-
公开(公告)号：CN113407862B
公开(公告)日：2022-06-17
申请号：CN202110553411.3
申请日：2021-05-20
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06 , G06Q50/00
Abstract: 本发明涉及一种基于门机制的序列社交推荐方法、系统及存储介质，方法包括：将用户与朋友原始消费数据划分序列，初始化得到用户序列数据和朋友序列数据；基于选择门机制的GRU神经网络得到用户和朋友的当前兴趣；基于选择门机制的网络拼接得到朋友的短期兴趣，将朋友的商品数据进行初始化得到朋友的长期兴趣，将朋友的短期兴趣与朋友的长期兴趣拼接得到朋友的最终兴趣；基于图注意力的神经网络得到朋友影响，将朋友影响与所述用户的当前兴趣拼接得到用户的最终兴趣；计算不同商品的概率分布，根据所述概率分布进行模型训练，根据训练模型向用户推荐商品信息；通过选择门机制可以更准确学习用户的兴趣，使推荐系统的推荐性能得到进一步提高。
-
公开(公告)号：CN113407819B
公开(公告)日：2022-06-17
申请号：CN202110552514.8
申请日：2021-05-20
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于残差网络的序列推荐方法、系统及存储介质，方法包括：通过网络获取用户的原始消费数据，将原始消费数据划分序列得到序列段，将所述序列段初始化，得到序列数据；基于GRU神经网络和残差网络，对所述序列数据进行输出处理，将输出的隐藏状态作为用户的全局兴趣；根据商品级注意力机制对序列数据和所述隐藏状态计算得到用户的局部兴趣；将全局兴趣数据与局部兴趣拼接得到最终兴趣；通过最终兴趣计算用户下一次交互商品的概率分布，根据概率分布进行模型训练，预测用户的下一次交互行为，向用户推荐商品信息。将序列数据输入带残差结构的GRU神经网络，可以准确学习用户的消费行为，实现精准的推荐效果。
-
公开(公告)号：CN113407862A
公开(公告)日：2021-09-17
申请号：CN202110553411.3
申请日：2021-05-20
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06 , G06Q50/00
Abstract: 本发明涉及一种基于门机制的序列社交推荐方法、系统及存储介质，方法包括：将用户与朋友原始消费数据划分序列，初始化得到用户序列数据和朋友序列数据；基于选择门机制的GRU神经网络得到用户和朋友的当前兴趣；基于选择门机制的网络拼接得到朋友的短期兴趣，将朋友的商品数据进行初始化得到朋友的长期兴趣，将朋友的短期兴趣与朋友的长期兴趣拼接得到朋友的最终兴趣；基于图注意力的神经网络得到朋友影响，将朋友影响与所述用户的当前兴趣拼接得到用户的最终兴趣；计算不同商品的概率分布，根据所述概率分布进行模型训练，根据训练模型向用户推荐商品信息；通过选择门机制可以更准确学习用户的兴趣，使推荐系统的推荐性能得到进一步提高。
-
公开(公告)号：CN113407819A
公开(公告)日：2021-09-17
申请号：CN202110552514.8
申请日：2021-05-20
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于残差网络的序列推荐方法、系统及存储介质，方法包括：通过网络获取用户的原始消费数据，将原始消费数据划分序列得到序列段，将所述序列段初始化，得到序列数据；基于GRU神经网络和残差网络，对所述序列数据进行输出处理，将输出的隐藏状态作为用户的全局兴趣；根据商品级注意力机制对序列数据和所述隐藏状态计算得到用户的局部兴趣；将全局兴趣数据与局部兴趣拼接得到最终兴趣；通过最终兴趣计算用户下一次交互商品的概率分布，根据概率分布进行模型训练，预测用户的下一次交互行为，向用户推荐商品信息。将序列数据输入带残差结构的GRU神经网络，可以准确学习用户的消费行为，实现精准的推荐效果。
-
-
-
Search Results
4
records
(took 0.015 seconds)
