CN112256965A - 一种基于lambdaMart的神经协同过滤模型推荐方法 - Google Patents

一种基于lambdaMart的神经协同过滤模型推荐方法 Download PDF

Info

Publication number
CN112256965A
CN112256965A CN202011145676.1A CN202011145676A CN112256965A CN 112256965 A CN112256965 A CN 112256965A CN 202011145676 A CN202011145676 A CN 202011145676A CN 112256965 A CN112256965 A CN 112256965A
Authority
CN
China
Prior art keywords
information
movie
user
collaborative filtering
lambdamat
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.)
Pending
Application number
CN202011145676.1A
Other languages
English (en)
Inventor
黄梦醒
韩笑
冯思玲
冯文龙
张雨
吴迪
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.)
Hainan University
Original Assignee
Hainan 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 Hainan University filed Critical Hainan University
Priority to CN202011145676.1A priority Critical patent/CN112256965A/zh
Publication of CN112256965A publication Critical patent/CN112256965A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (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

本发明提供一种基于lambdaMart的神经协同过滤模型推荐方法，所述方法包括以下步骤：S1：输入用户信息，所述用户信息包括用户基本信息和电影评论信息，所述电影评论信息包括已评分电影信息和未评分电影信息；S2：嵌入层将用户信息映射为用户特征向量，将电影评论信息映射为电影特征向量；S3：将用户特征向量、电影特征向量输入到神经协同过滤模型中，提取高阶特征信息，同时提取排序信息；S4：对高阶特征信息和排序信息进行处理获得推荐结果并输出。提出LM‑NCF模型，通过改进神经协同过滤模型，利用多层感知机的非线性特征处理提取隐含高阶特征信息以及lambdaMart个性化排序算法提取排序信息，使推荐更加精准。

Description

一种基于lambdaMart的神经协同过滤模型推荐方法
技术领域
本发明涉及个性化推荐技术领域，尤其涉及一种基于lambdaMart的神经协同过滤模型推荐方法。
背景技术
随着科学技术的发展，网上数据也越来越多，使得用户在面对庞大的信息超载时无法获得真正有用的信息，对信息的使用效率大大降低，个性化推荐是解决信息超载的有效方法，通过该方法进行推荐可以更好的把握用户的观影习惯，为用户提供优质的电影推荐。
目前实现电影推荐采用的方法有：基于inception结构的神经网络协同过滤推荐算法、基于深度学习的混合推荐模型、基于噪声检测修正和神经网络的稀疏数据推荐算法和融合注意力和记忆网络的序列推荐算法。
其中基于inception结构的神经网络协同过滤推荐算法，充分利用商品评论信息，提高商品推荐***精度，对NCF神经网络协同过滤模型进行改进，模型与Inception结构的卷积神经网络相结合，将商品评论信息融入模型进行预测和推荐。该项技术得不足之处是，推荐***使用NCF-i模型进行离线训练会得到更优秀的推荐结果，但是由于使用神经网络的计算比较复杂，当用户和商品规模巨大时，会消耗大量的资源以及时间，因此无法将模型应用于实时在线推荐。
基于深度学习的混合推荐模型，针对传统的矩阵分解算法，仅利用评分信息作为推荐依据，当评分数据稀疏时，不能准确获取隐式反馈，影响推荐的准确性，充分利用辅助信息进行隐式特征的提取成为研究热点之一，提出一种基于深度学习的推荐模型HRS-DC，利用深度神经网络和卷积神经网络从辅助信息中分别提取出用户和项目的隐性特征向量，再将特征向量经过改进的神经协同过滤得出新的评分矩阵。该项技术的不足之处是NCF的网络层数，隐因子的维度等参数还没有找到最佳值，只是找到相对比较优化的值，对预测的准确性还有待提高，在稀疏性和冷启动问题上还有待提高。
基于噪声检测修正和神经网络的稀疏数据推荐算法，将用户和项目按评分分别分类为高分类、中等类和低分类，根据分类结果检测评分矩阵的奇异点，对奇异点做简单地修正处理。建立基于兴趣关系的受限玻尔兹曼机模型，将用户对项目的兴趣关系以及项目的次级信息作为条件受限玻尔兹曼机的输入，预测目标用户的top-k推荐列表。该项技术的不足之处是受限RBM的训练过程较为复杂，并且需要微调超参数，因此无法适用于动态的大数据推荐应用，例如：新闻推荐、股票推荐等实时数据流场景。需要引入参数较少的神经网络模型，并且研究神经网络的增量，技术提高推荐算法的实时性。
融合注意力和记忆网络的序列推荐算法，根据Word2vec算法，引申item2vec和user2vec，初始化用户和项目的固定表示嵌入矩阵，通过结合注意力机制和长短期记忆网络(LongShort-TermMemory，LSTM)解决序列之间的长距离依赖性差和区分度差问题。利用记忆网络获取用户的动态邻居，加强用户的动态表示，实现更准确的推荐。该技术的不足之处是在使用i-tem2vec学习项目向量表示时，少数项目不在训练集中，即冷启动项目，对于没有标签的项目，还需进一步处理才能适用，现实生活中存在大量冷项目，以及RNN的输入序列是在时间轴上位置相邻，没有考虑两项目之间时间间隔的影响。
发明内容
鉴以此，本发明的目的在于提供一种基于lambdaMart的神经协同过滤模型推荐方法，以解决现有的电影推荐方法所存在的上述问题。
一种基于lambdaMart的神经协同过滤模型推荐方法，所述方法包括以下步骤：
S1：输入用户信息，所述用户信息包括用户基本信息和电影评论信息，所述电影评论信息包括已评分电影信息和未评分电影信息；
S2：嵌入层将用户信息映射为用户特征向量，将电影评论信息映射为电影特征向量；
S3：将用户特征向量、电影特征向量输入到神经协同过滤模型中，提取高阶特征信息，同时提取排序信息；
S4：对高阶特征信息和排序信息进行处理获得推荐结果并输出。
进一步的，所述用户基本信息包括年龄、性别、职业、邮编，所述已评分电影信息和未评分电影信息均包括电影名、电影ID、上映日期、电影类型信息。
进一步的，所述步骤S2具体包括：
S21：对用户基本信息和电影评论信息中的用户ID进行提取并且映射为用户特征向量；
S22：对已评分的电影信息和未评分的中的电影ID进行提取并且映射为电影特征向量。
在本发明的其中一个实施例中，所述步骤S2、嵌入层将用户信息(Uid)映射为用户特征向量，将电影评论信息映射为电影特征向量，具体还包括：
输入层上面是嵌入层，它是一个全连接层用于将数据映射为特征向量。其中用户ID(Uid)映射为用户特征向量，用户已经评分的电影ID(Pid)和用户没有评分的电影ID(Nid)映射为电影特征向量。Uid，Pid与Nid都分别经过LMart嵌入层和MLP嵌入层映射为向量，然后后缀为Emb的向量去BPR层，后缀为MLP的向量去MLP层，分别命名为Uid_MLP，Uid_Emb，Pid_MLP，Pid_Emb，Nid_MLP，Nid_Emb。
在神经协同过滤模型的多层感知机层基础上，增加了批标准化(batchnormalization，BN)层与丢弃(Dropout)层，其中，BN层统一各层的方差加快模型的收敛速度，Dropout层提高泛化性防止过拟合。
进一步的，所述步骤S3中提取隐含高阶特征信息，具体包括：
S31：将用户特征向量、已评分电影信息和未评分电影信息特征向量拼接成新的向量；
S32：将上一步骤拼接获得的向量输入神经协同过滤模型的MLP层计算高阶特征信息
Figure BDA0002739668070000041
的计算公式为：
Figure BDA0002739668070000042
其中，P∈RM×K表示用户特征矩阵，Q∈RN×K表示物品特征矩阵，K表示隐空间的维度，PT、QT表示矩阵P、Q的转置，
Figure BDA0002739668070000043
分别表示用户特征向量和电影特征向量，Θf表示交互函数的模型参数。
进一步的，所述步骤S3中提取排序信息，具体包括：
S33：假设任意用户u在电影p与n同时存在的情况下选择了电影p,认为p排序在n前面，如此记录此三元组(u,p,n)，所有(u,p,n)组合的集合表示为D，>u代表用户u对应的所有商品的全序关系，优化目标是最大化后验概率p(θ|＞u),最终的最大对数后验估计函数公式为：
Figure BDA0002739668070000044
其中,
Figure BDA0002739668070000045
为在模型参数θ下求最大化后验概率p,ln表示以常数e为底的自然对数函数,xup、xun分别表示用户u特征向量与已评分电影p特征向量和未评分电影n特征向量相乘，意义是用户u对电影p和电影n的偏好关系，σ表示sigmoid激活函数,λ为正则化参数λ||θ||2是正则项,通过梯度上升法来求解最大化后验概率
Figure BDA0002739668070000046
S34：通过将
Figure BDA0002739668070000051
与1作差转化为求最小化LMartloss，构造函数
Figure BDA0002739668070000057
计算LMartloss，
Figure BDA0002739668070000052
表示为：
Figure BDA0002739668070000053
进一步的，所述步骤S4中对高阶特征信息和排序信息进行处理获得推荐结果并输出，具体包括：
S41：来自LMart层的排序信息和MLP层的特征信息拼接形成新的向量，加权输出，通过sigmoid激活函数对输出结果进行处理得到预测值0或者1，预测值表达式为：
Figure BDA0002739668070000054
其中hT表示嵌入层权重矩阵的转置。
通过减小预测值与真实属性值的交叉熵来迭代更新模型参数,更新模型参数表达式为：
Figure BDA0002739668070000055
其中,yupn是真实属性值,
Figure BDA0002739668070000056
是预测值,D表示使用的数据集，通过L的大小判断推荐的准确度，L越大表示推荐的结果越准确、L越小表示推荐结果不准确。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于lambdaMart的神经协同过滤模型推荐方法。提出LMart-NCF模型，通过改进神经协同过滤模型，利用多层感知机的非线性特征处理提取高阶特征信息以及lambdaMart个性化排序算法提取排序信息，使推荐更加精准，从电影推荐实际应用来看，基于神经协同过滤模型的LMart-NCF模型,提高了挖掘信息的深度，提升了信息来源的广度。在推荐过程中，提高了推荐的命中率和准确率，而且只增加了极少的计算资源，没有过多的提高时间复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于lambdaMart的神经协同过滤模型推荐方法整体结构流程图。
图2是本发明实施例提供的一种基于lambdaMart的神经协同过滤模型推荐方法LMart-NCF模型流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。
参照图1和图2，本发明提供一种基于lambdaMart的神经协同过滤模型推荐方法，所述方法包括以下步骤：
S1：输入用户信息，所述用户信息包括用户基本信息和电影评论信息，所述电影评论信息包括已评分电影信息和未评分电影信息；
S2：嵌入层将用户信息映射为用户特征向量，将电影评论信息映射为电影特征向量；
S3：将用户特征向量、电影特征向量输入到神经协同过滤模型中，提取高阶特征信息，同时提取排序信息；
S4：对高阶特征信息和排序信息进行处理获得推荐结果并输出。
所述用户基本信息包括年龄、性别、职业、邮编，所述已评分电影信息和未评分电影信息均包括电影名、电影ID、上映日期、电影类型信息。
所述步骤S2具体包括：
S21：对用户基本信息和电影评论信息中的用户ID进行提取并且映射为用户特征向量；
S22：对已评分的电影信息和未评分的中的电影ID进行提取并且映射为电影特征向量。
所述步骤S3中提取隐含高阶特征信息，具体包括：
S31：将用户特征向量、已评分电影信息和未评分电影信息特征向量拼接成新的向量；
S32：将上一步骤拼接获得的向量输入神经协同过滤模型的MLP层计算高阶特征信息
Figure BDA0002739668070000071
的计算公式为：
Figure BDA0002739668070000072
其中，P∈RM×K表示用户特征矩阵，Q∈RN×K表示物品特征矩阵，K表示隐空间的维度，PT、QT表示矩阵P、Q的转置，
Figure BDA0002739668070000073
分别表示用户特征向量和电影特征向量，Θf表示交互函数的模型参数。
所述步骤S3中提取排序信息，具体包括：
S33：假设任意用户u在电影p与u同时存在的情况下选择了电影p,认为p排序在n前面，如此记录此三元组(u,p,n)，所有(u,p,n)组合的集合表示为D，>u代表用户u对应的所有商品的全序关系，优化目标是最大化后验概率p(θ|＞u),最终的最大对数后验估计函数公式为：
Figure BDA0002739668070000074
其中,
Figure BDA0002739668070000075
为在模型参数θ下求最大化后验概率p,ln表示以常数e为底的自然对数函数,xup、xun分别表示用户u特征向量、已评分与电影p特征向量和未评分电影n特征向量相乘，意义是用户u对电影p和电影n的偏好关系，σ表示sigmoid激活函数,λ为正则化参数λ||θ||2是正则项,通过梯度上升法来求解最大化后验概率
Figure BDA0002739668070000081
S34：通过将
Figure BDA0002739668070000082
与1作差转化为求最小化LMartloss，构造函数
Figure BDA0002739668070000088
计算LMartloss，
Figure BDA0002739668070000083
表示为：
Figure BDA0002739668070000084
所述步骤S4中对高阶特征信息和排序信息进行处理获得推荐结果并输出，具体包括：
S41：来自LMart层的排序信息和MLP层的特征信息拼接形成新的向量，加权输出，通过sigmoid激活函数对输出结果进行处理得到预测值0或者1，预测值表达式为：
Figure BDA0002739668070000085
其中hT表示嵌入层权重矩阵的转置。
通过减小预测值与真实属性值的交叉熵来迭代更新模型参数,更新模型参数表达式为：
Figure BDA0002739668070000086
其中,yupn是真实属性值,
Figure BDA0002739668070000087
是预测值,D表示使用的数据集，通过L的大小判断推荐的准确度，L越大表示推荐的结果越准确、L越小表示推荐结果不准确。
进一步的技术方案，S1输入用户信息(Uid)：MovieLens-100k，数据集里面包括u.data、u.info、u.item、u.genre、u.user、u.occupation等文件，其中u.data文件包含943个用户对于1682部电影的100000个评分(分值为[1，5]之间的整数)，部分数据如表1所示；每个用户至少评级20部电影；u.user文件包含用户的人口统计信息(年龄，性别，职业，邮编)，部分数据如表2所示；u.item文件包括电影名，电影ID，上映日期，IMDB电影网对应电影主页网址，所属的电影类型(恐怖，犯罪，喜剧等)，部分数据如表3所示。
表1u.data
Figure BDA0002739668070000091
表2 u.user
Figure BDA0002739668070000092
表3 u.item
Figure BDA0002739668070000093
作为一个示例，在将上述实施例所提供的方法应用到电影推荐***中时，其具体实现步骤包括：
输入：3组数据Uid、Pid和Nid，学习率α,正则项系数λ，隐空间的维度K。
输出：用户LMart嵌入层权重矩阵W，电影LMart嵌入层权重矩阵H。
(1)初始化所有嵌入层权重。
(2)在LMart层,Uid_Emb*Pid_Emb与Uid_Emb*Nid_Emb作差，由sigmoid激活函数变换得到[0.1]值再与1做差，差值作为排序信息LMartloss。LMart层输出排序信息与MLP层信息拼接成新的向量。
(3)新向量通过sigmoid激活函数转为取值在[0,1]的预测值，同时把评分表中任意用户的大于或等于4分的电影属性值设为1其余电影属性值设为0,通过减小预测值(modelprediction)与真实属性值(target)的交叉熵来迭代更新模型参数。如果损失函数收敛，则模型训练结束,输出W和H，否则回到步骤(2)。
(4)迭代更新完成后，就可以根据LMart嵌入层权重计算出任意用户u对任意一部电影的排序得分。

Claims (7)

1.一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述方法包括以下步骤：
S1：输入用户信息，所述用户信息包括用户基本信息和电影评论信息，所述电影评论信息包括已评分电影信息和未评分电影信息；
S2：嵌入层将用户信息映射为用户特征向量，将电影评论信息映射为电影特征向量；
S3：将用户特征向量、电影特征向量输入到神经协同过滤模型中，提取高阶特征信息，同时提取排序信息；
S4：对高阶特征信息和排序信息进行处理获得推荐结果并输出。
2.根据权利要求1所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述用户基本信息包括年龄、性别、职业、邮编，所述已评分电影信息和未评分电影信息均包括电影名、电影ID、上映日期、电影类型信息。
3.根据权利要求1所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S2具体包括：
S21：对用户基本信息和电影评论信息中的用户ID进行提取并且映射为用户特征向量；
S22：对已评分电影信息和未评分电影信息中的电影ID进行提取并且映射为电影特征向量。
4.根据权利要求3所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S3中提取高阶特征信息，具体包括：
S31：将用户特征向量、已评分电影信息和未评分电影信息特征向量拼接成新的向量；
S32：将上一步骤拼接获得的向量输入神经协同过滤模型的MLP层计算高阶特征信息
Figure FDA0002739668060000011
的计算公式为：
Figure FDA0002739668060000021
其中，P∈RM×K表示用户特征矩阵，Q∈RN×K表示物品特征矩阵，K表示隐空间的维度，PT、QT表示矩阵P、Q的转置，
Figure FDA0002739668060000022
分别表示用户特征向量和电影特征向量，Θf表示交互函数的模型参数。
5.根据权利要求4所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S3中提取排序信息，具体包括：
S33：假设任意用户u在已评分电影p与未评分电影n同时存在的情况下选择了已评分电影p,认为p排序在n前面，表示为三元组(u,p,n)，所有(u,p,n)的集合表示为D，>u代表用户u对应的所有商品的全序关系，优化目标是最大化后验概率p(θ|＞u),最终的最大对数后验估计函数公式为：
Figure FDA0002739668060000023
其中,
Figure FDA0002739668060000024
为在模型参数θ下求最大化后验概率p,ln表示以常数e为底的自然对数函数,xup、xun分别表示用户u特征向量、已评分电影p特征向量和未评分电影n特征向量相乘，意义是用户u对电影p和电影n的偏好关系，σ表示sigmoid激活函数,λ为正则化参数λ||θ||2是正则项,通过梯度上升法来求解最大化后验概率
Figure FDA0002739668060000025
S34：通过将
Figure FDA0002739668060000026
与1作差转化为求最小化LMartloss，构造函数
Figure FDA0002739668060000027
计算LMartloss，
Figure FDA0002739668060000028
表示为：
Figure FDA0002739668060000029
6.根据权利要求5所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S4中对高阶特征信息和排序信息进行处理获得推荐结果并输出,具体包括：
S41：将来自LMart层的排序信息和MLP层的特征信息拼接形成新的向量，加权输出，通过sigmoid激活函数对输出结果进行处理得到预测值0或者1，预测值表达式为：
Figure FDA0002739668060000031
其中hT表示嵌入层权重矩阵的转置。
7.根据权利要求6所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，通过减小预测值与真实属性值的交叉熵来迭代更新模型参数,更新模型参数表达式为：
Figure FDA0002739668060000032
其中,yupn是真实属性值,
Figure FDA0002739668060000033
是预测值,D表示使用的数据集，通过L的大小判断推荐的准确度，L越大表示推荐的结果越准确、L越小表示推荐结果不准确。
CN202011145676.1A 2020-10-23 2020-10-23 一种基于lambdaMart的神经协同过滤模型推荐方法 Pending CN112256965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011145676.1A CN112256965A (zh) 2020-10-23 2020-10-23 一种基于lambdaMart的神经协同过滤模型推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011145676.1A CN112256965A (zh) 2020-10-23 2020-10-23 一种基于lambdaMart的神经协同过滤模型推荐方法

Publications (1)

Publication Number Publication Date
CN112256965A true CN112256965A (zh) 2021-01-22

Family

ID=74264265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011145676.1A Pending CN112256965A (zh) 2020-10-23 2020-10-23 一种基于lambdaMart的神经协同过滤模型推荐方法

Country Status (1)

Country Link
CN (1) CN112256965A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800344A (zh) * 2021-01-29 2021-05-14 重庆邮电大学 一种基于深度神经网络的电影推荐方法
CN113139089A (zh) * 2021-05-14 2021-07-20 西安建筑科技大学 Sddne模型协同过滤模型的电影推荐方法、***、介质及设备
CN113468415A (zh) * 2021-06-11 2021-10-01 南京邮电大学 一种融合电影属性和交互信息的电影推荐***
CN117251643A (zh) * 2023-08-29 2023-12-19 海南大学 基于协同过滤和概率语言术语集的新闻推荐方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920641A (zh) * 2018-07-02 2018-11-30 北京理工大学 一种信息融合个性化推荐方法
CN109785062A (zh) * 2019-01-10 2019-05-21 电子科技大学 一种基于协同过滤模型的混合神经网络推荐***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920641A (zh) * 2018-07-02 2018-11-30 北京理工大学 一种信息融合个性化推荐方法
CN109785062A (zh) * 2019-01-10 2019-05-21 电子科技大学 一种基于协同过滤模型的混合神经网络推荐***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王骏;虞歌;: "基于改进神经协同过滤模型的电影推荐***", 计算机工程与设计, no. 07, pages 2069 - 2075 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800344A (zh) * 2021-01-29 2021-05-14 重庆邮电大学 一种基于深度神经网络的电影推荐方法
CN112800344B (zh) * 2021-01-29 2022-03-22 重庆邮电大学 一种基于深度神经网络的电影推荐方法
CN113139089A (zh) * 2021-05-14 2021-07-20 西安建筑科技大学 Sddne模型协同过滤模型的电影推荐方法、***、介质及设备
CN113468415A (zh) * 2021-06-11 2021-10-01 南京邮电大学 一种融合电影属性和交互信息的电影推荐***
CN113468415B (zh) * 2021-06-11 2024-01-23 南京邮电大学 一种融合电影属性和交互信息的电影推荐***
CN117251643A (zh) * 2023-08-29 2023-12-19 海南大学 基于协同过滤和概率语言术语集的新闻推荐方法及***
CN117251643B (zh) * 2023-08-29 2024-05-07 海南大学 基于协同过滤和概率语言术语集的新闻推荐方法及***

Similar Documents

Publication Publication Date Title
CN110162700B (zh) 信息推荐及模型的训练方法、装置、设备以及存储介质
CN109740064B (zh) 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法
CN112256965A (zh) 一种基于lambdaMart的神经协同过滤模型推荐方法
Liang et al. A probabilistic rating auto-encoder for personalized recommender systems
Huang et al. Neural embedding collaborative filtering for recommender systems
US10402414B2 (en) Scalable system and method for weighted similarity estimation in massive datasets revealed in a streaming fashion
Vilakone et al. Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain
CN116680363A (zh) 一种基于多模态评论数据的情感分析方法
Fareed et al. A collaborative filtering recommendation framework utilizing social networks
Manimurugan et al. A user-based video recommendation approach using CAC filtering, PCA with LDOS-CoMoDa
Nazari et al. Scalable and data-independent multi-agent recommender system using social networks analysis
Paul et al. A weighted hybrid recommendation approach for user’s contentment using natural language processing
Zeng et al. User Personalized Recommendation Algorithm Based on GRU Network Model in Social Networks
Pawar et al. Movies Recommendation System using Cosine Similarity
CN112559905B (zh) 一种基于双模式注意力机制和社交相似度的会话推荐方法
CN114996566A (zh) 一种面向工业互联网平台的智能推荐***及方法
Ye et al. A collaborative neural model for rating prediction by leveraging user reviews and product images
Zhang et al. Adacml: Adaptive collaborative metric learning for recommendation
CN115329183A (zh) 数据处理方法、装置、存储介质及设备
Wang et al. NAUI: Neural attentive user interest model for cross-domain CTR prediction
Fu et al. Sequence-based recommendation with bidirectional lstm network
Rauf et al. BCE4ZSR: Bi-encoder empowered by teacher cross-encoder for zero-shot cold-start news recommendation
Ghanwat et al. Improved personalized recommendation system with better user experience
Zeng et al. A Deep Hybrid Collaborative Filtering Based on Multi-dimension Analysis
Li et al. Explicit and Implicit Feature Interaction Based on Attention Networks for Click-Through Rate 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