CN113672803A - 推荐方法、装置、计算设备及存储介质 - Google Patents

推荐方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN113672803A
CN113672803A CN202110882030.XA CN202110882030A CN113672803A CN 113672803 A CN113672803 A CN 113672803A CN 202110882030 A CN202110882030 A CN 202110882030A CN 113672803 A CN113672803 A CN 113672803A
Authority
CN
China
Prior art keywords
user
attribute
behavior
media information
cross
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
CN202110882030.XA
Other languages
English (en)
Inventor
潘平峻
周庭庭
陈鸿翔
罗川江
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.)
Hangzhou Netease Cloud Music Technology Co Ltd
Original Assignee
Hangzhou Netease Cloud Music Technology Co Ltd
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 Hangzhou Netease Cloud Music Technology Co Ltd filed Critical Hangzhou Netease Cloud Music Technology Co Ltd
Priority to CN202110882030.XA priority Critical patent/CN113672803A/zh
Publication of CN113672803A publication Critical patent/CN113672803A/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
    • 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

Landscapes

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

Abstract

本公开的实施方式提供了一种推荐方法、装置、计算设备及存储介质。该方法包括：获取第一用户的属性特征；将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；根据所述媒体信息的得分对所述第一用户进行推荐，通过利用交叉重构网络对第一用户的属性特征进行交叉处理，使得所述属性特征的编码特征，与行为特征的编码特征一样具有预测能力，从而能够实现对于所述第一用户的行为特征的预测，构建出虚拟的行为特征，从而实现对所述第一用户的个性化推荐。

Description

推荐方法、装置、计算设备及存储介质
技术领域
本公开的实施方式涉及信息处理技术领域，更具体地，本公开的实施方式涉及一种推荐方法、装置、计算设备及存储介质。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网技术的发展，各种互联网平台存在大量的信息资源，例如，音乐平台可以为用户提供大量的音乐资源，电商平台具有大量的商品资源等等。平台通常通过收集用户的行为数据来分析用户的兴趣偏好，以此为依据来为用户推荐可能感兴趣的资源。
在缺乏用户行为的情况下，平台通常依赖大量的先验规则对用户进行分类，根据用户的分类结果进行推荐，这种方式引入了大量的人工工作，并且会导致热门物品在各种特征的用户中都具有较高的权重，导致整体推荐结果缺乏个性化。
发明内容
有鉴于此，本公开实施例至少提供一种推荐方法、装置、计算设备及存储介质，可以克服繁琐的人工工作，实现对于缺乏行为数据的新用户的个性化推荐。
在本公开实施方式的第一方面中，提供了一种推荐方法，包括：获取第一用户的属性特征，其中，所述第一用户为不存在行为特征的用户；将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；根据所述媒体信息的得分对所述第一用户进行推荐。
在本公开的一个实施例中，所述交叉重构网络包括第一自编码器和第二自编码器，所述利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征，包括：将所述第一用户的属性特征输入至所述第一自编码器，利用所述第一自编码器对所述属性特征进行编码，得到目标编码特征；利用所述第二自编码器对所述目标编码特征进行解码，得到所述第一用户的行为特征。
在本公开的一个实施例中，所述根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分，包括：将所述第一用户的属性特征、行为特征以及媒体信息的特征输入至指数预测网络，得到所述媒体信息的目标指数的预测值，其中，所述指数预测网络包括全连接层，所述目标指数包括以下至少一项：点击率、转化率、点击转化率。
在本公开的一个实施例中，所述根据所述媒体信息的得分对所述第一用户进行推荐，包括：根据待推荐媒体信息集合中各个媒体信息的目标指数的预测值，对各个媒体信息进行排序；根据排序结果对所述媒体信息进行推荐。
在本公开的一个实施例中，所述方法还包括：获取第二用户的属性特征和行为特征，其中，所述第二用户为存在行为特征的用户；利用所述第二用户的属性特征和行为特征对所述交叉重构网络进行训练。
在本公开的一个实施例中，所述交叉重构网络包括第一编码器、第二编码器、第一解码器和第二解码器，其中，所述第一编码器用于对输入的属性特征进行编码，所述第二编码器用于输入的行为特征进行编码，所述第一解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述第二解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述交叉重构网络的训练损失包括：第一损失，用于指示第一解码器对第一编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第一编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第一编码特征是所述第一编码器对所述第二用户的属性特征进行编码得到的；第二损失，用于指示第一解码器对第二编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第二编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第二编码特征是所述第二编码器对所述第二用户的行为特征进行编码得到的。
在本公开的一个实施例中，所述交叉重构网络的训练损失还包括：第三损失，用于指示第一映射结果和第二映射结果之间的平均差异，其中，所述第一映射结果是将所述第一编码特征映射到再生核希尔伯特空间得到的，所述第二映射结果是将所述第二编码特征映射到再生核希尔伯特空间得到的。
在本公开的一个实施例中，所述交叉重构网络还包括：第一注意力机制网络，用于将目标用户的属性特征所包含的嵌入向量映射为隐藏属性向量，并利用所述隐藏属性向量替换所述属性特征，其中，所述目标用户包括第一用户和第二用户；第二注意力机制网络，用于将所述第二用户的行为特征所包含的嵌入向量映射为隐藏行为向量，并利用所述隐藏行为向量替换所述行为特征。
在本公开的一个实施例中，所述方法还包括：对所述交叉重构网络和所述指数预测网络进行联合训练。
在本公开实施方式的第二方面中，提供了一种推荐装置，包括：获取单元，用于获取第一用户的属性特征，其中，所述第一用户为不存在行为特征的用户；交叉重构单元，用于将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；预测单元，用于根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；推荐单元，用于根据所述媒体信息的得分对所述第一用户进行推荐。
在本公开的一个实施例中，所述交叉重构网络包括第一自编码器和第二自编码器，所述交叉重构单元具体用于：将所述第一用户的属性特征输入至所述第一自编码器，利用所述自编码器对所述属性特征进行编码，得到目标编码特征；利用所述第二自解码器对所述目标编码特征进行解码，得到所述第一用户的行为特征。
在本公开的一个实施例中，所述预测单元具体用于：将所述第一用户的属性特征、行为特征以及媒体信息的特征输入至指数预测网络，得到所述媒体信息的目标指数的预测值，其中，所述指数预测网络包括全连接层，所述目标指数包括以下至少一项：点击率、转化率、点击转化率。
在本公开的一个实施例中，所述推荐单元具体用于：根据待推荐媒体信息集合中各个媒体信息的目标指数的预测值，对各个媒体信息进行排序；根据排序结果对所述媒体信息进行推荐。
在本公开的一个实施例中，所述装置还包括第一训练单元，用于：获取第二用户的属性特征和行为特征，其中，所述第二用户为存在行为特征的用户；利用所述第二用户的属性特征和行为特征对所述交叉重构网络进行训练。
在本公开的一个实施例中，所述交叉重构网络包括第一编码器、第二编码器、第一解码器和第二解码器，其中，所述第一编码器用于对输入的属性特征进行编码，所述第二编码器用于输入的行为特征进行编码，所述第一解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述第二解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述交叉重构网络的训练损失包括：第一损失，用于指示第一解码器对第一编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第一编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第一编码特征是所述第一编码器对所述第二用户的属性特征进行编码得到的；第二损失，用于指示第一解码器对第二编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第二编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第二编码特征是所述第二编码器对所述用户的行为特征进行编码得到的。
在本公开的一个实施例中，所述交叉重构网络的训练损失还包括：第三损失，用于指示第一映射结果和第二映射结果之间的平均差异，其中，所述第一映射结果是将所述第一编码特征映射到再生核希尔伯特空间得到的，所述第二映射结果是将所述第二编码特征映射到再生核希尔伯特空间得到的。
在本公开的一个实施例中，所述交叉重构网络还包括：第一注意力机制网络，用于将目标用户的属性特征所包含的嵌入向量映射为隐藏属性向量，并利用所述隐藏属性向量替换所述属性特征，其中，所述目标用户包括第一用户和第二用户；第二注意力机制网络，用于将所述第二用户的行为特征所包含的嵌入向量映射为隐藏行为向量，并利用所述隐藏行为向量替换所述行为特征。
在本公开的一个实施例中，所述装置还包括联合训练单元，用于对所述交叉重构网络和所述指数预测网络进行联合训练。
在本公开实施方式的第三方面中，提供了一种计算设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现本公开任一实施例所述的方法。
在本公开实施方式的第四方面中，提供了一种计算机可读存储介质，包括：计算机程序，所述计算机程序被处理器执行时实现本公开任一实施例所述的方法。
根据本公开实施方式的推荐方法、装置、计算设备及存储介质，对于不存在行为特征的第一用户，利用交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征，并根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分，以对所述第一用户进行推荐，通过利用交叉重构网络对第一用户的属性特征进行处理，使得所述属性特征的编码特征，与行为特征的编码特征具有相同的预测能力，从而能够实现对于所述第一用户的行为特征的预测，构建出虚拟的行为特征，从而实现对所述第一用户的个性化推荐。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
图1示意性地示出了根据本公开实施方式的推荐方法的流程图；
图2A示意性地示出了根据本公开实施例方式的推荐方法应用的***构架图；
图2B示意性地示出了根据本公开实施例方式的指数预测网络的构架图；
图3示意性地示出了根据本公开一实施例的一种推荐装置的结构；
图4示意性地示出了根据本公开一实施例的计算机可读存储介质；
图5示意性地示出了根据本公开一实施例的计算设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本公开的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本公开的实施方式，提出了一种推荐方法、装置、计算设备和存储介质。在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本公开的若干代表性实施方式，详细阐释本公开的原理和精神。
当新用户进入平台、网络或APP时，由于推荐***中没有任何关于该用户的历史行为数据，因此对新用户(不存在行为特征或行为信息的用户)进行个性化推荐通常被称为冷启动问题。
相关技术中，比较常见的冷启动解决方案是对新用户的注册信息进行分类，并根据新用户所属分类推荐该分类中用户喜欢的商品、音乐、视频等对象，新用户的注册信息通常包括新用户的年龄、性别、居住地、职业和学历等等。然而，该方案依赖大量的先验规则对新用户进行分类，这引入了大量的人工工作，同时实际效果的好坏也取决于用户分类的准确性；并且该方法会导致热门物品在各种特征的用户中都具有较高的权重，导致整体推荐结果缺乏个性化，也加重了推荐***的马太效应。
因此，本公开实施例提出的推荐方案，旨在克服繁琐的人工工作，实现对于缺乏行为数据的新用户的个性化推荐。
图1示意性地示出了根据本公开实施方式的一种推荐方法的流程。所述推荐方法可以由终端设备或服务器等电子设备执行，所述终端设备可以是固定终端或移动终端，例如手机、平板电脑、游戏机、台式机、广告机、一体机、车载终端等等，所述服务器包括本地服务器或云端服务器等，所述方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该方法可以包括以下处理：
在步骤101中，获取第一用户的属性特征。
其中，所述第一用户为不存在行为特征的用户。例如，可以是首次登录平台、网络或APP的新用户，也可以是未登录以游客身份进入平台、网络或APP的用户，推荐***中没有存储关于该用户的历史行为信息。
所述第一用户的属性特征可以是对于所述第一用户的属性信息进行特征提取得到的，所述属性信息可以包括与所述第一用户相关的多种特征，包括年龄、性别、居住地、职业、学历等等，所述属性信息可以通过所述第一用户的注册信息获得，也可以根据第一用户所使用的终端所对应的信息获得。本领域技术人员应当理解，所述属性特征还可以包括其他途径获得的特征，本公开对此不进行限制。
在步骤102中，将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征。
在本公开实施例中，可以通过经训练的交叉重构网络对所述第一用户的属性信息进行交叉处理，根据所述属性特征预测得到第一用户的行为特征。也可以将预测得到的行为特征称为虚拟行为特征。
其中，交叉处理是指利用双自编码器中的其中一个自编码器对属性特征行编码，并用另一个自编码器对所述属性特征的编码特征进行解码。由于在训练过程中，利用双自编码器构建和学习了用户属性空间和用户行为空间，同时在自编码器的公开隐藏空间中进行跨模态重建，建立了老用户的用户行为和用户属性之间的模态转移关系。由于用户属性存在同质性，因此可以根据老用户的用户行为和用户属性之间的模态转移关系，重建出新用户的行为。
在步骤103中，根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分。
在已知所述第一用户的属性特征，并预测得了所述第一用户的行为特征的情况下，根据所述第一用户的属性信息、行为信息，以及所述媒体信息的特征，可以确定所述第一用户对于所述媒体信息的感兴趣程度，其中，所述感兴趣程度可以利用所述媒体信息得分表征。
在步骤104中，根据所述媒体信息的得分对所述第一用户进行推荐。
根据所述媒体信息的得分，可以在所有的媒体信息中确定所述第一用户感兴趣的至少一个媒体信息，以对所述第一用户进行推荐。
在本公开实施例中，对于不存在行为特征的第一用户，利用交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征，并根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分，以对所述第一用户进行推荐，通过利用交叉重构网络对第一用户的属性特征进行处理，使得所述属性特征的编码特征，与行为特征的编码特征具有相同的预测能力，从而能够实现对于所述第一用户的行为特征的预测，构建出虚拟的行为特征，从而实现对所述第一用户的个性化推荐。
在介绍了本公开的基本原理之后，下面具体介绍本公开的各种非限制性实施方式。
图2A示出了根据本公开实施例方式的推荐方法应用的***构架图。利用图2A所示的推荐***，可以实现对于首次进入推荐***的新用户，也即不存在行为信息或行为特征的第一用户，进行媒体信息的推荐。可以将本公开实施例所提出的推荐***称为冷启动***。
在冷启动场景下，第一用户的数据集可以表示为{属性信息、媒体信息、其他信息}，其中，所述其他信息是可以获得的关于所述第一用户的信息，例如上下文等等。在执行推荐方法之前，可以对所述第一用户的数据集进行预处理，例如利用特征提取网络对所述第一用户的属性信息进行特征提取，得到所述第一用户的属性信息的特征，也即属性特征；同时也得到所述媒体信息的特征，其他信息的特征。所述第一用户的特征集可以表示为xo＝{αo，to，co}，其中，o表示第一用户(新用户)，αo为所述第一用户的属性特征，to为所述媒体信息的特征，co为第一用户的上下文的特征。
如图2A所示，本公开实施例所提出的推荐***主要包括交叉重构网络20、指数预测网络21、推荐网络22。其中，交叉重构网络20用于根据所述第一用户的属性特征ao，预测得到所述第一用户的行为特征νo；指数预测网络21用于根据所述第一用户的属性特征αo、行为特征νo、媒体信息的特征to等，预测所述媒体信息的得分；推荐网络22用于根据所述媒体信息的得分，对所述第一用户进行推荐。
以下对交叉重构网络20根据第一用户的属性特征ao预测行为特征vo的方法，也即所述交叉重构网络的应用过程进行描述。
如图2A所示，该交叉重构网络20包括第一自编码器210和第二自编码器220，可以通过以下方法利用第一自编码器210和第二自编码器220对所述第一用户的属性特征进行交叉处理：
首先，将所述第一用户的属性特征αo输入至第一自编码器210，所述属性特αo是对于所述第一用户的属性信息进行特征提取得到的。
利用所述第一自编码器210对属性特征αo进行编码，得到所述属性特征αo的编码特征，也即目标编码特征po。其中，第一自编码器210可以包括第一编码器211和第一解码器212，所述第一用户的属性特征ao输入至第一编码器211，由所述第一编码器211对所述属性特征进行编码，得到所述目标编码特征po。
接下来，利用第二自编码器220对所述目标编码特征po进行解码，得到所预测的第一用户的行为特征
Figure BDA0003192721380000101
其中，第二自编码器220包括第二编码器221和第二解码器222，所述第一用户的属性特征αo的编码特征，也即所述目标编码特征po输入至第二解码器222，由所述第二解码器222对所述目标编码特征po进行解码，得到根据所述第一用户的属性特征ao预测的行为特征
Figure BDA0003192721380000102
在本公开实施例中，也可以将预测得到的行为特征称为虚拟行为特征。
在预测得到了第一用户的行为特征后
Figure BDA0003192721380000103
将所述第一用户的属性特征αo、行为特征
Figure BDA0003192721380000104
以及媒体信息的特征to输入至指数预测网络21，得到所述媒体信息的目标指数的预测值。
其中，所述指数预测网络21可以采用深度神经网络与全连接层结合的方式，来学习第一用户的属性特征、行为特征、媒体信息的特征的交叉信息。
图2B示意性地示出了根据本公开实施例方式的指数预测网络的构架图。如图2B所示，所述指数预测网络21可以包括级联网络201、全连接层202、203。其中，级联网络201对输入的行为特征v、属性特征α、媒体信息的特征t进行级联。在对新用户的目标指数进行预测的过程中，所输入的是利用交叉重构网络预测得到的新用户的虚拟行为特征
Figure BDA0003192721380000106
以及属性特征αo、媒体信息的特征to。所述全连接层202、203用于对级联后的特征进行全连接处理，输出所述目标指数的预测值
Figure BDA0003192721380000105
本领域技术人员应当理解，以上全连接层的层数仅为示例，可以根据需要进行设置，本公开实施例对此不进行限制。
也可以采用其他作意与因式分解机相关的网络结构以及用户序列相关的网络结果，包括但不限于FM、DeepFM、XDeepFM、DeepCross、DIN、DIEN、DMR等，可以根据需求更换所述指数预测网络的结构，不受限于原有的网络结构，支持灵活迁移。
在本公开实施例中，所述指数预测网络所预测的目标指数包括以下至少一项：点击率、转化率、点击转化率等等。本领域技术人员应当理解，所述目标指数还可以包括其他可以表达第一用户对于媒体信息的感兴趣程度的指数，本公开实施例对此不进行限制。
在一个示例中，还可以将所述第一用户的上下文的特征co与属性特征ao、行为特征
Figure BDA0003192721380000111
以及媒体信息的特征to共同输入至所述指数预测网络，所述上下文例如包括用户访问推荐***的时间、地点等等。通过增加上下文作为所述指数预测网络的输入，可以提高对于媒体信息的目标指数的预测效果。
可以采用上述方法，获得待推荐媒体信息集合中各个媒体信息的目标指数的预测值。接下来，可以利用推荐网络22，根据各个媒体信息的目标指数的预测值对各个媒体信息进行排序，并根据排序结果将目标媒体信息
Figure BDA0003192721380000112
对所述媒体信息进行推荐。例如，可以将排名最前的一个或多个媒体信息作为目标媒体信息推荐给第一用户。
在本公开实施例中，利用交叉重构网络根据新用户的属性特征，预测得到所述新用户的虚拟行为特征，并将预测得到的虚拟行为特征、属性特征、媒体信息的特征，或者连同其他信息的特征，共同输入至指数预测网络，得到所述媒体信息的设定指数的预测值，从而可以确定新用户对于推荐媒体信息集合中各个媒体信息的感兴趣程度，之后利用推荐网络根据设定指数的预测值进行排序，并根据排序结果进行推荐，可以将新用户最可能感兴趣的一个或多个媒体信息进行推荐，解决了推荐***的冷启动问题，并实现了较好的推荐效果。
以下对所述交叉重构网络20的训练方法进行描述。
在本公开实施例所提出的训练方法中，利用在推荐***中存在行为特征或行为信息的第二用户(老用户)的数据，对所述交叉重构网络20进行训练。也即，通过从多个模态中学习老用户的属性-行为链接，推断新用户潜在的行为和兴趣，解决推荐***的冷启动问题。
第二用户的数据集可以表示为{属性信息、行为信息、媒体信息、其他信息}，其中，所述其他信息是可以获得的关于所述第二用户的信息，例如上下文等等。与应用过程相似，在进行训练之前，可以对所述第二用户的数据集进行预处理，例如利用特征提取网络对所述第一用户的属性信息、行为信息进行特征提取，得到所述第二用户的属性特征、行为特征；同时也得到所述媒体信息的特征，其他信息的特征。所述第二用户的特征集可以表示为xs＝{αs，vs，ts，cs}，其中，s表示第二用户(老用户)，αs为所述第二用户的属性特征，vs为所述第二用户的行为特征，ts为所述媒体信息的特征，cs为第二用户的上下文的特征。
首先，将所述第二用户的属性特征αs输入至第一自编码器210中的第一编码器211，第一编码器211对属性特征αs进行特征编码，得到属性特征αs的第一编码特征ps；同时，将所述第二用户的行为特征vs输入至第二自编码器220中的第二编码器221，第二编码器221对行为特征vs进行特征编码，得到行为特征vs的第二编码特征qs。
接下来，将第一编码特征ps同时输入至第一自编码器210中的第一解码器212以及第二自编码器220中的第二解码器222；以及，将所述第二编码特征qs同时输入第一自编码器210中的第一解码器212以及第二自编码器220中的第二解码器222，第一解码器212对第一特征编码ps进行解码，以及对第二特征编码qs进行解码；同时，第二解码器222对第二特征编码qs进行解码，以及第一对特征编码ps进行解码。通过上述方法，可以实现对属性特征αs和行为特征vs的交叉重构，通过构造跨模态重建来对齐用户属性和用户行为，从而可以更加有效地生成基于属性的行为生成映射函数，实现老用户到新用户的行为迁移。
在一些实施方式中，所述交叉重构网络的损失函数至少包括两部分，一部分可以看作是在用户属性空间中的第一损失，用于指示第一解码器212对第一编码特征ps解码得到的结果与所述第二用户的属性特征as之间的差异，以及第二解码器对所述第一编码特征ps解码得到的结果与所述第二用户的行为特征vs之间的差异。
所述第一损失可以利用公式(1)表示：
Figure BDA0003192721380000121
其中，D1表示第一解码器，D2表示第二解码器，ps表示第一编码特征。
利用包含第一损失的损失函数对所述交叉重构网络进行训练，可以使第一编码特征ps经过D1和D2分别重构出第二用户的属性特征
Figure BDA0003192721380000131
和行为特征
Figure BDA0003192721380000132
所述损失函数至少包含的另一部分可以看作是在用户行为空间中的第二损失，用于指示第一解码器212对第二编码特征qs解码得到的结果与所述第二用户的行为特征νs之间的差异，以及第二解码器对所述第二编码特征qs解码得到的结果与所述第二用户的行为特征vs之间的差异。
所述第二损失可以利用公式(2)表示：
Figure BDA0003192721380000133
其中，D1表示第一解码器，D2表示第二解码器，qs表示第二编码特征。
利用包含第二损失的损失函数对所述交叉重构网络进行训练，可以使第二编码特征qs经过D1和D2分别重构出第二用户的属性特征
Figure BDA0003192721380000134
和行为特征
Figure BDA0003192721380000135
在本公开实施例中，通过用户属性和行为的跨模态重构损失，也即用户属性空间中的第一损失与用户行为空间中的第二损失的损失函数对所述交叉重构网络进行训练，使得第一编码特征ps和第二编码特征qs具备相同的预测能力，能够重构用户的属性特征αs和νs，从而可以基于用户属性特征预测得到行为特征，实现老用户到新用户的行为迁移。
在一些实施方式中，所述交叉重构网络的训练损失还包括：第三损失，用于指示第一映射结果和第二映射结果之间的平均差异，其中，所述第一映射结果是将所述第一编码特征映射到再生核希尔伯特空间得到的，所述第二映射结果是将所述第二编码特征映射到再生核希尔伯特空间得到的。
所述第三损失可以利用公式(3)表示：
Figure BDA0003192721380000136
其中，
Figure BDA0003192721380000137
表示再生核希尔伯特空间，D表示第二解码器，φ表示映射函数，k(.，.)表示希尔伯特空间
Figure BDA0003192721380000141
的再生核，n表示编码特征的数目。
所述第三损失用于使第一编码特征ps和第二编码特征qs共享相同的隐藏空间，并辅助交叉重构网络的训练函数收敛，也即所述第三损失可以用于规范化第二解码器对于ν的生成能力。
在本公开实施例中，所述交叉重构网络的训练损失函数可以是：
Figure BDA0003192721380000142
其中，
Figure BDA0003192721380000143
为第一损失，
Figure BDA0003192721380000144
为第三损失，
Figure BDA0003192721380000145
为第三损失。通过该训练损失函数，可以提高根据新用户的属性特征对行为特征进行预测的效果。
对于指数预测网络21，可以通过以下方式构建用于训练的样本。
首先，构造标识f指示第一用户(新用户)和第二用户(老用户)，其中，当f＝1时，表示第一用户；f＝0时，表示第二用户。
接下来，根据标识f构造输入样本×：
Figure BDA0003192721380000146
其中，当标识f＝1时，第一用户(新用户)的特征包括属性特征αo、媒体信息的特征to、上下文的特征co、交叉重构网络预测的新用户虚拟行为特征
Figure BDA0003192721380000147
当标识f＝0时，第二用户(老用户)的特征包括属性特征αs、媒体信息的特征ts、上下文的特征cs、行为特征vs。通过对于标识f＝0的特征标注目标指数的真实值，可以得到用于训练指数预测网络的样本。
在一些实施方式中，如图2A所示，所述交叉重构网络还包括第一注意力机制网络231和第二注意力机制网络232。其中，第一注意力机制网络231用于将第二用户的属性特征所包含的嵌入向量映射为隐藏属性向量
Figure BDA0003192721380000148
并利用所述隐藏属性向量
Figure BDA0003192721380000149
替换所述属性特征，输入至交叉重构网络20中的第一自编码器210中，使交叉重构网络20根据所述第二用户的隐藏属性向量
Figure BDA00031927213800001410
来预测所述第二用户的行为特征；第二注意力机制网络232用于将所述第二用户的行为特征所包含的嵌入向量映射为隐藏行为向量
Figure BDA00031927213800001411
并利用所述隐藏行为向量
Figure BDA00031927213800001412
替换所述行为特征输入至交叉重构网络20中的第二自编码器220，使交叉重构网络20根据所述第二用户的隐藏行为向量
Figure BDA00031927213800001413
来预测所述第二用户的属性特征。
在一个示例中，所述隐藏属性向量
Figure BDA00031927213800001414
的重构函数如公式(6)所示：
Figure BDA0003192721380000151
其中，nα为所述第二用户的属性特征的数目，αsi是第i个第二用户的嵌入向量，αi是特征权重，例如可以根据公式(7)和(8)进行定义：
Figure BDA0003192721380000152
ei＝zTtanh(wαsi+b) (8)
其中，
Figure BDA0003192721380000153
以及
Figure BDA0003192721380000154
为训练参数，dr为设定隐藏向量尺寸。
在应用过程中，可以将第一用户的属性特征所包含的嵌入向量映射为隐藏属性向量
Figure BDA0003192721380000155
并利用所述隐藏属性向量
Figure BDA0003192721380000156
替换所述属性特征，输入至交叉重构网络20中的第一自编码器210中，使交叉重构网络20根据所述第二用户的隐藏属性向量
Figure BDA0003192721380000157
来预测所述第一用户的行为特征。
对于本公开实施例中的推荐***中的交叉重构网络和指数预测网络，可以分开进行训练，使交叉重构网络不参与指数预测网络的学习过程；也可以参与指数预测网络的学习过程，对所述交叉重构网络和所述指数预测网络进行联合训练，并且可以采用同时分附段或者交替式优化的方法。
本公开实施例所提出的推荐方法可以应用于多种推荐场景，例如音乐平台的首页音乐推荐或直播推荐，电商网站的商品推荐、视频平台或短视频APP中的视频推荐，信息流平台的图文推荐等等。
为了实现本公开任一实施例的推荐方法，本公开实施例还提供了一种推荐装置。图3示意性地示出了根据本公开一实施例的推荐装置的结构示意图，例如，该装置可以应用于计算设备。如下的描述中，将简单描述该装置的各个模块的功能，其详细的处理可以结合参见前述的本公开任一实施例的推荐方法的描述。
如图3所示，该装置可以包括：获取单元301，用于获取第一用户的属性特征，其中，所述第一用户为不存在行为特征的用户；交叉重构单元302，用于将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；预测单元303，用于根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；推荐单元304，用于根据所述媒体信息的得分对所述第一用户进行推荐。
在本公开的一个实施例中，所述交叉重构网络包括第一自编码器和第二自编码器，所述交叉重构单元具体用于：将所述第一用户的属性特征输入至所述第一自编码器，利用所述自编码器对所述属性特征进行编码，得到目标编码特征；利用所述第二自解码器对所述目标编码特征进行解码，得到所述第一用户的行为特征。
在本公开的一个实施例中，所述预测单元具体用于：将所述第一用户的属性特征、行为特征以及媒体信息的特征输入至指数预测网络，得到所述媒体信息的目标指数的预测值，其中，所述指数预测网络包括全连接层，所述目标指数包括以下至少一项：点击率、转化率、点击转化率。
在本公开的一个实施例中，所述推荐单元具体用于：根据待推荐媒体信息集合中各个媒体信息的目标指数的预测值，对各个媒体信息进行排序；根据排序结果对所述媒体信息进行推荐。
在本公开的一个实施例中，所述装置还包括第一训练单元，用于：获取第二用户的属性特征和行为特征，其中，所述第二用户为存在行为特征的用户；利用所述第二用户的属性特征和行为特征对所述交叉重构网络进行训练。
在本公开的一个实施例中，所述交叉重构网络包括第一编码器、第二编码器、第一解码器和第二解码器，其中，所述第一编码器用于对输入的属性特征进行编码，所述第二编码器用于输入的行为特征进行编码，所述第一解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述第二解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述交叉重构网络的训练损失包括：第一损失，用于指示第一解码器对第一编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第一编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第一编码特征是所述第一编码器对所述第二用户的属性特征进行编码得到的；第二损失，用于指示第一解码器对第二编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第二编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第二编码特征是所述第二编码器对所述用户的行为特征进行编码得到的。
在本公开的一个实施例中，所述交叉重构网络的训练损失还包括：第三损失，用于指示第一映射结果和第二映射结果之间的平均差异，其中，所述第一映射结果是将所述第一编码特征映射到再生核希尔伯特空间得到的，所述第二映射结果是将所述第二编码特征映射到再生核希尔伯特空间得到的。
在本公开的一个实施例中，所述交叉重构网络还包括：第一注意力机制网络，用于将目标用户的属性特征所包含的嵌入向量映射为隐藏属性向量，并利用所述隐藏属性向量替换所述属性特征，其中，所述目标用户包括第一用户和第二用户；第二注意力机制网络，用于将所述第二用户的行为特征所包含的嵌入向量映射为隐藏行为向量，并利用所述隐藏行为向量替换所述行为特征。
在本公开的一个实施例中，所述装置还包括联合训练单元，用于对所述交叉重构网络和所述指数预测网络进行联合训练。
应当注意，尽管在上文详细描述中提及了推荐装置的若干单元/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，根据本公开的实施方式，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。
本公开实施例还提供了一种计算机可读存储介质。如图4所示，该存储介质上存储有计算机程序401，该计算机程序401被处理器执行时可以执行本公开任一实施例的推荐方法。
本公开实施例还提供了一种计算设备该设备可以包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施例的推荐方法。
图5示例了一种该计算设备的结构，如图5所示，该计算设备50可以包括但不限于：处理器51、存储器52、连接不同***组件(包括存储器52和处理器51)的总线53。
其中，存储器52存储有计算机指令，该计算机指令可以被处理器51执行，使得处理器51能够执行本公开任一实施例的推荐方法。存储器52可以包括随机存取存储单元RAM521、高速缓存存储单元522和/或只读存储单元ROM523。该存储器52还可以包括：具有一组程序模块524的程序工具525，该程序模块524包括但不限于：操作***、一个或多个应用程序、其他程序模块和程序数据，这些程序模块一种或多种组合可以包含网络环境的实现。
总线53例如可以包括数据总线、地址总线和控制总线等。该计算设备50还可以通过I/O接口54与外部设备55通信，该外部设备55例如可以是键盘、蓝牙设备等。该计算设备50还可以通过网络适配器56与一个或多个网络通信，例如，该网络可以是局域网、广域网、公共网络等。如图5所示，该网络适配器56还可以通过总线53与计算设备50的其他模块进行通信。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种推荐方法，其特征在于，包括：
获取第一用户的属性特征，其中，所述第一用户为不存在行为特征的用户；
将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；
根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；
根据所述媒体信息的得分对所述第一用户进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述交叉重构网络包括第一自编码器和第二自编码器，所述利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征，包括：
将所述第一用户的属性特征输入至所述第一自编码器，利用所述第一自编码器对所述属性特征进行编码，得到目标编码特征；
利用所述第二自编码器对所述目标编码特征进行解码，得到所述第一用户的行为特征。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分，包括：
将所述第一用户的属性特征、行为特征以及媒体信息的特征输入至指数预测网络，得到所述媒体信息的目标指数的预测值，其中，所述指数预测网络包括全连接层，所述目标指数包括以下至少一项：点击率、转化率、点击转化率。
4.根据权利要求3所述的方法，其特征在于，所述根据所述媒体信息的得分对所述第一用户进行推荐，包括：
根据待推荐媒体信息集合中各个媒体信息的目标指数的预测值，对各个媒体信息进行排序；
根据排序结果对所述媒体信息进行推荐。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
获取第二用户的属性特征和行为特征，其中，所述第二用户为存在行为特征的用户；
利用所述第二用户的属性特征和行为特征对所述交叉重构网络进行训练。
6.根据权利要求5所述的方法，其特征在于，所述交叉重构网络包括第一编码器、第二编码器、第一解码器和第二解码器，其中，所述第一编码器用于对输入的属性特征进行编码，所述第二编码器用于输入的行为特征进行编码，所述第一解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述第二解码器用于对所述第一编码器输出的编码结果进行解码以及所述第二编码器输出的编码结果进行解码，所述交叉重构网络的训练损失包括：
第一损失，用于指示第一解码器对第一编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第一编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第一编码特征是所述第一编码器对所述第二用户的属性特征进行编码得到的；
第二损失，用于指示第一解码器对第二编码特征解码得到的结果与所述第二用户的属性特征之间的差异，以及第二解码器对所述第二编码特征解码得到的结果与所述第二用户的行为特征之间的差异；其中，所述第二编码特征是所述第二编码器对所述第二用户的行为特征进行编码得到的。
7.根据权利要求6所述的方法，其特征在于，所述交叉重构网络的训练损失还包括：第三损失，用于指示第一映射结果和第二映射结果之间的平均差异，其中，所述第一映射结果是将所述第一编码特征映射到再生核希尔伯特空间得到的，所述第二映射结果是将所述第二编码特征映射到再生核希尔伯特空间得到的。
8.一种推荐装置，其特征在于，包括：
获取单元，用于获取第一用户的属性特征，其中，所述第一用户为不存在行为特征的用户；
交叉重构单元，用于将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；
预测单元，用于根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；
推荐单元，用于根据所述媒体信息的得分对所述第一用户进行推荐。
9.一种计算设备，其特征在于，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至7任一项所述的推荐方法。
10.一种计算机可读存储介质，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的推荐方法。
CN202110882030.XA 2021-08-02 2021-08-02 推荐方法、装置、计算设备及存储介质 Pending CN113672803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110882030.XA CN113672803A (zh) 2021-08-02 2021-08-02 推荐方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110882030.XA CN113672803A (zh) 2021-08-02 2021-08-02 推荐方法、装置、计算设备及存储介质

Publications (1)

Publication Number Publication Date
CN113672803A true CN113672803A (zh) 2021-11-19

Family

ID=78541164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110882030.XA Pending CN113672803A (zh) 2021-08-02 2021-08-02 推荐方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN113672803A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030225777A1 (en) * 2002-05-31 2003-12-04 Marsh David J. Scoring and recommending media content based on user preferences
CN110110233A (zh) * 2019-05-09 2019-08-09 网易传媒科技（北京）有限公司 信息处理方法、装置、介质和计算设备
US20190325293A1 (en) * 2018-04-19 2019-10-24 National University Of Singapore Tree enhanced embedding model predictive analysis methods and systems
US20200134428A1 (en) * 2018-10-29 2020-04-30 Nec Laboratories America, Inc. Self-attentive attributed network embedding
CN111177575A (zh) * 2020-04-07 2020-05-19 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质
CN111460290A (zh) * 2020-03-27 2020-07-28 喜丈(上海)网络科技有限公司 信息的推荐方法、装置、设备和存储介质
CN111460130A (zh) * 2020-03-27 2020-07-28 咪咕数字传媒有限公司 信息推荐方法、装置、设备和可读存储介质
CN111553759A (zh) * 2020-03-25 2020-08-18 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN112035747A (zh) * 2020-09-03 2020-12-04 腾讯科技（深圳）有限公司 信息推荐方法及装置
CN112765480A (zh) * 2021-04-12 2021-05-07 腾讯科技（深圳）有限公司 一种信息推送方法、装置及计算机可读存储介质
CN113015010A (zh) * 2021-03-16 2021-06-22 杭州网易云音乐科技有限公司 推送参数确定方法、装置、设备及计算机可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030225777A1 (en) * 2002-05-31 2003-12-04 Marsh David J. Scoring and recommending media content based on user preferences
US20190325293A1 (en) * 2018-04-19 2019-10-24 National University Of Singapore Tree enhanced embedding model predictive analysis methods and systems
US20200134428A1 (en) * 2018-10-29 2020-04-30 Nec Laboratories America, Inc. Self-attentive attributed network embedding
CN110110233A (zh) * 2019-05-09 2019-08-09 网易传媒科技（北京）有限公司 信息处理方法、装置、介质和计算设备
CN111553759A (zh) * 2020-03-25 2020-08-18 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN111460290A (zh) * 2020-03-27 2020-07-28 喜丈(上海)网络科技有限公司 信息的推荐方法、装置、设备和存储介质
CN111460130A (zh) * 2020-03-27 2020-07-28 咪咕数字传媒有限公司 信息推荐方法、装置、设备和可读存储介质
CN111177575A (zh) * 2020-04-07 2020-05-19 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质
CN112035747A (zh) * 2020-09-03 2020-12-04 腾讯科技（深圳）有限公司 信息推荐方法及装置
CN113015010A (zh) * 2021-03-16 2021-06-22 杭州网易云音乐科技有限公司 推送参数确定方法、装置、设备及计算机可读存储介质
CN112765480A (zh) * 2021-04-12 2021-05-07 腾讯科技（深圳）有限公司 一种信息推送方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN111460130B (zh) 信息推荐方法、装置、设备和可读存储介质
CN107861938B (zh) 一种poi文案生成方法及装置，电子设备
EP4181026A1 (en) Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium
CN112214604A (zh) 文本分类模型的训练方法、文本分类方法、装置及设备
JP2017509960A (ja) コンテンツ推奨のための方法、装置およびシステム
CN112734104A (zh) 一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法
CN116541602A (zh) 推荐内容的推送方法和***、电子设备及存储介质
CN114676332A (zh) 一种面向开发者的网络api推荐方法
CN113704509B (zh) 多媒体推荐方法、装置、电子设备及存储介质
CN110807693A (zh) 专辑的推荐方法、装置、设备和存储介质
CN111930926B (zh) 结合评论文本挖掘的个性化推荐算法
US10579752B2 (en) Generating a model based on input
CN113742572A (zh) 一种数据的推荐方法、装置、电子设备及存储介质
CN115129829A (zh) 问答计算方法、服务器及存储介质
CN113672803A (zh) 推荐方法、装置、计算设备及存储介质
CN115080856A (zh) 推荐方法及装置、推荐模型的训练方法及装置
CN115186085A (zh) 回复内容处理方法以及媒体内容互动内容的交互方法
CN114973421A (zh) 一种基于对偶变换的半监督手语生成方法、***和存储介质
Hashim et al. Content-based filtering algorithm in social media
CN112035740A (zh) 项目使用时长预测方法、装置、设备及存储介质
CN113421551A (zh) 语音识别方法、装置、计算机可读介质及电子设备
CN113672820B (zh) 特征提取网络的训练方法、信息推荐方法、装置及设备
Mortazavi et al. Identifying the Importance of UX Dimensions for Different Software Product Categories
CN113570432B (zh) 资源推荐确定方法、装置、设备及存储介质
CN117786234B (zh) 一种基于两阶段对比学习的多模态资源推荐方法

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