[go: up one dir, main page]

CN111966813B - 一种信息挖掘方法及装置和信息推荐方法及装置 - Google Patents

一种信息挖掘方法及装置和信息推荐方法及装置 Download PDF

Info

Publication number
CN111966813B
CN111966813B CN201910417882.4A CN201910417882A CN111966813B CN 111966813 B CN111966813 B CN 111966813B CN 201910417882 A CN201910417882 A CN 201910417882A CN 111966813 B CN111966813 B CN 111966813B
Authority
CN
China
Prior art keywords
edge activation
graph
activation vector
information
edge
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.)
Active
Application number
CN201910417882.4A
Other languages
English (en)
Other versions
CN111966813A (zh
Inventor
蒋卓人
蓝金炯
高正
杨红霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910417882.4A priority Critical patent/CN111966813B/zh
Publication of CN111966813A publication Critical patent/CN111966813A/zh
Application granted granted Critical
Publication of CN111966813B publication Critical patent/CN111966813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种信息挖掘方法及装置和信息推荐方法及装置，本申请一方面基于边激活向量对大规模的异构图进行简化，使得异构图的规模得到了大幅度压缩，克服了由于异构图规模过大，导致直接在异构图上运行效率过低的问题、异构图转同构图过程中人工指定边权重的不合理性以及无效边的引入等问题。另一方面，由于直接从异构图上得到的用户表征融合了多种行为数据信息，保证了更精准的信息推荐，从而提升了用户体验。

Description

一种信息挖掘方法及装置和信息推荐方法及装置
技术领域
本申请涉及但不限于数据挖掘技术，尤指一种信息挖掘方法及装置和信息推荐方法及装置。
背景技术
个性化推荐算法，用于通过挖掘用户在业务场景内发生的行为数据，构建出用户画像，然后再根据用户画像给用户推荐相关的内容。
只有当用户在相应场景下具有较为丰富的行为数据时，构建出的用户画像才能较为全面、准确，而当用户在该场景下发生的行为较为稀疏时，个性化推荐算法效果会被大打折扣。以用户通过某APP没有发生过阅读行为的应用场景为例，这种情况下，一般策略是该APP会向用户推荐与用户无关的热门内容，而这些被推荐的内容并不一定是用户感兴趣的，这样会大大降低用户在该场景的用户体验。
除了特定场景下发生的行为数据之外，在大产品的体系内也会有着多种行为数据，比如商品行为数据等。这些行为数据从不同角度表征了用户的兴趣点，如果能够整合出产品内多种来源的行为数据，以对特定场景下单一行为数据进行补充，那么，可以对用户的偏好产生更为深入的捕捉。
在整合挖掘多种来源的行为数据方法时，由于这些行为数据的关系复杂、多样，因此，非常适合通过构建一个异构图来对这些行为数据进行表征；后续在构建好的异构图上使用相关的图嵌入算法进行挖掘。这种情况下，从异构图上得到的用户表征融合了多种行为数据，也为后续向用户更精准的推荐信息打下了良好的基础。其中，异构图是图的一种类型，是节点的类型或边的类型大于一种的图；相应的，同构图是图的一种类型，特指节点的类型及边的类型均只有一种的图。图嵌入是一种将图的节点表示为多维向量表示的图算法。
相关技术中，在异构图上进行图嵌入学习的方法包括：
一种是，首先，将异构图转化为同构图，即通过对异构图上不同类型的边赋予不同的权重，再对节点间不同类型的边使用加权求和的方式规范为单一的权重，从而将异构图转换为同构图；然后，使用同构图嵌入算法，比如deep walk进行学习，deep walk学习的是图中顶点的社会特征(the social representation of graph's vertices)，deep walk对随机游走进行了改进，是一种缩短了的流式随机游走的方法(a stream of short randomwalk)。这种在异构图上进行图嵌入学习的方法，不同的边对应的权重由人工指定，这样不仅不合理，而且有些边对特定场景的推荐任务是无效的，但是仍然被保留了下来，从而引入了噪音，直接影响了应用效果。
另一种是传统的异构图嵌入算法，这种方法要么需要人工先验知识制定指导随机游走的路径簇，要么面临着在大规模异构图进行游走的运行效率的挑战。
发明内容
本申请提供一种信息挖掘方法及装置和信息推荐方法及装置，能够提升信息处理的效率，提升用户体验。
本发明实施例提供了一种信息挖掘方法，包括：
获取异构图中的边激活向量；
至少根据异构图中两节点间的关联程度对获得的边激活向量进行优化，得到具有任务特性的边激活向量；
在边激活向量优化后的异构图上进行随机游走，生成图嵌入算法学习所需的节点序列；基于随机游走生成的节点序列学习出具体任务特性的图嵌入表示。
在一种示例性实例中，所述获取异构图中的边激活向量，包括：
根据所述异构图的不同类型的边，初始化出k个二元的异构的所述边激活向量；其中，k的取值与所述异构图的复杂程度相关，所述异构图越复杂，边的种类越多，k值越大。
在一种示例性实例中，通过用于评估不同边激活向量在异构图中的合适程度的适应度函数，获得所述异构图中两节点间的关联程度。
在一种示例性实例中，所述根据适应度函数对获得的边激活向量进行优化，包括：
利用所述适应度函数，分别计算在具体任务上的p个不同所述边激活向量对应的适应度函数值；其中，每个边激活向量包括k个数值；
根据适应度函数值成比例地选择p/2个边激活向量对；
对选择出的p/2个边激活向量对进行对内的特征交叉处理；再进行基因突变处理，以产出p个新的边激活向量；
返回计算适应度函数值的步骤继续执行直至收敛，选择产出最优的边激活向量作为所述得到具有任务特性的边激活向量。
在一种示例性实例中，使用图算法获得所述异构图中两节点间的关联程度。
本申请还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项所述的信息挖掘方法。
本申请又提供了一种用于实现信息挖掘的装置，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行上述任一项所述的信息挖掘方法的步骤。
本申请还提供了一种信息推荐方法，包括：
获取异构图中的边获取边激活向量，至少根据异构图中两节点间的关联程度对获得的边激活向量进行优化，得到具有任务特性的边激活向量；
在边激活向量优化后的异构图上进行随机游走，生成图嵌入算法学习所需的节点序列；基于随机游走生成的节点序列学习出具体任务特性的图嵌入表示；
根据学习出的具体任务特性的图嵌入表示构建用户画像，并根据构建出的用户画像给用户推荐信息。
在一种示例性实例中，通过用于评估不同边激活向量在异构图中的合适程度的适应度函数，获得所述异构图中两节点间的关联程度。
在一种示例性实例中，所述至少根据适应度函数对获得的边激活向量进行优化，包括：
利用所述适应度函数，分别计算在具体任务上的p个不同所述边激活向量对应的适应度函数值；其中，每个边激活向量包括k个数值；k的取值与所述异构图的复杂程度相关，所述异构图越复杂，边的种类越多，k值越大；
根据适应度函数值成比例地选择p/2个边激活向量对；
对选择出的p/2个边激活向量对进行对内的特征交叉处理；再进行基因突变处理，以产出k个新的边激活向量；
返回计算适应度函数值的步骤继续执行直至收敛，选择产出最优的边激活向量作为所述得到具有任务特性的边激活向量。
本申请又提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项所述的信息推荐方法。
本申请再提供了一种用于实现信息推荐的装置，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行上述任一项所述的信息推荐方法的步骤。
本申请中的基于边激活向量对大规模的异构图进行了简化，异构图的规模得到了大幅度压缩，通过本申请克服了由于异构图规模过大，导致直接在异构图上运行效率过低的问题、异构图转同构图过程中人工指定边权重的不合理性以及无效边的引入等问题。也就是说，采用本申请信息挖掘方法，在运行时间显著下降的同时，取得了相比相关技术方法更好效果，从而提升了用户体验。
本申请信息推荐方法，由于直接从异构图上得到的用户表征融合了多种行为数据信息，保证了更精准的信息推荐，从而提升了用户体验。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请信息挖掘方法的流程图；
图2为本申请信息推荐方法的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在本申请一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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系统中执行。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。
图1为本申请信息挖掘方法的流程图，如图1所示，包括：
步骤100：获取异构图中的边激活向量。
在一种示例性实例中，本步骤可以包括：
根据异构图的不同类型的边，初始化出k个二元的异构的边激活向量。比如：异构图上有20种不同类型的边，那么，通过初始化可以构造出k个20维的向量，其中，向量中的每一维数值非0即1，是数值0或数值1在初始时随机选取。
其中，k的取值是一个可变的参数，与异构图的复杂程度相关，异构图越复杂，边的种类越多，那么，k值越大。
步骤101：至少根据异构图中两节点间的关联程度对获得的边激活向量进行优化，得到具有任务特性的边激活向量。
在一种示例性实例中，可以通过用于评估不同边激活向量在异构图中的合适程度的适应度函数，获得所述异构图中两节点间的关联程度。
在一种示例性实例中，所述适应度函数也是用于评估不同边激活向量在异构图的合适程度，可以包括如公式(1)所示：
公式(1)中，i和j表示的异构图上两个节点，z表示异构图中节点i和节点j的共同邻居，n和m表示的是边的特定类型；C为候选的边激活向量，e为异构图上某种类型的边，ω(e)为边类型为e的权重；EC(ν)表示给定边激活向量C条件下，节点ν当前有效的边集合；EC i,j表示在给定边激活向量C条件下，节点i和节点j之间有效的边集合。
公式(1)所示的适应度函数很好地表征了节点间的有效信息保留程度。通过在具体任务上的计算p个不同边激活向量对应的适应度函数值，再根据适应度函数值成比例地选择p/2个边激活向量对，适应度越高被选择的概率越大。其中，每个边激活向量包括k个数值。
在一种示例性实例中，本步骤中的根据适应度函数对获得的边激活向量进行优化，包括：
分别计算在具体任务上的p个不同边激活向量对应的适应度函数值；其中，每个边激活向量包括k个数值；
根据适应度函数值成比例地选择p/2个边激活向量对；
对选择出的p/2个边激活向量对进行对内的特征交叉处理，即按一定概率替换对内两个激活向量的在某个位置上的数值；之后，再进行基因突变处理(遗传算法中的技术术语)，即按一定概率反转激活向量某个位置的数值，以产出p个新的边激活向量。
返回计算适应度函数值的步骤继续执行直至收敛如重复次数达到某个设定的值等，选择产出最优的边激活向量(如适应度函数值最大的边激活向量)作为所述得到具有任务特性的边激活向量。
在一种示例性实例中，上述根据适应度函数对获得的边激活向量进行优化的处理中，具体任务可以如：某个场景任务是给用户推荐相关文章，用户对文章发生的操作数据(如阅读、点赞、转发)就可以作为算法在该任务下的输入。
在一种示例性实例中，上述根据适应度函数对获得的边激活向量进行优化的处理中，成比例地选择可以包括如：选择边激活向量时，可以根据该边激活向量计算得到的适应度数值进行选择，比如适应度越高，该边激活向量被选中的机会越大等等。
在一种示例性实例中，上述根据适应度函数对获得的边激活向量进行优化的处理中，一定概率可以是用户事先设置的概率数值；某个位置可以是随机选取一个位置。在一种示例性实例中，按一定概率反转激活向量某个位置的数值，即随机选取一个位置，对内两个激活向量的在这个位置上的数值会以固定的概率进行替换。
在一种示例性实例中，本步骤可以包括：
可以使用相关技术中的图算法如：simrank等，获得所述异构图中两节点间的关联程度。
在一种示例性实例中，本步骤中的根据相关技术中的图算法对获得的边激活向量进行优化中，不再使用遗传算法学习边激活向量，将边激活向量作为图算法中一部分训练参数，使用图算法直接学习。
本步骤使用边激活向量对大规模异构图进行了简化、压缩，删除了一些与后续任务无效的边及节点，图的规模视不同的激活向量有了不同程度的简化。这样，后续精简后的异构图可对接相关技术中在异构图上进行图嵌入学习的方法，使得保证了应用效果的同时，提升了运行效率。
步骤102：在边激活向量优化后的异构图上进行随机游走，生成图嵌入算法学习所需的节点序列；基于随机游走生成的节点序列学习出具体任务特性的图嵌入表示。
本步骤具体实现可以采用相关技术中提供的方法，具体实现并不用于限定本申请的保护范围。这里强调的是，此时的异构图是经过本本申请使用边激活向量简化后的异构图。
本申请中的基于边激活向量对大规模的异构图进行了简化，异构图的规模得到了大幅度压缩，实践应用可知，异构图中的边总数可简化约76％，节点总数可简化约65％；同时，通过本申请克服了由于异构图规模过大，导致直接在异构图上运行效率过低的问题、异构图转同构图过程中人工指定边权重的不合理性以及无效边的引入等问题。也就是说，采用本申请信息挖掘方法，在运行时间显著下降的同时，取得了相比相关技术方法更好效果，从而提升了用户体验。
本申请提供的信息挖掘方法，可用于后续基于挖掘出的信息的排序任务和信息推荐等的实现。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项的信息挖掘方法。
本申请再提供一种实现信息挖掘的装置，包括存储器和处理器，其中，存储器上存储有可在处理器上运行的计算机程序；所述计算机程序被处理器执行时实现上述任一项的信息挖掘方法的步骤。
图2为本申请信息推荐方法的流程图，如图2所示，包括：
步骤200：获取异构图中的边激活向量，至少根据异构图中两节点间的关联程度对获得的边激活向量进行优化，得到具有任务特性的边激活向量。
本步骤具体实现如步骤100～步骤101所述，这里不再赘述。
步骤201：在边激活向量优化后的异构图上进行随机游走，生成图嵌入算法学习所需的节点序列；基于随机游走生成的节点序列学习出具体任务特性的图嵌入表示。
步骤202：根据学习出的具体任务特性的图嵌入表示构建用户画像，并根据构建出的用户画像给用户推荐信息。
本申请信息推荐方法，由于直接从异构图上得到的用户表征融合了多种行为数据信息，保证了更精准的信息推荐，从而提升了用户体验。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项的信息推荐方法。
本申请再提供一种实现信息推荐的装置，包括存储器和处理器，其中，存储器上存储有可在处理器上运行的计算机程序；所述计算机程序被处理器执行时实现上述任一项的信息推荐方法的步骤。
虽然本申请所揭露的实施方式如上，但所述的内容仅为便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (12)

1.一种信息挖掘方法，包括：
获取异构图中的边激活向量；
至少根据所述异构图中两节点间的关联程度对获得的所述边激活向量进行优化，得到具有任务特性的边激活向量；
在边激活向量优化后的所述异构图上进行随机游走，生成图嵌入算法学习所需的节点序列；基于随机游走生成的所述节点序列学习出具体任务特性的图嵌入表示；
其中，所述边激活向量用于指示维度与所述异构图的边的类型的个数相同的向量；
其中，所述至少根据所述异构图中两节点间的关联程度对获得的所述边激活向量进行优化，包括：根据所述异构图中两节点间的关联程度，对所述边激活向量进行特征交叉处理以及基因突变处理；
所述具体任务特性用于指示向用户推荐文章信息，所述用户对于所述文章信息的操作数据用于生成所述图嵌入表示。
2.根据权利要求1所述的信息挖掘方法，其中，所述获取异构图中的边激活向量，包括：
根据所述异构图的不同类型的边，初始化出k个二元的异构的所述边激活向量；其中，k的取值与所述异构图的复杂程度相关，所述异构图越复杂，边的种类越多，k值越大。
3.根据权利要求1所述的信息挖掘方法，其中，通过用于评估不同所述边激活向量在所述异构图中的合适程度的适应度函数，获得所述异构图中两节点间的关联程度。
4.根据权利要求3所述的信息挖掘方法，其中，根据所述适应度函数对获得的边激活向量进行优化，包括：
利用所述适应度函数，分别计算在具体任务上的p个不同所述边激活向量对应的适应度函数值；其中，每个边激活向量包括k个数值；
根据所述适应度函数值成比例地选择p/2个边激活向量对；
对选择出的所述p/2个边激活向量对进行对内的所述特征交叉处理；再进行所述基因突变处理，以产出p个新的边激活向量；
返回计算所述适应度函数值的步骤继续执行直至收敛，选择产出最优的边激活向量作为所述具有任务特性的边激活向量。
5.根据权利要求2所述的信息挖掘方法，其中，使用图算法获得所述异构图中两节点间的关联程度。
6.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1~权利要求5任一项所述的信息挖掘方法。
7.一种用于实现信息挖掘的装置，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行权利要求1~权利要求5任一项所述的信息挖掘方法的步骤。
8.一种信息推荐方法，包括：
获取异构图中的边激活向量，至少根据所述异构图中两节点间的关联程度对获得的所述边激活向量进行优化，得到具有任务特性的边激活向量；
在边激活向量优化后的所述异构图上进行随机游走，生成图嵌入算法学习所需的节点序列；基于随机游走生成的所述节点序列学习出具体任务特性的图嵌入表示；
根据学习出的具体任务特性的所述图嵌入表示构建用户画像，并根据构建出的所述用户画像给用户推荐信息；
其中，所述边激活向量用于指示维度与所述异构图的边的类型的个数相同的向量；
其中，所述至少根据所述异构图中两节点间的关联程度对获得的所述边激活向量进行优化，包括：根据所述异构图中两节点间的关联程度，对所述边激活向量进行特征交叉处理以及基因突变处理；
所述具体任务特性用于指示向用户推荐文章信息，所述用户对于所述文章信息的操作数据用于生成所述图嵌入表示。
9.根据权利要求8所述的信息推荐方法，其中，通过用于评估不同所述边激活向量在所述异构图中的合适程度的适应度函数，获得所述异构图中两节点间的关联程度。
10.根据权利要求9所述的信息推荐方法，其中，至少根据所述适应度函数对获得的边激活向量进行优化，包括：
利用所述适应度函数，分别计算在具体任务上的p个不同所述边激活向量对应的适应度函数值；其中，每个边激活向量包括k个数值；k的取值与所述异构图的复杂程度相关，所述异构图越复杂，边的种类越多，k值越大；
根据所述适应度函数值成比例地选择p/2个边激活向量对；
对选择出的所述p/2个边激活向量对进行对内的所述特征交叉处理；再进行所述基因突变处理，以产出k个新的边激活向量；
返回计算所述适应度函数值的步骤继续执行直至收敛，选择产出最优的边激活向量作为所述具有任务特性的边激活向量。
11.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求8~权利要求10任一项所述的信息推荐方法。
12.一种用于实现信息推荐的装置，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行权利要求8~权利要求10任一项所述的信息推荐方法的步骤。
CN201910417882.4A 2019-05-20 2019-05-20 一种信息挖掘方法及装置和信息推荐方法及装置 Active CN111966813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910417882.4A CN111966813B (zh) 2019-05-20 2019-05-20 一种信息挖掘方法及装置和信息推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910417882.4A CN111966813B (zh) 2019-05-20 2019-05-20 一种信息挖掘方法及装置和信息推荐方法及装置

Publications (2)

Publication Number Publication Date
CN111966813A CN111966813A (zh) 2020-11-20
CN111966813B true CN111966813B (zh) 2024-12-24

Family

ID=73357874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910417882.4A Active CN111966813B (zh) 2019-05-20 2019-05-20 一种信息挖掘方法及装置和信息推荐方法及装置

Country Status (1)

Country Link
CN (1) CN111966813B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779423A (zh) * 2021-10-22 2021-12-10 平安科技（深圳）有限公司 一种模型参数调整方法、装置、电子设备和存储介质
CN117112919A (zh) * 2023-05-17 2023-11-24 上海任意门科技有限公司 信息推荐方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766573A (zh) * 2017-11-13 2018-03-06 深圳乐信软件技术有限公司 基于数据处理的商品推荐方法、装置、设备和存储介质
CN108399189A (zh) * 2018-01-23 2018-08-14 重庆邮电大学 基于社团发现的好友推荐系统及其方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7801836B2 (en) * 2006-09-27 2010-09-21 Infosys Technologies Ltd. Automated predictive data mining model selection using a genetic algorithm
US9195941B2 (en) * 2013-04-23 2015-11-24 International Business Machines Corporation Predictive and descriptive analysis on relations graphs with heterogeneous entities
US10656979B2 (en) * 2016-03-31 2020-05-19 International Business Machines Corporation Structural and temporal semantics heterogeneous information network (HIN) for process trace clustering
CN108876132B (zh) * 2018-06-07 2020-12-22 合肥工业大学 基于云的工业企业能效服务推荐方法和系统
CN109599157B (zh) * 2018-11-29 2020-10-02 同济大学 一种精准智能诊疗大数据系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766573A (zh) * 2017-11-13 2018-03-06 深圳乐信软件技术有限公司 基于数据处理的商品推荐方法、装置、设备和存储介质
CN108399189A (zh) * 2018-01-23 2018-08-14 重庆邮电大学 基于社团发现的好友推荐系统及其方法

Also Published As

Publication number Publication date
CN111966813A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
Dupont et al. Generative models as distributions of functions
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
JP7322044B2 (ja) レコメンダシステムのための高効率畳み込みネットワーク
CN109344295B (zh) 分布式图嵌入方法、装置、设备及系统
US11494614B2 (en) Subsampling training data during artificial neural network training
CN108764281A (zh) 一种基于半监督自步学习跨任务深度网络的图像分类方法
CN116310667B (zh) 联合对比损失和重建损失的自监督视觉表征学习方法
CN112132208B (zh) 图像转换模型的生成方法、装置、电子设备及存储介质
CN112819689B (zh) 人脸属性编辑模型的训练方法、人脸属性编辑方法及设备
CN110674925B (zh) 基于3d卷积神经网络的无参考vr视频质量评价方法
CN112381216A (zh) 混合图神经网络模型的训练、预测方法和装置
CN113705589A (zh) 数据处理方法、装置及设备
CN107590690B (zh) 数据处理方法、装置及服务器
CN107871306A (zh) 一种图片去噪的方法和装置
US20250356646A1 (en) Image classification method, computer device, and storage medium
CN111966813B (zh) 一种信息挖掘方法及装置和信息推荐方法及装置
CN115618098B (zh) 基于知识增强与空洞卷积的冷链物流推荐方法及装置
CN113284027A (zh) 团伙识别模型的训练方法、异常团伙识别方法及装置
CN112862008A (zh) 偏好预测模型的训练方法及用户偏好的预测方法
CN116661752A (zh) 一种基于神经网络模型的编译优化方法、装置及电子设备
CN116894476A (zh) 一种基于双通道的多行为注意力自监督学习方法
CN115600818A (zh) 多维评分方法、装置、电子设备和存储介质
CN114841887A (zh) 一种基于多层次差异学习的图像恢复质量评价方法
CN116467466B (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
CN113836407B (zh) 推荐方法及相关装置

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
GR01 Patent grant
GR01 Patent grant