CN111488524B - 一种面向注意力的语义敏感的标签推荐方法 - Google Patents

一种面向注意力的语义敏感的标签推荐方法 Download PDF

Info

Publication number
CN111488524B
CN111488524B CN202010270909.4A CN202010270909A CN111488524B CN 111488524 B CN111488524 B CN 111488524B CN 202010270909 A CN202010270909 A CN 202010270909A CN 111488524 B CN111488524 B CN 111488524B
Authority
CN
China
Prior art keywords
user
label
attention
tag
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
CN202010270909.4A
Other languages
English (en)
Other versions
CN111488524A (zh
Inventor
张一嘉
左万利
史振坤
梁世宁
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202010270909.4A priority Critical patent/CN111488524B/zh
Publication of CN111488524A publication Critical patent/CN111488524A/zh
Application granted granted Critical
Publication of CN111488524B publication Critical patent/CN111488524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种面向注意力的语义敏感的标签推荐方法,包括1)、使用word2vec对标签进行预训练,将带有语义的标签嵌入表示;2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中,对用户和商品特征的动态标签影响进行建模;3)、将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果,完成推荐。提出了一种包含标签语义信息的新模型,利用注意力机制对用户和商品特征的动态标签影响进行建模,将标签信息与用户和商品特征动态地结合起来,以提高推荐性能,并通过实验证实该方法的有效性。

Description

一种面向注意力的语义敏感的标签推荐方法
技术领域
本发明涉及计算机技术领域,尤其涉及一种面向注意力的语义敏感的标签推荐方法。
背景技术
随着网络信息的不断增加,“信息超载”已成为主要问题,推荐***应运而生。推荐***在我们的生活中起着重要作用,它有助于帮助用户过滤掉无用的信息,并根据用户的喜好,兴趣和观察到的有关物品的行为选择人们偏爱的物品。协同过滤方法是应用最为广泛的推荐方法,但是这种方法存在着稀疏性和冷启动的问题,影响了推荐的准确性。因此,越来越多的研究将辅助信息引入推荐***中,以改善推荐***的性能。
推荐***主要包括显式反馈和隐式反馈。一方面,能够直接反映用户偏好的用户信息(例如评论,评分和相关反馈)称为显式反馈。另一方面,不能直接表达用户对购买历史,搜索模式和点击方法之类的偏好的信息称为隐式反馈。由于隐式反馈信息使得基于该隐式反馈的推荐方法更具适应性,因此,近年来隐式反馈的推荐受到了广泛的关注。但是,隐式反馈信息不能直接反映用户的偏好,这给推荐带来了很大的挑战。
在众多辅助信息中,标签信息在推荐中起着重要作用,因为它包含有关用户和项目的丰富信息。标签在网站中扮演着重要的作用,它是一种非层次结构,是用于描述信息并体现项目语义的关键字,例如,Delicious,Last.fm和MovieLens等的标签***允许用户使用被称为标签的关键字来注释网页,歌曲和电影。标签可以使在网站上管理和搜索项目变得更加容易,它可以被看作是一种隐式评分,它不仅可以标识商品的特征,还可以标识用户的偏好。同时,标签为用户和项目之间建立了桥梁,将用户偏好和商品特征建立联系,有助于设计更加准确和有效的推荐***。现有的基于标签的推荐方法通常将标签信息和协同过滤方法相结合,这些方法可以利用标签提供的辅助信息来提高推荐准确性,但是仍存在一些问题:(1)传统的协作过滤方法在捕获用户和项目特征方面的能力有限。(2)标签对于用户和商品偏好的影响是动态的,不同的标签对于用户和商品偏好的影响是不同的,用户通常更关注某些标签信息。
发明内容
针对上述缺陷或不足,本发明的目的在于提供一种面向注意力的语义敏感的标签推荐方法。
为达到以上目的,本发明的技术方案为:
一种面向注意力的语义敏感的标签推荐方法,包括:
1)、使用word2vec对标签进行预训练,将带有语义的标签嵌入表示;
2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中,对用户和商品特征的动态标签影响进行建模;
3)、将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果,完成推荐。
所述步骤1)使用word2vec对标签进行预训练,将标签嵌入表示,该学习过程的损失函数为:
Figure BDA0002443132790000021
其中,T为单词数,wt是单词序列中的第t个单词,wt-c:wt+c表示单词wt的上下文的连续单词。
将标签添加到外部语料库以训练标签嵌入表示,当标签包含多个单词,则将标签中所有单词的嵌入表示的平均值为标签的最终嵌入表示。
所述所述步骤2)具体包括:
2.1、利用多层感知机获取用户-标签和项目-标签的注意力得分:
w(i,t)=h1(ReLU(huui+htti+bu))+b1
w(j,t)=h2(ReLU(hvvi+httj+bv))+b2
其中,w(i,t)表示用户-标签的注意力得分,w(j,t)表示项目-标签的注意力得分ui和vj表示用户i和项目j的向量表示,ti和tj分别表示用户和项目的标签;hu,hv和ht是注意力网络中的权重参数,bu和bv表示偏置参数,h1和h2表示外层的权重参数,b1和b2表示外层的权重参数,非线性激活函数使用ReLU函数;
2.2、使用softmax函数对标签的注意力得分进行归一化处理:
Figure BDA0002443132790000031
Figure BDA0002443132790000032
其中:α为注意力大小,i表示用户,j表示项目,t表示标签,c为标签集合中的某个标签;
2.3、根据注意力评分,获得包含标签语义嵌入的用户和项目嵌入向量,完成对用户和商品特征的动态标签影响进行建模:
其中,用户和项目嵌入向量表示为:
Figure BDA0002443132790000033
Figure BDA0002443132790000034
Ti表示用户标签集合,Tj表示项目标签集合,pi和qj表示用户和项目的特征向量。
所述步骤3)将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果为:
tij=piqj=(pi,1qj,1,pi,2qj,2,...,pi,d,qj,d)
其中,piqj用户和项目特征按照元素得到乘积,d表示向量维度。
最终采用多层感知机预测评分结果为:
Figure BDA0002443132790000041
其中,w1,w2和w为权重参数,b1,b2,b是偏置参数,
Figure BDA0002443132790000042
是最终预测的用户项目评分。
与现有技术比较,本发明的有益效果为:
本发明提供了一种面向注意力的语义敏感的标签推荐方法,通过使用深度学习方法来学习用户/项目特征,并且我们旨在利用注意力机制来模拟动态的标签影响,建立了一个基于标签的注意力模型,将标签信息与用户和商品特征动态地结合起来,提出了一种包含标签语义信息的新模型,并利用注意力机制对用户和商品特征的动态标签影响进行建模,以提高推荐性能,并将用户和项目特征与标签信息结合起来进行预测,提高了推荐的度,通过实验证实该方法的有效性,经验结果表明,与最新方法相比,该模型可以提高推荐性能。
附图说明
图1是本发明面向注意力的语义敏感的标签推荐方法流程框图;
图2是本发明面向注意力的语义敏感的标签推荐方法模型图;
图3是本发明的模型随着不同特征维度的性能变化效果图;
图4是本发明的模型随着不同推荐项目数的性能变化效果图。
具体实施方式
下面将结合附图对本发明做详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1、2所示,本发明提供了一种面向注意力的语义敏感的标签推荐方法,
1)、使用word2vec对标签进行预训练,将带有语义的标签嵌入表示;
使用Word2vec提取标签的语义信息,并将这些语义信息整合到用户和项目特征中。为了对动态标签的影响进行建模,在模型中引入了注意机制来评估不同标签对用户和项目偏好的影响,在两个真实世界的数据集上的实验结果表明,模型具有有效的推荐性能。
标签包含很多语义信息,这是提高推荐准确性的重要因素,为了获得标签的语义信息,我们使用word2vec来预训练标签的嵌入表示。skip-gram word2vec模型是一种简化的神经语言模型,没有任何非线性隐藏层。
使用word2vec对标签进行预训练,将标签嵌入表示,该学习过程的损失函数为:
Figure BDA0002443132790000051
其中,T为单词数,wt是单词序列中的第t个单词,wt-c:wt+c表示单词wt的上下文的连续单词。
尽管标签包含很多信息,但是利用标签来实现语义嵌入还是不够的。因此,将标签添加到外部语料库以训练标签嵌入表示。另外,对于包含多个单词的标签,将标签中所有单词的嵌入表示的平均值为标签的最终嵌入表示。
2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中,对用户和商品特征的动态标签影响进行建模;
具体包括:
2.1、首先使用注意力机制获取用户-标签和项目-标签的注意力得分:
w(i,t)=h1(ReLU(huui+htti+bu))+b1
w(j,t)=h2(ReLU(hvvi+httj+bv))+b2
其中,w(i,t)表示用户-标签的注意力得分,w(j,t)表示项目-标签的注意力得分ui和vj表示用户i和项目j的向量表示,ti和tj分别表示用户和项目的标签;hu,hv和ht是注意力网络中的权重参数,bu和bv表示偏置参数,h1和h2表示外层的权重参数,b1和b2表示外层的权重参数,非线性激活函数使用ReLU函数;
2.2、使用softmax函数对标签的注意力得分进行归一化处理:
Figure BDA0002443132790000061
Figure BDA0002443132790000062
其中:α为注意力大小,i表示用户,j表示项目,t表示标签,c为标签集合中的某个标签;
2.3、根据注意力评分,获得包含标签语义嵌入的用户和项目嵌入向量,完成对用户和商品特征的动态标签影响进行建模:
其中,用户和项目嵌入向量表示为:
Figure BDA0002443132790000071
Figure BDA0002443132790000072
Ti表示用户标签集合,Tj表示项目标签集合,pi和qj表示用户和项目的特征向量。
3)、将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果,完成标签推荐。
所述步骤3)将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果为:
tij=piqj=(pi,1qj,1,pi,2qj,2,...,pi,d,qj,d)
其中,piqj用户和项目特征按照元素得到乘积,d表示向量维度。
最终采用多层感知机预测评分结果为:
Figure BDA0002443132790000073
其中,w1,w2和w为权重参数,b1,b2,b是偏置参数,
Figure BDA0002443132790000074
是最终预测的用户项目评分。
模型优化求解:由于处理的是隐反馈问题,因此采用基于排序思想的损失函数,目标函数为:
Figure BDA0002443132790000075
其中,O表示训练集,(i,j,k)是训练集中的一个实例,表示用户i和项目j有交互,和项目k没有交互,
Figure BDA0002443132790000076
表示正样本和负样本预测的评分差,因为我们处理隐反馈问题,所以rijk=rij-rik=1-0=1,最终损失函数可以推导出最右边的形式,目标是求解该损失函数的最小值。
实验结果:
使用两个带有标签信息的数据集来评估我们的模型:MovieLens2k和Last.fm。它们可以在网站上公开访问,并广泛用于推荐***的评估中。表1给出了四个数据集的统计数据。
表1四个数据集的统计数据
Figure BDA0002443132790000081
基线:
1.ItemPop。此方法基于商品的受欢迎程度,它向用户推荐高度受欢迎的商品。这是一种非个性化的方法。
2.BPR。这是一种基于采样的算法,可优化观察到的实例与采样的否定实例之间的成对排名,旨在从隐式反馈中学习。
3.WMF。加权矩阵分解,这是用于隐式反馈推荐的传统方法。
4.MLP。此方法在用户和项目嵌入之上应用多层感知器,以从数据中学习评分进行推荐。
5.NCF。该方法提出了一种神经网络体系结构,以对用户和项目的潜在特征进行建模,并设计了一种基于神经网络的用于协同过滤的通用深度框架。
参数设定:
每种方法的最佳参数设置或者由我们的实验确定,或者按照之前方法中给出的设置。在本发明模型中,使用高斯分布(均值为0,标准偏差为0.01)随机初始化模型参数,使用随机梯度SGD来优化模型。测试了特征维度分别为[8、16、32、64],学习率分别为[0.001、0.01、0.1、1],正则化参数分别是[0.0001、0.001、0.01、0.1]。使用最佳参数进行比较,并在20个实验中选择最佳结果。对于每个测试实例,随机选择100个负项目作为负样本。
模型比较和分析:
首先比较所有方法的性能,并使用top-N推荐方法,其中N值默认设置为10。在ML2K和last.fm数据集上的实验结果总结在表2和表3中。
表2 ML2K数据集上的实验结果
Figure BDA0002443132790000091
表3 last.fm数据集上的实验结果
Figure BDA0002443132790000092
结果表明,本发明的模型在两个数据集上的性能均优于基线。还可以从结果中看到:(1)NCF和MLP的性能优于其他基准,这表明深度学习方法具有捕获用户和项目特征的良好能力。(2)在所有基准中,ItemPop表现最差,证明了个性化推荐的重要性。(3)本发明的模型比WMF,ItemPop和BPR有显着改进,也比NCF和MLP具有更好的性能,这表明利动态建模标签信息能够提高推荐的准确性(4)本发明的模型在两个数据集上取得了相似的性能,而其他基准在Last.fm数据集上的表现较差,这表明标签信息有助于解决稀疏性问题。
进一步研究了特征维度K在两个数据集上对模型的影响。使用[4、8、16、32、64]中的不同K值进行实验。图3显示了两个数据集上的模型结果。从图中可以看出,模型的性能都随着K值的增加而提高,这主要是因为较大的维度可以在特征向量中编码更多的信息。但是,当K大于32时,增长趋势并不明显,因此将K=32作为默认设置以降低复杂度。
进一步研究了两个数据集上具有不同N值的模型的性能,本发明分别选择前1个,5个和10个评分高的项目进行推荐进。图4显示了具有不同N值的模型的结果。从图中可以看出,使用较大的N值,模型具有更好的性能。当N值大于5时,改善不显着。当N值为1时,我们的模型表现较差,但是当N大于1时,模型仍然具有良好的性能,因此可以说本申请模型对于不同的N值具有良好的能力。
对于本领域技术人员而言,显然能了解到上述具体事实例只是本发明的优选方案,因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动,体现的仍是本发明的原理,实现的仍是本发明的目的,均属于本发明所保护的范围。

Claims (5)

1.一种面向注意力的语义敏感的标签推荐方法,其特征在于,包括:
1)、使用word2vec对标签进行预训练,将带有语义的标签嵌入表示;
2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中,对用户和商品特征的动态标签影响进行建模;
所述步骤2)具体包括:
2.1、首先使用注意力机制获取用户-标签和项目-标签的注意力得分:
w(i,t)=h1(ReLU(huui+htti+bu))+b1
w(j,t)=h2(ReLU(hvvi+httj+bv))+b2
其中,w(i,t)表示用户-标签的注意力得分,w(j,t)表示项目-标签的注意力得分ui和vj表示用户i和项目j的向量表示,ti和tj分别表示用户和项目的标签;hu,hv和ht是注意力网络中的权重参数,bu和bv表示偏置参数,h1和h2表示外层的权重参数,b1和b2表示外层的权重参数,非线性激活函数使用ReLU函数;
2.2、使用softmax函数对标签的注意力得分进行归一化处理:
Figure FDA0003688784580000011
Figure FDA0003688784580000012
其中:α为注意力大小,i表示用户,j表示项目,t表示标签,c为标签集合中的某个标签;
2.3、根据注意力评分,获得包含标签语义嵌入的用户和项目嵌入向量,完成对用户和商品特征的动态标签影响进行建模:
其中,用户和项目嵌入向量表示为:
Figure FDA0003688784580000013
Figure FDA0003688784580000014
Ti表示用户标签集合,Tj表示项目标签集合,pi和qj表示用户和项目的特征向量;
3)、将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果,完成推荐。
2.根据权利要求1所述的面向注意力的语义敏感的标签推荐方法,其特征在于,所述步骤1)使用word2vec对标签特征进行预训练,将标签嵌入表示,该预训练过程的损失函数为:
Figure FDA0003688784580000021
其中,T为单词数,wt是单词序列中的第t个单词,wt-c:wt+c表示单词wt的上下文的连续单词。
3.根据权利要求2所述的面向注意力的语义敏感的标签推荐方法,其特征在于,将标签添加到外部语料库以训练标签嵌入表示,当标签包含多个单词,则将标签中所有单词的嵌入表示的平均值为标签的最终嵌入表示。
4.根据权利要求1所述的面向注意力的语义敏感的标签推荐方法,其特征在于,所述步骤3)将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果为:
tij=pi qj=(pi,1qj,1,pi,2qj,2,...,pi,d,qj,d)
其中,pi qj用户和项目特征按照元素得到乘积,d表示向量维度。
5.根据权利要求1所述的面向注意力的语义敏感的标签推荐方法,其特征在于,最终采用多层感知机预测评分结果为:
Figure FDA0003688784580000022
其中,w1,w2和w为权重参数,b1,b2,b是偏置参数,
Figure DEST_PATH_IMAGE002
是最终预测的用户项目评分。
CN202010270909.4A 2020-04-08 2020-04-08 一种面向注意力的语义敏感的标签推荐方法 Active CN111488524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010270909.4A CN111488524B (zh) 2020-04-08 2020-04-08 一种面向注意力的语义敏感的标签推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010270909.4A CN111488524B (zh) 2020-04-08 2020-04-08 一种面向注意力的语义敏感的标签推荐方法

Publications (2)

Publication Number Publication Date
CN111488524A CN111488524A (zh) 2020-08-04
CN111488524B true CN111488524B (zh) 2022-08-16

Family

ID=71810994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010270909.4A Active CN111488524B (zh) 2020-04-08 2020-04-08 一种面向注意力的语义敏感的标签推荐方法

Country Status (1)

Country Link
CN (1) CN111488524B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022165714A1 (zh) * 2021-02-04 2022-08-11 深圳大学 一种信息推荐方法、电子设备及存储介质
CN113434761B (zh) * 2021-06-25 2024-02-02 平安科技(深圳)有限公司 推荐模型训练方法、装置、计算机设备和存储介质
CN113420221B (zh) * 2021-07-01 2022-09-09 宁波大学 融合用户隐式物品偏好与显式特征偏好的可解释推荐方法
CN114493535B (zh) * 2022-01-28 2022-09-06 北京乐开科技有限责任公司 一种基于资产模型的数据驱动用数据中台***
TWI818501B (zh) * 2022-04-07 2023-10-11 創鑫智慧股份有限公司 嵌入表產生方法與嵌入表濃縮方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903138A (zh) * 2019-02-28 2019-06-18 华中科技大学 一种个性化商品推荐方法
CN110008377A (zh) * 2019-03-27 2019-07-12 华南理工大学 一种利用用户属性进行电影推荐的方法
CN110517121A (zh) * 2019-09-23 2019-11-29 重庆邮电大学 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN110717037A (zh) * 2019-08-28 2020-01-21 阿里巴巴集团控股有限公司 对用户分类的方法和装置
CN110879864A (zh) * 2019-10-29 2020-03-13 南京大学 一种基于图神经网络和注意力机制的上下文推荐方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7630986B1 (en) * 1999-10-27 2009-12-08 Pinpoint, Incorporated Secure data interchange
CN109670121A (zh) * 2018-12-18 2019-04-23 辽宁工程技术大学 基于注意力机制的项目级和特征级深度协同过滤推荐算法
CN110188272B (zh) * 2019-05-27 2023-04-21 南京大学 一种基于用户背景的社区问答网站标签推荐方法
CN110569353B (zh) * 2019-07-03 2023-04-07 重庆大学 一种基于注意力机制的Bi-LSTM的标签推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903138A (zh) * 2019-02-28 2019-06-18 华中科技大学 一种个性化商品推荐方法
CN110008377A (zh) * 2019-03-27 2019-07-12 华南理工大学 一种利用用户属性进行电影推荐的方法
CN110717037A (zh) * 2019-08-28 2020-01-21 阿里巴巴集团控股有限公司 对用户分类的方法和装置
CN110517121A (zh) * 2019-09-23 2019-11-29 重庆邮电大学 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN110879864A (zh) * 2019-10-29 2020-03-13 南京大学 一种基于图神经网络和注意力机制的上下文推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种融合社交信息的注意力推荐模型;柴超群;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20191215(第12期);I138-705 *
融合注意力机制的深度协同过滤推荐算法;王永贵 等;《计算机工程与应用》;20190418;第55卷(第13期);8-14 *
采用词向量注意力机制的双路卷积神经网络句子分类模型;郭宝震 等;《浙江大学学报(工学版)》;20180816;第52卷(第09期);1729-1737 *

Also Published As

Publication number Publication date
CN111488524A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN111488524B (zh) 一种面向注意力的语义敏感的标签推荐方法
Qiu et al. Predicting customer purchase behavior in the e-commerce context
Gao et al. An attention-based unsupervised adversarial model for movie review spam detection
CN110879864B (zh) 一种基于图神经网络和注意力机制的上下文推荐方法
CN106462626A (zh) 利用深度神经网络对兴趣度建模
CN111553754A (zh) 行为预测***的更新方法及装置
US20130173583A1 (en) Keyword index pruning
CN107895303B (zh) 一种基于ocean模型的个性化推荐的方法
CN111506831A (zh) 一种协同过滤的推荐模块、方法、电子设备及存储介质
CN111985520A (zh) 一种基于图卷积神经网络的多模态分类方法
Liu et al. Using collaborative filtering algorithms combined with Doc2Vec for movie recommendation
CN113239159B (zh) 基于关系推理网络的视频和文本的跨模态检索方法
CN116521906B (zh) 元描述生成方法及其装置、设备、介质
Cao et al. Deep multi-view learning to rank
Elahi et al. Hybrid recommendation by incorporating the sentiment of product reviews
CN116680363A (zh) 一种基于多模态评论数据的情感分析方法
CN111897999B (zh) 一种用于视频推荐且基于lda的深度学习模型构建方法
Patil et al. A survey on artificial intelligence (AI) based job recommendation systems
Zahrawi et al. Implementing recommender systems using machine learning and knowledge discovery tools
CN112434130B (zh) 一种多任务标签嵌入的情感分析神经网络模型构建方法
CN112463966B (zh) 虚假评论检测模型训练方法、检测方法及装置
Zhao D-han: dynamic news recommendation with hierarchical attention network
Ye et al. A collaborative neural model for rating prediction by leveraging user reviews and product images
CN112749332A (zh) 数据处理方法、装置以及计算机可读介质
Rauf et al. BCE4ZSR: Bi-encoder empowered by teacher cross-encoder for zero-shot cold-start news recommendation

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