基于社交关系和时序信息的团购推荐方法

doi:10.11772/j.issn.1001-9081.2022060860

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1719-1729.DOI: 10.11772/j.issn.1001-9081.2022060860

• CCF第37届中国计算机应用大会 (CCF NCCA 2022) • 上一篇下一篇

基于社交关系和时序信息的团购推荐方法

孙男男¹^,², 朴春慧¹^,³(), 马新娜¹^,³

^1.石家庄铁道大学信息科学与技术学院, 石家庄 050043
^2.北京全路通信信号研究设计院集团有限公司, 北京 100070
^3.河北省电磁环境效应与信息处理重点实验室(石家庄铁道大学), 石家庄 050043

收稿日期:2022-06-15 修回日期:2022-07-08 接受日期:2022-07-25 发布日期:2022-10-11 出版日期:2023-06-10
通讯作者: 朴春慧
作者简介:孙男男（1997—），女，河北衡水人，硕士，主要研究方向：大数据、推荐算法；
马新娜（1978—），女，河北顺平人，教授，博士，CCF会员，主要研究方向：大数据、模式识别、智能控制、故障诊断。
基金资助:
国家自然科学基金资助项目(12172234);河北省重点研发计划项目(21355902D)

Group buying recommendation method based on social relationship and time-series information

Nannan SUN¹^,², Chunhui PIAO¹^,³(), Xinna MA¹^,³

^1.School of Information Science and Technology，Shijiazhuang Tiedao University，Shijiazhuang Hebei 050043，China
^2.CRSC Research and Design Institute Group Company Limited，Beijing 100070，China
^3.Hebei Key Laboratory for Electromagnetic Environmental Effects and Information Processing （Shijiazhuang Tiedao University），Shijiazhuang 050043，China

Received:2022-06-15 Revised:2022-07-08 Accepted:2022-07-25 Online:2022-10-11 Published:2023-06-10
Contact: Chunhui PIAO
About author:SUN Nannan， born in 1997， M. S. Her research interests include big data， recommendation algorithm.
MA Xinna， born in 1978， Ph. D.， professor. Her research interests include big data， pattern recognition， intelligent control， fault diagnosis.
Supported by:
National Natural Science Foundation of China(12172234);Key Research and Development Program of Hebei Province(21355902D)

摘要/Abstract

摘要：

针对目前团购推荐方法较少结合单个用户与群组用户，并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题，提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时，针对循环神经网络（RNN）的门控循环单元（GRU）在团购推荐时没有考虑时序信息的影响，以及用户-商品交互序列中不相关的商品数据会产生噪声等问题，提出了融合时序感知GRU和自注意力的团购推荐模型（RTSA）。首先，通过计算用户购买的任意两个商品之间的个性化时间间隔，构建了时序感知GRU（TGRU）模型；然后，采用自注意力网络研究商品位置及个性化时间间隔的影响；最后，实验结果表明在Amazon Beauty数据集中，RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型（TiSASRec），前10个商品命中率提升了11.73%。对群组用户进行推荐时，针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重，以及群组-项目交互数据的稀疏性等问题，提出了融合社交网络和分层自注意力的团购推荐模型（SSAGR）。首先，采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣；其次，利用分层自注意力网络将社交网络信息整合到用户表示中，在不同权重下实现群组偏好聚合策略；然后，通过神经协同过滤（NCF）挖掘群组-项目交互，并实现了团购推荐；最后，实验结果表明，在MaFengWo数据集中，SSAGR相较于对群组用户推荐的最优的基线模型AGREE（Attentive Group REcommEndation），前5个商品命中率提升了3.53%。

关键词: 门控循环单元, 自注意力网络, 团购, 个性化时间间隔, 社交网络

Abstract:

Aiming at the problems that there are few researches on the combination of single users and group users in group buying recommendation methods， and the context-related information such as time interval and social relationship is not fully utilized， a group buying recommendation method based on social relationship and time series information was proposed. When recommending for single users， the Gated Recurrent Unit （GRU） of Recurrent Neural Network （RNN） do not consider the influence of time series information， and the irrelevant commodity data in the user-commodity interaction sequence will generate noise. Therefore， a group buying Recommendation model integrating Time-series aware GRU and Self-Attention （RTSA） was proposed. Firstly， a Time-series aware GRU （TGRU） model was constructed by calculating the personalized time interval between any two commodities purchased by the user. Then， the influence of the commodity locations and the personalized time intervals was studied by using a self-attention network. Finally， experimental results show that on Amazon Beauty dataset， compared with the optimal baseline model of recommending for single users — Time interval aware Self-Attention for Sequential Recommendation （TiSASRec）， RTSA has the hit rate for top-10 commodities increased by 11.73%. When recommending for group users， the pre-defined fusion strategy in group buying group recommendation cannot dynamically obtain group user weights， and there is sparseness in group-item interaction data. Therefore， a Group buying Recommendation model integrating Social network and hierarchical Self-Attention （SSAGR） was proposed. Firstly， an RNN was employed to capture the complex potential interests of users in group buying changing over time. Secondly， a hierarchical self-attention network was used to integrate social network information into user representations， and a group preference aggregation strategy was implemented under different weights. Thirdly， the group-item interactions were mined through Neural Collaborative Filtering （NCF） to complete group buying recommendations. Finally， experimental results show that on MaFengWo dataset， compared with the optimal baseline model of recommending for group users — AGREE （Attentive Group REcommEndation）， SSAGR has the hit rate for top-5 commodities improved by 3.53%.

Key words: Gated Recurrent Unit (GRU), self-attention network, group buying, personalized time interval, social network

中图分类号:

TP391.9

孙男男, 朴春慧, 马新娜. 基于社交关系和时序信息的团购推荐方法[J]. 计算机应用, 2023, 43(6): 1719-1729.

Nannan SUN, Chunhui PIAO, Xinna MA. Group buying recommendation method based on social relationship and time-series information[J]. Journal of Computer Applications, 2023, 43(6): 1719-1729.

图/表 20

参考文献 30

1	李金海，何有世，张鹏. 融合情境语义推理及社会网络的团购推荐研究［J］. 计算机工程与应用， 2021， 57（18）：163-171. 10.3778/j.issn.1002-8331.2005-0363
	LI J H， HE Y S， ZHANG P. Research of group recommendation based on contextual semantics reasoning and social network［J］. Computer Engineering and Applications， 2021， 57（18）： 163-171. 10.3778/j.issn.1002-8331.2005-0363
2	沈冬东，汪海涛，姜瑛，等. 基于知识图谱嵌入与多神经网络的序列推荐算法［J］. 计算机工程与科学， 2020， 42（9）：1661-1669. 10.3969/j.issn.1007-130X.2020.09.017
	SHEN D D， WANG H T， JIANG Y， et al. A sequence recommendation algorithm based on knowledge graph embedding and multiple neural networks［J］. Computer Engineering and Science， 2020， 42（9）： 1661-1669. 10.3969/j.issn.1007-130X.2020.09.017
3	QUADRANA M， KARATZOGLOU A， HIDASI B， et al. Personalizing session-based recommendations with hierarchical recurrent neural networks［C］// Proceedings of the 11th ACM Conference on Recommender Systems. New York： ACM， 2017：130-137. 10.1145/3109859.3109896
4	WANG S J， CAO L B. Inferring implicit rules by learning explicit and hidden item dependency［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2020， 50（3）： 935-946. 10.1109/tsmc.2017.2768547
5	HE R N， KANG W C， McAULEY J. Translation-based recommendation［C］//Proceedings of the 11th ACM Conference on Recommender Systems. New York： ACM， 2017： 161-169. 10.1145/3109859.3109882
6	RENDLE S， FREUDENTHALER C， SCHMIDT-THIEME L. Factorizing personalized Markov chains for next-basket recommendation［C］// Proceedings of the 19th International Conference on World Wide Web. New York： ACM， 2010： 811-820. 10.1145/1772690.1772773
7	BALTRUNAS L， MAKCINSKAS T， RICCI F. Group recommendations with rank aggregation and collaborative filtering［C］// Proceedings of the 4th ACM Conference on Recommender Systems. New York： ACM， 2010： 119-126. 10.1145/1864708.1864733
8	AMER-YAHIA S， ROY S B， CHAWLAT A， et al. Group recommendation： semantics and efficiency ［J］. Proceedings of the VLDB Endowment， 2009， 2（1）： 754-765. 10.14778/1687627.1687713
9	BORATTO L， CARTA S. State-of-the-art in group recommendation and new approaches for automatic identification of groups［M］// SORO A， VARGIU E， ARMANO G， et L. Information Retrieval and Mining in Distributed Environments， SCI 324. Berlin： Springer， 2010：1-20. 10.1007/978-3-642-16089-9_1
10	QUINTARELLI E， RABOSIO E， TANCA L. Recommending new items to ephemeral groups using contextual user influence［C］// Proceedings of the 10th ACM Conference on Recommender Systems. New York： ACM， 2016： 285-292. 10.1145/2959100.2959137
11	VINH T D Q， PHAM T A N， CONG G， et al. Attention-based group recommendation［EB/OL］. （2018-04-12）［2022-07-03］..
12	CAO D， HE X N， MIAO L H， et al. Attentive group recommendation［C］// Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2018： 645-654. 10.1145/3209978.3209998
13	HIDASI B， KARATZOGLOU A， BALTRUNAS L， et al. Session-based recommendations with recurrent neural networks［EB/OL］. （2016-03-29）［2022-07-03］..
14	CHEN X， XU H T， ZHANG Y F， et al. Sequential recommendation with user memory networks［C］// Proceedings of the 11th ACM International Conference on Web Search and Data Mining. New York： ACM， 2018： 108-116. 10.1145/3159652.3159668
15	SUN F， LIU J， WU J， et al. BERT4Rec： sequential recommendation with bidirectional encoder representations from Transformer［C］// Proceedings of the 28th ACM International Conference on Information and Knowledge Management. New York： ACM， 2019： 1441-1450. 10.1145/3357384.3357895
16	CHO S M， PARK E， YOO S. MEANTIME： mixture of attention mechanisms with multi-temporal embeddings for sequential recommendation ［C］// Proceedings of the 14th ACM Conference on Recommender Systems. New York： ACM， 2020： 515-520. 10.1145/3383313.3412216
17	KANG W C， McAULEY J. Self-attentive sequential recommendation ［C］// Proceedings of the 2018 IEEE International Conference on Data Mining. Piscataway： IEEE， 2018： 197-206. 10.1109/icdm.2018.00035
18	LI J C， WANG Y J， McAULEY J. Time interval aware self-attention for sequential recommendation ［C］// Proceedings of the 13th International Conference on Web Search and Data Mining. New York： ACM， 2020： 322-330. 10.1145/3336191.3371786
19	顾军华，樊帅，李宁宁，等. 基于知识图偏好注意力网络的长短期推荐模型及其更新方法［J］. 计算机应用， 2022， 42（4）：1079-1086.
	GU J H， FAN S， LI N N， et al. Long- and short-term recommendation model and updating method based on knowledge graph preference attention network［J］. Journal of Computer Applications， 2022， 42（4）： 1079-1086.
20	ZHANG T T， ZHAO P P， LIU Y C， et al. Feature-level deeper self-attention network for sequential recommendation［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2019： 4320-4326. 10.24963/ijcai.2019/600
21	李全，许新华，刘兴红，等. 融合时空感知GRU和注意力的下一个地点推荐［J］. 计算机应用， 2020， 40（3）： 677-6822.
	LI Q， XU X H， LIU X H， et al. Next location recommendation based on spatiotemporal-aware GRU and attention ［J］. Journal of Computer Applications， 2020， 40（3）： 677-6822.
22	刘浩翰，任洪润，贺怀清. 一种基于自注意力机制的组推荐方法［J］. 计算机应用研究， 2020， 37（12）：3572-3577.
	LIU H H， REN H R， HE H Q. Group recommendation method based on self-attention mechanism［J］. Application Research of Computers， 2020， 37（12）： 3572-3577.
23	WEI W， WANG Z B， MAO X L， et al. Position-aware self-attention based neural sequence labeling［J］. Pattern Recognition， 2021， 110： No.107636. 10.1016/j.patcog.2020.107636
24	李改，陈强，李磊. 基于评分预测与排序预测的协同过滤推荐算法［J］. 电子学报， 2017， 45（12）：3070-3075. 10.3969/j.issn.0372-2112.2017.12.033
	LI G， CHEN Q， LI L. Collaborative filtering recommendation algorithm based on rating prediction and ranking prediction［J］. Acta Electronica Sinica， 2017， 45（12）： 3070-3075. 10.3969/j.issn.0372-2112.2017.12.033
25	孙磊磊，张宇翔，肖春景. 基于自注意力的协同演进推荐［J］. 计算机工程与设计， 2021， 42（2）：382-387.
	SUN L L， ZHANG Y X， XIAO C J. Self-attention based collaborative evolution recommendation［J］. Computer Engineering and Design， 2021， 42（2）： 382-387.
26	TANG J X， WANG K. Personalized top-N sequential recommendation via convolutional sequence embedding［C］// Proceedings of the 11th ACM International Conference on Web Search and Data Mining. New York： ACM， 2018： 565-573. 10.1145/3159652.3159656
27	SANKAR A， WU Y H， WU Y H， et al. GroupIM： a mutual information maximization framework for neural group recommendation［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 1279-1288. 10.1145/3397271.3401116
28	HUANG L W， FU M S， LI F， et al. A deep reinforcement learning based long-term recommender system［J］. Knowledge-Based Systems， 2021， 213： No.106706. 10.1016/j.knosys.2020.106706
29	YIN H Z， WANG Q Y， ZHENG K， et al. Social influence-based group representation learning for group recommendation［C］// Proceedings of the IEEE 35th International Conference on Data Engineering. Piscataway： IEEE， 2019： 566-577. 10.1109/icde.2019.00057
30	孙鑫，刘学军，李斌，等. 基于图神经网络和时间注意力的会话序列推荐［J］. 计算机工程与设计， 2020， 41（10）：2913-2920. 10.16208/j.issn1000-7024.2020.10.036
	SUN X， LIU X J， LI B， et al. Graph neural networks with time attention mechanism for session-based recommendations［J］. Computer Engineering and Design， 2020， 41（10）： 2913-2920. 10.16208/j.issn1000-7024.2020.10.036

数据集名称	用户数	项目数	交互数/10⁶	用户平均交互数
MovieLens-1M	6 040	3 416	0.987	163.50
Amazon Beauty	51 369	19 369	0.225	4.39

数据集名称	用户数	项目数	交互数/10⁶	用户平均交互数
MovieLens-1M	6 040	3 416	0.987	163.50
Amazon Beauty	51 369	19 369	0.225	4.39

数据集	模型	Pre@10	Recall@10	HR@10	NDCG@10
MovieLens- 1M	FPMC	0.700 3	0.528 0	0.698 4	0.462 7
	GRU4Rec	0.754 2	0.541 9	0.739 4	0.513 8
	TiSASRec	0.793 8	0.577 7	0.784 6	0.567 4
	Caser	0.763 1	0.564 8	0.759 1	0.521 9
	RTSA	0.816 9	0.592 8	0.827 9	0.600 2
Amazon Beauty	FPMC	0.312 4	0.237 0	0.317 4	0.256 8
	GRU4Rec	0.307 5	0.228 1	0.228 1	0.244 3
	TiSASRec	0.335 7	0.241 1	0.331 5	0.266 5
	Caser	0.324 5	0.224 1	0.320 6	0.237 8
	RTSA	0.370 4	0.255 5	0.370 4	0.287 0

数据集	模型	Pre@10	Recall@10	HR@10	NDCG@10
MovieLens- 1M	FPMC	0.700 3	0.528 0	0.698 4	0.462 7
	GRU4Rec	0.754 2	0.541 9	0.739 4	0.513 8
	TiSASRec	0.793 8	0.577 7	0.784 6	0.567 4
	Caser	0.763 1	0.564 8	0.759 1	0.521 9
	RTSA	0.816 9	0.592 8	0.827 9	0.600 2
Amazon Beauty	FPMC	0.312 4	0.237 0	0.317 4	0.256 8
	GRU4Rec	0.307 5	0.228 1	0.228 1	0.244 3
	TiSASRec	0.335 7	0.241 1	0.331 5	0.266 5
	Caser	0.324 5	0.224 1	0.320 6	0.237 8
	RTSA	0.370 4	0.255 5	0.370 4	0.287 0

数据集	模型是否具有个性化时间间隔因素	NDCG@10	HR@10
MovieLens- 1M	有	0.600 2	0.827 9
MovieLens- 1M	无	0.542 4	0.772 9
Amazon Beauty	有	0.324 1	0.403 9
Amazon Beauty	无	0.262 2	0.378 5

基于社交关系和时序信息的团购推荐方法

Group buying recommendation method based on social relationship and time-series information

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 30

相关文章 15

编辑推荐

Metrics

数据集	用户数	项目数	群组数	关注者数	用户-项目交互数	群组-项目交互数	用户-关注者交互数
MaFengWo	5 275	1 513	995	13 076	39 761	3 595	53 235
Douban Book	13 024	22 347	2 936	13 024	792 062	28 800	169 150

数据集	模型	HR@5	NDCG@5	HR@10	NDCG@10
MaFengWo	NCF	0.465 8	0.350 1	0.602 4	0.403 5
	NCF+avg	0.464 1	0.348 9	0.600 1	0.402 1
	NCF+lm	0.467 5	0.350 6	0.599 8	0.403 2
	NCF+ms	0.458 7	0.347 5	0.597 7	0.398 0
	NCF+exp	0.459 9	0.349 2	0.601 2	0.400 3
	SIGR	0.468 6	0.356 7	0.608 6	0.414 2
	AGREE	0.472 7	0.357 3	0.613 0	0.415 6
	SSAGR	0.489 4	0.366 7	0.624 1	0.424 6
Douban Book	NCF	0.565 8	0.365 1	0.742 4	0.428 5
	NCF+avg	0.560 1	0.363 9	0.740 1	0.427 2
	NCF+lm	0.555 5	0.365 6	0.739 8	0.428 1
	NCF+ms	0.542 7	0.362 8	0.737 7	0.423 0
	NCF+exp	0.558 9	0.364 2	0.741 2	0.425 3
	SIGR	0.568 4	0.371 1	0.748 5	0.430 5
	AGREE	0.572 7	0.372 3	0.753 0	0.440 6
	SSAGR	0.589 4	0.381 7	0.764 2	0.449 6

地点	模型	成员用户			R
地点	模型	U837	U838	U839	R
I54	SSAGR	0.273 1	0.346 5	0.461 2	0.583 6
I54	SSAGR-F	0.333 3	0.333 3	0.333 3	0.276 4
I284	SSAGR	0.258 1	0.507 3	0.218 5	0.374 7
I284	SSAGR-F	0.333 3	0.333 3	0.333 3	0.194 2
I462	SSAGR	0.353 8	0.291 7	0.324 2	0.452 1
I462	SSAGR-F	0.333 3	0.333 3	0.333 3	0.212 4
I52	SSAGR	0.436 1	0.371 2	0.293 7	0.075 0
I52	SSAGR-F	0.333 3	0.333 3	0.333 3	0.150 0
I346	SSAGR	0.318 3	0.329 2	0.270 8	0.063 1
I346	SSAGR-F	0.333 3	0.333 3	0.333 3	0.129 5
I591	SSAGR	0.295 7	0.407 2	0.311 3	0.058 6
I591	SSAGR-F	0.333 3	0.333 3	0.333 3	0.113 4

地点	模型	测试用户（U127）的社交关注者			R
地点	模型	F43	F328	F739	R
I31	SSAGR	0.478 6	0.323 4	0.275 2	0.463 6
I31	SSAGR-G	0.333 3	0.333 3	0.333 3	0.353 1
I297	SSAGR	0.344 2	0.281 7	0.463 3	0.492 0
I297	SSAGR-G	0.333 3	0.333 3	0.333 3	0.401 0
I521	SSAGR	0.321 6	0.279 4	0.493 0	0.533 1
I521	SSAGR-G	0.333 3	0.333 3	0.333 3	0.474 5
I81	SSAGR	0.275 2	0.396 7	0.301 5	0.045 3
I81	SSAGR-G	0.333 3	0.333 3	0.333 3	0.136 2
I189	SSAGR	0.325 6	0.286 3	0.401 8	0.079 5
I189	SSAGR-G	0.333 3	0.333 3	0.333 3	0.152 4
I542	SSAGR	0.419 3	0.237 1	0.252 6	0.063 3
I542	SSAGR-G	0.333 3	0.333 3	0.333 3	0.121 4

模型	用户	top-1	top-2	top-3	top-4	top-5
RTSA	U851	告白	法医秦明	竹林中	黑色回声	华丽人生
SSAGR	U851	法医秦明	华丽人生	怦然心动	尼罗河上的惨案	竹林中
	G105	心隐之地	从你的全世界路过	心流	怦然心动	尼罗河上的惨案
	G175	法医秦明	十三层空间	怦然心动	告白	偷影子的人
	G209	流浪地球	知己	千与千寻	竹林中	十三层空间

[1]	侯志荣, 范晓东, 张华, 马晓楠. J-SGPGN：基于序列与图的联合学习复述生成网络[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1365-1371.
[2]	杨森淇, 段旭良, 肖展, 郎松松, 李志勇. 基于ERNIE+DPCNN+BiGRU的农业新闻文本分类[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1461-1466.
[3]	陈路, 陈道喜, 陆一鸣, 陆卫忠. 基于注意力机制编码器‒解码器的手写数学公式识别模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1297-1302.
[4]	张军, 吴朋莉, 石陆魁, 史进, 潘斌. 联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 321-328.
[5]	郭嘉宸, 杨宇燊, 王研, 毛仕龙, 孙丽珺. 精细化短时交通流预测模型及迁移部署方案[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1748-1755.
[6]	杨先凤, 赵家和, 李自强. 融合字注释的文本分类模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1317-1323.
[7]	仇丽青, 曲福帅. 基于情感分析和影响力评估的突发事件情感图谱[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1330-1338.
[8]	杨杰, 张名扬, 芮晓彬, 王志晓. 融合节点覆盖范围和结构洞的影响力最大化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1155-1161.
[9]	李晓杰, 崔超然, 宋广乐, 苏雅茜, 吴天泽, 张春云. 基于时序超图卷积神经网络的股票趋势预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 797-803.
[10]	孟杰, 王莉, 杨延杰, 廉飚. 基于多模态深度融合的虚假信息检测[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 419-425.
[11]	解伟凡, 郭岩, 匡广生, 余智华, 薛源海, 沈华伟. 基于演化模式的推特话题流行度预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3364-3370.
[12]	申明尧, 韩萌, 杜诗语, 孙蕊, 张春砚. 融合XGBoost和Multi-GRU的数据中心服务器能耗优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 198-208.
[13]	马栋林, 马司周, 王伟杰. 基于图卷积网络和门控循环单元的多站点气温预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 287-293.
[14]	李美子, 米一菲, 张倩, 张波. 社交网络中基于K核分解的意见领袖识别算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 26-35.
[15]	刘子辰, 李小娟, 韦伟. 基于循环神经网络的专利价格自动评估[J]. 计算机应用, 2021, 41(9): 2532-2538.

评价指标	RTSA	SSAGR（Group）	SSGAR（User）
HR@10	0.810 7	0.764 2	0.778 2
NDCG@10	0.589 9	0.449 6	0.460 1

评价指标	RTSA	SSAGR（Group）	SSGAR（User）
HR@10	0.810 7	0.764 2	0.778 2
NDCG@10	0.589 9	0.449 6	0.460 1