CN104077357A - 基于用户的协同过滤组合推荐方法 - Google Patents
基于用户的协同过滤组合推荐方法 Download PDFInfo
- Publication number
- CN104077357A CN104077357A CN201410242692.0A CN201410242692A CN104077357A CN 104077357 A CN104077357 A CN 104077357A CN 201410242692 A CN201410242692 A CN 201410242692A CN 104077357 A CN104077357 A CN 104077357A
- Authority
- CN
- China
- Prior art keywords
- user
- similarity
- scoring
- fuzzy
- matrix
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机协同推荐方法,公开了一种基于用户的协同过滤组合推荐方法,包括以下具体步骤:评分矩阵建立步骤,建立用户-项目评分矩阵;相似度计算步骤,计算不同用户之间的相似度;模糊矩阵建立步骤,建立基于不同用户之间的相似度的模糊相似矩阵;关系簇构造步骤,构建基于无向图的最近邻居集合;预测步骤,对用户的未评分项目进行预测。本发明的优点在于,有效地解决了用户评价不完整所导致的推荐精度低的问题,计算方法简单,步骤少,复杂度小,计算精确度高,通过对用户未评分项进行预测,从而提高推荐的精度,具有较好的应用价值。
Description
技术领域
本发明涉及计算机协同推荐方法,特别涉及一种基于用户的协同过滤组合推荐方法。
背景技术
当面对大量软件信息时,用户经常会迷失在商品信息空间中,无法顺利找到自己需要的信息。个性化云服务推荐系统整合海量的用户数据,如用户注册信息、销售排行和用户消费历史等数据,然后模拟商店销售员向用户提供商品推荐,帮助用户找到所需商品,从而顺利完成购买过程。
在推荐系统领域,有多种基于数据挖掘的推荐技术,User-based协同过滤推荐和模糊聚类是目前较流行的推荐方法。
User-based协同过滤推荐一般采用找最近邻居的技术,利用用户的评分信息分析用户的兴趣爱好,并以此计算用户的相似性,评分的相似度越高说明这两个用户越邻近,然后可以找到目标用户的最近邻居。最后根据最近邻居的评分预测目标用户的评分。它基于这样一个假设:如果用户对一些项的评分比较相似,则他们对其它项的评分也比较相似。
聚类就是按照事物的某些属性,把事物聚集成类,按这种方式组成的类应尽可能让类间的相似性足够小,而同一个类内相似性尽可能大。而模糊聚类是一种使用模糊等价关系将对象划分为一些等价类的聚类方法,可以使类间的相似性足够小,而同一个类内相似性尽可能大,给定阀值集合条件下给出的聚类结果的比传统的聚类更有效,因为传统的聚类方法中,每个用户均被划分到了某一个类别,而对于一些属性特征不明显的用户,他们属于另外的类别也是合理的,将他们生硬地划分到某一个类别显然是不合理的;而模糊聚类引入隶属度概念,隶属度越高则被划分到某一个类别的优先级越高。
两种推荐技术各有适用的范围,协同过滤推荐方法是当前最成功的也是研究最深入的推荐方法,基于用户的协同过滤推荐可以处理更复杂的非结构化对象,但依然存在数据极端稀疏性、新用户和冷启动等问题。所以基于以上原因笔者通过将两种不同方法相互组合,设计一种基于用户的协同过滤组合推荐方法构建构建个性化推荐系统。
发明内容
本发明针对现有技术中,协同过滤推荐方法中依旧存在数据稀疏,新用户和冷启动数据不足的缺点,提供了一种基于用户的协同过滤组合推荐方法。
为实现上述目的,本发明可采取下述技术方案:
基于用户的协同过滤组合推荐方法,包括以下具体步骤:
评分矩阵建立步骤:建立m×n阶的用户-项目评分矩阵,所述评分矩阵表示为A(m,n),其中,m为用户数,n为项目数,第i行第j列的项Rij表示用户i对项目j的评分;
相似度计算步骤:分别计算不同用户之间的相似度sim(i,j);
模糊矩阵建立步骤:建立模糊相似矩阵Mm×m,所述模糊相似矩阵为对角线的项为1的对称矩阵,其余项为所述相似度sim(i,j),且其余项的行、列分别与说书评分矩阵的行、列相对应;
关系簇构造步骤:建立对应于所述模糊相似矩阵Mm×m的无向图G(V,E),其中,V表示项目集合,E由所述模糊相似矩阵Mm×m中Mij≥λ的边组成,所述Mij表示模糊相似矩阵Mm×m的项,λ表示聚类阈值;求得聚类阈值λ的模糊等价类,所述聚类阈值λ的模糊等价类为无向图G(V,E)在不同的聚类阈值λ上的连通分支的顶点集合;所述聚类阈值λ的模糊等价类为特定用户的最近邻居集合;
预测步骤:采用以下公式预测用户u对未评分项目i的评分 其中,sim(u,v)表示用户u与用户v之间的相似性,Rv,i表示用户v对项目i的评分,分别表示用户u与用户v对项目i的评分,Neighbours(u)表示所述用户u的最近邻居集合。
于本发明的实施例中,还包括以下具体步骤:在评分矩阵建立步骤中,当用户u对项目j未评分,则Rij=0;在预测步骤中,将用户u对未评分项j的预测得到的评分Ru,j加入所述评分矩阵。
于本发明的实施例中,还包括以下具体步骤:基于不同的聚类阈值λ求得至少两个模糊等价类并得到最近邻居集合,根据不同的最近邻居集合在预测步骤中得到不同的预测评分Pu,i,去预测评分数值较高的评分作为用户u对未评分项i的最终评分。
于本发明的实施例中,所述相似度计算步骤中,所述相似度 其中,Ri,c、Rj,c分别表示用户i、用户j对项目c的评分,分别表示用户i、用户j的平均评分,Iij表示用户i、用户j共同评分过的项的集合。
于本发明的实施例中,所述关系簇构造步骤还包括:确定m个用户作为样本,计算所述样本内任意两个用户i,j之间的相似度sim(i,j),确定一个截集阈值集合S;对于所述截集阈值集合S中的每一个聚类阈值λ,建立无向图Gλ(V,E),其中,V为m个用户的集合,E为相似度sim(i,j)≥λ的边(i,j)的集合;计算所述无向图Gλ(V,E)的连通分支,所述连通分支内的顶点集合构成聚类阈值λ的模糊等价类。
本发明具有以下的显著技术效果:
基于用户的协同过滤推荐可以处理更复杂的非结构化对象,结合模糊聚类方法提出的个性化云服务方法在推荐精度上有明显改善。
附图说明
图1为基于用户的协同过滤组合推荐方法的流程示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
实施例1
一种基于用户的协同过滤组合推荐方法,如图1所示,包括以下具体步骤:
评分矩阵建立步骤100:建立m×n阶的用户-项目评分矩阵,所述评分矩阵表示为A(m,n),其中,m为用户数,n为项目数,第i行第j列的项Rij表示用户i对项目j的评分;进一步地,为了能够更好地应用本方法,可以将用户评价的项目置零,即令Rij=0。此外,用户i对项目j的评分还需要经过定量化规则转换为具体的评分数值,所述的定量化规则包括将各种不同的用户体验结果用一定的数值进行标识,并依据不同的用户体验之间的差异,确定数值标识之间的数量关系,采用定量评估分析,依据统计数据,建立数学模型,并用数学模型计算出分析对象的各项指标及其数值来评估分析的一种方法。与定性分析评估分析相对应的主要凭分析者的直觉、经验进行分析。定量评估分析一般需要较高深的数学知识,对社会现象的数量特征、数量关系与数量变化的分析。其功能在于揭示和描述社会现象的相互作用和发展趋势。
相似度计算步骤200:分别计算不同用户之间的相似度sim(i,j);相似度计算步骤200具体而言,使用修正后的余弦相似度,以保证对用户的相似程度进行更为准确的度量和评价,所述相似度其中,Ri,c、Rj,c分别表示用户i、用户j对项目c的评分,分别表示用户i、用户j的平均评分,Iij表示用户i、用户j共同评分过的项的集合。
模糊矩阵建立步骤300:建立模糊相似矩阵Mm×m,所述模糊相似矩阵为对角线的项为1的对称矩阵,其余项为所述相似度sim(i,j),且其余项的行、列分别与所述评分矩阵的行、列相对应;
关系簇构造步骤400:建立对应于所述模糊相似矩阵Mm×m的无向图G(V,E),其中,V表示项目集合,E由所述模糊相似矩阵Mm×m中Mij≥λ的边组成,所述Mij表示模糊相似矩阵Mm×m的项,λ表示聚类阈值;求得聚类阈值λ的模糊等价类,所述聚类阈值λ的模糊等价类为无向图G(V,E)在不同的聚类阈值λ上的连通分支的顶点集合;所述聚类阈值λ的模糊等价类为特定用户的最近邻居集合;
预测步骤500:采用以下公式预测用户u对未评分项目i的评分 其中,sim(u,v)表示用户u与用户v之间的相似性,Rv,i表示用户v对项目i的评分,分别表示用户u与用户v对项目i的评分,Neighbours(u)表示所述用户u的最近邻居集合。
进一步地,云服务推荐系统适时地更新用户数据并动态地调整用户的评分值,提供给用户个性化推荐服务。包括:
建立个性云服务数据库。针对不同用户群体,分门别类地存储用户数据并建立科学的索引目录。
添加用户标签。对于每个用户,嵌入用户群体标签,如:性别、年龄段、爱好等。
更新用户评分数据库。由于用户数据库会新增一些新的浏览和消费数据,根据新增的用户数据库信息不断调整用户评分,从而实现动态调整过程并提供给用户个性化推荐服务。
所述协同过滤组合推荐方法还包括以下具体步骤:在评分矩阵建立步骤100中,当用户u对项目j未评分,则Rij=0;在预测步骤500中,将用户u对未评分项j的预测得到的评分Pu,j加入所述评分矩阵。
所述协同过滤组合推荐方法还包括以下具体步骤:基于不同的聚类阈值λ求得至少两个模糊等价类并得到最近邻居集合,根据不同的最近邻居集合在预测步骤500中得到不同的预测评分Pu,i,去预测评分数值较高的评分作为用户u对未评分项i的最终评分。
所述关系簇构造步骤400还包括:确定m个用户作为样本,计算所述样本内任意两个用户i,j之间的相似度sim(i,j),确定一个截集阈值集合S;对于所述截集阈值集合S中的每一个聚类阈值λ,建立无向图Gλ(V,E),其中,V为m个用户的集合,E为相似度sim(i,j)≥λ的边(i,j)的集合;计算所述无向图Gλ(V,E)的连通分支,所述连通分支内的顶点集合构成聚类阈值λ的模糊等价类。
总之,以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所作的均等变化与修饰,皆应属本发明专利的涵盖范围。
Claims (5)
1.一种基于用户的协同过滤组合推荐方法,其特征在于,包括以下具体步骤:评分矩阵建立步骤(100):建立m×n阶的用户-项目评分矩阵,所述评分矩阵表示为A(m,n),其中,m为用户数,n为项目数,第i行第j列的项Rij表示用户i对项目j的评分;
相似度计算步骤(200):分别计算不同用户之间的相似度sim(i,j);
模糊矩阵建立步骤(300):建立模糊相似矩阵Mm×m,所述模糊相似矩阵为对角线的项为1的对称矩阵,其余项为所述相似度sim(i,j),且其余项的行、列分别与所述评分矩阵的行、列相对应;
关系簇构造步骤(400):建立对应于所述模糊相似矩阵Mm×m的无向图G(V,E),其中,V表示项目集合,E由所述模糊相似矩阵Mm×m中Mij≥λ的边组成,所述Mij表示模糊相似矩阵Mm×m的项,λ表示聚类阈值;求得聚类阈值λ的模糊等价类,所述聚类阈值λ的模糊等价类为无向图G(V,E)在不同的聚类阈值λ上的连通分支的顶点集合;所述聚类阈值λ的模糊等价类为特定用户的最近邻居集合;
预测步骤(500):采用以下公式预测用户u对未评分项目i的评分 其中,sim(u,v)表示用户u与用户v之间的相似性,Rv,i表示用户v对项目i的评分,分别表示用户u与用户v对项目i的评分,Neighbours(u)表示所述用户u的最近邻居集合。
2.根据权利要求1所述的基于用户的协同过滤组合推荐方法,其特征在于,还包括以下具体步骤:在评分矩阵建立步骤(100)中,当用户u对项目j未评分,则Rij=0;在预测步骤(500)中,将用户u对未评分项j的预测得到的评分Pu,j加入所述评分矩阵。
3.根据权利要求1所述的基于用户的协同过滤组合推荐方法,其特征在于,还包括以下具体步骤:基于不同的聚类阈值λ求得至少两个模糊等价类并得到最近邻居集合,根据不同的最近邻居集合在预测步骤(500)中得到不同的预测评分Pu,i,去预测评分数值较高的评分作为用户u对未评分项i的最终评分。
4.根据权利要求1所述的基于用户的协同过滤组合推荐方法,其特征在于,所述相似度计算步骤(200)中,所述相似度其中,Ri,c、Rj,c分别表示用户i、用户j对项目c的评分,分别表示用户i、用户j的平均评分,Iij表示用户i、用户j共同评分过的项的集合。
5.根据权利要求1所述的基于用户的协同过滤组合推荐方法,其特征在于,所述关系簇构造步骤(400)还包括:确定m个用户作为样本,计算所述样本内任意两个用户i,j之间的相似度sim(i,j),确定一个截集阈值集合S;对于所述截集阈值集合S中的每一个聚类阈值λ,建立无向图Gλ(V,E),其中,V为m个用户的集合,E为相似度sim(i,j)≥λ的边(i,j)的集合;计算所述无向图Gλ(V,E)的连通分支,所述连通分支内的顶点集合构成聚类阈值λ的模糊等价类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242692.0A CN104077357B (zh) | 2014-05-31 | 2014-05-31 | 基于用户的协同过滤组合推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242692.0A CN104077357B (zh) | 2014-05-31 | 2014-05-31 | 基于用户的协同过滤组合推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077357A true CN104077357A (zh) | 2014-10-01 |
CN104077357B CN104077357B (zh) | 2019-01-15 |
Family
ID=51598611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410242692.0A Active CN104077357B (zh) | 2014-05-31 | 2014-05-31 | 基于用户的协同过滤组合推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077357B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104978676A (zh) * | 2015-07-13 | 2015-10-14 | 昆明理工大学 | 一种基于不一致用户评价准则的在线服务信誉度量方法 |
CN105095476A (zh) * | 2015-08-12 | 2015-11-25 | 西安电子科技大学 | 基于Jaccard均衡距离的协同过滤推荐方法 |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN105654267A (zh) * | 2016-03-01 | 2016-06-08 | 淮阴工学院 | 一种基于谱聚类的冷链物流配载智能推荐方法 |
CN106991173A (zh) * | 2017-04-05 | 2017-07-28 | 合肥工业大学 | 基于用户偏好的协同过滤推荐方法 |
CN107169830A (zh) * | 2017-05-15 | 2017-09-15 | 南京大学 | 一种基于聚类pu矩阵分解的个性化推荐方法 |
CN108355349A (zh) * | 2018-03-14 | 2018-08-03 | 张伟东 | 游戏系统 |
CN108874916A (zh) * | 2018-05-30 | 2018-11-23 | 西安理工大学 | 一种层叠组合协同过滤推荐方法 |
CN109783734A (zh) * | 2019-01-17 | 2019-05-21 | 湖南大学 | 一种基于项目属性的混合协同过滤推荐算法 |
CN110415084A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 一种产品智能推荐方法及装置 |
CN110784500A (zh) * | 2019-04-02 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种信息推送的方法及装置 |
CN111461826A (zh) * | 2020-03-30 | 2020-07-28 | 京东数字科技控股有限公司 | 信息推送方法和装置、存储介质和电子装置 |
CN111581503A (zh) * | 2020-04-26 | 2020-08-25 | 中国工商银行股份有限公司 | 模糊k邻近的推荐方法和装置、电子设备以及存储介质 |
CN113516355A (zh) * | 2021-04-30 | 2021-10-19 | 江苏电力信息技术有限公司 | 一种面向综合能源服务的推荐方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8037080B2 (en) * | 2008-07-30 | 2011-10-11 | At&T Intellectual Property Ii, Lp | Recommender system utilizing collaborative filtering combining explicit and implicit feedback with both neighborhood and latent factor models |
CN103412948B (zh) * | 2013-08-27 | 2017-10-24 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
CN103761237A (zh) * | 2013-12-04 | 2014-04-30 | 南京邮电大学 | 一种基于用户特征及其信任度的协同过滤推荐方法 |
CN103745100B (zh) * | 2013-12-27 | 2017-01-04 | 浙江大学 | 一种基于项目的混合显性隐性反馈的协同过滤推荐的方法 |
-
2014
- 2014-05-31 CN CN201410242692.0A patent/CN104077357B/zh active Active
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104978676A (zh) * | 2015-07-13 | 2015-10-14 | 昆明理工大学 | 一种基于不一致用户评价准则的在线服务信誉度量方法 |
CN104978676B (zh) * | 2015-07-13 | 2018-05-25 | 昆明理工大学 | 一种基于不一致用户评价准则的在线服务信誉度量方法 |
CN105095476A (zh) * | 2015-08-12 | 2015-11-25 | 西安电子科技大学 | 基于Jaccard均衡距离的协同过滤推荐方法 |
CN105426550B (zh) * | 2015-12-28 | 2020-02-07 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN105654267A (zh) * | 2016-03-01 | 2016-06-08 | 淮阴工学院 | 一种基于谱聚类的冷链物流配载智能推荐方法 |
CN106991173A (zh) * | 2017-04-05 | 2017-07-28 | 合肥工业大学 | 基于用户偏好的协同过滤推荐方法 |
CN107169830A (zh) * | 2017-05-15 | 2017-09-15 | 南京大学 | 一种基于聚类pu矩阵分解的个性化推荐方法 |
CN107169830B (zh) * | 2017-05-15 | 2020-11-03 | 南京大学 | 一种基于聚类pu矩阵分解的个性化推荐方法 |
CN108355349A (zh) * | 2018-03-14 | 2018-08-03 | 张伟东 | 游戏系统 |
CN108874916A (zh) * | 2018-05-30 | 2018-11-23 | 西安理工大学 | 一种层叠组合协同过滤推荐方法 |
CN109783734A (zh) * | 2019-01-17 | 2019-05-21 | 湖南大学 | 一种基于项目属性的混合协同过滤推荐算法 |
CN109783734B (zh) * | 2019-01-17 | 2021-03-19 | 湖南大学 | 一种基于项目属性的混合协同过滤推荐算法 |
CN110784500A (zh) * | 2019-04-02 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种信息推送的方法及装置 |
CN110415084A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 一种产品智能推荐方法及装置 |
CN110415084B (zh) * | 2019-07-30 | 2022-10-21 | 中国工商银行股份有限公司 | 一种产品智能推荐方法及装置 |
CN111461826A (zh) * | 2020-03-30 | 2020-07-28 | 京东数字科技控股有限公司 | 信息推送方法和装置、存储介质和电子装置 |
CN111461826B (zh) * | 2020-03-30 | 2024-04-09 | 京东科技控股股份有限公司 | 信息推送方法和装置、存储介质和电子装置 |
CN111581503A (zh) * | 2020-04-26 | 2020-08-25 | 中国工商银行股份有限公司 | 模糊k邻近的推荐方法和装置、电子设备以及存储介质 |
CN113516355A (zh) * | 2021-04-30 | 2021-10-19 | 江苏电力信息技术有限公司 | 一种面向综合能源服务的推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104077357B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077357A (zh) | 基于用户的协同过滤组合推荐方法 | |
CN103678431B (zh) | 一种基于标准标签和项目评分的推荐方法 | |
US10410138B2 (en) | System and method for automatic generation of features from datasets for use in an automated machine learning process | |
Jung et al. | Clustering performance comparison using K-means and expectation maximization algorithms | |
Wang et al. | An improved density peaks-based clustering method for social circle discovery in social networks | |
CN104834686B (zh) | 一种基于混合语义矩阵的视频推荐方法 | |
CN109359244A (zh) | 一种个性化信息推荐方法和装置 | |
CN102193936B (zh) | 一种数据分类的方法及装置 | |
WO2018103718A1 (zh) | 应用推荐的方法、装置及服务器 | |
Ba et al. | Clustering collaborative filtering recommendation system based on SVD algorithm | |
CN110942337A (zh) | 一种基于互联网大数据的精准旅游营销方法 | |
CN105893406A (zh) | 群体用户画像方法及系统 | |
Boratto et al. | Using collaborative filtering to overcome the curse of dimensionality when clustering users in a group recommender system | |
WO2015034850A2 (en) | Feature selection for recommender systems | |
CN102708130A (zh) | 计算用户微细分以用于要约匹配的可扩展引擎 | |
Boratto et al. | Investigating the role of the rating prediction task in granularity-based group recommender systems and big data scenarios | |
Bahamonde et al. | Power structure in Chilean news media | |
CN105138508A (zh) | 一种基于偏好扩散的上下文推荐系统 | |
CN103886486A (zh) | 一种基于支持向量机svm的电子商务推荐方法 | |
CN106919699A (zh) | 一种面向大规模用户的个性化信息推荐方法 | |
Chen et al. | DensityPath: an algorithm to visualize and reconstruct cell state-transition path on density landscape for single-cell RNA sequencing data | |
CN103150667A (zh) | 一种基于本体结构的个性化推荐方法 | |
Li et al. | Exploring the diversity of retweeting behavior patterns in Chinese microblogging platform | |
CN106649714B (zh) | 针对数据不均匀及数据稀疏的topN推荐系统及方法 | |
Griva et al. | A two-stage business analytics approach to perform behavioural and geographic customer segmentation using e-commerce delivery data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Ju Chunhua Inventor after: Bao Fuguang Inventor after: Lv Xiaomin Inventor after: Xiao Liang Inventor after: Wei Jianliang Inventor before: Ju Chunhua Inventor before: Lv Xiaomin Inventor before: Xiao Liang Inventor before: Wei Jianliang Inventor before: Bao Fuguang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |