申请/专利权人：宋亮

申请日：2023-12-30

公开（公告）日：2024-05-10

公开（公告）号：CN118014675A

主分类号：G06Q30/0601

分类号：G06Q30/0601;G06N3/0455;G06N3/082;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.05.10#公开

摘要：本申请的抗稀疏的云网络成对互动评比电商推送方法，解决反馈矩阵稀疏，导致隐式反馈推荐性能显着下降的问题。利用一种称为层叠减噪自编码器的云网络模型，提取项目内容的深层特征,集成到隐式反馈的成对互动评比模型中，并且允许两者之间进行双向交互，对辅助数据提取的特征可以提高对隐式反馈矩阵互动评比模型的预测能力,对隐式反馈矩阵的互动评比模型又可以反过来指导辅助数据的特征学习。互动云网络评比提高了电商推荐算法的性能，而且采用成对评比作为优化目标降低了算法的时间复杂度。采用云网络方法比主题模型能够更好地获取项目辅助数据的特征，有效减轻数据稀疏性的影响。商品推送结果更加精确，电商推送算法实用高效。

主权项：1.抗稀疏的云网络成对互动评比电商推送方法，其特征在于，互动云网络评比利用一种层叠减噪自编码器的云网络模型，提取项目内容的深层特征,集成到隐式反馈的成对互动评比模型中，并且允许两者之间进行双向交互，对辅助数据提取特征提高对隐式反馈矩阵互动评比模型的预测能力,对隐式反馈矩阵的互动评比模型又反过来指导辅助数据的特征学习；P1-互动云网络评比模型：是一种云网络和互动筛选的混合式成对评比模型,结合项目内容的深层特征学习和用户稀疏的隐含偏好,具体地，互动云网络评比模型采用一种云网络模型，CKF层叠减噪自编码器，学习项目内容的深层特征，在辅助数据稀疏时，CKF学习有效特征并将学习到的项目内容的深层特征集成到隐式反馈的互动评比模型中，来捕获商品和用户之间的相似度和隐含关系；模型紧密地耦合用于内容数据的深度表征学习和用于隐式反馈矩阵的互动评比，通过双向交互，从辅助数据学习特征，平衡辅助数据和隐式反馈矩阵的影响；P2-互动云网络评比算法：将层叠减噪自编码器CKF作为互动云网络评比的内容特征提取部分，通过一层减噪自编码器学习到隐藏层，隐藏层的值又作为下层减噪自编码器的输入，多个减噪自编码器减噪自编码器层叠获得最顶层的输出即是层叠减噪自编码器提取的项目内容数据特征，互动筛选模型结合项目内容数据特征，并以成对偏好评比为直接优化目标，采用坐标上升通过交替优化云网络的权重、偏差参数、反馈矩阵的潜在用户因子、潜在项目因子，来优化目标函数，具体地，给定潜在用户矩阵和潜在项目矩阵参数的当前估算，CKF云网络通过反向传播干净输入和重构输入计算重构误差，计算项目内容矩阵和反馈矩阵分解出的项目矩阵之间的误差，更新权重、偏差参数，然后给定权重、偏差参数的当前估算，将提取的项目内容特征融入到用户项目反馈矩阵的互动评比模型，基于牛顿迭代法更新用户特征矩阵，项目特征矩阵，训练重复以上过程，直到样本数据更新完毕，或模型参数全部收敛。

全文数据：

权利要求：

百度查询： 宋亮 抗稀疏的云网络成对互动评比电商推送方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD