CN104156450B - 一种基于用户网络数据的物品信息推荐方法 - Google Patents
一种基于用户网络数据的物品信息推荐方法 Download PDFInfo
- Publication number
- CN104156450B CN104156450B CN201410403849.3A CN201410403849A CN104156450B CN 104156450 B CN104156450 B CN 104156450B CN 201410403849 A CN201410403849 A CN 201410403849A CN 104156450 B CN104156450 B CN 104156450B
- Authority
- CN
- China
- Prior art keywords
- mrow
- user
- mfrac
- msub
- item information
- 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.)
- Expired - Fee Related
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
- G06F16/90—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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于用户网络数据的物品信息推荐方法，其特征在于，包括以下步骤：1)通过用户的网络数据获取用户的物品需求信息，建立用户需求特征库；2)根据物品网络数据建立物品信息特征库；3)采用文本和语义相似度算法将用户需求特征和物品信息特征进行匹配，计算物品信息与用户需求之间的相似度并排序、过滤，最后产生推荐结果；4)将生成的推荐结果反馈回用户需求特征库和物品信息特征库并且训练更新。与现有技术相比，本发明具有信息全面、适应性广等优点。
Description
技术领域
本发明涉及网络技术领域，尤其是涉及一种基于用户网络数据的物品信息推荐方法
背景技术
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代，海量信息同时呈现，无论是对于信息消费者还是信息生产者而言都是很大的挑战：对于信息消费者，一方面用户很难从中发现自己感兴趣的部分，另一方面也使得大量少人问津的信息成为网络中的“暗信息”，无法被一般用户获取：而对于信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情，传统的搜索算法只能呈现给用户一样的排序结果，无法针对不同用户的不同的兴趣爱好提供相应的服务，个性化推荐系统应运而生，能够有效解决信息过载的问题，个性化推荐系统通过建立用户与信息之间的二元关系，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
个性化推荐系统的本质是通过一定方式将用户和物品联系起来，联系用户和物品的常用方式主要分为以下三类：
(1)社会化推荐，即利用好友给自己推荐物品；
(2)基于内容的推荐，即通过分析用户的历史兴趣记录，向用户推荐与其历史记录相似度较高的物品；
(3)基于协同过滤的推荐，即分析与目标用户的历史兴趣相似度较高的邻居用户，将邻居用户感兴趣的物品推荐给目标用户。
在互联网的各类网站中都可以看到推荐系统的应用，而个性化推荐系统的主要作用是通过分析大量用户行为日志，给不同的用户提供不同的个性化页面展示，来提高网站的点击率和物品成交转化率，广泛利用个性化推荐系统的领域包括电子商务、电影和视频、音乐、社交网络、个性化邮件和广告等。著名的电子商务网站亚马逊就是个性化推荐系统的积极应用者和推广者，亚马逊的个性化推荐服务深入到了其各类产品中，其中最主要的应用有个性化商品推荐列表和相关商品的推荐列表。
然而，基于内容的推荐算法和协同过滤推荐算法都各自存在不足之处，基于内容的推荐算法需要提取物品的特性，自动化的特征提取方法广泛应用于文本数据，但是较难应用于多媒体数据：并且为用户推荐的物品仅限于与该用户的历史记录相似的物品，结果多样性较差。对于没有历史记录的新用户难以通过基于内容的推荐算法进行推荐，存在新用户的冷启动问题，协同过滤推荐算法由于考虑用户之间的相似度，因此可以克服自动化程度低、推荐结果不丰富等弊端，但是，协同过滤推荐算法是基于大量历史数据集的，因而存在稀疏问题和冷启动问题，对于没有历史记录的新用户和没有被用户有过正反馈的新物品都难以通过协同过滤推荐算法进行推荐，另外，如何动态地从用户社交网络数据中提取用户的需求和偏好信息，将推荐算法结合用户社交网络数据产生推荐结果，为用户解决信息过载的问题，目前暂时还没有相关的较为成熟的应用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于用户网络数据的物品信息推荐方法
本发明的目的可以通过以下技术方案来实现：
一种基于用户网络数据的物品信息推荐方法，包括以下步骤：
1)通过用户的网络数据获取用户的物品需求信息，建立用户需求特征库；
2)根据物品网络数据建立物品信息特征库；
3)采用文本和语义相似度算法将用户需求特征和物品信息特征进行匹配，计算物品信息与用户需求之间的相似度并排序、过滤，最后产生推荐结果；
4)将生成的推荐结果反馈回用户需求特征库和物品信息特征库并且训练更新。
所述的步骤1)包括以下步骤：
11)通过网络软件或网络信息手段获取用户公开的网络信息；
12)从公开的信息中进行预处理后，采用TF-IDF方法提取用户信息关键词，所述的TF-IDF提取关键词的方法为计算TF-IDF关键词权值wi，j，wi，j的计算式为：
wi，j＝TFi，j*IDFi
其中，ni，j表示词i在文档j中出现的次数，分母则是文档j中所有词出现的次数之和，|D|是文档总数，分母|{d：ti∈d}|是包含词条ti的文档数目。
13)将用户信息关键词作为用户的需求特征列表，建立用户需求特征库。
所述的步骤2)包括以下步骤：
21)通过网络软件或网络信息手段获取物品的网络信息并提取关键词；
22)通过物品信息关键词建立物品信息特征库。
所述的步骤3)包括以下步骤：
31)根据用户需求特征库和物品信息特征库列出关键词词频向量，通过文本相似度算法得到关键词词频向量的相似度cosθ，cosθ的计算式为：
其中，A为用户需求特征库关键词词频向量，B为物品信息特征库关键词词频向量。
32)基于同义词词林结构，采用语义相似度算法计算用户需求特征库和物品信息特征库关键词的语义相似度Sim(C，D)，Sim(C，D)的计算式为：
当C和D两个义项不在同一棵树上时，
Sim(C，D)＝f＝0.1
当C和D两个义项在同一棵树上，并且在第二层分支上时，
当C和D两个义项在第三层分支上时，
当C和D两个义项在第四层分支上时，
当C和D两个义项在第五层分支上时，
其中，n是分支层的节点总数，k是两个分支间的距离。
33)根据文本相似度和语义相似度分别判断物品和用户特征之间是否匹配，对结果进行计算排序，并向用户推送结果。
与现有技术相比，本发明具有以下优点：
一、信息全面，本发明结合两种关键词算法，能够向用户提供最全面的物品信息，并且还能够通过训练数据库，实时地更新推荐结果，使推荐结果具有较高的多样性和覆盖率。
二、适应性广，本发明通过内容和协同过滤的推荐方法，能够适应新老用户的需求，解决了“冷启动”的问题。
附图说明
图1为本发明的流程示意图。
图2为本发明的技术框架图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例：
如图1所示，一种基于用户网络数据的物品信息推荐方法，包括以下步骤：
1)通过用户的网络数据获取用户的物品需求信息，建立用户需求特征库：
2)根据物品网络数据建立物品信息特征库；
3)采用文本和语义相似度算法将用户需求特征和物品信息特征进行匹配，计算物品信息与用户需求之间的相似度并排序、过滤，最后产生推荐结果；
4)将生成的推荐结果反馈回用户需求特征库和物品信息特征库并且训练更新。
如图2所示，在用户需求发现阶段，首先通过爬虫根据腾讯API爬取大量用户的微博内容，存储到数据库中，接着为了获取用户需求建立用户模型，从数据库中读取用户的微博内容，并对每一个用户的所有微博内容进行预处理并提取关键词，提取的关键词作为每一个用户的需求特征列表，构成用户特征库。
在信息推荐阶段，首先提取物品特征构建适用于本发明的物品信息库。然后计算物品信息与用户需求之间的相关性，将计算结果进行排序并过滤后，产生推荐结果，完成第二阶段的信息推荐。
在本发明中，获取用户微博内容的方法如下：通过调用微博API，根据微博的用户名查找对应用户发表的微博消息列表，包括微博消息内容、发表时间、地理位置等属性。爬取腾讯用户微博内容，返回json格式字段进行解析。根据返回参数，设计数据库表结构如下表所示，在数据库中创建3张表，分别为表1为用户信息结构，表2为用户的微博文本内容，以及表3为用户的图片内容。
表1 用户信息表
| 字段名称 | 字段类型 | 含义解释 |
| name | char(20) | 用户账户名(主键) |
| nick | text | 用户昵称 |
| location | text | 地理位置 |
| sex | int(2) | 用户性别 |
| char(40) | 用户邮箱 | |
| birth_day | char(20) | 生日，细化到天 |
| birth_month | char(20) | 生日所在月份 |
| birth_year | char(20) | 生日所在年份 |
| fansnum | char(20) | 粉丝数 |
| favnum | char(20) | 感兴趣的话题数 |
| homepage | text | 主页链接 |
| idonum | char(20) | 关注数量 |
| introduction | text | 简介 |
| isrealname | char(4) | 是否使用真名 |
| isvip | char(4) | 是否微博认证用户 |
| level | char(4) | 微博等级 |
| regtime | char(20) | 注册时间 |
| send_private_flag | char(4) | 是否发送私信 |
| tweetnum | char(20) | 微博数 |
| verifyinfo | text | 验证信息 |
表2 微博文本内容表
表3.3 图片内容表
| 字段名称 | 字段类型 | 含义解释 |
| url | char(70) | 图片链接(主键) |
| pic_XDPI | char(10) | 图片横轴点阵数位 |
| pic_YDPI | char(10) | 图片纵轴点阵数位 |
| pic_height | char(10) | 图片高度 |
| pic_size | char(10) | 图片尺寸 |
| pic_type | char(10) | 图片类型 |
| pic_width | char(10) | 图片宽度 |
通过爬虫爬取用户的微博信息存储到MySQL数据库中，然后从数据库中按照用户id读取该用户的所有微博信息，对一个用户的所有获取到的微博内容提取关键词用以表示该用户的特征，从而建立用户特征库，用户特征库的数据结构采用字典的结构{username：[keywords]}。这里使用TF-IDF方法提取关键词，TF-IDF主要思想是如果某个词或短语在一篇文章中出现的频率很高，并且在其他文章中很少出现，则认为这个词或短语具有较好的类别区分能力。词频是指某一个给定的词语在文档中出现的次数，计算公式为：
其中，ni，j表示词i在文档j中出现的次数，分母则是文档j中所有词出现的次数之和。逆文档频率是指如果包含词条的文档越少，则逆文档频率越大，说明该词条具有很好的类别区分能力，其计算公式为：
其中，|D|是文档总数，分母是包含词条ti的文档数目。TF-IDF权值wi，j＝TFi，j*IDFi就是最终要得到的结果，权值的高低直接表明了该词条是否反应了文档的主题。
在建立物品信息库时，主要包括物品的名称、类别属性、物品描述、物品标签等信息。同样，物品信息库采用字典的结果进行存储。{item：[characteristics]}。
在分别建立用户需求特征库和物品信息库之后，分别采用文本相似度算法和语义相似度算法对用户需求特征和物品信息进行匹配。文本相似度根据用户特征库中用户微博内容关键词，列出关键词词频向量，以字典的结构表示{user；{keyword：count}}，同样的列出物品信息的词频向量{item：{characteristic：count}}。根据公式3计算两个词频向量之间的余弦夹角，如果两个向量之间的余弦夹角越小，说明用户的需求特征和物品的描述越相似。
在计算用户需求特征和物品信息之间的语义相似度时，基于同义词词林结构，利用词语中一个词语义项的编号，根据两个词语义项的语义距离，计算出义项相似度。首先判断在同义词词林中作为叶子节点的两个义项在哪一层分支，即两个义项的编号在哪一层不同。例如：Aa01A01与Aa01B01，即在第4层分支。从第一层开始判断，相同乘以1，否则在分支层乘以相应的系数，然后乘以调节参数其中n是分支层的节点总数，该调节参数的功能是把义项相似度控制在[0，1]之间。词语所在树的密度，分支的多少直接影响到义项的相似度，密度较大的义项相似度的值相比密度小的相似度的值精确。再乘以一个控制参数(n-k+1)/n，其中n是分支层的节点总数，k是两个分支间的距离。这样把原本计算出的只对应在几点的值细化，精确计算结果。若两个义项的相似度用Sim表示：
(1)若A和B两个义项不在同一棵树上，则：
Sim(A，B)＝f
(2)若A和B两个义项在同一棵树上，则：
若在第2层分支上，系数为a：
若在第3层分支上，系数为b：
若在第4层分支上，系数为c：
若在第5层分支上，系数为d：
经过多次成熟的试验，人工评定后将层数初值设置为a＝0.65，b＝0.8，c＝0.9，d＝0.96，e＝0.5，f＝0.1。最后，在计算语义相似度时，一个词语可能有多个义项，则把两个词语的义项分别两两计算，去最大值作为两个词语的相似度值。
依据上述文本相似度和语义相似度分别计算物品和用户特征之间是否匹配。对于一个用户，遍历物品信息库中的所有物品信息，计算和该用户之间的相似度并对计算结果进行排序，选取其中相似度最高的k个物品，生成推荐列表向用户进行推送推荐结果，推荐结果以字典的形式表示为{user：[items]}。
Claims (2)
1.一种基于用户网络数据的物品信息推荐方法，其特征在于，包括以下步骤：
1)通过用户的网络数据获取用户的物品需求信息，建立用户需求特征库；
2)根据物品网络数据建立物品信息特征库，包括以下步骤：
11)通过网络软件或网络信息手段获取用户公开的网络信息；
12)从公开的信息中进行预处理后，采用TF-IDF方法提取用户信息关键词，所述的TF-IDF提取关键词的方法为计算TF-IDF关键词权值wi,j，wi,j的计算式为：
wi,j＝TFi,j*IDFi
<mrow>
<msub>
<mi>TF</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>IDF</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<mo>|</mo>
<mi>D</mi>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>{</mo>
<mi>d</mi>
<mo>:</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mi>d</mi>
<mo>}</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，ni,j表示词i在文档j中出现的次数，分母则是文档j中所有词出现的次数之和，|D|是文档总数，分母|{d:ti∈d}|是包含词条ti的文档数目。
13)将用户信息关键词作为用户的需求特征列表参数，建立用户需求特征库。；
3)采用文本和语义相似度算法将用户需求特征和物品信息特征进行匹配，计算物品信息与用户需求之间的相似度并排序、过滤，最后产生推荐结果，包括以下步骤：
31)根据用户需求特征库和物品信息特征库列出关键词词频向量，通过文本相似度算法得到关键词词频向量的相似度cosθ，cosθ的计算式为：
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mi>B</mi>
</mrow>
<mrow>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<mo>&times;</mo>
<mo>|</mo>
<mi>B</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中，A为用户需求特征库关键词词频向量，B为物品信息特征库关键词词频向量。
32)基于同义词词林结构，采用语义相似度算法计算用户需求特征库和物品信息特征库关键词的语义相似度Sim(C,D)，Sim(C,D)的计算式为：
当C和D两个义项不在同一棵树上时，
Sim(C,D)＝f＝0.1
当C和D两个义项在同一棵树上，并且在第二层分支上时，
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>0.65</mn>
<mo>&times;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>&times;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>180</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
当C和D两个义项在第三层分支上时，
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>0.8</mn>
<mo>&times;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>&times;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>180</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
当C和D两个义项在第四层分支上时，
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>0.9</mn>
<mo>&times;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>&times;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>180</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
当C和D两个义项在第五层分支上时，
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>1</mn>
<mo>&times;</mo>
<mn>0.96</mn>
<mo>&times;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>&times;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>180</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，n是分支层的节点总数，k是两个分支间的距离；
33)根据文本相似度和语义相似度分别判断物品和用户特征之间是否匹配，对结果进行计算排序，并向用户推送结果；
4)将生成的推荐结果反馈回用户需求特征库和物品信息特征库并且训练更新。
2.根据权利要求1所述的一种基于用户网络数据的物品信息推荐方法，其特征在于，所述的步骤2)包括以下步骤：
21)通过网络软件或网络信息手段获取物品的网络信息并提取关键词；
22)通过物品信息关键词建立物品信息特征库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410403849.3A CN104156450B (zh) | 2014-08-15 | 2014-08-15 | 一种基于用户网络数据的物品信息推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410403849.3A CN104156450B (zh) | 2014-08-15 | 2014-08-15 | 一种基于用户网络数据的物品信息推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104156450A CN104156450A (zh) | 2014-11-19 |
| CN104156450B true CN104156450B (zh) | 2017-11-07 |
Family
ID=51881948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410403849.3A Expired - Fee Related CN104156450B (zh) | 2014-08-15 | 2014-08-15 | 一种基于用户网络数据的物品信息推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104156450B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105786807B (zh) * | 2014-12-15 | 2021-06-18 | 北京奇虎科技有限公司 | 展会信息推送的方法、设备与系统 |
| CN105809467A (zh) * | 2015-04-28 | 2016-07-27 | 成都鹏业软件股份有限公司 | 一种基于即时通讯工具的商品推荐系统 |
| CN107391531B (zh) * | 2017-04-11 | 2020-09-22 | 阿里巴巴集团控股有限公司 | 一种菜品推荐方法和装置 |
| CN107665442B (zh) * | 2017-05-10 | 2020-03-27 | 平安科技（深圳）有限公司 | 获取目标用户的方法及装置 |
| CN107679945A (zh) * | 2017-09-27 | 2018-02-09 | 北京小度信息科技有限公司 | 建立消费对象推荐模型的方法以及相关方法及装置 |
| CN107818491A (zh) * | 2017-09-30 | 2018-03-20 | 平安科技（深圳）有限公司 | 电子装置、基于用户上网数据的产品推荐方法及存储介质 |
| CN110348920A (zh) * | 2018-04-02 | 2019-10-18 | 中移（杭州）信息技术有限公司 | 一种推荐产品的方法及装置 |
| CN108960986A (zh) * | 2018-06-26 | 2018-12-07 | 西安交通大学 | 一种基于网络爬虫的供应商推荐方法 |
| CN109325164A (zh) * | 2018-08-16 | 2019-02-12 | 北京此时此地信息科技有限公司 | 一种公共区域的服务推荐方法和系统 |
| CN109543107A (zh) * | 2018-11-21 | 2019-03-29 | 网易无尾熊（杭州）科技有限公司 | 数据处理方法、介质、装置和计算设备 |
| CN110334328B (zh) * | 2019-05-23 | 2024-05-07 | 平安科技（深圳）有限公司 | 基于机器学习的物品清单自动生成方法及装置 |
| CN111324811B (zh) * | 2020-02-20 | 2024-04-12 | 北京奇艺世纪科技有限公司 | 一种热点内容确认方法及装置 |
| CN111723293B (zh) * | 2020-06-24 | 2023-08-25 | 上海风秩科技有限公司 | 一种文章内容的推荐方法、装置、电子设备及存储介质 |
| CN111858915A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 基于标签相似度的信息推荐方法及系统 |
| CN112380457A (zh) * | 2020-12-07 | 2021-02-19 | 长沙军民先进技术研究有限公司 | 一种基于采购信息的精准个性化推荐方法 |
| CN112579889B (zh) * | 2020-12-07 | 2022-05-03 | 北京百度网讯科技有限公司 | 物品推荐方法、装置、电子设备及存储介质 |
| CN112770181A (zh) * | 2021-01-12 | 2021-05-07 | 贵州省广播电视信息网络股份有限公司 | 一种针对家庭组的推荐内容快速验证系统及其方法 |
| CN117312542B (zh) * | 2023-11-29 | 2024-02-13 | 泰山学院 | 基于人工智能的阅读推荐方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008007735A1 (fr) * | 2006-07-13 | 2008-01-17 | Hewlett-Packard Development Company, L.P. | Système de recherche d'informations |
| CN102710773A (zh) * | 2012-05-30 | 2012-10-03 | 杭州遥指科技有限公司 | 一种网络信息的推荐方法及系统 |
| CN103400286A (zh) * | 2013-08-02 | 2013-11-20 | 世纪禾光科技发展（北京）有限公司 | 一种基于用户行为进行物品特征标注的推荐系统及方法 |
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、系统和移动终端 |
| CN103605656A (zh) * | 2013-09-30 | 2014-02-26 | 小米科技有限责任公司 | 一种推荐音乐的方法、装置及一种移动终端 |
| CN103971273A (zh) * | 2014-05-22 | 2014-08-06 | 苏州壹世通科技有限公司 | 一种数据处理方法、装置及系统 |
-
2014
- 2014-08-15 CN CN201410403849.3A patent/CN104156450B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008007735A1 (fr) * | 2006-07-13 | 2008-01-17 | Hewlett-Packard Development Company, L.P. | Système de recherche d'informations |
| CN102710773A (zh) * | 2012-05-30 | 2012-10-03 | 杭州遥指科技有限公司 | 一种网络信息的推荐方法及系统 |
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、系统和移动终端 |
| CN103400286A (zh) * | 2013-08-02 | 2013-11-20 | 世纪禾光科技发展（北京）有限公司 | 一种基于用户行为进行物品特征标注的推荐系统及方法 |
| CN103605656A (zh) * | 2013-09-30 | 2014-02-26 | 小米科技有限责任公司 | 一种推荐音乐的方法、装置及一种移动终端 |
| CN103971273A (zh) * | 2014-05-22 | 2014-08-06 | 苏州壹世通科技有限公司 | 一种数据处理方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "一种基于同义词词林的中文大规模本体映射方案";王汀 等;《计算机科学》;20140531;第122页第4.3节 * |
| "基于支持向量机的中文文本自动分类研究";马金娜 等;《系统工程与电子技术》;20070331;第475页第3段-第477页第5段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104156450A (zh) | 2014-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104156450B (zh) | 一种基于用户网络数据的物品信息推荐方法 | |
| US9201880B2 (en) | Processing a content item with regard to an event and a location | |
| CN105426528B (zh) | 一种商品数据的检索排序方法及系统 | |
| Guy et al. | Social media recommendation based on people and tags | |
| KR101565339B1 (ko) | 집단지성을 이용한 추천 시스템 및 방법 | |
| CN103455613B (zh) | 基于MapReduce模型的兴趣感知服务推荐方法 | |
| Selke et al. | Pushing the boundaries of crowd-enabled databases with query-driven schema expansion | |
| CN103778260A (zh) | 一种个性化微博信息推荐系统和方法 | |
| CN106484829B (zh) | 一种微博排序模型的建立及微博多样性检索方法 | |
| Vosecky et al. | Searching for quality microblog posts: Filtering and ranking based on content analysis and implicit links | |
| Niu et al. | FUIR: Fusing user and item information to deal with data sparsity by using side information in recommendation systems | |
| CN106250545A (zh) | 一种基于用户搜索内容的多媒体推荐方法及系统 | |
| WO2014138415A1 (en) | Linguistic expression of preferences in social media for prediction and recommendation | |
| US20150193540A1 (en) | Content ranking based on user features in content | |
| CN102663022A (zh) | 一种基于url的分类识别方法 | |
| CN104484431A (zh) | 一种基于领域本体的多源个性化新闻网页推荐方法 | |
| Gan et al. | Restaurant Rating: Industrial Standard and Word-of-Mouth--A Text Mining and Multi-dimensional Sentiment Analysis | |
| Katz et al. | Using Wikipedia to boost collaborative filtering techniques | |
| CN109670909A (zh) | 一种基于概率矩阵分解和特征融合的旅游产品推荐方法 | |
| Yigit et al. | Extended topology based recommendation system for unidirectional social networks | |
| Sun et al. | A content-enhanced approach for cold-start problem in collaborative filtering | |
| Zhao et al. | Personalized recommendation by exploring social users’ behaviors | |
| US20120072427A1 (en) | Effective product recommendation using the real-time web | |
| Immaneni et al. | A meta-level hybridization approach to personalized movie recommendation | |
| Rawashdeh et al. | Measures of semantic similarity of nodes in a social network |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20200815 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |