CN102999589A - 一种推荐排序的方法及系统 - Google Patents
一种推荐排序的方法及系统 Download PDFInfo
- Publication number
- CN102999589A CN102999589A CN201210462169XA CN201210462169A CN102999589A CN 102999589 A CN102999589 A CN 102999589A CN 201210462169X A CN201210462169X A CN 201210462169XA CN 201210462169 A CN201210462169 A CN 201210462169A CN 102999589 A CN102999589 A CN 102999589A
- Authority
- CN
- China
- Prior art keywords
- optimum
- correlativity
- recommendation
- rmap
- diversity
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于信息处理技术领域,提供了一种推荐排序的方法及系统,所述方法包括:根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数,根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性,根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值,按照所述排名值排列推荐项,生成推荐列表。本发明,实现了生成的推荐列表中,推荐项满足用户需求、覆盖度宽、多样性。
Description
技术领域
本发明属于信息处理技术领域,尤其涉及一种推荐排序的方法及系统。
背景技术
随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载(Information overload)的时代。在这个时代,无论是用户还是作为信息生产者都遇到了很大的挑战。作为用户,如何从大量的信息中找到自己所感兴趣的信息是一件非常困难的事情。而作为信息生产者,如何让自己生产的信息脱颖而出,受到用户的欢迎,也是一件非常困难的事情。
现有的推荐系统可以用基于领域的协同过滤算法、基于内容的算法或矩阵分解算法生成初步推荐结果,在推荐系统的一般架构中,这个初步推荐结果还不能直接呈现给用户,我们需要对这个结果进行排列。作为推荐系统的重要一环,如何设计推荐排列,即排序推荐系统生成的初步推荐结果并展示给用户,一直被忽视。一种常用的方法是根据推荐权重排序推荐结果。但是,采用这种方法得到的最终推荐结果不能很好的满足用户需求,推荐结果覆盖度窄,无法体现推荐结果的多样性等。
发明内容
本发明实施例提供了一种推荐排序的方法及系统,旨在解决现有推荐排序方法获得的推荐列表中,推荐项不能很好的满足用户需求、推荐项覆盖度窄,无法体现推荐项的多样性的问题。
一方面,提供一种推荐排序的方法,所述方法包括:
根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数;
根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性;
根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值;
按照所述排名值排列推荐项,生成推荐列表。
另一方面,提供一种推荐排序的系统,所述系统包括:
函数定义单元,用于根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数;
最优因素获取单元,用于根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性;
排名值计算单元,用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值;
推荐列表生成单元,用于按照所述排名值排列推荐项,生成推荐列表。
在本发明实施例,根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数,根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性,根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值,按照所述排名值排列推荐项,生成推荐列表。本发明,实现了生成的推荐列表中,推荐项满足用户需求、覆盖度宽、多样性。
附图说明
图1是本发明实施例一提供的推荐排序的方法的实现流程图;
图2是本发明实施例二提供的推荐排序的装置的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明实施例中,根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数,根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性,根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值,按照所述排名值排列推荐项,生成推荐列表。
以下结合具体实施例对本发明的实现进行详细描述:
实施例一
图1示出了本发明实施例一提供的推荐排序的方法的实现流程,详述如下:
需要说明的是,本实施例和以下实施例中,推荐系统生成了初步推荐结果,初步推荐结果为一个大小维度为n的向量,初步推荐结果的每一项推荐项包括推荐项id、推荐度。
在步骤S101中,根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数
在本实施例中,首先需要从众多影响推荐项排序的相关性因素中,确定影响推荐项排序的预设相关性因素,所述预设相关性因素包括但不限于推荐解释相关、实时相关性和多样性,可以根据不同应用场景需要做出调整。本实施例场景选取推荐解释相关、实时相关性和多样性。每推荐项对应一个解释相关性值、实时相关性值、多样性值,如初步推荐结果的第i项对应的三个相关性值为:推荐解释相关性rei、实时相关性rti、多样性rdi。
推荐系统对每个推荐项都有一个推荐解释,也可以称为推荐理由,这个推荐解释一般是产生推荐结果的重要特征。通过提供推荐解释可以加深用户对推荐结果的信任度。常用的推荐解释是基于用户历史行为,这种推荐解释一般告诉用户之所以给他们推荐物品A是因为他们曾经喜欢过物品B,而对物品B和A是很相似的,比如视频推荐中,给用户推荐射雕英雄传的原因可能是因为用户曾经看过天龙八部。为了使推荐更加透明化,采用路径方式作为推荐解释,如A->C->{f1},即给用户推荐B是因为他们曾经喜欢过物品A、C,并且A、B、C物品存在共同特征f1。初步推荐结果的每个推荐项可能有不同的推荐解释(即由不同的路径推荐的),怎么排列推荐系统生成的初步推荐结果,使用户的体验更友好。因此,在排列模块中考虑了推荐解释相关性,把路径解释相同、类似的项排一块,使推荐列表不会显得凌乱无章。
其中,推荐项的推荐解释相关性re定义:
其中,当产品的路径及特征都相同时,re为1;当产品的路径不同、特征都相同时,re为0.5;当产品的路径及特征都不相同时,re为0。例如推荐结果其中有三个项A、B、C,推荐解释分别为E->H->{f1},E->J->{f1},D->I->{f2},则A、B的推荐解释相关性为0.5,A与C的推荐解释相关性为0。
推荐系统根据用户的历史行为生成推荐结果。用户的行为分为长期和近期,长期行为反应用户长久、稳定的兴趣,而近期行为反应用户短期、当前兴趣。如用户喜欢的视频类型为:{t1,t2,t3},可能在某个时间段只喜欢t1。用户的喜欢受上下文影响,推荐列表的排列要考虑实时相关性,即把由近期行为推荐的项排在靠前位置,用户当前的兴趣反应在近期行为中。
其中,推荐项的实时相关性rt定义如下:
其中,t为用户最近的行为时间,ti为用户历史行为时间,推荐项是由该历史行为推荐出来的,x是推荐项在推荐列表的排名,考虑排名对实时性影响,参数γ是时间衰减系数,取值范围为0-1。
多样性是推荐系统设计的一个重要的方面。好的推荐结果应该能够覆盖用户多样化的兴趣。比如在视频推荐中,对于一个喜欢看武侠片和动画片的用户,推荐结果中应该既包含了武侠片,也包含了动画片。对推荐结果进行排名,保证了排名最高的推荐结果能够满足用户多样化的需求。多样性描述了推荐列表中物品两两之间的不相似性。因此,多样性和相似性是对应的,假设是s(i,j)定义了物品i和j之间的相似度,那么用户u的推荐列表R(u)的多样性D定义如下:
推荐系统的整体多样性可以定义为所有用户推荐列表多样性的平均值:
前边已经提到推荐系统对推荐出来的物品都有一个推荐解释,这个推荐解释一般是产生推荐结果的重要特征。因而,要提高推荐结果的多样性,就需要推荐结果尽量来自不同的特征,具有不同的推荐解释,而不是所有的初步推荐结果都对应一个解释。
其中,推荐项的多样性rd定义如下:
在上述相关性因素的模型基础上,以推荐解释相关、实时相关性、多样性为最优目标,最大化相关平均精度(Mean Average Precision,MAP),定义推荐相关性模型,计算推荐相关性,为每个用户生成一个最优的排序列表。其中,用户u中推荐项i的推荐相关性函数f(u,i)定义如下:
f(u,i)=reiw1+rtiw2+rdiw3 公式6
另外,相关平均精度(Relevance for Mean Average Precision,RMAP)的定义如下:
其中,N为推荐项数量,g为对数函数,yi表 示用户u对推荐项i的行为信息,如果用户u对推荐项i有过行为则yi为1,否则yi为0。这里的行为在不同的推荐系统指不同的行为,包括购买、点击和观看等等。
还有,根据推荐相关性函数计算出的f(u,i)及推荐系统计算的推荐度p(u,i),即推荐系统给用户u推荐项i的推荐值,用户对推荐项i的推荐排名函数定义如下:
frank(u,i)=α1f(u,i)+α2p(u,i) 公式8
其中,α1,α2分别为调整相关性及推荐度两个推荐依据的线性融合系数,p(u,i)为推荐系统给用户u推荐项i的推荐值。
在步骤S102中,根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性。
在本实施例中,具体步骤包括:
步骤11,初始化迭代次数,并根据所述RMAP函数,计算初步推荐结果中的第i个推荐项对应的推荐解释相关性、实时相关性、多样性、RMAPt;
具体的,按照公式1、公式2、公式5计算分别计算,初步推荐结果中第i个推荐项对应的推荐解释相关性为实时相关性为多样性为根据公式6可以计算出对用户u推荐项i的推荐相关性f(u,i),最后根据公式7计算出RMAPt。
步骤12,根据所述RMAP函数,计算推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值;
步骤13,根据所述推荐解释相关性、实时相关性、多样性,和对应的所述推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值,计算第j个推荐项对应的推荐解释相关性、实时相关性、多样性和与所述迭代次数对应的RMAPt+1;
其中,参数γ是时间衰减系数,取值范围为0-1。然后根据RMAP函数,计算RMAPt+1。
步骤14,在计算所述迭代次数对应的RMAPt+1完成后,将迭代次数增加1;
步骤15,对比所述RMAPt+1是否小于RMAPt,首次迭代的RMAPt为初始RMAP,如果是,则终止迭代,获取最优RMAP为RMAPt+1,和最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性,否则,判断迭代次数是否达到设定迭代次数;
步骤16,如果迭代次数达到所述设定迭代次数,则终止迭代,获取最优RMAP,及最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性,否则,继续进行迭代。
