CN113360759B - 一种基于用户和项目双重时序相关性的众测任务推荐方法 - Google Patents

一种基于用户和项目双重时序相关性的众测任务推荐方法 Download PDF

Info

Publication number
CN113360759B
CN113360759B CN202110641787.XA CN202110641787A CN113360759B CN 113360759 B CN113360759 B CN 113360759B CN 202110641787 A CN202110641787 A CN 202110641787A CN 113360759 B CN113360759 B CN 113360759B
Authority
CN
China
Prior art keywords
user
time slice
project
time
predicted
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
CN202110641787.XA
Other languages
English (en)
Other versions
CN113360759A (zh
Inventor
王崇骏
张锐汀
袁金亮
张晓雯
资帅
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.)
Nanjing University
Original Assignee
Nanjing 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 Nanjing University filed Critical Nanjing University
Priority to CN202110641787.XA priority Critical patent/CN113360759B/zh
Publication of CN113360759A publication Critical patent/CN113360759A/zh
Application granted granted Critical
Publication of CN113360759B publication Critical patent/CN113360759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于用户和项目双重时序相关性的众测任务推荐方法，包括以下步骤，S1，计算用户间和项目间的关系权重，利用历史交互行为的偏序关系构建属性网络，并通过属性网络定义用户间和项目间的相似关系；S2，计算时间片相关性，获取任意时间片的相似时间片集合，利用用户间和项目间的关系权重计算用户时间片和项目时间片的相似关系；S3，构建待预测时间片用户项目矩阵，所述用户项目交互矩阵由用户时间片特征矩阵和项目时间片特征矩阵相乘得到，两种特征矩阵由待预测时间片相似时间片向量构成；S4，神经协同过滤网络随时间片更新而不断训练，直到网络更新至待预测时间片，随后对用户行为进行预测，得到预测结果。

Description

一种基于用户和项目双重时序相关性的众测任务推荐方法
技术领域
本发明涉及众测任务推荐的技术领域，尤其涉及一种基于用户和项目双重时序相关性的众测任务推荐方法。
背景技术
自二十一世纪以来，人类社会已全面进入信息化时代。计算机和互联网技术的应用快速普及，直至今日，旺盛的软件产业需求直接促进相关学科的学术发展，其中软件测试是软件生命周期中的重要环节之一，但传统的软件测试时间节奏缓慢，无法更全面覆盖软件质量问题，难以适应互联网环境下的软件测试任务。
众测能够利用互联网将软件测试任务分发给非特定群体，这些众包工作者具备基本技能，并且愿意利用业余时间工作，以获得对应报酬或其他服务。随着众测平台发展，测试人员、任务发布者、待测任务数量剧增，如果没有自动化推荐方法帮助，平台用户就会遇到信息过载问题，难以获取真正感兴趣的、有价值的测试任务，因此推荐算法重要性得到重视。众测场景中用户和任务形成的交互记录是一种隐式反馈数据，更多的利用上下文信息将有助于解决推荐问题中广泛存在的数据稀疏性问题和冷启动问题，而利用时序信息是其重要实践方法。
传统矩阵分解方法和基于用户的协同过滤方法作为推荐问题中的经典算法，常被用来做推荐问题实践，但众测领域单纯基于用户不能全面反映测试任务本身的协同规律，并且用户和任务间的非线***互关系不能通过传统矩阵分解方法得到有效提取。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于用户和项目双重时序相关性的众测任务推荐方法，该发明能够利用时序信息对众包测试平台上待测任务进行推荐，更好的利用用户和测试项目之间的隐式反馈信息，提升推荐效果，促进众测平台的发展。
技术方案：为了实现上述发明目的，本发明提供了一种基于用户和项目双重时序相关性的众测任务推荐方法，其特征在于：包括以下步骤，
S1，计算用户间和项目间的关系权重，利用历史交互行为的偏序关系构建属性网络，并通过属性网络定义用户间和项目间的相似关系；
S2，计算时间片相关性，获取任意时间片的相似时间片集合，利用用户间和项目间的关系权重计算用户时间片和项目时间片的相似关系；
S3，构建待预测时间片用户项目矩阵，所述用户项目交互矩阵由用户时间片特征矩阵和项目时间片特征矩阵相乘得到，两种特征矩阵由待预测时间片相似时间片向量构成；；
S4，神经协同过滤网络随时间片更新而不断训练，直到网络更新至待预测时间片，随后对用户行为进行预测，得到预测结果；
S5，对预测结果进行排序，得到对未来用户和项目之间的行为预测最终结果。
进一步的，在本发明中：所述S1还包括以下步骤，
S11，遍历用户-项目交互记录，并以用户为节点、以用户先后消费同一项目为边构建消费网络图；
S12，根据偏序关系的数量获取两用户之间边的权重，两用户之间边的权重和两用户消费产品的集合并集的模之比表示偏序关系中前序用户对后序用户的影响力，以此可以得到任何一个用户对其他所有用户的影响力权重；
S13，对所有用户任意排序，然后利用某一用户对其他用户的影响力权重构造影响力向量，所述影响力向量中的每一维表示该用户对其他指定用户的影响力。
进一步的，在本发明中：所述S2还包括以下步骤，
S21，时间片相关性包括用户侧时间片相关性和项目侧时间片相关性，利用用户影响力向量和用户-时间片向量，根据加权余弦相似性计算用户侧时间片相关性；
S22，利用项目影响力向量和项目-时间片向量，根据加权余弦相似性计算项目侧时间片相关性；影响力分为用户影响力和项目影响力，二者在S23中混合；
S23，利用线性方法调和用户时间片相关性和项目时间片相关性，得到时间片的双重相关性。
进一步的，在本发明中：所述S3还包括以下步骤，
S31，遍历所有待预测时间片前的用户行为时间片数据，计算每一个时间片对应的相似时间片集合，并对集合中的元素按照相似性大小排序；
S32，取L个待预测时间片前序时间片的相似时间片构成一个集合，并将该集合中的每一个元素直接替换为其后序时间片，替换得到的后序时间片集合即为待预测时间片的相似时间片集合；
S33，相似时间片集合分为用户相似时间片集合和项目相似时间片集合，两种集合分别构成用户特征矩阵和项目特征矩阵，两种矩阵相乘得到待预测用户项目交互矩阵。
进一步的，在本发明中：所述S4种神经网络协同过滤对用户行为进行预测还包括，
利用Embedding层对用户和项目建立初始特征向量；
利用多层感知机和广义矩阵分解对特征向量做连接，经输出层得到预测结果并和待预测矩阵中的真实值计算损失，以最小化损失函数为目标；
随着不断的将训练数据集中的时间当作待预测时间进行训练，每一次的训练结果都将作为下次训练的网络初始值。
进一步的，在本发明中：所述S5将神经网络训练后得到的预测数据，按照用户和项目交互频次进行降序排序，取最多交互频次的若干项目作为推荐列表推送给用户。
进一步的，在本发明中：所述项目为待推荐任务，且所述待推荐任务为众测平台中的待测试任务。
有益效果：所述用户项目交互矩阵由用户时间片特征矩阵和项目时间片特征矩阵相乘得到，两种特征矩阵由待预测时间片相似时间片向量构成；神经协同过滤网络随时间片更新而不断训练，直到网络更新至待预测时间片，随后对用户行为进行预测，得到预测结果；对预测结果进行排序，得到对未来用户和项目之间的行为预测最终结果。通过本发明可以实现更好的利用用户和测试项目之间的隐式反馈信息，提升推荐效果，促进众测平台的发展。本发明基于用户侧和项目侧的双重时序相关性，以及神经协同过滤方法能够对众测平台上的测试任务进行个性化推荐；使用本发明提出的方法可以充分利用时序上下文信息对众测平台上的周期性热点问题进行推荐，最大化利用众测平台的时序数据；用户和任务项目间的交互关系能够被神经协同过滤充分提取，可以高效关注用户的个性化特点，提高用户的测试效率和测试质量，提高测试平台任务吞吐量，促进众测的发展，通过本发明推方法进行荐结果真实度高，计算时间短，利于在实际应用进行推广。
附图说明
图1为本发明提出的一种基于用户和项目双重时序相关性的众测任务推荐方法的整体流程示意图；
图2为本发明中计算用户间和项目间关系权重的流程示意图；
图3为本发明中构造待预测时间片用户项目交互矩阵的流程示意图；
图4为本发明中神经协同过滤网络训练的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
如图1所示，为本发明提出的一种基于用户和项目双重时序相关性的众测任务推荐方法的整体流程示意图，具体的，该方法包括以下步骤，
S1，计算用户间和项目间的关系权重，利用历史交互行为的偏序关系构建属性网络，并通过属性网络定义用户间和项目间的相似关系；
具体的，参照图2的示意，所述S1还包括以下步骤，
S11，遍历用户-项目交互记录，并以用户为节点、以用户先后消费同一项目为边构建消费网络图；其中，本实施例中的用户-项目交互记录通过真实众测平台中用户和项目的交互记录，此处的项目即为待测任务。本实施例的众测平台为百度众测、CNVD、360众测、Testin、猪八戒网以及众包测试平台中的至少一种。待测任务为软件测试任务，包括移动端软件测试任务、个人电脑端测试任务和性能测试任务等。
进一步的，遍历交互记录构造消费网络，例如，以用户i和j为网络节点，得到节点Ui、Uj，当用户i和用户j存在先后消费同一项目时，则两节点间产生两条单向边Ei,j、Ej,i，每当用户i或用户j先于用户j或用户i消费同一项目，对应的单向边权重增加。以用户i为出发点的全部单向边共同构成该用户的影响力表征，则其对其他用户如j的影响力可以用单向边对应的权重与用户i和j消费项目全集的模作比值，得到用户间的影响力关系权重Wi,j，以此类比项目间的影响力关系权重计算。
S12，根据偏序关系的数量获取两用户之间边的权重，两用户之间边的权重和两用户消费产品的集合并集的模之比表示偏序关系中前序用户对后序用户的影响力，以此可以得到任何一个用户对其他所有用户的影响力权重；
S13，对所有用户任意排序，然后利用某一用户对其他用户的影响力权重构造影响力向量，所述影响力向量中的每一维表示该用户对其他指定用户的影响力。
S2，计算时间片相关性，获取任意时间片的相似时间片集合，利用用户间和项目间的关系权重计算用户时间片和项目时间片的相似关系；其中，任意两时间片之间的相关性由用户侧表现出的时间片相关性和项目侧表现出的时间片相关性共同定义。以用户和时间片共同构成用户时间片矩阵，时间片的相似性度量采用加权的余弦相似性，例如时间片向量Ti和Tj在计算相似性时，每一维度都由两时间片相同用户的不同影响力权重加以改造，同样的用户在不同时间片具有不同的全局影响力，因此在加权余弦相似性中权重是必要的。于是可以得到任意两时间片间由用户群体定义的相似性，同理可以得到任意两时间片间由项目群体定义的相似性，两相似性通过超参α线性调和得到两时间片间的双重相似性，参数用于权衡两种相似性的比例关系。
具体的，所述S2还包括以下步骤，
S21，时间片相关性包括用户侧时间片相关性和项目侧时间片相关性，利用用户影响力向量和用户-时间片向量，根据加权余弦相似性计算用户侧时间片相关性；
S22，利用项目影响力向量和项目-时间片向量，根据加权余弦相似性计算项目侧时间片相关性；
S23，利用线性方法调和用户时间片相关性和项目时间片相关性，得到时间片的双重相关性。
S3，构建待预测时间片用户项目矩阵，所述用户项目交互矩阵由用户时间片特征矩阵和项目时间片特征矩阵相乘得到，两种特征矩阵由待预测时间片相似时间片向量构成；
具体的，所述S3还包括以下步骤，
S31，遍历所有待预测时间片前的用户行为时间片数据，计算每一个时间片对应的相似时间片集合，并对集合中的元素按照相似性大小排序；其中，根据上述实施例计算得到的任意两时间片之间的双重相似性，可以得到当前时间片的相似时间片集合。
S32，取L个待预测时间片前序时间片的相似时间片构成一个集合，并将该集合中的每一个元素直接替换为其后序时间片，替换得到的后序时间片集合即为待预测时间片的相似时间片集合；
S33，相似时间片集合分为用户相似时间片集合和项目相似时间片集合，两种集合分别构成用户特征矩阵和项目特征矩阵，两种矩阵相乘得到待预测用户项目交互矩阵。
进一步的，本实施例中取相似性最高的L个元素构成新的矩阵，该矩阵即为当前时间片下的用户特征矩阵，维度为M×L，其中M指用户数量；然后构建项目特征矩阵，将上述用户特征矩阵中的列向量元素替换为项目时间片矩阵中的对应列向量，即得到当前时间片的项目特征矩阵，维度为N×L，其中N指项目数量。本实施例构造的是当前时间片的特征矩阵，将该特征矩阵中的时间片直接替换为其直接后序时间片，得到的新的特征矩阵就是下一时间片的特征矩阵，也即待预测时间片的特征矩阵。
S4，神经协同过滤网络随时间片更新而不断训练，直到网络更新至待预测时间片，随后对用户行为进行预测，得到预测结果；
其中，神经协同过滤网络包括嵌入层、多层感知机层、广义矩阵分级层以及输出层；所述嵌入层对所述word embedding词向量进行特征提取并送入所述多层感知机层和广义矩阵分级层；所述多层感知机层将用户和项目之间的非线***互规律进行提取；所述广义矩阵分级层将用户和项目之间的线性或低维交互规律进行提取；所述输出层接收并融合处理所述多层感知机层和所述广义矩阵分级层输出的向量特征并处理输出最终预测结果。本实施例中，基于训练结果与真实结果对模型进行训练。
具体的，所述S4种神经网络协同过滤对用户行为进行预测还包括，
利用Embedding层对用户和项目建立初始特征向量；其中，本实施例利用独热(ONE-HOT)向量的数据，并基于word2vector方法转换成word embedding词向量，例如上述的独热向量将被表示成一个M×100维的矩阵向量，其中M为用户数量，100为wordembedding词向量大小。
利用多层感知机和广义矩阵分解对特征向量做连接，经输出层得到预测结果并和待预测矩阵中的真实值计算损失，以最小化损失函数为目标；
随着不断的将训练数据集中的时间当作待预测时间进行训练，每一次的训练结果都将作为下次训练的网络初始值。具体的，不断利用训练数据更新神经协同网络，参照图4的示意，训练数据即由时间片先后顺序排列得到的序列数据，以第L+1个时间片为开始，作为当前时间片对第L+2个时间片的用户项目影响力权重进行计算、构建用户和项目特征矩阵、构造用户项目交互矩阵、将该矩阵经由神经协同过滤网络拟合训练；随后将第L+2个时间片作为当前时间片，对第L+3个时间片进行预测，以此不断训练神经协同过滤网络，每一次训练结果作为下一次训练的网络初始值，直至目标时间片预测结果。
S5，对预测结果进行排序，得到对未来用户和项目之间的行为预测最终结果。
具体的，所述S5将神经网络训练后得到的预测数据，按照用户和项目交互频次进行降序排序，取最多交互频次的若干项目作为推荐列表推送给用户。
进一步的，排序依据一般为交互频次，频次越高的即为越可能与用户发生交互行为，因此在推荐列表中的排位就会越靠前，通常可取列表中的前5～10个作为待推荐列表。
应说明的是，以上所述实施例仅表达了本发明的部分实施方式，其描述并不能理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些均应落入本发明的保护范围。

Claims (5)

1.一种基于用户和项目双重时序相关性的众测任务推荐方法，其特征在于：包括以下步骤，
S1，计算用户间和项目间的关系权重，利用历史交互行为的偏序关系构建属性网络，并通过属性网络定义用户间和项目间的相似关系；
S2，计算时间片相关性，获取任意时间片的相似时间片集合，利用用户间和项目间的关系权重计算用户时间片和项目时间片的相似关系；
S3，构建待预测时间片用户项目矩阵，所述待预测时间片用户项目矩阵由用户时间片特征矩阵和项目时间片特征矩阵相乘得到，两种特征矩阵由待预测时间片相似时间片向量构成；
S4，神经协同过滤网络随时间片更新而不断训练，直到网络更新至待预测时间片，随后对用户行为进行预测，得到预测结果；
S5，对预测结果进行排序，得到对未来用户和项目之间的行为预测最终结果；
所述S1包括以下步骤，
S11，遍历用户-项目交互记录，并以用户为节点、以用户先后消费同一项目为边构建消费网络图；
S12，根据偏序关系的数量获取两用户之间边的权重，两用户之间边的权重和两用户消费产品的集合并集的模之比表示偏序关系中前序用户对后序用户的影响力，以此得到任何一个用户对其他所有用户的影响力权重；
S13，对所有用户任意排序，然后利用某一用户对其他用户的影响力权重构造影响力向量，所述影响力向量中的每一维表示该用户对其他指定用户的影响力；
所述S2包括以下步骤，
S21，时间片相关性包括用户侧时间片相关性和项目侧时间片相关性，利用用户影响力向量和用户-时间片向量，根据加权余弦相似性计算用户侧时间片相关性；
S22，利用项目影响力向量和项目-时间片向量，根据加权余弦相似性计算项目侧时间片相关性；影响力分为用户影响力和项目影响力，二者在S23中混合；
S23，利用线性方法调和用户时间片相关性和项目时间片相关性，得到时间片的双重相关性。
2.如权利要求1所述的基于用户和项目双重时序相关性的众测任务推荐方法，其特征在于：所述S3包括以下步骤，
S31，遍历所有待预测时间片前的用户行为时间片数据，计算每一个时间片对应的相似时间片集合，并对集合中的元素按照相似性大小排序；
S32，取L个待预测时间片前序时间片的相似时间片构成一个集合，并将该集合中的每一个元素直接替换为其后序时间片，替换得到的后序时间片集合即为待预测时间片的相似时间片集合；
S33，相似时间片集合分为用户相似时间片集合和项目相似时间片集合，两种集合分别构成用户特征矩阵和项目特征矩阵，两种矩阵相乘得到待预测用户项目交互矩阵。
3.如权利要求1所述的基于用户和项目双重时序相关性的众测任务推荐方法，其特征在于：所述S4神经网络协同过滤对用户行为进行预测还包括，
利用Embedding层对用户和项目建立初始特征向量；
利用多层感知机和广义矩阵分解对特征向量做连接，经输出层得到预测结果并和待预测矩阵中的真实值计算损失，以最小化损失函数为目标；
随着不断的将训练数据集中的时间当作待预测时间进行训练，每一次的训练结果都将作为下次训练的网络初始值。
4.如权利要求1所述的基于用户和项目双重时序相关性的众测任务推荐方法，其特征在于：所述S5将神经网络训练后得到的预测数据，按照用户和项目交互频次进行降序排序，取最多交互频次的若干项目作为推荐列表推送给用户。
5.如权利要求1所述的基于用户和项目双重时序相关性的众测任务推荐方法，其特征在于：所述项目为待推荐任务，且所述待推荐任务为众测平台中的待测试任务。
CN202110641787.XA 2021-06-09 2021-06-09 一种基于用户和项目双重时序相关性的众测任务推荐方法 Active CN113360759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110641787.XA CN113360759B (zh) 2021-06-09 2021-06-09 一种基于用户和项目双重时序相关性的众测任务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110641787.XA CN113360759B (zh) 2021-06-09 2021-06-09 一种基于用户和项目双重时序相关性的众测任务推荐方法

Publications (2)

Publication Number Publication Date
CN113360759A CN113360759A (zh) 2021-09-07
CN113360759B true CN113360759B (zh) 2023-08-25

Family

ID=77533318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110641787.XA Active CN113360759B (zh) 2021-06-09 2021-06-09 一种基于用户和项目双重时序相关性的众测任务推荐方法

Country Status (1)

Country Link
CN (1) CN113360759B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241399A (zh) * 2018-07-11 2019-01-18 杭州电子科技大学 一种基于信任和影响力结合的个性化推荐方法
CN109543109A (zh) * 2018-11-27 2019-03-29 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN110162706A (zh) * 2019-05-22 2019-08-23 南京邮电大学 一种基于交互数据聚类的个性化推荐方法及***
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与***
CN111046294A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 点击率预测方法、推荐方法、模型、装置及设备
CN111079005A (zh) * 2019-12-06 2020-04-28 成都理工大学 一种基于物品时间流行性的推荐方法
CN112084407A (zh) * 2020-09-08 2020-12-15 辽宁工程技术大学 一种融合图神经网络和注意力机制的协同过滤推荐方法
CN112631560A (zh) * 2020-12-29 2021-04-09 上海海事大学 一种推荐模型的目标函数的构建方法及终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10579632B2 (en) * 2017-12-18 2020-03-03 Microsoft Technology Licensing, Llc Personalized content authoring driven by recommendations

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241399A (zh) * 2018-07-11 2019-01-18 杭州电子科技大学 一种基于信任和影响力结合的个性化推荐方法
CN109543109A (zh) * 2018-11-27 2019-03-29 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN110162706A (zh) * 2019-05-22 2019-08-23 南京邮电大学 一种基于交互数据聚类的个性化推荐方法及***
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与***
CN111079005A (zh) * 2019-12-06 2020-04-28 成都理工大学 一种基于物品时间流行性的推荐方法
CN111046294A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 点击率预测方法、推荐方法、模型、装置及设备
CN112084407A (zh) * 2020-09-08 2020-12-15 辽宁工程技术大学 一种融合图神经网络和注意力机制的协同过滤推荐方法
CN112631560A (zh) * 2020-12-29 2021-04-09 上海海事大学 一种推荐模型的目标函数的构建方法及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时序信息的推荐算法研究;康迪迪;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-1484 *

Also Published As

Publication number Publication date
CN113360759A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN110263243B (zh) 媒体信息推荐方法、装置、存储介质和计算机设备
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及***
Yassine et al. Intelligent recommender system based on unsupervised machine learning and demographic attributes
CN111159564A (zh) 信息推荐方法、装置、存储介质及计算机设备
Huynh et al. Context-similarity collaborative filtering recommendation
CN109189922B (zh) 评论评估模型的训练方法和装置
CN107220902A (zh) 在线社会网络的级联规模预测方法
CN109902823A (zh) 一种基于生成对抗网络的模型训练方法及设备
CN115438787A (zh) 行为预测***的训练方法及装置
CN115238188A (zh) 一种对象推荐方法和***及对象推荐模型***
Zhao et al. FINT: field-aware interaction neural network for click-through rate prediction
CN112464106B (zh) 对象推荐方法及装置
CN113360759B (zh) 一种基于用户和项目双重时序相关性的众测任务推荐方法
Elgohary et al. Smart evaluation for deep learning model: churn prediction as a product case study
Salehi Latent feature based recommender system for learning materials using genetic algorithm
Javari et al. Recommender systems for social networks analysis and mining: precision versus diversity
CN115564532A (zh) 序列推荐模型的训练方法及装置
Ilhami Film recommendation systems using matrix factorization and collaborative filtering
Rezaeenour et al. Developing a new hybrid intelligent approach for prediction online news popularity
Kannout et al. Speeding up recommender systems using association rules
Agagu et al. Context-aware recommendation methods
CN113837847A (zh) 基于异质多元关系融合的知识密集型服务推荐方法
CN111898738A (zh) 一种基于全连接神经网络实现的移动终端用户性别预测方法和***
JP2021149682A (ja) 学習装置、学習方法及び学習プログラム

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