CN112925994A - 基于局部和全局信息融合的群组推荐方法、***及设备 - Google Patents
基于局部和全局信息融合的群组推荐方法、***及设备 Download PDFInfo
- Publication number
- CN112925994A CN112925994A CN202110409132.XA CN202110409132A CN112925994A CN 112925994 A CN112925994 A CN 112925994A CN 202110409132 A CN202110409132 A CN 202110409132A CN 112925994 A CN112925994 A CN 112925994A
- Authority
- CN
- China
- Prior art keywords
- group
- representation
- item
- obtaining
- local
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003993 interaction Effects 0.000 claims abstract description 87
- 230000002776 aggregation Effects 0.000 claims abstract description 24
- 238000004220 aggregation Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000002452 interceptive effect Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 5
- XHEFDIBZLJXQHF-UHFFFAOYSA-N fisetin Chemical compound C=1C(O)=CC=C(C(C=2O)=O)C=1OC=2C1=CC=C(O)C(O)=C1 XHEFDIBZLJXQHF-UHFFFAOYSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于深度学习领域,具体涉及了一种基于局部和全局信息融合的群组推荐方法、***及设备,旨在解决现有的群组推荐方法仅从群体和用户之间的单一交互中学习群组的表示,无法考虑全面信息的群组推荐的问题。本发明包括:通过但类型聚合注意力模块分别获取含有用户语义特征信息的项目表示、含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示,进而获取项目的最终表示;通过获取群组的局部特征表示和全局特征表示并将其进行信息融合获得群组的最终表示,进而计算目标群组对项目的偏好值,基于偏好值进行排序,生成项目推荐列表。本发明通过深度学习和注意力机制实现了组内的全局表示,融合全局和局部信息,提高了群组推荐的准确度。
Description
技术领域
本发明属于深度学习领域,具体涉及了一种基于局部和全局信息融合的群组推荐方法、***及设备。
背景技术
近年来,随着社交网络的发展,群组活动变得越来越受欢迎。
群组推荐***也已应用于各种领域,例如电子商务,娱乐,社交媒体,旅游业等。
与传统的个性化推荐不同,群组推荐的目的是为寻找目标群组很可能感兴趣的项。
随着群组活动需求的不断变化和对活动的要求不断的提升,群组推荐***也迫切需要快速地发展。
现有的基于深度学习的群体推荐方法主要存在以下两个问题:
(1)群组活动中存在多种交互信息:用户-群组、用户- 项目、群组-项目交互,但是现有的方法大多集中在从单一的交互(群组-项目)中学习群组的表示,导致模型并不能够充分的利用这些交互信息。
(2)目前尚没有相关的群组推荐模型利用群组之外的全局信息,导致模型的推荐效果并不理想。
发明内容
为了解决现有技术中的上述问题,即现有的群组推荐方法仅从群体和用户之间的单一的交互中学习群组的表示,无法考虑全面信息的群组推荐的问题,本发明提供了一种基于局部和全局信息融合的群组推荐方法,所述方法包括:
步骤S100,基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图;
步骤S200,基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
步骤S800,基于所述目标群组gl对于项目vl的偏好值,对候选项目进行排序,为群组生成项目推荐列表。
在一些优选的实施方式中,所述单类型聚合注意力模块中的权重计算公式为:
其中,qj表示目标对象,It(qj)表示与qj有交互关系的对象集合,t为对象类型,和表示注意力网络的权重矩阵参数,是和qj交互过的t类型对象的特征向量,bt是偏置向量,wt是权重向量,dt是偏置参数,sigmoid是激活函数,σ(·)是ReLU激活函数。
在一些优选的实施方式中,步骤S200包括:
在一些优选的实施方式中,所述多类型融合注意力模块中的权重计算公式为:
在一些优选的实施方式中,所述步骤S500,其具体步骤包括:
基于所述群组-项目交互视图,计算任一群组gk和目标群组gl的相似度simi(l,k),重复计算其他所有群组和目标群组gl的 simi(l,k),按照从高到低的顺序排序,采样前γ个群组组成目标群组的γ近邻群组集合所述群组的全局特征表示
在一些优选的实施方式中,所述步骤S700,其具体步骤包括:
其中,⊙表示两个向量的元素级别乘积操作,concat表示特征的拼接操作;
其中,We表示权重矩阵,be表示偏置向量,he表示第e个隐藏层的输出,e表示预设的隐藏层的层数,σ表示ReLU激活函数;
步骤S730,基于所述第e个隐藏层的输出he,通过全连接层获得目标群组gl对目标项目vi的偏好得分rli:
rli=sigmoid(wThe)
wT表示权重向量,sigmoid表示将隐藏层的输出映射到[0,1]的激活函数。
本发明的另一方面,提出了一种基于局部和全局信息融合的群组推荐***,所述***包括:历史视图获取单元、项目表示及群组表示获取单元、项目的最终表示获取单元、群组的局部特征表示获取单元、群组的全局特征表示获取单元、局部全局信息融合单元、偏好值计算单元和推荐排序单元;
所述历史视图获取单元,配置为基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图;
所述项目表示及群组表示获取单元,配置为基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
所述偏好值计算单元,配置为基于所述项目的最终表示和群组的最终表示通过池化层获得组合特征h0,并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he,通过全连接层获得目标群组gl对于项目vl的偏好值;
所述推荐排序单元,配置为基于所述目标。群组gl对于项目vl的偏好值进行排序,生成项目推荐列表。
本发明的第三方面,提出了一种电子设备,其特征在于,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于局部和全局信息融合的群组推荐方法。
本发明的有益效果:
(1)本发明基于局部和全局信息融合的群组推荐方法,通过深度学习和注意力机制实现了组内的全局表示,通过融合了全局和局部信息,实现群组对项目的偏好得分,提高了群组推荐的准确度。
(2)本发明实现了利用群组的全局信息增强群组的表示的群组推荐;
(3)本发明利用了组内的三种交互关系,从而在一定程度上缓解了由于数据稀疏性所导致的群组或者项目表示不充分的问题;
(4)本发明提出了两种注意力机制的方式,包括单类型聚合注意力方法、多类型融合注意力方法;
(5)本发明基于注意力机制,提出了一种基于全局和局部信息融合的群组推荐方法,可以有效的提升群组推荐的效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于局部和全局信息融合的群组推荐方法实施例的流程示意图;
图2是本发明实施例的原理示意图;
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于局部和全局信息融合的群组推荐方法,本方法通过深度学习和注意力机制实现了组内的全局表示,通过融合了全局和局部信息,实现群组对项目的偏好得分,提高了群组推荐的准确度。
本发明的一种基于局部和全局信息融合的群组推荐方法,包括:
步骤S100,基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图和群组-项目交互视图;
步骤S200,基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
步骤S800,基于所述目标群组gl对于项目vl的偏好值,对候选项目进行排序,为群组生成项目推荐列表。
为了更清晰地对本发明基于局部和全局信息融合的群组推荐方法进行说明,下面结合图1和图2对本发明实施例中各步骤展开详述。
本发明第一实施例的基于局部和全局信息融合的群组推荐方法,包括步骤S100-步骤S800,各步骤详细描述如下:
步骤S100,基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图;
在本实施例中,将所述用户-项目交互视图、群组-用户交互视图、群组-项目交互视图进行切片处理,产生预设比例的训练数据和测试数据,将历史交互数据构成训练所需的正样本,将没有和群组或用户交互过的项目作为负样本。
所述三种交互信息可以充分的反映出群组,项目和用户三者之间的关系,例如项目-用户交互,用户所选的项目可以在一定程度上反映出该用户的偏好,而该用户的偏好,又一定程度上可以反映出该项目的某些特征。上述所述的三种交互对象,可以在一定程度上互相表示,即可以用多种语义信息表示项目和群组。所述的群组-用户交互、群组-项目交互视为群组的局部交互信息,而群组的全局信息是和目标群组相似的群组集合,这些相似的群组,在一定程度上表现是相似的偏好,可以用相似群组的语义特征信息表示目标群组,视为群组的全局信息。在群组的局部信息和全局信息基础之上,通过注意力机制,获取局部信息和全局的信息的权重值,再将全局信息和局部信息加权相加,得到群组的最终表示。在获取的项目和群组的最终表示的基础上,通过池化层,获取项目和群组的组合特征,再经过多个隐藏层,学习两者的非线性关系和更高阶的交互关系得到最终的交互特征向量。最后再通过一个全连接层,将所述交互特征向量转化为目标群组对目标项目的偏好得分。
步骤S200,基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
单类型聚合注意力模块,从多个单一语义特征信息中,学习出每个相同语义信息特征所占的权重;
在本实施例中,所述单类型聚合注意力模块中的权重计算公式如公式(1)所示:
其中,qj表示目标对象,It(qj)表示与qj有交互关系的对象集合,t为对象类型,和表示注意力网络的权重矩阵参数,是和qj交互过的t类型对象的特征向量,bt是偏置向量,wt是权重向量,dt是偏置参数,sigmoid是激活函数,σ(·)是ReLU激活函数。
在本实施例中,步骤S200包括:
多类型融合注意力模块,从多个不同语义特征信息中,学习出每个不同语义信息特征所占的比重;
在本实施例中,所述多类型融合注意力模块中的权重计算公式如公式(5)所示:
在本实施例中,基于所述群组-项目交互视图,计算任一群组gk和目标群组gl的相似度simi(l,k),重复计算其他所有群组和目标群组gl的simi(l,k),按照从高到低的顺序排序,采样前γ个群组组成目标群组的γ近邻群组集合所述群组的全局特征表示如公式(8)所示:
在本实施例中,所述步骤S700,其具体步骤包括:
其中,⊙表示两个向量的元素级别乘积操作,concat表示特征的拼接操作;
其中,We表示权重矩阵,be表示偏置向量,he表示第e个隐藏层的输出,e表示预设的隐藏层的层数,σ表示ReLU激活函数;
步骤S730,基于所述第e个隐藏层的输出he,通过全连接层获得目标群组gl对目标项目vi的偏好得分rli如公式(12)所示:
rli=sigmoid(wThe) (12)
wT表示权重向量,sigmoid表示将隐藏层的输出映射到[0,1]的激活函数。
本发明第二实施例的基于局部和全局信息融合的群组推荐***,包括历史视图获取单元、项目表示及群组表示获取单元、项目的最终表示获取单元、群组的局部特征表示获取单元、群组的全局特征表示获取单元、局部全局信息融合单元、偏好值计算单元和推荐排序单元;
所述历史视图获取单元,配置为基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图、群组-项目交互视图;
所述项目表示及群组表示获取单元,配置为基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
所述偏好值计算单元,配置为基于所述项目的最终表示和群组的最终表示通过池化层获得组合特征h0,并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he,通过全连接层获得目标群组gl对于项目vl的偏好值;
所述推荐排序单元,配置为基于所述目标。群组gl对于项目vl的偏好值进行排序,生成项目推荐列表。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于局部和全局信息融合的群组推荐***,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,其特征在于,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于局部和全局信息融合的群组推荐方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于局部和全局信息融合的群组推荐方法,其特征在于,所述方法包括:
步骤S100,基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图和群组-项目交互视图;
步骤S200,基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
步骤S800,基于所述目标群组gl对于项目vl的偏好值,对候选项目进行排序,为群组生成项目推荐列表。
3.根据权利要求2所述的基于局部和全局信息融合的群组推荐方法,其特征在于,所述步骤S200包括:
8.根据权利要求1所述的基于局部和全局信息融合的群组推荐方法,其特征在于,所述步骤S700,其具体步骤包括:
其中,⊙表示两个向量的元素级别乘积操作,concat表示特征的拼接操作;
其中,We表示权重矩阵,be表示偏置向量,he表示第e个隐藏层的输出,e表示预设的隐藏层的层数,σ表示ReLU激活函数;
步骤S730,基于所述第e个隐藏层的输出he,通过全连接层获得目标群组gl对目标项目vi的偏好得分rli:
rli=sigmoid(wThe)
wT表示权重向量,sigmoid表示将隐藏层的输出映射到[0,1]的激活函数。
9.一种基于局部和全局信息融合的群组推荐***,其特征在于,所述***包括历史视图获取单元、项目表示及群组表示获取单元、项目的最终表示获取单元、群组的局部特征表示获取单元、群组的全局特征表示获取单元、局部全局信息融合单元、偏好值计算单元和推荐排序单元;
所述历史视图获取单元,配置为基于群组、用户和项目的历史交互记录获取用户-项目交互视图、群组-用户交互视图和群组-项目交互视图;
所述项目表示及群组表示获取单元,配置为基于所述用户-项目交互视图、群组-用户交互视图和群组-项目交互视图,通过单类型聚合注意力模块分别获取含有用户语义特征信息的项目表示含有用户语义特征信息的群组表示和含有项目语义特征信息的群组表示
所述偏好值计算单元,配置为基于所述项目的最终表示和群组的最终表示通过池化层获得组合特征h0,并通过预设数量个隐藏层获取组合特征的非线性关系和高阶交互关系he,通过全连接层获得目标群组gl对于项目vL的偏好值;
所述推荐排序单元,配置为基于所述目标群组gl对于项目vl的偏好值,对候选项目进行排序,为群组生成项目推荐列表。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-8所述的基于局部和全局信息融合的群组推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409132.XA CN112925994B (zh) | 2021-04-16 | 2021-04-16 | 基于局部和全局信息融合的群组推荐方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409132.XA CN112925994B (zh) | 2021-04-16 | 2021-04-16 | 基于局部和全局信息融合的群组推荐方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112925994A true CN112925994A (zh) | 2021-06-08 |
CN112925994B CN112925994B (zh) | 2023-12-19 |
Family
ID=76174469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409132.XA Active CN112925994B (zh) | 2021-04-16 | 2021-04-16 | 基于局部和全局信息融合的群组推荐方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925994B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204729A (zh) * | 2022-12-05 | 2023-06-02 | 重庆邮电大学 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN116821516A (zh) * | 2023-08-30 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 资源推荐方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1955266A1 (en) * | 2005-11-30 | 2008-08-13 | Nokia Corporation | Socionymous method for collaborative filtering and an associated arrangement |
US20140229498A1 (en) * | 2013-02-14 | 2014-08-14 | Wine Ring, Inc. | Recommendation system based on group profiles of personal taste |
US20170148084A1 (en) * | 2015-11-24 | 2017-05-25 | The Bottlefly, Inc. | Systems and methods for tracking consumer tasting preferences |
CN110309405A (zh) * | 2018-03-08 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种项目推荐方法、装置及存储介质 |
CN110502704A (zh) * | 2019-08-12 | 2019-11-26 | 山东师范大学 | 一种基于注意力机制的群组推荐方法及*** |
CN111177577A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种群组的项目推荐方法、智能终端以及存储装置 |
-
2021
- 2021-04-16 CN CN202110409132.XA patent/CN112925994B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1955266A1 (en) * | 2005-11-30 | 2008-08-13 | Nokia Corporation | Socionymous method for collaborative filtering and an associated arrangement |
US20140229498A1 (en) * | 2013-02-14 | 2014-08-14 | Wine Ring, Inc. | Recommendation system based on group profiles of personal taste |
US20170148084A1 (en) * | 2015-11-24 | 2017-05-25 | The Bottlefly, Inc. | Systems and methods for tracking consumer tasting preferences |
CN110309405A (zh) * | 2018-03-08 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种项目推荐方法、装置及存储介质 |
CN110502704A (zh) * | 2019-08-12 | 2019-11-26 | 山东师范大学 | 一种基于注意力机制的群组推荐方法及*** |
CN111177577A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种群组的项目推荐方法、智能终端以及存储装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204729A (zh) * | 2022-12-05 | 2023-06-02 | 重庆邮电大学 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN116204729B (zh) * | 2022-12-05 | 2024-05-10 | 武汉光谷康服信息科技有限公司 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN116821516A (zh) * | 2023-08-30 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN116821516B (zh) * | 2023-08-30 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 资源推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112925994B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN106095893B (zh) | 一种跨媒体检索方法 | |
CN106021362B (zh) | 查询式的图片特征表示的生成、图片搜索方法和装置 | |
CN111667022A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN111753093A (zh) | 一种网络舆情危机等级评价方法和装置 | |
CN107423820B (zh) | 结合实体层次类别的知识图谱表示学习方法 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN112925994B (zh) | 基于局部和全局信息融合的群组推荐方法、***及设备 | |
CN112100514B (zh) | 一种基于全局注意力机制表征学习的好友推荐方法 | |
CN109947948B (zh) | 一种基于张量的知识图谱表示学习方法及*** | |
Huynh et al. | Context-similarity collaborative filtering recommendation | |
CN116109195B (zh) | 一种基于图卷积神经网络的绩效评估方法及*** | |
CN109447110A (zh) | 综合邻居标签相关性特征和样本特征的多标签分类的方法 | |
CN112163161B (zh) | 高校图书馆的推荐方法、***、可读存储介质及电子设备 | |
CN117436679B (zh) | 一种元宇宙资源匹配方法及其*** | |
CN111930957A (zh) | 实体间亲密度的分析方法、装置、电子设备以及存储介质 | |
CN115495654A (zh) | 基于子空间投影神经网络的点击率预估方法和装置 | |
CN113505154B (zh) | 一种基于大数据的数字阅读统计分析方法及*** | |
CN108154380A (zh) | 基于大规模评分数据对用户进行商品在线实时推荐的方法 | |
Windarto et al. | K-Means Algorithm with Rapidminer in Clustering School Participation Rate in Indonesia | |
CN117312680A (zh) | 一种基于用户-实体子图对比学习的资源推荐方法 | |
CN114281950B (zh) | 基于多图加权融合的数据检索方法与*** | |
CN114880576A (zh) | 基于时间感知超图图卷积的预测方法 | |
CN113987126A (zh) | 基于知识图谱的检索方法及装置 | |
CN112613533A (zh) | 基于排序约束的图像分割质量评价网络***、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 |