CN117422526A - 一种基于提示的用户跨域冷启动方法 - Google Patents
一种基于提示的用户跨域冷启动方法 Download PDFInfo
- Publication number
- CN117422526A CN117422526A CN202311518835.1A CN202311518835A CN117422526A CN 117422526 A CN117422526 A CN 117422526A CN 202311518835 A CN202311518835 A CN 202311518835A CN 117422526 A CN117422526 A CN 117422526A
- Authority
- CN
- China
- Prior art keywords
- user
- scene
- characterization
- cold start
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012512 characterization method Methods 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (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提示的用户跨域冷启动方法,包括:获取用户特有表征、用户通用表征和商品表征;通过用户特有表征和商品表征,获取场景提示向量;根据场景提示向量和用户通用表征,获取目标场景的特有表征,完成基于提示的用户跨域冷启动。本发明通过提出的场景提示生成方法,通过最大化目标场景的提示与目标场景中所有用户与商品之间的互信息的方式,对每个场景的特征进行全面捕捉;本发明中的基于场景提示的目标场景用户表征生成方法,通过考虑不同场景之间的关系以及每个场景的特征,在仅仅知道用户通用表征的情况下,依然可以实现在不同场景中对同一用户进行精准个性化推荐的效果,进而解决用户跨域冷启动问题。
Description
技术领域
本发明属于推荐算法技术领域,尤其涉及一种基于提示的用户跨域冷启动方法。
背景技术
跨域推荐算法是推荐算法中的一个典型问题,但是由于每个场景中用户并不完全一致,将一个域中的用户转移到另一个域中仍面临巨大挑战。传统方法通过用户建立独立于场景(域)的通用特征和针对于域的特有特征,在将用户引入一个新域时,将其通用特征作为该用户在该域下的最终表征用于推荐,来解决用户跨域冷启动问题。但是这些方法忽略了域间的内在联系,同时这种方法会使得用户在多个新域中的表征全部相同,并不能针对不同的域,对用户进行精准的表征。
以电商平台为例,同一电商平台往往存在多个不同场景(如美食、酒店、电影等),而每个场景的内容又不完全相同,但是却往往存在一定的内在联系。因此当用户在其中一个场景下具备丰富的历史行为,而在目标场景中没有任何历史行为时,如何为其在目标场景中进行精准个性化推荐则存在巨大挑战,这就造成了用户跨域冷启动问题。
大多现有方法采用为用户建立一个独立于场景的通用表征以及多个依赖于场景的特有表征的方式。虽然这种方式可以通过将通用表征作为该用户在全新场景下的表征来解决用户跨域冷启动问题,但是这种方法忽略了全新场景与原有场景之间的关系,对于不同的全新场景,均采用相同的通用表征来表示统一用户。因此,亟需一种基于提示的用户跨域冷启动方法,以解决现有技术中的不足之处。
发明内容
本发明的目的在于提出一种基于提示的用户跨域冷启动方法,采用基于提示方法,通过挖掘各场景内容之间的关系,为每一个场景建立一个可学习的提示向量;通过利用对应场景的提示,根据用户的通用特征,为在该场景下没有历史交互的全新用户生成表征,来解决用户跨域冷启动问题。
为实现上述目的,本发明提供了一种基于提示的用户跨域冷启动方法,具体包括以下步骤:
获取用户特有表征、用户通用表征和商品表征,其中,所述用户通用表征独立于场景,所述用户特有表征针对于特定场景;
通过所述用户特有表征和所述商品表征,获取场景提示向量;
根据所述场景提示向量和所述用户通用表征,获取目标场景的冷启动表征,完成基于提示的用户跨域冷启动。
可选的,获取所述用户特有表征、所述用户通用表征和所述商品表征包括:
设置初始用户通用表征和初始商品表征;
采用平均池化聚合器对目标场景中目标用户发生过交互的商品进行聚合,获取目标场景下目标用户的聚合信息;
将目标场景下目标用户的初始嵌入表征与所述目标场景下目标用户的聚合信息进行权重加和,获取初始用户特有表征;
获取损失函数;
通过所述损失函数对所述初始用户特有表征、所述初始用户通用表征和所述初始商品表征进行优化,获取所述用户特有表征、所述用户通用表征和所述商品表征。
可选的,获取所述目标场景下目标用户的聚合信息为:
其中,表示第i个场景下用户所聚合到的信息,Mean(·)表示取均值操作,表示第i个场景下与用户发生交互的所有商品的集合,Wagg则是一个线性映射矩阵。
可选的,将目标场景下目标用户的初始嵌入表征与所述目标场景下目标用户的聚合信息进行权重加和,获取所述初始用户特有表征为:
其中,为目标场景下用户r的特有表征,λ为超参数,hi为用户r在i场景下初始特有表征。
可选的,所述损失函数为:
其中,为在i场景下用户r与i场景下商品j的关系预测得分,/>为在i场景下用户r和随机选取的未与用户r发生过交互的商品的关系预测得分,Sigmoid(·)为Sigmoid函数,gr T为用户r的通用表征,/>为与用户r发生交互的商品,Lpred为用户商品关系损失函数,/>为随机选取的未与用户r发生过交互的商品。
可选的,通过所述用户特有表征和所述商品表征,获取所述场景提示向量包括:
利用对比学习方法,最大化所述场景提示向量与所述用户特有表征和所述商品表征之间的互信息;
基于所述互信息,获取所述场景提示向量。
可选的,利用对比学习方法,最大化所述场景提示向量与所述用户特有表征和所述商品表征之间的互信息为:
其中,Lw、Lc为两个基于对比学习的损失函数,N={1,2,…,n}为场景集合,表示集合Vi中的一个节点,Vi表示第i目标场景中所有用户表征与商品表征的集合,/>为集合Vi中除节点/>外所有结点构成的集合,wi为第i个场景的提示向量,wa为第a个场景的提示向量。
可选的,通过所述用户特有表征和所述商品表征,获取所述场景提示向量还包括:建立约束条件LCE,所述约束条件LCE为:
其中,K为除场景i外其他所有场景构成的集合。
可选的,根据所述场景提示向量和所述用户通用表征,获取所述目标场景的冷启动表征,完成基于提示的用户跨域冷启动包括:
根据所述场景提示以及所述用户通用表征,利用全连接神经网络,获取所述目标场景的冷启动表征,完成所述基于提示的用户跨域冷启动。
可选的,获取所述目标场景的冷启动表征还包括:通过对比学习,将所述目标场景的冷启动表征与所述用户特有表征的表征互信息最大,建立损失函数La:
其中,Ui表示场景i中所有用户嵌入表征的集合,为i场景中除用户r外其余所有全新用户特有表征集合,/>为目标场景下用户的特有表征,/>为全新用户r在场景i下的特有表征,/>为全新用户q在场景i下的特有表征。
本发明具有以下有益效果:本发明通过提出的场景提示生成方法,通过最大化目标场景的提示与目标场景中所有用户与商品之间的互信息的方式,对每个场景的特征进行全面捕捉。与此同时,本发明中的基于场景提示的目标场景用户表征生成方法,通过考虑不同场景之间的关系以及每个场景的特征,在仅仅知道用户通用表征的情况下,依然可以实现在不同场景中对同一用户进行精准个性化推荐的效果,进而解决用户跨域冷启动问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例一种基于提示的用户跨域冷启动方法的流程图;
图2为本发明实施例提出的整体模型结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明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。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
针对多场景下的用户跨域冷启动问题,本发明提出了一种基于提示的用户跨域冷启动方法,整体架构可分三部分,其中包括用户特征编码、场景提示生成以及给予场景提示的目标场景下用户表征生成。本发明通过为每个不同场景建立一个可学习的提示向量,来指导一个用户表征生成器来根据特定场景的提示以及该用户的通用表征,来生成该用户在该目标场景下的特有表征,解决用户跨域冷启动问题。
如图1-2所示,本实施例中提供一种基于提示的用户跨域冷启动方法,包括以下步骤:
步骤一、用户特征编码:根据已知的多场景历史交互信息,获取独立于场景的用户通用特征、特定场景下的用户特有特征以及商品表征,具体的,首先针对于每个不同场景学习该场景中特有标准与商品表征,同时为用户建立一个独立场景的通用用户表征;
本实施例为用户r建立了一个独立于场景的通用用户表征gr×id×1以及一个针对于特定场景的商品表征为获得场景特有表征,本实施例采用平均池化聚合器对该场景中目标用户发生过交互的商品进行聚合,具体过程如下:
其中,表示第i个场景下用户所聚合到的信息,Mean(·)表示取均值操作,表示第i个场景下与该用户发生交互的所有商品的集合,Wagg则是一个线性映射矩阵。
最终,通过将用户r在i场景下初始特有表征hi与聚合到的信息进行权重加和的方式,得到目标场景下用户r的特有表征/>用户在目标场景下的最终表征/>可表示为如下形式:
其中,λ为超参数。
并通过如下损失函数对用户通用表征、用户特有表征和商品表征进行优化:
其中,为在i场景下用户r与i场景下商品j的关系预测得分,/>为在i场景下用户r和随机选取的未与用户r发生过交互的商品的关系预测得分,Sigmoid(·)为Sigmoid函数,gr T为用户r的通用表征,Lpred为用户商品关系损失函数,/>分别表示与用户r发生交互的商品,以及随机选取的未与用户r发生过交互的商品。
步骤二、场景提示生成:通过利用对比学习方法,最大化目标场景的提示向量与步骤一中优化后的所有商品与用户表征之间的互信息;
建立一个可学习的权重矩阵Wp∈in×d,其中,n表示场景数,矩阵W的第i行向量Wi∈i1×d表示第i个场景的提示向量。为使得第i个场景的提示向量可充分且全面地捕捉该目标含该场景的特征,本实施例通过利用对比学习的方式,按照如下方式最大化第i个场景的提示向量与第i个场景的所有用户与商品表征之间的互信息:
其中,Lw、Lc为两个基于对比学习的损失函数,Vi表示第i目标场景中所有用户表征与商品表征的集合,在该集合中每一个用户表征与商品表征均作为该集合中的一个节点,表示集合Vi中的一个节点,N={1,2,…,n}为场景集合,/> 为集合Vi中除节点/>外所有结点构成的集合,wi为第i个场景的提示向量,wa为第a个场景的提示向量。
为了更好地区分每一个场景,本实施例建立了如下LCE约束:
其中,K为除场景i外其他所有场景构成的集合。
最终整体损失Lp如下:
Lp=LCE+λ(Lw+Lc) (8)
其中,λ为超参数。
步骤三、基于提示的用户场景特有表征生成:通过利用步骤二获得的目标域的提示,以及步骤一优化后的用户通用表征,为该用户生成该目标场景的特有表征,即用户在特定场景中得到的冷启动表征,进而解决用户跨域冷启动问题。
根据场景i的提示向量wi以及用户的通用向量g,利用两层全连接神经网络为其生成该场景下的用户r表征,具体操作如下:
其中,为全新用户r在场景i下的特有表征,||表示连接操作,W1∈Rd×2d,W2∈Rd×d与b1,b2∈id×1分别是全连接神经网络的线性映射矩阵以及偏置,σ(·)表示LeaklyRelu函数。
通过利用对比学习,使得步骤三所得到的用户在i场景中所得到的冷启动表征与步骤一所得到用户在i场景中/>的表征互信息最大,建立损失函数La如下:
其中,表示场景i中所有用户嵌入表征的集合,/> 为i场景中除用户r外其余所有全新用户特有表征集合,/>为全新用户q在场景r下的特有表征。
实现通过利用步骤二所得提示向量与步骤一所得用户通用特征,得到用户在与提示向量所对应地场景中地冷启动表征,解决基于提示的用户跨域冷启动问题。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于提示的用户跨域冷启动方法,其特征在于,具体包括以下步骤:
获取用户特有表征、用户通用表征和商品表征,其中,所述用户通用表征独立于场景,所述用户特有表征针对于特定场景;
通过所述用户特有表征和所述商品表征,获取场景提示向量;
根据所述场景提示向量和所述用户通用表征,获取目标场景的冷启动表征,完成基于提示的用户跨域冷启动。
2.如权利要求1所述的基于提示的用户跨域冷启动方法,其特征在于,获取所述用户特有表征、所述用户通用表征和所述商品表征包括:
设置初始用户通用表征和初始商品表征;
采用平均池化聚合器对目标场景中目标用户发生过交互的商品进行聚合,获取目标场景下目标用户的聚合信息;
将目标场景下目标用户的初始嵌入表征与所述目标场景下目标用户的聚合信息进行权重加和,获取初始用户特有表征;
获取损失函数;
通过所述损失函数对所述初始用户特有表征、所述初始用户通用表征和所述初始商品表征进行优化,获取所述用户特有表征、所述用户通用表征和所述商品表征。
3.如权利要求2所述的基于提示的用户跨域冷启动方法,其特征在于,获取所述目标场景下目标用户的聚合信息为:
其中,表示第i个场景下用户所聚合到的信息,Mean(·)表示取均值操作,表示第i个场景下与用户发生交互的所有商品的集合,Wagg则是一个线性映射矩阵。
4.如权利要求3所述的基于提示的用户跨域冷启动方法,其特征在于,将目标场景下目标用户的初始嵌入表征与所述目标场景下目标用户的聚合信息进行权重加和,获取所述初始用户特有表征为:
其中,为目标场景下用户r的特有表征,λ为超参数,hi为用户r在i场景下初始特有表征。
5.如权利要求4所述的基于提示的用户跨域冷启动方法,其特征在于,所述损失函数为:
其中,为在i场景下用户r与i场景下商品j的关系预测得分,/>为在i场景下用户r和随机选取的未与用户r发生过交互的商品的关系预测得分,Sigmoid(·)为Sigmoid函数,gr T为用户r的通用表征,/>为与用户r发生交互的商品,Lpred为用户商品关系损失函数,/>为随机选取的未与用户r发生过交互的商品。
6.如权利要求1所述的基于提示的用户跨域冷启动方法,其特征在于,通过所述用户特有表征和所述商品表征,获取所述场景提示向量包括:
利用对比学习方法,最大化所述场景提示向量与所述用户特有表征和所述商品表征之间的互信息;
基于所述互信息,获取所述场景提示向量。
7.如权利要求6所述的基于提示的用户跨域冷启动方法,其特征在于,利用对比学习方法,最大化所述场景提示向量与所述用户特有表征和所述商品表征之间的互信息为:
其中,Lw、Lc为两个基于对比学习的损失函数,N={1,2,…,n}为场景集合,表示集合Vi中的一个节点,Vi表示第i目标场景中所有用户表征与商品表征的集合,/>为集合Vi中除节点/>外所有结点构成的集合,wi为第i个场景的提示向量,wa为第a个场景的提示向量。
8.如权利要求7所述的基于提示的用户跨域冷启动方法,其特征在于,通过所述用户特有表征和所述商品表征,获取所述场景提示向量还包括:建立约束条件LCE,所述约束条件LCE为:
其中,K为除场景i外其他所有场景构成的集合。
9.如权利要求1所述的基于提示的用户跨域冷启动方法,其特征在于,根据所述场景提示向量和所述用户通用表征,获取所述目标场景的冷启动表征,完成基于提示的用户跨域冷启动包括:
根据所述场景提示以及所述用户通用表征,利用全连接神经网络,获取所述目标场景的冷启动表征,完成所述基于提示的用户跨域冷启动。
10.如权利要求9所述的基于提示的用户跨域冷启动方法,其特征在于,获取所述目标场景的冷启动表征还包括:通过对比学习,将所述目标场景的冷启动表征与所述用户特有表征的表征互信息最大,建立损失函数La:
其中,Ui表示场景i中所有用户嵌入表征的集合,为i场景中除用户r外其余所有全新用户特有表征集合,/>为目标场景下用户的特有表征,/>为全新用户r在场景i下的特有表征,/>为全新用户q在场景i下的特有表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518835.1A CN117422526A (zh) | 2023-11-15 | 2023-11-15 | 一种基于提示的用户跨域冷启动方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518835.1A CN117422526A (zh) | 2023-11-15 | 2023-11-15 | 一种基于提示的用户跨域冷启动方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422526A true CN117422526A (zh) | 2024-01-19 |
Family
ID=89522912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311518835.1A Pending CN117422526A (zh) | 2023-11-15 | 2023-11-15 | 一种基于提示的用户跨域冷启动方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422526A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170097932A1 (en) * | 2015-10-06 | 2017-04-06 | Google Inc. | Media consumption context for personalized instant query suggest |
CN111291274A (zh) * | 2020-03-02 | 2020-06-16 | 苏州大学 | 一种物品推荐方法、装置、设备及计算机可读存储介质 |
CN114519138A (zh) * | 2021-12-30 | 2022-05-20 | 天翼电子商务有限公司 | 一种基于他域表征转移的用户冷启动方法 |
EP4131122A1 (en) * | 2021-08-06 | 2023-02-08 | Rakuten Group, Inc. | Improved recommender system and method using shared neural item representations for cold-start recommendations |
CN116629983A (zh) * | 2023-07-24 | 2023-08-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及*** |
CN116628332A (zh) * | 2023-05-26 | 2023-08-22 | 南通大学 | 一种基于提示学习的个性化推荐方法 |
CN116910357A (zh) * | 2023-06-16 | 2023-10-20 | 华为技术有限公司 | 一种数据处理方法及相关装置 |
CN116955763A (zh) * | 2022-04-06 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机设备及计算机可读存储介质 |
CN116955817A (zh) * | 2023-07-24 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 内容推荐方法、装置、电子设备以及存储介质 |
-
2023
- 2023-11-15 CN CN202311518835.1A patent/CN117422526A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170097932A1 (en) * | 2015-10-06 | 2017-04-06 | Google Inc. | Media consumption context for personalized instant query suggest |
CN111291274A (zh) * | 2020-03-02 | 2020-06-16 | 苏州大学 | 一种物品推荐方法、装置、设备及计算机可读存储介质 |
EP4131122A1 (en) * | 2021-08-06 | 2023-02-08 | Rakuten Group, Inc. | Improved recommender system and method using shared neural item representations for cold-start recommendations |
CN114519138A (zh) * | 2021-12-30 | 2022-05-20 | 天翼电子商务有限公司 | 一种基于他域表征转移的用户冷启动方法 |
CN116955763A (zh) * | 2022-04-06 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机设备及计算机可读存储介质 |
CN116628332A (zh) * | 2023-05-26 | 2023-08-22 | 南通大学 | 一种基于提示学习的个性化推荐方法 |
CN116910357A (zh) * | 2023-06-16 | 2023-10-20 | 华为技术有限公司 | 一种数据处理方法及相关装置 |
CN116629983A (zh) * | 2023-07-24 | 2023-08-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及*** |
CN116955817A (zh) * | 2023-07-24 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 内容推荐方法、装置、电子设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
Y.Q. WU 等: "Personalized Prompt for Sequential Recommendation", 《HTTPS://ARXIV.ORG/PDF/2205.09666.PDF》, 15 February 2023 (2023-02-15), pages 1 - 13 * |
Y.Y. CHEN 等: "CLCDR: Contrastive Learning for Cross-Domain Recommendation to Cold-Start Users", 《NEURAL INFORMATION PROCESSING》, 13 April 2023 (2023-04-13), pages 331 - 342 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN111625361A (zh) | 一种基于云端服务器和IoT设备协同的联合学习框架 | |
Lin et al. | A hybrid differential evolution algorithm for mixed-variable optimization problems | |
WO2016025080A1 (en) | Cooperative distributed control of target systems | |
WO2023071626A1 (zh) | 一种联邦学习方法、装置、设备、存储介质及产品 | |
CN114896899B (zh) | 一种基于信息交互的多智能体分散式决策方法及*** | |
CN113609398A (zh) | 一种基于异构图神经网络的社交推荐方法 | |
Fan et al. | DNN deployment, task offloading, and resource allocation for joint task inference in IIoT | |
Ding et al. | Product color emotional design considering color layout | |
CN112507224B (zh) | 基于异质网络表示学习的人机物融合***服务推荐方法 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN115409203A (zh) | 一种基于模型无关元学习的联邦推荐方法及*** | |
CN115098692A (zh) | 跨域推荐方法、装置、电子设备及存储介质 | |
Mezni et al. | A negotiation‐based service selection approach using swarm intelligence and kernel density estimation | |
Liao et al. | Service composition based on niching particle swarm optimization in service overlay networks | |
CN117422526A (zh) | 一种基于提示的用户跨域冷启动方法 | |
Wang et al. | Power system transient security assessment based on multi-channel time series data mining | |
Peng et al. | Tofds: A two-stage task execution method for fake news in digital twin-empowered socio-cyber world | |
WO2023029324A1 (zh) | 一种基于动态注意力图网络的营销套利黑产的识别方法 | |
CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
CN111935259B (zh) | 目标帐号集合的确定方法和装置、存储介质及电子设备 | |
Rogova et al. | Distributed reinforcement learning for sequential decision making | |
CN114547276A (zh) | 基于三通道图神经网络的会话推荐方法 | |
Zhou et al. | A negotiation protocol with recommendation for multilateral negotiation in trust networks | |
Li et al. | Leveraging reconstructive profiles of users and items for tag-aware recommendation |
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 |