具体的,所述设定迭代次数不超过初步推荐结果包括的推荐项的数量。由于每次迭代是先计算本次的相关性、实时相关性和多样性,然后根据本次的相关性、实时相关性和多样性,获取本次RMAP,所以当获得最优RMAP时,也就获得了最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性。
在步骤S103中,根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值。
在本实施例中,具体步骤包括:
步骤21,根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,通过下述公式计算最优推荐相关性:
f(u,i)=reiw1+rtiw2+rdiw3 公式6
步骤22,根据所述最优推荐相关性和所述推荐排名函数计算所述最优RMAP对应的推荐项的排名值,所述推荐排名函数具体为:
frank(u,i)=α1f(u,i)+α2p(u,i) 公式8
其中,α1,α2分别为调整相关性及推荐度两个推荐依据的线性融合系数,p(u,i)为推荐系统给用户u推荐项i的推荐值。
在步骤S104中、按照所述排名值排列推荐项,生成推荐列表。
在本实施例中,根据公式8计算的排名值,按照所述排名值排列推荐项,生成推荐列表。根据需要给用户展示top-k推荐列表。
本实施例,可以根据推荐系统生成的初步推荐结果,以相关性最优为目标排列推荐结果,使得通过排列模型得到的最终推荐列表可以满足用户多种兴趣,且能反映用户当前兴趣,增强了用户体验,本方法不限应用场景,各种推荐系统都适用。
实施例二
图2示出了本发明实施例二提供的推荐排序的系统的具体结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。在本实施例中,该推荐排序的系统包括:函数定义单元21、最优因素获取单元22、排名值计算单元23和推荐列表生成单元24,所述函数定义单元21包括:函数定义模块211,所述最优因素获取单元22包括第一计算模块221、偏导值获取模块222、第二计算模块223和最优值获取模块224,所述排名值计算单元23包括最优相关性获取模块231和排名值获取模块232。
其中,函数定义单元21,用于根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数;
函数定义模块211,用于定义RMAP函数,所述RMAP函数满足下列公式:
最优因素获取单元22,用于根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性;
第一计算模块221,用于初始化迭代次数,并根据所述RMAP函数,计算初步推荐结果中的第i个推荐项对应的推荐解释相关性、实时相关性、多样性、RMAPt;
偏导值获取模块222,用于根据所述RMAP函数,计算推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值;
第二计算模块223,根据所述推荐解释相关性、实时相关性、多样性,和对应的所述推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值,计算第j个推荐项对应的推荐解释相关性、实时相关性、多样性和RMAPt+1;将迭代次数增加1;
最优值获取模块224,用于对比所述RMAPt+1是否小于RMAPt,首次迭代的RMAPt为初始RMAP,如果是,则终止迭代,获取最优RMAP为RMAPt+1,和最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性;否则,判断迭代次数是否达到设定迭代次数,如果达到所述设定迭代次数,则终止迭代,获取最优RMAP,及最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性,否则,继续进行迭代;
排名值计算单元23,用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值;
最优相关性获取模块231,用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,通过下述公式计算最优推荐相关性:
f(u,i)=reiw1+rtiw2+rdiw3 公式6
排名值获取模块232,用于根据所述最优推荐相关性,和通过所述推荐排名函数计算所述最优RMAP对应的推荐项的排名值,所述推荐排名函数具体为:
frank(u,i)=α1f(u,i)+α2p(u,i) 公式8
其中,α1,α2分别为调整相关性及推荐度两个推荐依据的线性融合系数,p(u,i)为推荐系统给用户u推荐项i的推荐值;
推荐列表生成单元24,用于按照所述排名值排列推荐项,生成推荐列表。
本发明实施例提供的推荐排序的系统可以应用在前述对应的方法实施例一中,详情参见上述实施例一的描述,在此不再赘述。
值得注意的是,本文定义的相关性包括但不限于推荐解释相关、实时相关性、多样性,可以根据不同应用场景需要做出调整。上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种推荐排序的方法,其特征在于,所述方法包括:
根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数;
根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性;
根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值;
按照所述排名值排列推荐项,生成推荐列表。
2.如权利要求1所述的方法,其特征在于,所述RMAP函数满足下列公式:
其中,N为推荐项数量,g为对数函数,yi表示用户u对推荐项i的行为信息,如果用户u对推荐项i有过行为则yi为1,否则yi为0。
3.如权利要求1或2所述的方法,其特征在于,所述根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值,具体为:
根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,通过下述公式计算最优推荐相关性:
f(u,i)=reiw1+rtiw2+rdiw3
根据所述最优推荐相关性和所述推荐排名函数计算所述最优RMAP对应的推荐项的排名值,所述推荐排名函数具体为:
frank(u,i)=α1f(u,i)+α2p(u,i)
其中,α1,α2分别为调整相关性及推荐度两个推荐依据的线性融合系数,p(u,i)为推荐系统给用户u推荐项i的推荐值。
4.如权利要求3所述的方法,其特征在于,所述根据初步推荐结果和所述RMAP函数,获取最优RMAP,及对应的最优推荐解释相关性、最优实时相关性和最优多样性,具体为:
初始化迭代次数,并根据所述RMAP函数,计算初步推荐结果中的第i个推荐项对应的推荐解释相关性、实时相关性、多样性、RMAPt;
根据所述RMAP函数,计算推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值;
根据所述推荐解释相关性、实时相关性、多样性,和对应的所述推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值,计算第j个推荐项对应的推荐解释相关性、实时相关性、多样性和与所述迭代次数对应的RMAPt+1;
将迭代次数增加1;
对比所述RMAPt+1是否小于RMAPt,首次迭代的RMAPt为初始RMAP,如果是,则终止迭代,获取最优RMAP为RMAPt+1,和最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性,否则,判断迭代次数是否达到设定迭代次数;
判断迭代次数是否达到设定迭代次数,如果达到所述设定迭代次数,则终止迭代,获取最优RMAP,及最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性,否则,继续进行迭代。
5.一种推荐排序的系统,其特征在于,所述系统包括:
函数定义单元,用于根据预设相关性因素,定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数;
最优因素获取单元,用于根据初步推荐结果和所述RMAP函数,获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性;
排名值计算单元,用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,获取所述最优RMAP对应的推荐项的排名值;
推荐列表生成单元,用于按照所述排名值排列推荐项,生成推荐列表。
7.如权利要求5或6所述的系统,其特征在于,所述排名值计算单元包括:
最优相关性获取模块,用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性,通过下述公式计算最优推荐相关性:
f(u,i)=reiw1+rtiw2+rdiw3
排名值获取模块,用于根据所述最优推荐相关性,和通过所述推荐排名函数计算所述最优RMAP对应的推荐项的排名值,所述推荐排名函数具体为:
frank(u,i)=α1f(u,i)+α2p(u,i)
其中,α1,α2分别为调整相关性及推荐度两个推荐依据的线性融合系数,p(u,i)为推荐系统给用户u推荐项i的推荐值。
8.如权利要求7所述的系统,其特征在于,所述最优因素获取单元包括:
第一计算模块,用于初始化迭代次数,并根据所述RMAP函数,计算初步推荐结果中的第i个推荐项对应的推荐解释相关性、实时相关性、多样性、RMAPt;
偏导值获取模块,用于根据所述RMAP函数,计算推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值;
第二计算模块,用于根据所述推荐解释相关性、实时相关性、多样性,和对应的所述推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值,计算第j个推荐项对应的推荐解释相关性、实时相关性、多样性和与所述迭代次数对应的RMAPt+1;将迭代次数增加1;
最优值获取模块,用于对比所述RMAPt+1是否小于RMAPt,首次迭代的RMAPt为初始RMAP,如果是,则终止迭代,获取最优RMAP为RMAPt+1,和最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性;否则,判断迭代次数是否达到设定迭代次数,如果达到所述设定迭代次数,则终止迭代,获取最优RMAP,及最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性,否则,继续进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210462169.XA CN102999589B (zh) | 2012-11-15 | 2012-11-15 | 一种推荐排序的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210462169.XA CN102999589B (zh) | 2012-11-15 | 2012-11-15 | 一种推荐排序的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102999589A true CN102999589A (zh) | 2013-03-27 |
CN102999589B CN102999589B (zh) | 2017-04-19 |
Family
ID=47928157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210462169.XA Active CN102999589B (zh) | 2012-11-15 | 2012-11-15 | 一种推荐排序的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102999589B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103618774A (zh) * | 2013-11-19 | 2014-03-05 | 北京奇虎科技有限公司 | 一种基于网络行为的资源推荐方法及装置、系统 |
CN103678647A (zh) * | 2013-12-20 | 2014-03-26 | Tcl集团股份有限公司 | 一种实现信息推荐的方法及系统 |
CN104615790A (zh) * | 2015-03-09 | 2015-05-13 | 百度在线网络技术(北京)有限公司 | 特征推荐方法和装置 |
CN105095471A (zh) * | 2015-08-07 | 2015-11-25 | 合肥工业大学 | 一种基于短记忆的上下文感知推荐方法 |
CN105260481A (zh) * | 2015-11-13 | 2016-01-20 | 合一网络技术(北京)有限公司 | 一种推送列表多样性的评测方法及系统 |
CN105718467A (zh) * | 2014-12-03 | 2016-06-29 | 苏宁云商集团股份有限公司 | 检索算法评估推荐方法和系统 |
CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN111738768A (zh) * | 2020-06-24 | 2020-10-02 | 江苏云柜网络技术有限公司 | 广告推送方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206744A (zh) * | 2006-12-21 | 2008-06-25 | 叶克 | 一种在购物搜索引擎中融入商品自定义信息的方法 |
CN101520878A (zh) * | 2009-04-03 | 2009-09-02 | 华为技术有限公司 | 向用户进行广告推送的方法、装置和系统 |
CN102609433A (zh) * | 2011-12-16 | 2012-07-25 | 北京大学 | 基于用户日志进行查询推荐的方法及系统 |
CN102662766A (zh) * | 2012-03-23 | 2012-09-12 | 北京邮电大学 | 基于Web Element机制的微博与社交网络信息同步系统与方法 |
CN102685565A (zh) * | 2012-05-18 | 2012-09-19 | 合一网络技术(北京)有限公司 | 一种点击反馈式个性化推荐系统 |
US20120265772A1 (en) * | 2009-03-03 | 2012-10-18 | Microsoft Corporation | Media tag recommendation technologies |
CN102750334A (zh) * | 2012-06-01 | 2012-10-24 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
-
2012
- 2012-11-15 CN CN201210462169.XA patent/CN102999589B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206744A (zh) * | 2006-12-21 | 2008-06-25 | 叶克 | 一种在购物搜索引擎中融入商品自定义信息的方法 |
US20120265772A1 (en) * | 2009-03-03 | 2012-10-18 | Microsoft Corporation | Media tag recommendation technologies |
CN101520878A (zh) * | 2009-04-03 | 2009-09-02 | 华为技术有限公司 | 向用户进行广告推送的方法、装置和系统 |
CN102609433A (zh) * | 2011-12-16 | 2012-07-25 | 北京大学 | 基于用户日志进行查询推荐的方法及系统 |
CN102662766A (zh) * | 2012-03-23 | 2012-09-12 | 北京邮电大学 | 基于Web Element机制的微博与社交网络信息同步系统与方法 |
CN102685565A (zh) * | 2012-05-18 | 2012-09-19 | 合一网络技术(北京)有限公司 | 一种点击反馈式个性化推荐系统 |
CN102750334A (zh) * | 2012-06-01 | 2012-10-24 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103618774A (zh) * | 2013-11-19 | 2014-03-05 | 北京奇虎科技有限公司 | 一种基于网络行为的资源推荐方法及装置、系统 |
CN103618774B (zh) * | 2013-11-19 | 2016-11-23 | 北京奇虎科技有限公司 | 一种基于网络行为的资源推荐方法及装置、系统 |
CN103678647B (zh) * | 2013-12-20 | 2017-12-19 | Tcl集团股份有限公司 | 一种实现信息推荐的方法及系统 |
CN103678647A (zh) * | 2013-12-20 | 2014-03-26 | Tcl集团股份有限公司 | 一种实现信息推荐的方法及系统 |
CN105718467A (zh) * | 2014-12-03 | 2016-06-29 | 苏宁云商集团股份有限公司 | 检索算法评估推荐方法和系统 |
CN104615790A (zh) * | 2015-03-09 | 2015-05-13 | 百度在线网络技术(北京)有限公司 | 特征推荐方法和装置 |
CN104615790B (zh) * | 2015-03-09 | 2018-05-04 | 百度在线网络技术(北京)有限公司 | 特征推荐方法和装置 |
CN105095471A (zh) * | 2015-08-07 | 2015-11-25 | 合肥工业大学 | 一种基于短记忆的上下文感知推荐方法 |
CN105260481A (zh) * | 2015-11-13 | 2016-01-20 | 合一网络技术(北京)有限公司 | 一种推送列表多样性的评测方法及系统 |
CN105260481B (zh) * | 2015-11-13 | 2019-09-17 | 优酷网络技术(北京)有限公司 | 一种推送列表多样性的评测方法及系统 |
CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN108920596B (zh) * | 2018-06-27 | 2021-10-29 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN111738768A (zh) * | 2020-06-24 | 2020-10-02 | 江苏云柜网络技术有限公司 | 广告推送方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102999589B (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999589A (zh) | 一种推荐排序的方法及系统 | |
Wang et al. | Opportunity model for e-commerce recommendation: right product; right time | |
Sahoo et al. | A hidden Markov model for collaborative filtering | |
KR101608697B1 (ko) | 애드혹, 동적 모델 구성을 갖는 추천기 시스템 | |
Uitz | Social Media-Is It Worth the Trouble? | |
CN103514239A (zh) | 一种集成用户行为和物品内容的推荐方法及系统 | |
CN104063481A (zh) | 一种基于用户实时兴趣向量的电影个性化推荐方法 | |
CN103744966A (zh) | 一种物品推荐方法、装置 | |
Jannach et al. | An introduction to recommender systems | |
CN103023977A (zh) | 基于位置信息的推荐系统及推荐方法 | |
Balakrishnan et al. | Two of a kind or the ratings game? Adaptive pairwise preferences and latent factor models | |
De los Santos et al. | Optimizing click-through in online rankings for partially anonymous consumers | |
Aharon et al. | Watch-it-next: a contextual TV recommendation system | |
Campochiaro et al. | Do metrics make recommender algorithms? | |
Ioannou et al. | Adalip: An adaptive learning rate method per layer for stochastic optimization | |
CN106127551A (zh) | 项目推荐方法和装置 | |
Anderson-Cook | Optimizing in a complex world: A statistician's role in decision making | |
Koulayev | Estimating demand in search markets: the case of online hotel bookings | |
Aliaj et al. | Nowcasting inflation with Lasso‐regularized vector autoregressions and mixed frequency data | |
Berkovsky et al. | Aggregation trade offs in family based recommendations | |
Shah | A Review On Matrix Factorization Techniques Used For An Intelligent Recommender System | |
Zhang et al. | A study on recommender system considering diversity of items based on LDA | |
Lu et al. | A case study to select an optimal split-plot design for a mixture-process experiment based on multiple objectives | |
Ghaznavi et al. | Assessing usage of negative similarity and distrust information in CF-based recommender system | |
Lees et al. | Discovering user bias in ordinal voting systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |