CN104462383B - 一种基于用户多种行为反馈的电影推荐方法 - Google Patents
一种基于用户多种行为反馈的电影推荐方法 Download PDFInfo
- Publication number
- CN104462383B CN104462383B CN201410753052.6A CN201410753052A CN104462383B CN 104462383 B CN104462383 B CN 104462383B CN 201410753052 A CN201410753052 A CN 201410753052A CN 104462383 B CN104462383 B CN 104462383B
- Authority
- CN
- China
- Prior art keywords
- user
- mrow
- film
- membership
- msubsup
- 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.)
- Active
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
本发明公开了一种基于用户多种行为反馈的电影推荐方法,包括步骤:s1、电影聚类首先对电影信息进行特征选取,得到针对每个电影的关键字描述;s2、用户相似度计算使用基于模糊理论的行为‑‑内容聚类方法,将用户聚类成多个用户集,每个用户在不同用户集中的隶属度不同,利用电影描述信息和用户的多种行为反馈数据进行建模,计算每个用户在用户群中的隶属度,根据用户在不同用户集中的隶属度来计算用户之间的相似度;s3、生成推荐根据得到的用户相似度信息为用户生成不同的电影推荐列表。本发明方法利于解决数据的稀疏性问题,并解决了传统“隐性‑显性”转换做法的信息损失问题,提高了推荐精度。
Description
技术领域
本发明属于个性化推荐领域,具体涉及一种基于用户多种行为反馈的电影推荐方法。
背景技术
随着Internet的迅速发展,互联网上的数据呈指数增长态势。传统的搜索算法只能呈现给所有的用户一样的排序结果,无法针对不同用户的兴趣爱好提供相应的服务。信息的爆炸使得信息的利用率反而降低,这种现象被称为信息过载。个性化推荐,包括个性化搜索,被认为是目前解决信息超载问题的最有效工具之一。
推荐算法是个性化推荐系统的核心,推荐算法可以分为基于内容的推荐算法、协同过滤推荐算法、以及基于知识的推荐算法。其中,由于协同过滤推荐算法能够充分利用数据集中的信息且对领域知识的需求较低,在现实中的应用最为广泛。
然而,目前主流的协同过滤推荐算法主要针对评分预测问题。由于现实中评分数据的获得往往比较困难,在实际应用中通常将用户多种行为的隐反馈数据转换为评分数据,这种做法不仅导致推荐精度低,而且存在数据稀疏性问题。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于用户多种行为反馈的电影推荐方法,该方法直接对用户多种行为的隐反馈数据进行建模,利于解决数据稀疏性问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于用户多种行为反馈的电影推荐方法,包括步骤:
s1、电影聚类
根据电影的关键字描述,使用LDA算法将电影聚成m个簇;
设定阈值threshold,0.6≤threshold≤0.8,从每个簇中去掉p(k|i)<threshold的电影,其中,p(k|i)表示电影i属于电影簇k的概率;
s2、用户相似度计算
针对电影聚类得到每个电影簇k形成与之一一对应的用户群g,用户u对用户群g的隶属度利用如下公式计算,即:
式中,表示用户u对用户群g对应的电影簇k中电影的第t种行为的统计次数,为用户u对所有电影的第t种行为的统计次数,t的取值范围为:1≤t≤T,T为数据集中行为的种类数;
根据用户模糊聚类的隶属度计算结果,得到用户u的隶属度向量其中,du,g表示用户u对用户群g的隶属度;
对用户集U中的任意两个用户u和v,通过Pearson相关系数来计算u和v的相似度,并记为sim(u,v);
s3、生成推荐
设定邻居选取的相似度阈值为sim-threshold,对任意一个用户u从用户集U中选取满足sim(u,v)>sim-threshold的用户作为用户u的邻居,并记作Neiu;
对Neiu中用户看过用户u未看过的所有电影,通过如下方法预测用户u对电影i的偏好:
式中,为用户u对电影i的预测偏好,pv,i表示用户v对电影i的偏好,该偏好由权重向量w和用户v在电影i上的行为统计向量rv,i的内积来衡量,pu,i为基于用户u在电影i上的已有行为得到的用户u对电影i的偏好,该偏好由权重向量w和用户u在电影i的行为统计向量ru,i的內积来衡量;权重向量w通过交叉验证来获得;
对用户u的对偏好预测结果进行降序排序,选择前N部电影作为用户u的推荐结果。
进一步,在步骤s1中,电影的关键字描述按照如下步骤获得:
首先对每部电影简介进行分词处理,保留名词并去掉停用词得到:Si={s1,s2,...,sn},其中,Si表示对电影i进行分词、保留名词去停用词处理后得到的名词描述;
然后根据在所有电影上的处理结果统计出现频率最高的N个词,并从电影的名词描述中剔除这N个词以外的词;
最后结合电影的导演、演员和类型信息得到电影的关键字描述:Wi={w1,w2,...,wn}。
进一步,在步骤s2中,近在线阶段用户相似度信息更新步骤为:
s1、分别统计用户u对m个电影簇中电影的行为次数;
s2、使用隶属度模型来计算用户u对用户群的隶属度,得到用户u新的隶属度向量,并更新数据库中用户u的隶属度信息;
s3、通过Pearson相关系数基于用户u新的隶属度和数据库中其他用户的隶属度来计算用户u和其他用户的相似度,并更新数据库。
本发明具有如下优点:
本发明首先对电影信息进行特征选取,得到针对每个电影的关键字描述;然后使用基于模糊理论的行为--内容聚类方法,将用户聚类成多个用户集,每个用户在不同用户集中的隶属度不同,利用电影描述信息和用户的多种行为反馈数据进行建模,计算每个用户在用户群中的隶属度,根据用户在不同用户集中的隶属度来计算用户之间的相似度;最后根据得到的用户相似度信息为用户生成不同的电影推荐列表。本发明方法利于解决数据的稀疏性问题,并解决了传统“隐性-显性”转换做法的信息损失问题,提高了推荐精度。
附图说明
图1为本发明中电影聚类流程图;
图2为本发明中用户相似度计算流程图;
图3为本发明中近在线阶段用户相似度信息更新流程图;
图4为本发明中电影生成推荐流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种基于用户多种行为反馈的电影推荐方法,包括如下步骤:
1、电影聚类
如图1所示,首先对每部电影简介进行分词处理,保留名词并去掉停用词得到:Si={s1,s2,...,sn},Si为对电影i进行分词、保留名词去停用词处理后得到的名词描述;
然后根据在所有电影上的处理结果统计出现频率最高的N个词,并从电影的名词描述中剔除这N个词以外的词;
最后结合电影的导演、演员和类型信息得到电影的关键字描述:Wi={w1,w2,...,wn}。
根据电影的关键字描述,使用LDA算法将电影聚成m个簇;
设定阈值threshold,0.6≤threshold≤0.8,从每个簇中去掉p(k|i)<threshold的电影,其中,p(k|i)表示电影i属于电影簇k的概率。
由于该步骤需要对数据库中的所有电影信息进行处理,比较耗时,可以在离线阶段处理。
2、用户相似度计算
如图2所示,针对电影聚类得到每个电影簇k形成与之一一对应的用户群g,用户u可以描述为“喜欢k中电影的用户形成的模糊集”。
用户u对用户群g的隶属度利用如下公式计算,即:
由于用户群g和电影簇k是一一对应的,所以等级右边先是做了g→k的变化后,再进行计算。
式中,表示用户u对用户群g对应的电影簇k中电影的第t种行为的统计次数,为用户u对所有电影的第t种行为的统计次数,t的取值范围为:1≤t≤T,T为数据集中行为的种类数;
根据用户模糊聚类的隶属度计算结果,得到用户u的隶属度向量其中,du,g表示用户u对用户群g的隶属度(由于用户群g与电影簇k的个数相同,此处g同样可以用m来表示);
对用户集U中的任意两个用户u和v,通过Pearson相关系数来计算u和v的相似度,并记为sim(u,v)。
此外,由于用户对用户群的隶属度信息与其他用户的行为记录无关,所以可以对单个用户的隶属度信息实现增量计算,可用在近在线阶段达到精度与效率的平衡,如图3所示。
近在线阶段用户相似度信息更新步骤为:
s1、分别统计用户u对m个电影簇中电影的行为次数。
s2、使用隶属度模型来计算用户u对用户群的隶属度,得到用户u新的隶属度向量,并更新数据库中用户u的隶属度信息。
s3、通过皮尔逊相关系数(PCC)基于用户u新的隶属度和数据库中其他用户的隶属度来计算用户u和其他用户的相似度,并更新数据库。
3、生成推荐
如图4所示,设定邻居选取的相似度阈值为sim-threshold,对任意一个用户u从用户集U中选取满足sim(u,v)>sim-threshold的用户作为用户u的邻居,并记作Neiu;
对Neiu中用户看过用户u未看过的所有电影,通过如下方法预测用户u对电影i的偏好:
式中,用户u对电影i的预测偏好,pv,i表示用户v对电影i的偏好,该偏好由用户v的行为权重向量w和用户v在电影i上的行为统计向量rv,i的内积来衡量,pu,i为基于用户u在电影i上的已有行为得到的用户u对电影i的偏好,该偏好由权重向量w和用户u在电影i的行为统计向量ru,i的內积来衡量;权重向量w通过交叉验证来获得;
对用户u的对偏好预测结果进行降序排序,选择前N部电影作为用户u的推荐结果。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (3)
1.一种基于用户多种行为反馈的电影推荐方法,其特征在于,包括步骤:
s1、电影聚类
根据电影的关键字描述,使用LDA算法将电影聚成m个簇;
设定阈值threshold,0.6≤threshold≤0.8,从每个簇中去掉p(k|i)<threshold的电影,其中,p(k|i)表示电影i属于电影簇k的概率;
s2、用户相似度计算
针对电影聚类得到每个电影簇k形成与之一一对应的用户群g,用户u对用户群g的隶属度利用如下公式计算,即:
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mi>ac</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>ac</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<msubsup>
<mi>ac</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>ac</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mfrac>
<mrow>
<msubsup>
<mi>ac</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>ac</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>g</mi>
<mo>&RightArrow;</mo>
<mi>k</mi>
<mo>;</mo>
</mrow>
式中,表示用户u对用户群g对应的电影簇k中电影的第t种行为的统计次数,为用户u对所有电影的第t种行为的统计次数,t的取值范围为:1≤t≤T,T为数据集中行为的种类数;
根据用户模糊聚类的隶属度计算结果,得到用户u的隶属度向量其中,du,g表示用户u对用户群g的隶属度;
对用户集U中的任意两个用户u和v,通过Pearson相关系数来计算u和v的相似度,并记为sim(u,v);
s3、生成推荐
设定邻居选取的相似度阈值为sim-threshold,对任意一个用户u从用户集U中选取满足sim(u,v)>sim-threshold的用户作为用户u的邻居,并记作Neiu;
对Neiu中用户看过用户u未看过的所有电影,通过如下方法预测用户u对电影i的偏好:
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>&Element;</mo>
<msub>
<mi>Nei</mi>
<mi>u</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>p</mi>
<mrow>
<mi>v</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>&Element;</mo>
<msub>
<mi>Nei</mi>
<mi>u</mi>
</msub>
</mrow>
</munder>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
式中,表示用户u对电影i的预测偏好,pv,i表示用户v对电影i的偏好,该偏好由用户v的行为权重向量w和用户v在电影i上的行为统计向量rv,i的内积来衡量,pu,i为基于用户u在电影i上的已有行为得到的用户u对电影i的偏好,该偏好由权重向量w和用户u在电影i的行为统计向量ru,i的內积来衡量;权重向量w通过交叉验证来获得;
对用户u的对偏好预测结果进行降序排序,选择前N部电影作为用户u的推荐结果。
2.根据权利要求1所述的一种基于用户多种行为反馈的电影推荐方法,其特征在于,在步骤s1中,电影的关键字描述按照如下步骤获得:
首先对每部电影简介进行分词处理,保留名词并去掉停用词得到:Si={s1,s2,...,sn},其中,Si表示对电影i进行分词、保留名词去停用词处理后得到的名词描述;
然后根据在所有电影上的处理结果统计出现频率最高的N个词,并从电影的名词描述中剔除这N个词以外的词;
最后结合电影的导演、演员和类型信息得到电影的关键字描述:Wi={w1,w2,...,wn}。
3.根据权利要求1所述的一种基于用户多种行为反馈的电影推荐方法,其特征在于,在步骤s2中,近在线阶段用户相似度信息更新步骤为:
s1、分别统计用户u对m个电影簇中电影的行为次数;
s2、使用隶属度模型来计算用户u对用户群的隶属度,得到用户u新的隶属度向量,并更新数据库中用户u的隶属度信息;
s3、通过Pearson相关系数基于用户u新的隶属度和数据库中其他用户的隶属度来计算用户u和其他用户的相似度,并更新数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410753052.6A CN104462383B (zh) | 2014-12-10 | 2014-12-10 | 一种基于用户多种行为反馈的电影推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410753052.6A CN104462383B (zh) | 2014-12-10 | 2014-12-10 | 一种基于用户多种行为反馈的电影推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104462383A CN104462383A (zh) | 2015-03-25 |
CN104462383B true CN104462383B (zh) | 2017-11-21 |
Family
ID=52908418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410753052.6A Active CN104462383B (zh) | 2014-12-10 | 2014-12-10 | 一种基于用户多种行为反馈的电影推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104462383B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372235A (zh) * | 2016-09-12 | 2017-02-01 | 中国联合网络通信集团有限公司 | 电影推荐方法及其系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203916B (zh) * | 2016-03-17 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种用户信用模型建立方法及装置 |
CN106095987A (zh) * | 2016-06-20 | 2016-11-09 | 广州中大电讯科技有限公司 | 一种基于社区网络的内容个性化推送方法及系统 |
CN106126669B (zh) * | 2016-06-28 | 2019-07-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
CN107368540A (zh) * | 2017-06-26 | 2017-11-21 | 北京理工大学 | 基于用户自相似度的多模型相结合的电影推荐方法 |
CN108960954B (zh) * | 2017-08-03 | 2021-09-14 | 中国人民解放军国防科学技术大学 | 一种基于用户群行为反馈的内容推荐方法及推荐系统 |
CN107741986B (zh) * | 2017-10-25 | 2021-12-24 | 阿里巴巴(中国)有限公司 | 用户行为预测及相应信息推荐方法和装置 |
CN108419100B (zh) * | 2018-01-29 | 2020-10-02 | 山东云缦智能科技有限公司 | 一种用户电影播放行为相似度的获取方法及系统 |
CN110111167A (zh) * | 2018-02-01 | 2019-08-09 | 北京京东尚科信息技术有限公司 | 一种确定推荐对象的方法和装置 |
CN109118270B (zh) * | 2018-07-12 | 2021-04-06 | 北京猫眼文化传媒有限公司 | 一种数据提取方法及装置 |
CN112419102A (zh) * | 2018-11-02 | 2021-02-26 | 中国计量大学 | 基于手机app的酒店个性化智能照明装置 |
CN110059222B (zh) * | 2019-04-24 | 2021-10-08 | 中山大学 | 一种基于协同过滤的视频标签添加方法 |
CN110059219A (zh) * | 2019-05-24 | 2019-07-26 | 广东工业大学 | 一种视频偏好预测方法、装置、设备及可读存储介质 |
CN110851718B (zh) * | 2019-11-11 | 2022-06-28 | 重庆邮电大学 | 一种基于长短时记忆网络以及用户评论的电影推荐方法 |
CN111625713B (zh) * | 2020-04-30 | 2024-06-04 | 平安国际智慧城市科技股份有限公司 | 基于大数据的资源推荐方法、装置、电子设备及介质 |
CN113705873B (zh) * | 2021-08-18 | 2024-01-19 | 中国科学院自动化研究所 | 影视作品评分预测模型的构建方法及评分预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐系统及方法 |
CN102289478A (zh) * | 2011-08-01 | 2011-12-21 | 江苏广播电视大学 | 基于模糊聚类的视频点播推荐系统及方法 |
-
2014
- 2014-12-10 CN CN201410753052.6A patent/CN104462383B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐系统及方法 |
CN102289478A (zh) * | 2011-08-01 | 2011-12-21 | 江苏广播电视大学 | 基于模糊聚类的视频点播推荐系统及方法 |
Non-Patent Citations (4)
Title |
---|
一种利用Vague集理论改进的协同过滤推荐算法;张慧颖,薛福亮;《现代图书情报技术》;20120325(第2012年03期);全文 * |
动态推荐技术的研究及在个性化电子警务中的应用;董红丽;《中国优秀硕士学位论文全文数据库》;20120215(第2012年02期);正文第15页表3-1,第30页第1-2段 * |
基于多维度权重动态更新的用户兴趣模型;任保宁,梁永全,赵建立,廉文娟,李玉军;《计算机工程》;20140915(第2014年09期);全文 * |
基于用户兴趣模型的协同过滤推荐算法;梁天一,梁永全,樊健聪,赵建立;《计算机应用与软件》;20141115(第2014年11期);正文第2页第2.4节第1-3段 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372235A (zh) * | 2016-09-12 | 2017-02-01 | 中国联合网络通信集团有限公司 | 电影推荐方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104462383A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN108363804B (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
CN104935963B (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
CN104966125B (zh) | 一种社交网络的物品评分及推荐方法 | |
CN109190030B (zh) | 融合node2vec和深度神经网络的隐式反馈推荐方法 | |
CN111881363B (zh) | 一种基于图交互网络的推荐方法 | |
Jiao et al. | A novel learning rate function and its application on the SVD++ recommendation algorithm | |
CN103971161B (zh) | 基于柯西分布量子粒子群的混合推荐方法 | |
CN105354260B (zh) | 一种融合社会网络和项目特征的移动应用推荐方法 | |
CN107203590B (zh) | 基于改进nsga-ii的个性化电影推荐方法 | |
CN110879864A (zh) | 一种基于图神经网络和注意力机制的上下文推荐方法 | |
Li et al. | Content-based filtering recommendation algorithm using HMM | |
CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
CN109903138B (zh) | 一种个性化商品推荐方法 | |
US9147009B2 (en) | Method of temporal bipartite projection | |
CN106294859A (zh) | 一种基于属性耦合矩阵分解的项目推荐方法 | |
CN106127506B (zh) | 一种基于主动学习解决商品冷启动问题的推荐方法 | |
CN108053050A (zh) | 点击率预估方法、装置、计算设备及存储介质 | |
CN112612951B (zh) | 一种面向收益提升的无偏学习排序方法 | |
CN104572915B (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
CN110059257B (zh) | 基于评分修正的项目推荐方法 | |
CN104462597B (zh) | 一种综合用户正负性评分和评分偏好因子的协同过滤方法 | |
CN110309864B (zh) | 一种融合局部相似度和全局相似度的协同过滤推荐方法 | |
CN111090781A (zh) | 一种动态社交网络中的链路预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |