-
公开(公告)号：CN111681067B
公开(公告)日：2023-10-31
申请号：CN202010306909.5
申请日：2020-04-17
Applicant: 清华大学 , 杭州贝购科技有限公司
IPC: G06Q30/0601 , G06N3/042 , G06N3/08 , G06F18/214
Abstract: 本发明实施例提供一种基于图注意力网络的长尾商品推荐方法及系统，该方法包括：获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的。本发明实施例基于图注意力网络提升长尾商品的推荐效果，使得向用户推荐的商品中包含更多长尾商品。
-
公开(公告)号：CN111695719A
公开(公告)日：2020-09-22
申请号：CN202010313398.X
申请日：2020-04-20
Applicant: 清华大学 , 杭州贝购科技有限公司
IPC: G06Q10/04 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/9535 , G06F16/9536
Abstract: 本发明实施例提供一种用户价值预测方法及系统，该方法包括：获取每个用户的画像信息、交易历史信息和社交互动信息，并将画像信息和交易历史信息输入到多层神经网络中，构建每个用户的表征向量；根据社交互动信息和表征向量，构建用户之间的社交网络，并根据社交网络构建对应的母版网络；将社交网络和母版网络分别输入到图神经网络中，得到多个图表征向量，并通过注意力机制将多个图表征向量进行融合，得到图表征目标向量；将图表征目标向量输入到训练好的用户价值预测模型，得到用户价值的预测值。本发明实施例充分利用了用户自身的画像、交易历史等信息，并利用了用户之间的社交关系中的隐藏信息，使得用户价值预测结果更为精准。
-
公开(公告)号：CN111681067A
公开(公告)日：2020-09-18
申请号：CN202010306909.5
申请日：2020-04-17
Applicant: 清华大学 , 杭州贝购科技有限公司
Abstract: 本发明实施例提供一种基于图注意力网络的长尾商品推荐方法及系统，该方法包括：获取待推荐商品交互信息，所述待推荐商品交互信息包括待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息，所述待推荐商品流行度信息表示用户与商品之间的交互数量信息；将所述待推荐商品交互信息输入到训练好的商品推荐模型，得到待推荐商品的推荐结果；所述训练好的商品推荐模型是通过图注意力网络构建的，并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的。本发明实施例基于图注意力网络提升长尾商品的推荐效果，使得向用户推荐的商品中包含更多长尾商品。
-
公开(公告)号：CN109102127B
公开(公告)日：2021-10-26
申请号：CN201811011469.X
申请日：2018-08-31
Applicant: 杭州贝购科技有限公司 , 清华大学
Abstract: 本发明实施例提供一种商品推荐方法及装置，包括：获取用户群的购物数据，利用所述购物数据训练基于eALS算法构建的预测模型，获得使所述预测模型达到最优解时的每个用户的用户特征向量以及每个商品的商品特征向量；所述用户特征向量与所述商品特征向量的内积用于表征用户对商品的预测喜好；对于用户群中的任意一个用户，根据该用户的用户特征向量与各商品特征向量的内积，获得该用户对所有商品的预测喜好，根据该用户对所有商品的预测喜好获得该用户的商品推荐列表。本发明实施例在eALS算法中加入用户关注的商品信息的影响，使得构建的预测模型能够更真实的反应用户对商品的喜好程度，从而达到更好的推荐效果。
-
公开(公告)号：CN111695965B
公开(公告)日：2024-04-12
申请号：CN202010340665.2
申请日：2020-04-26
Applicant: 清华大学 , 杭州贝购科技有限公司
IPC: G06Q30/0601 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例涉及商品智能化推荐技术领域，公开了基于图神经网络的产品筛选方法、系统及设备。本发明实施例先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将第一产品信息向量与第一用户信息向量输入至第一预设产品筛选模型，输出第一分值；基于第一分值确定对应的目标产品信息。明显地，本发明实施例可将产品信息向量转换为用户信息向量进行表征，还将根据用户信息向量转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值确定。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，使得建模较为充分，自然也就提高了产品推荐的准确性，解决了推荐准确性较低的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN111582538B
公开(公告)日：2023-07-04
申请号：CN202010220441.8
申请日：2020-03-25
Applicant: 清华大学 , 杭州贝购科技有限公司
Abstract: 本发明实施例提供一种基于图神经网络的社群价值预测方法及系统，该方法包括：获取用户特征信息和用户交互信息；基于用户特征信息和用户交互信息将所有用户划分为不同的社群；将每个社群所包含的原始特征信息输入至预先训练好的社群价值预测模型，获取每个社群相对应的社群价值预测值；其中，每个社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。本发明实施例，通过综合用户固有的特征信息和用户之间交互信息，构建包含多个层次结构特征的社群，并获取每个社群的原始特征信息生成表示向量后，基于多层次的神经网络模型分析，获取到社群价值预测值，有效的提高了预测的精度，减少了人力物力的消耗。
-
公开(公告)号：CN111582538A
公开(公告)日：2020-08-25
申请号：CN202010220441.8
申请日：2020-03-25
Applicant: 清华大学 , 杭州贝购科技有限公司
Abstract: 本发明实施例提供一种基于图神经网络的社群价值预测方法及系统，该方法包括：获取用户特征信息和用户交互信息；基于用户特征信息和用户交互信息将所有用户划分为不同的社群；将每个社群所包含的原始特征信息输入至预先训练好的社群价值预测模型，获取每个社群相对应的社群价值预测值；其中，每个社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。本发明实施例，通过综合用户固有的特征信息和用户之间交互信息，构建包含多个层次结构特征的社群，并获取每个社群的原始特征信息生成表示向量后，基于多层次的神经网络模型分析，获取到社群价值预测值，有效的提高了预测的精度，减少了人力物力的消耗。
-
公开(公告)号：CN109102127A
公开(公告)日：2018-12-28
申请号：CN201811011469.X
申请日：2018-08-31
Applicant: 杭州贝购科技有限公司 , 清华大学
Abstract: 本发明实施例提供一种商品推荐方法及装置，包括：获取用户群的购物数据，利用所述购物数据训练基于eALS算法构建的预测模型，获得使所述预测模型达到最优解时的每个用户的用户特征向量以及每个商品的商品特征向量；所述用户特征向量与所述商品特征向量的内积用于表征用户对商品的预测喜好；对于用户群中的任意一个用户，根据该用户的用户特征向量与各商品特征向量的内积，获得该用户对所有商品的预测喜好，根据该用户对所有商品的预测喜好获得该用户的商品推荐列表。本发明实施例在eALS算法中加入用户关注的商品信息的影响，使得构建的预测模型能够更真实的反应用户对商品的喜好程度，从而达到更好的推荐效果。
-
公开(公告)号：CN111695965A
公开(公告)日：2020-09-22
申请号：CN202010340665.2
申请日：2020-04-26
Applicant: 清华大学 , 杭州贝购科技有限公司
IPC: G06Q30/06 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例涉及商品智能化推荐技术领域，公开了基于图神经网络的产品筛选方法、系统及设备。本发明实施例先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将第一产品信息向量与第一用户信息向量输入至第一预设产品筛选模型，输出第一分值；基于第一分值确定对应的目标产品信息。明显地，本发明实施例可将产品信息向量转换为用户信息向量进行表征，还将根据用户信息向量转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值确定。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，使得建模较为充分，自然也就提高了产品推荐的准确性，解决了推荐准确性较低的技术问题。
-
公开(公告)号：CN111008858A
公开(公告)日：2020-04-14
申请号：CN201911019618.1
申请日：2019-10-24
Applicant: 清华大学 , 杭州微拓科技有限公司
Abstract: 本发明实施例提供一种商品销量预测方法及系统，包括：获取目标商品在预设历史时间段的销量序列和所有类似商品在预设历史时间段内的销量序列；获取相同特征商品促销活动序列的归一化销量；将目标商品在预设历史时间段的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到卷积层中，获取特征空间向量；将目标商品的静态特征、在预设历史时间段内的销量序列、平台爆发销量序列、商品爆发销量序列和特征空间向量进行拼接，将拼接之后的特征输入全连接层，获取目标商品在预测未来时间段内的销量。本发明实施例有效利用未来时间内平台的促销活动及商品的特卖排期信息，大幅提升预估准确度。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.035 seconds)
