CN103886048A - 一种基于聚类的增量数字图书推荐方法 - Google Patents

一种基于聚类的增量数字图书推荐方法 Download PDF

Info

Publication number
CN103886048A
CN103886048A CN201410090123.9A CN201410090123A CN103886048A CN 103886048 A CN103886048 A CN 103886048A CN 201410090123 A CN201410090123 A CN 201410090123A CN 103886048 A CN103886048 A CN 103886048A
Authority
CN
China
Prior art keywords
bunch
user
cluster
vector
heart
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
CN201410090123.9A
Other languages
English (en)
Other versions
CN103886048B (zh
Inventor
张寅�
王宇奇
伊灯
庄越挺
魏宝刚
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 CN201410090123.9A priority Critical patent/CN103886048B/zh
Publication of CN103886048A publication Critical patent/CN103886048A/zh
Application granted granted Critical
Publication of CN103886048B publication Critical patent/CN103886048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G06F16/337—Profile generation, learning or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于聚类的增量数字图书推荐方法。它包括以下步骤：（1）从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；（2）使用维度数组来选择需要计算的簇集，然后计算用户与簇集之间的余弦相似度形成候选集；（3）从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；（4）使用簇心值作为排序函数将簇内项目进行排序，将排序高的项目作为推荐结果。本发明可以通过从用户的图书访问日志挖掘用户对书籍的喜好信息，然后为用户进行推荐，提高了推荐方法的扩展性和实时性，增强了数字图书资源利用率和用户的阅读体验。

Description

一种基于聚类的增量数字图书推荐方法
技术领域
本发明涉及推荐系统、增量式学习和数字图书馆等领域，尤其涉及一种基于聚类的增量数字图书推荐方法。
背景技术
数字图书馆中拥有海量的数字图书资源，如何让读者对这些丰富而宝贵的数字图书资源进行利用并能有更好的使用体验就显得非常的重要。传统的基于检索的信息获取技术已经不能完全满足人们的需求，个性化推荐正逐渐成为数字图书馆不可或缺的部分。
传统的推荐方法十分有效且易于解释，但是由于在推荐过程中需要将载入并查看整个数据集，这十分消耗存储空间和运算时间。随着数据规模的增大，这种做法变得低效且十分受限于可用资源。数字图书馆资源和用户的增多对其推荐系统的扩展性和实时性提出了更高的要求。
增量式学习有时也被称为在线学习。增量式学习通常指在线学习模型的过程,而这个模型通常也可以被批量式学习方法所学习。当学习模型的数据规模过大或者不是一次性都能够获得,而是像数据流一样随着时间的推移逐渐获得，且根据已获得数据学习的模型需要及时投入使用时，增量式学习是十分有用的，它可以使用新到的数据在原先模型基础上直接更新，无疑会大大提高学习方法的效率。
发明内容
本发明的目的是克服了数字图书馆中传统图书推荐效率不高、实时性较差的缺点，提供一种高质量、新颖的基于聚类的增量数字图书推荐方法。
一种基于聚类的增量数字图书推荐方法包括以下步骤：
（1）从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；
（2）使用维度数组来选择需要计算的簇集，然后根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集；
（3）从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；
（4）根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户；
  所述的步骤1）包括：从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；用二值的向量来描述用户，假设有一个给定的用户集合                                                
Figure 2014100901239100002DEST_PATH_IMAGE001
，以及一个项目集合
Figure 2014100901239100002DEST_PATH_IMAGE002
，把每个用户u l 表示成一个n维向量，向量的每一维对应于一个项目，一个用户u l  ∈
Figure 2014100901239100002DEST_PATH_IMAGE003
的特征向量的第j维是：
用户对项目的所有评分则使用m×n维的评分矩阵R来表示；
  所述的步骤2）包括：使用维度数组来选择需要计算的簇集，然后根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集；利用维度数组在已生成的簇中寻找与用户u最相似的簇C，首先将候选集C-Set置空，然后对于当前用户表示的每一个非零项所指向的维度数组链接到的簇并入候选集C-Set；聚类时，每一个簇有一个中心，簇心是该簇类所有用户表示向量的平均值，可以如下增量式地计算：
    其中|C|是簇C中用户的数量，
Figure 2014100901239100002DEST_PATH_IMAGE006
是并入用户u之前的簇心表示向量，
Figure 2014100901239100002DEST_PATH_IMAGE007
是用户表示向量，是簇C并入用户u后的簇心表示向量；
计算用户和簇集之间的相似度，使用余弦相似度作为度量标准，计算用户u和各簇心c的夹角余弦值，其计算公式如下：
Figure 2014100901239100002DEST_PATH_IMAGE009
其中u[j]，c[j]分别表示用户表示向量与簇心表示向量的第j维；
  所述的步骤3）包括：从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；
使用簇直径公式来评估簇的紧密程度，其增量式的计算公式如下：
Figure 2014100901239100002DEST_PATH_IMAGE010
其中DC是并入用户u之前簇C的簇直径，|C|是簇C中用户的数目，u[j]，c[j]分别表示用户表示向量与簇心表示向量的第j维，
Figure 2014100901239100002DEST_PATH_IMAGE011
是簇C并入用户u后的簇直径；
使用最大簇直径参数Dmax来控制簇的紧密度：Dmax是预先设定的所有簇的最大直径；
在候选集C-Set中找出相似度最高的簇；接着检查簇C合并用户u以后簇的直径，如果直径没有超过最大簇直径参数Dmax的限制，用户u被分配到簇C，并且增量式地更新对应的簇心、簇直径；否则，创建一个只包含用户u的新簇；最后我们更新维度数组，将用户u非零维所指向的维度数组链接到到用户所属的簇上；
所述的步骤4）包括：根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户；推荐结果是根据用户所属的簇来产生的；每一个簇有一些用户，且维度数组的一些项链接到该簇，簇心代表了该簇中用户的兴趣，簇心表示向量的第j 维代表簇中有多少成员评过了项目j。
   本发明与现有技术相比具有的有益效果：
  （1）本发明在时间和空间上都更高效。在为用户进行推荐时，不同于查看整个数据集并计算每一对用户的相似度，该发明可以增量式地产生推荐结果而不需要将整个数据集都放入主存中。此外，比起计算每一个用户对之间的相似度，只有用户和各个簇之间的相似度需要被计算，而簇的数目要小于用户的数目，使得方法要更加高效。
  （2）本发明可以增量式产生推荐结果，并且自动更新模型，所以它也是可扩展并且适用于实时环境的。
附图说明
图1是基于聚类的增量数字图书推荐方法的总体结构图；
图2是聚类方法中使用的维度数组数据结构。
具体实施方式
一种基于聚类的增量数字图书推荐方法包括以下步骤：
（1）从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；
（2）使用维度数组来选择需要计算的簇集，然后根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集；
（3）从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；
（4）根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户；
  所述的步骤1）包括：从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；用二值的向量来描述用户，假设有一个给定的用户集合
Figure 385998DEST_PATH_IMAGE001
，以及一个项目集合
Figure 303138DEST_PATH_IMAGE002
，把每个用户u l 表示成一个n维向量，向量的每一维对应于一个项目，一个用户u l  ∈
Figure 82876DEST_PATH_IMAGE003
的特征向量的第j维是：
Figure 540402DEST_PATH_IMAGE004
用户对项目的所有评分则使用m×n维的评分矩阵R来表示；
  所述的步骤2）包括：使用维度数组来选择需要计算的簇集，然后根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集；利用维度数组在已生成的簇中寻找与用户u最相似的簇C，首先将候选集C-Set置空，然后对于当前用户表示的每一个非零项所指向的维度数组链接到的簇并入候选集C-Set；聚类时，每一个簇有一个中心，簇心是该簇类所有用户表示向量的平均值，可以如下增量式地计算：
Figure 354774DEST_PATH_IMAGE005
    其中|C|是簇C中用户的数量，
Figure 177236DEST_PATH_IMAGE006
是并入用户u之前的簇心表示向量，
Figure 444270DEST_PATH_IMAGE007
是用户表示向量，
Figure 456219DEST_PATH_IMAGE008
是簇C并入用户u后的簇心表示向量；
计算用户和簇集之间的相似度，使用余弦相似度作为度量标准，计算用户u和各簇心c的夹角余弦值，其计算公式如下：
其中u[j]，c[j]分别表示用户表示向量与簇心表示向量的第j维；
  所述的步骤3）包括：从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；
使用簇直径公式来评估簇的紧密程度，其增量式的计算公式如下：
Figure 118462DEST_PATH_IMAGE010
其中DC是并入用户u之前簇C的簇直径，|C|是簇C中用户的数目，u[j]，c[j]分别表示用户表示向量与簇心表示向量的第j维，
Figure 872791DEST_PATH_IMAGE011
是簇C并入用户u后的簇直径；
使用最大簇直径参数Dmax来控制簇的紧密度：Dmax是预先设定的所有簇的最大直径；
在候选集C-Set中找出相似度最高的簇；接着检查簇C合并用户u以后簇的直径，如果直径没有超过最大簇直径参数Dmax的限制，用户u被分配到簇C，并且增量式地更新对应的簇心、簇直径；否则，创建一个只包含用户u的新簇；最后我们更新维度数组，将用户u非零维所指向的维度数组链接到到用户所属的簇上；
所述的步骤4）包括：根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户；推荐结果是根据用户所属的簇来产生的；每一个簇有一些用户，且维度数组的一些项链接到该簇，簇心代表了该簇中用户的兴趣，簇心表示向量的第j 维代表簇中有多少成员评过了项目j。
实施例
图1显示了本发明一种基于聚类的增量数字图书推荐方法的总体结构图，总共分为两个部分：第一部分增量式地使用用户评分更新用户表示，并使用用户表示作为方法输入进行增量式的聚类，第二部分是根据聚类结果使用排序函数生成推荐结果。
第一部分中使用的聚类方法具体如下：
Figure 2014100901239100002DEST_PATH_IMAGE012
第一部分中聚类算法的输入是挖掘用户阅读书籍信息生成的用户表示向量；输出是聚类的结果；对于输入的用户表示向量，首先检查用户表示向量是一个从未被聚类过的新用户，还是已经聚过类但是有新的评分信息而需要重新聚类的老用户；如果是后者，则就对老用户之前的聚类效果进行撤销，这意味着簇心、维度数组、簇直径改变为聚类没有在这个用户上进行时的情况；接着使用维度数组来选择需要计算的簇集：如图2所示，假设一个用户u 的非零维度是d 5 ，d 10 ，d 15 ，为了找到与u最相似的簇，我们只需要查找簇集Θ 5 ，Θ 10 ，Θ 15 的并集，而这些集合分别被维度数组的第5，第10和第15项链接，所以只需要选择簇集Θ 5 ，Θ 10 ，Θ 15 来进行计算，接着根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集C-Set；从候选集C-Set中找出与目标用户相似度最高的簇，然后检查簇C合并用户u以后簇的直径，如果直径没有超过最大簇直径参数Dmax的限制，用户u被分配到簇C，并且增量式地更新对应的簇心、簇直径；否则，创建一个只包含用户u的新簇；最后我们更新维度数组，将用户u非零维所指向的维度数组链接到到用户所属的簇上；第二部分中根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户。

Claims (5)

1.一种基于聚类的增量数字图书推荐方法，其特征在于，它包括以下步骤：
   （1）从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；
   （2）使用维度数组来选择需要计算的簇集，然后根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集；
（3）从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；
   （4）根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户。
2.根据权利1所述的一种基于聚类的增量数字图书推荐方法，其特征在于：所述的步骤1）包括：从用户的网站访问日志获取用户阅读书籍的信息，然后生成用户表示向量；用二值的向量来描述用户，假设有一个给定的用户集合                                               ，以及一个项目集合
Figure 80177DEST_PATH_IMAGE004
，把每个用户u l 表示成一个n维向量，向量的每一维对应于一个项目，一个用户u l  ∈
Figure 125493DEST_PATH_IMAGE006
的特征向量的第j维是：
Figure DEST_PATH_IMAGE008A
用户对项目的所有评分则使用m×n维的评分矩阵R来表示。
3.根据权利1所述的一种基于聚类的增量数字图书推荐方法，其特征在于：所述的步骤2）包括：使用维度数组来选择需要计算的簇集，然后根据用户表示向量使用余弦相似度计算用户与簇集之间的相似度形成候选集；利用维度数组在已生成的簇中寻找与用户u最相似的簇C，首先将候选集C-Set置空，然后对于当前用户表示的每一个非零项所指向的维度数组链接到的簇并入候选集C-Set；聚类时，每一个簇有一个中心，簇心是该簇类所有用户表示向量的平均值，可以如下增量式地计算：
Figure DEST_PATH_IMAGE010A
    其中|C|是簇C中用户的数量，
Figure 848599DEST_PATH_IMAGE012
是并入用户u之前的簇心表示向量，
Figure 928550DEST_PATH_IMAGE014
是用户表示向量，
Figure 16592DEST_PATH_IMAGE016
是簇C并入用户u后的簇心表示向量；
计算用户和簇集之间的相似度，使用余弦相似度作为度量标准，计算用户u和各簇心c的夹角余弦值，其计算公式如下：
Figure DEST_PATH_IMAGE018A
其中u[j]，c[j]分别表示用户表示向量与簇心表示向量的第j维。
4.根据权利1所述的一种基于聚类的增量数字图书推荐方法，其特征在于：所述的步骤3）包括：从候选集中找出与目标用户相似度最高的簇，然后根据合并结果进行聚类，并增量式地更新簇心、簇直径；
使用簇直径公式来评估簇的紧密程度，其增量式的计算公式如下：
Figure DEST_PATH_IMAGE020A
其中DC是并入用户u之前簇C的簇直径，|C|是簇C中用户的数目，u[j]，c[j]分别表示用户表示向量与簇心表示向量的第j维，
Figure 378565DEST_PATH_IMAGE022
是簇C并入用户u后的簇直径；
使用最大簇直径参数Dmax来控制簇的紧密度：Dmax是预先设定的所有簇的最大直径；
在候选集C-Set中找出相似度最高的簇；接着检查簇C合并用户u以后簇的直径，如果直径没有超过最大簇直径参数Dmax的限制，用户u被分配到簇C，并且增量式地更新对应的簇心、簇直径；否则，创建一个只包含用户u的新簇；最后我们更新维度数组，将用户u非零维所指向的维度数组链接到到用户所属的簇上。
5.根据权利1所述的一种基于聚类的增量数字图书推荐方法，其特征在于：所述的步骤4）包括：根据聚类结果，使用簇心值作为排序函数将簇内链接的项目进行排序，将排序高的项目作为推荐结果提供给用户；推荐结果是根据用户所属的簇来产生的；每一个簇有一些用户，且维度数组的一些项链接到该簇，簇心代表了该簇中用户的兴趣，簇心表示向量的第j 维代表簇中有多少成员评过了项目j。
CN201410090123.9A 2014-03-13 2014-03-13 一种基于聚类的增量数字图书推荐方法 Active CN103886048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410090123.9A CN103886048B (zh) 2014-03-13 2014-03-13 一种基于聚类的增量数字图书推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410090123.9A CN103886048B (zh) 2014-03-13 2014-03-13 一种基于聚类的增量数字图书推荐方法

Publications (2)

Publication Number Publication Date
CN103886048A true CN103886048A (zh) 2014-06-25
CN103886048B CN103886048B (zh) 2017-04-26

Family

ID=50954940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410090123.9A Active CN103886048B (zh) 2014-03-13 2014-03-13 一种基于聚类的增量数字图书推荐方法

Country Status (1)

Country Link
CN (1) CN103886048B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679835A (zh) * 2015-02-09 2015-06-03 浙江大学 一种基于多视图哈希的图书推荐方法
CN105608219A (zh) * 2016-01-07 2016-05-25 上海通创信息技术有限公司 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法
CN105760547A (zh) * 2016-03-16 2016-07-13 中山大学 一种基于用户聚类的图书推荐方法及系统
CN106126681A (zh) * 2016-06-29 2016-11-16 泰华智慧产业集团股份有限公司 一种增量式流式数据聚类方法及系统
CN109388711A (zh) * 2018-09-05 2019-02-26 广州视源电子科技股份有限公司 日志流聚类的方法和装置
CN109408600A (zh) * 2018-09-25 2019-03-01 浙江工业大学 一种基于数据挖掘的图书荐购方法
CN110275986A (zh) * 2019-04-23 2019-09-24 深圳市傲天科技股份有限公司 基于协同过滤的视频推荐方法、服务器及计算机存储介质
CN111737568A (zh) * 2020-05-29 2020-10-02 北京宜搜天下科技有限公司 一种网络文学书籍个性化推荐方法及系统
CN111950573A (zh) * 2019-05-16 2020-11-17 北京小米智能科技有限公司 异常问题聚类的方法及装置
CN112257801A (zh) * 2020-10-30 2021-01-22 浙江商汤科技开发有限公司 图像的增量聚类方法、装置、电子设备及存储介质
CN112685640A (zh) * 2020-12-31 2021-04-20 上海掌门科技有限公司 推荐阅读内容的方法、电子设备和计算机可读存储介质
CN112948613A (zh) * 2020-12-01 2021-06-11 上海云从企业发展有限公司 图像增量聚类方法、系统、介质及装置
CN116644240A (zh) * 2023-07-27 2023-08-25 中信联合云科技有限责任公司 一种基于数据处理的图书专业书籍智能推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8560545B2 (en) * 2007-03-30 2013-10-15 Amazon Technologies, Inc. Item recommendation system which considers user ratings of item clusters
CN103366009A (zh) * 2013-07-24 2013-10-23 杭州东信北邮信息技术有限公司 一种基于自适应聚类的图书推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8560545B2 (en) * 2007-03-30 2013-10-15 Amazon Technologies, Inc. Item recommendation system which considers user ratings of item clusters
CN103366009A (zh) * 2013-07-24 2013-10-23 杭州东信北邮信息技术有限公司 一种基于自适应聚类的图书推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENXING YANG ETC.: "CARES: A Ranking-Oriented CADAL Recommender", 《PROCEEDINGS OF THE 9TH ACM/IEEE-CS JOINT CONFERENCE ON DIGITAL LIBRARIES》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679835B (zh) * 2015-02-09 2017-10-31 浙江大学 一种基于多视图哈希的图书推荐方法
CN104679835A (zh) * 2015-02-09 2015-06-03 浙江大学 一种基于多视图哈希的图书推荐方法
CN105608219A (zh) * 2016-01-07 2016-05-25 上海通创信息技术有限公司 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法
CN105608219B (zh) * 2016-01-07 2019-06-18 上海通创信息技术有限公司 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法
CN105760547A (zh) * 2016-03-16 2016-07-13 中山大学 一种基于用户聚类的图书推荐方法及系统
CN106126681B (zh) * 2016-06-29 2019-10-15 泰华智慧产业集团股份有限公司 一种增量式流式数据聚类方法及系统
CN106126681A (zh) * 2016-06-29 2016-11-16 泰华智慧产业集团股份有限公司 一种增量式流式数据聚类方法及系统
CN109388711A (zh) * 2018-09-05 2019-02-26 广州视源电子科技股份有限公司 日志流聚类的方法和装置
CN109408600A (zh) * 2018-09-25 2019-03-01 浙江工业大学 一种基于数据挖掘的图书荐购方法
CN110275986B (zh) * 2019-04-23 2022-02-11 深圳市傲天科技股份有限公司 基于协同过滤的视频推荐方法、服务器及计算机存储介质
CN110275986A (zh) * 2019-04-23 2019-09-24 深圳市傲天科技股份有限公司 基于协同过滤的视频推荐方法、服务器及计算机存储介质
CN111950573A (zh) * 2019-05-16 2020-11-17 北京小米智能科技有限公司 异常问题聚类的方法及装置
CN111737568A (zh) * 2020-05-29 2020-10-02 北京宜搜天下科技有限公司 一种网络文学书籍个性化推荐方法及系统
CN111737568B (zh) * 2020-05-29 2023-08-01 北京宜搜天下科技有限公司 一种网络文学书籍个性化推荐方法及系统
CN112257801A (zh) * 2020-10-30 2021-01-22 浙江商汤科技开发有限公司 图像的增量聚类方法、装置、电子设备及存储介质
CN112948613A (zh) * 2020-12-01 2021-06-11 上海云从企业发展有限公司 图像增量聚类方法、系统、介质及装置
CN112948613B (zh) * 2020-12-01 2023-09-15 上海云从企业发展有限公司 图像增量聚类方法、系统、介质及装置
CN112685640A (zh) * 2020-12-31 2021-04-20 上海掌门科技有限公司 推荐阅读内容的方法、电子设备和计算机可读存储介质
CN116644240A (zh) * 2023-07-27 2023-08-25 中信联合云科技有限责任公司 一种基于数据处理的图书专业书籍智能推荐方法
CN116644240B (zh) * 2023-07-27 2024-01-26 中信联合云科技有限责任公司 一种基于数据处理的图书专业书籍智能推荐方法

Also Published As

Publication number Publication date
CN103886048B (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN103886048A (zh) 一种基于聚类的增量数字图书推荐方法
JP7322044B2 (ja) レコメンダシステムのための高効率畳み込みネットワーク
Zhao et al. Learning to map social network users by unified manifold alignment on hypergraph
Montajabiha An extended PROMETHE II multi-criteria group decision making technique based on intuitionistic fuzzy logic for sustainable energy planning
US11238277B2 (en) Systems and methods for document image analysis with cardinal graph convolutional networks
Wang et al. A multi-scene deep learning model for image aesthetic evaluation
CN105893609A (zh) 一种基于加权混合的移动app推荐方法
WO2022126901A1 (zh) 一种商品推荐方法及其相关设备
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
WO2023011382A1 (zh) 推荐方法、推荐模型训练方法及相关产品
WO2022252458A1 (zh) 一种分类模型训练方法、装置、设备及介质
CN107609888A (zh) 用于查询和投标词之间的点击率预测的系统和方法
CN108875693A (zh) 一种图像处理方法、装置、电子设备及其存储介质
Liu et al. Neighbor selection for multilabel classification
Rafailidis et al. Top-n recommendation via joint cross-domain user clustering and similarity learning
Zhao et al. A novel decision making approach based on intuitionistic fuzzy soft sets
Joshi Python machine learning cookbook
CN106682151B (zh) 一种教育资源个性化推荐方法及系统
CN105718471A (zh) 用户偏好建模方法、系统及用户偏好评估方法、系统
CN115631008B (zh) 商品推荐方法、装置、设备及介质
CN104636489B (zh) 描述属性数据的处理方法和装置
Lu et al. Genderpredictor: a method to predict gender of customers from e-commerce website
CN114255381A (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
CN113449808A (zh) 多源图文信息分类方法及其相应的装置、设备、介质
CN102663040A (zh) 基于正负对约束数据的kl距离训练得到属性列权重的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant