CN103559197A - 基于上下文预过滤的实时音乐推荐方法 - Google Patents
基于上下文预过滤的实时音乐推荐方法 Download PDFInfo
- Publication number
- CN103559197A CN103559197A CN201310438728.8A CN201310438728A CN103559197A CN 103559197 A CN103559197 A CN 103559197A CN 201310438728 A CN201310438728 A CN 201310438728A CN 103559197 A CN103559197 A CN 103559197A
- Authority
- CN
- China
- Prior art keywords
- user
- music
- context
- scoring
- record
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
- G06F16/637—Administration of user profiles, e.g. generation, initialization, adaptation or distribution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于上下文预过滤的实时音乐推荐方法,依据用户的历史数据,针对每个在线活跃用户进行以下操作:首先,提取所有用户的历史数据(如用户听音乐的时间、场所和天气等),构建“用户-音乐-上下文”三元数据模型,并针对每个用户建立由音乐和上下文组成的个人记录集合;其次,构造用户K近邻的当前上下文相似记录集合,从而将三元数据模型转化为用户和音乐组成的二元模型;最后,采用基于模糊聚类的协同过滤算法预测用户对不同音乐的偏爱程度。本发明的优点在于:充分考虑上下文信息,推荐更符合用户偏好、当前心情和周围环境的音乐。
Description
技术领域
本发明涉及音乐推荐系统的技术领域,特别是基于上下文预过滤的实时音乐推荐系统的算法。
背景技术
20世纪90年代以来,随着互联网技术的飞速发展,人们在获取丰富信息的同时,也浸于信息泥潭而难以高效地搜集自身所需的信息,从而引发“信息过载”问题。目前,通用搜索引擎(如谷歌、百度)是最流行的获取信息的工具,但正因为它们的通用性,这类搜索引擎不能很好地满足不同背景、不同时间、不同目标的使用者的个性化信息需求,从而无法真正地解决“信息过载”难题。于是,学术界和企业界都提出“个性化服务”的概念,来为不同特征不同需求的用户提供不同的信息内容。推荐系统作为个性化服务研究的重要领域,通过挖掘用户和服务项目之间的二元关系,用户之间的组群关系,以及服务项目之间的相似关系等,帮助用户从海量数据中发现其可能感兴趣的项目(如音乐、家政服务和在线商品等),并生成个性化推荐结果以满足个性化需求。
目前,随着电子商务、移动计算和物联网等应用领域的进一步发展,将上下文感知计算应用于这些领域的推荐服务以提高用户体验和系统性能,成为学术界和工业界关注的热点之一。在传统推荐系统中,“用户—项目”之间的关联关系是主要的研究对象,而下文环境(如时间、位置、情绪、网络条件和最近几次选择的项目等等)往往被忽 略。然而,对很多实际应用而言,单纯的“用户-项目”二元关系无法提供高效的推荐服务。例如,用户A只有在“外地出差”时才想要被推荐一些周边的餐馆、商场等,而平时在熟悉的家乡时这些信息都属于严重多余;用户B在“失落沮丧”时更愿意被推荐一些治愈系的疗伤歌曲;用户C喜欢在“早上”而不是“中午”被推荐NBA体育新闻。上下文感知推荐系统将上下文信息引入推荐系统,进一步提高了推荐效率和用户体验,兼具“个性化”和“普适计算”两方面的优越性,具有重要的研究意义和实用价值。
发明内容
为了帮助用户解决“信息过载”问题,在海量音乐中精选出符合用户风格和当前情绪的音乐,本发明提出了一种基于上下文预过滤的实时音乐推荐方法,该方法包括以下步骤:
1)提取所有用户的历史数据,构建“用户-音乐-上下文”三元数据模型,并针对每个用户u建立由音乐和上下文组成的个人记录集合Pu;
3)利用S(c)将“用户-音乐-上下文”三元数据模型转换成“用 户-音乐”二元数据模型;
4)采用基于模糊集划分的协同过滤算法,预测每个当前活跃用户ua对所有音乐的评分。
进一步,步骤1)中所述的用户历史数据、三元数据模型和个人记录集合Pu,具体是:
1)每条用户历史数据记录包含用户编号、音乐编号、上下文信息和评分,根据所有的用户历史数据记录可以构建“用户-音乐-上下文”三元数据模型;
2)针对每个用户u,建立由音乐和上下文组成的个人记录集合Pu,该集合的每条记录包含音乐编号、上下文信息和评分。
进一步,步骤2)中所述K近邻相似记录集合S(c),具体是:
其中,x,c∈Rp是两个描述上下文环境的p维向量;
2)选取余弦相似度最大的K个上下文对应的记录,作为用户ua当前上下文c下的K近邻相似记录集合S(c)。
进一步,步骤3)中所述利用S(c)将三元“用户-音乐-上下文”模型转化成二元“用户-音乐”模型,具体是:
1)在每个用户ua的K近邻相似记录集合S(c)中,如果不同上下文中对同一音乐服务存在不同的偏好值,则仅保留其上下文与目标用户当前上下文c相似度最大的那条偏好记录;
2)将所有用户的相似上下文记录集合S(c)合并起来,删除每条记录的上下文数据项,构成集合M,这样M中的每条记录仅包含用户、音乐和评分三个数据项;
3)根据集合M,构造二元“用户-音乐”模型的数据矩阵D,其中矩阵的行表示用户,列表示音乐,矩阵元素Di,j表示用户i对音乐j的评分。
进一步,步骤4)中所述的对二元“用户-音乐”模型采用的基于模糊集划分的协同过滤算法,具体是:
1)数据矩阵D的每一行代表一个用户对所有音乐的评分(未评分的记为0),看成一个用户的属性,用经典模糊c均值聚类算法把用户聚成k类,其中simk(i,j)是第k类用户i和用户j的相似度;
2)预测第k类用户i对未评分音乐d的评分Pi,d,计算公式如 下:
3)通过上述方法预测出目标用户对未评价项目的评分,然后选择预测评分最高的n项推荐给目标用户。
本发明提出了基于上下文预过滤的实时音乐推荐方法,其优点在于:充分考虑上下文信息(如最近所听歌曲的名称、时间、地点、天气和歌曲切换频率等等),给用户推荐不仅符合其审美的,而且符合当前心情和周围环境的音乐;适用于所有类型的音乐服务,无需后台人工操作,可以带给用户更好的音乐体验,增强音乐类网站及其应用软件的用户忠实度。
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:
基于上下文预过滤的实时音乐推荐方法,该方法的特征在于获取用户使用音乐服务的历史数据后,针对当前在线活跃用户进行以下操作:
1)提取所有用户的历史数据,构建“用户-音乐-上下文”三元 数据模型,并针对每个用户u建立由音乐和上下文组成的个人记录集合Pu;
3)利用S(c)将“用户-音乐-上下文”三元数据模型转换成“用户-音乐”二元数据模型;
4)采用基于模糊集划分的协同过滤算法,预测每个当前活跃用户ua对所有音乐的评分。
步骤1)中所述的用户历史数据、三元数据模型和个人记录集合Pu,具体是:
1)每条用户历史数据记录包含用户编号、音乐编号、上下文信息和评分,根据所有的用户历史数据记录可以构建“用户-音乐-上下文”三元数据模型;
2)针对每个用户u,建立由音乐和上下文组成的个人记录集合Pu,该集合的每条记录包含音乐编号、上下文信息和评分。
步骤2)中所述K近邻相似记录集合S(c),具体是:
其中,x,c∈Rp是两个描述上下文环境的p维向量;
2)选取余弦相似度最大的K个上下文对应的记录,作为用户ua当前上下文c下的K近邻相似记录集合S(c)。
步骤3)中所述利用S(c)将三元“用户-音乐-上下文”模型转化成二元“用户-音乐”模型,具体是:
1)在每个用户ua的K近邻相似记录集合S(c)中,如果不同上下文中对同一音乐服务存在不同的偏好值,则仅保留其上下文与目标用户当前上下文c相似度最大的那条偏好记录;
2)将所有用户的相似上下文记录集合S(c)合并起来,删除每条记录的上下文数据项,构成集合M,这样M中的每条记录仅包含用户、音乐和评分三个数据项;
3)根据集合M,构造二元“用户-音乐”模型的数据矩阵D,其中矩阵的行表示用户,列表示音乐,矩阵元素Di,j表示用户i对音乐j的评分。
步骤4)中所述的对二元“用户-音乐”模型采用的基于模糊集划分的协同过滤算法,具体是:
1)数据矩阵D的每一行代表一个用户对所有音乐的评分(未评分的记为0),看成一个用户的属性,用经典模糊c均值聚类算法把用户聚成k类,其中simk(i,j)是第k类用户i和用户j的相似度;
2)预测第k类用户i对未评分音乐d的评分Pi,d,计算公式如下:
3)通过上述方法预测出目标用户对未评价项目的评分,然后选择预测评分最高的n项推荐给目标用户。
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,本发明的保护范围的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 (5)
2.如权利要求1所述的基于上下文预过滤的实时音乐推荐方法,其特征在于:步骤1)中所述的用户历史数据、三元数据模型和个人记录集合Pu,具体是:
1)每条用户历史数据记录包含用户编号、音乐编号、上下文信息和评分,根据所有的用户历史数据记录可以构建“用户-音乐-上下文”三元数据模型;
2)针对每个用户u,建立由音乐和上下文组成的个人记录集合Pu,该集合的每条记录包含音乐编号、上下文信息和评分。
4.如权利要求3所述的基于上下文预过滤的实时音乐推荐方法,其特征在于:步骤3)中所述利用S(c)将三元“用户-音乐-上下文”模型转化成二元“用户-音乐”模型,具体是:
1)在每个用户ua的K近邻相似记录集合S(c)中,如果不同上下文中对同一音乐服务存在不同的偏好值,则仅保留其上下文与目标用户当前上下文c相似度最大的那条偏好记录;
2)将所有用户的相似上下文记录集合S(c)合并起来,删除每条记录的上下文数据项,构成集合M,这样M中的每条记录仅包含用户、音乐和评分三个数据项;
3)根据集合M,构造二元“用户-音乐”模型的数据矩阵D,其中矩阵的行表示用户,列表示音乐,矩阵元素Di,j表示用户i对音乐j的评分。
5.如权利要求4所述的基于上下文预过滤的实时音乐推荐方法,其特征在于:步骤4)中所述的对二元“用户-音乐”模型采用的基于模糊集划分的协同过滤算法,具体是:
1)数据矩阵D的每一行代表一个用户对所有音乐的评分(未评分的记为0),看成一个用户的属性,用经典模糊c均值聚类算法把用 户聚成k类,其中simk(i,j)是第k类用户i和用户j的相似度;
2)预测第k类用户i对未评分音乐d的评分Pi,d,计算公式如下:
3)通过上述方法预测出目标用户对未评价项目的评分,然后选择预测评分最高的n项推荐给目标用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310438728.8A CN103559197A (zh) | 2013-09-23 | 2013-09-23 | 基于上下文预过滤的实时音乐推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310438728.8A CN103559197A (zh) | 2013-09-23 | 2013-09-23 | 基于上下文预过滤的实时音乐推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103559197A true CN103559197A (zh) | 2014-02-05 |
Family
ID=50013444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310438728.8A Pending CN103559197A (zh) | 2013-09-23 | 2013-09-23 | 基于上下文预过滤的实时音乐推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103559197A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408643A (zh) * | 2014-10-30 | 2015-03-11 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
CN104731954A (zh) * | 2015-04-01 | 2015-06-24 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与系统 |
CN104809107A (zh) * | 2015-05-18 | 2015-07-29 | 中国科学院自动化研究所 | 基于上下文转换向量模型的推荐方法和系统 |
CN104899246A (zh) * | 2015-04-12 | 2015-09-09 | 西安电子科技大学 | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 |
CN105426382A (zh) * | 2015-08-27 | 2016-03-23 | 浙江大学 | 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 |
CN105488214A (zh) * | 2015-12-15 | 2016-04-13 | 成都陌云科技有限公司 | 基于大数据的页面定制化方法 |
CN105512252A (zh) * | 2015-12-01 | 2016-04-20 | 海信集团有限公司 | 一种获取多媒体数据间相关性的方法及装置 |
CN105608105A (zh) * | 2015-10-30 | 2016-05-25 | 浙江大学 | 一种基于收听上下文的音乐推荐方法 |
CN105653535A (zh) * | 2014-11-13 | 2016-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种媒体资源推荐方法 |
CN105677850A (zh) * | 2016-01-07 | 2016-06-15 | 浙江大学 | 一种基于神经网络模型的上下文感知音乐推荐方法 |
CN105808720A (zh) * | 2016-03-07 | 2016-07-27 | 浙江大学 | 一种基于收听序列和元数据的上下文感知音乐推荐方法 |
CN106202252A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种基于用户情绪分析的出行推荐方法、系统 |
WO2017000623A1 (zh) * | 2015-07-02 | 2017-01-05 | 中兴通讯股份有限公司 | 一种信息推荐方法和装置 |
CN106339492A (zh) * | 2016-08-31 | 2017-01-18 | 电子科技大学 | 一种基于地理位置信息的音乐推荐方法 |
CN106844639A (zh) * | 2017-02-23 | 2017-06-13 | 跑悦乐(上海)网络技术有限公司 | 音乐匹配运动的方法及系统 |
WO2017124390A1 (zh) * | 2016-01-21 | 2017-07-27 | 阮元 | 根据天气推荐资源时的信息推送方法以及推荐系统 |
CN107656983A (zh) * | 2017-09-08 | 2018-02-02 | 广州索答信息科技有限公司 | 一种基于声纹识别的智能推荐方法及装置 |
CN109213892A (zh) * | 2018-08-20 | 2019-01-15 | 广东小天才科技有限公司 | 一种音频播放方法、装置、设备及存储介质 |
CN109460486A (zh) * | 2018-09-12 | 2019-03-12 | 珠海豆饭科技有限公司 | 一种基于语音的信息推荐方法及系统 |
CN109921979A (zh) * | 2019-01-22 | 2019-06-21 | 北京顺丰同城科技有限公司 | 一种信息的推送方法及装置 |
CN110069713A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于用户上下文感知的个性化推荐方法 |
CN110147463A (zh) * | 2019-04-03 | 2019-08-20 | 华南理工大学 | 一种音乐推送方法、系统、装置和存储介质 |
CN111262953A (zh) * | 2016-12-26 | 2020-06-09 | 北京五八信息技术有限公司 | 一种实时推送信息的方法和装置 |
CN112333596A (zh) * | 2020-11-05 | 2021-02-05 | 江苏紫米电子技术有限公司 | 一种耳机均衡器的调整方法、装置、服务器及介质 |
CN112333596B (zh) * | 2020-11-05 | 2024-06-04 | 江苏紫米电子技术有限公司 | 一种耳机均衡器的调整方法、装置、服务器及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334792A (zh) * | 2008-07-10 | 2008-12-31 | 中国科学院计算技术研究所 | 一种个性化服务推荐系统和方法 |
CN102982107A (zh) * | 2012-11-08 | 2013-03-20 | 北京航空航天大学 | 一种融合用户、项目和上下文属性信息的推荐系统优化方法 |
-
2013
- 2013-09-23 CN CN201310438728.8A patent/CN103559197A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334792A (zh) * | 2008-07-10 | 2008-12-31 | 中国科学院计算技术研究所 | 一种个性化服务推荐系统和方法 |
CN102982107A (zh) * | 2012-11-08 | 2013-03-20 | 北京航空航天大学 | 一种融合用户、项目和上下文属性信息的推荐系统优化方法 |
Non-Patent Citations (2)
Title |
---|
刘妮娜等: "移动环境下搜索引擎的个性化方法", 《江南大学学报(自然科学版)》, vol. 5, no. 1, 28 February 2006 (2006-02-28) * |
徐风苓等: "基于移动用户上下文相似度的协同过滤推荐算法", 《电子与信息学报》, vol. 33, no. 11, 30 November 2011 (2011-11-30) * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408643A (zh) * | 2014-10-30 | 2015-03-11 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
CN104408643B (zh) * | 2014-10-30 | 2018-01-02 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
CN105653535B (zh) * | 2014-11-13 | 2019-07-02 | 中国科学院沈阳计算技术研究所有限公司 | 一种媒体资源推荐方法 |
CN105653535A (zh) * | 2014-11-13 | 2016-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种媒体资源推荐方法 |
CN104731954A (zh) * | 2015-04-01 | 2015-06-24 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与系统 |
CN104731954B (zh) * | 2015-04-01 | 2018-01-26 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与系统 |
CN104899246B (zh) * | 2015-04-12 | 2018-06-26 | 西安电子科技大学 | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 |
CN104899246A (zh) * | 2015-04-12 | 2015-09-09 | 西安电子科技大学 | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 |
CN104809107A (zh) * | 2015-05-18 | 2015-07-29 | 中国科学院自动化研究所 | 基于上下文转换向量模型的推荐方法和系统 |
WO2017000623A1 (zh) * | 2015-07-02 | 2017-01-05 | 中兴通讯股份有限公司 | 一种信息推荐方法和装置 |
CN105426382B (zh) * | 2015-08-27 | 2018-10-26 | 浙江大学 | 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 |
CN105426382A (zh) * | 2015-08-27 | 2016-03-23 | 浙江大学 | 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 |
CN105608105A (zh) * | 2015-10-30 | 2016-05-25 | 浙江大学 | 一种基于收听上下文的音乐推荐方法 |
CN105512252B (zh) * | 2015-12-01 | 2019-03-05 | 海信集团有限公司 | 一种获取多媒体数据间相关性的方法及装置 |
CN105512252A (zh) * | 2015-12-01 | 2016-04-20 | 海信集团有限公司 | 一种获取多媒体数据间相关性的方法及装置 |
CN105488214A (zh) * | 2015-12-15 | 2016-04-13 | 成都陌云科技有限公司 | 基于大数据的页面定制化方法 |
CN105677850B (zh) * | 2016-01-07 | 2019-03-26 | 浙江大学 | 一种基于神经网络模型的上下文感知音乐推荐方法 |
CN105677850A (zh) * | 2016-01-07 | 2016-06-15 | 浙江大学 | 一种基于神经网络模型的上下文感知音乐推荐方法 |
WO2017124390A1 (zh) * | 2016-01-21 | 2017-07-27 | 阮元 | 根据天气推荐资源时的信息推送方法以及推荐系统 |
CN105808720B (zh) * | 2016-03-07 | 2018-11-20 | 浙江大学 | 一种基于收听序列和元数据的上下文感知音乐推荐方法 |
CN105808720A (zh) * | 2016-03-07 | 2016-07-27 | 浙江大学 | 一种基于收听序列和元数据的上下文感知音乐推荐方法 |
CN106202252A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种基于用户情绪分析的出行推荐方法、系统 |
CN106339492A (zh) * | 2016-08-31 | 2017-01-18 | 电子科技大学 | 一种基于地理位置信息的音乐推荐方法 |
CN106339492B (zh) * | 2016-08-31 | 2019-05-24 | 电子科技大学 | 一种基于地理位置信息的音乐推荐方法 |
CN111262953B (zh) * | 2016-12-26 | 2022-09-02 | 北京五八信息技术有限公司 | 一种实时推送信息的方法和装置 |
CN111262953A (zh) * | 2016-12-26 | 2020-06-09 | 北京五八信息技术有限公司 | 一种实时推送信息的方法和装置 |
CN106844639A (zh) * | 2017-02-23 | 2017-06-13 | 跑悦乐(上海)网络技术有限公司 | 音乐匹配运动的方法及系统 |
CN106844639B (zh) * | 2017-02-23 | 2020-07-21 | 跑悦乐(上海)网络技术有限公司 | 音乐匹配运动的方法及系统 |
CN107656983A (zh) * | 2017-09-08 | 2018-02-02 | 广州索答信息科技有限公司 | 一种基于声纹识别的智能推荐方法及装置 |
CN109213892A (zh) * | 2018-08-20 | 2019-01-15 | 广东小天才科技有限公司 | 一种音频播放方法、装置、设备及存储介质 |
CN109460486A (zh) * | 2018-09-12 | 2019-03-12 | 珠海豆饭科技有限公司 | 一种基于语音的信息推荐方法及系统 |
CN109921979A (zh) * | 2019-01-22 | 2019-06-21 | 北京顺丰同城科技有限公司 | 一种信息的推送方法及装置 |
CN110147463A (zh) * | 2019-04-03 | 2019-08-20 | 华南理工大学 | 一种音乐推送方法、系统、装置和存储介质 |
CN110069713A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于用户上下文感知的个性化推荐方法 |
CN112333596A (zh) * | 2020-11-05 | 2021-02-05 | 江苏紫米电子技术有限公司 | 一种耳机均衡器的调整方法、装置、服务器及介质 |
CN112333596B (zh) * | 2020-11-05 | 2024-06-04 | 江苏紫米电子技术有限公司 | 一种耳机均衡器的调整方法、装置、服务器及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559197A (zh) | 基于上下文预过滤的实时音乐推荐方法 | |
Deng et al. | Exploring user emotion in microblogs for music recommendation | |
Kefalas et al. | A time-aware spatio-textual recommender system | |
Lu et al. | Personalized trip recommendation with multiple constraints by mining user check-in behaviors | |
Lee et al. | Context awareness by case-based reasoning in a music recommendation system | |
Symeonidis et al. | Location-based social networks | |
Yao et al. | A graph-based model for context-aware recommendation using implicit feedback data | |
Logesh et al. | Learning recency and inferring associations in location based social network for emotion induced point-of-interest recommendation. | |
CN102521321B (zh) | 基于检索词歧义性和用户偏好的视频搜索方法 | |
CN103106285A (zh) | 一种基于信息安全专业社交网络平台的推荐算法 | |
Pan et al. | Research on context-awareness mobile tourism e-commerce personalized recommendation model | |
Zhenzhen et al. | Cross-domain item recommendation based on user similarity | |
CN104751354A (zh) | 一种广告人群筛选方法 | |
CN105488213A (zh) | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 | |
CN102693223A (zh) | 一种搜索方法 | |
CN107818183A (zh) | 一种基于三阶段组合推荐技术的党建视频推送方法 | |
Long | Improved personalized recommendation algorithm based on context-aware in mobile computing environment | |
Mohbey et al. | Interesting user behaviour prediction in mobile e-commerce environment using constraints | |
Pilani et al. | Contextual bandit approach-based recommendation system for personalized web-based services | |
Setiowati et al. | Context-based awareness in location recommendation system to enhance recommendation quality: A review | |
Yu et al. | A novel framework to alleviate the sparsity problem in context-aware recommender systems | |
Xueting | Personalized recommendation algorithm of tourist attractions based on transfer learning | |
Suresh Kumar et al. | Multi-ontology based points of interests (MO-POIS) and parallel fuzzy clustering (PFC) algorithm for travel sequence recommendation with mobile communication on big social media | |
Shiratsuchi et al. | Finding unknown interests utilizing the wisdom of crowds in a social bookmark service | |
CN104462597A (zh) | 一种综合用户正负性评分和评分偏好因子的协同过滤算法 |
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 | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140205 |