CN103886001A - 一种个性化商品推荐系统 - Google Patents

一种个性化商品推荐系统 Download PDF

Info

Publication number
CN103886001A
CN103886001A CN201310433589.XA CN201310433589A CN103886001A CN 103886001 A CN103886001 A CN 103886001A CN 201310433589 A CN201310433589 A CN 201310433589A CN 103886001 A CN103886001 A CN 103886001A
Authority
CN
China
Prior art keywords
user
article
preference
neighbours
similar
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
Application number
CN201310433589.XA
Other languages
English (en)
Inventor
牛晓芳
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.)
Tianjin Siboke Technology Development Co Ltd
Original Assignee
Tianjin Siboke Technology Development Co Ltd
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 Tianjin Siboke Technology Development Co Ltd filed Critical Tianjin Siboke Technology Development Co Ltd
Priority to CN201310433589.XA priority Critical patent/CN103886001A/zh
Publication of CN103886001A publication Critical patent/CN103886001A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种个性化商品推荐系统，目的在于在充分了解消费者的购物习惯后，给出最适合的推荐。一种个性化商品推荐系统，包括收集用户偏好、找到相似的用户或物品和计算推荐三个步骤；上述步骤的实现方式首先收集用户偏好信息，然后根据用户的偏好信息找到相似的用户或者物品，最后计算推荐并将结果展示给消费者。

Description

一种个性化商品推荐系统
技术领域
本发明涉及商品推荐领域，更具体的讲是一种个性化商品推荐系统。 
背景技术
随时信息量不断的增长和社会生产能力的提高，商家所提供的商品种类和数量与日俱增，面对商品信息的“海洋”，消费者很难快速有效地挑选出他所需要的商品，如何在浏览中唤起消费者的欲望，如何在消费者选购必需商品后继续推荐相关有它有价值的商品，如何提升消费者对商家的忠诚度等问题便摆在了商家面前。在这个背景下，商品推荐系统应运而生，它是根据用户的特征，比如兴趣爱好，推荐满足用户要求的对象，也称个性化推荐系统。 
为了解决上述问题，本发明公开了一种个性化商品推荐系统。协同过滤 (Collaborative Filtering, 简称 CF)是利用集体智慧的一个典型方法。当我们想看个电影，但我们不知道具体看哪部，这时候我们会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 
本发明是在海量的用户中发掘出一小部分和消费者品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其它东西组织成一个排序的目录作为推荐给消费者。基于以上内容被发明要解决的核心问题是： 
如何确定一个用户是不是和消费者有相似的品位？
如何将邻居们的喜好组织成一个排序的目录？
协同过滤相对于集体智慧而言，它从一定程度上保留了个体的特征，就是消费者品位偏好，所以它更多可以作为个性化推荐的算法思想。
发明内容
本发明公开了一种个性化商品推荐系统，目的在于在充分了解消费者的购物习惯后，给出最适合的推荐。 
本发明是采取以下技术方案实现的：一种个性化商品推荐系统，包括收集用户偏好、找到相似的用户或物品和计算推荐三个步骤；上述步骤的实现方式首先收集用户偏好信息，然后根据用户的偏好信息找到相似的用户或者物品，最后计算推荐并将结果展示给消费者。 
本发明的实现还包括以下的技术方案： 
上述收集用户偏好步骤的作用是要从用户的行为和偏好中发现规律，并基于此给予推荐，收集用户的偏好信息成为系统推荐效果最基础的决定因素。用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，系统设计人员可以根据自己应用的特点添加特殊的用户行为，并用它们表示用户对物品的喜好。
收集了用户行为数据，还需要对数据进行一定的预处理，进行的预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理。 
经过以上步骤之后可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是 [0,1] 或者 [-1, 1] 的浮点数值。 
上述找到相似的用户或物品步骤的作用是当已经对用户行为进行分析得到用户喜好后，可以根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐，这就是最典型的 CF 的两个分支：基于用户的 CF 和基于物品的 CF。这两种方法都需要计算相似度通过相似度的计算方法，我们可以根据相似度找到用户-物品的邻居，常用的挑选邻居的原则可以分为两类： 固定数量的邻居：K-neighborhoods 或者 Fix-size neighborhoods和基于相似度门槛的邻居：Threshold-based neighborhoods。 
上述计算推荐步骤的作用是基于前期计算得到的相邻用户和相邻物品，为用户进行推荐。本发明中基于协同过滤的推荐算法可以分为基于用户的 CF 和基于物品的 CF。 
本发明如果用于电子商务网站，优点和有益效果具体体现在以下几个方面： 
1. 将电子商务网站的浏览者转变为购买者：电子商务系统的访问者在浏览过程中经常并没有购买欲望，个性化推荐系统能够向用户推荐他们感兴趣的商品，从而促成购买过程。
2. 提高电子商务网站的交叉销售能力：个性化推荐系统在用户购买过程中向用户提供其他有价值的商品推荐，用户能够从系统提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，从而有效提高电子商务系统的交叉销售。 
3. 提高客户对电子商务网站的忠诚度：与传统的商务模式相比，电子商务系统使得用户拥有越来越多的选择，用户更换商家极其方便，只需要点击一两次鼠标就可以在 不同的电子商务系统之间跳转。个性化推荐系统分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。如果推荐系统的推荐质量很高，那么用户会对该 推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。 
附图说明
图1是本发明的执行步骤示意图； 
图2是本发明中收集用户偏好步骤的执行示意图；
图3是本发明中找到相似的用户或物品步骤的执行示意图；
图4是相似邻居计算示意图；
图5是基于用户的 CF 的基本原理；
图6是基于物品的 CF 的基本原理。
具体实施方式
以下结合说明书附图1对本发明的实施做进一步详述： 
一种个性化商品推荐系统，包括收集用户偏好、找到相似的用户或物品和计算推荐三个步骤；上述步骤的实现方式首先收集用户偏好信息，然后根据用户的偏好信息找到相似的用户或者物品，最后计算推荐并将结果展示给消费者。
以下结合说明书附图2对本发明中收集用户偏好的实施做进一步详述： 
系统设计人员可以根据自己应用的特点添加特殊的用户行为，并用它们表示用户对物品的喜好。
收集了用户行为数据，还需要对数据进行一定的预处理，其中最核心的工作就是：减噪和归一化。 
减噪：用户行为数据是用户在使用应用过程中产生的，它可能存在大量的噪音和用户的误操作，我们可以通过经典的数据挖掘算法过滤掉行为数据中的噪音，这样可以是我们的分析更加精确。 
归一化：如前面讲到的，在计算用户对物品的喜好程度时，可能需要对不同的行为数据进行加权。但可以想象，不同行为的数据取值可能相差很大，比如，用户的查看数据必然比购买数据大的多，如何将各个行为的数据统一在一个相同的取值范围中，从而使得加权求和得到的总体喜好更加精确，就需要我们进行归一化处理。最简单的归一化处理，就是将各类数据除以此类中的最大值，以保证归一化后的数据取值在 [0,1] 范围中。 
进行的预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理。 
将不同的行为分组：一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户 / 物品相似度。类似于当当网或者 Amazon 给出的“购买了该图书的人还购买了 ...”，“查看了图书的人还查看了 ...” 
根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。
经过以上步骤之后可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是 [0,1] 或者 [-1, 1] 的浮点数值。 
以下结合说明书附图3、说明书附图4、说明书附图5和说明书附图6对本发明中找到相似的用户或物品的实施做进一步详述： 
当已经对用户行为进行分析得到用户喜好后，可以根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐，这就是最典型的 CF 的两个分支：基于用户的 CF 和基于物品的 CF。这两种方法都需要计算相似度，关于相似度的计算，现有的几种基本方法都是基于向量（Vector）的，其实也就是计算两个向量的距离，距离越近相似度越大。在推荐的场景中，在用户 - 物品偏好的二维矩阵中，可以将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，或者将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度。本发明中提供3种计算相似度的方法，分别为：欧几里德距离、皮尔逊相关系数和Cosine 相似度。
欧几里德距离（Euclidean Distance） 
最初用于计算欧几里德空间中两个点的距离，假设 x，y 是 n 维空间的两个点，它们之间的欧几里德距离是：
可以看出，当 n=2 时，欧几里德距离就是平面上两个点的距离。
当用欧几里德距离表示相似度，一般采用以下公式进行转换：距离越小，相似度越大 
Figure DEST_PATH_72884DEST_PATH_IMAGE002
皮尔逊相关系数（Pearson Correlation Coefficient）
皮尔逊相关系数一般用于计算两个定距变量间联系的紧密程度，它的取值在 [-1，+1] 之间。
Figure DEST_PATH_889530DEST_PATH_IMAGE003
sx, sy是 x 和 y 的样品标准偏差。 
Cosine 相似度（Cosine Similarity） 
Cosine 相似度被广泛应用于计算文档数据的相似度：
Figure DEST_PATH_626542DEST_PATH_IMAGE004
相似邻居的计算
通过相似度的计算方法，我们可以根据相似度找到用户-物品的邻居，常用的挑选邻居的原则可以分为两类：说明书附图4中给出了二维平面空间上点集的示意图，
固定数量的邻居：K-neighborhoods 或者 Fix-size neighborhoods
不论邻居的“远近”，只取最近的 K 个，作为其邻居。如说明书附图4中的 A，假设要计算点 1 的 5- 邻居，那么根据点之间的距离，我们取最近的 5 个点，分别是点 2，点 3，点 4，点 7 和点 5。但很明显我们可以看出，这种方法对于孤立点的计算效果不好，因为要取固定个数的邻居，当它附近没有足够多比较相似的点，就被迫取一些不太相似的点作为邻居，这样就影响了邻居相似的程度，比如说明书附图4中，点 1 和点 5 其实并不是很相似。
基于相似度门槛的邻居：Threshold-based neighborhoods 
与计算固定数量的邻居的原则不同，基于相似度门槛的邻居计算是对邻居的远近进行最大值的限制，落在以当前点为中心，距离为 K 的区域中的所有点都作为当前点的邻居，这种方法计算得到的邻居个数不确定，但相似度不会出现较大的误差。如说明书附图4中的 B，从点 1 出发，计算相似度在 K 内的邻居，得到点 2，点 3，点 4 和点 7，这种方法计算出的邻居的相似度程度比前一种优，尤其是对孤立点的处理。
上述计算推荐步骤的作用是基于前期计算得到的相邻用户和相邻物品，为用户进行推荐。本发明中基于协同过滤的推荐算法可以分为基于用户的 CF 和基于物品的 CF。 
基于用户的 CF（User CF） 
基于用户的 CF基本思想相当简单，基于用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。计算上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到 K 邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。说明书附图5给出了一个例子，对于用户 A，根据用户的历史偏好，这里只计算得到一个邻居 - 用户 C，然后将用户 C 喜欢的物品 D 推荐给用户 A。
基于物品的 CF（Item CF） 
基于物品的 CF 的原理和基于用户的 CF 类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。从计算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。说明书附图6给出了一个例子，对于物品 A，根据所有用户的历史偏好，喜欢物品 A 的用户都喜欢物品 C，得出物品 A 和物品 C 比较相似，而用户 C 喜欢物品 A，那么可以推断出用户 C 可能也喜欢物品 C。
利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。 
  

Claims (10)

1.一种个性化商品推荐系统，其特征在于：包括收集用户偏好、找到相似的用户或物品和计算推荐三个步骤；上述步骤的实现方式首先收集用户偏好信息，然后根据用户的偏好信息找到相似的用户或者物品，最后计算推荐并将结果展示给消费者。
2.根据权利要求1所述的一种个性化商品推荐系统，其特征在于：所述收集用户偏好步骤包括收设计物品特点和用户行为、收集信息、数据预处理、数据分析和生成用户偏好的二维矩阵六个步骤。
3.根据权利要求2所述的收集用户偏好步骤，其特征在于：所述设计物品特点和用户行为可以根据自己应用的特点添加特殊的用户行为。
4.根据权利要求2所述的收集用户偏好步骤，其特征在于：所述数据预处理的核心工作为减噪和归一化。
5.根据权利要求2所述的收集用户偏好步骤，其特征在于：所述数据分析根据不同应用的行为分析方法，可以选择分组或者加权处理。
6.根据权利要求2所述的收集用户偏好步骤，其特征在于：所述生成用户偏好的二维矩阵一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是 [0,1] 或者 [-1, 1] 的浮点数值。
7.根据权利要求1所述的一种个性化商品推荐系统，其特征在于：所述找到相似的用户或物品步骤包括计算相似度和计算相似邻居两个步骤。
8.根据权利要求7所述的找到相似的用户或物品步骤，其特征在于：本发明中提供3种所述计算相似度的方法，分别为：欧几里德距离、皮尔逊相关系数和Cosine 相似度。
9.根据权利要求7所述的找到相似的用户或物品步骤，其特征在于：所述计算相似邻居原则可以分为两类： 固定数量的邻居：K-neighborhoods 或者 Fix-size neighborhoods和基于相似度门槛的邻居：Threshold-based neighborhoods。
10.根据权利要求1所述的一种个性化商品推荐系统，其特征在于：所述计算推荐步骤可以分为基于用户的 协同过滤和基于物品的协同过滤两类。
CN201310433589.XA 2013-09-22 2013-09-22 一种个性化商品推荐系统 Pending CN103886001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310433589.XA CN103886001A (zh) 2013-09-22 2013-09-22 一种个性化商品推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310433589.XA CN103886001A (zh) 2013-09-22 2013-09-22 一种个性化商品推荐系统

Publications (1)

Publication Number Publication Date
CN103886001A true CN103886001A (zh) 2014-06-25

Family

ID=50954896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310433589.XA Pending CN103886001A (zh) 2013-09-22 2013-09-22 一种个性化商品推荐系统

Country Status (1)

Country Link
CN (1) CN103886001A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281718A (zh) * 2014-11-04 2015-01-14 深圳市英威诺科技有限公司 一种基于用户群体行为数据挖掘智能推荐的方法
CN104317829A (zh) * 2014-10-09 2015-01-28 百度在线网络技术（北京）有限公司 一种用于推荐物件信息的方法与装置
CN104679415A (zh) * 2015-03-18 2015-06-03 吴爱好 一种智能菜谱推荐播报设备及实现方法
CN105528395A (zh) * 2015-11-30 2016-04-27 苏州大学 一种潜在消费者推荐方法及系统
CN106469382A (zh) * 2015-08-14 2017-03-01 阿里巴巴集团控股有限公司 闲置商品对象信息处理方法及装置
CN106919611A (zh) * 2015-12-25 2017-07-04 北京国双科技有限公司 产品信息推送方法和装置
CN107133843A (zh) * 2017-04-25 2017-09-05 丹露成都网络技术有限公司 一种基于协同过滤的商品推荐方法
CN107194742A (zh) * 2017-06-12 2017-09-22 温州中擎信息技术有限公司 一种移动dsp精准投放平台
CN107209907A (zh) * 2014-12-14 2017-09-26 键和田芳光 利用个人信息的订购系统
CN107292695A (zh) * 2017-04-19 2017-10-24 山东农业大学 一种基于srv函数的协同过滤推荐算法
CN107730271A (zh) * 2017-09-20 2018-02-23 北京奇艺世纪科技有限公司 基于虚拟交互对象的相似用户确定方法、装置及电子设备
CN108377423A (zh) * 2018-02-09 2018-08-07 武汉斗鱼网络科技有限公司 直播间推荐方法及相关计算机可读存储介质和电子设备
CN108446943A (zh) * 2018-01-30 2018-08-24 深圳市阿西莫夫科技有限公司 售货柜商品推荐方法、装置、计算机设备和存储介质
CN108959641A (zh) * 2018-07-27 2018-12-07 北京未来媒体科技股份有限公司 一种基于人工智能的内容信息推荐方法及系统
CN109062547A (zh) * 2018-07-03 2018-12-21 嘉兴玖轩电子商务有限公司 一种电子商务信息系统的实现方法
CN109345175A (zh) * 2018-10-10 2019-02-15 江苏满运软件科技有限公司 基于司机匹配度的货源推送方法、系统、设备及存储介质
CN109801090A (zh) * 2017-11-16 2019-05-24 国家新闻出版广电总局广播科学研究院 网络产品数据的交叉销售方法及服务器
CN109919728A (zh) * 2019-03-12 2019-06-21 贵州大学 一种微商城的商品推荐方法
CN110503497A (zh) * 2018-05-16 2019-11-26 江苏天智互联科技股份有限公司 一种基于客户的消费习惯的电商管理平台商品推荐方法
CN111460271A (zh) * 2019-01-19 2020-07-28 上海易慕网络科技有限公司 一种网络资讯的智能个性化推荐算法
CN113191630A (zh) * 2021-04-29 2021-07-30 云南电网有限责任公司信息中心 基于大数据的费控策略推荐方法
CN113269602A (zh) * 2020-02-17 2021-08-17 北京京东振世信息技术有限公司 物品推荐的方法和装置
CN116911693A (zh) * 2023-09-11 2023-10-20 北京赛学科技有限公司 一种基于大数据的人员推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254028A (zh) * 2011-07-22 2011-11-23 青岛理工大学 一种集成属性和结构相似性的个性化商品推荐方法和系统
CN102567900A (zh) * 2011-12-28 2012-07-11 尚明生 一种向客户推荐商品的方法
US20130029693A1 (en) * 2002-06-27 2013-01-31 Geomass Limited Liability Company System and method for providing media content having attributes matching a user's stated preference

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130029693A1 (en) * 2002-06-27 2013-01-31 Geomass Limited Liability Company System and method for providing media content having attributes matching a user's stated preference
CN102254028A (zh) * 2011-07-22 2011-11-23 青岛理工大学 一种集成属性和结构相似性的个性化商品推荐方法和系统
CN102567900A (zh) * 2011-12-28 2012-07-11 尚明生 一种向客户推荐商品的方法

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104317829A (zh) * 2014-10-09 2015-01-28 百度在线网络技术（北京）有限公司 一种用于推荐物件信息的方法与装置
CN104281718A (zh) * 2014-11-04 2015-01-14 深圳市英威诺科技有限公司 一种基于用户群体行为数据挖掘智能推荐的方法
CN107209907A (zh) * 2014-12-14 2017-09-26 键和田芳光 利用个人信息的订购系统
CN104679415A (zh) * 2015-03-18 2015-06-03 吴爱好 一种智能菜谱推荐播报设备及实现方法
CN106469382A (zh) * 2015-08-14 2017-03-01 阿里巴巴集团控股有限公司 闲置商品对象信息处理方法及装置
CN105528395A (zh) * 2015-11-30 2016-04-27 苏州大学 一种潜在消费者推荐方法及系统
CN106919611A (zh) * 2015-12-25 2017-07-04 北京国双科技有限公司 产品信息推送方法和装置
CN106919611B (zh) * 2015-12-25 2020-05-22 北京国双科技有限公司 产品信息推送方法和装置
CN107292695A (zh) * 2017-04-19 2017-10-24 山东农业大学 一种基于srv函数的协同过滤推荐算法
CN107292695B (zh) * 2017-04-19 2020-12-04 山东农业大学 一种基于srv函数的协同过滤推荐方法
CN107133843A (zh) * 2017-04-25 2017-09-05 丹露成都网络技术有限公司 一种基于协同过滤的商品推荐方法
CN107194742A (zh) * 2017-06-12 2017-09-22 温州中擎信息技术有限公司 一种移动dsp精准投放平台
CN107730271A (zh) * 2017-09-20 2018-02-23 北京奇艺世纪科技有限公司 基于虚拟交互对象的相似用户确定方法、装置及电子设备
CN107730271B (zh) * 2017-09-20 2021-09-17 北京奇艺世纪科技有限公司 基于虚拟交互对象的相似用户确定方法、装置及电子设备
CN109801090A (zh) * 2017-11-16 2019-05-24 国家新闻出版广电总局广播科学研究院 网络产品数据的交叉销售方法及服务器
CN108446943A (zh) * 2018-01-30 2018-08-24 深圳市阿西莫夫科技有限公司 售货柜商品推荐方法、装置、计算机设备和存储介质
CN108377423B (zh) * 2018-02-09 2020-10-16 武汉斗鱼网络科技有限公司 直播间推荐方法及相关计算机可读存储介质和电子设备
CN108377423A (zh) * 2018-02-09 2018-08-07 武汉斗鱼网络科技有限公司 直播间推荐方法及相关计算机可读存储介质和电子设备
CN110503497A (zh) * 2018-05-16 2019-11-26 江苏天智互联科技股份有限公司 一种基于客户的消费习惯的电商管理平台商品推荐方法
CN109062547A (zh) * 2018-07-03 2018-12-21 嘉兴玖轩电子商务有限公司 一种电子商务信息系统的实现方法
CN108959641A (zh) * 2018-07-27 2018-12-07 北京未来媒体科技股份有限公司 一种基于人工智能的内容信息推荐方法及系统
CN109345175A (zh) * 2018-10-10 2019-02-15 江苏满运软件科技有限公司 基于司机匹配度的货源推送方法、系统、设备及存储介质
CN109345175B (zh) * 2018-10-10 2021-08-03 江苏满运软件科技有限公司 基于司机匹配度的货源推送方法、系统、设备及存储介质
CN111460271A (zh) * 2019-01-19 2020-07-28 上海易慕网络科技有限公司 一种网络资讯的智能个性化推荐算法
CN109919728A (zh) * 2019-03-12 2019-06-21 贵州大学 一种微商城的商品推荐方法
CN113269602A (zh) * 2020-02-17 2021-08-17 北京京东振世信息技术有限公司 物品推荐的方法和装置
CN113191630A (zh) * 2021-04-29 2021-07-30 云南电网有限责任公司信息中心 基于大数据的费控策略推荐方法
CN116911693A (zh) * 2023-09-11 2023-10-20 北京赛学科技有限公司 一种基于大数据的人员推荐方法及系统
CN116911693B (zh) * 2023-09-11 2023-12-05 北京赛学科技有限公司 一种基于大数据的人员推荐方法及系统

Similar Documents

Publication Publication Date Title
CN103886001A (zh) 一种个性化商品推荐系统
CN109559208B (zh) 一种信息推荐方法、服务器及计算机可读介质
CN108121737B (zh) 一种业务对象属性标识的生成方法、装置和系统
Mahara A new similarity measure based on mean measure of divergence for collaborative filtering in sparse environment
TWI636416B (zh) 內容個人化之多相排序方法和系統
US11727014B2 (en) Dynamic filter recommendations
CN109360057A (zh) 信息推送方法、装置、计算机设备及存储介质
CN106600302A (zh) 基于Hadoop的商品推荐系统
CN105574216A (zh) 基于概率模型和用户行为分析的个性化推荐方法、系统
CN103309972A (zh) 基于链路预测的推荐方法和系统
US20080300958A1 (en) Taste network content targeting
CN105426528A (zh) 一种商品数据的检索排序方法及系统
CN107274242A (zh) 一种基于关联分析算法的商品推荐方法
CN103559622A (zh) 基于特征的协同过滤推荐方法
CN103136683A (zh) 计算产品参考价格的方法、装置及产品搜索方法、系统
WO2019038736A1 (en) APPARATUS AND METHOD FOR LEARNING A SIMILARITY MODEL USED TO PREDICT SIMILARITY BETWEEN ELEMENTS
CN103136257A (zh) 信息提供方法及其装置
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
CN102693223A (zh) 一种搜索方法
CN110134783A (zh) 个性化推荐的方法、装置、设备和介质
CN109886779A (zh) 一种智能商品推荐系统
US20210118020A1 (en) Price-Based User Feedback System
CN110347923B (zh) 一种可回溯的快速裂变式构建用户画像的方法
CN108694234A (zh) 一种基于改进协同过滤算法的服务推荐模型
Devika et al. Book recommendation system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140625