基于Tree-LSTM的表单控件推荐模型

doi:10.11772/j.issn.1001-9081.2025040408

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (4): 1115-1123.DOI: 10.11772/j.issn.1001-9081.2025040408

基于Tree-LSTM的表单控件推荐模型

罗俊辉¹, 张钧波¹^,²^,³(), 潘哲逸²^,³

^1.西南交通大学计算机与人工智能学院，成都 611756
^2.京东智能城市研究院，北京 100176
^3.京东城市（北京）数字科技有限公司，北京 100176

收稿日期:2025-04-14 修回日期:2025-07-01 接受日期:2025-07-02 发布日期:2025-07-16 出版日期:2026-04-10
通讯作者: 张钧波
作者简介:罗俊辉（2000—），男，江西吉安人，硕士研究生，主要研究方向：推荐系统、时空数据挖掘
潘哲逸（1992—），男，福建福州人，博士，主要研究方向：时空数据挖掘、城市计算、人工智能、深度学习。
基金资助:
北京市科技新星计划项目(20240484515)

Tree-LSTM based recommendation model for form widget

Junhui LUO¹, Junbo ZHANG¹^,²^,³(), Zheyi PAN²^,³

^1.School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu Sichuan 611756，China
^2.JD Intelligent Cities Research，Beijing 100176，China
^3.JD iCity （Beijing） Digital Technology Company Limited，Beijing 100176，China

Received:2025-04-14 Revised:2025-07-01 Accepted:2025-07-02 Online:2025-07-16 Published:2026-04-10
Contact: Junbo ZHANG
About author:LUO Junhui， born in 2000， M. S. candidate. His research interests include recommendation system， temporal-spatial data mining.
PAN Zheyi， born in 1992， Ph. D. His research interests include temporal-spatial data mining， urban computing， artificial intelligence， deep learning.
Supported by:
Beijing Nova Program(20240484515)

摘要/Abstract

摘要：

通过将表单中的控件与城市知识体系相关联，基于表单填报的数据能自动成为标准规范的城市知识图谱，这是解决数据要素规模化生产难题的新思路。然而，表单系统中内置的众多的以实体、关系及其属性的业务术语命名的控件使得用户难以快速找到所需控件，进而催生了表单控件推荐这一全新任务。针对表单应用场景差异大、配置上下文依赖复杂和表单配置数据稀疏这3个挑战，提出一种基于树形长短期记忆（Tree-LSTM）网络的表单控件推荐模型（TRFW）。首先，从丰富的通用表单配置数据中训练场景多分类模型，学习表单文本与场景特征之间的依赖关系；其次，使用基于Tree-LSTM的网络结构，捕捉表单上下文中的结构与主题特征，并基于此构造用户的配置意图特征；同时，训练基于自编码器（AE）的控件命名编码器，建立相似控件命名之间的松耦合连接关系，使得模型能够在推荐相似语义控件的同时，对新增控件具有良好的鲁棒性。在公开数据构建的数据集上的实验结果表明，所提模型与所有基准模型相比具有最优性能，HitRatio@1为84.62%，HitRatio@10为97.31%，与无监督的推荐方法相比，HitRatio@1至少提升了87.0%，与基于图卷积的推荐方法相比，HitRatio@1和HitRatio@10分别至少提升了32.4%与12.4%。可见，所提模型能够有效推荐出符合用户意图的控件列表，从而降低用户在选择控件时的交互成本。

关键词: 意图感知, 树形长短期记忆网络, 推荐模型, 电子表单, 城市知识体系

Abstract:

Associating form widgets with an urban knowledge system to transform form filling based data into a standardized urban knowledge graph automatically presents a novel solution to the challenge of large-scale data element production. However， the form system integrates numerous widgets named using domain-specific terms such as entities， relationships， and their attributes， making it difficult for users to find the desired widget quickly， thereby giving rise to the task of form widget recommendation. To tackle three key challenges： significant variability in application scenarios， complex contextual dependencies in configuration， and sparse form configuration data， a Tree-structured Long Short-Term Memory （Tree-LSTM） network based Recommendation model for Form Widget （TRFW） was proposed. Firstly， a scenario multi-classification model was trained on rich and general form configuration data to learn dependencies between form texts and scenario features. Then， a network structure of Tree-LSTM was employed to extract structural and thematic features from form contexts， and the user configuration intent features were constructed on this basis. Concurrently， an AutoEncoder （AE）-based widget naming encoder was trained to establish loosely-coupled connections between semantically similar widget names， thereby enhancing the model’s ability to recommend semantically relevant widgets while maintaining robustness for newly added widgets. Experimental results on a publicly sourced dataset demonstrate that the proposed model has superior performance compared to all baseline models， achieving a HitRatio@1 of 84.62% and a HitRatio@10 of 97.31%， with a minimum improvement of 87.0% in HitRatio@1 over unsupervised methods， while outperforming graph convolution-based recommendation methods by at least 32.4% and 12.4% in HitRatio@1 and HitRatio@10， respectively. It can be seen that the proposed model can recommend widget lists that align with user intent effectively， thereby reducing user interaction costs during widget selection significantly.

Key words: intent-awareness, Tree-structured Long Short-Term Memory (Tree-LSTM), recommendation model, e-form, urban knowledge system

中图分类号:

TP181

罗俊辉, 张钧波, 潘哲逸. 基于Tree-LSTM的表单控件推荐模型[J]. 计算机应用, 2026, 46(4): 1115-1123.

Junhui LUO, Junbo ZHANG, Zheyi PAN. Tree-LSTM based recommendation model for form widget[J]. Journal of Computer Applications, 2026, 46(4): 1115-1123.

