CN105183925A - 内容关联推荐方法及装置 - Google Patents
内容关联推荐方法及装置 Download PDFInfo
- Publication number
- CN105183925A CN105183925A CN201510728766.6A CN201510728766A CN105183925A CN 105183925 A CN105183925 A CN 105183925A CN 201510728766 A CN201510728766 A CN 201510728766A CN 105183925 A CN105183925 A CN 105183925A
- Authority
- CN
- China
- Prior art keywords
- user
- content
- textual content
- matrix
- similarity
- 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.)
- Pending
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及互联网技术领域,公开了一种内容关联推荐方法及装置。该方法包括步骤:采集用户对非文本内容的访问数据;根据所述访问数据构建行为矩阵;将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;根据所述相似度和/或所述偏好度进行关联推荐。本发明技术方案通过用户访问数据的矩阵分解得到规律性极强的用户兴趣向量和内容类别向量,从而可以进行较为规范和严谨的相似度和偏好度计算,得到表述清楚、准确、严格的非文本内容之间以及用户与非文本内容之间的关联,从而可进行更加精准的推荐,提升用户体验度。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种内容关联推荐方法及装置。
背景技术
互联网的大规模发展使得每个用户均可自由参与到网络信息的创建与传播中,这一方面造就了网络信息的大爆炸,给用户提供了更多的信息;另一方面又造成了网络信息的混乱,为用户发现实际可用信息带来了极大障碍。对于网络数据来说,文本信息是具有一定表达规律的内容,比较容易建立关联以便用户搜索或进行推荐;但其他非文本内容,比如图片、音频、视频等,从数据层面看其表达的随机性很大且细微的更改就会发生极大变化,并无明显的表达规律,很难直接发现相互之间的联系,也很难利用关联方式进行搜索或推荐。
现有技术一般通过文本描述或文本标签来标识非文本内容,以便建立非文本内容之间的关联,然而只有经过专业的人工描述或经过大量统计分析的内容才存在较为详细的文本描述或标签。在实际情况中,虽然目前互联网中传播的大数据以复制拷贝内容为主,这些内容在传播过程中会不断累积一些描述信息可用于分析,但随着用户参与意识及自由度的提高,越来越多的用户自制内容出现在互联网中,这些自制内容本身可拿到的描述性文本十分缺失。
互联网非文本自制内容以用户自由创作的视频、音频和图片为主,这些自制内容以即兴创作为主,很少会带有正规的文本描述。即便有些较为专业的制作人、制作团队或上传者会给自制内容添加描述或是打上标签,但一方面这些描述或标签并无规范,另一方面这些附加信息在传播的过程中也极易丢失。因此现有技术中很难对非文本内容进行专业的分析,更无法高效地发掘内容之间的关联,因而也无法准确地进行非文本内容的搜索与推荐。
发明内容
基于现有技术的缺陷,本发明的目的是提供一种内容关联推荐方法及装置,以高效准确地建立非文本内容之间的关联。
根据本发明的一个方面,提供了一种内容关联推荐方法,包括步骤:
采集用户对非文本内容的访问数据;
根据所述访问数据构建行为矩阵;
将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;
根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;
根据所述相似度和/或所述偏好度进行关联推荐。
优选地,所述方法还包括步骤:
在采集所述访问数据后,对所述访问数据进行数据清洗、整合与统计,获得用户与非文本内容的行为关联信息集合;其中所述行为关联信息按所述用户对所述非文本内容的有效访问行为打分。
优选地,通过奇异值分解进行所述矩阵分解。
优选地,使用协同过滤算法进行所述奇异值分解。
优选地,通过计算所述内容类别向量之间的余弦距离或者欧几里得距离来计算非文本内容之间的相似度;通过计算所述用户兴趣向量与所述内容类别向量的内积来计算用户对非文本内容的偏好度。
根据本发明的另一个方面,还提供了一种内容关联推荐装置,包括:
数据采集模块,用于采集用户对非文本内容的访问数据;
矩阵构建模块,用于根据所述访问数据构建行为矩阵;
矩阵分解模块,用于将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;
计算模块,用于根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;
关联推荐模块,用于根据所述相似度和/或所述偏好度进行关联推荐。
优选地,所述装置还包括:
数据处理模块,用于在采集所述访问数据后,对所述访问数据进行数据清洗、整合与统计,获得用户与非文本内容的行为关联信息集合;其中所述行为关联信息按所述用户对所述非文本内容的有效访问行为打分。
优选地,所述矩阵分解模块通过奇异值分解进行所述矩阵分解。
优选地,所述矩阵分解模块包括:
协同过滤模块,用于使用协同过滤算法进行所述奇异值分解。
优选地,所述计算模块包括:
相似度计算模块,用于通过计算所述内容类别向量之间的余弦距离或者欧几里得距离来计算非文本内容之间的相似度;
偏好度计算模块,用于通过计算所述用户兴趣向量与所述内容类别向量的内积来计算用户对非文本内容的偏好度。
本发明实施例提供了一种内容关联推荐方法及装置,其技术方案通过用户访问数据的矩阵分解得到规律性极强的用户兴趣向量和内容类别向量,从而可以进行较为规范和严谨的相似度和偏好度计算,得到表述清楚、准确、严格的非文本内容之间以及用户与非文本内容之间的关联,从而可进行更加精准的推荐,提升用户体验度。
附图说明
图1是本发明一个实施例中内容关联推荐方法的基本流程示意图;
图2是本发明一个实施例中内容关联推荐装置的模块结构示意图。
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明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
非文本内容由于缺少足够的规律信息而难以分析和关联,但近年来,视频网站的发展如火如荼,视频网站上的内容越来越多的趋向于自制,这些自制内容一部分来自视频网站公司本身,一部分来自社会上的视频制作团队,与广告主一样,这些视频制作团队也需要推广他们的自制内容。因此,催生出一种产品需求,即根据用户喜好或当前观看视频内容来推荐待推广视频,这些视频既包括需要推广的自制内容,也包括制作精良的较长时长的广告。依靠现有技术,要直接找到视频间的相似性计算方法是非常困难的,很难满足上述推广需求。
本发明实施例提出一种基于矩阵分解的内容关联推荐方法,将视频和广告统一看成无差别的非文本内容,利用用户对非文本内容的操作行为矩阵分解来实现各内容之间的相似度计算,从而实现关联性极强的混合推荐。如图1所示,在本发明实施例中,内容关联推荐方法包括步骤:
S1,采集用户对非文本内容的访问数据;
S2,根据所述访问数据构建行为矩阵;
S3,将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;
S4,根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;
S5,根据所述相似度和/或所述偏好度进行关联推荐。
具体地,在本发明优选实施例中,以网络视频为例进一步说明上述方法的优选实施方式。本发明实施例中,将广告视频也看成是无差别的视频,在表达形式上统一处理。
首先在步骤S1中,访问数据可通过采集服务器后台访问日志获取,也可利用在用户端或中间设备中植入的插件、代理等方式采集。本发明实施例中使用近期的视频播放日志、广告点击日志和广告展示日志数据,可先对三者进行数据清洗后整合并统计,数据清洗主要是去掉热播视频,因为热播视频大部分人都产生了观看行为,并不具备代表性。
步骤S2中,利用访问数据确定用户对视频的访问行为而构建行为矩阵。假设访问数据中采集到m个用户关于n个视频的访问行为,构建行为矩阵,其中矩阵元素aij表示第i个用户对第j个视频的有效访问行为打分。具体地,若视频j为广告,用户i观看并点击了该广告,则aij为1;用户i观看但未点击该广告或用户i未观看该广告,则aij为0;若视频j为非广告的普通视频,用户观看了该视频,则aij为1;用户未观看该视频,则aij为0。优选地,对日志数据进行分析时,以日志中的用户cookie来识别和标识各个用户,以日志中的视频id来识别和标识各个视频,则用户与视频的行为关联经提取后可表示为<cookie,id,行为>的集合,其中行为就是上述矩阵元素aij的取值方式,由此可以比较方便快捷地得到行为矩阵。
步骤S3中,在获得用户对视频的行为矩阵后,通过矩阵分解获得用户和视频各自的向量表示。优选通过奇异值分解(SVD,SingularValueDecomposition)进行矩阵分解,上述行为矩阵被分解为;其中k可理解为用户兴趣或视频类别的分类数量,通常选取远小于m和n的值,比如k=10;是一个对角阵,对角线上存储的是从大到小有序的奇异值;为用户矩阵;为视频矩阵。进一步地,矩阵U的第i个行向量ui为用户i的兴趣向量表示,向量长度(即兴趣维度)为k,U的列向量被称为左奇异向量;矩阵V的第j个行向量vj为视频j的类别向量表示,向量长度(即类别维度)为k,V的列向量被称为右奇异向量。
优选地,使用协同过滤算法Collaborativefiltering对矩阵进行奇异值分解。不过Collaborativefiltering并不是对很大的矩阵直接进行数学上的SVD分解,而是使用ALS算法进行迭代优化目标向量来间接进行矩阵分解。分解后可得到Collaborativefiltering的模型结果,该结果包含两个部分,第一部分是每个用户的向量表示,即矩阵U的部分,第二部分是每个视频的向量表示,即矩阵V的部分。
步骤S4中,根据获得的用户兴趣向量和内容类别向量可进行相似度和/或偏好度的计算。具体地,本发明实施例利用用户兴趣向量来计算用户之间的相似度,利用内容类别向量来计算内容之间的相似度,优选可通过计算向量之间的余弦距离或者欧几里得距离来计算相似度。另外,本发明实施例还可利用用户兴趣向量和内容类别向量来计算用户对内容的偏好度,优选可通过计算向量内积来计算偏好度,即将用户兴趣向量ui点乘内容(视频)类别向量vj得到的就是用户i对内容(视频)j的偏好得分。
步骤S5中,根据相似度和/或偏好度排序后进行关联推荐。关联推荐可以是视频与视频的关联,比如在播放普通视频时推荐相似度高的广告或其他普通视频;也可以是用户与视频的关联,比如在用户打开网页/应用或搜索时,推荐偏好度高的视频和/或广告。推荐的数量可以采取默认值或自由设定,比如要基于一支正在观看的视频进行5支视频或广告的推荐,可以取出与该正在观看视频的相似度Top5的视频或广告进行混合推荐。
如图2所示,本发明实施例还同时提供了一种数据特征格式化装置1,包括:
数据采集模块101,用于采集用户对非文本内容的访问数据;
矩阵构建模块102,用于根据所述访问数据构建行为矩阵;
矩阵分解模块103,用于将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;
计算模块104,用于根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;
关联推荐模块105,用于根据所述相似度和/或所述偏好度进行关联推荐。
本领域相关技术人员可以理解,与上述方法一一对应地,本发明实施例的装置中也同时存在与各方法步骤相对应的各功能模块,在此不再一一赘述。在实际应用中,上述装置可以是独立的计算设备,也可以是由计算设备加载的独立功能单元,还可以是计算设备直接实现的虚拟/实体单元。同样,装置中的各模块均可由位于计算设备中的中央处理器CPU、微处理器MPU、数字信号处理器DSP或现场可编程门阵列FPGA等实现,上述装置及模块的实现手段不应视为对本发明具体实施方式的限制。
下面通过一个典型的应用场景来进一步说明本发明技术方案某些关键技术的具体实现。
在本场景中,首先提取过去两周的视频观看日志,先对热播视频进行一个过滤,得到余下视频日志与广告点击日志和广告展示日志作为输入。利用Hadoop的MapReduce程序做数据整合清洗与统计工作。Map端对取出每条记录的用户cookie和视频Id,对两者进行合法性验证,不合法的记录将丢弃,Map端的输出key为cookie与视频Id的组合:cookie_视频Id,输出value可以这样设计,如果该记录是视频观看日志,则输出标识1,如果是展示广告日志,输出标识0,如果是点击广告日志,输出标识1。Reduce端接受来自Map端的以cookie_视频Id为key,标识集合为value的输入,检查该标识集合,如果存在标识为1的记录,则给该key打分为1,否则打分为0。最后输出以cookie_视频Id为key,打分为value数据输出到HDFS上。
矩阵分解使用Sparkmllib组件中的collaborativefiltering来完成。Spark的collaborativefiltering将每条记录输入表示成一个Rating对象,Rating对象由一个user,一个product,一个rating组成,视频Id即这里的product,计算的打分即这里的rating。得到Rating对象集合后,设定几个重要参数,rank=15,即k值,iterations=40,即迭代次数,lambda=0.01,即正规化因子,然后使用ALS算法以迭代优化目标向量的形式对矩阵完成分解,得到最后的U用户向量集合和V视频向量集合作为模型保存起来。
本发明实施例提供了一种内容关联推荐方法及装置,其技术方案通过用户访问数据的矩阵分解得到规律性极强的用户兴趣向量和内容类别向量,从而可以进行较为规范和严谨的相似度和偏好度计算,得到表述清楚、准确、严格的非文本内容之间以及用户与非文本内容之间的关联,从而可进行更加精准的推荐,提升用户体验度。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种内容关联推荐方法,其特征在于,所述方法包括步骤:
采集用户对非文本内容的访问数据;
根据所述访问数据构建行为矩阵;
将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;
根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;
根据所述相似度和/或所述偏好度进行关联推荐。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括步骤:
在采集所述访问数据后,对所述访问数据进行数据清洗、整合与统计,获得用户与非文本内容的行为关联信息集合;其中所述行为关联信息按所述用户对所述非文本内容的有效访问行为打分。
3.根据权利要求1所述的方法,其特征在于,通过奇异值分解进行所述矩阵分解。
4.根据权利要求3所述的方法,其特征在于,使用协同过滤算法进行所述奇异值分解。
5.根据权利要求1所述的方法,其特征在于,通过计算所述内容类别向量之间的余弦距离或者欧几里得距离来计算非文本内容之间的相似度;通过计算所述用户兴趣向量与所述内容类别向量的内积来计算用户对非文本内容的偏好度。
6.一种内容关联推荐装置,其特征在于,所述装置包括:
数据采集模块,用于采集用户对非文本内容的访问数据;
矩阵构建模块,用于根据所述访问数据构建行为矩阵;
矩阵分解模块,用于将所述行为矩阵进行矩阵分解得到用户兴趣向量和内容类别向量;
计算模块,用于根据所述用户兴趣向量和所述内容类别向量计算用户/非文本内容之间的相似度以及用户对非文本内容的偏好度;
关联推荐模块,用于根据所述相似度和/或所述偏好度进行关联推荐。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
数据处理模块,用于在采集所述访问数据后,对所述访问数据进行数据清洗、整合与统计,获得用户与非文本内容的行为关联信息集合;其中所述行为关联信息按所述用户对所述非文本内容的有效访问行为打分。
8.根据权利要求6所述的装置,其特征在于,所述矩阵分解模块通过奇异值分解进行所述矩阵分解。
9.根据权利要求8所述的装置,其特征在于,所述矩阵分解模块包括:
协同过滤模块,用于使用协同过滤算法进行所述奇异值分解。
10.根据权利要求6所述的装置,其特征在于,所述计算模块包括:
相似度计算模块,用于通过计算所述内容类别向量之间的余弦距离或者欧几里得距离来计算非文本内容之间的相似度;
偏好度计算模块,用于通过计算所述用户兴趣向量与所述内容类别向量的内积来计算用户对非文本内容的偏好度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510728766.6A CN105183925A (zh) | 2015-10-30 | 2015-10-30 | 内容关联推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510728766.6A CN105183925A (zh) | 2015-10-30 | 2015-10-30 | 内容关联推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105183925A true CN105183925A (zh) | 2015-12-23 |
Family
ID=54906006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510728766.6A Pending CN105183925A (zh) | 2015-10-30 | 2015-10-30 | 内容关联推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105183925A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589916A (zh) * | 2016-01-11 | 2016-05-18 | 西华大学 | 显式和隐式兴趣知识的提取方法 |
CN106954087A (zh) * | 2017-03-21 | 2017-07-14 | 微鲸科技有限公司 | 广告短片与视频节目混合推荐方法及装置 |
CN107748998A (zh) * | 2017-10-13 | 2018-03-02 | 北京奇艺世纪科技有限公司 | 广告推荐的方法及系统 |
CN107968952A (zh) * | 2017-12-19 | 2018-04-27 | 聚好看科技股份有限公司 | 一种推荐视频的方法、装置、服务器和计算机存储介质 |
CN108108453A (zh) * | 2017-12-28 | 2018-06-01 | 北京奇虎科技有限公司 | 应用信息的推荐方法及装置 |
CN109242520A (zh) * | 2017-07-10 | 2019-01-18 | 中移(杭州)信息技术有限公司 | 一种目标用户群定位方法及装置 |
CN110019965A (zh) * | 2019-02-28 | 2019-07-16 | 北京达佳互联信息技术有限公司 | 表情图像的推荐方法、装置、电子设备及存储介质 |
CN111708915A (zh) * | 2020-06-12 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机设备和存储介质 |
CN112203152A (zh) * | 2020-11-30 | 2021-01-08 | 华东交通大学 | 多模态对抗学习型视频推荐方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102124465A (zh) * | 2008-09-05 | 2011-07-13 | 索尼公司 | 内容推荐系统、内容推荐方法、内容推荐装置、程序和信息存储介质 |
CN102306178A (zh) * | 2011-08-25 | 2012-01-04 | 盛乐信息技术(上海)有限公司 | 视频推荐方法及装置 |
CN102789462A (zh) * | 2011-05-18 | 2012-11-21 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及系统 |
CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
US20140373047A1 (en) * | 2013-06-12 | 2014-12-18 | Netflix, Inc. | Targeted promotion of original titles |
-
2015
- 2015-10-30 CN CN201510728766.6A patent/CN105183925A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102124465A (zh) * | 2008-09-05 | 2011-07-13 | 索尼公司 | 内容推荐系统、内容推荐方法、内容推荐装置、程序和信息存储介质 |
CN102789462A (zh) * | 2011-05-18 | 2012-11-21 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及系统 |
CN102306178A (zh) * | 2011-08-25 | 2012-01-04 | 盛乐信息技术(上海)有限公司 | 视频推荐方法及装置 |
CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
US20140373047A1 (en) * | 2013-06-12 | 2014-12-18 | Netflix, Inc. | Targeted promotion of original titles |
Non-Patent Citations (1)
Title |
---|
李丽香: "《混沌蚁群算法及应用》", 31 January 2013, 中国科学技术出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589916A (zh) * | 2016-01-11 | 2016-05-18 | 西华大学 | 显式和隐式兴趣知识的提取方法 |
CN105589916B (zh) * | 2016-01-11 | 2020-05-08 | 西华大学 | 显式和隐式兴趣知识的提取方法 |
CN106954087A (zh) * | 2017-03-21 | 2017-07-14 | 微鲸科技有限公司 | 广告短片与视频节目混合推荐方法及装置 |
CN106954087B (zh) * | 2017-03-21 | 2019-12-06 | 微鲸科技有限公司 | 广告短片与视频节目混合推荐方法及装置 |
CN109242520A (zh) * | 2017-07-10 | 2019-01-18 | 中移(杭州)信息技术有限公司 | 一种目标用户群定位方法及装置 |
CN107748998A (zh) * | 2017-10-13 | 2018-03-02 | 北京奇艺世纪科技有限公司 | 广告推荐的方法及系统 |
CN107968952A (zh) * | 2017-12-19 | 2018-04-27 | 聚好看科技股份有限公司 | 一种推荐视频的方法、装置、服务器和计算机存储介质 |
CN107968952B (zh) * | 2017-12-19 | 2020-11-03 | 聚好看科技股份有限公司 | 一种推荐视频的方法、装置、服务器和计算机可读存储介质 |
CN108108453A (zh) * | 2017-12-28 | 2018-06-01 | 北京奇虎科技有限公司 | 应用信息的推荐方法及装置 |
CN110019965A (zh) * | 2019-02-28 | 2019-07-16 | 北京达佳互联信息技术有限公司 | 表情图像的推荐方法、装置、电子设备及存储介质 |
CN111708915A (zh) * | 2020-06-12 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机设备和存储介质 |
CN112203152A (zh) * | 2020-11-30 | 2021-01-08 | 华东交通大学 | 多模态对抗学习型视频推荐方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105183925A (zh) | 内容关联推荐方法及装置 | |
US11710054B2 (en) | Information recommendation method, apparatus, and server based on user data in an online forum | |
CN104657425B (zh) | 一种议题管理式网络舆情评价管理系统与方法 | |
CN105302880A (zh) | 内容关联推荐方法及装置 | |
KR102355826B1 (ko) | 소셜 미디어를 이용하는 사용자의 통계를 추정하는 방법 및 장치 | |
CN108875022B (zh) | 一种视频推荐方法及装置 | |
US8909515B2 (en) | Dynamic sentence formation from structured objects and actions in a social networking system | |
US8412796B2 (en) | Real time information feed processing | |
US9032290B2 (en) | Tool for creating structured objects and actions on a social networking system | |
US8930384B2 (en) | Topical activity monitor system and method | |
KR20160057475A (ko) | 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 | |
US8965867B2 (en) | Measuring and altering topic influence on edited and unedited media | |
CN104615627B (zh) | 一种基于微博平台的事件舆情信息提取方法及系统 | |
CN101764661A (zh) | 基于数据融合的视频节目推荐系统 | |
CN111815375B (zh) | 广告投放中的用户画像方法及装置 | |
CN110347781B (zh) | 文章倒排方法、文章推荐方法、装置、设备及存储介质 | |
CN102929966A (zh) | 一种用于提供个性化搜索列表的方法及系统 | |
CN103605808A (zh) | 基于搜索的ugc推荐的方法及系统 | |
Jong | Netnography: researching online populations | |
JP2014200007A (ja) | 推薦プログラム、推薦情報受信プログラム、推薦方法、推薦情報受信方法及び推薦装置 | |
CN109672938A (zh) | 一种iptv节目推荐方法 | |
Brosius et al. | Diffusion as a future perspective of agenda setting | |
Lim et al. | Consumption of pop culture and tourism demand: Through the lens of herding behaviour | |
US10331713B1 (en) | User activity analysis using word clouds | |
US20140101064A1 (en) | Systems and Methods for Automated Reprogramming of Displayed Content |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |