图谱结合的文化资源推荐方法 | |
Zhu et al. | A dynamic personalized news recommendation system based on BAP user profiling method | |
CN104462383A (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN111428127B (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及*** | |
CN110046228A (zh) | 短文本主题识别方法和*** | |
CN109949174B (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN106202252A (zh) | 一种基于用户情绪分析的出行推荐方法、*** | |
CN112214661B (zh) | 一种面向视频常规评论的情感不稳定用户检测方法 | |
CN112256866A (zh) | 一种基于深度学习的文本细粒度情感分析方法 | |
Liu et al. | Using collaborative filtering algorithms combined with Doc2Vec for movie recommendation | |
Boutaba et al. | Recent trends in interactive multimedia computing for industry | |
Ingole et al. | Hybrid model for text classification | |
CN110263982A (zh) | 广告点击率预估模型的优化方法和装置 | |
Liu et al. | A reliable cross-site user generated content modeling method based on topic model | |
CN112307258B (zh) | 一种基于双层胶囊网络的短视频点击率预测方法 | |
CN110321483A (zh) | 一种基于用户序列性行为的在线课程平台内容推荐方法、装置、***及存储介质 | |
CN114358807A (zh) | 基于可预测用户特征属性的用户画像方法及*** |
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 |