CN102231166A - 基于社会上下文的协同推荐方法 - Google Patents

基于社会上下文的协同推荐方法 Download PDF

Info

Publication number
CN102231166A
CN102231166A CN2011101941066A CN201110194106A CN102231166A CN 102231166 A CN102231166 A CN 102231166A CN 2011101941066 A CN2011101941066 A CN 2011101941066A CN 201110194106 A CN201110194106 A CN 201110194106A CN 102231166 A CN102231166 A CN 102231166A
Authority
CN
China
Prior art keywords
matrix
user
social context
relation
collaborative
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
Application number
CN2011101941066A
Other languages
English (en)
Inventor
张寅�
邵健
蔡瑞瑜
吴飞
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN2011101941066A priority Critical patent/CN102231166A/zh
Publication of CN102231166A publication Critical patent/CN102231166A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于社会上下文约束的协同推荐方法。包括如下步骤：1）首先提取用户物品矩阵，以及社会化关系矩阵。在协同推荐中使用用户对物品的评分矩阵，或使用用户对物品点击次数或者访问关系来定义用户物品矩阵；社会化关系为系统中用户通过某些行为与其它用户之间发生的关系；2）使用带有社会上下文约束的低秩矩阵分解法来对用户物品矩阵进行填充，并使用结果矩阵为每个用户推荐N个物品；3）考虑到不同用户之间存在的差异性，对矩阵分解中社会上下文约束权重进行调整。本发明克服了传统协同过滤推荐算法的推荐信息单一以及用户物品矩阵稀释性导致的推荐结果不准确的问题，并且在推荐结果准确性上比传统的方法有明显的提高。

Description

基于社会上下文的协同推荐方法
技术领域
本发明涉及个性化推荐领域，尤其涉及一种基于社会化关系的协同推荐方法。
背景技术
近年来互联网飞速发展造成互联网上信息总量快速增加，同时电子商务也在不断地扩大。网上数据量的巨大导致用户需要花费大量时间去寻找自己喜欢的物品，这种排除大量无用信息的过程无疑会阻碍用户享受互联网带来的便利。为了解决这些问题，个性化推荐系统应用而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级智能平台，它主要是根据用户的兴趣特点和其它信息，向用户推荐其感兴趣的信息和商品，以帮助用户提供完全个性化的决策支持和信息服务。个性化推荐不仅在推动经济发展和网络发展上有重要的作用和价值，同时如何提高推荐的效率和准确度也是一个值得研究的热点问题。
协同过滤推荐算法（Collaborative Filtering Recommendation Algorithm）是个性化推荐系统中最常用而且有效的一种推荐算法。与传统的基于内容得推荐不同，协同过滤算法分析用户的兴趣，在用户群中找到指定用户的相似用户，并且综合这些相似用户对某一物品的评价，最后形成该指定用户对此物品的喜好程度的预测。虽然有着广泛的应用，协同过滤推荐仍难克服数据稀疏性和信息来源单一造成的问题，既由于用户物品矩阵的稀疏导致用户相似性计算不准确，从而影响到推荐的准确性，以及仅采用单一的用户物品评分矩阵进行挖掘推荐，无法克服单独评分矩阵信息量不足带来的问题，从而影响推荐结果。
针对协同过滤推荐算法的问题，我们引入了社会关系信息来结合用户物品信息进行推荐。同时为了解决数据稀疏性问题，我们采用低秩矩阵分解的方法来进行推荐，通过把社会上下文约束融入低秩矩阵分解中对物品评分进行预测，从而达到推荐的目的。
发明内容
本发明的目的是克服现有推荐技术的不足，提供一种基于社会上下文约束的协同推荐方法（Collaborative Recommendation by Social Context Regularization, CRSCR）。
基于社会上下文约束的协同推荐方法包括如下步骤：
1）首先提取用户物品矩阵，以及社会化关系矩阵，在协同推荐中使用用户对物品的评分矩阵，或使用用户对物品点击次数或者访问关系来定义用户物品矩阵；社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系；
2）使用带有社会上下文约束的低秩矩阵分解法来对用户物品矩阵进行填充，并使用结果矩阵为每个用户推荐N个物品；
3）考虑到不同用户之间存在的差异性，对矩阵分解中社会上下文约束权重进行调整。
    所述的步骤1)为：
2.1）选取用户对物品的评分矩阵作为用户物品矩阵R，推荐系统中用户对物品评分范围通常为0到5，在系统没有提供评分机制时，使用归一化的用户对物品点击率矩阵或者关系矩阵作为用户物品矩阵R；
2.2）提取用户之间的社会化关系矩阵G，社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系关系，使用每一行每一列值为0或1的矩阵来描述社会化关系，即                                                
Figure 2011101941066100002DEST_PATH_IMAGE001
表示用户i和用户j存在关系，反之
Figure 44061DEST_PATH_IMAGE002
表示用户i和用户j之间不存在关系。
所述的步骤2)为：
3.1）对用户物品矩阵
Figure 2011101941066100002DEST_PATH_IMAGE003
进行低秩矩阵分解过程为计算矩阵
Figure 394271DEST_PATH_IMAGE004
和矩阵
Figure 2011101941066100002DEST_PATH_IMAGE005
，且使得U和V满足条件
Figure 609221DEST_PATH_IMAGE006
，其中m为用户的数量，n为物品的数量，并且
Figure 2011101941066100002DEST_PATH_IMAGE007
，通过最小化以下式子来近似计算U和V； 
Figure 728486DEST_PATH_IMAGE008
3.2）分解R中不为0的值来计算出U 和V ，同时在最小化式子中加两个惩罚项，设
Figure 2011101941066100002DEST_PATH_IMAGE009
和
Figure 606575DEST_PATH_IMAGE010
是两个惩罚项的参数，将最小化式子改写为以下形式，其中I是R的指示矩阵，这里是指示矩阵，还是单位矩阵，即identity矩阵：
Figure 2011101941066100002DEST_PATH_IMAGE011
3.3）使用带有社会上下文约束的低秩矩阵分解法过程为在低秩矩阵分解的最小化式子中加入社会上下文约束，社会上下文约束即同一兴趣组内或社区内用户之间偏好类似，不同兴趣组之间用户偏好差异大，其表示如下：
Figure 444081DEST_PATH_IMAGE012
其中S代表用户之间的相似性矩阵，其值为用户向量之间的余弦距离，是
Figure 197142DEST_PATH_IMAGE014
的对称矩阵，即如果
Figure 2011101941066100002DEST_PATH_IMAGE015
，则
Figure 436494DEST_PATH_IMAGE016
，反之
Figure 2011101941066100002DEST_PATH_IMAGE017
，
Figure 482554DEST_PATH_IMAGE018
是参数，用来调整同一兴趣组内或社区内约束和不同兴趣组间或社区间约束的不同权重，令
Figure 2011101941066100002DEST_PATH_IMAGE019
，
Figure 807356DEST_PATH_IMAGE020
，加入社会上下文约束后的低秩矩阵分解方法转变成通过求以下最小化式子来计算U和V： 
Figure 2011101941066100002DEST_PATH_IMAGE021
Figure 364108DEST_PATH_IMAGE009
，
Figure 254703DEST_PATH_IMAGE010
和
Figure 989441DEST_PATH_IMAGE022
为参数，最后基于得到的结果矩阵A，A=U*V，实现推荐。
所述的步骤3)为：在社会上下文约束最小化关系式中使用用户相似性矩阵S对用户权重进行调整，表示如下：
本发明显示基于社会上下文约束的协同推荐方法（CRSCR）克服了传统协同过滤推荐算法的推荐信息单一以及用户物品矩阵稀释性导致的推荐结果不准确的问题，相对于传统的协同过滤推荐算法，本发明中的算法在推荐结果准确性上有明显的提高，社会关系的引入并且使用低秩矩阵分解的方法大幅提升了推荐算法的效率。
附图说明
图1是基于社会上下文约束的协同推荐方法流程图；
图2是在last.fm数据集上基于社会上下文约束的协同推荐方法（CRSCR）在
Figure 2011101941066100002DEST_PATH_IMAGE023
上与其它方法对比的曲线图；
图3是在Epnions数据集上基于社会上下文约束的协同推荐方法（CRSCR）在
Figure 460185DEST_PATH_IMAGE023
上与其它方法对比的曲线图。
具体实施方式
基于社会上下文约束的协同推荐方法包括如下步骤：
1）首先提取用户物品矩阵，以及社会化关系矩阵，在协同推荐中使用用户对物品的评分矩阵，或使用用户对物品点击次数或者访问关系来定义用户物品矩阵；社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系；
2）使用带有社会上下文约束的低秩矩阵分解法来对用户物品矩阵进行填充，并使用结果矩阵为每个用户推荐N个物品；
3）考虑到不同用户之间存在的差异性，对矩阵分解中社会上下文约束权重进行调整。
所述的步骤1)为：
2.1）选取用户对物品的评分矩阵作为用户物品矩阵R，推荐系统中用户对物品评分范围通常为0到5，在系统没有提供评分机制时，使用归一化的用户对物品点击率矩阵或者关系矩阵作为用户物品矩阵R；
2.2）提取用户之间的社会化关系矩阵G，社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系关系，使用每一行每一列值为0或1的矩阵来描述社会化关系，即表示用户i和用户j存在关系，反之
Figure 376505DEST_PATH_IMAGE002
表示用户i和用户j之间不存在关系。
所述的步骤2)为：
3.1）对用户物品矩阵
Figure 472637DEST_PATH_IMAGE003
进行低秩矩阵分解过程为计算矩阵
Figure 371192DEST_PATH_IMAGE004
和矩阵
Figure 236380DEST_PATH_IMAGE005
，且使得U和V满足条件
Figure 312920DEST_PATH_IMAGE006
，其中m为用户的数量，n为物品的数量，并且
Figure 896349DEST_PATH_IMAGE007
，通过最小化以下式子来近似计算U和V； 
Figure 831550DEST_PATH_IMAGE008
3.2）分解R中不为0的值来计算出U 和V ，同时在最小化式子中加两个惩罚项，设
Figure 816824DEST_PATH_IMAGE009
和
Figure 64265DEST_PATH_IMAGE010
是两个惩罚项的参数，将最小化式子改写为以下形式，其中I是R的指示矩阵，这里是指示矩阵，还是单位矩阵，即identity矩阵：
Figure 134990DEST_PATH_IMAGE011
3.3）使用带有社会上下文约束的低秩矩阵分解法过程为在低秩矩阵分解的最小化式子中加入社会上下文约束，社会上下文约束即同一兴趣组内或社区内用户之间偏好类似，不同兴趣组之间用户偏好差异大，其表示如下：
Figure 188396DEST_PATH_IMAGE012
其中S代表用户之间的相似性矩阵，其值为用户向量之间的余弦距离，是
Figure 695787DEST_PATH_IMAGE014
的对称矩阵，即如果
Figure 925911DEST_PATH_IMAGE015
，则
Figure 783009DEST_PATH_IMAGE016
，反之
Figure 165711DEST_PATH_IMAGE017
，
Figure 817272DEST_PATH_IMAGE018
是参数，用来调整同一兴趣组内或社区内约束和不同兴趣组间或社区间约束的不同权重，令
Figure 862588DEST_PATH_IMAGE019
，
Figure 195481DEST_PATH_IMAGE020
，加入社会上下文约束后的低秩矩阵分解方法转变成通过求以下最小化式子来计算U和V：
Figure 744274DEST_PATH_IMAGE021
Figure 19266DEST_PATH_IMAGE009
，
Figure 286299DEST_PATH_IMAGE010
和
Figure 422883DEST_PATH_IMAGE022
为参数，最后基于得到的结果矩阵A，A=U*V，实现推荐。
所述的步骤3)为：在社会上下文约束最小化关系式中使用用户相似性矩阵S对用户权重进行调整，表示如下：
Figure 826182DEST_PATH_IMAGE012
设以上最小化目标函数为
Figure 770611DEST_PATH_IMAGE024
，分别对
Figure 2011101941066100002DEST_PATH_IMAGE025
和
Figure 524940DEST_PATH_IMAGE026
求导得到以下结果，其中
Figure 199635DEST_PATH_IMAGE025
为矩阵U的第i列的列向量，同理为矩阵V的第j列的列向量：
Figure 339815DEST_PATH_IMAGE028
以上式子经整理后可转换为：
Figure 2011101941066100002DEST_PATH_IMAGE029
   
Figure 253545DEST_PATH_IMAGE030
根据以上的推导，下面给出基于社会上下文的协同推荐算法过程：
输入：用户物品矩阵
Figure 2011101941066100002DEST_PATH_IMAGE031
，用户社会关系矩阵
Figure 482663DEST_PATH_IMAGE032
，参数
Figure 2011101941066100002DEST_PATH_IMAGE033
，
Figure 63817DEST_PATH_IMAGE034
，
Figure 2011101941066100002DEST_PATH_IMAGE035
步骤1：根据
Figure 585934DEST_PATH_IMAGE031
计算相似矩阵
Figure 314856DEST_PATH_IMAGE036
步骤2：令
Figure 2011101941066100002DEST_PATH_IMAGE037
，
Figure 331353DEST_PATH_IMAGE038
步骤3：1>计算
Figure 2011101941066100002DEST_PATH_IMAGE039
，
        for i=1:m
          
Figure 514817DEST_PATH_IMAGE040
       end
2>计算，
       for j=1:n
           
Figure 958568DEST_PATH_IMAGE042
       end
步骤4：测试
Figure 2011101941066100002DEST_PATH_IMAGE043
和
Figure 361736DEST_PATH_IMAGE044
，
如果没有收敛，返回步骤3，计算
Figure 2011101941066100002DEST_PATH_IMAGE045
和
Figure 181924DEST_PATH_IMAGE046
，且令，
Figure 534408DEST_PATH_IMAGE048
，继续重复步骤4
如果收敛，转到输出
输出：
Figure 2011101941066100002DEST_PATH_IMAGE049
，
           A=U*V，通过对结果矩阵A中每个用户对物品的预测评分进行排序并取前面的N个物品对该用户进行推荐。
实施例
实验数据取自Epinions（http://www.trustlet.org/wiki/Epinions_datasets）和last.fm（http://last.fm）。其中last.fm包含2440用户和2740歌曲（物品）以及66个兴趣爱好小组，对于每个用户，我们选其最喜爱的歌曲且令该用户对其评分为1，对其它歌曲评分为0。Epinions包含了813用户和1742物品，用户和物品之间的关系通过范围为0到5的评分来体现，0表示用户没有对物品评分，用户之间存在信任关系。我们选原始数据的80%作为训练集，20%作测试集合。
为了说明本发明所提出算法的有效性，我们还使用了三种传统的协同过滤算法作对比实验，分别是：基于用户的协同过滤算法（UBCF），基于物品的协同过滤算法（IBCF）以及物品排名推荐算法（ItemRank，IR）。此外，我们采用了
Figure 540990DEST_PATH_IMAGE023
的测评方法，定义如下：
 ,其中
Figure 148557DEST_PATH_IMAGE052
, 
Figure 2011101941066100002DEST_PATH_IMAGE053
  (9)
在此，是对特定用户推荐物品的数量，
Figure 2011101941066100002DEST_PATH_IMAGE055
是在推荐的
Figure 406680DEST_PATH_IMAGE056
个物品里面推荐正确的个数，
Figure 2011101941066100002DEST_PATH_IMAGE057
是测试集里面与用户相关的物品的个数。
 实验结果显示基于社会上下文约束的协同推荐方法（CRSCR）相对于传统的协同过滤推荐算法有性能上的明显提高，证明社会关系的引入并且使用低秩矩阵分解的方法可以大幅提升了推荐算法的效率。

Claims (4)

1.一种基于社会上下文约束的协同推荐方法，其特征在于包括如下步骤：
1）首先提取用户物品矩阵，以及社会化关系矩阵，在协同推荐中使用用户对物品的评分矩阵，或使用用户对物品点击次数或者访问关系来定义用户物品矩阵；社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系；
2）使用带有社会上下文约束的低秩矩阵分解法来对用户物品矩阵进行填充，并使用结果矩阵为每个用户推荐N个物品；
3）考虑到不同用户之间存在的差异性，对矩阵分解中社会上下文约束权重进行调整。
2.根据权利要求1所述的一种基于社会上下文约束的协同推荐方法，其特征在于所述的步骤1)为：
2.1）选取用户对物品的评分矩阵作为用户物品矩阵R，推荐系统中用户对物品评分范围通常为0到5，在系统没有提供评分机制时，使用归一化的用户对物品点击率矩阵或者关系矩阵作为用户物品矩阵R；
2.2）提取用户之间的社会化关系矩阵G，社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系关系，使用每一行每一列值为0或1的矩阵来描述社会化关系，即                                                
Figure 697884DEST_PATH_IMAGE001
表示用户i和用户j存在关系，反之表示用户i和用户j之间不存在关系。
3.根据权利要求1所述的一种基于社会上下文约束的协同推荐方法，其特征在于所述的步骤2)为：
3.1）对用户物品矩阵
Figure 630254DEST_PATH_IMAGE003
进行低秩矩阵分解过程为计算矩阵
Figure 128231DEST_PATH_IMAGE004
和矩阵
Figure 837561DEST_PATH_IMAGE005
，且使得U和V满足条件
Figure 788200DEST_PATH_IMAGE006
，其中m为用户的数量，n为物品的数量，并且
Figure 359121DEST_PATH_IMAGE007
，通过最小化以下式子来近似计算U和V； 
Figure 711605DEST_PATH_IMAGE008
；
3.2）分解R中不为0的值来计算出U 和V ，同时在最小化式子中加两个惩罚项，设
Figure 591836DEST_PATH_IMAGE009
和
Figure 29771DEST_PATH_IMAGE010
是两个惩罚项的参数，将最小化式子改写为以下形式，其中I是R的指示矩阵，这里是指示矩阵，还是单位矩阵，即identity矩阵：
Figure 637338DEST_PATH_IMAGE011
；
3.3）使用带有社会上下文约束的低秩矩阵分解法过程为在低秩矩阵分解的最小化式子中加入社会上下文约束，社会上下文约束即同一兴趣组内或社区内用户之间偏好类似，不同兴趣组之间用户偏好差异大，其表示如下：
Figure 109908DEST_PATH_IMAGE012
其中S代表用户之间的相似性矩阵，其值为用户向量之间的余弦距离，
Figure 161041DEST_PATH_IMAGE013
是
Figure 86271DEST_PATH_IMAGE014
的对称矩阵，即如果
Figure 996065DEST_PATH_IMAGE015
，则
Figure 57562DEST_PATH_IMAGE016
，反之
Figure 279596DEST_PATH_IMAGE017
，
Figure 692123DEST_PATH_IMAGE018
是参数，用来调整同一兴趣组内或社区内约束和不同兴趣组间或社区间约束的不同权重，令，
Figure 88655DEST_PATH_IMAGE020
，加入社会上下文约束后的低秩矩阵分解方法转变成通过求以下最小化式子来计算U和V： 
Figure 216011DEST_PATH_IMAGE021
Figure 115834DEST_PATH_IMAGE009
，
Figure 370360DEST_PATH_IMAGE010
和
Figure 672028DEST_PATH_IMAGE022
为参数，最后基于得到的结果矩阵A，A=U*V，实现推荐。
4.根据权利要求1所述的一种基于社会上下文约束的协同推荐方法，其特征在于所述的步骤3)为：在社会上下文约束最小化关系式中使用用户相似性矩阵S对用户权重进行调整，表示如下：
Figure 970286DEST_PATH_IMAGE012
。
CN2011101941066A 2011-07-12 2011-07-12 基于社会上下文的协同推荐方法 Pending CN102231166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011101941066A CN102231166A (zh) 2011-07-12 2011-07-12 基于社会上下文的协同推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011101941066A CN102231166A (zh) 2011-07-12 2011-07-12 基于社会上下文的协同推荐方法

Publications (1)

Publication Number Publication Date
CN102231166A true CN102231166A (zh) 2011-11-02

Family

ID=44843730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011101941066A Pending CN102231166A (zh) 2011-07-12 2011-07-12 基于社会上下文的协同推荐方法

Country Status (1)

Country Link
CN (1) CN102231166A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609533A (zh) * 2012-02-15 2012-07-25 中国科学技术大学 一种基于核方法的协同过滤推荐系统及方法
CN102609523A (zh) * 2012-02-10 2012-07-25 上海视畅信息科技有限公司 基于物品分类和用户分类的协同过滤推荐算法
CN102799671A (zh) * 2012-07-17 2012-11-28 西安电子科技大学 基于PageRank算法的网络个性化推荐方法
CN103116639A (zh) * 2013-02-20 2013-05-22 新浪网技术(中国)有限公司 基于用户-物品二分图模型的物品推荐方法及系统
CN103164463A (zh) * 2011-12-16 2013-06-19 国际商业机器公司 推荐标签的方法和装置
CN103399858A (zh) * 2013-07-01 2013-11-20 吉林大学 基于信任的社会化协同过滤推荐方法
CN103559623A (zh) * 2013-09-24 2014-02-05 浙江大学 一种基于联合非负矩阵分解的个性化产品推荐方法
CN103886047A (zh) * 2014-03-12 2014-06-25 浙江大学 面向流式数据的分布式在线推荐方法
CN103888852A (zh) * 2014-03-24 2014-06-25 清华大学 用于社交电视的视频推荐方法和装置
CN104063589A (zh) * 2014-06-16 2014-09-24 百度移信网络技术（北京）有限公司 一种推荐方法以及系统
CN105045865A (zh) * 2015-07-13 2015-11-11 电子科技大学 一种基于核的协同主题回归标签推荐方法
CN105069122A (zh) * 2015-08-12 2015-11-18 天津大学 一种基于用户行为的个性化推荐方法及其推荐装置
CN105740327A (zh) * 2016-01-22 2016-07-06 天津中科智能识别产业技术研究院有限公司 一种基于用户偏好的自适应采样方法
CN105976220A (zh) * 2016-04-25 2016-09-28 合肥工业大学 基于项目使用次数的矩阵分解推荐方法
CN106649657A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐系统及方法
CN106886559A (zh) * 2016-12-28 2017-06-23 浙江浙大网新集团有限公司 同时融入好友特征和相似用户特征的协同过滤方法
CN106959949A (zh) * 2016-01-08 2017-07-18 中国科学院声学研究所 一种用于推荐系统的数据结构化处理方法
CN108090782A (zh) * 2016-11-21 2018-05-29 华为技术有限公司 一种网游推荐方法及服务器
CN108228833A (zh) * 2018-01-04 2018-06-29 浙江大学 一种利用用户倾向性学习解决社区项目推荐任务的方法
CN108228642A (zh) * 2016-12-21 2018-06-29 华为技术有限公司 一种基于忆阻器的项目推荐以及装置
CN108810640A (zh) * 2018-06-15 2018-11-13 重庆知遨科技有限公司 一种电视节目的推荐方法
CN109542950A (zh) * 2018-11-14 2019-03-29 中国联合网络通信集团有限公司 社会关系的挖掘方法、装置、终端及计算机可读存储介质
CN111552852A (zh) * 2020-04-27 2020-08-18 北京交通大学 基于半离散矩阵分解的物品推荐方法

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164463A (zh) * 2011-12-16 2013-06-19 国际商业机器公司 推荐标签的方法和装置
CN102609523A (zh) * 2012-02-10 2012-07-25 上海视畅信息科技有限公司 基于物品分类和用户分类的协同过滤推荐算法
CN102609523B (zh) * 2012-02-10 2018-03-06 上海视畅信息科技有限公司 基于物品分类和用户分类的协同过滤推荐方法
CN102609533A (zh) * 2012-02-15 2012-07-25 中国科学技术大学 一种基于核方法的协同过滤推荐系统及方法
CN102609533B (zh) * 2012-02-15 2015-03-18 中国科学技术大学 一种基于核方法的协同过滤推荐系统及方法
CN102799671A (zh) * 2012-07-17 2012-11-28 西安电子科技大学 基于PageRank算法的网络个性化推荐方法
CN102799671B (zh) * 2012-07-17 2015-04-29 西安电子科技大学 基于PageRank算法的网络个性化推荐方法
CN103116639B (zh) * 2013-02-20 2016-05-11 新浪网技术(中国)有限公司 基于用户-物品二分图模型的物品推荐方法及系统
CN103116639A (zh) * 2013-02-20 2013-05-22 新浪网技术(中国)有限公司 基于用户-物品二分图模型的物品推荐方法及系统
CN103399858A (zh) * 2013-07-01 2013-11-20 吉林大学 基于信任的社会化协同过滤推荐方法
CN103399858B (zh) * 2013-07-01 2016-08-10 吉林大学 基于信任的社会化协同过滤推荐方法
CN103559623A (zh) * 2013-09-24 2014-02-05 浙江大学 一种基于联合非负矩阵分解的个性化产品推荐方法
CN103886047A (zh) * 2014-03-12 2014-06-25 浙江大学 面向流式数据的分布式在线推荐方法
CN103886047B (zh) * 2014-03-12 2017-07-07 浙江大学 面向流式数据的分布式在线推荐方法
CN103888852A (zh) * 2014-03-24 2014-06-25 清华大学 用于社交电视的视频推荐方法和装置
CN103888852B (zh) * 2014-03-24 2017-05-31 清华大学 用于社交电视的视频推荐方法和装置
CN104063589A (zh) * 2014-06-16 2014-09-24 百度移信网络技术（北京）有限公司 一种推荐方法以及系统
CN104063589B (zh) * 2014-06-16 2018-01-16 百度移信网络技术（北京）有限公司 一种推荐方法以及系统
CN105045865A (zh) * 2015-07-13 2015-11-11 电子科技大学 一种基于核的协同主题回归标签推荐方法
CN105045865B (zh) * 2015-07-13 2019-04-26 电子科技大学 一种基于核的协同主题回归标签推荐方法
CN105069122A (zh) * 2015-08-12 2015-11-18 天津大学 一种基于用户行为的个性化推荐方法及其推荐装置
CN106959949B (zh) * 2016-01-08 2019-08-20 中国科学院声学研究所 一种用于推荐系统的数据结构化处理方法
CN106959949A (zh) * 2016-01-08 2017-07-18 中国科学院声学研究所 一种用于推荐系统的数据结构化处理方法
CN105740327B (zh) * 2016-01-22 2019-04-19 天津中科智能识别产业技术研究院有限公司 一种基于用户偏好的自适应采样方法
CN105740327A (zh) * 2016-01-22 2016-07-06 天津中科智能识别产业技术研究院有限公司 一种基于用户偏好的自适应采样方法
CN105976220A (zh) * 2016-04-25 2016-09-28 合肥工业大学 基于项目使用次数的矩阵分解推荐方法
CN105976220B (zh) * 2016-04-25 2017-05-17 合肥工业大学 基于项目使用次数的矩阵分解推荐方法
CN108090782A (zh) * 2016-11-21 2018-05-29 华为技术有限公司 一种网游推荐方法及服务器
CN108090782B (zh) * 2016-11-21 2021-09-14 华为技术有限公司 一种网游推荐方法及服务器
CN106649657A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐系统及方法
CN106649657B (zh) * 2016-12-13 2020-11-17 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐系统及方法
CN108228642A (zh) * 2016-12-21 2018-06-29 华为技术有限公司 一种基于忆阻器的项目推荐以及装置
CN106886559A (zh) * 2016-12-28 2017-06-23 浙江浙大网新集团有限公司 同时融入好友特征和相似用户特征的协同过滤方法
CN108228833A (zh) * 2018-01-04 2018-06-29 浙江大学 一种利用用户倾向性学习解决社区项目推荐任务的方法
CN108810640A (zh) * 2018-06-15 2018-11-13 重庆知遨科技有限公司 一种电视节目的推荐方法
CN108810640B (zh) * 2018-06-15 2020-12-18 浙江广业软件科技有限公司 一种电视节目的推荐方法
CN109542950A (zh) * 2018-11-14 2019-03-29 中国联合网络通信集团有限公司 社会关系的挖掘方法、装置、终端及计算机可读存储介质
CN111552852A (zh) * 2020-04-27 2020-08-18 北京交通大学 基于半离散矩阵分解的物品推荐方法

Similar Documents

Publication Publication Date Title
CN102231166A (zh) 基于社会上下文的协同推荐方法
Jannach et al. What recommenders recommend: an analysis of recommendation biases and possible countermeasures
CN102902691B (zh) 推荐方法及系统
CN103617289B (zh) 基于用户特征及网络关系的微博推荐方法
CN103632290B (zh) 一种基于推荐概率融合的混合推荐方法
CN105574003B (zh) 一种基于评论文本和评分分析的信息推荐方法
WO2019029046A1 (zh) 一种视频推荐方法及系统
CN101206751A (zh) 基于数据挖掘的顾客推荐系统及其方法
Lin et al. Multiobjective personalized recommendation algorithm using extreme point guided evolutionary computation
CN104657336B (zh) 一种基于半余弦函数的个性化推荐方法
CN103744917B (zh) 混合推荐方法及系统
KR20150023432A (ko) 사용자 데모그래픽을 추정하는 방법 및 장치
CN107330727A (zh) 一种基于隐语义模型的个性化推荐方法
CN107833117A (zh) 一种考虑标签信息的贝叶斯个性化排序推荐方法
CN106708953A (zh) 基于离散粒子群优化的局部社区检测协同过滤推荐方法
CN106384259A (zh) 一种融合社交信息的推荐系统解决方法
CN106157156A (zh) 一种基于用户社区的协作推荐系统
CN109840833A (zh) 贝叶斯协同过滤推荐方法
CN108563690A (zh) 一种基于面向对象聚类的协同过滤推荐方法
CN104239496A (zh) 一种结合模糊权重相似性度量和聚类协同过滤的方法
CN109886779A (zh) 一种智能商品推荐系统
Dong et al. Research of hybrid collaborative filtering algorithm based on news recommendation
CN108694234A (zh) 一种基于改进协同过滤算法的服务推荐模型
CN104915391A (zh) 一种基于信任关系的物品推荐方法
Cao et al. A Recommendation Approach Based on Product Attribute Reviews: Improved Collaborative Filtering Considering the Sentiment Polarity.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20111102