CN104679835B - 一种基于多视图哈希的图书推荐方法 - Google Patents
一种基于多视图哈希的图书推荐方法 Download PDFInfo
- Publication number
- CN104679835B CN104679835B CN201510065111.5A CN201510065111A CN104679835B CN 104679835 B CN104679835 B CN 104679835B CN 201510065111 A CN201510065111 A CN 201510065111A CN 104679835 B CN104679835 B CN 104679835B
- Authority
- CN
- China
- Prior art keywords
- user
- mrow
- hash
- books
- mover
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000003542 behavioural effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 241000288113 Gallirallus australis Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多视图哈希的图书推荐方法,包括如下步骤:1)从日志收集系统中筛选出用户在两个视图上的行为数据,包括图书点击数据和搜索数据;2)构建用户在点击和搜索视图上的用户特征向量;3)利用两个视图的行为数据,通过多视图哈希算法得到用户哈希编码、哈希函数以及两个视图的权重;4)利用得到的用户哈希编码为目标用户寻找相似用户;5)得到相似用户点击的图书集合,作为推荐候选列表,计算目标用户对图书的偏好程度,返回目标用户偏好程度最大的前N本图书。本发明可以将用户在两个视图的行为数据整合到哈希编码中,提高图书推荐准确性;另一方面,哈希编码的汉明距离计算速度很快,可以提高图书推荐的效率。
Description
技术领域
本发明涉及基于多视图哈希的图书推荐技术,尤其涉及一种基于多视图哈希的图书推荐方法。
背景技术
随着信息技术的发展,内容的创建和分享变得越来越容易,这可以让人们获得更多的信息,满足了人们的需求,但是用户在面对互联网上的海量信息时,无法准确地从中获得自己需要的信息,这会使互联网上信息的利用效率下降,这就是所谓的信息过载问题。个性化推荐系统的出现就是为了解决这个问题的。推荐系统会根据用户的信息,分析用户的信息需求点、兴趣爱好点,将特定的一些产品或者信息推荐给用户。数字图书馆的用户在面对大量增长的在线图书资源时,也会面临这个问题,即用户不知道如何寻找自己感兴趣的书籍。
挖掘用户的兴趣点通常是根据用户历史的行为数据,传统的方法一般是利用了用户在某一个视图上的数据,而没有考虑将多个视图的用户行为数据整合在一起,另一方面,传统的推荐方法是基于高维的特征向量来计算的,效率不高。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于多视图哈希的图书推荐方法。
本发明的目的是通过以下技术方案来实现的:一种基于多视图哈希的图书推荐方法,包括以下步骤:
(1)从日志收集系统中筛选出用户在两个视图上的行为数据,包括图书点击数据和搜索数据;
(2)利用用户的点击数据和搜索数据,构建用户在点击视图和搜索视图上的用户特征向量;
(3)利用用户在两个视图上的用户特征向量,通过多视图哈希算法学习得到用户的哈希编码、两个视图上的哈希函数以及各个视图的权重;
(4)利用得到的用户哈希编码为目标用户寻找相似用户;
(5)得到相似用户的图书集合,作为推荐图书的候选列表,计算目标用户对候选列表中的图书的偏好程度,返回目标用户偏好程度最大的前N本图书。
进一步地,所述的步骤2具体为:从用户点击数据中得到所有用户的图书点击集合B={b1,b2,...,bx},其中x为图书总数,再根据用户点击数据和B,构建出每个用户点击视图的特征向量X1,X1=[I1,I2,...,Ix]其中利用所有用户的搜索数据,首先将用户所有的搜索词分词,得到所有用户的搜索词集合Q={q1,q2,...,qy},y表示分词后所有搜索词个数,然后利用工具word2Vec以及weka将这些词聚类,得到a个类,a为自然数,最后构建出用户在搜索视图的特征向量X2,X2=[I1,I2,...,Ia],其中Ij=用户的搜索词在类j中的占比,j=1,2,…,a。
进一步地,所述的步骤3包括以下子步骤:
(3.1)初始化点击视图和搜索视图的权重αp,αp=0.5,p=1,2;
(3.2)根据X1和X2构建链接矩阵
(3.3)根据构建正规图拉普拉斯矩阵
(3.4)计算得到
(3.5)计算矩阵H(α)的k个对应特征值最小的特征向量,k为最终用户哈希编码的位数;根据特征向量生成用户哈希编码矩阵U;
(3.6)计算得到哈希函数
(3.7)根据二次规划方法更新权重α;如果没有收敛,重复步骤3.4到步骤3.7,如果已经收敛,则得到最终的
进一步地,所述的步骤4具体为:目标用户的哈希编码如果可在步骤3生成的U中找到,则直接计算目标用户与U中的所有其他用户的哈希编码之间的汉明距离,否则首先得到目标用户两个视图的特征向量,再利用步骤3中得到的哈希函数和权重α生成哈希编码,然后计算目标用户与U中的所有用户的哈希编码之间的汉明距离;根据汉明距离从小到大排序,选前M个用户作为目标用户的相似用户,得到相似用户集合Usim,M为自然数。
进一步地,所述的步骤5包括以下子步骤:
(5.1)将相似用户集合Usim中所有用户对应的图书集合进行合并,去除目标用户已经点击过的图书,组成推荐结果的候选集合Icandidate;
(5.2)对于候选集合Icandidate中的每一本图书,计算目标用户对该图书的喜好程度,用Score(item)来衡量,计算公式如下:
其中,dist(u)表示用户u和目标用户哈希编码之间的汉明距离,即衡量用户u与目标用户之间的相似度,指示函数I(item∈Vu)表示图书item是否位于用户u对应的特征向量中,Vu表示用户u点击过的所有图书,指示函数I(item∈Vu)为:
(5.3)根据步骤5.2计算得到的Score(item),将候选图书排序,将前N本图书推荐给目标用户。
本发明的有益效果是:本发明根据异构的数字图书馆用户行为数据以及应用场景,将多视图哈希算法引入到推荐系统中,整合用户在两个视图上的行为数据,既保证用户之间原有的相似性,又将异构数据融合在一起,提高推荐系统的准确性;同时,用户用二进制编码表示以后,相似用户的查找只需要作“异或”操作,计算效率也得到很大的提高,具体地说是将用户表示成哈希编码,然后运用在最近邻用户的查找上,从而高效地为用户提供图书推荐,这样既充分利用了数字图书馆的在线电子资源,也更好地满足了用户的阅读需求。
附图说明
图1是本发明基于多视图哈希的图书推荐方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明一种基于多视图哈希的图书推荐方法,包括以下步骤:
(1)从日志收集系统中筛选出用户在两个视图上的行为数据,包括图书点击数据和搜索数据;
(2)利用用户的点击数据和搜索数据,构建用户在点击视图和搜索视图上的用户特征向量,具体为:从用户点击数据中得到所有用户的图书点击集合B={b1,b2,...,bx},其中x为图书总数,再根据用户点击数据和B,构建出每个用户点击视图的特征向量X1,X1=[I1,I2,...,Ix]其中利用所有用户的搜索数据,首先将用户所有的搜索词分词,得到所有用户的搜索词集合Q={q1,q2,...,qy},y表示分词后所有搜索词个数,然后利用工具word2Vec以及weka将这些词聚类,得到a个类,a为自然数,a的选择一般大于哈希编码位数,最后构建出用户在搜索视图的特征向量X2,X2=[I1,I2,...,Ia],其中Ij=用户的搜索词在类j中的占比,j=1,2,…,a。
(3)利用用户在两个视图上的用户特征向量,通过多视图哈希算法学习得到用户的哈希编码、两个视图上的哈希函数以及各个视图的权重,具体包括以下子步骤:
(3.1)初始化点击视图和搜索视图的权重αp,αp=0.5,p=1,2;
(3.2)根据X1和X2构建链接矩阵
(3.3)根据构建正规图拉普拉斯矩阵
(3.4)计算得到
(3.5)计算矩阵H(α)的k个对应特征值最小的特征向量,k为最终用户哈希编码的位数;根据特征向量生成用户哈希编码矩阵U;
(3.6)计算得到哈希函数
(3.7)根据二次规划方法更新权重α;如果没有收敛,重复步骤3.4到步骤3.7,如果已经收敛,则得到最终的
(4)利用得到的用户哈希编码为目标用户寻找相似用户,具体为:目标用户的哈希编码如果可在步骤3生成的U中找到,则直接计算目标用户与U中的所有其他用户的哈希编码之间的汉明距离,否则首先得到目标用户两个视图的特征向量,再利用步骤3中得到的哈希函数和权重α生成哈希编码,然后计算目标用户与U中的所有用户的哈希编码之间的汉明距离;根据汉明距离从小到大排序,排名越靠前的用户则越相似,选前M个用户作为目标用户的相似用户,得到相似用户集合Usim,M为自然数。M可以根据用户总数调整,一般为用户总数的10%左右。
(5)得到相似用户的图书集合,作为推荐图书的候选列表,计算目标用户对候选列表中的图书的偏好程度,返回目标用户偏好程度最大的前N本图书,N为自然数。该步骤具体包括以下子步骤:
(5.1)将相似用户集合Usim中所有用户对应的图书集合进行合并,去除目标用户已经点击过的图书,组成推荐结果的候选集合Icandidate;
(5.2)对于候选集合Icandidate中的每一本图书,计算目标用户对该图书的喜好程度,用Score(item)来衡量,计算公式如下:
其中,dist(u)表示用户u和目标用户哈希编码之间的汉明距离,即衡量用户u与目标用户之间的相似度,指示函数I(item∈Vu)表示图书item是否位于用户u对应的特征向量中,Vu表示用户u点击过的所有图书,指示函数I(item∈Vu)为:
(5.3)根据步骤5.2计算得到的Score(item),将候选图书排序,将前N本图书推荐给目标用户。由于在实际的图书推荐系统中,推荐给用户的图书不可能太多,因此,N的选择一般为10到20。
Claims (4)
1.一种基于多视图哈希的图书推荐方法,其特征在于,包括以下步骤:
(1)从日志收集系统中筛选出用户在两个视图上的行为数据,包括图书点击数据和搜索数据;
(2)利用用户的点击数据和搜索数据,构建用户在点击视图的特征向量X1和在搜索视图的特征向量X2;
(3)利用用户在两个视图上的用户特征向量,通过多视图哈希算法学习得到用户的哈希编码、两个视图上的哈希函数以及各个视图的权重;该步骤包括以下子步骤:
(3.1)初始化点击视图和搜索视图的权重αp,αp=0.5,p=1,2;
(3.2)根据X1和X2构建链接矩阵p=1,2;
(3.3)根据构建正规图拉普拉斯矩阵p=1,2;
(3.4)计算得到
<mrow>
<mi>Q</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
</msub>
<msubsup>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
</msub>
</mrow>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mover>
<mi>L</mi>
<mo>~</mo>
</mover>
<mi>p</mi>
</msub>
<mo>+</mo>
<mi>I</mi>
<mo>-</mo>
<msup>
<mi>Q</mi>
<mi>T</mi>
</msup>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
</msub>
<mo>-</mo>
<msubsup>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
<mi>T</mi>
</msubsup>
<mi>Q</mi>
<mo>+</mo>
<msup>
<mi>Q</mi>
<mi>T</mi>
</msup>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
</msub>
<msubsup>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>&alpha;</mi>
<mi>T</mi>
</msubsup>
<mi>Q</mi>
<mo>+</mo>
<msup>
<mi>Q</mi>
<mi>T</mi>
</msup>
<mi>Q</mi>
</mrow>
(3.5)计算矩阵H(α)的k个对应特征值最小的特征向量,k为最终用户哈希编码的位数;根据特征向量生成用户哈希编码矩阵U;
(3.6)计算得到哈希函数
(3.7)根据二次规划方法更新权重α;如果没有收敛,重复步骤(3.4)到步骤(3.7),如果已经收敛,则得到最终的U,α;
(4)利用得到的用户哈希编码为目标用户寻找相似用户;
(5)得到相似用户的图书集合,作为推荐图书的候选列表,计算目标用户对候选列表中的图书的偏好程度,返回目标用户偏好程度最大的前N本图书。
2.根据权利要求1所述一种基于多视图哈希的图书推荐方法,其特征在于,所述的步骤(2)具体为:从用户点击数据中得到所有用户的图书点击集合B={b1,b2,...,bx},其中x为图书总数,再根据用户点击数据和B,构建出每个用户点击视图的特征向量X1,X1=[I1,I2,...,Ix],其中i=1,2,…x;利用所有用户的搜索数据,首先将用户所有的搜索词分词,得到所有用户的搜索词集合Q={q1,q2,...,qy},y表示分词后所有搜索词个数,然后利用工具word2Vec以及weka将这些词聚类,得到a个类,a为自然数,最后构建出用户在搜索视图的特征向量X2,X2=[I1,I2,...,Ia],其中Ij=用户的搜索词在类j中的占比,j=1,2,…,a。
3.根据权利要求1所述一种基于多视图哈希的图书推荐方法,其特征在于,所述的步骤(4)具体为:目标用户的哈希编码如果可在步骤(3)生成的U中找到,则直接计算目标用户与U中的所有其他用户的哈希编码之间的汉明距离,否则首先得到目标用户两个视图的特征向量,再利用步骤(3)中得到的哈希函数和权重α生成哈希编码,然后计算目标用户与U中的所有用户的哈希编码之间的汉明距离;根据汉明距离从小到大排序,选前M个用户作为目标用户的相似用户,得到相似用户集合Usim,M为自然数。
4.根据权利要求1所述一种基于多视图哈希的图书推荐方法,其特征在于,所述的步骤(5)包括以下子步骤:
(5.1)将相似用户集合Usim中所有用户对应的图书集合进行合并,去除目标用户已经点击过的图书,组成推荐结果的候选集合Icandidate;
(5.2)对于候选集合Icandidate中的每一本图书,计算目标用户对该图书的喜好程度,用Score(item)来衡量,计算公式如下:
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
<mi>si</mi>
<mi>m</mi>
</mrow>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mo>&Element;</mo>
<mi>V</mi>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
<mi>si</mi>
<mi>m</mi>
</mrow>
</munder>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mo>&Element;</mo>
<mi>V</mi>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,dist(u)表示用户u和目标用户哈希编码之间的汉明距离,即衡量用户u与目标用户之间的相似度,指示函数I(item∈Vu)表示图书item是否位于用户u对应的特征向量中,Vu表示用户u点击过的所有图书,指示函数I(item∈Vu)为:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mo>&Element;</mo>
<mi>V</mi>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mo>&Element;</mo>
<mi>V</mi>
<mi>u</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mo>&NotElement;</mo>
<mi>V</mi>
<mi>u</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
(5.3)根据步骤(5.2)计算得到的Score(item),将候选图书排序,将前N本图书推荐给目标用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510065111.5A CN104679835B (zh) | 2015-02-09 | 2015-02-09 | 一种基于多视图哈希的图书推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510065111.5A CN104679835B (zh) | 2015-02-09 | 2015-02-09 | 一种基于多视图哈希的图书推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104679835A CN104679835A (zh) | 2015-06-03 |
CN104679835B true CN104679835B (zh) | 2017-10-31 |
Family
ID=53314877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510065111.5A Active CN104679835B (zh) | 2015-02-09 | 2015-02-09 | 一种基于多视图哈希的图书推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104679835B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452809B (zh) * | 2015-08-04 | 2021-07-13 | 北京奇虎科技有限公司 | 一种数据处理方法和装置 |
CN105956093B (zh) * | 2016-04-29 | 2019-04-30 | 浙江大学 | 一种基于多视图锚点图哈希技术的个性化推荐方法 |
CN106326388A (zh) * | 2016-08-17 | 2017-01-11 | 乐视控股(北京)有限公司 | 一种信息处理方法和装置 |
CN106503864A (zh) * | 2016-11-10 | 2017-03-15 | 国网山东省电力公司济南供电公司 | 一种支撑配网故障主动抢修的分级预测与预警方法 |
CN107122411B (zh) * | 2017-03-29 | 2020-08-14 | 浙江大学 | 一种基于离散多视图哈希的协同过滤推荐方法 |
CN107330459B (zh) * | 2017-06-28 | 2021-09-14 | 联想(北京)有限公司 | 一种数据处理方法、装置和电子设备 |
CN110020124B (zh) * | 2017-10-20 | 2021-09-07 | 北京京东尚科信息技术有限公司 | 用于相关产品挖掘的方法及装置 |
CN108228833B (zh) * | 2018-01-04 | 2021-08-03 | 浙江大学 | 一种利用用户倾向性学习解决社区项目推荐任务的方法 |
CN110209922B (zh) * | 2018-06-12 | 2023-11-10 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
CN111695917A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、电子设备和存储介质 |
CN110674333B (zh) * | 2019-08-02 | 2022-04-01 | 杭州电子科技大学 | 基于多视图增强深度哈希的大规模图像高速检索方法 |
CN112085158A (zh) * | 2020-07-21 | 2020-12-15 | 西安工程大学 | 一种基于堆栈降噪自编码器的图书推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007323622A (ja) * | 2006-05-31 | 2007-12-13 | Tokuaki Matsuo | 研究者支援システム |
CN102902744A (zh) * | 2012-09-17 | 2013-01-30 | 杭州东信北邮信息技术有限公司 | 一种图书推荐方法 |
CN103793419A (zh) * | 2012-10-31 | 2014-05-14 | 深圳市世纪光速信息技术有限公司 | 信息推送的方法和装置 |
CN103886048A (zh) * | 2014-03-13 | 2014-06-25 | 浙江大学 | 一种基于聚类的增量数字图书推荐方法 |
-
2015
- 2015-02-09 CN CN201510065111.5A patent/CN104679835B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007323622A (ja) * | 2006-05-31 | 2007-12-13 | Tokuaki Matsuo | 研究者支援システム |
CN102902744A (zh) * | 2012-09-17 | 2013-01-30 | 杭州东信北邮信息技术有限公司 | 一种图书推荐方法 |
CN103793419A (zh) * | 2012-10-31 | 2014-05-14 | 深圳市世纪光速信息技术有限公司 | 信息推送的方法和装置 |
CN103886048A (zh) * | 2014-03-13 | 2014-06-25 | 浙江大学 | 一种基于聚类的增量数字图书推荐方法 |
Non-Patent Citations (1)
Title |
---|
Exploiting semantic web technologies for recommender systems a multi view recommendation engine;Houda OUFAIDA 等;《ITWP"09 Proceedings of the 7th International Conference on Intelligent Techniques for Web Personalization & Recommender Systems》;20090717;87-92 * |
Also Published As
Publication number | Publication date |
---|---|
CN104679835A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104679835B (zh) | 一种基于多视图哈希的图书推荐方法 | |
CN109166017A (zh) | 基于重聚类的推送方法、装置、计算机设备及存储介质 | |
CN104156450B (zh) | 一种基于用户网络数据的物品信息推荐方法 | |
CN105469096B (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
CN103729359B (zh) | 一种推荐搜索词的方法及系统 | |
CN103886048B (zh) | 一种基于聚类的增量数字图书推荐方法 | |
JP5962926B2 (ja) | レコメンダシステム、レコメンド方法、及びプログラム | |
CN107169873B (zh) | 一种多特征融合的微博用户权威度评价方法 | |
CN105956093B (zh) | 一种基于多视图锚点图哈希技术的个性化推荐方法 | |
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN104834686A (zh) | 一种基于混合语义矩阵的视频推荐方法 | |
CN104281956A (zh) | 基于时间信息的适应用户兴趣变化的动态推荐方法 | |
CN103177382B (zh) | 微博平台上的关键传播路径和中心节点的探测方法 | |
CN104915861A (zh) | 基于评分和标签构建用户群体模型的电子商务推荐方法 | |
CN101986299A (zh) | 基于超图的多任务个性化网络服务方法 | |
CN106294590A (zh) | 一种基于半监督学习的社交网络垃圾用户过滤方法 | |
CN106446189A (zh) | 一种资讯推荐方法及系统 | |
CN107122411A (zh) | 一种基于离散多视图哈希的协同过滤推荐方法 | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN102521420B (zh) | 基于偏好模型的社会化过滤方法 | |
Dev et al. | Recommendation system for big data applications based on set similarity of user preferences | |
CN103678548B (zh) | 基于组合模式的失效服务替代推荐方法 | |
CN105590234A (zh) | 一种向目标用户推荐商品的方法和系统 | |
CN106919647A (zh) | 一种基于聚类的网络结构相似性推荐方法 | |
CN113362034B (zh) | 一种职位推荐方法 |
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 |