CN111079014B - 基于树结构的推荐方法、***、介质和电子设备 - Google Patents
基于树结构的推荐方法、***、介质和电子设备 Download PDFInfo
- Publication number
- CN111079014B CN111079014B CN201911299244.3A CN201911299244A CN111079014B CN 111079014 B CN111079014 B CN 111079014B CN 201911299244 A CN201911299244 A CN 201911299244A CN 111079014 B CN111079014 B CN 111079014B
- Authority
- CN
- China
- Prior art keywords
- tree
- model
- training
- commodity
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 11
- 230000003993 interaction Effects 0.000 description 4
- 238000005266 casting Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于树结构的推荐方法、***、介质和电子设备。该方法包括将用户访问商品的历史数据生成一序列文件;通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;以所述嵌入向量构建所述商品的树模型;根据所述树模型将所述历史数据生成一数据集;以所述数据集对一神经网络模型进行训练;通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。本方案能够准确地描述商品与商品之间的关系,能给用户推荐更加适合的产品,能够在较高召回率的前提下,高效地进行全局物品的推荐召回。
Description
技术领域
本发明涉及一种基于树结构的推荐方法。
背景技术
随着互联网相关服务的不断发展,互联网服务的复杂程度不断提升。无论是以售卖商品为主的电子商务平台、提供旅行产品服务的OTA(Online Travel Agency)网站、或者是各类内容信息提供网站,其所能提供的商品(item)的总体数量,都远远超过了用户所能够处理的数量上限。
为了应对这样的问题,各种推荐算法应运而生。推荐算法的最大作用,在于其帮助用户对感兴趣的item先进行筛选,降低用户检索所需信息的时间与成本。此外,推荐***也成为了互联网服务提供商最为重要的基础设施之一,推荐***所给出的结果,决定了服务提供者与用户直接最为直接的接触关系。
正是由于推荐***所扮演的重要角色,推荐***的质量往往决定了用户对商家所提供的服务质量的感知,从而决定了商家的经营能力与行业竞争力。这也成为了推荐***研究探索的最大动力。
衡量推荐***的标准,一般可以通过召回率(recall rate),准确率(precisionrate)以及推荐商品新鲜度(freshness)等标准。召回率是指,推荐***所给出的结果集Setpredict及和用户真实感兴趣的结果集Setground之间的item重叠部分,在用户真实感兴趣结果集中的占比。准确率则是指两者的重叠部分,在预测结果集中的占比。推荐内容新鲜度一般没有明确的一致规定,依据不同的业务内容确定。举例来说,“新鲜商品”可以定义为“用户之前没有浏览过的商品类别的商品”、“用户之前没有访问过的城市的酒店”等。推荐***对新鲜商品推荐的召回率、准确度,可以衡量推荐***对发现未知用户兴趣的能力。
当前推荐***所面临的挑战,不仅仅在于上述提到的几种衡量指标。由于互联网服务规模的不断扩展,网站所包含的商品数量对于传统推荐算法的效率构成了巨大挑战。数十万甚至数百万的服务产品数量,对于传统的推荐算法来说无法高效地完成推荐计算,尤其在线上要求快速响应的环境。例如传统的基于相似度的推荐算法,需要将用户对所有商品的相似度进行一次遍历,这样的复杂度O(n)的开销,在高并发的线上服务环境是很难承受的。
现有技术中有使用TDM(Tree-based Deep Match)实现上述推荐算法,但TDM模型的神经网络模型部分,主要是通过直接的连接(concatenate)方式,将商品的嵌入(embedding)向量进行全量的拼接所构建的。在这种情况下,TDM模型将很难学习到商品embedding向量的空间意义,造成训练完毕的神经网络模型难以准确地描述商品与商品之间的关系。
其次,由于TDM的树模型部分是依赖于神经网络对商品的embedding向量训练进行迭代更新的。也就是说,神经网络输出的商品embedding向量特征,决定了树模型的质量。由于第一条问题的存在,也就决定了TDM模型在后续树模型迭代时,很难获得高质量的能够反映商品相似关系的树模型。此外,由于TDM模型是通过多条、几十至数百条用户历史记录,预测用户感兴趣的商品,这将导致神经网络获得的embedding向量,并不是反映简单的两两商品的相似关系,使用这样的embedding向量进行树模型构建,削弱了树模型结构的合理性。
再次,TDM模型的神经网络部分,在一个时间窗口内,将所有用户记录商品的embedding向量求均值,这样的操作虽然可以通过模型的注意力(attention)机制来进行优化,但均值还是会损失一定的信息量。
最后,由于TDM模型的物品embedding向量是通过神经网络训练的,这就意味着训练神经网络模型的成本是非常大的,往往需要百万轮之上的训练规模。并且神经网络训练往往需要许多训练技巧。如训练技巧为随机负采样模式时,在实际应用中由此得到的物品embedding向量很有可能反映的是热门高频的性质,而非的物品之间的内在特征,如商品的类目、外观,酒店的地理位置、价格等方面关系的相似。
发明内容
本发明要解决的技术问题是为了克服现有技术中TDM模型难以准确地描述商品与商品之间的关系,使得难以给用户推荐更加适合的产品的缺陷,提供一种基于树结构的推荐方法、***、介质和电子设备。
本发明是通过下述技术方案来解决上述技术问题:
一种基于树结构的推荐方法,其特点在于,包括如下步骤:
S1、将用户访问商品的历史数据生成一序列文件;
S2、通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;
S3、以所述嵌入向量构建所述商品的树模型;
S4、根据所述树模型将所述历史数据生成一数据集;
S5、以所述数据集对一神经网络模型进行训练;
S6、通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。
较佳地,步骤S5包括:
S51、先对所述嵌入向量作内积并求和,再对求和部分进行连接。
较佳地,步骤S3中所述树模型包括父节点和叶子节点,所述父节点的嵌入向量为所述叶子节点的均值或加权均值。
较佳地,步骤S4包括:
S41、将每一个用户有正反馈的商品作为正样本,对其它用户未交互的商品进行采样以生成负样本。
较佳地,所述历史数据包括用户点击的商品记录,收藏的商品记录,订购的商品记录,商品信息中的一项或多项。
一种基于树结构的推荐***,其特点在于,包括:
序列文件生成模块,用于将用户访问商品的历史数据生成一序列文件;
第一训练模块,用于通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;
树模型构建模块,用于以所述嵌入向量构建所述商品的树模型;
数据集生成模块,用于根据所述树模型将所述历史数据生成一数据集;
第二训练模块,用于以所述数据集对一神经网络模型进行训练;
召回模块,用于通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。
较佳地,所述第二训练模块包括:
连接模块,用于先对所述嵌入向量作内积并求和,再对求和部分进行连接。
较佳地,所述树模型包括父节点和叶子节点,所述父节点的嵌入向量为所述叶子节点的均值或加权均值。
较佳地,所述数据集中将每一个用户有正反馈的商品作为正样本,对其它用户未交互的商品进行采样以生成负样本。
一种计算机可读存储介质,其上存储有计算机程序,其特点在于,所述计算机程序被处理器执行时实现如上所述的基于树结构的推荐方法的步骤。
一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特点在于,所述处理器执行所述计算机程序时实现如上所述的基于树结构的推荐方法的步骤。
本发明的积极进步效果在于:本方案对神经网络结构进行了修正,将原TDM模型的embedding向量直接concatenate连接的部分,修正为先进行embedding向量的内积并求和,再对求和部分进行concatenate连接。这样能够让模型了解到商品之间的相似是如何进行衡量的,使训练更为高效。
其次,商品的embedding向量是通过glove模型预训练获得的,而不再完全依靠神经网络生成。这样做的优势在于,一方面glove模型通过全局训练商品的共现关系,其在训练难度上和时间上相较于神经网络来的更低。另一方面,glove模型所得的商品embedding向量,凸显的邻近共现商品相似度最高,且非邻近商品相似度最低这样的特点,更有利于反映两两商品关系的树模型构建,这样构建的树模型,更能体现商品直接的相似关系,让相似的商品尽可能地落在邻近的父节点的叶子结点当中。
由于修改神经网络的concatenate连接结构,如第一部分改进提及的那样,首先进行了求内积并求和,从而将concatenate连接的结果的维度减少为输入的历史商品数,而不再是历史商品数与embedding维度的乘积,从而不再需要attention机制和取均值操作,而直接连接dense(全连接层)层进行后续神经网络的构建,保留更多信息的情况下又降低了模型的复杂度,让模型更容易训练。
此外,除了用户所访问的商品历史记录外,本发明还添加额外信息,如将商品的价格,历史访问到当前的时间信息融入模型当中,从而进一步提升算法对用户兴趣度的表达能力。
附图说明
图1为本实施例1的基于树结构的推荐方法的流程图。
图2为本实施例2的基于树结构的推荐***的模块结构图。
图3为本实施例4的电子设备的硬件结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,一种基于树结构的推荐方法,包括如下步骤:
S1、将用户访问商品的历史数据生成一序列文件;
所述历史数据包括用户点击的商品记录,收藏的商品记录,订购的商品记录,商品信息中的一项或多项。该历史数据会作为物品预训练的数据以及神经网络模型训练的源数据。
按照用户访问商品的时间,将用户点击、收藏、订购商品的历史记录,例如商品编号、酒店编号等按次序组织成一个逗号间隔的序列,供glove模型输入。对应的商品信息也可作为训练数据的一部分,与原TDM模型的输入数据量相比,本历史记录增加了除了商品编号信息之外的商品价格等属性,用来在构建树模型时,聚合(取均值或加权平均)为每个节点的额外特征。且将历史访问到当前的时间信息融入模型当中,从而进一步提升算法对用户兴趣度的表达能力。
S2、通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;
该训练方法可通过现有的glove软件包实现。
S3、以所述嵌入向量构建所述商品的树模型;
具体是通过dense层,由底向上进行层层聚类,形成树结构。
该树模型的结构可为二叉树,该树模型包括父节点和叶子节点,所述父节点的嵌入向量为所述叶子节点的均值或加权均值,以更好地描述其所包含叶子节点的信息。该树模型的每一层都将生成自己的训练样本数据,该树模型对外形成树模型结构文件。
S4、根据所述树模型将所述历史数据生成一数据集;
所述数据集中将每一个用户有正反馈的商品作为正样本,对其它用户未交互的商品进行采样以生成负样本。
S5、以所述数据集对一神经网络模型进行训练;
在训练时,先对所述嵌入向量作内积并求和,再对求和部分进行连接。训练完成后形成神经网络模型参数文件,而树结构的每一层训练都是独立进行,目的在于让每一层都具有独立的预测能力,而不受上一层输出的限制。
S6、通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。
在对商品进行推荐时,相当于在对模型进行测试。测试时是从树模型的根节点开始,根据用户历史逐层预测用户最为感兴趣的K个树节点,并逐层向下遍历,直至叶子结点,从而完成用户对物品的召回。当前层所需预测节点,是从上一层树节点中用户兴趣度由高到低排列所取最高的K个节点的子节点所构成的。通过应用这样的树模型结构,能够帮助在召回中只需要O(log(n))复杂度即可完成推荐流程,大大降低算法开销。此外,由于是全局召回,在保证一定的召回率的前提下,能够得到较好的推荐新鲜度,而不受诸如用户访问历史的商品类目,或者是出行目的城市的限制。
经过测试,以商品为酒店为例,召回模型将为每一个用户给出400个候选酒店的样本和50个候选酒店的样本中感兴趣的酒店,这两个样本的命中率如下表1所示:
表1总体用户命中率:推荐酒店覆盖用户交互的比例
此外,对用户近期没有产生过点击的酒店,算法对这一部分的用户命中达到41.38%,如表2所示,
表2新酒店有交互的用户命中率:推荐酒店对首次交互近期未点击的酒店的用户覆盖率
用户曝光命中率 | 用户点击命中率 | 用户订购命中率 |
56.36% | 41.38% | 42.86% |
对用户近期没有点击过的城市,算法能够达到20.47%的用户命中,能够较好地发现用户不曾表现的潜在兴趣。如表3所示。
表3在新城市下有交互的用户命中率:推荐酒店对首次访问近期未访问的城市酒店的用户的覆盖率
此外相较于TDM模型的训练时间,本发明使用的预训练方式极大缩短了模型训练时间,将训练时间从24小时以上,缩短为3-5小时内。
实施例2
一种基于树结构的推荐***,如图2所示,包括:
序列文件生成模块1,用于将用户访问商品的历史数据生成一序列文件;
第一训练模块2,用于通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;
树模型构建模块3,用于以所述嵌入向量构建所述商品的树模型;
所述树模型包括父节点和叶子节点,所述父节点的嵌入向量为所述叶子节点的均值或加权均值。
数据集生成模块4,用于根据所述树模型将所述历史数据生成一数据集;
所述数据集中将每一个用户有正反馈的商品作为正样本,对其它用户未交互的商品进行采样以生成负样本。
第二训练模块5,用于以所述数据集对一神经网络模型进行训练;
所述第二训练模块5包括:
连接模块51,用于先对所述嵌入向量作内积并求和,再对求和部分进行连接。
召回模块6,用于通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。
本实施例能够达到实施例1的技术效果。
实施例3
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1提供的基于树结构的推荐方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1中的基于树结构的推荐方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
实施例4
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现实施例1提供的基于树结构的推荐方法。
图3示出了本实施例的硬件结构示意图,如图3所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同***组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1所提供的基于树结构的推荐方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (9)
1.一种基于树结构的推荐方法,其特征在于,包括如下步骤:
S1、将用户访问商品的历史数据生成一序列文件;
S2、通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;
S3、以所述嵌入向量构建所述商品的树模型;
S4、根据所述树模型将所述历史数据生成一数据集;
S5、以所述数据集对一神经网络模型进行训练,其中,在所述神经网络模型中,先对所述嵌入向量作内积并求和,再对求和部分进行连接;
S6、通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。
2.如权利要求1所述的基于树结构的推荐方法,其特征在于,步骤S3中所述树模型包括父节点和叶子节点,所述父节点的嵌入向量为所述叶子节点的均值或加权均值。
3.如权利要求1所述的基于树结构的推荐方法,其特征在于,步骤S4包括:
S41、将每一个用户有正反馈的商品作为正样本,对其它用户未交互的商品进行采样以生成负样本。
4.如权利要求1-3中任意一项所述的基于树结构的推荐方法,其特征在于,所述历史数据包括用户点击的商品记录,收藏的商品记录,订购的商品记录,商品信息中的一项或多项。
5.一种基于树结构的推荐***,其特征在于,包括:
序列文件生成模块,用于将用户访问商品的历史数据生成一序列文件;
第一训练模块,用于通过glove模型对所述序列文件进行训练,以获得所述商品的嵌入向量;
树模型构建模块,用于以所述嵌入向量构建所述商品的树模型;
数据集生成模块,用于根据所述树模型将所述历史数据生成一数据集;
第二训练模块,用于以所述数据集对一神经网络模型进行训练,其中,所述第二训练模块包括连接模块,所述连接模块用于在所述神经网络模型中,先对所述嵌入向量作内积并求和,再对求和部分进行连接;
召回模块,用于通过训练完成的所述神经网络模型对所述树模型逐层召回以推荐商品。
6.如权利要求5所述的基于树结构的推荐***,其特征在于,所述树模型包括父节点和叶子节点,所述父节点的嵌入向量为所述叶子节点的均值或加权均值。
7.如权利要求5所述的基于树结构的推荐***,其特征在于,所述数据集中将每一个用户有正反馈的商品作为正样本,对其它用户未交互的商品进行采样以生成负样本。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任意一项所述的基于树结构的推荐方法的步骤。
9.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-4中任意一项所述的基于树结构的推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299244.3A CN111079014B (zh) | 2019-12-17 | 2019-12-17 | 基于树结构的推荐方法、***、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299244.3A CN111079014B (zh) | 2019-12-17 | 2019-12-17 | 基于树结构的推荐方法、***、介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079014A CN111079014A (zh) | 2020-04-28 |
CN111079014B true CN111079014B (zh) | 2024-02-09 |
Family
ID=70314939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299244.3A Active CN111079014B (zh) | 2019-12-17 | 2019-12-17 | 基于树结构的推荐方法、***、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079014B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559861B (zh) * | 2020-12-11 | 2024-03-29 | 中国科学院深圳先进技术研究院 | 序列推荐模型的训练方法、信息推荐方法及相关装置 |
CN113763014A (zh) * | 2021-01-05 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品共现关系确定方法和装置及判定模型获得方法和装置 |
CN113781087A (zh) * | 2021-01-29 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 推荐对象的召回方法及装置、存储介质、电子设备 |
CN112818228B (zh) * | 2021-01-29 | 2023-08-04 | 北京百度网讯科技有限公司 | 向用户推荐对象的方法、装置、设备和介质 |
CN112765477B (zh) * | 2021-03-05 | 2022-03-25 | 北京百度网讯科技有限公司 | 信息处理、信息推荐的方法和装置、电子设备和存储介质 |
CN113296784B (zh) * | 2021-05-18 | 2023-11-14 | 中国人民解放军国防科技大学 | 一种基于配置代码表征的容器基础镜像推荐方法及*** |
CN116701775B (zh) * | 2023-08-04 | 2023-10-31 | 北京集度科技有限公司 | 服务推荐方法、电子设备及计算机程序产品 |
CN118195744B (zh) * | 2024-05-14 | 2024-07-05 | 深圳环金科技有限公司 | 一种用于跨境电商平台的客户分析*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011071819A (ja) * | 2009-09-28 | 2011-04-07 | Kddi Corp | レコメンデーションサーバ、レコメンド決定方法およびプログラム |
CN108536856A (zh) * | 2018-04-17 | 2018-09-14 | 重庆邮电大学 | 基于双边网络结构的混合协同过滤电影推荐模型 |
CN108573399A (zh) * | 2018-02-28 | 2018-09-25 | ***股份有限公司 | 基于转移概率网络的商户推荐方法及其*** |
CN109347924A (zh) * | 2018-09-20 | 2019-02-15 | 西北大学 | 一种基于群智感知的推荐方法 |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
-
2019
- 2019-12-17 CN CN201911299244.3A patent/CN111079014B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011071819A (ja) * | 2009-09-28 | 2011-04-07 | Kddi Corp | レコメンデーションサーバ、レコメンド決定方法およびプログラム |
CN108573399A (zh) * | 2018-02-28 | 2018-09-25 | ***股份有限公司 | 基于转移概率网络的商户推荐方法及其*** |
CN108536856A (zh) * | 2018-04-17 | 2018-09-14 | 重庆邮电大学 | 基于双边网络结构的混合协同过滤电影推荐模型 |
CN109347924A (zh) * | 2018-09-20 | 2019-02-15 | 西北大学 | 一种基于群智感知的推荐方法 |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
Non-Patent Citations (2)
Title |
---|
Han Zhu.Learning Tree-based Deep Model for Recommender Systems.《arXiv:1801.02294》.2018,1-10. * |
张华伟 ; .基于Word2Vec的神经网络协同推荐模型.网络空间安全.2019,(06), 29-32. * |
Also Published As
Publication number | Publication date |
---|---|
CN111079014A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079014B (zh) | 基于树结构的推荐方法、***、介质和电子设备 | |
US11301761B2 (en) | Behavioral prediction for targeted end users | |
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
CN111444394B (zh) | 获取实体间关系表达的方法、***和设备、广告召回*** | |
US20210042767A1 (en) | Digital content prioritization to accelerate hyper-targeting | |
KR101419504B1 (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
KR100961783B1 (ko) | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 | |
US20120046992A1 (en) | Enterprise-to-market network analysis for sales enablement and relationship building | |
Lai et al. | The analytics of product-design requirements using dynamic internet data: application to Chinese smartphone market | |
Lian et al. | Restaurant survival analysis with heterogeneous information | |
Zhu et al. | Neural attentive travel package recommendation via exploiting long-term and short-term behaviors | |
Hsu et al. | The Recommending Agricultural Product Sales Promotion Mode in E‐Commerce Using Reinforcement Learning with Contextual Multiarmed Bandit Algorithms | |
Liu et al. | POI Recommendation Method Using Deep Learning in Location‐Based Social Networks | |
Liu et al. | Extracting, ranking, and evaluating quality features of web services through user review sentiment analysis | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
Xu et al. | E‐Commerce Online Shopping Platform Recommendation Model Based on Integrated Personalized Recommendation | |
Zhang et al. | E‐Commerce Information System Management Based on Data Mining and Neural Network Algorithms | |
Huang et al. | Multi-scale interest dynamic hierarchical transformer for sequential recommendation | |
Agarwal et al. | An efficient weighted algorithm for web information retrieval system | |
Luo et al. | Exploring the dynamic influence of visit behavior on online store sales performance: An empirical investigation | |
Soni et al. | Plausible characteristics of association rule mining algorithms for e-commerce | |
Chen et al. | [Retracted] Credit Risk Assessment of e‐Commerce Supply Chain Finance of SMEs Based on Dynamic Reward and Punishment Perspective | |
Santos | Real Estate Market Data Scraping and Analysis for Financial Investments | |
Jalilifard et al. | Friendship is all we need: A multi-graph embedding approach for modeling customer behavior | |
Jiang | Procurement Volume Prediction of Cross‐Border E‐Commerce Platform Based on BP‐NN |
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 |