CN110930219B - 一种基于多特征融合的个性化电商推荐方法 - Google Patents
一种基于多特征融合的个性化电商推荐方法 Download PDFInfo
- Publication number
- CN110930219B CN110930219B CN201911112063.5A CN201911112063A CN110930219B CN 110930219 B CN110930219 B CN 110930219B CN 201911112063 A CN201911112063 A CN 201911112063A CN 110930219 B CN110930219 B CN 110930219B
- Authority
- CN
- China
- Prior art keywords
- sequence
- feature
- length
- commodity
- data
- 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
Links
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多特征融合的个性化电商推荐方法,该方法包括采集用户信息和商品信息形成数据集,构建并训练基于多特征融合的电商推荐模型,利用训练后的模型进行个性化电商推荐。本发明在训练过程中首先将数据输入到带有注意力机制的长短期记忆网络进行处理,并且在最后全连接层结合商品其余显性特征等一同得出最终的推荐结果,能够充分利用数据集的数据特征,解决了过去推荐***结果不够准确的问题;并且在数据集较少的情况下,使用数据增强的方式也能得到较为准确的结果。
Description
技术领域
本发明属于电商推荐技术领域,具体涉及一种基于多特征融合的个性化电商推荐方法。
背景技术
随着网上购物的不断兴起,通过算法来给予用户相关的推荐是电商售卖***的核心技术。 推荐***是给予消费者消费推荐的一个***。鉴于网络上的可用信息的***式增长,消费者 在日常生活中可能会面对无数受欢迎的产品、电影或者餐款。因此,个性化的推荐是给予消 费者更好的用户体验的基本策略。现在的推荐***在各种信息访问***中发挥着至关重要的 作用,以促进用户的决策过程。正是如此,推荐***在诸多电子商务或媒体网站等领域普遍 存在。通常,推荐是基于用户首选项、物品特性、用户过去交互历史和其他一些额外信息生 成的,比如时间和空间数据。
在推荐***领域,传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐 方法。其中,最经典的算法是协同过滤,如矩阵因子分解,其利用用户与物品之间的交互信 息为用户产生推荐,协同过滤是目前应用最为广泛的推荐算法,但是同时也遭遇到了严重的 数据稀疏(一个用户评分过的物品仅仅占总物品数量的极少部分)和冷启动(新的用户和新的物 品往往没有评分数据)问题。此外,经典的协同过滤方法采用浅层模型无法学习到用户和物品 的深层次特征。
近些年来,深度学习在计算机视觉、自然语言处理等诸多领域都取得了相当显著的发展。 学术界和产业界一直在竞相将深度学习应用于更广泛的应用领域,因为它能够解决许多复杂 的任务,同时提供一流的成果。近年来,深度学习使推荐体系结构发生了巨大的变革,为提 高推荐***的性能提供了更好的方法。基于深度学习的推荐***克服了传统推荐模式的障碍, 取得了更高的推荐质量,因此受到了广泛的关注。深度学习能够有效地捕获非线性和非琐碎 的用户项关系,并能够将更复杂的抽象编码为更高层次的数据表示。此外,它可以从丰富的 可访问数据源(如上下文、文本和视觉信息)中捕获数据本身内部的复杂关系。
但目前一些已有的一些深度学习方面的推荐***方法往往只用全连接网络或者其组合变 体来实现特征的组合,其推荐效果在上难以达到广泛使用的标准,因为其结构的特性忽略了 很多细节信息。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于多特征融合的个性化电商推荐方法, 通过在长短期记忆网络的基础上加入注意力机制,使得每层网络能感知更多商品与用户之间 的关联信息,从而获得更为准确的推荐信息。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于多特征融合的个性化电商推荐方法,包括以下步骤:
S1、采集用户的历史购买序列信息和商品信息,形成数据集;
S2、对步骤S1采集的数据集进行预处理;
S3、根据用户显性特征和用户隐性特征构建基于多特征融合的电商推荐模型,并利用步 骤S2预处理后的数据进行模型训练;
S4、利用步骤S3训练后的基于多特征融合的电商推荐模型根据用户的购买序列信息进行 推荐,得到最优的推荐商品信息。
进一步地,所述步骤S2对步骤S1采集的数据集进行预处理具体包括以下分步骤:
S21、将步骤S1采集的数据集中的数据格式化为用户、商品类别、商品序列、评分序列 的形式;
S22、从数据集中随机选取用户未选择的商品作为负样本,设置正负样本比例为1:1。
进一步地,所述步骤S21还包括设定由最短序列长度和最长序列长度组成的阈值范围, 判断商品序列和评分序列的序列长度是否在设定的阈值范围内;若商品序列和评分序列的序 列长度小于最短序列长度,则对该数据进行数据增强操作;若商品序列和评分序列的序列长 度大于最长序列长度,则对该数据进行数据截断操作。
进一步地,所述数据增强操作具体为:从该商品的同类别商品中随机抽选出现频率最高 的若干个商品,利用选择商品的商品信息对该商品的商品序列和评分序列进行补齐,直至商 品序列和评分序列大于最短序列长度。
进一步地,所述步骤S3中根据用户显性特征和用户隐性特征构建基于多特征融合的电商 推荐模型,具体包括以下分步骤:
S31、将预处理后的数据集作为模型输入;
S32、对步骤S31中模型输入的输入嵌入层进行词嵌入操作,将输入映射成为固定维度的 稠密向量;
S33、将步骤S32中长度为n的商品序列的特征向量输入至带有注意力机制的长短期记忆 网络进行处理,得到长度为n的特征序列;
S34、将步骤S32中长度为n的商品序列的特征向量与对应长度为n的评分序列一同输入 至独立的显性特征注意力模块,得到关于用户显性特征的长度为n的特征演化序列;
S35、对步骤S32中的稠密向量、步骤S33中的特征序列及步骤S34中的特征演化序列 进行连接操作,将多种特征进行融合;
S36、对步骤S35的输出向量进行2层全连接操作,并使用Prelu激活函数,将学习到的 特征映射到样本标记空间上;
S37、将步骤S36的输出向量通过Softmax损失函数得到最终的推荐结果。
进一步地,所述带有注意力机制的长短期记忆网络包括依次连接的GRU层、辅助损失层 和带有注意力机制的GRU层;
所述辅助损失层采用二分类模型计算相关特征抽取的准确性,将用户下一时刻真实的行 为作为正例,负采样得到的行为作为负例,分别与抽取的兴趣结合输入辅助损失层中,得到 辅助的损失函数值;
所述带有注意力机制的GRU层在GRU层上添加注意力机制,得到新的更新门ui′,其中 ui′=ui*ai,ui为GRU层中的第i个更新门,ai为第i个特征的演化注意力。
进一步地,所述步骤S34将步骤S32中长度为n的商品序列的特征向量与对应长度为n 的评分序列一同输入至独立的显性特征注意力模块,得到关于用户显性特征的长度为n的特 征演化序列,具体包括以下分步骤:
S341、将步骤S32得到的稠密向量与评分序列中每个对应元素相乘并累加求和,得到元 素乘积总和;
S342、根据步骤S341得到的元素乘积总和,计算特定序列下显性注意力值;
S343、将步骤S342得到的显性注意力值与神经网络中的权重参数相乘,得到关于用户显 性特征的长度为n的特征演化序列。
进一步地,所述步骤S3中利用步骤S2预处理后的数据进行模型训练时,采用Adam的 随机梯度下降的方法优化梯度下降的速率,在训练一个周期后将训练速率减半。
本发明具有以下有益效果:
(1)本发明采用改进的神经网络结构,通过在使用带有注意力机制的GRU模型提取用 户隐藏特征的基础上,还提取了其他显性特征,使得最后的推荐效果有较大的提升;
(2)本发明采用优化的数据处理策略,在数据输入方面进行了数据增强处理,在不降低 最后结果的情况下,达到了非常好的效果。
附图说明
图1是本发明基于多特征融合的个性化电商推荐方法流程示意图;
图2是本发明的基于多特征融合的电商推荐模型结构示意图;
图3是本发明的推荐效果在测试中AUC结果对比图;
图4是本发明的推荐效果在测试中正确率结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发 明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于 限定本发明。
本发明实施例提供了一种基于多特征融合的个性化电商推荐方法,如图1所示,包括以 下步骤S1至S4:
S1、采集用户的历史购买序列信息和商品信息,形成数据集。
在本实施例中,本发明采集的数据集包括用户信息和商品信息两部分,以整个Amazon 数据集为例,该数据集包括自1996年5月至2014年7月,来自亚马逊上的1.428亿产品的 购买评论详情和商品详情;这里选取其中的Electronics部分来进行试验。
S2、对步骤S1采集的数据集进行预处理。
在本实施例中,由于训练数据集的有许多不同的用户序列长度大小,当序列长度太小时, 会使得模型的存在冷启动的现象;当序列长度太大时,就会导致模型学习的参数过多,不易 收敛。因此需要在训练模型之前对数据进行数据预处理与数据增强操作,将其固定在一个合 理的范围之类。
上述步骤S2具体包括以下分步骤:
S21、格式化:将步骤S1采集的数据集中的数据格式化为用户、商品类别、商品序列、 评分序列的形式;
上述步骤S21中,本发明还设定由最短序列长度和最长序列长度组成的阈值范围,这里 的最短序列长度为4,最长序列长度为100,即设定的阈值范围为(4,100);再判断商品序 列和评分序列的序列长度是否在设定的阈值范围(4,100)内;若商品序列和评分序列的序 列长度小于最短序列长度4,即训练的数据集较少时,则对该数据进行数据增强操作,实现 扩充输入数据集;若商品序列和评分序列的序列长度大于最长序列长度100,则对该数据进 行数据截断操作。
其中数据增强操作具体为:从该商品的同类别商品中随机抽选出现频率最高的若干个商 品,这里可以随机抽选出现频率最高的10个商品,利用选择的10个商品的商品信息对商品 序列和评分序列长度小于最短序列长度4的商品进行补齐,直至该商品的商品序列和评分序 列大于最短序列长度4,这样可以极大的避免冷启动的问题。
S22、样本均衡:从数据集中随机选取用户未选择的商品作为负样本,设置正负样本比例 为1:1。
采用上述步骤对Amazon Electronics数据集进行数据预处理与数据增强后,一共得到 192403位用户的数据,其中包含商品63001个,801个种类,总样本数达1689188条。
另外,本发明还使用了MovieLen数据集,通过上述相同的数据增强方式,可以得到124598 位用户的数据,其中包含商品26312个,21个种类。
S3、根据用户显性特征和用户隐性特征构建基于多特征融合的电商推荐模型,并利用步 骤S2预处理后的数据进行模型训练;
在本实施例中,本发明根据用户显性特征和用户隐性特征构建基于多特征融合的电商推 荐模型,具体包括以下分步骤:
S31、将预处理后的数据集作为模型输入(Input),包括用户特征、商品;
S32、对步骤S31中模型输入的输入嵌入层(Embedding Layer)进行大小为18的词嵌入 (Embedding)操作,将输入映射成为固定维度的稠密向量,输出大小为18的稠密向量;
S33、将步骤S32中长度为n的商品序列的特征向量输入至带有注意力机制的长短期记忆 网络进行处理,得到长度为n的特征序列;
上述带有注意力机制的长短期记忆网络包括依次连接的GRU层、辅助损失层和带有注意 力机制的GRU层;
其中GRU层(GRU Layer)是LSTM网络(长短期记忆网络)的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种网络。GRU既然是LSTM的变体,因此也可以解决RNN网络(循环神经网络)中的长依赖问题;
辅助损失层(Auxiliary Layer)是为了验证GRU层的结果是否合理而引入的一层辅助Loss, 其采用二分类模型计算相关特征抽取的准确性,将用户下一时刻真实的行为作为正例,负采 样得到的行为作为负例,分别与抽取的兴趣结合输入辅助损失层中,得到辅助的损失函数值;
带有注意力机制的GRU层(GRU Layer with Attention)是在GRU层上添加注意力机制, 并将注意力(Attention)与GRU层相结合,得到新的更新门ui′,其中ui′=ui*ai,ui为GRU 层中的第i个更新门,ai为第i个特征的演化注意力,计算公式为:
其中,ea是经过嵌入操作后的商品类别向量;N为经过GRU层处理后的总特征长度,hj则为特征序列中的第j个特征,W为神经网络中的权重参数;
S34、将步骤S32中长度为n的商品序列的特征向量与对应长度为n的评分序列一同输入 至独立的显性特征注意力模块,得到关于用户显性特征的长度为n的特征演化序列,具体包 括以下分步骤:
S341、将步骤S32得到的稠密向量与评分序列中每个对应元素相乘(element-wiseproduct), 即(r1,r2,...rn-1,rn)⊙(e1,e2,...en-1,en)=(r1e1,r2e2,...rn-1en-1,rnen),得到元素乘积R⊙Emb;其中R(即 (r1,r2,...rn-1,rn))为用户评分序列;序列Emb(即(e1,e2,...en-1,en))为模型中经过嵌入操作之后 的稠密向量;
S342、根据步骤S341得到的元素乘积,计算特定序列下显性注意力值,表示为:
a`ij=hNRelu(W`(R⊙Emb)+b)
其中,hN为总长度为N的特征序列,W`为此独立注意力模块的神经网络中的权重参数,b为 神经网络中的置偏,Relu()为激活函数。
S343、将步骤S342得到的显性注意力值与神经网络中的权重参数相乘,得到关于用户显 性特征的长度为n的特征演化序列;
上述步骤S342加权后得到的显性注意力值是一个多维的向量,与神经网络中的权重参数 p相乘,得到关于用户显性特征的长度为n的特征演化序列,表示为:
其中,pT为权重参数p的矩阵转置。
本发明的的网络结构在长短期记忆网络的基础上加入了注意力机制,使得每层网络能感 知更多商品与用户之间的关联信息,因此能获得更为准确的推荐信息。
S35、对步骤S32中的稠密向量、步骤S33中的特征序列及步骤S34中的特征演化序列 进行连接(Concat)操作,将多种特征进行融合,保证了模型学习到的特征可以一起传向模 型的后层;
S36、对步骤S35的输出向量进行2层全连接(Fully Connected Layer)操作,并使用Prelu (Leaky ReLU)激活函数,将学习到的特征映射到样本标记空间上;
S37、将步骤S36的输出向量通过Softmax损失函数得到最终的推荐结果(output)。
本发明相对于传统深度学习方法,在训练过程中对数据集进行2次带有注意力机制的长 短期记忆网络,使得本发明的方法具有记忆性的特点,能找到用户历史购买序列中的隐藏特 征;同时在最后的全连接层还结合了商品其余显性特征等一同得出最终的推荐结果,解决了 过去推荐***结果不够准确的问题。
本发明利用步骤S2预处理后的数据进行模型训练时,在训练过程中通过梯度下降的方法 来最小化损失函数,当损失函数的值收敛后便完成训练。为了使收敛更快,且不容易在局部 最优点停止下降,本发明使用Adam的随机梯度下降的方法来优化梯度下降的速率,起始的 学习速率为0.001,在使用AmazonElectronics数据集以Batch大小为128的情况下,每训练 一轮,训练速率除以2,这样在下降3次后,就可以终止训练,得到最终的权重模型。在 MovieLen数据集中,因为原始的数据集较少,Batch大小设为32。
为了验证本发明模型的有效性,本发明采用两种测试方法进行测试,一是正确率,即直 接对比预测的结果与真实结果是否吻合,计算吻合的结果的占比情况;二是AUC(AreaUnder Curve),其被定义为ROC(Receiver Operating Characteristic)曲线下的面积,如图2和图3 所示。由于很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值, 对应AUC更大的分类器效果更好,因此本发明使用AUC值作为模型的评价标准。
S4、利用步骤S3训练后的基于多特征融合的电商推荐模型根据用户的购买序列信息进行 推荐,得到最优的推荐商品信息。
本发明面向电商销售平台,能够根据训练集训练出模型的参数,在实际运用模型的时候 能得到更高精确度的用户个性化推荐方案。该方法充分利用了每一个不同的用户特征,包含 了显性与隐形的特征,从而实现更精确的推荐结果,在一定程度上解决了过去处理方法生成 的结果存在的推荐结果不够准确的现象。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原 理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术 人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和 组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于多特征融合的个性化电商推荐方法,其特征在于,包括以下步骤:
S1、采集用户的历史购买序列信息和商品信息,形成数据集;
S2、对步骤S1采集的数据集进行预处理,具体包括以下分步骤:
S21、将步骤S1采集的数据集中的数据格式化为用户、商品类别、商品序列、评分序列的形式;并设定由最短序列长度和最长序列长度组成的阈值范围,判断商品序列和评分序列的序列长度是否在设定的阈值范围内;若商品序列和评分序列的序列长度小于最短序列长度,则对该数据进行数据增强操作;若商品序列和评分序列的序列长度大于最长序列长度,则对该数据进行数据截断操作;其中数据增强操作具体为从该商品的同类别商品中随机抽选出现频率最高的若干个商品,利用选择商品的商品信息对该商品的商品序列和评分序列进行补齐,直至商品序列和评分序列大于最短序列长度;
S22、从数据集中随机选取用户未选择的商品作为负样本,设置正负样本比例为1:1;
S3、根据用户显性特征和用户隐性特征构建基于多特征融合的电商推荐模型,并利用步骤S2预处理后的数据进行模型训练,具体包括以下分步骤:
S31、将预处理后的数据集作为模型输入;
S32、对步骤S31中模型输入的输入嵌入层进行词嵌入操作,将输入映射成为固定维度的稠密向量;
S33、将步骤S32中长度为n的商品序列的特征向量输入至带有注意力机制的长短期记忆网络进行处理,得到长度为n的特征序列;
所述带有注意力机制的长短期记忆网络包括依次连接的GRU层、辅助损失层和带有注意力机制的GRU层;
所述辅助损失层采用二分类模型计算相关特征抽取的准确性,将用户下一时刻真实的行为作为正例,负采样得到的行为作为负例,分别与抽取的兴趣结合输入辅助损失层中,得到辅助的损失函数值;
所述带有注意力机制的GRU层在GRU层上添加注意力机制,得到新的更新门ui′,其中ui′=ui*ai,ui为GRU层中的第i个更新门,ai为第i个特征的演化注意力;计算公式为:
其中,ea是经过嵌入操作后的商品类别向量;N为经过GRU层处理后的总特征长度,hj则为特征序列中的第j个特征,W为神经网络中的权重参数;
S34、将步骤S32中长度为n的商品序列的特征向量与对应长度为n的评分序列一同输入至独立的显性特征注意力模块,得到关于用户显性特征的长度为n的特征演化序列,具体包括以下分步骤:
S341、将步骤S32得到的稠密向量与评分序列中每个对应元素相乘并累加求和,得到元素乘积总和;
S342、根据步骤S341得到的元素乘积总和,计算特定序列下显性注意力值,表示为:
a`ij=hNRelu(W`(R⊙Emb)+b)
其中,hN为总长度为N的特征序列,W`为此独立注意力模块的神经网络中的权重参数,R为用户评分序列;序列Emb为模型中经过嵌入操作之后的稠密向量,b为神经网络中的置偏,Relu()为激活函数;
S343、将步骤S342得到的显性注意力值与神经网络中的权重参数相乘,得到关于用户显性特征的长度为n的特征演化序列,表示为:
其中,pT为权重参数p的矩阵转置,n为用户显性特征的长度;
S35、对步骤S32中的稠密向量、步骤S33中的特征序列及步骤S34中的特征演化序列进行连接操作,将多种特征进行融合;
S36、对步骤S35的输出向量进行2层全连接操作,并使用Prelu激活函数,将学习到的特征映射到样本标记空间上;
S37、将步骤S36的输出向量通过Softmax损失函数得到最终的推荐结果;
S4、利用步骤S3训练后的基于多特征融合的电商推荐模型根据用户的购买序列信息进行推荐,得到最优的推荐商品信息。
2.如权利要求1所述的基于多特征融合的个性化电商推荐方法,其特征在于,所述步骤S3中利用步骤S2预处理后的数据进行模型训练时,采用Adam的随机梯度下降的方法优化梯度下降的速率,在训练一个周期后将训练速率减半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112063.5A CN110930219B (zh) | 2019-11-14 | 2019-11-14 | 一种基于多特征融合的个性化电商推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112063.5A CN110930219B (zh) | 2019-11-14 | 2019-11-14 | 一种基于多特征融合的个性化电商推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930219A CN110930219A (zh) | 2020-03-27 |
CN110930219B true CN110930219B (zh) | 2022-10-18 |
Family
ID=69853921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112063.5A Active CN110930219B (zh) | 2019-11-14 | 2019-11-14 | 一种基于多特征融合的个性化电商推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930219B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402013B (zh) * | 2020-06-04 | 2020-09-01 | 成都晓多科技有限公司 | 一种商品搭配推荐方法、***、装置及存储介质 |
CN112381615B (zh) * | 2020-11-27 | 2022-09-02 | 华中科技大学 | 基于用户重复行为模式挖掘的短序列推荐方法 |
CN112560502B (zh) * | 2020-12-28 | 2022-05-13 | 桂林电子科技大学 | 一种语义相似度匹配方法、装置及存储介质 |
CN113761378B (zh) * | 2021-09-14 | 2022-04-08 | 上海任意门科技有限公司 | 内容排序方法、计算设备和计算机可读存储介质 |
CN113807469A (zh) * | 2021-11-16 | 2021-12-17 | 中国科学院理化技术研究所 | 一种多能源用户价值预测方法、装置、存储介质和设备 |
CN113987360B (zh) * | 2021-12-24 | 2022-05-17 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359140A (zh) * | 2018-11-30 | 2019-02-19 | 苏州大学 | 一种基于自适应注意力的序列推荐方法及装置 |
CN110008408A (zh) * | 2019-04-12 | 2019-07-12 | 山东大学 | 一种会话推荐方法、***、设备及介质 |
CN110032679A (zh) * | 2019-04-16 | 2019-07-19 | 北京航空航天大学 | 一种基于层次注意力网络的动态新闻推荐的方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其*** |
CN110321494A (zh) * | 2019-06-26 | 2019-10-11 | 北京交通大学 | 基于矩阵分解与网络嵌入联合模型的社会化推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190139092A1 (en) * | 2011-04-19 | 2019-05-09 | Jagadeshwar Nomula | Advanced techniques to improve content presentation experiences for businesses and users |
-
2019
- 2019-11-14 CN CN201911112063.5A patent/CN110930219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359140A (zh) * | 2018-11-30 | 2019-02-19 | 苏州大学 | 一种基于自适应注意力的序列推荐方法及装置 |
CN110008408A (zh) * | 2019-04-12 | 2019-07-12 | 山东大学 | 一种会话推荐方法、***、设备及介质 |
CN110032679A (zh) * | 2019-04-16 | 2019-07-19 | 北京航空航天大学 | 一种基于层次注意力网络的动态新闻推荐的方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其*** |
CN110321494A (zh) * | 2019-06-26 | 2019-10-11 | 北京交通大学 | 基于矩阵分解与网络嵌入联合模型的社会化推荐方法 |
Non-Patent Citations (6)
Title |
---|
Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks;Jun Xiao 等;《Proceedings of the 40th International ACM SIGIR conference on Research and Development in Information Retrieval》;20170819;第1-7页 * |
Deep Interest Evolution Network for Click-Through Rate Prediction;Guorui Zhou 等;《The Thirty-Third AAAI Conference on Artificial Intelligence》;20190516;第5941-5948页 * |
Feature-level Deeper Self-Attention Network for Sequential Recommendation;Tingting Zhang 等;《Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence》;20190801;第4320-4326页 * |
基于深度学习的个性化推荐模型研究与实现;刘珂瑄;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200715(第07期);第I138-1445页 * |
基于深度学习的个性化推荐***的研究与实现;孙宇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190915(第09期);第I138-1449页 * |
融合时空感知GRU和注意力的下一个地点推荐;李全 等;《计算机应用》;20191025(第03期);第677-682页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110930219A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930219B (zh) | 一种基于多特征融合的个性化电商推荐方法 | |
CN112598462B (zh) | 基于协同过滤和深度学习的个性化推荐方法及*** | |
US11586915B2 (en) | Systems and methods for collaborative filtering with variational autoencoders | |
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN111932336A (zh) | 一种基于长短期兴趣偏好的商品列表推荐方法 | |
CN110263257B (zh) | 基于深度学习处理多源异构数据的推荐方法 | |
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 | |
CN107016122B (zh) | 基于时间迁移的知识推荐方法 | |
CN114491247A (zh) | 一种基于知识图谱和用户长短期兴趣的推荐方法 | |
CN116362836A (zh) | 基于用户行为序列的农产品推荐算法 | |
CN116703506A (zh) | 一种基于多特征融合的电商商品推荐方法及*** | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及*** | |
Hao et al. | Feature-level deeper self-attention network with contrastive learning for sequential recommendation | |
Srilakshmi et al. | Two-stage system using item features for next-item recommendation | |
CN108491477B (zh) | 基于多维云和用户动态兴趣的神经网络推荐方法 | |
Jianjun | Research on collaborative filtering recommendation algorithm based on user behavior characteristics | |
CN116932896A (zh) | 一种基于注意力机制的多模型融合个性化推荐架构 | |
CN114936901A (zh) | 基于跨模态语义推理与融合的视觉感知推荐方法及*** | |
CN110956528B (zh) | 一种电商平台的推荐方法及*** | |
CN111460318B (zh) | 基于显性和隐性信任的协同过滤推荐方法 | |
Zhang et al. | Neural collaborative filtering recommendation algorithm based on popularity feature | |
CN115525819A (zh) | 一种面向信息茧房的跨领域推荐方法 | |
CN114463014A (zh) | 基于SVM-Xgboost的移动支付风险预警方法 | |
Zafar Ali Khan et al. | Hybrid collaborative fusion based product recommendation exploiting sentiments from implicit and explicit reviews | |
Wang et al. | NAUI: Neural attentive user interest model for cross-domain CTR prediction |
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 |