图/表 9

参考文献 45

[1]	郑宇. 城市知识体系［J］. 武汉大学学报（信息科学版）， 2023， 48（1）： 1-16.
	ZHENG Y. The knowledge system for intelligent cities［J］. Geomatics and Information Science of Wuhan University， 2023， 48（1）： 1-16.
[2]	郑宇. 政民互通：构建政府和居民之间的双向信息通道［J］. 大数据， 2024， 10（1）： 127-140.
	ZHENG Y. Building bidirectional digital channels between governments and citizens［J］. Big Data Research， 2024， 10（1）： 127-140.
[3]	CHEN J， NAIRN R， NELSON L， et al. Short and tweet： experiments on recommending content from information streams［C］// Proceedings of the 2010 SIGCHI Conference on Human Factors in Computing Systems. New York： ACM， 2010： 1185-1194.
[4]	孙清华，邓程，顾振宇. 结合词向量和自注意力机制的设计素材推荐系统［J］. 计算机辅助设计与图形学学报， 2024， 36（1）： 63-72.
	SUN Q H， DENG C， GU Z Y. Design resources recommendation based on word vectors and self-attention mechanisms［J］. Journal of Computer-Aided Design and Computer Graphics， 2024， 36（1）： 63-72.
[5]	孟怡悦，彭蓉，吕其标. 一种结合标签分类和语义查询扩展的文本素材推荐方法［J］. 计算机科学， 2023， 50（1）： 76-86.
	MENG Y Y， PENG R， LYU Q B. Text material recommendation method combining label classification and semantic query expansion［J］. Computer Science， 2023， 50（1）： 76-86.
[6]	杨泽洲，陈思榕，高翠芸，等. 基于深度学习的代码生成方法研究进展［J］. 软件学报， 2024， 35（2）： 604-628.
	YANG Z Z， CHEN S R， GAO C Y， et al. Deep learning based code generation methods： literature review［J］. Journal of Software， 2024， 35（2）： 604-628.
[7]	HUBER B， SHIN H V， RUSSELL B， et al. B-Script： transcript-based B-roll video editing with recommendations［C］// Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. New York： ACM， 2019： No.81.
[8]	SEGEV A， TOCH E. Context-based matching and ranking of web services for composition［J］. IEEE Transactions on Services Computing， 2009， 2（3）： 210-222.
[9]	GOLDBERG D， NICHOLS D， OKI B M， et al. Using collaborative filtering to weave an information tapestry［J］. Communications of the ACM， 1992， 35（12）： 61-70.
[10]	LIU L， LECUE F， MEHANDJIEV N. Semantic content-based recommendation of software services using context［J］. ACM Transactions on the Web， 2013， 7（3）： No.17.
[11]	YOO H， CHUNG K. Deep learning-based evolutionary recommendation model for heterogeneous big data Integration［J］. KSII Transactions on Internet and Information Systems， 2020， 14（9）： 3730-3744.
[12]	STRAHL J， PELTONEN J， MAMITSUKA H， et al. Scalable probabilistic matrix factorization with graph-based priors［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 5851-5858.
[13]	NI S， ZHOU W， WEN J， et al. Enhancing sequential recommendation with contrastive generative adversarial network［J］. Information Processing and Management， 2023， 60（3）： No.103331.
[14]	YE Y， XIA L， HUANG C. Graph masked autoencoder for sequential recommendation［C］// Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2023： 321-330.
[15]	GUO L， LIU H， ZHU L， et al. DA-DAN： a dual adversarial domain adaption network for unsupervised non-overlapping cross-domain recommendation［J］. ACM Transactions on Information Systems， 2024， 42（2）： No.48.
[16]	GUO X， LI S， GUO N， et al. Disentangled representations learning for multi-target cross-domain recommendation［J］. ACM Transactions on Information Systems， 2023， 41（4）： No.85.
[17]	XUAN Y. Diffusion cross-domain recommendation［EB/OL］. ［2025-06-20］..
[18]	MA Y， HE Y， ZHANG A， et al. CrossCBR： cross-view contrastive learning for bundle recommendation［C］// Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2022： 1233-1241.
[19]	REN Y， ZHANG H， FU L， et al. Distillation-enhanced graph masked autoencoders for bundle recommendation［C］// Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2023： 1660-1669.
[20]	WEI W， HUANG C， XIA L， et al. Multi-modal self-supervised learning for recommendation［C］// Proceedings of the ACM Web Conference 2023. New York： ACM， 2023： 790-800.
[21]	YI J， CHEN Z. Multi-modal variational graph auto-encoder for recommendation systems［J］. IEEE Transactions on Multimedia， 2022， 24： 1067-1079.
[22]	JANNACH D， ZANKER M. A survey on intent-aware recommender systems［J］. ACM Transactions on Recommender Systems， 2025， 3（2）： No.23.
[23]	LI H， WANG X， ZHANG Z， et al. Intention-aware sequential recommendation with structured intent transition［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（11）： 5403-5414.
[24]	ZHANG S， TAY Y， YAO L， et al. Next item recommendation with self-attentive metric learning［EB/OL］. ［2025-06-20］..
[25]	VARGAS S， CASTELLS P， VALLET D. Intent-oriented diversity in recommender systems［C］// Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2011： 1211-1212.
[26]	TAI K S， SOCHER R， MANNING C D. Improved semantic representations from tree-structured long short-term memory networks［C］// Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2015： 1556-1566.
[27]	KLEENANKANDY J， ABDUL NAZEER K A. An enhanced tree-LSTM architecture for sentence semantic modeling using typed dependencies ［J］. Information Processing and Management， 2020， 57（6）： No.102362.
[28]	DUCCI F， KRAUS M， FEUERRIEGEL S. Cascade-LSTM： a tree-structured neural classifier for detecting misinformation cascades［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 2666-2676.
[29]	ROY D， PANDA P， ROY K. Tree-CNN： a hierarchical deep convolutional neural network for incremental learning［J］. Neural Networks， 2020， 121： 148-160.
[30]	刘伟，陈鸿昶，黄瑞阳. 基于Tree-based CNN的关系抽取［J］. 中文信息学报， 2018， 32（11）： 34-40.
	LIU W， CHEN H C， HUANG R Y. Neural relation extraction via Tree-based CNN［J］. Journal of Chinese Information Processing， 2018， 32（11）： 34-40.
[31]	MOU L， LI G， ZHANG L， et al. Convolutional neural networks over tree structures for programming language processing［C］// Proceedings of the 30th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2016： 1287-1293.
[32]	AHMED M， SAMEE M R， MERCER R E. Improving tree-LSTM with tree attention［C］// Proceedings of the IEEE 13th International Conference on Semantic Computing. Piscataway： IEEE， 2019： 247-254.
[33]	梅宏，杜小勇，金海，等. 大数据技术前瞻［J］. 大数据， 2023， 9（1）： 1-20.
	MEI H， DU X Y， JIN H， et al. Big data technologies forward-looking［J］. Big Data Research， 2023， 9（1）： 1-20.
[34]	SPÄRCK JONES K. A statistical interpretation of term specificity and its application in retrieval［J］. Journal of Documentation， 1972， 28（1）： 11-21.
[35]	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[36]	WEHRMANN J， CERRI R， BARROS R C. Hierarchical multi-label classification networks［C］// Proceedings of the 35th International Conference on Machine Learning. New York： JMLR.org， 2018： 5075-5084.
[37]	Team GLM. ChatGLM： a family of large language models from GLM-130b to GLM-4 all tools［EB/OL］. ［2025-06-20］..
[38]	ZHENG D， WANG M， GAN Q， et al. Scalable graph neural networks with deep graph library［C］// Proceedings of the 14th ACM International Conference on Web Search and Data Mining. New York： ACM， 2021： 1141-1142.
[39]	KUSUPATI A， BHATT G， REGE A， et al. Matryoshka representation learning［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 30233-30249.
[40]	SPEER R， CHIN J， HAVASI C. ConceptNet 5.5： an open multilingual graph of general knowledge［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2017： 4444-4451.
[41]	KIM D， PARK C， OH J， et al. Convolutional matrix factorization for document context-aware recommendation［C］// Proceedings of the 10th ACM Conference on Recommender Systems. New York： ACM， 2016： 233-240.
[42]	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[43]	CUI Y， CHE W， LIU T， et al. Revisiting pre-trained models for Chinese natural language processing［C］// Findings of the Association for Computational Linguistics： EMNLP 2020. Stroudsburg： ACL， 2020： 657-668.
[44]	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks［EB/OL］. ［2025-06-20］..
[45]	Team Qwen. Qwen2.5 technical report［R/OL］. ［2025-06-20］..

表单类型	原始表单数	构造样本数	增强样本数
真实表单	254	776	12 411
通用表单	668	2 428	48 249
生成表单	120	240	—

表单类型	原始表单数	构造样本数	增强样本数
真实表单	254	776	12 411
通用表单	668	2 428	48 249
生成表单	120	240	—

关系类型	实体控件分布	分布占比
组织‒人	单位负责人	48.15
	单位联系人	31.48
	组织法人	14.81
人‒组织	工作单位	34.44
	就读院校	21.11
	所在家庭	14.44
事‒人	参与者	41.84
	执行人	21.05
	完成人	15.79
人‒地	家庭住址	52.08
	户籍地址	12.50
	工作地点	11.46
组织‒组织	下属部门	35.29
	主管部门	23.53
	上级机构	23.53

关系类型	实体控件分布	分布占比
组织‒人	单位负责人	48.15
	单位联系人	31.48
	组织法人	14.81
人‒组织	工作单位	34.44
	就读院校	21.11
	所在家庭	14.44
事‒人	参与者	41.84
	执行人	21.05
	完成人	15.79
人‒地	家庭住址	52.08
	户籍地址	12.50
	工作地点	11.46
组织‒组织	下属部门	35.29
	主管部门	23.53
	上级机构	23.53

模型	HitRatio@1	HitRatio@10	RR@10
Statistic	45.25	96.54	48.73
ConceptNet	9.06	49.47	56.48
ConvMF	26.40	64.70	43.44
BERT	21.46	67.10	47.26
GCN	63.90	86.57	48.03
Prompt	21.65	50.52	49.59
TRFW	84.62	97.31	69.44

基于Tree-LSTM的表单控件推荐模型

Tree-LSTM based recommendation model for form widget

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 45

相关文章 5

编辑推荐

Metrics

模型	HitRatio@1	HitRatio@10	RR@10
w/o scene	78.35	89.50	66.31
w/o tree	49.56	74.84	53.82
w/o enc	80.32	95.11	56.84
w/o enc + scene	75.92	87.14	56.06
TRFW	84.62	97.31	69.44

[1]	鲍彩倩, 徐建民, 张国防. 基于用户动态交互行为扩展的信念网络推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1115-1121.
[2]	武子腾, 宋承云. 融合多模态深度游走与偏差校准因子的推荐模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2432-2439.
[3]	顾军华, 樊帅, 李宁宁, 张素琪. 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》唯一官方网站, 2022, 42(4): 1079-1086.
[4]	张杨, 董士程. 面向并发程序中锁机制的智能化推荐方法[J]. 计算机应用, 2021, 41(6): 1597-1603.
[5]	任俊伟, 曾诚, 肖丝雨, 乔金霞, 何鹏. 基于会话的多粒度图神经网络推荐模型[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3164-3170.