公开(公告)号：CN113159892B

公开(公告)日：2022-05-06

申请号：CN202110444726.4

申请日：2021-04-24

Applicant: 桂林电子科技大学

Inventor： 蔡国永 ,  宋亚飞

IPC: G06Q30/06 ,  G06F16/9535 ,  G06F40/289 ,  G06F40/216 ,  G06N3/04 ,  G06N3/08 ,  G06N7/00

Abstract: 本发明属于商品推荐领域，具体涉及一种基于多模态商品特征融合的商品推荐方法。所述商品推荐方法包括：根据用户已经购买的商品序列构建用户‑商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；通过卷积神经网络对商品得到的评论文本进行特征提取，得到商品评论的向量表示；通过卷积神经网络对商品的标题和描述信息进行特征提取，得到商品内容的向量表示；将商品节点、评论和内容的向量表示连接得到商品的最终表示，将用户节点的向量表示作为用户的最终表示。本发明通过利用商品的多模态特征，能够极大的缓解商品推荐中的数据稀疏性问题，提高推荐准确率。

公开(公告)号：CN113159891B

公开(公告)日：2022-05-17

申请号：CN202110444714.1

申请日：2021-04-24

Applicant: 桂林电子科技大学

Inventor： 蔡国永 ,  宋亚飞

IPC: G06Q30/06 ,  G06F16/9535 ,  G06F40/289 ,  G06N3/04 ,  G06N3/08 ,  G06N7/00

Abstract: 本发明属于商品推荐领域，具体涉及一种基于多种用户表示融合的商品推荐方法。所述商品推荐方法包括：根据用户完整的商品历史购买记录构建用户‑商品二分图，通过图神经网络得到用户节点的向量表示和商品节点的向量表示，其中将用户节点的向量表示作为用户的静态偏好表示；通过循环神经网络处理用户最近购买的商品序列得到用户的动态偏好表示；通过自注意力对用户撰写的评论文本进行特征提取，得到用户评论的向量表示；将用户的动态偏好表示、静态偏好表示和评论表示级联得到用户的最终表示，将商品节点的向量表示作为商品的最终表示；通过点积计算用户和商品之间的相似度用于对候选商品进行排序；通过贝叶斯个性化排序损失优化提出方法中的参数。本发明能够利用当前可以得到的用户信息，更好的在商品推荐过程中对用户进行建模，提高推荐准确率。

公开(公告)号：CN113159891A

公开(公告)日：2021-07-23

申请号：CN202110444714.1

申请日：2021-04-24

Applicant: 桂林电子科技大学

Inventor： 蔡国永 ,  宋亚飞

IPC: G06Q30/06 ,  G06F16/9535 ,  G06F40/289 ,  G06N3/04 ,  G06N3/08 ,  G06N7/00

Abstract: 本发明属于商品推荐领域，具体涉及一种基于多种用户表示融合的商品推荐方法。所述商品推荐方法包括：根据用户完整的商品历史购买记录构建用户‑商品二分图，通过图神经网络得到用户节点的向量表示和商品节点的向量表示，其中将用户节点的向量表示作为用户的静态偏好表示；通过循环神经网络处理用户最近购买的商品序列得到用户的动态偏好表示；通过自注意力对用户撰写的评论文本进行特征提取，得到用户评论的向量表示；将用户的动态偏好表示、静态偏好表示和评论表示级联得到用户的最终表示，将商品节点的向量表示作为商品的最终表示；通过点积计算用户和商品之间的相似度用于对候选商品进行排序；通过贝叶斯个性化排序损失优化提出方法中的参数。本发明能够利用当前可以得到的用户信息，更好的在商品推荐过程中对用户进行建模，提高推荐准确率。

公开(公告)号：CN113159892A

公开(公告)日：2021-07-23

申请号：CN202110444726.4

申请日：2021-04-24

Applicant: 桂林电子科技大学

Inventor： 蔡国永 ,  宋亚飞

IPC: G06Q30/06 ,  G06F16/9535 ,  G06F40/289 ,  G06F40/216 ,  G06N3/04 ,  G06N3/08 ,  G06N7/00

Abstract: 本发明属于商品推荐领域，具体涉及一种基于多模态商品特征融合的商品推荐方法。所述商品推荐方法包括：根据用户已经购买的商品序列构建用户‑商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；通过卷积神经网络对商品得到的评论文本进行特征提取，得到商品评论的向量表示；通过卷积神经网络对商品的标题和描述信息进行特征提取，得到商品内容的向量表示；将商品节点、评论和内容的向量表示连接得到商品的最终表示，将用户节点的向量表示作为用户的最终表示；根据点积计算用户最终表示和商品最终表示之间的相似度用于对候选商品进行排序；通过贝叶斯个性化排序损失优化提出方法中的参数。本发明通过利用商品的多模态特征，能够极大的缓解商品推荐中的数据稀疏性问题，提高推荐准确率。