CN104966125B - 一种社交网络的物品评分及推荐方法 - Google Patents
一种社交网络的物品评分及推荐方法 Download PDFInfo
- Publication number
- CN104966125B CN104966125B CN201510228294.8A CN201510228294A CN104966125B CN 104966125 B CN104966125 B CN 104966125B CN 201510228294 A CN201510228294 A CN 201510228294A CN 104966125 B CN104966125 B CN 104966125B
- Authority
- CN
- China
- Prior art keywords
- user
- article
- scoring
- matrix
- group
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种社交网络的物品评分及推荐方法,包括以下步骤:1)根据用户组U对已评分的物品组I的评分值建立用户‑物品评分二部图,计算用户组U中两用户间的相似度,并预测用户组U中的目标用户u对待评分物品j的评分,并得到预测用户‑物品评分二部图;2)根据用户组U的社交网络建立用户‑用户好友关系不可分图,并根据预测用户‑物品评分二部图和用户‑用户好友关系不可分图计算得到用户‑物品评分矩阵R和用户‑用户好友关系矩阵A。3)选定一个权值a,通过同一化A和R来建立物品推荐融合矩阵X;4)根据物品推荐融合矩阵X,向用户组U中的目标用户u推荐物品。与现有技术相比,本发明具有方法先进、可行性高等优点。
Description
技术领域
本发明涉及一种物品推荐方法,尤其是涉及一种社交网络的物品评分及推荐方法。
背景技术
近年来随着社交网络的迅速发展,信息过载问题日趋严重,基于社交网络数据进行物品推荐和评分预测算法已经成为了学术界和工业界的一个研究热点和重点。
P.Resnick等人实现了基于用户的协同过滤算法,利用用户之间偏好的相似度形成最近邻用户,根据最近邻用户的物品列表从而对目标用户进行物品推荐。基于用户的协同过滤算法是推荐系统中最古老的算法,曾被GroupLense用于新闻过滤。B.Sarwar等人实现了基于物品的协同过滤算法,构建物品之间的相似度,根据物品的相似度和用户的历史行为给用户生成推荐列表。现在大多数推荐系统都按照上述两种协同过滤的推荐思路,结合其他因素或特性建立模型,进行混合推荐。Deshpande等人将基于物品的协同过滤算法与基于条件概率相似度和余弦相似度相结合,进行物品推荐。Li Lei等人采用局部敏感哈希算法和层次聚类算法对新闻进行预处理,然后结合基于用户的协同过滤算法对用户产生推荐列表。
另一方面,有许多研究工作利用社交网络不可分图和二分图结构进行评分预测。J.Golbeck等人通过将协同过滤中的评分数据和基于信任的社交网络数据相结合,并采用改善的宽度优先算法遍历信任网络预测目标用户的评分情况,最终提高了物品推荐的准确率。H.Li等人采用向量包括物品社区规模、用户连通性、社会背景、类别排名历史、进化距离和平均评分六个特征,从而预测用户的评分情况。Vasuki等人基于用户之间的好友关系以及用户群组之间的关联,提出了一种好友/群组推荐方法,他们建立了两种模型:一种是基于邻近图结构,另一种是基于用户和群组之间的潜在影响因子。Jamali和Ester采用了矩阵因子分解方法和信任传播机制在社交网络中进行物品推荐,但是他们没有在理论上给出面对多个社交网络的融合机制。本发明结合了社交网络不可分图和二分图多模式结构,实现对目标用户的评分预测和物品推荐。
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方法先进、可行性高、多模式的社交网络的物品评分及推荐方法。
本发明的目的可以通过以下技术方案来实现:
一种社交网络的物品评分及推荐方法,包括以下步骤:
1)根据用户组U对已评分的物品组I的评分值建立用户-物品评分二部图,计算用户组U中两用户间的相似度,并预测用户组U中的目标用户u对待评分物品j的评分,并得到预测用户-物品评分二部图;
2)根据用户组U的社交网络建立用户-用户好友关系不可分图,并根据预测用户-物品评分二部图和用户-用户好友关系不可分图计算得到用户-物品评分矩阵R和用户-用户好友关系矩阵A;
3)选定一个权值a,通过同一化A和R来建立物品推荐融合矩阵X;
4)根据物品推荐融合矩阵X,向用户组U中的目标用户u推荐物品。
所述的步骤1)具体包括以下步骤:
11)根据用户-物品评分二部图获得用户组U中的普通用户v和目标用户u分别对物品组I的打分向量rv,I和ru,I;
12)计算普通用户v和目标用户u之间的关于物品组I的用户评分相似度sim(u,v),sim(u,v)的计算式为:
13)根据sim(u,v)预测目标用户u对物品组I中的待评分物品j的评分ru,j,ru,j的计算式为:
其中,rv,j为普通用户v对待评分物品j的评分。
所述的步骤2)具体包括以下步骤:
21)根据预测用户-物品评分二部图计算用户-物品评分矩阵R,R中元素的计算式为:
rij=sim(Ui,Uj)
其中,Ui、Uj分别为用户组U中的节点用户;
22)根据用户-用户好友关系不可分图计算用户-用户好友关系矩阵A,A中元素aij的计算式为:
其中,deg(Ui)、deg(Uj)分别为在用户-用户好友关系不可分图中的节点用户Ui和Uj的度。
所述的步骤3)具体包括以下步骤:
31)将A和R作同一化处理分别得到A′和R′,A′和R′的计算式为:
其中,mA为矩阵A的平均值,sA为矩阵A的标准差,mR为矩阵R的平均值,sR为矩阵R的标准差;
32)选定权值a,a的计算式为:
其中,dA为基于用户-用户好友关系矩阵的协同系数,localA为在用户-用户好友关系不可分图中,和目标用户具有好友关系的用户数(目标用户的度)与所有用户数n的比值,globalA为所有用户的度与所有用户数平方n2的比值,dR为用户-物品评分矩阵的协同系数,localR为目标用户有评分记录的物品数量与所有物品数量的比值,globalR为所有被用户打过分的物品数量与用户数量和所有物品数量乘积的比值;
33)计算物品推荐融合矩阵X,X中的元素xij的计算式为:
xij=(1-a)aij+arij
即X=(1-a)A+aR
其中,xij为物品推荐融合相似度。
所述的步骤4)具体包括以下步骤:
41)根据物品推荐融合矩阵X中的元素xij找出与目标用户u相似度最接近的前m个用户,并且获得前m个用户um的物品推荐融合相似度Sm;
42)计算目标用户u对未评分物品组J中的n个未评分物品jn的评分的计算式为:
其中,avgu为目标用户u的所有已评分的平均值,为用户um对未评分物品jn的评分,为用户um的所有已评分的平均值。
与现有技术相比,本发明具有以下优点:
一、方法先进:本方法通过加权的方式将用户-物品评分二部图和用户-用户好友关系不可分图结合起来,综合考虑,最终将待推荐物品按评分高低的顺序推荐给目标用户,考虑全面。
二、可行性高:本方法可以适用于多种物品推荐场合,包括购物网站、好友圈等场合,适用范围广。
附图说明
图1为本发明的方法流程图。
图2为用户-物品评分二部图。
图3为用户-用户好友关系不可分图。
图4为基于多模式的物品推荐和评分预测图。
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,一种社交网络的物品评分及推荐方法,包括以下步骤:
1)根据用户组U对已评分的物品组I的评分值建立用户-物品评分二部图,计算用户组U中两用户间的相似度,并预测用户组U中的目标用户u对待评分物品j的评分,并得到预测用户-物品评分二部图,具体包括以下步骤:
11)根据用户-物品评分二部图获得用户组U中的普通用户v和目标用户u分别对物品组I的打分向量rv,I和ru,I;
12)计算普通用户v和目标用户u之间的关于物品组I的用户评分相似度sim(u,v),sim(u,v)的计算式为:
13)根据sim(u,v)预测目标用户u对物品组I中的待评分物品j的评分ru,j,ru,j的计算式为:
其中,rv,j为普通用户v对待评分物品j的评分;
2)根据用户组U的社交网络建立用户-用户好友关系不可分图,并根据预测用户-物品评分二部图和用户-用户好友关系不可分图计算得到用户-物品评分矩阵R和用户-用户好友关系矩阵A,具体包括以下步骤:
21)根据预测用户-物品评分二部图计算用户-物品评分矩阵R,R中元素的计算式为:
rij=sim(Ui,Uj)
其中,Ui、Uj分别为用户组U中的节点用户;
22)根据用户-用户好友关系不可分图计算用户-用户好友关系矩阵A,A中元素aij的计算式为:
其中,deg(Ui)、deg(Uj)分别为在用户-用户好友关系不可分图中的节点用户Ui和Uj的度;
3)选定一个权值a,通过同一化A和R来建立物品推荐融合矩阵X,具体包括以下步骤:
31)将A和R作同一化处理分别得到A′和R′,A′和R′的计算式为:
其中,mA为矩阵A的平均值,sA为矩阵A的标准差,mR为矩阵R的平均值,sR为矩阵R的标准差;
32)选定权值a,a的计算式为:
其中,dA为基于用户-用户好友关系矩阵的协同系数,localA为在用户-用户好友关系不可分图中,和目标用户具有好友关系的用户数(目标用户的度)与所有用户数n的比值,globalA为所有用户的度与所有用户数平方n2的比值,dR为用户-物品评分矩阵的协同系数,localR为目标用户有评分记录的物品数量与所有物品数量的比值,globalR为所有被用户打过分的物品数量与用户数量和所有物品数量乘积的比值;
33)计算物品推荐融合矩阵X,X中的元素xij的计算式为:
xij=(1-a)aij+arij
即X=(1-a)A+aR
其中,xij为物品推荐融合相似度;
4)根据物品推荐融合矩阵X,向用户组U中的目标用户u推荐物品,具体包括以下步骤:
41)根据物品推荐融合矩阵X中的元素xij找出与目标用户u相似度最接近的前m个用户,并且获得前m个用户um的物品推荐融合相似度Sm;
42)计算目标用户u对未评分物品组J中的n个未评分物品jn的评分的计算式为:
其中,avgu为目标用户u的所有已评分的平均值,为用户um对未评分物品jn的评分,为用户um的所有已评分的平均值。
本发明设计并实现一种多模式的物品推荐与评分预测技术,主要由三个部分组成:基于用户-物品评分二部图的评分预测,基于用户-用户好友关系不可分图的评分预测,以及自动加权策略。
如图2所示,在社交评分网络中,根据用户对物品的打分行为,构建用户-物品评分二部图吗,其中U表示用户,I表示物品,从而得到用户-物品评分矩阵,如表1所示。根据用户-物品评分矩阵计算用户之间的相似度,对目标用户产生推荐结果并进行评分预测。
表1用户-物品评分矩阵
表1用户-物品评分矩阵
I1 | I2 | |
U1 | 4 | 5 |
U2 | 2 | 1 |
U3 | 3 | ? |
如图3所示,同样的,根据社交评分网络中用户与用户之间的好友关系,构建用户-用户好友关系不可分图,得到用户-用户好友关系矩阵,如表2所示,计算用户之间的相似度,对目标用户产生推荐结果并进行评分预测。
表2用户-用户好友关系矩阵
U1 | U2 | U3 | |
U1 | 0 | 1 | 1 |
U2 | 1 | 0 | 0 |
U3 | 1 | 0 | 0 |
如图4所示,本发明将异构的用户-物品评分二部图和用户-用户好友关系不可分图两者相结合。
但由于用户-物品评分矩阵二部图和用户-用户好友关系不可分图会以不同程度影响最终整体的物品推荐和评分预测结果,同时社交网络中存在大量噪声和无关信息,因此本发明将上述两者相结合时引入一种基于网络结构密度的自动化加权策略,尤其考虑了用户配置文件的结构密度以及网络结构密度,因此对于每个目标用户,本发明都能自动化调整社交网络结构对其推荐结果和评分预测结果的影响,最终提高推荐结果和评分预测的准确率和召回率。
Claims (5)
1.一种社交网络的物品评分及推荐方法,其特征在于,包括以下步骤:
1)根据用户组U对已评分的物品组I的评分值建立用户-物品评分二部图,计算用户组U中普通用户v和目标用户u之间的关于物品组I的用户评分相似度,并预测用户组U中的目标用户u对待评分物品j的评分,并得到预测用户-物品评分二部图;
2)根据用户组U的社交网络建立用户-用户好友关系不可分图,并根据预测用户-物品评分二部图和用户-用户好友关系不可分图计算得到用户-物品评分矩阵R和用户-用户好友关系矩阵A;
3)选定一个权值a,通过同一化A和R来建立物品推荐融合矩阵X;
4)根据物品推荐融合矩阵X,向用户组U中的目标用户u推荐物品。
2.根据权利要求1所述的一种社交网络的物品评分及推荐方法,其特征在于,所述的步骤1)具体包括以下步骤:
11)根据用户-物品评分二部图获得用户组U中的普通用户v和目标用户u分别对物品组I的打分向量rv,I和ru,I;
12)计算普通用户v和目标用户u之间的关于物品组I的用户评分相似度sim(u,v),sim(u,v)的计算式为:
13)根据sim(u,v)预测目标用户u对物品组I中的待评分物品j的评分ru,j,ru,j的计算式为:
其中,rv,j为普通用户v对待评分物品j的评分。
3.根据权利要求1所述的一种社交网络的物品评分及推荐方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)根据预测用户-物品评分二部图计算用户-物品评分矩阵R,R中元素的计算式为:
rij=sim(Ui,Uj)
其中,Ui、Uj分别为用户组U中的节点用户;
22)根据用户-用户好友关系不可分图计算用户-用户好友关系矩阵A,A中元素aij的计算式为:
其中,deg(Ui)、deg(Uj)分别为在用户-用户好友关系不可分图中的节点用户Ui和Uj的度。
4.根据权利要求1所述的一种社交网络的物品评分及推荐方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)将A和R作同一化处理分别得到A′和R′,A′和R′的计算式为:
其中,mA为矩阵A的平均值,sA为矩阵A的标准差,mR为矩阵R的平均值,sR为矩阵R的标准差;
32)选定权值a,a的计算式为:
其中,dA为基于用户-用户好友关系矩阵的协同系数,localA为在用户-用户好友关系不可分图中,和目标用户具有好友关系的用户数与所有用户数n的比值,globalA为所有用户的度与所有用户数平方n2的比值,dR为用户-物品评分矩阵的协同系数,localR为目标用户有评分记录的物品数量与所有物品数量的比值,globalR为所有被用户打过分的物品数量与用户数量和所有物品数量乘积的比值;
33)计算物品推荐融合矩阵X,X中的元素xij的计算式为:
xij=(1-a)aij+arij
即X=(1-a)A+aR
其中,xij为物品推荐融合相似度。
5.根据权利要求1所述的一种社交网络的物品评分及推荐方法,其特征在于,所述的步骤4)具体包括以下步骤:
41)根据物品推荐融合矩阵X中的元素xij找出与目标用户u相似度最接近的前m个用户,并且获得前m个用户um的物品推荐融合相似度Sm;
42)计算目标用户u对未评分物品组J中的n个未评分物品jn的评分的计算式为:
其中,avgu为目标用户u的所有已评分的平均值,为用户um对未评分物品jn的评分,为用户um的所有已评分的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228294.8A CN104966125B (zh) | 2015-05-06 | 2015-05-06 | 一种社交网络的物品评分及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228294.8A CN104966125B (zh) | 2015-05-06 | 2015-05-06 | 一种社交网络的物品评分及推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966125A CN104966125A (zh) | 2015-10-07 |
CN104966125B true CN104966125B (zh) | 2018-07-24 |
Family
ID=54220159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510228294.8A Expired - Fee Related CN104966125B (zh) | 2015-05-06 | 2015-05-06 | 一种社交网络的物品评分及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966125B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630742B (zh) * | 2015-12-28 | 2019-05-07 | 广州酷狗计算机科技有限公司 | 特征向量计算方法及装置 |
CN106940703B (zh) * | 2016-01-04 | 2020-09-11 | 腾讯科技(北京)有限公司 | 推送信息粗选排序方法及装置 |
CN106227881B (zh) * | 2016-08-04 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及服务器 |
CN106557951A (zh) * | 2016-10-27 | 2017-04-05 | 湖北大学 | 一种物联网电子商务购物数据的处理方法及系统 |
CN106779825A (zh) * | 2016-12-02 | 2017-05-31 | 乐视控股(北京)有限公司 | 一种物品推荐方法、装置及电子设备 |
CN106777069B (zh) * | 2016-12-12 | 2020-04-17 | 浙江工商大学 | 基于矩阵因子分解的个性化推荐方法及推荐系统 |
CN106886559A (zh) * | 2016-12-28 | 2017-06-23 | 浙江浙大网新集团有限公司 | 同时融入好友特征和相似用户特征的协同过滤方法 |
CN106897419A (zh) * | 2017-02-23 | 2017-06-27 | 同济大学 | 融合社交信息的对级排序学习推荐方法 |
CN107507016A (zh) * | 2017-06-29 | 2017-12-22 | 北京三快在线科技有限公司 | 一种消息推送方法和系统 |
CN107369069B (zh) * | 2017-07-07 | 2020-06-05 | 成都理工大学 | 一种基于三角形面积计算模式的商品推荐方法 |
CN108320176A (zh) * | 2017-12-26 | 2018-07-24 | 爱品克科技(武汉)股份有限公司 | 一种基于社会化关系用户分类及推荐方法 |
CN108647985B (zh) * | 2018-03-27 | 2020-06-09 | 阿里巴巴集团控股有限公司 | 一种物品推荐方法和装置 |
CN109166016A (zh) * | 2018-10-12 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于聚类的信息推送方法、装置、计算机设备及存储介质 |
CN110366722A (zh) | 2018-10-17 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 不利用可信初始化器的秘密共享 |
CN109726747B (zh) * | 2018-12-20 | 2021-09-28 | 西安电子科技大学 | 基于社交网络推荐平台的数据融合排序方法 |
CN110489656A (zh) * | 2019-07-02 | 2019-11-22 | 华南师范大学 | 基于模式融合的物品推荐方法、系统及存储介质 |
CN110310185B (zh) * | 2019-07-10 | 2022-02-18 | 云南大学 | 基于加权二部图的大众化和新颖性商品推荐方法 |
CN111209489B (zh) * | 2020-01-06 | 2023-02-14 | 重庆邮电大学 | 一种基于差异化资源分配的二部图推荐方法 |
CN111816276B (zh) * | 2020-07-08 | 2022-07-15 | 平安科技(深圳)有限公司 | 患教教程推荐方法、装置、计算机设备和存储介质 |
CN112330405B (zh) * | 2020-11-10 | 2023-11-24 | 深圳大学 | 一种面向物品集显式反馈的推荐方法、终端及存储介质 |
CN116204729B (zh) * | 2022-12-05 | 2024-05-10 | 武汉光谷康服信息科技有限公司 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
-
2015
- 2015-05-06 CN CN201510228294.8A patent/CN104966125B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
Non-Patent Citations (3)
Title |
---|
一种社交网络中的个体间推荐信任度计算方法;张波等;《南京航空航天大学学报》;20130831;第45卷(第4期);第563-569页 * |
基于用户聚类的异构社交网络推荐算法;陈克寒等;《计算机学报》;20130228;第36卷(第2期);第349-359页 * |
基于谱聚类群组发现的协同过滤推荐算法;李贵等;《计算机科学》;20141130;第41卷(第11A期);第354-358页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104966125A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104966125B (zh) | 一种社交网络的物品评分及推荐方法 | |
CN104281956B (zh) | 基于时间信息的适应用户兴趣变化的动态推荐方法 | |
CN105740430B (zh) | 一种融合社会化信息的个性化推荐方法 | |
CN106682114B (zh) | 一种融合用户信任关系和评论信息的个性化推荐方法 | |
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN106909607B (zh) | 一种基于随机扰动技术的协同过滤群组推荐方法 | |
Lian et al. | A modified colonial competitive algorithm for the mixed-model U-line balancing and sequencing problem | |
CN108427891A (zh) | 基于差分隐私保护的邻域推荐方法 | |
CN102426686A (zh) | 一种基于矩阵分解的互联网信息产品推荐方法 | |
CN103745100A (zh) | 一种基于项目的混合显性隐性反馈的协同过滤推荐算法 | |
CN105512242A (zh) | 一种基于社会网络结构的并行推荐方法 | |
Xu et al. | Minimizing group discordance optimization model for deriving expert weights | |
CN107679239B (zh) | 一种基于用户行为的个性化社区推荐方法 | |
CN110197404B (zh) | 可降低流行度偏差的个性化长尾商品推荐方法和系统 | |
CN104794367B (zh) | 基于隐语义模型的就医资源评分与推荐方法 | |
CN110020186A (zh) | 一种餐厅推荐方法及系统 | |
CN107895038A (zh) | 一种链路预测关系推荐方法及装置 | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN108053050A (zh) | 点击率预估方法、装置、计算设备及存储介质 | |
CN108038746A (zh) | 基于关键用户和时间上下文的二部图推荐方法 | |
CN114168761B (zh) | 多媒体数据的推送方法、装置、电子设备及存储介质 | |
CN103942298B (zh) | 基于线性回归的推荐方法及系统 | |
CN106886559A (zh) | 同时融入好友特征和相似用户特征的协同过滤方法 | |
CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
CN109857928A (zh) | 基于多元信用评估的用户偏好预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180724 Termination date: 20210506 |
|
CF01 | Termination of patent right due to non-payment of annual fee |