CN112052392A - 一种基于lfm模型的线上服务推荐方法 - Google Patents
一种基于lfm模型的线上服务推荐方法 Download PDFInfo
- Publication number
- CN112052392A CN112052392A CN202010946009.7A CN202010946009A CN112052392A CN 112052392 A CN112052392 A CN 112052392A CN 202010946009 A CN202010946009 A CN 202010946009A CN 112052392 A CN112052392 A CN 112052392A
- Authority
- CN
- China
- Prior art keywords
- user
- lfm
- preference
- service
- energy
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LFM模型的线上服务推荐方法,包括:构建线上电商化服务目录;对基于LFM模型的线上服务推荐算法求解并分析结果。本发明通过构建合适的服务目录,并对综合能源线上服务的推荐方法进行分析,不需要了解更多的专业知识,只需要知道用户对项目的评分情况就可以完成对用户的推荐工作。通过综合能源线上服务目录的制定以及隐语义模型的构建,可有效地对综合能源服务公司做出服务推荐建议,提升提供能源服务的针对性。
Description
技术领域
本发明属于综合能源系统线上服务推荐优化领域,具体来说,涉及一种基于LFM模型的线上服务推荐方法。
背景技术
近年来,随着中国经济的飞速发展和互联网普及率的不断提升,人们的生活方式也发生了巨大的变化。从以前的获取信息只能通过书本、报纸、期刊等纸质书刊,转变到现今的通过手机、ipad、电脑等电子产品就可以获取到互联网上的各种信息。根据中国互联网络信息中心发布的第41次《中国互联网络发展状况统计报告》,截至2017年12月,我国网民规模已达7.72亿,这一数字表明了互联网在我国已经进入了全面普及的状态。互联网在给人们带来便利的同时,也导致了各种网络数据的急剧增长,人们也逐渐从一个信息匮乏的时代进入到一个信息超载的时代。使得人们需要花费大量的时间去查找自己所需的信息,造成了信息的利用率极低,这就是所谓的信息过载。目前,在解决“信息过载”问题方面,主要有两种解决方法,一种是信息检索技术,另一种是信息过滤技术。
个性化推荐系统主要是根据用户的兴趣特点和用户在系统中的行为数据来挖掘用户的兴趣偏好,从而推荐与用户兴趣偏好相似的物品或信息。与搜索引擎最明显的区别是:个性化推荐系统无需用户提供明确的需求就能完成对用户的推荐任务。目前,个性化推荐系统已经被广泛地应用到不同的商业场景并为企业带来了巨大利益。例如,在电子商务领域,淘宝网每年双十一活动当天有8%~12%的销售额都是来自于个性化推荐系统。在短视频领域,字节跳动公司旗下的抖音产品能在短短一年时间内吸引用户数量超过10亿,这些都是得益于个性化推荐系统的发展。因此,在信息过载的时代,对个性化推荐系统的研究,不仅仅能为用户节约大量查询信息的时间,同时,也能为企业带来巨大的商业利益。
在对个性化推荐系统的研究中,其中,最为重要的就是对个性化推荐算法的研究。目前,个性化推荐算法主要包括基于协同过滤(Collaborative Filtering)的推荐算法、基于内容(Content-based)的推荐算法和混合推荐算法。其中令人最满意的和应用最广泛的仍是协同过滤推荐算法,协同过滤推荐算法又可以分为基于邻域的协同过滤算法和基于模型的协同过滤算法。随着机器学习和深度学习的兴起,基于模型的协同过滤算法也越来越受到更多学者的关注,有不少学者也希望将机器学习模型和深度学习模型应用到协同过滤推荐算法中来获取更好的推荐效果。其中,较为知名的有受限玻尔兹曼机模型(RestrictedBoltzmann Machine,RBM)和隐语义模型(Latent Factor Model,LFM)。但这两个模型在协同过滤推荐算法的应用中也存在着稀疏性、冷启动、推荐准确度不高等问题。
发明内容
本发明的目的是提供一种基于LFM模型的线上服务推荐方法。该方法针对大电网与现代互联网技术逐渐融合发展,线上服务发展需求不断提升的现状,通过提出一套综合能源用户线上服务目录,并分析综合能源服务的推荐方法,建立基于LFM模型的一种综合能源公司线上服务推荐方法。
本发明的目的通过以下技术方案实现:
一种基于LFM模型的线上服务推荐方法,包括以下步骤:
(1)构建线上电商化服务目录;
(2)对基于LFM模型的服务推荐算法求解并分析结果。具体包括:
(2-1)用户-偏好评分矩阵及用户偏好聚类,通常情况下,用户-项目评分矩阵都具有很高的稀疏性且用户的划分一般都是根据用户的兴趣偏好来进行分类的。因此,为了能将兴趣偏好相似的用户尽量划分到同一个簇中。本节提出了将用户-项目评分矩阵转换成用户-偏好评分矩阵,利用用户-兴趣偏好评分矩阵Pm×s和k-means算法对用户进行聚类处理,将兴趣偏好相似的用户尽量划分到同一个簇中。
(2-2)LFM模型训练,为了提升传统LFM模型在推荐系统中的推荐效率,改进算法中利用了k-means聚类算法将数据集中的用户划分为k个簇,从而缩减了LFM模型训练的用户评分矩阵规模,并利用python语言里面的多线程编程思想对每个簇中的用户评分矩阵展开并行训练,大大提升了LFM模型的学习效率。
(2-3)最近邻用户集的选取,在实际的推荐系统中,用户之间的共同评分项目都是较少的且用户之间的评分几乎相近,这也直接导致了用户之间的相似度结果偏高,造成了最近邻用户集的选取不够精确。因此,本章利用用户-兴趣偏好矩阵Pm×s和本文第二章介绍的余弦相似度计算公式提出了一种用户偏好相似度的计算方法。
(2-4)改进LFM模型的预测评分分式,由于LFM模型是通过最小化RMSE来学习的用户隐含特征矩阵和项目隐含特征矩阵,因此LFM模型在学习过程中存在着用户隐含信息丢失的问题,从而导致推荐结果不够准确。为了进一步提高LFM模型的推荐准确度,融合KNN算法与LFM模型的思想,采用最近邻用户的实际评分对LFM模型的预测评分进行修正,进而来弥补在矩阵分解过程中丢失的用户信息。
进一步的,步骤(1)中的构建综合能源线上服务目录的内容包括全面的新零售线上服务目录、智能硬件线上服务目录、企业代维线上服务目录、能效提升线上服务目录、移动储能线上服务目录、电力设备租赁线上服务目录。
线上电商化服务是未来电网智能能源的关键组成部分,也是能源提供来源从电网能源集成服务过渡到多能源服务提供商竞争供应战略转型的重要途径。根据用户的兴趣特点和用户在系统中的行为数据来挖掘用户的兴趣偏好,从而推荐与用户兴趣偏好相似的综合能源线上服务方案,对综合能源公司在能源竞争中占据有利地位具有重要的作用。
本发明基于LFM模型算法构建了一种的线上服务推荐方法,通过构建合适的服务目录,并对综合能源线上服务的推荐方法进行分析,不需要了解更多的专业知识,只需要知道用户对项目的评分情况就可以完成对用户的推荐工作。
本发明适用于综合能源公司中,通过综合能源线上服务目录的制定以及隐语义模型(LFM模型)的构建,可有效地对综合能源服务公司做出服务推荐建议,提升提供能源服务的针对性。
附图说明
图1为本发明的流程图。
具体实施方式
一种基于LFM模型的综合能源公司线上服务推荐方法,如图1所示,包括:
(1)构建综合能源线上电商化服务目录。本发明中,构建综合能源服务目录的内容为:
(1-1)建立全面的新零售线上服务目录
全面的新零售线上服务主要关注由于新型电网的出现带来的一系列新零售产品,包括家用电器,3C数码和健康防护三大类。
家用电器主要指在家庭及类似场所中使用的各种电器和电子器具。家用电器使人们从繁重、琐碎、费时的家务劳动中解放出来,为人类创造了更为舒适优美、更有利于身心健康的生活和工作环境,提供了丰富多彩的文化娱乐条件,已成为现代家庭生活的必需品。
3C是计算机(Computer)、通讯(Communication)和消费电子产品(ConsumerElectronics)三类电子产品的简称,通过3C数码融合,将3种数字化电子产品的功能互相渗透、互相融合,使其功能更加智能化、多元化,使用更方便。
健康防护包括作业安全及健康防护方案,是电力系统中保证人员安全和生命的重要组成,对电力系统服务的发展与规划有重要作用。
(1-2)建立智能硬件线上服务目录
电能替代服务主要致力于将已有的设备进行智能化的改进,使之能够远程监控,自动感应等效用。主要包括表计传感器,智能井盖,智能网关等。
(1-3)建立企业代维线上服务目录
通过引入代维公司,将部分维护工作进行剥离,通过合作共赢的方式,实现传输网络分层维护不失是一种合乎当今发展潮流的维护模式。企业代维线上服务包括代维服务和代维软件推荐两种,可以为电力系统的分层维护提供有力支持。
(1-4)建立能效提升线上服务目录
能效提升线上服务包括两部分,即能源托管和合同能源管理。
能源托管是一种基于能源市场的需求,从托管行业独立出来的能源消费托管服务的节能新机制,节能服务公司针对任何用能企业,对能源的购进、使用以及用能设备效率、用能方式、政府节能考核的全面承包管理,并提供资金进行技术和设备更新,进而达到节能和节约能源费用的目的。能源托管包括全托管和半托管,全托管内容包括设备运营、管理和维护,人员管理,环保达标控制管理,日常所需能源燃料及运营成本等,并最终给客户提供能源使用;半托管内容只包括日常设备运行、管理和维护。
合同能源管理(EPC——Energy Performance Contracting)指的是节能服务公司与用能单位以契约形式约定节能项目的节能目标,节能服务公司为实现节能目标向用能单位提供必要的服务,用能单位以节能效益支付节能服务公司的投入及其合理利润的节能服务机制。其实质就是以减少的能源费用来支付节能项目全部成本的节能业务方式。这种节能投资方式允许客户用未来的节能收益为工厂和设备升级,以降低运行成本,节能服务公司以承诺节能项目的节能效益、或承包整体能源费用的方式为客户提供节能服务。
(1-5)建立移动储能线上服务目录
移动储能线上服务包括移动储能车,移动储能方舱,移动储能施工电源和充电式智能轨道机车几部分。
(1-6)建立电力设备租赁线上服务目录
力设备租赁线上服务包括箱式变压器,设备仪器,发电设备和安全工器具的线上租赁服务,可以通过线上对多类专业电工设备进行设备租赁,实现电力设备的互联互通。这项服务将为未来电力市场的发展与维护起到推动作用。
建立综合能源线上服务目录。目录的主要结构如表1所示。
表1.目录的主要结构
(2)对基于LFM模型的服务推荐算法求解并分析结果,运算步骤具体包括:
(2-1)用户-偏好评分矩阵及用户偏好聚类
通常情况下,用户-项目评分矩阵都具有很高的稀疏性且用户的划分一般都是根据用户的兴趣偏好来进行分类的。因此,为了能将兴趣偏好相似的用户尽量划分到同一个簇中。本发明提出了将用户-项目评分矩阵转换成用户-偏好评分矩阵,具体转换过程如下:
借助专利提出的用户-项目类型矩阵,假设用户u对w个项目有评分并且项目类型有s个,则可以利用(Hu)w×s矩阵来表示用户-项目类型矩阵。
可以用表格将矩阵进行表述:
表2.项目评级矩阵
表2中,矩阵的每一行代表一个用户,每一列代表一个项目。hij代表项目i的用户j的实际评分。hij的值通常在[1,5]以内,值越高表示对相应项目的偏好越高。
用户的兴趣与评分时间呈负相关性。因此,借助了艾宾浩斯记忆遗忘曲线和时间损失函数来反映用户兴趣变化的过程。定义时间损失函数为:
其中ti为用户对项目的评分时间,tbegin为用户对项目的最早评分时间,tend为用户对项目的最晚评分时间,η为损失因子。
由于不同用户对项目的评分尺度不一样和用户的兴趣随着时间的变化而变化。利用时间损失函数和用户的平均评分对用户-项目评分矩阵进行修正得到新的评分对角矩阵(Au)w×w:
根据以上分析可以得到,可以得到用户的偏好评分向量(Pu)1×s:
按照上面的用户偏好评分向量计算方法对每个用户的偏好评分向量分别进行计算,得到用户-偏好评分矩阵Pm×s。
最后,利用用户-兴趣偏好评分矩阵Pm×s和k-means算法对用户进行聚类处理,将兴趣偏好相似的用户尽量划分到同一个簇中。
(2-2)LFM模型训练
为了提升传统LFM模型在推荐系统中的推荐效率,改进算法中利用了k-means聚类算法将数据集中的用户划分为k个簇,从而缩减了LFM模型训练的用户评分矩阵规模,并利用python语言里面的多线程编程思想对每个簇中的用户评分矩阵展开并行训练,大大提升了LFM模型的学习效率。对于LFM模型的训练方法,算法的伪代码如下所示:
(2-3)最近邻用户集的选取
在实际的推荐系统中,用户之间的共同评分项目都是较少的且用户之间的评分几乎相近,这也直接导致了用户之间的相似度结果偏高,造成了最近邻用户集的选取不够精确。因此,本章利用用户-兴趣偏好矩阵Pm×s和本文第二章介绍的余弦相似度计算公式提出了一种用户偏好相似度的计算方法。具体计算过程如下:
其中simpre(u,v)是用户u和用户v之间的偏好相似度。
利用公式(5)可以计算出用户u与同簇中其他用户的偏好相似度,并按照偏好相似度的大小对用户集进行重新排列,选取与用户u最相似的N个用户作为用户u的最近邻集合。
(2-4)改进LFM模型的预测评分分式
由于LFM模型是通过最小化RMSE来学习的用户隐含特征矩阵和项目隐含特征矩阵,因此LFM模型在学习过程中存在着用户隐含信息丢失的问题,从而导致推荐结果不够准确。为了进一步提高LFM模型的推荐准确度,融合KNN算法与LFM模型的思想,采用最近邻用户的实际评分对LFM模型的预测评分进行修正,进而来弥补在矩阵分解过程中丢失的用户信息。得到最终预测评分公式如下所示:
式中,Nu为用户u所在的簇中与用户u最相似的N个用户,simpre(u,v)为用户u和用户v之间的偏好相似度,rvi为用户v对项目i的实际评分。
本发明适用于综合能源公司中,通过综合能源线上服务目录的制定以及隐语义模型(LFM模型)的构建,可有效地对综合能源服务公司做出服务推荐建议,提升提供能源服务的针对性。
Claims (2)
1.一种基于LFM模型的线上服务推荐方法,其特征在于该方法包括以下步骤:
(1)构建线上电商化服务目录;
(2)对基于LFM模型的线上服务推荐算法求解并分析结果;具体包括:
(2-1)用户-偏好评分矩阵及用户偏好聚类,根据用户兴趣的偏好来进行分类,将偏好相似的用户划分到同一个簇中;将用户-项目评分矩阵转换成用户-偏好评分矩阵,利用用户-偏好评分矩阵Pm×s和k-means算法对用户进行聚类处理,将偏好相似的用户划分到同一个簇中;
(2-2)LFM模型训练,利用k-means聚类算法将数据集中的用户划分为k个簇,缩减了LFM模型训练的用户评分矩阵规模,并利用python语言里面的多线程编程思想对每个簇中的用户评分矩阵展开并行训练,提升了LFM模型的学习效率;
(2-3)最近邻用户集的选取,利用用户-偏好矩阵Pm×s和余弦相似度计算公式完成用户偏好相似度的计算;
(2-4)改进LFM模型的预测评分分式,融合KNN算法与LFM模型的思想,采用最近邻用户的实际评分对LFM模型的预测评分进行修正,弥补在矩阵分解过程中丢失的用户信息。
2.根据权利要求1所述的基于LFM模型的线上服务推荐方法,其特征在于,步骤(1)中,电商化服务目录包括:全面的新零售线上服务目录、智能硬件线上服务目录、企业代维线上服务目录、能效提升线上服务目录、移动储能线上服务目录和电力设备租赁线上服务目录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946009.7A CN112052392A (zh) | 2020-09-10 | 2020-09-10 | 一种基于lfm模型的线上服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946009.7A CN112052392A (zh) | 2020-09-10 | 2020-09-10 | 一种基于lfm模型的线上服务推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052392A true CN112052392A (zh) | 2020-12-08 |
Family
ID=73611242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010946009.7A Pending CN112052392A (zh) | 2020-09-10 | 2020-09-10 | 一种基于lfm模型的线上服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052392A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127744A (zh) * | 2021-05-06 | 2021-07-16 | 云南电力技术有限责任公司 | 一种基于UserCF模型的综合能源公司线上服务推荐方法 |
CN113516355A (zh) * | 2021-04-30 | 2021-10-19 | 江苏电力信息技术有限公司 | 一种面向综合能源服务的推荐方法 |
US11869015B1 (en) | 2022-12-09 | 2024-01-09 | Northern Trust Corporation | Computing technologies for benchmarking |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205682A (zh) * | 2016-12-19 | 2018-06-26 | 同济大学 | 一种用于个性化推荐的融合内容和行为的协同过滤方法 |
CN111401936A (zh) * | 2020-02-26 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于评论空间和用户偏好的推荐方法 |
CN112100512A (zh) * | 2020-04-10 | 2020-12-18 | 南京邮电大学 | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 |
-
2020
- 2020-09-10 CN CN202010946009.7A patent/CN112052392A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205682A (zh) * | 2016-12-19 | 2018-06-26 | 同济大学 | 一种用于个性化推荐的融合内容和行为的协同过滤方法 |
CN111401936A (zh) * | 2020-02-26 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于评论空间和用户偏好的推荐方法 |
CN112100512A (zh) * | 2020-04-10 | 2020-12-18 | 南京邮电大学 | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 |
Non-Patent Citations (1)
Title |
---|
杨春: "基于RBM模型和LFM模型的推荐算法研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516355A (zh) * | 2021-04-30 | 2021-10-19 | 江苏电力信息技术有限公司 | 一种面向综合能源服务的推荐方法 |
CN113127744A (zh) * | 2021-05-06 | 2021-07-16 | 云南电力技术有限责任公司 | 一种基于UserCF模型的综合能源公司线上服务推荐方法 |
US11869015B1 (en) | 2022-12-09 | 2024-01-09 | Northern Trust Corporation | Computing technologies for benchmarking |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052392A (zh) | 一种基于lfm模型的线上服务推荐方法 | |
CN104391849B (zh) | 融入时间上下文信息的协同过滤推荐方法 | |
CN106600302A (zh) | 基于Hadoop的商品推荐系统 | |
CN107480856A (zh) | 基于改进逼近理想解排序法的售电公司电力客户评估方法 | |
Liu et al. | Factor allocation, economic growth and unbalanced regional development in China | |
CN110675087A (zh) | 一种区域综合能源系统投资潜力评估方法 | |
CN106991522A (zh) | 一种基于内容的新车型评分预测方法 | |
CN116701965A (zh) | 一种基于birch聚类算法的企业用户全景碳画像方法 | |
Han | System optimization of talent Life cycle management platform based on decision tree model | |
CN111680837B (zh) | 一种竞争环境下的多场景多商品连锁便利店选址优化方法 | |
An et al. | A two-stage multiple-factor aware method for travel product recommendation | |
Zhang et al. | Customer service robot model based on e-commerce dual-channel channel supply coordination and compensation strategy in the perspective of big data | |
Sajjad et al. | A micro‐level data analysis of household energy demand in Khyber Pakhtunkhwa, Pakistan: An application of linear approximate almost ideal demand system | |
Bischoff et al. | Smart meter based business models for the electricity sector-a systematical literature research | |
Junhui et al. | Research on agricultural products intelligent recommendation based on E-commerce big data | |
Zhang et al. | Extended Engel-Kollat-Blackwell Consumption Behavior Model for Residential Customers | |
Lin et al. | Design and communication of city brand image based on big data and personalized recommendation system | |
Liu et al. | Wind utilization and carbon emissions equilibrium: Scheduling strategy for wind-thermal generation system | |
CN113516355A (zh) | 一种面向综合能源服务的推荐方法 | |
Yan et al. | An Overview of the Application of Data Mining Technology in E-Commerce | |
Ermer et al. | How to Improve with a Strategic Lead Management: The Go-to-Market of Innovative Energy Solutions—Case Energy Industry | |
Wu et al. | Application of big data search based on collaborative filtering algorithm in cross-border e-commerce product recommendation | |
Ma et al. | Non-negative Matrix Decomposition-Based Power Package Recommendation Method | |
Zhang et al. | Identification and Analysis on Factors in Establishing the Green Supply Chain Contractual Relationship: Literature Review Based on NVivo | |
Shen et al. | Architecture and Implementation of Electricity Statistics Knowledge Graphs |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |
|
RJ01 | Rejection of invention patent application after publication |