CN103294812A - 一种基于混合模型的商品推荐方法 - Google Patents

一种基于混合模型的商品推荐方法 Download PDF

Info

Publication number
CN103294812A
CN103294812A CN2013102249758A CN201310224975A CN103294812A CN 103294812 A CN103294812 A CN 103294812A CN 2013102249758 A CN2013102249758 A CN 2013102249758A CN 201310224975 A CN201310224975 A CN 201310224975A CN 103294812 A CN103294812 A CN 103294812A
Authority
CN
China
Prior art keywords
user
commodity
value
scoring
model
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
Application number
CN2013102249758A
Other languages
English (en)
Other versions
CN103294812B (zh
Inventor
卜佳俊
陈纯
王灿
王炜
谭树龙
徐斌
张腾季
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 CN201310224975.8A priority Critical patent/CN103294812B/zh
Publication of CN103294812A publication Critical patent/CN103294812A/zh
Application granted granted Critical
Publication of CN103294812B publication Critical patent/CN103294812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

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

Abstract

一种基于混合模型的商品推荐方法,从用户数据库中提取用户的历史评分数据,然后进行如下操作:首先从数据库中提取用户的历史评分数据,将数据集进行分割;使用部分数据集训练最近邻推荐模型和奇异值分解模型;随后再使用剩余的数据集训练线性混合模型;最后根据线性混合模型计算出的缺失评分的估计值进行相关推荐。本方法的优点在于使用线性模型混合最近邻推荐模型和奇异值分解模型,结合了两种推荐算法的优点,提高了商品推荐的准确率。

Description

一种基于混合模型的商品推荐方法
技术领域
本发明涉及商品推荐方法的技术领域。 
背景技术
推荐系统是为了解决信息过载问题而提出的一种信息过滤的智能系统,分析处理用户的个人资料数据和历史行为数据,得到用户的兴趣习惯,从而进一步向用户推荐符合其兴趣偏好的资源。随着互联网的普及和飞速发展,推荐系统已经被广泛应用于各种领域,尤其是电子商务领域。目前几乎所有的大型的电子商务系统都会有相关的配套推荐系统,比如亚马逊,当当网,京东商城,淘宝网等等。 
目前在推荐系统领域,常用的推荐算法基本分三种:基于内容的推荐算法,基于协同过滤的推荐算法和混合推荐算法。在实际使用的推荐系统,除了需要准确地预测那些用户没有看过的物品的评分外,还需要准确地预测用户对待推荐物品的相对兴趣。 
发明内容
本发明要克服现有电子商务系统的推荐系统准确率不高的缺点,,本发明提出了一种基于混合模型的商品推荐方法,帮助电子商务系统向每个用户推送个性化的商品促销信息,以提高电子商务系统的商品成交率,该方法包括以下几个步骤: 
步骤A,评分数据集合R,集合中的元素为{i,j,r}三元组,i表示用户ID,j表示商品ID,r表示用户i对商品j的评分,把评分数据 集合R分成两个不相交子集合Rs和Rh,缺失评分数据集合Rm,为评分数据集合R的补集,该集合中的元素为同为三元组{i,j,r},用户i对商品j并没有进行过评分,所以相应的r为未知; 
步骤B,使用Rs评分数据集合来训练最近邻推进模型和奇异值分解模型,然后分别使用这两种模型,预测出Rh集合的评分数值,分别为R′h和R″h,两个集合中的元素为{i,j,r′}和(i,j,r″),其中r′和r″是分别通过最近邻推荐模型和奇异值分解模型预测出来的用户i对商品j的评分; 
步骤C,使用Rh、R′h和R″h三个评分集合计算出每个用户的线性回归模型参数                                                   α → = [ α 1 , α 2 , . . . , α i , . . . α N ] , β → = [ β 1 , β 2 , . . . , β i , . . . β N ] , 其中N表示用户的数量,进行使用线性回归模型对Rm,集合中的未知的r值进行预测得到集合   
步骤D,根据预测结果   针对每个用户进行相应的商品推荐,预测分数值较高的物品优先进行推荐。 
进一步, 
所述步骤A具体为: 
步骤A1,处理数据库中所有的用户评分记录,对每一条记录中抽取出用户ID,i和商品ID,j,以及相应评分r,合成评分数据集合 R; 
步骤A2,在数据集合R中,对每一个用户取出其评分数据数量的a%,组成数据集合Rs,剩余的评分记录组成数据集合Rh,若遇到某用户的评分数据数量的a%,不是整数,则需进行四舍五入处理。 
所述步骤B中具体为: 
步骤B1,利用Rs评分集合转化成用户-商品评分矩阵,行数是用户的数量,列数是商品的数量,取出Rs评分集合中的每一个元素{i,j,r},令第i行,第j列的矩阵元素数值为r,其他矩阵元素设置值为0,得到评分矩阵Ms
步骤B2,使用评分矩阵Ms,训练最近邻推荐模型和奇异值分解模型,得到评分预测矩阵M′s和M″s,遍历Rh集合,对每个元素{i,j,r},分别取M′s和M″s中相应的第i行,第j列上的预测评分数值r′和r″,和i,j一起组成三元组{i,j,r′}和{i,j,r″},分别加入到集合R′h和R″h。 
所述步骤C中具体为: 
步骤C1,在Rh中选出用户u的评分,组成向量    其中rui为用户u在Rh中的第i个评分数据,然后再在R′h和R″h中找出对应   
Figure 2013102249758100002DEST_PATH_IMAGE006
和   
Figure 2013102249758100002DEST_PATH_IMAGE007
步骤C2,以    | | r u → - α u r u → ′ + β u r u → ″ | | + λ 1 α u 2 + λ 2 β u 2 作为目标函数,其中λ1和λ2是可调的参数; 
步骤C3,随机初始化值αu和βu值; 
步骤C4,    α u = α u - η ( r u → ′ T ( r u → + α u r u → ′ - β u r u → ′ ′ ) - λ 1 α u ) , β u = β u - η ( r u → ′ ′ T ( r u → + α u r u → ′ - β u r u → ′ ′ ) - λ 2 β u ) ;
步骤C5,重复第4步直到目标函数收敛; 
步骤C6,令u依次为所有用户的ID,重复1,2,3,4,5步,计算出每个用户的αu和βu,随后进行正规化处理   
Figure 2013102249758100002DEST_PATH_IMAGE012
步骤C7,使用最近邻推荐模型和奇异值分解模型分别预测缺失评分数据集合,得到R′m和R″m
步骤C8,对每个用户u,提取出该用户缺失的评分向量   
Figure 2013102249758100002DEST_PATH_IMAGE013
和   
Figure 2013102249758100002DEST_PATH_IMAGE014
r mu = α u r mu ′ + β u r mu ′ ′ , 将rmu加入到元素组合   
Figure 2013102249758100002DEST_PATH_IMAGE016
步骤C9,合并每个用户的   
Figure 2013102249758100002DEST_PATH_IMAGE017
得到缺失评分的预测集合   
Figure 2013102249758100002DEST_PATH_IMAGE018
所述步骤D中具体为: 
步骤D1,对于每个用户i,在预测集合   中,取出其预测结果     R ‾ mi = [ { i , j i 1 , r i 1 } , { i , j i 2 , r i 2 } . . . { i , j if , r if } ] , 其中if表示用户i在   
Figure 2013102249758100002DEST_PATH_IMAGE021
集 合中的元素的数量; 
步骤D2,可以采取Top-N的推荐方法,即在   
Figure 2013102249758100002DEST_PATH_IMAGE022
中取出ri最高的N个元素的j值,这些j值所代表的物品就是本方法给用户i推荐的物品。N是可以设定的系数。 
步骤B2所使用的最近邻推荐模型,具体步骤如下: 
步骤A,使用评分矩阵Ms计算两两用户之间的相似度,   
Figure 2013102249758100002DEST_PATH_IMAGE023
表示Ms的第i行,   
Figure 2013102249758100002DEST_PATH_IMAGE024
表示Ms的第j行,计算   
Figure 2013102249758100002DEST_PATH_IMAGE025
和   的cosine相似度或者皮尔森相关系数,作为用户i和j的相似度; 
步骤B,在预测用户i对商品j的评分的时候,计算前k个与用户i相似并且对商品j进行过评分的用户对商品j的评分值的加权平均,作为用户i对商品j的预测评分,k为可以设定的系数; 
步骤C,重复步骤A和B,预测出所有的缺失评分,得到新评分矩阵M′s。 
步骤B2所使用的奇异值分解模型,具体步骤: 
步骤A,对评分矩阵Ms进行奇异值分解,获得矩阵U和V,U的第i行元素ui作为用户i的特征向量,V的第j行元素vj作为商品j的特征向量; 
步骤B,对评分矩阵Ms每个缺失评分值,根据其行值i和列值j, 将ui与vj的点积值作为该缺失评分值的预测值; 
步骤C,重复步骤B,将评分矩阵Ms中的每个缺失评分值预测出来,得到新的评分矩阵M″s。 
本发明的优点是:能结合基于内容的推荐和基于协同过滤的推荐两种方法的特点,能避免两种算法在单独使用时的缺陷。并且能够结合于应用场景的背景知识来提高推荐的效果,因此混合模型的商品推荐方法比单独的方法能获得更高的准确度。 
附图说明
图1是本发明的方法流程图。 
具体实施方式
参照附图,进一步说明本发明: 
一种基于混合模型的商品推荐方法,该方法包括以下步骤: 
步骤A、提取用户数据,评分数据集合R,集合中的元素为{i,j,r}三元组,i表示用户ID,j表示商品ID,r表示用户i对商品j的评分,把评分数据集合R分成两个不相交子集合Rs和Rh,缺失评分数据集合Rm,为评分数据集合R的补集,该集合中的元素为同为三元组{i,j,r},用户i对商品j并没有进行过评分,所以相应的r为未知; 
具体步骤: 
步骤A1,处理数据库中所有的用户评分记录,对每一条记录中抽取出用户ID,i和商品ID,j,以及相应评分r,合成评分数据集合R; 
步骤A2,在数据集合R中,对每一个用户取出其评分数据数量的a%,组成数据集合Rs,剩余的评分记录组成数据集合Rh,若遇到某用户的评分数据数量的a%,不是整数,则需进行四舍五入处理。 
步骤B,使用Rs评分数据集合来训练最近邻推荐模型和奇异值分解模型,然后分别使用这两种模型,预测出Rh集合的评分数值,分别为R′h和R″h,两个集合中的元素为{i,j,r′}和{i,j,r″},其中r′和r″是分别通过最近邻推荐模型和奇异值分解模型预测出来的用户i对商品j的评分,具体步骤: 
步骤B1,利用Rs评分集合转化成用户-商品评分矩阵,行数是用户的数量,列数商品的数量,取出Rs评分集合中的每一个元素{i,j,r},令第i行,第j列的矩阵元素数值为r,其他矩阵元素设置值为0,得到评分矩阵Ms
步骤B2,使用评分矩阵Ms,训练最近邻推荐模型和奇异值分解模型,得到评分预测矩阵M′s和M″s,遍历Rh集合,对每个元素{i,j,r},分别取M′s和M″s中相应的第i行,第j列上的预测评分数值r′和r″,和i,j一起组成三元组{i,j,r′}和{i,j,r″},分别加入到集合R′h和R″h。 
步骤B2中使用的最近邻推荐模型,具体步骤如下: 
步骤1,使用评分矩阵Ms计算两两用户之间的相似度,   
Figure 2013102249758100002DEST_PATH_IMAGE027
表示Ms的第i行,   
Figure 2013102249758100002DEST_PATH_IMAGE028
表示Ms的第j行,计算   
Figure 2013102249758100002DEST_PATH_IMAGE029
和   
Figure 2013102249758100002DEST_PATH_IMAGE030
的cosine相似度或者皮尔森相关系数,作为用户i和j的相似度; 
步骤2,在预测用户i对商品j的评分的时候,计算前k个与用户i相似并且对商品j进行过评分的用户对商品j的评分值的加权平均,作为用户i对商品j的预测评分,k为可以设定的系数; 
步骤3,重复步骤1和2,预测出所有的缺失评分,得到新评分矩阵M′s。 
步骤B2中使用的奇异值分解模型,具体步骤如下: 
步骤1,对评分矩阵Ms进行奇异值分解,获得矩阵U和V,U的第i行元素ui作为用户i的特征向量,V的第j行元素vj作为商品j的特征向量; 
步骤2,对评分矩阵Ms每个缺失评分值,根据其行值i和列值j,将ui与vj的点积值作为该缺失评分值的预测值; 
步骤3,重复步骤2,将评分矩阵Ms中的每个缺失评分值预测出来,得到新的评分矩阵M″s。 
步骤C,提取混合模型训练数据和训练线性混合模型,具体步骤: 
步骤C1,在Rh中选出用户u的评分,组成向量    
Figure 2013102249758100002DEST_PATH_IMAGE031
其中rui为用户u在Rh中的第i个评分数据,然后再在R′h和R″h中找出对应   和   
Figure 2013102249758100002DEST_PATH_IMAGE033
步骤C2,以    | | r u → - α u r u → ′ + β u r u → ″ | | + λ 1 α u 2 + λ 2 β u 2 作为目标函数,其中λ1和λ2是可调的参数; 
步骤C3,随机初始化值αu和βu值; 
步骤C4,    α u = α u - η ( r u → ′ T ( r u → + α u r u → ′ - β u r u → ′ ′ ) - λ 1 α u ) , β u = β u - η ( r u → ′ ′ T ( r u → + α u r u → ′ - β u r u → ′ ′ ) - λ 2 β u ) ;
步骤C5,重复第4步直到目标函数收敛; 
步骤C6,令u依次为所有用户的id,重复1,2,3,4,5步,计算出每个用户的αu和βu,随后进行正规化处理   
Figure 2013102249758100002DEST_PATH_IMAGE038
步骤C7,使用最近邻推荐模型和奇异值分解模型分别预测缺失评分数据集合,得到R′m和R″m
步骤C8,对每个用户u,提取出该用户缺失的评分向量   
Figure 2013102249758100002DEST_PATH_IMAGE039
和   
Figure 2013102249758100002DEST_PATH_IMAGE040
r mu = α u r mu ′ + β u β mu ′ ′ , 将rmu加入到元素组合   
Figure 2013102249758100002DEST_PATH_IMAGE042
步骤C9,合并每个用户的   
Figure 2013102249758100002DEST_PATH_IMAGE043
得到缺失评分的预测集合   
Figure 2013102249758100002DEST_PATH_IMAGE044
步骤D,生成推荐结果,具体步骤: 
步骤D1,对于每个用户i,在预测集合   
Figure 2013102249758100002DEST_PATH_IMAGE045
中,取出其的预测结果    R ‾ mi = [ { i , j i 1 , r i 1 } , { i , j i 2 , r i 2 } . . . { i , j if , r if } ] , 其中if表示用户i在   
Figure 2013102249758100002DEST_PATH_IMAGE047
集合中的元素的数量; 
步骤D2,可以采取Top-N的推荐方法,即在   
Figure 2013102249758100002DEST_PATH_IMAGE048
中取出ri最高的N个元素的j值,这些j值所代表的物品就是本方法给用户i推荐的物品。N是可以设定的系数。 
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。 

Claims (7)

1.一种基于混合模型的商品推荐方法,该方法的特征在于获取用户对商品的评分数据后进行以下操作: 
步骤A,评分数据集合R,集合中的元素为{i,j,r}三元组,i表示用户ID,j表示商品ID,r表示用户i对商品j的评分,把评分数据集合R分成两个不相交子集合Rs和Rh,缺失评分数据集合Rm为评分数据集合R的补集,该集合中的元素同为三元组{i,j,r},用户i对商品j并没有进行过评分,所以相应的r为未知; 
步骤B,使用Rs评分数据集合来训练最近邻推荐模型和奇异值分解模型,然后分别使用这两种模型,预测出Rh集合的评分数值,分别为R′h和R″h,两个集合中的元素为{i,j,r′}和{i,j,r″},其中r′和r″是分别通过最近邻推荐模型和奇异值分解模型预测出来的用户i对商品j的评分; 
步骤C,使用Rh、R′h和R″h三个评分集合计算出每个用户的线性回归模型参数                                                  
Figure 2013102249758100001DEST_PATH_IMAGE001
其中N表示用户的数量,进行使用线性回归模型对Rm集合中的未知的r值进行预测得到集合   
步骤D,根据预测结果   
Figure 2013102249758100001DEST_PATH_IMAGE003
针对每个用户进行相应的商品推荐,预测分数值较高的物品优先进行推荐。 
2.如权利要求1所述方法,其特征在于,在所述步骤A具体为: 
步骤A1,处理数据库中所有的用户评分记录,从每一条记录中抽取出用户ID,i和商品ID,j,以及相应评分r,合成评分数据集合R; 
步骤A2,在数据集合R中,对每一个用户取出其评分数据数量的a%,组成数据集合Rs,剩余的评分记录组成数据集合Rh,若遇到某用户的评分数据数量的a%,不是整数,则需进行四舍五入处理。 
3.如权利要求1所述方法,其特征在于,在所述步骤B中具体为: 
步骤B1,利用Rs评分集合转化成用户-商品评分矩阵,行数是用户的数量,列数是商品的数量,取出Rs评分集合中的每一个元素{ijr},令第i行,第j列的矩阵元素数值为r,其他矩阵元素设置值为0,得到评分矩阵Ms
步骤B2,使用评分矩阵Ms,训练最近邻推荐模型和奇异值分解模型,得到评分预测矩阵M′s和M″s,遍历Rh集合,对每个元素{i,j,r},分别取M′s和M″s中相应的第i行,第j列上的预测评分数值r′和r″,和i,j一起组成三元组{i,j,r′}和{i,j,r"),分别加入到集合R′h和R″h。 
4.如权利要求1所述方法,其特征在于,所述步骤C中具体为: 
步骤C1,在Rh中选出用户u的评分,组成向量    
Figure 2013102249758100001DEST_PATH_IMAGE004
其中rui为用户u在Rh,中的第i个评分数据,然后再在R′h和R″h中找出对应   
Figure 2013102249758100001DEST_PATH_IMAGE005
和   
Figure 2013102249758100001DEST_PATH_IMAGE006
步骤C2,以   
Figure 2013102249758100001DEST_PATH_IMAGE007
作为目标函数,其中λ1和λ2是可调的参数; 
步骤C3,随机初始化值αu和βu值; 
步骤C4,   
Figure 2013102249758100001DEST_PATH_IMAGE008
Figure 2013102249758100001DEST_PATH_IMAGE009
步骤C5,重复第4步直到目标函数收敛; 
步骤C6,令u依次为所有用户的ID,重复1,2,3,4,5步,计算出每个用户的αu和βu,随后进行正规化处理   
Figure 2013102249758100001DEST_PATH_IMAGE010
步骤C7,使用最近邻推荐模型和奇异值分解模型分别预测缺失评分数据集合,得到R′m和R″m; 
步骤C8,对每个用户u,提取出该用户缺失的评分向量   
Figure 2013102249758100001DEST_PATH_IMAGE011
和    rmuur′muur″mu,将rmu加入到元素组合   
Figure 2013102249758100001DEST_PATH_IMAGE013
步骤C9,合并每个用户的   
Figure 2013102249758100001DEST_PATH_IMAGE014
得到缺失评分的预测集合   
Figure 2013102249758100001DEST_PATH_IMAGE015
5.如权利要求1所述方法,其特征在于,所述步骤D中具体为: 
步骤D1,对于每个用户i,在预测集合   
Figure 2013102249758100001DEST_PATH_IMAGE016
中,取出其预测结果    其中if表示用户i在   集合中的元素的数量; 
步骤D2,可以采取Top-N的推荐方法,即在   中取出ri最高的N个元素的j值,这些j值所代表的物品就是本方法给用户i推荐的物品。N是可以设定的系数。 
6.如权利要求3所述方法,其特征在于,步骤B2所使用的最近邻推荐模型,具体步骤如下: 
步骤A,使用评分矩阵Ms计算两两用户之间的相似度,   
Figure 2013102249758100001DEST_PATH_IMAGE020
表示Ms的第i行,   
Figure 2013102249758100001DEST_PATH_IMAGE021
表示Ms的第j行,计算   
Figure 2013102249758100001DEST_PATH_IMAGE022
和   
Figure 2013102249758100001DEST_PATH_IMAGE023
的cosine相似度或者皮尔森相关系数,作为用户i和j的相似度; 
步骤B,在预测用户i对商品j的评分的时候,计算前k个与用户i相似并且对商品j进行过评分的用户对商品j的评分值的加权平均,作为用户i对商品j的预测评分,k为可以设定的系数; 
步骤C,重复步骤A和B,预测出所有的缺失评分,得到新评分矩阵   
Figure 2013102249758100001DEST_PATH_IMAGE024
7.如权利要求3所述方法,其特征在于,步骤B2所使用的奇异值分解模型,具体步骤: 
步骤A,对评分矩阵Ms进行奇异值分解,获得矩阵U和V,U的第i行元素ui作为用户i的特征向量,V的第j行元素vj作为商品j的特征向量; 
步骤B,对评分矩阵Ms每个缺失评分值,根据其行值i和列值j, 将ui与vj的点积值作为该缺失评分值的预测值; 
步骤C,重复步骤B,将评分矩阵Ms中的每个缺失评分值预测出来,得到新的评分矩阵M″s。 
CN201310224975.8A 2013-06-06 2013-06-06 一种基于混合模型的商品推荐方法 Active CN103294812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310224975.8A CN103294812B (zh) 2013-06-06 2013-06-06 一种基于混合模型的商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310224975.8A CN103294812B (zh) 2013-06-06 2013-06-06 一种基于混合模型的商品推荐方法

Publications (2)

Publication Number Publication Date
CN103294812A true CN103294812A (zh) 2013-09-11
CN103294812B CN103294812B (zh) 2016-02-10

Family

ID=49095674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310224975.8A Active CN103294812B (zh) 2013-06-06 2013-06-06 一种基于混合模型的商品推荐方法

Country Status (1)

Country Link
CN (1) CN103294812B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942298A (zh) * 2014-04-14 2014-07-23 清华大学 基于线性回归的推荐方法及系统
CN104063516A (zh) * 2014-07-14 2014-09-24 福州大学 基于分布式矩阵分解特征提取的社交网络垃圾过滤方法
CN105893609A (zh) * 2016-04-26 2016-08-24 南通大学 一种基于加权混合的移动app推荐方法
CN106037682A (zh) * 2015-07-02 2016-10-26 中国农业科学院北京畜牧兽医研究所 一种牛体温的监测方法
CN106649732A (zh) * 2016-12-23 2017-05-10 金蝶软件(中国)有限公司 一种信息推送方法及装置
CN107122989A (zh) * 2017-03-21 2017-09-01 浙江工业大学 一种面向化妆品的多角度混合推荐方法
CN108804683A (zh) * 2018-06-13 2018-11-13 重庆理工大学 结合矩阵分解和协同过滤算法的电影推荐方法
CN109670922A (zh) * 2018-12-29 2019-04-23 北京工业大学 一种基于混合特征的线上图书价值发现方法
WO2020029401A1 (zh) * 2018-08-09 2020-02-13 平安科技(深圳)有限公司 商品推荐方法、装置、计算机设备及计算机可读存储介质
WO2020048065A1 (zh) * 2018-09-05 2020-03-12 平安科技(深圳)有限公司 产品智能推荐方法、装置、计算机设备及存储介质
CN111611499A (zh) * 2020-05-28 2020-09-01 贝壳技术有限公司 协同过滤方法、协同过滤装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783004A (zh) * 2010-03-03 2010-07-21 陈嵘 快速智能化的商品推荐系统
KR20110057927A (ko) * 2009-11-25 2011-06-01 주식회사 가온웍스 개인 선호를 고려한 능동적 상품 추천 시스템
CN102542490A (zh) * 2011-12-27 2012-07-04 纽海信息技术(上海)有限公司 基于模型匹配的商品推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110057927A (ko) * 2009-11-25 2011-06-01 주식회사 가온웍스 개인 선호를 고려한 능동적 상품 추천 시스템
CN101783004A (zh) * 2010-03-03 2010-07-21 陈嵘 快速智能化的商品推荐系统
CN102542490A (zh) * 2011-12-27 2012-07-04 纽海信息技术(上海)有限公司 基于模型匹配的商品推荐方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942298B (zh) * 2014-04-14 2017-06-30 清华大学 基于线性回归的推荐方法及系统
CN103942298A (zh) * 2014-04-14 2014-07-23 清华大学 基于线性回归的推荐方法及系统
CN104063516A (zh) * 2014-07-14 2014-09-24 福州大学 基于分布式矩阵分解特征提取的社交网络垃圾过滤方法
CN104063516B (zh) * 2014-07-14 2017-06-06 福州大学 基于分布式矩阵分解特征提取的社交网络垃圾过滤方法
CN106037682A (zh) * 2015-07-02 2016-10-26 中国农业科学院北京畜牧兽医研究所 一种牛体温的监测方法
CN105893609A (zh) * 2016-04-26 2016-08-24 南通大学 一种基于加权混合的移动app推荐方法
CN106649732B (zh) * 2016-12-23 2020-05-15 金蝶软件(中国)有限公司 一种信息推送方法及装置
CN106649732A (zh) * 2016-12-23 2017-05-10 金蝶软件(中国)有限公司 一种信息推送方法及装置
CN107122989A (zh) * 2017-03-21 2017-09-01 浙江工业大学 一种面向化妆品的多角度混合推荐方法
CN107122989B (zh) * 2017-03-21 2021-06-18 浙江工业大学 一种面向化妆品的多角度混合推荐方法
CN108804683A (zh) * 2018-06-13 2018-11-13 重庆理工大学 结合矩阵分解和协同过滤算法的电影推荐方法
CN108804683B (zh) * 2018-06-13 2021-11-23 重庆理工大学 结合矩阵分解和协同过滤算法的电影推荐方法
WO2020029401A1 (zh) * 2018-08-09 2020-02-13 平安科技(深圳)有限公司 商品推荐方法、装置、计算机设备及计算机可读存储介质
WO2020048065A1 (zh) * 2018-09-05 2020-03-12 平安科技(深圳)有限公司 产品智能推荐方法、装置、计算机设备及存储介质
CN109670922A (zh) * 2018-12-29 2019-04-23 北京工业大学 一种基于混合特征的线上图书价值发现方法
CN109670922B (zh) * 2018-12-29 2022-02-08 北京工业大学 一种基于混合特征的线上图书价值发现方法
CN111611499A (zh) * 2020-05-28 2020-09-01 贝壳技术有限公司 协同过滤方法、协同过滤装置及系统
CN111611499B (zh) * 2020-05-28 2021-08-17 贝壳找房(北京)科技有限公司 协同过滤方法、协同过滤装置及系统

Also Published As

Publication number Publication date
CN103294812B (zh) 2016-02-10

Similar Documents

Publication Publication Date Title
CN103294812A (zh) 一种基于混合模型的商品推荐方法
CN103309967B (zh) 基于相似性传递的协同过滤方法及系统
CN105069072A (zh) 基于情感分析的混合用户评分信息推荐方法及其推荐装置
CN104935963B (zh) 一种基于时序数据挖掘的视频推荐方法
CN103617540B (zh) 一种追踪用户兴趣变化的电子商务推荐方法
CN103209342B (zh) 一种引入视频流行度和用户兴趣变化的协作过滤推荐方法
CN106682121A (zh) 一种基于用户兴趣变化的时效推荐方法
CN106471491A (zh) 一种时变的协同过滤推荐方法
CN103793476A (zh) 基于网络社区的协同过滤推荐方法
CN102495864A (zh) 基于评分的协同过滤推荐方法及系统
CN102982466B (zh) 一种基于用户活跃度的评分预测方法
CN103412948A (zh) 基于聚类的协同过滤的商品推荐方法及系统
CN103309894B (zh) 基于用户属性的搜索实现方法及系统
CN105975472A (zh) 一种推荐方法和装置
CN101482884A (zh) 一种基于用户偏好评分分布的协作推荐系统
CN103544632A (zh) 一种网络商品个性化推荐方法及系统
CN103678431A (zh) 一种基于标准标签和项目评分的推荐方法
CN103745100A (zh) 一种基于项目的混合显性隐性反馈的协同过滤推荐算法
CN102929928A (zh) 基于多维相似度的个性化新闻推荐方法
CN101853470A (zh) 一种基于社会化标签的协同过滤方法
CN104462383A (zh) 一种基于用户多种行为反馈的电影推荐方法
CN108573041A (zh) 基于加权信任关系的概率矩阵分解推荐方法
CN107463645A (zh) 基于用户属性评分导向的个性化推荐系统及其推荐方法
CN105824911A (zh) 基于lda用户主题模型的视频推荐方法
CN107330727A (zh) 一种基于隐语义模型的个性化推荐方法

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