CN116842267A - 基于深度学习的个性化装修方案推荐方法、***及介质 - Google Patents
基于深度学习的个性化装修方案推荐方法、***及介质 Download PDFInfo
- Publication number
- CN116842267A CN116842267A CN202310862362.0A CN202310862362A CN116842267A CN 116842267 A CN116842267 A CN 116842267A CN 202310862362 A CN202310862362 A CN 202310862362A CN 116842267 A CN116842267 A CN 116842267A
- Authority
- CN
- China
- Prior art keywords
- user
- decoration
- interest
- item
- acquiring
- 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
- 238000005034 decoration Methods 0.000 title claims abstract description 297
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 171
- 230000006399 behavior Effects 0.000 claims abstract description 70
- 230000002452 interceptive effect Effects 0.000 claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000008439 repair process Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 53
- 239000002245 particle Substances 0.000 claims description 30
- 230000003993 interaction Effects 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 2
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- 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
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习的个性化装修方案推荐方法、***及介质,包括:获取用户与装修项目的交互行为数据,提取若干兴趣向量,结合用户特征生成兴趣向量序列;构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征导入装修方案推荐模型,预测装修项目的相关性;根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化装修方案推荐模型。本发明通过结合用户的动态偏好特征及房屋属性特征为用户推荐个性化装修方案,节省了用户的大量的时间及精力并且提升用户的体验。
Description
技术领域
本发明涉及装修技术领域,更具体的,涉及一种基于深度学习的个性化装修方案推荐方法、***及介质。
背景技术
传统家装行业中,人们在对客户进行家装装修内容时,大多采用图纸的方式来呈现给客户,使得客户的体验感差,而近年来互联网技术的高速发展以及人们消费水平的提高, 越来越多的人选择通过线上的方式获取和浏览信息,家装市场电子商务化也越来越全面,推荐引擎类似于我们实际生活中的产品推荐员的作用,为人们在进行家庭装修过程中选择合适的家装方案提供了极大的便利,同时也为家装网站带来更多的价值。
目前, 个性化推荐算法是根据用户的历史交互数据,通过算法主动为用户推荐恰当资源的技术,现已被广泛应用于电商、教育等领域。传统的个性化推荐算法大多依赖用户的显式交互记录特征来得到推荐结果,往往导致推荐结果缺乏时效性和新鲜感,并且用户的兴趣多样且不断变化导致其无法被准确表示以及对于语义关系的挖掘不充分从而影响推荐模型的准确度及泛化能力等。因此,有必要在深入了解用户行为和具体实际情况,为有装修需求的用户提供家装方案推荐服务,在家装方案推荐过程中如何对用户的兴趣进行精确表达,提高推荐的准确性及针对性是亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于深度学习的个性化装修方案推荐方法、***及介质。
本发明第一方面提供了一种基于深度学习的个性化装修方案推荐方法,包括:
获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,结合用户特征生成兴趣向量序列,通过所述兴趣向量序列表征用户的兴趣特征;
根据所述交互行为数据构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;
构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性;
根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化所述装修方案推荐模型。
本方案中,获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,生成兴趣向量序列,具体为:
获取用户的房屋基本信息,根据所述房屋基本信息提取房屋特征,将所述房屋特征结合用户基本信息生成用户特征;
提取用户与装修项目的交互行为数据,将所述交互行为数据进行数据清洗,构建交互行为数据集,对所述交互行为数据集进行聚类分析,利用粒子群算法进行聚类数量的寻优,获取最佳聚类数量;
在所述交互行为数据集中根据所述最佳聚类数量随机选取初始聚类中心,根据交互行为数据点到初始聚类中心的欧式距离,分配至距离最近的初始聚类中心生成类簇;
在迭代中根据类簇均值设置新聚类中心,迭代结束后获取聚类结果进行特征提取生成用户的兴趣向量,结合用户特征生成兴趣向量序列;
将所述兴趣向量序列导入自注意力网络,利用自注意力机制获取各兴趣向量的注意力得分;
根据所述注意力得分构建注意力矩阵,并通过所述注意力矩阵获取耦合系数矩阵,通过所述耦合系数矩阵对所述兴趣向量进行加权求和,表征用户的兴趣特征。
本方案中,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,具体为:
根据用户的交互行为数据构建异构图,将用户及装修项目作为节点,并根据用户与装修项目的交互设置边结构,将所述异构图定义为,/>为节点的集合,/>为边结构集合;
根据用户的兴趣特征基于相似度计算在所述异构图中获取用户节点及装修项目节点的邻接矩阵,将所述异构图存储为邻接矩阵形式;
通过图卷积神经网络进行节点的学习表示,进行邻域信息的前向传播,聚合自身及邻接矩阵的信息,更新用户节点及装修项目节点的特征表示,将各卷积层的节点特征进行整合,获取用户及装修项目的特征向量表示。
本方案中,构建装修方案推荐模型,具体为:
通过图卷积神经网络结合多头注意力机制构建装修方案推荐模型,根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图;
将异构图中得到用户及装修项目特征向量表示作为全局表示,利用图卷积神经网络根据用户兴趣特征对用户子图及装修项目子图进行表示;
在用户邻域中生成用户特征向量局部表示,在装修项目邻域中获取装修项目特征向量局部表示,通过用户及装修项目的全局表示及局部表示获取不同维度的特征表示;
引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,利用所述自注意力权重进行加权求和,分别生成用户及装修项目的最终特征向量表示。
本方案中,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性,具体为:
根据用户的交互行为数据更新用户的兴趣向量序列,将所述兴趣向量序列导入门控循环单元,在所述门控循环单元中引入卷积自编码进行兴趣向量进行重构;
将重构后的兴趣向量导入GRU层,学习兴趣向量之间的时间相关性特征,利用全连接层获取用户的兴趣变化特征,根据所述兴趣变化特征导入所述装修方案推荐模型;
通过所述兴趣变化特征更新用户及装修项目的邻接矩阵,根据更新后的邻接矩阵生成用户及装修项目的最终特征向量表示,利用用户及装修项目的最终特征向量表示进行内积计算;
根据内积计算结果获取装修项目与用户兴趣的相关性,根据装修项目的相关性排序为用户进行推荐。
本方案中,获取用户反馈信息优化所述装修方案推荐模型,具体为:
获取用户对推荐装修项目的反馈信息,根据所述反馈信息判断对推荐结果的满意程度,当满意程度大于预设阈值时,则获取用户对推荐装修项目的交互顺序,利用所述交互顺序获取推荐优先级;
构建个性化数据集,将用户对应的推荐装修项目、推荐优先级及满意程度存入所述个性化数据集,通过所述个性化数据集对用户兴趣向量的注意力矩阵进行优化;
当满意程度小于预设阈值时,则重新设置时间步长内,获取所述时间步长内的交互行为数据,进行用户多兴趣的重新提取。
本发明第二方面还提供了一种基于深度学习的个性化装修方案推荐***,该***包括:存储器、处理器,所述存储器中包括基于深度学习的个性化装修方案推荐方法程序,所述基于深度学习的个性化装修方案推荐方法程序被所述处理器执行时实现如下步骤:
获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,结合用户特征生成兴趣向量序列,通过所述兴趣向量序列表征用户的兴趣特征;
根据所述交互行为数据构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;
构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性;
根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化所述装修方案推荐模型。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于深度学习的个性化装修方案推荐方法程序,所述基于深度学习的个性化装修方案推荐方法程序被处理器执行时,实现如上述任一项所述的基于深度学习的个性化装修方案推荐方法的步骤。
本发明公开了一种基于深度学习的个性化装修方案推荐方法、***及介质,包括:获取用户与装修项目的交互行为数据,提取若干兴趣向量,生成兴趣向量序列;构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征导入装修方案推荐模型,预测装修项目的相关性;根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化装修方案推荐模型。本发明通过结合用户的动态偏好特征及房屋属性特征为用户推荐个性化装修方案,节省了用户的大量的时间及精力并且提升用户的体验。
附图说明
图1示出了本发明一种基于深度学习的个性化装修方案推荐方法的流程图;
图2示出了本发明生成用户兴趣向量序列的流程图;
图3示出了本发明构建装修方案推荐模型的流程图;
图4示出了本发明一种基于深度学习的个性化装修方案推荐***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度学习的个性化装修方案推荐方法的流程图。
如图1所示,本发明第一方面提供了一种基于深度学习的个性化装修方案推荐方法,包括:
S102,获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,结合用户特征生成兴趣向量序列,通过所述兴趣向量序列表征用户的兴趣特征;
S104,根据所述交互行为数据构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;
S106,构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性;
S108,根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化所述装修方案推荐模型。
需要说明的是,从装修相关网站中提取用户的各装修项目的历史浏览记录及历史浏览时间,并且获取各装修项目的名称信息、类别信息、描述信息及评价信息及评价时间戳,通过获取的信息生成用户与装修项目的交互行为数据。
图2示出了本发明生成用户兴趣向量序列的流程图。
根据本发明实施例,获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,生成兴趣向量序列,具体为:
S202,获取用户的房屋基本信息,根据所述房屋基本信息提取房屋特征,将所述房屋特征结合用户基本信息生成用户特征;
S204,提取用户与装修项目的交互行为数据,将所述交互行为数据进行数据清洗,构建交互行为数据集,对所述交互行为数据集进行聚类分析,利用粒子群算法进行聚类数量的寻优,获取最佳聚类数量;
S206,在所述交互行为数据集中根据所述最佳聚类数量随机选取初始聚类中心,根据交互行为数据点到初始聚类中心的欧式距离,分配至距离最近的初始聚类中心生成类簇;
S208,在迭代中根据类簇均值设置新聚类中心,迭代结束后获取聚类结果进行特征提取生成用户的兴趣向量,结合用户特征生成兴趣向量序列;
S210,将所述兴趣向量序列导入自注意力网络,利用自注意力机制获取各兴趣向量的注意力得分;
S212,根据所述注意力得分构建注意力矩阵,并通过所述注意力矩阵获取耦合系数矩阵,通过所述耦合系数矩阵对所述兴趣向量进行加权求和,表征用户的兴趣特征。
需要说明的是,获取用户的房屋基本信息,其中包括面积、布局及尺寸等信息;利用粒子群进行聚类数据的寻优,初始化粒子群算法的参数,设定粒子群的规模、粒子最大速度、最大迭代次数、学习因子等参数,随机生成粒子群,通过计算轮廓系数定义粒子适应度函数,据粒子适应度函数计算每个粒子的适应度,更新粒子的最佳适应度,使用每个粒子的当前最佳位置作为初始位置,以找到全局最佳位置,使用粒子自身和全局最优值更新粒子速度和位置,计算更新后粒子的适应度;达到最大迭代次数后通过粒子群算法对K-means聚类算法中的聚类数量K进行寻优,获取最佳聚类数量K。通过将用户的交互行为数据进行聚类,提取多个兴趣向量表征用户的多样化兴趣,对用户的兴趣进行精确表达,提高了模型的准确度;
利用自注意力机制获取各兴趣向量的注意力得分,构建注意力矩阵获取耦合系数,所述耦合系数的计算公式为:
;
其中,为输入矩阵,由兴趣向量组成,/>,/>分别为自注意力网络中第/>层及第/>层中兴趣向量的个数,/>为第/>层兴趣向量的维度,/>为矩阵转置。
图3示出了本发明构建装修方案推荐模型的流程图。
根据本发明实施例,构建装修方案推荐模型,具体为:
S302,通过图卷积神经网络结合多头注意力机制构建装修方案推荐模型,根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图;
S304,将异构图中得到用户及装修项目特征向量表示作为全局表示,利用图卷积神经网络根据用户兴趣特征对用户子图及装修项目子图进行表示;
S306,在用户邻域中生成用户特征向量局部表示,在装修项目邻域中获取装修项目特征向量局部表示,通过用户及装修项目的全局表示及局部表示获取不同维度的特征表示;
S308,引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,利用所述自注意力权重进行加权求和,分别生成用户及装修项目的最终特征向量表示;
需要说明的是,根据用户的交互行为数据构建异构图,将用户及装修项目作为节点,并根据用户与装修项目的交互设置边结构,将所述异构图定义为 ,/>为节点的集合,/>为边结构集合;根据用户的兴趣特征基于相似度计算在所述异构图中获取用户节点及装修项目节点的邻接矩阵,将所述异构图存储为邻接矩阵形式;通过图卷积神经网络进行节点的学习表示,进行邻域信息的前向传播,聚合自身及邻接矩阵的信息,更新用户节点及装修项目节点的特征表示,将各卷积层的节点特征进行整合,获取用户及装修项目的特征向量表示,其中用户节点/>过邻居节点聚合机制进行表示,获取用户特征向量表示/>,具体为:
;
其中,表示激活函数,/>表示特征变换的参数矩阵,/>作为用户节点及装修项目节点建的初始特征向量,/>表示权重矩阵;同理,生成装修项目节点/>的向量表示/>,作为全局表示;
根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图/>,若两个不同用户之间存在社交关系,则在所述用户子图中存在边结构,若两个不同装修项目与同一用户交互,则在所述装修项目子图中存在一条边结构,在用户子图/>及装修项目子图/>中,根据兴趣特征利用相似度计算获取邻接矩阵构建用户邻域及装修项目邻域,并通过邻居聚合机制进行表示,获取不同子图中用户节点特征向量表示/>及装修项目节点的特征向量表示/>;引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,多头注意力机制中所采用的缩放点积的计算为:/>,其中,/>分别表示Query矩阵,Key矩阵及Value矩阵,/>为键向量的维度,根据多个注意力头生成用户节点与装修项目节点全局表示的自注意力权重/>,/>及用户节点与装修项目节点局部表示的自注意力权重/>,/>,利用所述自注意力权重与对应的特征向量表示进行加权求和,获取用户及装修项目的最终特征向量表示/>;
需要说明的是,根据用户的交互行为数据更新用户的兴趣向量序列,将所述兴趣向量序列导入门控循环单元,在所述门控循环单元中引入卷积自编码进行兴趣向量进行重构;编码器部分由堆叠的卷积层、池化层和批归一化层组成,并通过上采样和反卷积构成解码器,利用历史兴趣向量序列构建训练集训练卷积自编码器,训练完成后,将卷积自编码器重构后的兴趣向量导入GRU层,通过 4 层GRU网络实现对兴趣向量之间的时间相关性特征的学习,利用全连接层获取用户的兴趣变化特征,根据所述兴趣变化特征导入所述装修方案推荐模型;通过所述兴趣变化特征更新用户及装修项目的邻接矩阵,根据更新后的邻接矩阵生成用户及装修项目的最终特征向量表示,利用用户及装修项目的最终特征向量表示进行内积计算;根据内积计算结果获取装修项目与用户兴趣的相关性,/>,根据装修项目的相关性排序为用户进行推荐。
需要说明的是,获取用户对推荐装修项目的反馈信息,根据所述反馈信息获取用户的交互次数或浏览时间与预设标准进行判断,获取用户对推荐结果的满意程度,当满意程度大于预设阈值时,则获取用户对推荐装修项目的交互顺序,利用所述交互顺序获取推荐优先级;构建个性化数据集,将用户对应的推荐装修项目、推荐优先级及满意程度存入所述个性化数据集,通过所述个性化数据集对用户兴趣向量的注意力矩阵进行优化;当满意程度小于预设阈值时,则重新设置时间步长内,获取所述时间步长内的交互行为数据,进行用户多兴趣的重新提取。
根据本发明实施例,通过大数据方法为用户提供智能决策建议,具体为:
获取用户的用户特征及兴趣特征,生成对应的推荐装修项目,采集用户对推荐装修项目的反馈信息,当目标用户的浏览时间大于预设标准,则将对应推荐装修项目进行标记;
通过用户的预算信息对标记的装修项目进行筛选,生成意向装修项目集合;
获取用户的选择的装修项目结合三维重建生成三维装修信息,基于用户的选择的装修项目进行风格特征提取,获取用户所选的装修风格,
通过大数据手段基于所述装修风格获取相似度大于预设阈值的装修实例,根据所述装修实例判断所述三维装修信息中的风格异常位置,并生成提醒信息,在所述意向装修项目集合中筛选相似风格的装修项目进行推荐;
另外,根据用户待选装修项目通过大数据方法获取对应的装修实例,并利用关键词提取获取各装修实例中待选装修项目的使用关键词,分析待选装修项目的使用情况,根据所述使用情况提供智能决策建议。
图4示出了本发明一种基于深度学习的个性化装修方案推荐***的框图。
本发明第二方面还提供了一种基于深度学习的个性化装修方案推荐***4,该***包括:存储器41、处理器42,所述存储器中包括基于深度学习的个性化装修方案推荐方法程序,所述基于深度学习的个性化装修方案推荐方法程序被所述处理器执行时实现如下步骤:
获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,结合用户特征生成兴趣向量序列,通过所述兴趣向量序列表征用户的兴趣特征;
根据所述交互行为数据构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;
构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性;
根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化所述装修方案推荐模型。
需要说明的是,从装修相关网站中提取用户的各装修项目的历史浏览记录及历史浏览时间,并且获取各装修项目的名称信息、类别信息、描述信息及评价信息及评价时间戳,通过获取的信息生成用户与装修项目的交互行为数据。
根据本发明实施例,获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,生成兴趣向量序列,具体为:
获取用户的房屋基本信息,根据所述房屋基本信息提取房屋特征,将所述房屋特征结合用户基本信息生成用户特征;
提取用户与装修项目的交互行为数据,将所述交互行为数据进行数据清洗,构建交互行为数据集,对所述交互行为数据集进行聚类分析,利用粒子群算法进行聚类数量的寻优,获取最佳聚类数量;
在所述交互行为数据集中根据所述最佳聚类数量随机选取初始聚类中心,根据交互行为数据点到初始聚类中心的欧式距离,分配至距离最近的初始聚类中心生成类簇;
在迭代中根据类簇均值设置新聚类中心,迭代结束后获取聚类结果进行特征提取生成用户的兴趣向量,结合用户特征生成兴趣向量序列;
将所述兴趣向量序列导入自注意力网络,利用自注意力机制获取各兴趣向量的注意力得分;
根据所述注意力得分构建注意力矩阵,并通过所述注意力矩阵获取耦合系数矩阵,通过所述耦合系数矩阵对所述兴趣向量进行加权求和,表征用户的兴趣特征。
需要说明的是,获取用户的房屋基本信息,其中包括面积、布局及尺寸等信息;利用粒子群进行聚类数据的寻优,初始化粒子群算法的参数,设定粒子群的规模、粒子最大速度、最大迭代次数、学习因子等参数,随机生成粒子群,通过计算轮廓系数定义粒子适应度函数,据粒子适应度函数计算每个粒子的适应度,更新粒子的最佳适应度,使用每个粒子的当前最佳位置作为初始位置,以找到全局最佳位置,使用粒子自身和全局最优值更新粒子速度和位置,计算更新后粒子的适应度;达到最大迭代次数后通过粒子群算法对K-means聚类算法中的聚类数量K进行寻优,获取最佳聚类数量K。通过将用户的交互行为数据进行聚类,提取多个兴趣向量表征用户的多样化兴趣,对用户的兴趣进行精确表达,提高了模型的准确度;
利用自注意力机制获取各兴趣向量的注意力得分,构建注意力矩阵获取耦合系数,所述耦合系数的计算公式为:
;
其中,为输入矩阵,由兴趣向量组成,/>分别为自注意力网络中第/>层及第/>层中兴趣向量的个数,/>为第/>层兴趣向量的维度,/>为矩阵转置。
根据本发明实施例,构建装修方案推荐模型,具体为:
通过图卷积神经网络结合多头注意力机制构建装修方案推荐模型,根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图;
将异构图中得到用户及装修项目特征向量表示作为全局表示,利用图卷积神经网络根据用户兴趣特征对用户子图及装修项目子图进行表示;
在用户邻域中生成用户特征向量局部表示,在装修项目邻域中获取装修项目特征向量局部表示,通过用户及装修项目的全局表示及局部表示获取不同维度的特征表示;
引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,利用所述自注意力权重进行加权求和,分别生成用户及装修项目的最终特征向量表示;
需要说明的是,根据用户的交互行为数据构建异构图,将用户及装修项目作为节点,并根据用户与装修项目的交互设置边结构,将所述异构图定义为 ,/>为节点的集合,/>为边结构集合;根据用户的兴趣特征基于相似度计算在所述异构图中获取用户节点及装修项目节点的邻接矩阵,将所述异构图存储为邻接矩阵形式;通过图卷积神经网络进行节点的学习表示,进行邻域信息的前向传播,聚合自身及邻接矩阵的信息,更新用户节点及装修项目节点的特征表示,将各卷积层的节点特征进行整合,获取用户及装修项目的特征向量表示,其中用户节点/>通过邻居节点聚合机制进行表示,获取用户特征向量表示,具体为:
;
其中,表示激活函数,/>表示特征变换的参数矩阵,/>作为用户节点及装修项目节点建的初始特征向量,/>表示权重矩阵;同理,生成装修项目节点/>的向量表示/>,作为全局表示。
根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图/>,若两个不同用户之间存在社交关系,则在所述用户子图中存在边结构,若两个不同装修项目与同一用户交互,则在所述装修项目子图中存在一条边结构,在用户子图/>及装修项目子图/>中,根据兴趣特征利用相似度计算获取邻接矩阵构建用户邻域及装修项目邻域,并通过邻居聚合机制进行表示,获取不同子图中用户节点特征向量表示/>及装修项目节点的特征向量表示/>。引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,多头注意力机制中所采用的缩放点积的计算为:/>,其中,/>分别表示Query矩阵,Key矩阵及Value矩阵,/>为键向量的维度,根据多个注意力头生成用户节点与装修项目节点全局表示的自注意力权重/>,/>及用户节点与装修项目节点局部表示的自注意力权重/>,/>,利用所述自注意力权重与对应的特征向量表示进行加权求和,获取用户及装修项目的最终特征向量表示/>;
需要说明的是,根据用户的交互行为数据更新用户的兴趣向量序列,将所述兴趣向量序列导入门控循环单元,在所述门控循环单元中引入卷积自编码进行兴趣向量进行重构;编码器部分由堆叠的卷积层、池化层和批归一化层组成,并通过上采样和反卷积构成解码器,利用历史兴趣向量序列构建训练集训练卷积自编码器,训练完成后,将卷积自编码器重构后的兴趣向量导入GRU层,通过 4 层GRU网络实现对兴趣向量之间的时间相关性特征的学习,利用全连接层获取用户的兴趣变化特征,根据所述兴趣变化特征导入所述装修方案推荐模型;通过所述兴趣变化特征更新用户及装修项目的邻接矩阵,根据更新后的邻接矩阵生成用户及装修项目的最终特征向量表示,利用用户及装修项目的最终特征向量表示进行内积计算;根据内积计算结果获取装修项目与用户兴趣的相关性,/>,根据装修项目的相关性排序为用户进行推荐。
需要说明的是,获取用户对推荐装修项目的反馈信息,根据所述反馈信息获取用户的交互次数或浏览时间与预设标准进行判断,获取用户对推荐结果的满意程度,当满意程度大于预设阈值时,则获取用户对推荐装修项目的交互顺序,利用所述交互顺序获取推荐优先级;构建个性化数据集,将用户对应的推荐装修项目、推荐优先级及满意程度存入所述个性化数据集,通过所述个性化数据集对用户兴趣向量的注意力矩阵进行优化;当满意程度小于预设阈值时,则重新设置时间步长内,获取所述时间步长内的交互行为数据,进行用户多兴趣的重新提取。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于深度学习的个性化装修方案推荐方法程序,所述基于深度学习的个性化装修方案推荐方法程序被处理器执行时,实现如上述任一项所述的基于深度学习的个性化装修方案推荐方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的个性化装修方案推荐方法,其特征在于,包括以下步骤:
获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,结合用户特征生成兴趣向量序列,通过所述兴趣向量序列表征用户的兴趣特征;
根据所述交互行为数据构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;
构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性;
根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化所述装修方案推荐模型。
2.根据权利要求1所述的一种基于深度学习的个性化装修方案推荐方法,其特征在于,获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,生成兴趣向量序列,具体为:
获取用户的房屋基本信息,根据所述房屋基本信息提取房屋特征,将所述房屋特征结合用户基本信息生成用户特征;
提取用户与装修项目的交互行为数据,将所述交互行为数据进行数据清洗,构建交互行为数据集,对所述交互行为数据集进行聚类分析,利用粒子群算法进行聚类数量的寻优,获取最佳聚类数量;
在所述交互行为数据集中根据所述最佳聚类数量随机选取初始聚类中心,根据交互行为数据点到初始聚类中心的欧式距离,分配至距离最近的初始聚类中心生成类簇;
在迭代中根据类簇均值设置新聚类中心,迭代结束后获取聚类结果进行特征提取生成用户的兴趣向量,结合用户特征生成兴趣向量序列;
将所述兴趣向量序列导入自注意力网络,利用自注意力机制获取各兴趣向量的注意力得分;
根据所述注意力得分构建注意力矩阵,并通过所述注意力矩阵获取耦合系数矩阵,通过所述耦合系数矩阵对所述兴趣向量进行加权求和,表征用户的兴趣特征。
3.根据权利要求1所述的一种基于深度学习的个性化装修方案推荐方法,其特征在于,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,具体为:
根据用户的交互行为数据构建异构图,将用户及装修项目作为节点,并根据用户与装修项目的交互设置边结构,将所述异构图定义为,/>为节点的集合,/>为边结构集合;
根据用户的兴趣特征基于相似度计算在所述异构图中获取用户节点及装修项目节点的邻接矩阵,将所述异构图存储为邻接矩阵形式;
通过图卷积神经网络进行节点的学习表示,进行邻域信息的前向传播,聚合自身及邻接矩阵的信息,更新用户节点及装修项目节点的特征表示,将各卷积层的节点特征进行整合,获取用户及装修项目的特征向量表示。
4.根据权利要求1所述的一种基于深度学习的个性化装修方案推荐方法,其特征在于,构建装修方案推荐模型,具体为:
通过图卷积神经网络结合多头注意力机制构建装修方案推荐模型,根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图;
将异构图中得到用户及装修项目特征向量表示作为全局表示,利用图卷积神经网络根据用户兴趣特征对用户子图及装修项目子图进行表示;
在用户邻域中生成用户特征向量局部表示,在装修项目邻域中获取装修项目特征向量局部表示,通过用户及装修项目的全局表示及局部表示获取不同维度的特征表示;
引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,利用所述自注意力权重进行加权求和,分别生成用户及装修项目的最终特征向量表示。
5.根据权利要求1所述的一种基于深度学习的个性化装修方案推荐方法,其特征在于,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性,具体为:
根据用户的交互行为数据更新用户的兴趣向量序列,将所述兴趣向量序列导入门控循环单元,在所述门控循环单元中引入卷积自编码进行兴趣向量进行重构;
将重构后的兴趣向量导入GRU层,学习兴趣向量之间的时间相关性特征,利用全连接层获取用户的兴趣变化特征,根据所述兴趣变化特征导入所述装修方案推荐模型;
通过所述兴趣变化特征更新用户及装修项目的邻接矩阵,根据更新后的邻接矩阵生成用户及装修项目的最终特征向量表示,利用用户及装修项目的最终特征向量表示进行内积计算;
根据内积计算结果获取装修项目与用户兴趣的相关性,根据装修项目的相关性排序为用户进行推荐。
6.根据权利要求1所述的一种基于深度学习的个性化装修方案推荐方法,其特征在于,获取用户反馈信息优化所述装修方案推荐模型,具体为:
获取用户对推荐装修项目的反馈信息,根据所述反馈信息判断对推荐结果的满意程度,当满意程度大于预设阈值时,则获取用户对推荐装修项目的交互顺序,利用所述交互顺序获取推荐优先级;
构建个性化数据集,将用户对应的推荐装修项目、推荐优先级及满意程度存入所述个性化数据集,通过所述个性化数据集对用户兴趣向量的注意力矩阵进行优化;
当满意程度小于预设阈值时,则重新设置时间步长内,获取所述时间步长内的交互行为数据,进行用户多兴趣的重新提取。
7.一种基于深度学习的个性化装修方案推荐***,其特征在于,该***包括:存储器、处理器,所述存储器中包括基于深度学习的个性化装修方案推荐方法程序,所述基于深度学习的个性化装修方案推荐方法程序被所述处理器执行时实现如下步骤:
获取用户与装修项目的交互行为数据,根据所述交互行为数据提取若干兴趣向量,结合用户特征生成兴趣向量序列,通过所述兴趣向量序列表征用户的兴趣特征;
根据所述交互行为数据构建以用户及装修项目为节点的异构图,通过图卷积神经网络根据用户的兴趣特征在异构图中进行学习表示,获取用户及装修项目的特征向量表示;
构建装修方案推荐模型,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性;
根据装修项目的相关性排序为用户进行推荐,并获取用户反馈信息优化所述装修方案推荐模型。
8.根据权利要求7所述的一种基于深度学习的个性化装修方案推荐***,其特征在于,构建装修方案推荐模型,具体为:
通过图卷积神经网络结合多头注意力机制构建装修方案推荐模型,根据异构图中不同用户节点之间边结构和不同装修项目节点之间边结构分别构建用户子图及装修项目子图;
将异构图中得到用户及装修项目特征向量表示作为全局表示,利用图卷积神经网络根据用户兴趣特征对用户子图及装修项目子图进行表示;
在用户邻域中生成用户特征向量局部表示,在装修项目邻域中获取装修项目特征向量局部表示,通过用户及装修项目的全局表示及局部表示获取不同维度的特征表示;
引入多头注意力机制获取用户及装修项目对应全局表示及局部表示的自注意力权重,利用所述自注意力权重进行加权求和,分别生成用户及装修项目的最终特征向量表示。
9.根据权利要求7所述的一种基于深度学习的个性化装修方案推荐***,其特征在于,基于所述兴趣向量序列获取兴趣变化特征,将所述兴趣变化特征导入所述装修方案推荐模型,更新用户及装修项目的特征向量表示,预测装修项目的相关性,具体为:
根据用户的交互行为数据更新用户的兴趣向量序列,将所述兴趣向量序列导入门控循环单元,在所述门控循环单元中引入卷积自编码进行兴趣向量进行重构;
将重构后的兴趣向量导入GRU层,学习兴趣向量之间的时间相关性特征,利用全连接层获取用户的兴趣变化特征,根据所述兴趣变化特征导入所述装修方案推荐模型;
通过所述兴趣变化特征更新用户及装修项目的邻接矩阵,根据更新后的邻接矩阵生成用户及装修项目的最终特征向量表示,利用用户及装修项目的最终特征向量表示进行内积计算;
根据内积计算结果获取装修项目与用户兴趣的相关性,根据装修项目的相关性排序为用户进行推荐。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括基于深度学习的个性化装修方案推荐方法程序,所述基于深度学习的个性化装修方案推荐方法程序被处理器执行时,实现如权利要求1至6中任一项所述的基于深度学习的个性化装修方案推荐方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862362.0A CN116842267A (zh) | 2023-07-14 | 2023-07-14 | 基于深度学习的个性化装修方案推荐方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862362.0A CN116842267A (zh) | 2023-07-14 | 2023-07-14 | 基于深度学习的个性化装修方案推荐方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842267A true CN116842267A (zh) | 2023-10-03 |
Family
ID=88161526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862362.0A Pending CN116842267A (zh) | 2023-07-14 | 2023-07-14 | 基于深度学习的个性化装修方案推荐方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842267A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290608A (zh) * | 2023-11-23 | 2023-12-26 | 深圳数拓科技有限公司 | 一种营销方案智能推送方法、***及存储介质 |
CN118131916A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市博安智控科技有限公司 | 一种基于用户交互的展厅音视频分析方法、***及介质 |
-
2023
- 2023-07-14 CN CN202310862362.0A patent/CN116842267A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290608A (zh) * | 2023-11-23 | 2023-12-26 | 深圳数拓科技有限公司 | 一种营销方案智能推送方法、***及存储介质 |
CN118131916A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市博安智控科技有限公司 | 一种基于用户交互的展厅音视频分析方法、***及介质 |
CN118131916B (zh) * | 2024-05-08 | 2024-07-12 | 深圳市博安智控科技有限公司 | 一种基于用户交互的展厅音视频分析方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
CN112214685A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN116842267A (zh) | 基于深度学习的个性化装修方案推荐方法、***及介质 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、***、电子设备及存储介质 | |
US20220171760A1 (en) | Data processing method and apparatus, computer-readable storage medium, and electronic device | |
JP7361942B2 (ja) | デザイン空間の自動的かつ知的な探索 | |
CN115244528A (zh) | 自动提高数据质量 | |
CN111488385B (zh) | 基于人工智能的数据处理方法、装置和计算机设备 | |
Yan et al. | Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm | |
Tohidi et al. | Improving the performance of video collaborative filtering recommender systems using optimization algorithm | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN108389113B (zh) | 一种协同过滤推荐方法和*** | |
CN113918834A (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN105868422B (zh) | 一种基于弹性维特征向量优化抽取的协同过滤推荐方法 | |
Li et al. | A Personalization Recommendation Algorithm for E-Commerce. | |
CN117745349A (zh) | 一种基于用户特征的个性化推券方法及*** | |
CN114298118B (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 | |
CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和*** | |
CN113362034A (zh) | 一种职位推荐方法 | |
Sridhar et al. | Extending Deep Neural Categorisation Models for Recommendations by Applying Gradient Based Learning | |
CN117370672B (zh) | 基于混合结构图的用户兴趣点推荐方法、***和设备 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
CN118132856B (zh) | 一种基于大数据的智能分析方法及*** |
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 |