CN102521362B - Web服务推荐方法及装置 - Google Patents
Web服务推荐方法及装置 Download PDFInfo
- Publication number
- CN102521362B CN102521362B CN201110421560.0A CN201110421560A CN102521362B CN 102521362 B CN102521362 B CN 102521362B CN 201110421560 A CN201110421560 A CN 201110421560A CN 102521362 B CN102521362 B CN 102521362B
- Authority
- CN
- China
- Prior art keywords
- web service
- user
- predicted value
- value
- area
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种Web服务推荐方法及装置,所述方法包括:获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务;根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值;所述第二Web服务为所述Web服务库中的具有预测值的Web服务;根据所述Web服务库中与所述用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户。上述方法用以克服现有技术中Web服务推荐方法效率低、推荐结果不准确的问题。
Description
技术领域
本发明涉及网络数据处理技术,特别涉及一种Web服务推荐方法及装置。
背景技术
Web服务(Web service)是一种面向服务的架构的技术,通过标准的Web协议提供服务,目的是保证不同平台的应用服务可以互操作。当前,Web服务越来越多,例如提供天气预报查询的Web服务、提供彩铃下载的Web服务。大多的Web服务的大量功能相同或类似,由此,面对较多的Web服务用户无从选择。
为此,业内人士通过Web服务推荐以解决用户无从选择的问题。现有的Web服务推荐方法采用协同过滤技术,具体地,协同过滤技术基于用户的协同过滤算法对当前用户未使用的Web服务的服务质量(Quality ofService,简称:QoS)进行预测,并将具有最优预测值的Web服务推荐给用户。
然而,现有技术中的协同过滤算法是在使用Web服务库中的所有用户中搜索相似用户,即查找所有用户中QoS信息往返时延(Round TripTime,简称:RTT)值中相似的用户,以获取具有最优预测值的Web服务。由上可知,现有的Web服务推荐方法效率低,且推荐结果不准确。
发明内容
本发明的目的是提供一种Web服务推荐方法及装置,用以克服现有技术中Web服务推荐方法效率低、推荐结果不准确的问题。
本发明一方面提供了一种Web服务推荐方法,包括:
获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务;
根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值;其中,所述第二Web服务为所述Web服务库中的具有预测值的Web服务;
根据所述Web服务库中与所述用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户。
本发明另一方面提供了一种Web服务推荐装置,包括:
第一获取单元,用于获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务;
第二获取单元,用于根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值;其中,所述第二Web服务为所述Web服务库中的具有预测值的Web服务;
选取单元,用于根据所述Web服务库中与所述用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户。
由上述技术方案可知,本发明中的Web服务推荐方法及装置,根据用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值,进而选取Web服务库中与用户对应的符合预设阈值范围内的预测值对应的Web服务推荐给所述用户,可有效提高Web服务推荐结果的准确性,同时可提高Web服务推荐方法的效率。
附图说明
图1为本发明一实施例所使用的用户服务评价矩阵的结构示意图;
图2为本发明一实施例提供的Web服务推荐方法的流程示意图;
图3为本发明一实施例提供的Web服务推荐方法的流程示意图;
图4为本发明另一实施例提供的Web服务推荐装置的流程示意图。
具体实施方式
为了对本发明实施例进行清楚详细的说明,以下结合一矩阵模型进行举例说明,该矩阵模型由已有的系统收集的用户对Web服务使用的QoS信息构成。该矩阵的横坐标为Web服务库中的各Web服务,纵坐标为该Web服务对应的各用户使用的QoS信息往返时延(Round Trip Time,简称:RTT)值,图1示出了本发明一实施例所使用的用户服务评价矩阵的结构示意图。如图1所示。
横坐标:S={s1,s2,...,sm}是服务集合,纵坐标:U={u1,u2,...,un}是用户集合(其表示的是用户使用Web服务的RTT值)。其中,si(1≤i≤m)表示一个服务,m表示服务数量,ui(1≤i≤n)表示一个用户,n表示用户数量。
如图1所示,R是一个n×m二维用户服务关系矩阵,矩阵中的每个元素Ri,j表示用户i提交的服务j的RTT值,Ri,j=⊥表示当且仅当用户i没有提交服务j的RTT值。
Ri.是一个行向量,表示用户i提交的所有服务的RTT值,表示用户i提交的所有服务的RTT值的算数平均值。
用户ua(1≤a≤n)表示已经提交过RTT值,需要获得服务推荐的活跃用户。
以下结合上述定义模型详细描述本发明。
图2为本发明一实施例提供的Web服务推荐方法的流程示意图,如图2所示,本实施例的Web服务推荐方法可如下文所述。
步骤201、获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务。
结合图1举例来说,当待推荐用户为ua时,相对于ua来说,未使用过的第一Web服务即为s1。用户未使用过的第一Web服务可以为一个或多个。
另外,Web服务库中为现有技术中的Web服务库。
步骤202、根据用户所在的区域聚合内的第二Web服务的预测值,获取第一Web服务的预测值;其中,第二Web服务为Web服务库中的具有预测值的Web服务。
本实施例中的第一Web服务的预测值为与用户对应的第一Web服务的预测值。
以用户ua举例来说,第二Web服务可为图1中所示的s2、sm等,s2对应的预测值即为RTT值2620、sm对应的预测值即为RTT值2789。另外,在实际应用中,区域聚合中的用户对应矩阵中的纵坐标,如上图1所示的n×m的用户服务关系矩阵,该区域聚合内的第二Web服务的预测值可采用n×m矩阵中的向量表示,如上的行向量Ri.。
步骤203、根据Web服务库中与用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给用户。
步骤202中根据用户所在的区域聚合内的第二Web服务的预测值,获取第一Web服务的预测值的操作可以由多种方式来实现,优选可包括图1中未示出的如下子步骤:
子步骤2021、采用所述用户的位置信息获取所述用户所在的区域聚合。
本发明实施例中的用户的位置信息可为用户的地理位置信息。举例来说,可将区域聚合可理解为按照某一预设的标准将Web服务库中地理位置信息相近的用户组成的集合,即区域聚合内用户所在的地理位置信息基本相近。另外,该些用户可使用过Web服务库的多个Web服务,进而对其使用的Web服务提供有QoS信息,由此可以将用户的排列作为纵坐标,Web服务库中的Web服务的排列作为横坐标,以形成如上图1所示的矩阵,由此,区域聚合中的用户对应矩阵的纵坐标,矩阵中横坐标与纵坐标的交叉点为该用户使用该Web服务的QoS信息(常用RTT值举例说明),如图1中Ri,j表示用户i提交的服务j的RTT值。
用户的地理位置信息通过互联网协议(Internet ProtoCol,简称:IP)地址获知。
或者,区域聚合还可以理解为按照某一预设的标准将Web服务库中提供相似的QoS信息的用户组成的集合。
子步骤2022、当确定第一Web服务为所述区域聚合内的敏感性服务时,将区域聚合内的区域中心值作为第一Web服务的预测值,其中,定义区域中心值为所述区域聚合的中位数的向量值。
举例来说,中位数向量可理解为:一个向量,向量中每个值即向量值对应一个服务,区域中心值为该区域聚合内的各用户提供的第一Web服务的RTT值的中位数。中位数为数学中的概念,其按照大小排列,选取中间的数值即为中位数。
子步骤2023、当确定第一Web服务不为所述区域聚合内的敏感性服务时,采用皮尔逊相关系数获取与待推荐Web服务的用户相关的k个区域聚合的区域中心值。
子步骤2024、采用所述k个区域聚合的区域中心值获取所述第一Web服务的预测值。
进一步地,步骤2021中的区域聚合还可通过以下步骤获取。
步骤M1、根据图1中所示的纵坐标的用户的IP地址获得用户的地理位置信息,按照某一标准将相邻近的地理位置信息归为第一区域。本实施例中第一区域为地理位置的划分,如海淀区、朝阳区等。
步骤M2、获取各第一区域的区域敏感性,选取符合预设范围的区域敏感性,将与选取的区域敏感性对应的第一区域组成第二区域,第二区域内的用户的集合为区域聚合。该第二区域为地理位置的划分如包括海淀区、朝阳区的北京区域。
本实施例中的区域敏感性可为第一区域内的敏感性服务数量占全部服务数量的百分比。若第一区域内的各用户提供的同一Web服务的RTT值的最高值与最低值之间的差值大于固定值,则将该Web服务定义为区域敏感服务。
在上述实施例中,根据用户所在的区域聚合内的第二Web服务的预测值,获取第一Web服务的预测值,进而选取Web服务库中的符合预设阈值范围内的预测值对应的Web服务推荐给用户,可有效提高Web服务推荐结果的准确性,同时可提高Web服务推荐方法的效率。
在上述实施例的基础上,图3为本发明另一实施例提供的Web服务推荐方法的流程示意图,如图3所示,本实施例的Web服务推荐方法可如下文所述。对于活跃用户ua及其未使用过的Web服务s,采用以下步骤给出RTT的预测值。
步骤301、获取Web服务库中待推荐Web服务中用户ua未使用过的Web服务s。
步骤302、按照预设标准获取待推荐Web服务的用户ua所在的区域聚合M。
优选地,本发明实施例中还可采用如下的公式(1)和公式(2)获取局域聚合,公式(1)和公式(2)为区域相似性度量计算公式,若计算的各第一区域(步骤M1中提及)相似性度量值符合预设范围,则可将符合预设范围的第一区域内的用户组成区域聚合。
步骤303、判断Web服务s是否为区域聚合内的敏感性服务,若是执行步骤304,否是执行步骤305。
本实施例中的活跃用户ua所在的区域聚合中有具有RTT值的用户。
举例来说,R,s={R1,s,R2,s,...,Rk,s},1≤k≤n表示所有用户提供的关于服务s的RTT值。M表示区域聚合。
当且仅当时,可将该服务s理解为敏感性服务,即服务s为区域聚合M内的敏感性服务。其中 函数region(u)表示用户u所在的区域聚合。median表示中位数,MAD(Median Absolute Deviation)表示中位数绝对偏差,MAD=mediani(|Ri,s-medianj(Rj,s)|)i=1,...,k,j=1,...,k。
区域聚合M中的敏感服务列表可反映在该区域聚合内QoS信息变化较大的服务,通过区域聚合M可有效实现Web服务库中统计的大量用户的QoS信息的压缩。
步骤304、在步骤303中,若确定Web服务s为区域聚合M内的敏感性服务,则采用区域聚合M内的区域中心值作为预测值。
在本实施例中,在确定服务s是用户ua所属的区域聚合的敏感服务之后,采用区域中心值作为预测值,如公式(3)所示。
步骤305、在步骤303中,若确定Web服务s不为所述区域聚合M内的敏感性服务时,采用皮尔逊相关系数PCC获取与待推荐Web服务的用户ua相关的k个区域聚合的区域中心值,进而采用所述k个区域聚合的区域中心值获取Web服务s的预测值。
具体地,采用PCC计算用户ua和其他测试过服务s的区域聚合的区域中心的相似性,并找出最相似的前k个(top-k)最相似的区域中心{c1,c2,...,ck};
进一步地,若用户ua所在区域中心{c1,c2,...,c1}有服务s的RTT值,预测值可采用如下公式(4)计算。
其中,{c1,c2,...,cl}属于最相似的区域中心{c1,c2,...,ck}的子集。
若用户ua所在区域中心{c1,c2,...,cl}无服务s的RTT值,但相似区域中心{cm,cn,...,ck}有服务s的RTT值,则预测值可采用如下公式(5)计算。
其中,{cm,cn,...,ck}属于最相似的区域中心{c1,c2,...,ck}的子集。
若确定区域中心{c1,c2,...,ck}无Web服务s的RTT值,则结束,不对当前的用户ua进行任何的Web服务推荐。
步骤306、根据所述Web服务库中针对用户ua的所有的Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户。
上述实施例中采用Web服务的QoS信息的RTT值与用户所在地理位置信息间的关联性,以较高的推荐准确性及较低的在线计算复杂度为用户提供较优的Web服务推荐结果,可有效克服现有技术中Web服务结果不准确的问题。
图4为本发明另一实施例提供的Web服务推荐装置的流程示意图,如图4所示,本实施例的Web服务推荐装置包括第一获取单元41、第二获取单元42和选取单元43。
其中,第一获取单元41用于获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务;第二获取单元42用于根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值;其中,第二Web服务为所述Web服务库中的具有预测值的Web服务;选取单元43用于根据所述Web服务库中与所述用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户。
在本实施例中,第二获取单元42还包括区域聚合确定子单元421和预测值确定第一子单元422;其中,区域聚合确定子单元421用于采用所述用户的位置信息获取所述用户所在的区域聚合;预测值确定第一子单元422用于当确定所述第一Web服务为所述区域聚合内的敏感性服务时,将所述区域聚合内的区域中心值作为所述第一Web服务的预测值,其中,所述区域中心值为所述区域聚合的中位数的向量值。
进一步地,第二获取单元42还包括区域中心值获取子单元423和预测值确定第二子单元424;区域中心值获取子单元423用于当确定所述第一Web服务不为所述区域聚合内的敏感性服务时,采用皮尔逊相关系数获取与所述待推荐Web服务的用户相关的k个区域聚合的区域中心值;预测值确定第二子单元424用于当采用所述k个区域聚合的区域中心值获取所述第一Web服务的预测值。
在上述实施例中,第二获取单元根据区域聚合内的第二Web服务的预测值,获取区域聚合内的Web服务的预测值,由此,可有效提高Web服务推荐结果的准确性,同时可提高Web服务推荐方法的推荐效率。
需要说明的是:对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种Web服务推荐方法,其特征在于,包括:
获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务;
根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值;其中,所述第二Web服务为所述Web服务库中的具有预测值的Web服务;
根据所述Web服务库中与所述用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户;
所述根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值,包括:
根据Web服务库中用户的IP地址获得用户的地理位置信息,按照一标准将相邻近的地理位置信息归为第一区域;
获取各第一区域的区域敏感性,选取符合预设范围的区域敏感性,将与选取的区域敏感性对应的第一区域组成第二区域,第二区域内的用户的集合为区域聚合,其中,区域敏感性为第一区域内的敏感性服务数量占全部服务数量的百分比,若第一区域内的各用户提供的同一Web服务的RTT值的最高值与最低值之间的差值大于固定值,则将所述Web服务定义为区域敏感服务;
当确定所述第一Web服务为所述区域聚合内的敏感性服务时,将所述区域聚合内的区域中心值作为所述第一Web服务的预测值,其中,所述区域中心值为所述区域聚合的中位数的向量值。
2.根据权利要求1所述的Web服务推荐方法,其特征在于,还包括:
当确定所述第一Web服务不为所述区域聚合内的敏感性服务时,采用皮尔逊相关系数获取与所述待推荐Web服务的用户相关的k个区域聚合的区域中心值;
采用所述k个区域聚合的区域中心值获取所述第一Web服务的预测值。
3.一种Web服务推荐装置,其特征在于,包括:
第一获取单元,用于获取Web服务库中待推荐Web服务的用户未使用过的第一Web服务;
第二获取单元,用于根据所述用户所在的区域聚合内的第二Web服务的预测值,获取所述第一Web服务的预测值;其中,所述第二Web服务为所述Web服务库中的具有预测值的Web服务;
选取单元,用于根据所述Web服务库中与所述用户对应的第一Web服务的预测值和第二Web服务的预测值,选取符合预设阈值范围内的预测值,将与选取的预测值对应的Web服务推荐给所述用户;
所述第二获取单元包括:
区域聚合确定子单元,用于
根据Web服务库中用户的IP地址获得用户的地理位置信息,按照一标准将相邻近的地理位置信息归为第一区域;
获取各第一区域的区域敏感性,选取符合预设范围的区域敏感性,将与选取的区域敏感性对应的第一区域组成第二区域,第二区域内的用户的集合为区域聚合,其中,区域敏感性为第一区域内的敏感性服务数量占全部服务数量的百分比,若第一区域内的各用户提供的同一Web服务的RTT值的最高值与最低值之间的差值大于固定值,则将所述Web服务定义为区域敏感服务;
预测值确定第一子单元,用于当确定所述第一Web服务为所述区域聚合内的敏感性服务时,将所述区域聚合内的区域中心值作为所述第一Web服务的预测值,其中,所述区域中心值为所述区域聚合的中位数的向量值。
4.根据权利要求3所述的Web服务推荐装置,其特征在于,所述第二获取单元还包括:
区域中心值获取子单元,用于当确定所述第一Web服务不为所述区域聚合内的敏感性服务时,采用皮尔逊相关系数获取与所述待推荐Web服务的用户相关的k个区域聚合的区域中心值;
预测值确定第二子单元,用于当采用所述k个区域聚合的区域中心值获取所述第一Web服务的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110421560.0A CN102521362B (zh) | 2011-12-15 | 2011-12-15 | Web服务推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110421560.0A CN102521362B (zh) | 2011-12-15 | 2011-12-15 | Web服务推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102521362A CN102521362A (zh) | 2012-06-27 |
CN102521362B true CN102521362B (zh) | 2014-04-09 |
Family
ID=46292276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110421560.0A Expired - Fee Related CN102521362B (zh) | 2011-12-15 | 2011-12-15 | Web服务推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521362B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902740B (zh) * | 2012-09-12 | 2015-05-20 | 北京航空航天大学 | Web服务组合推荐方法及设备 |
CN103116614B (zh) * | 2013-01-25 | 2016-04-13 | 北京奇艺世纪科技有限公司 | 一种协同过滤推荐方法、装置及系统 |
CN105430099B (zh) * | 2015-12-22 | 2018-09-28 | 湖南科技大学 | 一种基于位置聚类的协同式Web服务性能预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685458A (zh) * | 2008-09-27 | 2010-03-31 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和系统 |
CN102170449A (zh) * | 2011-04-28 | 2011-08-31 | 浙江大学 | 一种基于协同过滤的Web服务QoS预测方法 |
-
2011
- 2011-12-15 CN CN201110421560.0A patent/CN102521362B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685458A (zh) * | 2008-09-27 | 2010-03-31 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和系统 |
CN102170449A (zh) * | 2011-04-28 | 2011-08-31 | 浙江大学 | 一种基于协同过滤的Web服务QoS预测方法 |
Non-Patent Citations (2)
Title |
---|
唐明董等.用户位置感知的Web服务QoS预测方法.《2011年中国计算机学会服务计算学术会议(CCF NCSC2011)论文集》.2011, |
用户位置感知的Web服务QoS预测方法;唐明董等;《2011年中国计算机学会服务计算学术会议(CCF NCSC2011)论文集》;20110818;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102521362A (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Modeling location-based user rating profiles for personalized recommendation | |
Lian et al. | CEPR: A collaborative exploration and periodically returning model for location prediction | |
Wang et al. | Location recommendation in location-based social networks using user check-in data | |
Pirdavani et al. | Application of geographically weighted regression technique in spatial analysis of fatal and injury crashes | |
CN103745105B (zh) | 一种社交网络中用户属性的预测方法及系统 | |
US9015128B2 (en) | Method and system for measuring social influence and receptivity of users | |
CN102609533B (zh) | 一种基于核方法的协同过滤推荐系统及方法 | |
Ying et al. | A temporal-aware POI recommendation system using context-aware tensor decomposition and weighted HITS | |
Buelens et al. | Selectivity of Big data | |
CN103678431A (zh) | 一种基于标准标签和项目评分的推荐方法 | |
CN102495864A (zh) | 基于评分的协同过滤推荐方法及系统 | |
CN103995839A (zh) | 基于协同过滤的商品推荐优化方法和系统 | |
CA3062119A1 (en) | Method and device for setting sample weight, and electronic apparatus | |
CN106952167A (zh) | 一种基于多元线性回归的餐饮业好友连边影响力预测方法 | |
Bwambale et al. | Modelling long-distance route choice using mobile phone call detail record data: a case study of Senegal | |
CN103500228A (zh) | 一种协同过滤推荐算法中改进的相似性度量方法 | |
Chen et al. | Modeling arterial travel time distribution by accounting for link correlations: a copula-based approach | |
Williams et al. | Improving geolocation of social media posts | |
CN107220312A (zh) | 一种基于共现图的兴趣点推荐方法及系统 | |
Zheng et al. | Location-based social networks: Locations | |
CN103337028A (zh) | 一种推荐方法、装置 | |
CN105653535A (zh) | 一种媒体资源推荐方法 | |
CN102521362B (zh) | Web服务推荐方法及装置 | |
Dolničar et al. | Measuring the dynamics of information societies: Empowering stakeholders amid the digital divide | |
Diriba et al. | Statistical modeling of spatial extremes through max-stable process models: Application to extreme rainfall events in South Africa |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140409 Termination date: 20171215 |
|
CF01 | Termination of patent right due to non-payment of annual fee |