CN103544632B - 一种网络商品个性化推荐方法及系统 - Google Patents

一种网络商品个性化推荐方法及系统 Download PDF

Info

Publication number
CN103544632B
CN103544632B CN201310310951.4A CN201310310951A CN103544632B CN 103544632 B CN103544632 B CN 103544632B CN 201310310951 A CN201310310951 A CN 201310310951A CN 103544632 B CN103544632 B CN 103544632B
Authority
CN
China
Prior art keywords
commodity
user
energy value
recommendation
cyber
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.)
Active
Application number
CN201310310951.4A
Other languages
English (en)
Other versions
CN103544632A (zh
Inventor
吕琳媛
周艳波
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.)
Hangzhou Normal University
Original Assignee
Hangzhou Normal University
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 Hangzhou Normal University filed Critical Hangzhou Normal University
Priority to CN201310310951.4A priority Critical patent/CN103544632B/zh
Publication of CN103544632A publication Critical patent/CN103544632A/zh
Application granted granted Critical
Publication of CN103544632B publication Critical patent/CN103544632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

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

Abstract

一种网络商品个性化推荐方法及系统。该方法包括：第一步，获取用户的购买行为历史数据，基于购买行为历史数据构建用户‑商品的二部分购买关系图。第二步，在用户‑商品购买关系图中加入一个购买过所有商品的虚拟用户。第三步，针对要进行推荐的目标用户，刻画用户对商品的喜好程度，使得所有商品被赋予新的能量值。第四步，根据用户对没有购买过的商品的能量值从高到低排序生成个性化推荐列表，该列表可包含一个商品或多个商品。

Description

一种网络商品个性化推荐方法及系统
技术领域
本发明属于网络数据挖掘领域的信息个性化推荐技术，具体来讲，涉及一种网络商品个性化推荐方法及系统。
背景技术
随着互联网的发展普及，电子商务正以令人难于置信的速度发展，极大地改变着人们的生活方式。根据权威数据统计，2012年中国电子商务市场整体交易规模与2011年相比，增长了近2万多亿元。未来3-5年内，中国电子商务市场将继续保持其增长态势，2013年有望突破10万亿元。对于很多人来说，网上购物已成为日常消费的重要组成部分。
电子商务服务改善人们生活方式的同时，商品信息过载问题也越来越严重，成了困扰人们的一大难题。在淘宝网输入“连衣裙”，搜索结果多达18911171件。人们很难用有限的精力从数以千万记的商品中快速找到自己需要的商品。通过搜索关键词可以帮人们通过关键词匹配找到相关的信息，但是简单的关键词搜索没有考虑人的个性化需求问题，对于同样的搜索条件，会返回同样的结果给不同的人。在这种情况下，个性化推荐系统应运而生。个性化推荐系统的目的是根据不同顾客的兴趣偏好，推荐相关商品，以提高顾客的购物体验，最终有效提升销售额。
目前主流的网络商品推荐系统主要采用两种方法：基于内容的推荐方法和协同过滤方法。基于内容的推荐，其基本思想是根据用户过去购买或收藏的产品，为用户推荐和他购买或收藏过的产品内容相似的产品。例如，一个推荐图书的系统可以依据某个用户之前购买很多的英语学习书籍而为他推荐其他英语学习书籍。协同过滤方法又分为基于用户的协同过滤和基于商品的协同过滤。基于用户的协同过滤方法会分析用户兴趣，在用户群中找到指定用户的相似用户，综合这些相似用户对某一商品的购买情况，形成系统对该指定用户对此商品的喜好程度预测。而基于商品的协同过滤方法会分析商品的关联性，根据用户的购买历史，得到该用户所有购买过的商品与某一指定商品的关联程度，从而预测用户对该商品的喜好程度。
不管是基于内容的推荐方法还是协同过滤的方法，他们都是基于商品或用户的相似性的。这类基于相似性的方法有个通病，就是推荐结果会比较集中，造成的结果就是大部分用户都会被推荐一些热销的商品。当然，推荐热销的商品可能会有较高的推荐准确度，因为大部分人都喜欢热销商品。但是热销的商品可以通过很多渠道（如“热销榜”等）被用户发现。如果推荐系统能推荐一些用户正真需要的冷门商品，会更有意义。有效的推荐系统仅仅做到推荐结果准确是远远不够的，还应该具备以下几个特点：首先，应该推荐给用户一些他们正真想要的而又难于被发现的商品；其次，对于不同用户来说，推荐结果应具有多样性，既不同用户应该得到不同的推荐结果；再次，对于同一用户来说，推荐结果应具有多样性。
发明内容
本发明在于克服上述现有技术的不足，公开了一种网络商品个性化推荐方法及系统，可以提供一种高效合理的、适用于海量数据的网络商品个性化推荐方法，为用户推荐需要的商品。
为实现上述发明目的，本发明公开了一种网络商品个性化推荐方法，包括以下步骤：
（1）根据用户在用户终端的操作行为，记录用户与商品的购买关系，将数据保存在数据库里。
（2）根据数据库中存储的所有用户与商品的历史购买关系，建立一个以用户和商品为节点，他们的关系为连边的二部分图。如果用户购买了某个产品，则他们之间就有一条连边。
（3）在步骤（2）建立的二部分图中，添加一个虚拟用户节点，该节点与所有商品节点相连。
（4）对于某一特定推荐目标用户，设定与他有边相连的商品的初始能量值为1，其他商品的初始能量值都为0。
（5）商品的能量值依照连边关系传递给每个用户。
（6）步骤（5）得到的所有用户的能量值，再依照连边关系传递回商品。
（7）步骤（6）得到的各个商品的新的能量值即为步骤（4）中的推荐目标用户对该商品的喜好程度，能量值越大表示越喜欢。
（8）将未被推荐目标用户购买过的商品按照能量值从大到小排序。
（9）根据推荐列表长度的要求，选择步骤（8）中排在前面的商品生成针对目标用户的个性化推荐列表。
（10）将商品推荐结果列表展示在用户终端。
本发明还公开了一种应用上述网络商品个性化推荐方法的系统，主要包括用户终端、行为记录、存储所有用户历史购买数据的数据库、推荐系统、推荐结果展示五个模块。用户终端模块提供网络商品的展示和用户操作界面；行为记录模块与用户终端模块相连接，记录用户的购买行为，并将结果存入数据库；数据库模块存储用户、商品信息和用户的购买信息；推荐系统模块与数据库模块相连接，根据用户的历史购买信息，实现网络商品的个性化推荐；推荐结果展示模块根据推荐系统模块返回的结果，将推荐结果展现给用户。
本发明通过记录用户的购买行为历史，通过在用户商品购买关系中插入一个购买过所有商品的虚拟用户，初始时为每一个用户设定对应的各个商品的能量初始值，然后通过所有用户与商品之间的购买关系二部分图，进行能量的传递，根据最终能量值的大小，预测每个用户对不同商品的喜好程度，从而实现对商品的个性化推荐。由于虚拟用户的存在可以极大地改善商品之间的关联关系，使得推荐结果不仅有较高的准确性，还具有很好的多样性，可以推荐给用户一些他们真正想要的而又难于被发现的商品，弥补了现有推荐方法的不足。同时本发明的运算时间复杂度仅为O(|E|)（|E|为购买关系总数），可以大大提高推荐的效率，可实现实时推荐。
本发明的优点归纳为以下四点：
（1）本发明通过添加一个虚拟用户将原来不存在关联关系的用户或商品之间产生了关联关系，从而有效地解决了推荐中的冷启动问题，即如何将新产品推荐给合适的用户的问题。
（2）本发明通过添加一个虚拟用户更加精准的刻画了商品之间的关联关系，从而得到更加准确的推荐结果。
（3）本发明在保证推荐精确度的基础上，能够给用户推荐他们喜欢的但又难于被发现的商品，从而显著提高了推荐商品的多样性。本方法在实验中的结果显示，相比较基于用户相似性的协同过滤推荐方法，本发明方法可提高推荐商品的多样性83.5%。
（4）本发明的方法易于实现，计算简便，在最差的情况下本方法的计算复杂度和购买关系总数成线性关系，并且对于每个用户的推荐过程可以独立进行，对于不断变化的情况可以实现实时的推荐。
附图说明
图1是本发明的结构示意图。
图2是图1中推荐系统模块ST4的具体实施步骤流程图。
图3是图2中能量传递步骤ST44的具体实施方式说明图。
具体实施方式
参照附图1-3：
为了便于问题描述，下面将结合附图，描述本发明优选具体实施方式。但值得注意的是，为避免在系统所采用已知技术和功能冲淡本发明主题，在相应描述中将会被简化或忽略。
本发明公开了一种网络商品个性化推荐方法，包括以下步骤：
（1）根据用户在用户终端的操作行为，记录用户与商品的购买关系，将数据保存在数据库里。
（2）根据数据库中存储的所有用户与商品的历史购买关系，建立一个以用户和商品为节点，他们的关系为连边的二部分图。如果用户购买了某个产品，则他们之间就有一条连边。
（3）在步骤（2）建立的二部分图中，添加一个虚拟用户节点，该节点与所有商品节点相连。
（4）对于某一特定推荐目标用户，设定与他有边相连的商品的初始能量值为1，其他商品的初始能量值都为0。
（5）商品的能量值依照连边关系传递给每个用户。
（6）步骤（5）得到的所有用户的能量值，再依照连边关系传递回商品。
（7）步骤（6）得到的各个商品的新的能量值即为步骤（4）中的推荐目标用户对该商品的喜好程度，能量值越大表示越喜欢。
（8）将未被推荐目标用户购买过的商品按照能量值从大到小排序。
（9）根据推荐列表长度的要求，选择步骤（8）中排在前面的商品生成针对目标用户的个性化推荐列表。
（10）将商品推荐结果列表展示在用户终端。
本发明还公开了一种应用上述网络商品个性化推荐方法的系统，主要包括用户终端、行为记录、存储所有用户历史购买数据的数据库、推荐系统、推荐结果展示五个模块。用户终端模块提供网络商品的展示和用户操作界面；行为记录模块与用户终端模块相连接，记录用户的购买行为，并将结果存入数据库；数据库模块存储用户、商品信息和用户的购买信息；推荐系统模块与数据库模块相连接，根据用户的历史购买信息，实现网络商品的个性化推荐；推荐结果展示模块根据推荐系统模块返回的结果，将推荐结果展现给用户。
图1是本发明网络商品个性化推荐系统的一种具体实施方式的结构示意图。主要包括以下五个部分：用户终端、行为记录、存储所有用户历史购买数据的数据库、推荐系统和推荐结果展示。
（1）用户终端，对应图1中的ST1部分，即网络商品的展示和用户操作界面。用户可以在用户终端浏览并购买任意商品。
（2）行为记录，对应图1中的ST2部分。每个用户都有一个唯一的身份标识，即用户id，每个商品也有一个唯一的身份标识，即商品id。如果一个用户购买了某件商品，他们之间的购买关系就会被记录下来，保存到数据库中，格式如下：
用户id 商品id
（3）存储所有用户历史购买数据的数据库，对应图1中的ST3部分。数据库中存放所有用户的基本信息、所有商品的基本信息、和ST2部分记录的所有用户的购买信息。
（4）推荐系统，对应图1中的ST4部分。该部分分析ST3部分数据库中存储的用户购买信息，建立一个以用户和商品为节点、购买关系为连边的二部分图，通过在该二部分图上的能量传递，预测每个用户对不同商品的喜好程度，从而实现对商品的个性化推荐。该部分的具体步骤如图2所示，具体如下：
步骤ST41：根据所有用户与商品的历史购买关系，建立一个以用户和商品为节点，他们的关系为连边的二部分图。如果某个用户购买过某个商品，那么该用户节点和该商品节点之间就有一条连边。
步骤ST42：在步骤ST41建立的二部分图中，添加一个虚拟用户节点，该节点与所有商品节点相连。该虚拟用户节点的加入，对整个用户与商品的整体关系有一定影响。它能增加个各个商品之间的连通性，对小度商品的影响较大，而对大度商品的影响较小，可以解决传统推荐方法中对大度节点的偏好性，能最终改善个性化推荐的结果，使得推荐不仅精确度高，而且具有很好的多样性。
步骤ST43：对于某一特定推荐目标用户i，设定商品能量初值。设定与该目标用户有边相连的商品的能量值为1，其他商品的能量值都为0。
步骤ST44：商品的能量值依照连边关系进行能量的传递。图3是一个本步骤具体实施的实例，显示说明了本步骤的能量传递过程。图3中的二部分图即为步骤ST42完成后的用户商品购买关系二部分图。空心圆点代表用户节点（其中最后一个用户为虚拟用户，他与所有商品节点相连），空心方点代表商品节点。节点的填充颜色灰度代表该节点的能量值，能量值越大，颜色越深。用粗边框标注的用户为ST43步骤中的推荐目标用户。图3的实例中共包括4个用户节点（其中含一个虚拟用户节点）和5个商品节点。
ST441表明了通过步骤ST43得到的各商品能量初值。推荐目标用户为第一个用户节点代表的用户，他和第一、二、四个商品有连边，所以第一、二、四个商品的能量值都为1，其他商品能量值为0。
给每个商品赋能量初值后，商品的能量值依照连边关系传递给每个用户。每个用户的能量值为与他相连接的所有商品能量值的平均。能量传递后，用户i的能量值为Ui：其中Pα为商品α的初始能量值，如果步骤（4）中的目标用户购买过商品α则Pα=1否则Pα=0。Ni为与用户i有边相连的所有商品的集合，ki是Ni中元素的个数，即与用户i有连边的商品数。计算Ui的公式中的分子求和针对属于集合Ni中的所有商品。ST442表明了ST441中的能量初值经过传递后，各个用户得到的能量值。
ST442中得到的所有用户的能量值，依照连边关系传递回商品。每个商品的能量值为与他相连接的所有用户能量值的平均。能量传递后，商品α的新能量值为P'α：Mα为与商品α有边相连的所有用户的集合，kα是Mα中元素的个数，即与商品α有连边的用户数。计算P'α的公式中的分子求和针对属于集合Mα中的所有用户。ST432表明了ST442中的能量值经过传递后，各个商品的新能量值。
本步骤通过能量传递的方法，充分利用了用户与商品之间的购买关系，将用户已购买过的商品作为能量源，最终传递得到各个商品的能量值。这个能量代表了用户的喜好，如果一个商品最终得到较高的能量值，则表明这个商品对目标用户来说，有较高的价值。
步骤ST45：步骤ST44最终得到各个商品的能量值即为步骤ST43中的推荐目标用户对该商品的喜好程度。将未被推荐目标用户购买过的商品按照能量值从大到小排序，排序结果既为对该用户的商品推荐结果。对应本实例中，图3中ST443显示的各个商品的能量值即为第一个用户对该商品的喜好程度。第三和第五商品是第一个用户没有购买过的商品，而第5个商品的能量值大于第一个商品，所以在对第一个用户推荐商品时，优先推荐第五个商品。
（5）推荐结果展示，对应图1中的ST5部分。本部分将步骤ST45得到的商品排序结果生成推荐列表展示给用户，最终实现对用户的网络商品个性化推荐。根据推荐展示位或推荐列表的长度，可以推荐一个或多个商品。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应当清楚，本发明不限于具体实施方式的范围，对于技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实验效果：本方法在实验中的结果显示，相比较基于用户相似性的协同过滤推荐方法，本发明方法可提高推荐商品的多样性83.5%。

Claims (2)

1.一种网络商品的个性化推荐方法，应用于网络购物系统中，包括以下步骤：
(1)根据用户在用户终端的操作行为，记录用户与商品的购买关系，将数据保存在数据库里；
(2)根据数据库中存储的所有用户与商品的历史购买关系，建立一个以用户和商品为节点，他们的关系为连边的二部分图；如果用户购买了某个产品，则他们之间就有一条连边；
(3)在步骤(2)建立的二部分图中，添加一个虚拟用户节点，该节点与所有商品节点相连；
(4)对于某一特定推荐目标用户，设定与他有边相连的商品的初始能量值为1，其他商品的初始能量值都为0；
(5)商品的能量值依照连边关系传递给每个用户；每个用户的能量值为与他相连接的所有商品能量值的平均值；具体方法为：能量传递后，用户i的能量值为Ui：其中Pα为商品α的初始能量值，如果步骤(4)中的目标用户购买过商品α则Pα＝1否则Pα＝0；Ni为与用户i有边相连的所有商品的集合，ki是Ni中元素的个数，即与用户i有连边的商品数；计算Ui的公式中的分子求和针对属于集合Ni中的所有商品；
(6)步骤(5)得到的所有用户的能量值，再依照连边关系传递回商品；每个商品的能量值为与他相连接的所有用户能量值的平均；具体方法为：能量传递后，商品α的新能量值为P'α：Mα为与商品α有边相连的所有用户的集合，kα是Mα中元素的个数，即与商品α有连边的用户数；计算P'α的公式中的分子求和针对属于集合Mα中的所有用户；
(7)步骤(6)得到的各个商品的新的能量值即为步骤(4)中的推荐目标用户对该商品的喜好程度，能量值越大表示越喜欢；
(8)将未被推荐目标用户购买过的商品按照能量值从大到小排序；
(9)根据推荐列表长度的要求，选择步骤(8)中排在前面的商品生成针对目标用户的个性化推荐列表；
(10)将商品推荐结果列表展示在用户终端。
2.一种应用权利要求1所述的网络商品个性化推荐方法的系统，主要包括用户终端、行为记录、存储所有用户历史购买数据的数据库、推荐系统、推荐结果展示五个模块，其特征在于：用户终端模块提供网络商品的展示和用户操作界面；行为记录模块与用户终端模块相连接，记录用户的购买行为，并将结果存入数据库；数据库模块存储用户、商品信息和用户的购买信息；推荐系统模块与数据库模块相连接，根据用户的历史购买信息，实现网络商品的个性化推荐；推荐结果展示模块根据推荐系统模块返回的结果，将推荐结果展现给用户。
CN201310310951.4A 2013-07-22 2013-07-22 一种网络商品个性化推荐方法及系统 Active CN103544632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310310951.4A CN103544632B (zh) 2013-07-22 2013-07-22 一种网络商品个性化推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310310951.4A CN103544632B (zh) 2013-07-22 2013-07-22 一种网络商品个性化推荐方法及系统

Publications (2)

Publication Number Publication Date
CN103544632A CN103544632A (zh) 2014-01-29
CN103544632B true CN103544632B (zh) 2016-09-21

Family

ID=49968059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310310951.4A Active CN103544632B (zh) 2013-07-22 2013-07-22 一种网络商品个性化推荐方法及系统

Country Status (1)

Country Link
CN (1) CN103544632B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995866A (zh) * 2014-05-19 2014-08-20 北京邮电大学 一种基于链路预测的商品信息推送方法及装置
CN105528379B (zh) * 2014-10-24 2020-09-22 杭州师范大学 一种资源的推荐方法和装置
CN104504584A (zh) * 2014-12-25 2015-04-08 小米科技有限责任公司 智能硬件商品的推荐方法及装置
CN104615721B (zh) * 2015-02-06 2018-02-16 北京京东尚科信息技术有限公司 用于基于退货关联信息推荐商品的方法和系统
CN104809637B (zh) * 2015-05-18 2021-07-20 北京京东尚科信息技术有限公司 计算机实现的商品推荐方法及系统
CN105678567A (zh) * 2015-12-31 2016-06-15 宁波领视信息科技有限公司 一种基于大数据深度学习的精准预测系统
WO2017124416A1 (zh) * 2016-01-21 2017-07-27 赵政荣 优惠劵推荐相关技术的使用数据采集方法以及推荐系统
WO2017124418A1 (zh) * 2016-01-21 2017-07-27 赵政荣 自动推荐优惠劵的方法以及推荐系统
WO2017124415A1 (zh) * 2016-01-21 2017-07-27 赵政荣 推荐优惠劵时的技术数据采集方法以及推荐系统
WO2017124417A1 (zh) * 2016-01-21 2017-07-27 赵政荣 推荐优惠卷相关技术信息展现方法以及推荐系统
CN105894332A (zh) * 2016-04-22 2016-08-24 深圳市永兴元科技有限公司 基于用户行为分析的商品推荐方法、装置及系统
CN106204124A (zh) * 2016-07-02 2016-12-07 向莉妮 个性化商品匹配推荐系统及方法
CN106408350A (zh) * 2016-10-09 2017-02-15 广州智慧城市发展研究院 一种基于溯源数据库的用户商品推荐方法及系统
CN107808300A (zh) * 2017-09-15 2018-03-16 安徽中瑞通信科技股份有限公司 一种基于无线领域营销平台的广告推送系统及推送方法
CN107862566A (zh) * 2017-10-17 2018-03-30 杨明 一种商品推荐方法和系统
CN108269167A (zh) * 2017-12-22 2018-07-10 合肥天源迪科信息技术有限公司 一种基于大数据处理的电子商务运营管理方法
CN108230108A (zh) * 2018-01-03 2018-06-29 程丹秋 一种个性化的商品推荐系统
CN109697652A (zh) 2018-06-29 2019-04-30 京东方科技集团股份有限公司 一种商场的商品推荐方法和服务器
CN108875092B (zh) * 2018-08-22 2022-07-12 成都理工大学 一种基于协方差的商品推荐方法
CN110264364B (zh) * 2019-04-30 2022-08-23 电子科技大学 一种投资方的推荐方法
CN112053210B (zh) * 2020-09-11 2023-12-05 深圳市梦网视讯有限公司 一种基于商品社区分类的关联值传播方法、系统及设备
CN112036987B (zh) * 2020-09-11 2024-04-02 杭州海康威视数字技术股份有限公司 确定推荐商品的方法和装置
US12073452B2 (en) 2021-03-15 2024-08-27 Direct Cursus Technology L.L.C Method of providing recommendations in an online listing platform
CN115392406B (zh) * 2022-10-28 2023-04-28 山东智豆数字科技有限公司 一种基于历史交易信息的用户分类管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789462A (zh) * 2011-05-18 2012-11-21 阿里巴巴集团控股有限公司 一种项目推荐方法及系统
US8386406B2 (en) * 2009-07-08 2013-02-26 Ebay Inc. Systems and methods for making contextual recommendations
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8386406B2 (en) * 2009-07-08 2013-02-26 Ebay Inc. Systems and methods for making contextual recommendations
CN102789462A (zh) * 2011-05-18 2012-11-21 阿里巴巴集团控股有限公司 一种项目推荐方法及系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于加权二部图的个性化推荐算法;张新猛 等;《计算机应用》;20120301(第3期);第654-657页 *
用户和项目联合度对二分网络个性化推荐的影响;程婷婷 等;《计算机科学》;20110531;第38卷(第5期);第216-218页 *

Also Published As

Publication number Publication date
CN103544632A (zh) 2014-01-29

Similar Documents

Publication Publication Date Title
CN103544632B (zh) 一种网络商品个性化推荐方法及系统
CN102456203B (zh) 确定候选产品链表的方法及相关装置
CN102789462B (zh) 一种项目推荐方法及系统
CN107633430A (zh) 一种基于群体社区的商品推荐方法
CN104835057A (zh) 一种获取网络用户的消费特征信息的方法及装置
CN106202516A (zh) 一种根据时间节点的电子商务平台商品展示方法
CN106033415A (zh) 文本内容推荐方法及装置
CN108153791A (zh) 一种资源推荐方法和相关装置
CN110197404A (zh) 可降低流行度偏差的个性化长尾商品推荐方法和系统
CN105975522A (zh) 一种多领域内容推荐方法及服务器
CN105447045A (zh) 信息排序方法、装置及信息提供方法、系统
CN107194769A (zh) 一种基于用户搜索内容的商品推荐方法
Han Purchasing decision-making process of online consumers
CN104933595A (zh) 一种基于马尔科夫预测模型的协同过滤推荐方法
Prabakaran et al. A survey on recommendation systems using collaborative filtering techniques
Hong et al. A comparative study of video recommender systems in big data era
CN107507026A (zh) 信息智能推广系统及其处理方法
Kardan et al. Targeted advertisement in social networks using recommender systems
CN102789615A (zh) 图书信息关联推荐方法、服务器及系统
Qi et al. Cross-domain recommendation method in tourism
Kulkarni et al. Role of Recommender System for Selling Products in Online Shopping
Sohail et al. Recommender Systems for E-Commerce: In Perspective of Business Strategies
Sonkusare et al. E-commerce Shopping System with Semantic Search and Recommender System
Karageorgos et al. Dynamic generation of personalized product bundles in enterprise networks
Ding et al. Multi-models dynamic recommendation for offline clothing sales

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant