CN105069122A - 一种基于用户行为的个性化推荐方法及其推荐装置 - Google Patents
一种基于用户行为的个性化推荐方法及其推荐装置 Download PDFInfo
- Publication number
- CN105069122A CN105069122A CN201510494677.XA CN201510494677A CN105069122A CN 105069122 A CN105069122 A CN 105069122A CN 201510494677 A CN201510494677 A CN 201510494677A CN 105069122 A CN105069122 A CN 105069122A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- homogeney
- behavior
- users
- 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
- G06F16/90—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户行为的个性化推荐方法及其推荐装置,方法包括:对用户的关注行为建模,获取用户的关注行为矩阵;将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,得到改进后的同质性度量;通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;采用梯度下降的最优化方法,将矩阵形式对信任关系的大小进行排序,输出推荐结果。装置包括:第一获取模块、第二获取模块、第三获取模块和输出模块,本发明在传统的用户相似度计算中结合用户关注行为,进而为用户在网站中更加合理准确的推荐用户所需的商品和好友,提升用户的体验和感受,有效改善网站对用户的粘滞度,提高网站服务品质。
Description
技术领域
本发明涉及属于数据挖掘、自然语言处理和信息检索领域,涉及社交网络和信任网络的预测推荐技术领域,尤其涉及一种基于用户行为的个性化推荐方法及其推荐装置。
背景技术
个性化推荐技术通过研究不同用户的兴趣,主动为用户推荐最需要的资源,从而更好地解决互联网信息日益庞大与用户需求之间的矛盾。目前,推荐技术被广泛应用到电子商务、数字图书馆、新闻网站等系统中。因此,各种适用于推荐系统的技术应运而生,如协同过滤技术(CF)、朴素贝叶斯、聚类分析技术、关联规则技术、神经网络技术和图模型技术等,其中,协同过滤是应用最为广泛的个性化推荐技术。协同过滤推荐又分为基于项目的协同过滤和基于用户的协同过滤。
基于用户的协同过滤算法通过计算用户对项目评分之间的相似性,搜索目标用户的最近邻,然后根据最近邻的评分向目标用户产生推荐。
基于用户的协同过滤推荐算法优势很明显,首先得到的推荐结果是比较精确的,其次所有用户都会从近邻的反馈评价中得到一定的信息,具有角色一致性。同时该算法也存在着一些不足之处,主要体现在:在用户模型的建立过程中产生的用户对项目的评分矩阵是非常稀疏的,一些新项目加入会造成冷启动问题,在处理一些特殊用户方面也存在着一定的问题,因为特殊人群不能从最近邻中得到很多的推荐信息。
基于项目的协同过滤是根据用户对相似项目的评分数据预测目标项目的评分,它是建立在如下假设基础上的:如果大部分用户对某些项目的打分比较相近,则当前用户对这些项的打分也会比较接近。基于项目的协同过滤算法主要对目标用户所评价的一组项目进行研究,并计算这些项目与目标项目之间的相似性,按照大小相似对项目进行排序,选择前K个项目作为输出。
基于项目的协同过滤推荐算法能得到较高的准确率,算法的效率也是较高的,能够充分挖掘大量的项目之间的相关性,得到较多的信息。然而算法仍面临着评分矩阵稀疏、矩阵的冷启动等问题。
发明内容
本发明提供了一种基于用户行为的个性化推荐方法及其推荐装置,本发明能够有效改善传统协同过滤推荐技术在计算用户之间的相似度时,只考虑用户的评分行为,而忽略了用户的关注行为造成推荐准确率较低的问题,详见下文描述:
一种基于用户行为的个性化推荐方法,所述个性化推荐方法包括以下步骤:
对用户的关注行为建模,获取用户的关注行为矩阵;
将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,得到改进后的同质性度量;
通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;
采用梯度下降的最优化方法,对矩阵形式进行处理获取低秩矩阵形式,将低秩矩阵形式对信任关系的大小进行排序,输出推荐结果。
其中,所述用户的关注行为矩阵具体为:
建立一个e×f矩阵M,e是受信者用户,f是施信者用户,对应的Mij表示用户i对用户j的关注行为。
其中,所述通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式的步骤具体为:
将用户对项目的评分矩阵进行分解,在矩阵分解的过程中加入正则化项,分解成的低秩矩阵以最小的误差代替原有数据。
一种基于用户行为的个性化推荐装置,所述个性化推荐装置包括:
第一获取模块,用于对用户的关注行为建模,获取用户的关注行为矩阵;
第二获取模块,用于将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,获取改进后的同质性度量;
第三获取模块,用于通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;
输出模块,用于采用梯度下降的最优化方法,对矩阵形式进行处理获取低秩矩阵形式,将低秩矩阵形式对信任关系的大小进行排序,输出推荐结果。
其中,所述第三获取模块包括:获取子模块,用于将用户对项目的评分矩阵进行分解,在矩阵分解的过程中加入正则化项,分解成的低秩矩阵以最小的误差代替原有数据。
本发明提供的技术方案的有益效果是:本发明在传统的用户相似度计算中结合用户关注行为,进而为用户在网站中更加合理准确的推荐用户所需的商品和好友,提升用户的体验和感受,有效改善网站对用户的粘滞度,提高网站的服务品质;并且通过与现有的同质性度量方法进行对比,验证了本发明在准确率和效率提高方面的可行性。
附图说明
图1为一种基于用户行为的个性化推荐方法的流程图;
图2为同质性系数对信任预测准确率影响的示意图;
图3为四种同质性度量方法的准确率示意图;
图4为一种基于用户行为的个性化推荐装置的示意图,;
图5为第三获取模块的结构示意图。
附图中,各标号所代表的部件列表如下:
1:第一获取模块;2:第二获取模块;
3:第三获取模块;4:输出模块;
31:获取子模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
本发明提供了一种基于用户行为的个性化推荐方法,参见图1,该方法包括以下步骤:
101:对用户的关注行为建模,获取用户的关注行为矩阵;
通过对用户模型的建立和抽取,可以得到用户的关注行为矩阵,即建立一个e×f矩阵M,e是受信者用户,f是施信者用户,对应的Mij表示用户i对用户j的关注行为。
102:将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,得到改进后的同质性度量;
其中,基于用户的个性化推荐算法将用户的关注行为引入同质性度量的计算中去,在皮尔森系数中引入用户关注行为,并进行正则化操作,得到新的同质性度量方法。
在信任预测算法中引入同质性理论之后,为了最大地发挥其优势选择了用户评论行为和用户关注行为来度量用户之间的同质性。
103:通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;
其中,在矩阵分解的成本函数中加入正则化项,防止矩阵分解过程中出现过拟合。即,把非常稀疏的用户对项目的评分矩阵进行分解,分解成的低秩矩阵能够以最小或可接受的误差代替原有数据,在矩阵分解的过程中为防止过拟合可以加入正则化项。
104:采用梯度下降的最优化方法,对矩阵形式进行处理获取低秩矩阵形式,将低秩矩阵形式对信任关系的大小进行排序,输出推荐结果。
综上所述,本发明实施例通过上述步骤101至步骤104提高了推荐准确率,提升了用户的体验和感受,有效改善网站对用户的粘滞度,提高了网站服务品质。
实施例2
下面结合具体的计算公式、例子对实施例1中的方案进行详细描述,详见下文描述:
201:通过用户建模生成用户对项目的评分矩阵R;
在进行个性化推荐过程中,首先要进行用户建模,在此过程中用到了用户对项目的评分关系和评分值。通过用户建模生成用户对项目的评分矩阵R。其中,R是一个n×d评分矩阵,n是用户数,d是项目数,对应的ris表示用户i对项目s进行的评分,评分值可以是二元属性值也可以是用户定义的评分等级。由于项目的数量是非常巨大的,通常用户只会对少部分项目进行评分,这就会造成生成的评分矩阵R是非常稀疏的。如果直接计算这样的评分矩阵,将给系统带来巨大的开销。
202:在用户对项目评分的基础上引入用户的关注行为,建立用户间的关注行为矩阵M;
其中,M是一个e×f评分矩阵,e是受信者用户,f是施信者用户,对应的Mij表示用户i对用户j的关注行为。用户关注行为包含着用户之间的大量信息,例如:施信者对受信者的未来行为会有很大的影响,如果只考虑用户对项目的评分之间的关系而忽略用户的关注行为会丢失一部分用户间的关系信息,对同质性的度量也会有一定的影响,造成准确率的下降。
203:选取的是基于皮尔森系数的同质性度量方法;
得到用户对项目的评分矩阵后,在已有的原始同质性度量方法中选取合适的同质性度量方法,本发明选取的是基于皮尔森系数的同质性度量方法,如公式(1)所示。
其中,Rik和Rjk分别表示用户i和用户j对项目k的评分;和分别表示用户i和用户j的平均评分;ζ(i,j)为用户i和用户j之间的相似性;PCC(i,j)为按照渐进式构造算法的方式计算用户i和用户j之间的相似性;I(i)为用户i对项目集中进行过评分的项目集合;I(j)为用户j对项目集中进行过评分的项目集合;k为项目编号。
由于PCC(i,j)的范围是[-1,1],可以使用函数将PCC(i,j)范围线性映射到[0,1]内,其中x是函数的自变量。
204:结合用户对项目的评分和用户之间的关注行为,获取新的同质性度量方法;
选取了同质性度量方法的基础后,结合用户对项目的评分和用户之间的关注行为,得到本发明提出的新的同质性度量方法,如公式(2)所示。
公式(2)中,T(i),T(j)分别为用户i和用户j关注的用户集合,F(i),F(j)分别为关注用户i和用户j的用户集合。α和β为取值范围0到1的影响因子,α用于控制评分行为的相关性对同质性系数的影响,1-α用于控制信任对象的情况对同质性系数的影响,β用于控制两个用户共同信任的用户比重,1-β用于控制同时信任两个用户的用户比重。
205:结合低秩矩阵分解技术,由同质性度量方法的计算公式获取同质性正则化的矩阵形式;
为解决用户对项目的评分矩阵以及用户间的关注行为矩阵的稀疏性问题,本发明实施例采用低秩矩阵分解技术。对于特定的用户i来说,其同质性正则化中的隐表示U(i,:)代表用户i在项目集上表现出的特性;U(j,:)代表用户j在项目集上表现出的特性。如公式(3)所示。
从公式(3)可以看出,用户i的隐表示已被其他用户平滑化了,并且被其他用户的同质性系数控制,对于那些只有极少甚至没有信任关系的用户,仍然可以通过同质性正则化得到其在低秩空间中的隐表示,这便利用了传统的非监督方法解决了稀疏性问题。
由同质性度量方法的计算公式可以得到同质性正则化项的矩阵形式,如公式(4)所示。
其中,Z是同质性系数矩阵;D是对角矩阵,其每个对角元素为同质性系数矩阵Z的对应列的元素和,表示为拉普拉斯矩阵L为D-Z;U(i,k)为用户i对项目k所表现出的特性关系;U(j,k)为用户j对项目k所表现出的特性;U(:,K)为所有用户对所有项目具有的特性关系;Tr为矩阵的迹;d为项目集中的项目的数量;U为用户与项目的关系矩阵;T为矩阵的转置。
206:将同质性正则化项的矩阵形式加入到矩阵分解模型中得到公式(5)。
其中,F为矩阵的F范数;G为用户与用户之间的关系;V为用户特征之间的相关性;λ为同质性正则化项的矩阵形式前面的系数;s.t.代表约束条件;L为拉普拉斯矩阵。
在求矩阵分解的最优解的过程中要使得整个过程的损失最小,即求矩阵U和矩阵V使成本函数达到最优值,根据不等式约束最优性条件(KKT约束条件),应用随机梯度下降法则,可得关于矩阵U和矩阵V的更新公式,如公式(6)和公式(7)所示。
其中,←为公式的更新;[UTGU]为拟合矩阵;(i,k)为用户和项目的编号,代表拟合矩阵中的参数;[UTUVUTU+βV]为加入用户特征之间相关性后的拟合矩阵。
迭代使用上述更新公式,直到结果收敛或符合实验要求的精度,因为原信任关系矩阵G、同质性系数矩阵Z以及对角矩阵D均非负,因此矩阵U和矩阵V在更新的过程中也非负,最终的拟合矩阵UVUT也非负,那么所有用户之间建立信任关系的可能性可用矩阵UVUT表示,其中每个元素表示该行代表的用户信任该列代表的用户的可能性,至此原稀疏的信任网络G中的零值,即缺省的信任关系可用拟合的新矩阵中的值进行预测,最后根据拟合矩阵中预测建立信任关系的可能性的大小进行排序,即可为指定用户个性化推荐好友。
综上所述,本发明实施例通过上述步骤201至步骤206提高了推荐准确率,提升了用户的体验和感受,有效改善网站对用户的粘滞度,提高了网站服务品质。
实施例3
下面结合具体的实例、图2和图3对实施例1和2中的方案进行可行性验证,即通过与现有的同质性度量方法进行对比实验,验证本方法在准确率和效率方面的提高,详见下文描述:
对影响因子α和β取值情况进行实验,选出能够使信任预测准确率达到最优的同质性系数构成方案,实验结果如图2所示。
从实验结果可以看出,当α取0.3,β取0.9的时候,构造的同质性系数使得信任预测准确率达到最优值。可以看出α的取值变化对准确率影响不是很大,由此可知用户评论行为对用户之间同质性度量的重要性并不如用户的关注行为大。β取值较大说明了在数据集中,分析两个用户共同信任的用户集合比分析共同信任两个用户的用户集合更能准确的描述用户之间的同质性。
为了将本方法与已有的同质性度量方法进行对比实验,实验的评价指标为准确率,其计算公式如公式(8)所示。
信任网络中的用户关系可分为已建立信任关系集合T={<i,j>|G(i,j)=1},和未建立信任关系的集合N={<i,j>|G(i,j)=0},在信任集合T中随机选取其中x%的信任关系作为实验集合T_Train,余下1-x%的信任关系作为评价集合T_Test,其中,变量x的取值情况为{50,60,70,80,90}。现将T_Test中的信任关系全部移除,根据由T_Train预测出的用户之间建立信任关系可能性的大小,对用户集N+T_Test中的用户对进行排序,选出其中前|T_Test|用户对(|T_Test|表示集合T_Test所含元素的数量),计为集合P。
将本方法命名为pTrust,并与其它同质性度量方法作对比实验,验证本方法的性能和效果。对比实验是通过对比四种同质性度量方法在准确率方面的性能,四种同质性度量方法分别是:
1)socialTrust:使用社会学理论结合非负矩阵分解模型进行预测推荐。
2)hTrust:同质性系数以余弦相关性公式进行计算的方法进行推荐。
3)pTrust_1:将用户关注行为引入余弦相似性同质性度量方法中进行推荐。
4)pTrust:将用户关注行为引入皮尔森系数同质性度量方法中进行推荐。
实验结果如图3所示,从实验结果可以看到,用于训练的信任关系的比重x越高,得到的预测效果越差,这是因为随着x的增加,待预测的信任关系逐渐减少,信任关系在全部关系中所占比例进一步减少,进而加大了预测难度。从实验的结果看出,将用户的评分行为结合关注行为来衡量用户之间的同质性,比单单考虑评分行为可以收到更好的预测效果,pTrust的准确率比pTrust_1要高,由此得出将用户的关注行为引入到皮尔森同质性系数的计算中会得到更好的准确率。
实施例4
一种基于用户行为的个性化推荐装置,参见图4,该个性化推荐装置包括:
第一获取模块1,用于对用户的关注行为建模,获取用户的关注行为矩阵;
第二获取模块2,用于将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,获取改进后的同质性度量;
第三获取模块3,用于通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;
输出模块4,用于采用梯度下降的最优化方法,对矩阵形式进行处理获取低秩矩阵形式,将低秩矩阵形式对信任关系的大小进行排序,输出推荐结果。
其中,参见图5,第三获取模块3包括:获取子模块31,
获取子模块31,用于将用户对项目的评分矩阵进行分解,在矩阵分解的过程中加入正则化项,分解成的低秩矩阵以最小的误差代替原有数据。
本发明实施例对上述模块、子模块的执行主体不做限制,能实现上述功能的器件均可,例如:单片机、PC机等。
综上所述,本发明实施例通过上述的模块、子模块,提高了推荐准确率,提升了用户的体验和感受,有效改善网站对用户的粘滞度,提高了网站服务品质。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于用户行为的个性化推荐方法,其特征在于,所述个性化推荐方法包括以下步骤:
对用户的关注行为建模,获取用户的关注行为矩阵;
将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,得到改进后的同质性度量;
通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;
采用梯度下降的最优化方法,对矩阵形式进行处理获取低秩矩阵形式,将低秩矩阵形式对信任关系的大小进行排序,输出推荐结果。
2.根据权利要求1所述的一种基于用户行为的个性化推荐方法,其特征在于,所述用户的关注行为矩阵具体为:
建立一个e×f矩阵M,e是受信者用户,f是施信者用户,对应的Mij表示用户i对用户j的关注行为。
3.根据权利要求1所述的一种基于用户行为的个性化推荐方法,其特征在于,所述通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式的步骤具体为:
将用户对项目的评分矩阵进行分解,在矩阵分解的过程中加入正则化项,分解成的低秩矩阵以最小的误差代替原有数据。
4.一种基于用户行为的个性化推荐装置,其特征在于,所述个性化推荐装置包括:
第一获取模块,用于对用户的关注行为建模,获取用户的关注行为矩阵;
第二获取模块,用于将用户对项目的评分、用户之间的关注行为,引入到同质性度量的计算中,采用皮尔森系数,获取改进后的同质性度量;
第三获取模块,用于通过改进后的同质性度量,结合矩阵分解获取同质性正则化的矩阵形式;
输出模块,用于采用梯度下降的最优化方法,对矩阵形式进行处理获取低秩矩阵形式,将低秩矩阵形式对信任关系的大小进行排序,输出推荐结果。
5.根据权利要求4所述的一种基于用户行为的个性化推荐装置,其特征在于,所述第三获取模块包括:
获取子模块,用于将用户对项目的评分矩阵进行分解,在矩阵分解的过程中加入正则化项,分解成的低秩矩阵以最小的误差代替原有数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510494677.XA CN105069122B (zh) | 2015-08-12 | 2015-08-12 | 一种基于用户行为的个性化推荐方法及其推荐装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510494677.XA CN105069122B (zh) | 2015-08-12 | 2015-08-12 | 一种基于用户行为的个性化推荐方法及其推荐装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069122A true CN105069122A (zh) | 2015-11-18 |
CN105069122B CN105069122B (zh) | 2018-08-21 |
Family
ID=54498492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510494677.XA Active CN105069122B (zh) | 2015-08-12 | 2015-08-12 | 一种基于用户行为的个性化推荐方法及其推荐装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069122B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
CN106202377A (zh) * | 2016-07-08 | 2016-12-07 | 北京大学 | 一种基于随机梯度下降的在线协同排序方法 |
CN106296270A (zh) * | 2016-07-29 | 2017-01-04 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
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 |
CN108228833A (zh) * | 2018-01-04 | 2018-06-29 | 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 |
CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
CN109658210A (zh) * | 2019-02-18 | 2019-04-19 | 苏州大学 | 一种商品推荐方法、装置、设备以及存储介质 |
CN109903099A (zh) * | 2019-03-12 | 2019-06-18 | 合肥工业大学 | 用于评分预测的模型构建方法和系统 |
CN109978836A (zh) * | 2019-03-06 | 2019-07-05 | 华南理工大学 | 基于元学习的用户个性化图像美感评价方法、系统、介质和设备 |
CN110502701A (zh) * | 2019-07-08 | 2019-11-26 | 华南师范大学 | 引入注意力机制的好友推荐方法、系统和存储介质 |
CN110807154A (zh) * | 2019-11-08 | 2020-02-18 | 内蒙古工业大学 | 一种基于混合深度学习模型的推荐方法与系统 |
CN113254800A (zh) * | 2021-06-03 | 2021-08-13 | 武汉卓尔数字传媒科技有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN103049523A (zh) * | 2012-12-20 | 2013-04-17 | 浙江大学 | 一种使用低秩半定规划求解社交推荐问题的方法 |
US20140317031A1 (en) * | 2013-04-23 | 2014-10-23 | Dropbox, Inc. | Application recommendation |
-
2015
- 2015-08-12 CN CN201510494677.XA patent/CN105069122B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN103049523A (zh) * | 2012-12-20 | 2013-04-17 | 浙江大学 | 一种使用低秩半定规划求解社交推荐问题的方法 |
US20140317031A1 (en) * | 2013-04-23 | 2014-10-23 | Dropbox, Inc. | Application recommendation |
Non-Patent Citations (1)
Title |
---|
黄武汉: "移动通信网中基于用户社会化关系挖掘的协同过滤算法", 《电子与信息学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
CN106202377B (zh) * | 2016-07-08 | 2019-09-13 | 北京大学 | 一种基于随机梯度下降的在线协同排序方法 |
CN106202377A (zh) * | 2016-07-08 | 2016-12-07 | 北京大学 | 一种基于随机梯度下降的在线协同排序方法 |
CN106296270A (zh) * | 2016-07-29 | 2017-01-04 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
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 |
CN108228833A (zh) * | 2018-01-04 | 2018-06-29 | 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 |
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 |
CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
CN109658210A (zh) * | 2019-02-18 | 2019-04-19 | 苏州大学 | 一种商品推荐方法、装置、设备以及存储介质 |
CN109978836A (zh) * | 2019-03-06 | 2019-07-05 | 华南理工大学 | 基于元学习的用户个性化图像美感评价方法、系统、介质和设备 |
CN109903099A (zh) * | 2019-03-12 | 2019-06-18 | 合肥工业大学 | 用于评分预测的模型构建方法和系统 |
CN109903099B (zh) * | 2019-03-12 | 2021-03-23 | 合肥工业大学 | 用于评分预测的模型构建方法和系统 |
CN110502701A (zh) * | 2019-07-08 | 2019-11-26 | 华南师范大学 | 引入注意力机制的好友推荐方法、系统和存储介质 |
CN110502701B (zh) * | 2019-07-08 | 2022-03-25 | 华南师范大学 | 引入注意力机制的好友推荐方法、系统和存储介质 |
CN110807154A (zh) * | 2019-11-08 | 2020-02-18 | 内蒙古工业大学 | 一种基于混合深度学习模型的推荐方法与系统 |
CN110807154B (zh) * | 2019-11-08 | 2021-06-01 | 内蒙古工业大学 | 一种基于混合深度学习模型的推荐方法与系统 |
CN113254800A (zh) * | 2021-06-03 | 2021-08-13 | 武汉卓尔数字传媒科技有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105069122B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069122A (zh) | 一种基于用户行为的个性化推荐方法及其推荐装置 | |
Şahin | A comprehensive analysis of weighting and multicriteria methods in the context of sustainable energy | |
Nadiri et al. | Modelling groundwater level variations by learning from multiple models using fuzzy logic | |
CN107220365B (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 | |
Symeonidis et al. | Product recommendation and rating prediction based on multi-modal social networks | |
CN106067094A (zh) | 一种动态评估方法及系统 | |
CN104391849A (zh) | 融入时间上下文信息的协同过滤推荐方法 | |
CN104063481A (zh) | 一种基于用户实时兴趣向量的电影个性化推荐方法 | |
Eldrandaly | Exploring multi-criteria decision strategies in GIS with linguistic quantifiers: an extension of the analytical network process using ordered weighted averaging operators | |
CN102004768A (zh) | 自适应分析多维处理系统 | |
Llorca et al. | Using the latent class approach to cluster firms in benchmarking: An application to the US electricity transmission industry | |
El Mabrouk et al. | Towards an intelligent hybrid recommendation system for e-learning platforms using data mining | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
CN104077417A (zh) | 社交网络中的人物标签推荐方法和系统 | |
Hanif | Implementing extreme gradient boosting (xgboost) classifier to improve customer churn prediction | |
CN107391670A (zh) | 一种融合协同过滤和用户属性过滤的混合推荐方法 | |
CN102156747B (zh) | 一种引入社会化标签的协作过滤评分预测方法及装置 | |
Okawa et al. | Predicting opinion dynamics via sociologically-informed neural networks | |
CN103544299B (zh) | 一种商业智能云计算系统的构建方法 | |
CN106919699A (zh) | 一种面向大规模用户的个性化信息推荐方法 | |
CN110310012A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
Ma et al. | Content Feature Extraction-based Hybrid Recommendation for Mobile Application Services. | |
CN103678709B (zh) | 一种基于时序数据的推荐系统攻击检测方法 | |
CN113343077A (zh) | 一种融合用户兴趣时序波动的个性化推荐方法及系统 | |
CN104809107A (zh) | 基于上下文转换向量模型的推荐方法和系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220402 Address after: 210000 room 1805, building C, Xingzhi science and Technology Park, Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province Patentee after: Nanjing Tupo Technology Co.,Ltd. Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |