CN116071128A - 一种基于多行为特征提取与自监督学习的多任务推荐方法 - Google Patents
一种基于多行为特征提取与自监督学习的多任务推荐方法 Download PDFInfo
- Publication number
- CN116071128A CN116071128A CN202310065895.6A CN202310065895A CN116071128A CN 116071128 A CN116071128 A CN 116071128A CN 202310065895 A CN202310065895 A CN 202310065895A CN 116071128 A CN116071128 A CN 116071128A
- Authority
- CN
- China
- Prior art keywords
- behavior
- task
- self
- learning
- supervision
- 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
Links
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多行为特征提取与自监督学习的多任务推荐方法,包括:获取用户、商品多行为交互数据,商品属性信息;构建统一的异质图以及用户、商品节点的初始嵌入;构建基于多行为特征提取的推荐监督任务;构建自监督学习辅助任务;结合推荐监督任务和自监督学习辅助任务联合优化目标函数。本发明的基于多行为特征提取与自监督学习的多任务推荐方法通过多行为交互数据学习行为传播权重,并感知行为语义,利用多视图对比学习补充额外的监督信号,并感知对节点嵌入学习有利的局部结构,从而降低噪声交互对于节点嵌入学习的影响。
Description
技术领域
本发明属于推荐***的技术领域,尤其涉及一种基于多行为特征提取与自监督学习的多任务推荐方法。
背景技术
随着互联网技术的飞速发展,信息泛滥、过载问题日趋严重,为了在海量信息中挖掘用户可能感性兴趣的内容,推荐***应运而生并普遍应用于电子商务网站等场景。传统的协同过滤推荐模型通常仅关注单一的行为类型,忽略了广泛存在于各类电子商务网站后台的多行为隐式反馈数据,进一步加剧了数据稀疏性和冷启动问题,导致推荐性能不加。诸如点击、加购物车、收藏、购买等隐式反馈数据包含丰富的协同过滤信号,可以有效缓解数据稀疏性和冷启动问题,提升推荐性能。因此,对于多行为推荐的研究是很有必要的。目前多行为推荐的研究主要分为两大类,第一类将多行为数据用于采样过程,并构建多采样对以加强模型学习过程。如MCBPR模型假设不同类型行为之间存在强度差异,通过构建具有较强行为类型和较弱行为类型的采样对来扩展标准贝叶斯个性化排序采样模型。BPRH模型进一步设计了更复杂的基于多行为数据的训练对抽样方法。第二类试图设计模型来捕捉多行为信息。例如,基于矩阵分解的模型同时对多个行为矩阵进行分解,利用与待预测行为相关的其他行为数据来提升性能;NMTR提出了一个多任务学习的深度模型,并假定行为间存在人为给定的强度顺序。以上模型虽取得一些性能上的提升,但存在以下问题:
(1)以上模型大多只是人为给定行为的强度,并没有通过多行为交互数据去学习行为间的强度关系,这是不合理的;
(2)该模型仅考虑不同行为间的强度差异,不能深入挖掘用户行为隐含的语义,这使得多行为交互数据并没有被充分利用;
(3)多行为隐式反馈数据的引入虽然可以缓解数据稀疏性和冷启动问题,但数据中往往存在大量噪声,比如点击数据,可能存在用户误点击或点击后并不感兴趣,这是现有大多数多行为推荐模型常常忽略的点,如何增强模型对交互噪声的鲁棒性对于多行为推荐模型至关重要。
MCBPR模型提出了一种基于多类型行为反馈的贝叶斯个性化排序模型,其假设不同类型行为之间存在强度差异,通过构建具有较强行为类型和较弱行为类型的采样对来扩展标准贝叶斯个性化排序采样模型。
首先,该模型只是粗略的估计不同行为的强度,并没有通过多行为交互数据去学习行为间的强度关系,这是不合理的。其次,该模型仅考虑不同行为间的强度差异,不能深入挖掘用户行为隐含的语义,这使得多行为交互数据并没有被充分利用。最后,模型并没有考虑噪声交互问题,必然导致模型对噪声的鲁棒性能差。
发明内容
基于以上现有技术的不足,本发明所解决的技术问题在于提供一种基于多行为特征提取与自监督学习的多任务推荐方法,通过多行为交互数据学习行为传播权重,并感知行为语义,利用多视图对比学习补充额外的监督信号,并感知对节点嵌入学习有利的局部结构,从而降低噪声交互对于节点嵌入学习的影响。
为了解决上述技术问题,本发明通过以下技术方案来实现:本发明提供一种基于多行为特征提取与自监督学习的多任务推荐方法,包括:
步骤S1、获取用户、商品多行为交互数据,商品属性信息;
步骤S2、构建统一的异质图以及用户、商品节点的初始嵌入;
步骤S3、构建基于多行为特征提取的推荐监督任务;
步骤S4、构建自监督学习辅助任务;
步骤S5、结合推荐监督任务和自监督学习辅助任务联合优化目标函数。
进一步的,在所述步骤S2中,用户、商品间的多行为交互数据以及项目类别从属关系用统一的异构图表示,其中包含两类用户、商品两类节点,多类型行为交互边以及商品-种类从属边。
进一步的,所述步骤S3包括以下步骤:
S31、基于多行为的嵌入传播,将行为对于用户偏好的影响与该行为交互下数据的稀疏性结合,得到行为的传播权重,模型分别聚合各类型行为交互下的商品嵌入,再结合用户各类型行为的传播权重进一步加权聚合,完成用户节点嵌入的更新;
S32、基于项目相似属性的嵌入传播;
S33、模型优化。
进一步的,在所述步骤S4中,采用节点丢弃或边扰动增强方式改变图结构,构建交互数据的两个对比视图。
进一步的,在所述步骤S5中,采用基于多行为交互特征提取的推荐监督任务和自监督学习辅助任务多任务策略训练模型。
由上,本发明首先通过多行为交互特征提取感知行为对用户偏好的影响强度以及行为隐含的语义,将其应用推荐监督任务;接下来,构建自监督学习辅助任务,通过节点丢弃和边扰动增强方式改变图结构,生成交互数据的多个视图进行对比学习,感知对节点嵌入学习有利的结构,减少对某些噪声边的依赖,提升模型整体的抗噪能力;最后,多任务联合优化模型。本发明的基于多行为特征提取与自监督学习的多任务推荐方法具有如下有益效果:
1.传统的推荐***模型仅关注单一的行为类型,忽略了广泛存在于各类电子商务网站后台的多行为隐式反馈数据,加剧了数据稀疏性和冷启动问题。为了缓解数据稀疏性、冷启动问题,引入多行为交互数据。
2.为了更加充分的利用多行为交互数据,设计了多行为特征提取机制,通过多行为交互数据学习行为传播权重,并感知行为语义。
3.考虑到多行为隐式反馈存在大量的噪声交互,为了增强模型对噪声的鲁棒性,引入了自监督学习辅助任务,利用多视图对比学习补充额外的监督信号,并感知对节点嵌入学习有利的局部结构,从而降低噪声交互对于节点嵌入学习的影响。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更简明易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1为本发明的基于多行为特征提取与自监督学习的多任务推荐方法的流程图;
图2为构建基于多行为特征提取的推荐监督任务的流程图。
具体实施方式
下面结合附图详细说明本发明的基于多行为特征提取与自监督学习的多任务推荐方法的具体实施方式。
如图1和图2所示,本发明的基于多行为特征提取与自监督学习的多任务推荐方法,包括以下步骤:
步骤S1、获取用户、商品多行为交互数据,商品属性信息;
步骤S2、构建统一的异质图以及用户、商品节点的初始嵌入;
步骤S3、构建基于多行为特征提取的推荐监督任务;
步骤S4、构建自监督学习辅助任务;
步骤S5、结合推荐监督任务和自监督学习辅助任务联合优化目标函数。
在经典推荐场景中,假设存在用户集合U={u1,u2,…,uM}和商品集合I={i1,i2,…,iN}。用户与商品的多类型交互行为,如点击、加购物车、收藏、购买等,由集合表示,其中行为K表示目标行为,其余行为{1,2,…,K-1}则表示辅助行为。用户与商品间多行为交互矩阵集合为{A1,A2,…,AK},其中表示行为k下用户与商品交互的二进制矩阵,表示用户u和商品i间存在行为k下的交互,则反之。为了更加精确感知商品关系,引入商品类别sεS。给定多行为交互集合{A1,A2,…,AK}以及商品从属集合{(i,s)|i∈I,s∈S},模型旨在预测在目标行为K下用户u与商品i交互的概率。用户、商品间的多行为交互数据以及项目类别从属关系可以用统一的异构图表示,其中包含两类用户、商品两类节点,多类型行为交互边以及商品-种类从属边。
初始嵌入层
本模块对用户和商品的实体特征进行编码,生成的低维的嵌入向量作为卷积层的输入。假设节点嵌入维度为d,用户和商品节点第l层的嵌入可以表示为:
基于多行为的嵌入传播
不同的行为本身体现出不同程度的用户偏好,例如电商场景中相较于点击行为,加入购物车行为体现出更强的用户偏好,因此加入购物车行为相较于点击行为应该具有更高的权重。但具体每个行为的重要性,或者说对用户偏好的具体贡献程度,应该由模型本身来学习。本发明将行为对于用户偏好的影响与该行为交互下数据的稀疏性结合,得到行为的传播权重:
其中,ω*表示行为*的固有权重,其通过模型学习,适用于所有用户;nu,k表示用户u在行为k下的交互量。显然,用户各类型行为传播权重的和为1。
接下来,模型分别聚合各类型行为交互下的商品嵌入,再结合用户各类型行为的传播权重进一步加权聚合,完成用户节点嵌入的更新。受到LightGCN的启发,在更新用户节点嵌入时,本发明模型去掉了不利于推荐任务的非线性激活模块,仅通过聚合邻居嵌入得到下一层用户的嵌入表示,具体过程如下:
其中,l、l+1是图神经网络当前迭代的层数,W(l)是第l层可学习的聚合编码矩阵,是商品i当前的嵌入;表示用户u在行为k下交互的商品集合,通过元路径抽取所得;MEAN表示集合均值函数,用来避免嵌入传播过程中出现梯度***或梯度消失。
原理同公式(4),模型为商品节点i聚合邻域用户节点嵌入,基于多行为交互的商品节点嵌入更新过程如下:
基于项目相似属性的嵌入传播
多行为交互数据中,隐含了丰富的行为语义,例如用户选购电脑时,会浏览、加购或收藏多款电脑进行对比,在购买某款电脑后,可能会继续选购鼠标、键盘等互补的商品,这可以理解为同一用户交互的商品间可能存在某种相似或互补的关系,上述关系在同类别商品间更显著。根据上述分析,同一用户交互的同类别商品间存在一定的相似性,考虑这些相似商品的信息影响,对于增强节点嵌入学习尤为重要。为了提取与商品i存在相似关系的商品集合,模型构建元路径和元路径表示如下:
其中,用来抽取同时与商品i,i′存在交互的用户,用来抽取与商品i同属于类别s的商品。结合以上元路径,模型可以提取到与商品i同类别且与同一用户存在交互的商品,即将满足上述条件的商品节点用集合表示,该集合可以理解为与商品i存在相似关系的商品集合。
由于用户与商品间可能存在不同的交互行为类型,模型再结合用户行为权重,得到商品相似度计算公式,公式如下:
模型根据相似度计算公式,对存在相似关系的商品节点嵌入进行聚合,过程如下:
模型优化
经过L层嵌入传播,不同层数上的嵌入包含不同阶数的邻居信息。为了保留每一层嵌入的信息,模型将各层嵌入分别进行拼接操作,得到以下最终嵌入:
其中,L是可调的超参数,||表示嵌入拼接运算。pu、qi是基于多行为交互所得,反应出用户、商品间的高阶关系;χi是基于相似商品所得,反映出商品间的相似属性。pu即为用户节点的最终嵌入,可以用表示。模型进一步将基于多行为交互嵌入qi和基于相似商品嵌入χi进行结合,得到商品节点的最终嵌入:
其中,λ>0是可调的超参数,用于调控两个嵌入的比重。得到用户、商品的最终嵌入,模型通过向量内积来预测其匹配分数,公式如下:
采用贝叶斯个性化排序函数(BPR)作为损失函数,该函数鼓励正样本预测得分尽可能高于负样本的预测得分,表达式如下:
Lossmain=∑(u,i,j)∈O-lnσ(θ(u,i)-θ(u,j)) (14)
其中,O={(u,i,j)|(u,i)∈O+,(u,i)∈O-}即为模型的训练集,O+、O-分别表示存在交互的正样本集和不存在交互的负样本集。
基于自监督学习的辅助任务
本模块采用节点丢弃或边扰动增强方式改变图结构,构建交互数据的两个对比视图,意义在于:(1)通过最大化两个视图中相同节点嵌入的相似性,最小化两个视图中不同节点嵌入的相似性任务从数据自身挖掘监督信号,这是对原有数据中观察到的交互监督信号的补充;(2)多视图对比学习可以感知利于节点嵌入学习的局部结构,降低某些噪声交互的影响。
数据增强
节点丢弃、边扰动两种增强方式的具体过程如下:
1)节点丢弃:给定节点集合V=U∪I、丢弃概率ρ,模型生成随机掩码向量R′d、R″d∈{0,1}|V|,再分别将R′d、R″d与节点集V进行元素积运算,生成的视图可以表示为:
G′=(R′d⊙V,E) G″=(R″d⊙V,E) (15)
节点丢弃目的是感知嵌入传播中较为重要的节点信息,降低节点嵌入学习过程对图结构变化的敏感度。
2)边扰动:给定边集合E=O+、丢弃概率ρ′,模型生成随机掩码向量R′e、R″e∈{0,1}|E|,再分别将R′e、R″e与边集E进行元素积运算,生成的视图可以表示为:
G′=(V,R′⊙E) G″=(V,R″⊙E) (16)
边扰动倾向于捕获视图中有助于节点嵌入学习的局部结构,提升模型抵抗噪声交互的能力。
对比学习
通过节点丢弃或边扰动得到不同的节点视图G′、G″,模型采用轻量卷积神经网络分别在两个视图上进行节点嵌入学习,过程可以表示为:
以用户节点为例,通过不同视图学习到的节点嵌入分别用p′u、p″u表示,对比学习中的正样本对可以表示为{p′u,p″u|u∈U},负样本对可以表示为{p′j,p″k|j,k∈U,j≠k},用户节点对比学习损失函数表达式如下:
其中,sim(·)表示余弦相似度计算函数,τ是一个温度超参数。相同的原理,可以得到商品节点的对比学习损失函数Lossitem,将用户节点、商品节点对比学习损失函数结合得到自监督学习模块的损失函数:
Lossssl=Lossuser+Lossitem (20)
联合优化
模型采用基于多行为交互特征提取的推荐监督任务和自监督学习辅助任务多任务策略训练模型,目标函数定义如下:
Loss=Lossmain+β1Lossssl+β2||Θ||2 (21)
其中,Θ表示模型所有可训练的参数集合,β1、β2分别表示控制辅助任务强度的超参数和L2正则化强度的超参数。
使用Tmall和Beibei两个公开数据集进行实验,其中Tmall数据集来源于大型综合电商平台天猫商城,Beibei数据集来源于国内最大的母婴电商平台贝贝网,两个数据集被广泛应用于推荐***隐式反馈问题研究,且均包含用户和商品间多类型行为交互数据。数据集的统计信息在表1给出。
表1
为了评估模型性能,本发明采用推荐命中率(HR@N)和归一化折损累计增益(NDCG@N)作为评价指标,N表示用户推荐列表长度,更高的HR、NDCG分数代表着模型有更好的表现。其中,HR@N表示推荐命中的用户数占总用户数的比例,只要测试集中商品出现在用户Top-N推荐列表里即算命中;NDCG@N综合推荐列表中商品的相关性分数以及排列顺序来评估推荐性能,侧重于测试集中的商品在用户推荐列表中排名。
对比算法:MF-BPR是一种使用单一行为建模的贝叶斯个性化排序模型,其假设观察到的交互比没有观察到的交互具有更高的得分,以此优化成对损失;MCBPR模型提出了一种基于多类型行为反馈的贝叶斯个性化排序模型,其假设不同类型行为之间存在强度差异,通过构建具有较强行为类型和较弱行为类型的采样对来扩展标准贝叶斯个性化排序采样模型;Li ghtGCN是一种基于单一行为的简化图卷积神经网络模型;MATN通过自注意力机制衡量不同行为的影响来进行多行为推荐。
表2
由表2可知,多行为推荐模型MSM、MATN、MCBPR相较于仅关注单一行为的推荐模型MF-BPR、LightGCN推荐性能都有一定的提升,这表明多行为隐式反馈数据包含丰富的协同过滤信号,在一定程度上缓解了数据稀疏性、冷启动问题,提升了推荐性能。另外,本发明模型推荐性能优于MCBPR、MATN,这是由于MCBPR、MATN只考虑行为强度,没有通过多行为交互数据挖掘行为间依赖关系以及隐含的语义,并没有充分利用多行为交互数据。
为了验证自监督学习辅助任务对模型抗噪性能的影响,将去掉自监督学习辅助任务、仅保留主推荐任务的变体模型MSMMB与本发明模型MSM进行对比试验。为了模拟多行为推荐数据集中的噪声,将随机生成的用户商品交互记录,按照一定的比例添加至数据集中,然后进行抗噪能力对比实验,两个模型在噪声数据集上的NGDC@50分数如表3所示。
表3
由表3可知,随着噪声比例的增加两个模型的推荐性能都有所下降,但引入自监督学习辅助任务的MSM性能波动明显小于MSMMB,MSM在噪声数据上依然可以取得较好的推荐性能,这表明自监督学习辅助任务的引入有效的提升模型的抗噪能力。自监督学习通过对比不同的增强视图,感知对节点表征学习有利的局部结构,可有效降低噪声交互对模型的影响,提升了模型的抗噪能力。
最后应说明的是:以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (5)
1.一种基于多行为特征提取与自监督学习的多任务推荐方法,其特征在于,包括以下步骤:
步骤S1、获取用户、商品多行为交互数据,商品属性信息;
步骤S2、构建统一的异质图以及用户、商品节点的初始嵌入;
步骤S3、构建基于多行为特征提取的推荐监督任务;
步骤S4、构建自监督学习辅助任务;
步骤S5、结合推荐监督任务和自监督学习辅助任务联合优化目标函数。
2.根据权利要求1所述的基于多行为特征提取与自监督学习的多任务推荐方法,其特征在于,在所述步骤S2中,用户、商品间的多行为交互数据以及项目类别从属关系用统一的异构图表示,其中包含两类用户、商品两类节点,多类型行为交互边以及商品-种类从属边。
3.根据权利要求1所述的基于多行为特征提取与自监督学习的多任务推荐方法,其特征在于,所述步骤S3包括以下步骤:
S31、基于多行为的嵌入传播,将行为对于用户偏好的影响与该行为交互下数据的稀疏性结合,得到行为的传播权重,模型分别聚合各类型行为交互下的商品嵌入,再结合用户各类型行为的传播权重进一步加权聚合,完成用户节点嵌入的更新;
S32、基于项目相似属性的嵌入传播;
S33、模型优化。
4.根据权利要求1所述的基于多行为特征提取与自监督学习的多任务推荐方法,其特征在于,在所述步骤S4中,采用节点丢弃或边扰动增强方式改变图结构,构建交互数据的两个对比视图。
5.根据权利要求1所述的基于多行为特征提取与自监督学习的多任务推荐方法,其特征在于,在所述步骤S5中,采用基于多行为交互特征提取的推荐监督任务和自监督学习辅助任务多任务策略训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065895.6A CN116071128A (zh) | 2023-01-19 | 2023-01-19 | 一种基于多行为特征提取与自监督学习的多任务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065895.6A CN116071128A (zh) | 2023-01-19 | 2023-01-19 | 一种基于多行为特征提取与自监督学习的多任务推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071128A true CN116071128A (zh) | 2023-05-05 |
Family
ID=86176455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310065895.6A Pending CN116071128A (zh) | 2023-01-19 | 2023-01-19 | 一种基于多行为特征提取与自监督学习的多任务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071128A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662676A (zh) * | 2023-06-09 | 2023-08-29 | 北京华品博睿网络技术有限公司 | 一种基于多行为建模的在线招聘双向互惠推荐***及方法 |
CN117851687A (zh) * | 2024-03-04 | 2024-04-09 | 江西财经大学 | 融合自注意力机制的多行为图对比学习推荐方法与*** |
-
2023
- 2023-01-19 CN CN202310065895.6A patent/CN116071128A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662676A (zh) * | 2023-06-09 | 2023-08-29 | 北京华品博睿网络技术有限公司 | 一种基于多行为建模的在线招聘双向互惠推荐***及方法 |
CN117851687A (zh) * | 2024-03-04 | 2024-04-09 | 江西财经大学 | 融合自注意力机制的多行为图对比学习推荐方法与*** |
CN117851687B (zh) * | 2024-03-04 | 2024-05-14 | 江西财经大学 | 融合自注意力机制的多行为图对比学习推荐方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
CN115082147B (zh) | 一种基于超图神经网络的序列推荐方法及装置 | |
CN116071128A (zh) | 一种基于多行为特征提取与自监督学习的多任务推荐方法 | |
Deodhar et al. | SCOAL: A framework for simultaneous co-clustering and learning from complex data | |
Lu et al. | Scalable news recommendation using multi-dimensional similarity and Jaccard–Kmeans clustering | |
CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
Liu et al. | Large-scale recommender system with compact latent factor model | |
CN112085525A (zh) | 一种基于混合模型的用户网络购买行为预测研究方法 | |
Yu et al. | Spectrum-enhanced pairwise learning to rank | |
Ding et al. | Session-based recommendation with hypergraph convolutional networks and sequential information embeddings | |
Pang et al. | Efficient deep reinforcement learning-enabled recommendation | |
CN114896515A (zh) | 基于时间间隔的自监督学习协同序列推荐方法、设备和介质 | |
Gong | Employing User Attribute and Item Attribute to Enhance the Collaborative Filtering Recommendation. | |
Wang et al. | Cross-view temporal graph contrastive learning for session-based recommendation | |
Zheng et al. | Heterogeneous information crossing on graphs for session-based recommender systems | |
Niu et al. | Deep recommendation model combining long-and short-term interest preferences | |
Lv et al. | DSMN: An improved recommendation model for capturing the multiplicity and dynamics of consumer interests | |
Guo et al. | Recommendation based on attributes and social relationships | |
Zhang et al. | Probabilistic matrix factorization recommendation of self-attention mechanism convolutional neural networks with item auxiliary information | |
Wang et al. | Jointly modeling intra-and inter-transaction dependencies with hierarchical attentive transaction embeddings for next-item recommendation | |
Zhang et al. | Challenging the long tail recommendation on heterogeneous information network | |
CN114238758A (zh) | 一种基于多源跨界数据融合的用户画像预测方法 | |
Zhenglian et al. | Improving the performance of personalized recommendation with ontological user interest model | |
Li et al. | Disentangled-feature and composite-prior VAE on social recommendation for new users |
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 |