CN105608219B - 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法 - Google Patents
一种基于聚类的流式推荐引擎、推荐系统以及推荐方法 Download PDFInfo
- Publication number
- CN105608219B CN105608219B CN201610008387.4A CN201610008387A CN105608219B CN 105608219 B CN105608219 B CN 105608219B CN 201610008387 A CN201610008387 A CN 201610008387A CN 105608219 B CN105608219 B CN 105608219B
- Authority
- CN
- China
- Prior art keywords
- cluster
- user
- model
- real
- data
- 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 38
- 238000012549 training Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
Abstract
本发明公开了一种基于聚类的流式推荐引擎、推荐系统以及推荐方法,本方案通过构建一个增量式的聚类方法,结合聚类结构和协同过滤方法的优点,通过聚类结构将用户和商品分类,通过基于协同过滤方法挖掘各用户和商品间的关联关系。本方案能够在保证推荐准确率的同时,提高推荐结果的领域特性与关联特性,提高推荐准确性。
Description
技术领域
本发明涉及网络数据分析处理技术,具体涉及一种数据信息的推荐技术。
背景技术
目前,业界针对个性化推荐技术的研究主要有基于协同过滤,基于矩阵分解两类方法,而对于增量式的推荐技术主要是基于增量式的矩阵计算的方法。针对现有的个性化推荐系统,存在不足之处,具体如下:
基于协同过滤的算法,主要通过对数据集进行分析计算出有相似偏好的用户,和相似的物品。而基于矩阵分解的算法,主要是通过矩阵分解提取出用户的隐形偏好,通过对偏好矩阵的迭代计算来得到最终矩阵的。这两种方法的优点在于计算的可靠性已经经过了大量实验论证,但缺点是适用于离线计算,不适用于在大规模实时数据集下进行流式计算。
对于增量式的矩阵计算的方法,主要通过增量矩阵计算的方式,构建增量式目标矩阵。该方法的缺点是,所计算的增量矩阵难以准确概括用户间关联关系。
在大数据膨胀的环境下,提供一种能够在保证不影响推荐准确率的同时,保证在线推荐的实时性的适应个性化推荐方案,是本领域亟需解决的技术问题。
发明内容
针对现有对个性化推荐技术在实时性和准确率上所存在的问题,本发明的主要目的如下:
目的1:提供一种具有在线实时性和高准确性的推荐引擎;
目的2:提供一种基于上述推荐引擎实现的推荐系统;
目的3:提供一种基于上述推荐引擎实施的推荐方法。
为了达到上述目的,本发明采用如下的技术方案:
针对目的1:提供一种基于聚类的流式推荐引擎,该推荐引擎主要包括:
离线训练模型,所述离线训练模型从持久数据源中训练出初始聚类模型和用户关联模型,并将初始聚类模型和用户关联模型写入到文件系统中;
增量训练模型,所述增量训练模型从文件系统中加载初始聚类模型和用户关联模型,据此加载流式数据对聚类模型进行增量训练,产生增量式聚类模型;
在线推荐模块,所示在线推荐模块基于增量式聚类模型和用户关联模型进行实时现在推荐。
优选的,所述流式推荐引擎的架构包括离线计算层和实时计算层,流式推荐引擎中的离线训练模型运行在整个推荐引擎架构的离线计算层,增量训练模型和在线推荐模块运行在整个推荐引擎架构的实时计算层。
优选的,在离线计算层中,首先将持久化数据源中的数据进行抽取、转换、并加载到离线训练模块中;接着由离线训练模块基于设定的聚类模型训练出初始聚类模型和用户关联模型;最后将聚类模型和用户关联模型序列化写到文件系统中。
优选的,在实时计算层中,首先由增量训练模块从文件系统中加载初始聚类模型和用户关联模型;接着,接收流式数据源的数据,进行转换加载到增量训练模块中;再者,增量训练模块批量加载流式数据,并进行增量训练聚类模型;最后,由在线推荐模块根据用户和物品匹配到所对应的聚类,进行实时推荐。
针对目的2:一种基于聚类的流式推荐系统,所述推荐系统的架构包括离线系统、实时系统以及在线系统,该推荐系统还包括上述的基于聚类的流式推荐引擎,所述的流式推荐引擎运行在推荐系统的系统架构中。
优选的,所述的基于聚类的流式推荐引擎中的离线训练模型运行在推荐系统架构中的离线系统中,而增量训练模型和在线推荐模块运行在推荐系统架构中的实时系统中;而在推荐系统架构中的离线系统与实时系统之间通过推荐系统的文件系统来完成数据交换。
针对目的3,一种基于聚类的流式推荐方法,该推荐方法通过构建增量式的聚类,再根据各聚类内部的关联关系产生实时推荐。
优选的,所述流式推荐方法包括如下步骤:
1)初始化离线聚类模型:对已有的大规模数据集,进行聚类分析,产生聚类模型;
2)初始化离线用户关联模型:对已有的大规模数据集,进行关联分析,产生用户关联模型;
3)构建在线推荐模型:对外部系统提供在线调用接口服务;并构建实时转发系统,实时地将外部接口的调用转发给增量式聚类模型;
4)构建增量式聚类模型:基于流式数据对聚类模型进行增量训练,产生增量式聚类模型;
5)在增量式聚类模型下,根据各聚类内部的关联关系产生实时推荐结果。
优选的,所述步骤1)中聚类模型具体通过如下步骤形成:
(11)将每个用户和商品,根据它曾打过或被打过的标签,生成多维度的向量,最终产生了全量的用户和商品的向量集;
(12)从步骤(11)产生的多维度的向量集中随机选择k个点作为初始聚类中心;
(13)对于数据集中的每一个点x,计算它与选择的聚类中心的距离D(x);
(14)选择一个新的数据点作为新的聚类中心;
(15)重复步骤(13)和(14)直到k个聚类中心被选出来;
(16)利用这k个初始的聚类中心来运行标准的k-means算法。
优选的,所述步骤2)中通过局部敏感哈希的方法计算出用户相似度矩阵由此来构成用户关联模型,具体步骤如下:
(21)使用Box-Muller方法产生k个随机向量;
(22)将每个用户的单位稀疏向量与这些随机向量做乘积,根据正负结果得到相对的比特位;
(23)将每个用户的k个比特位分成t个块,每个块有b位比特位;如果同一个块中的比特位相同,就把这些用户放到一个候选桶里;其中,每个候选桶中存放相似的用户;
(24)每个候选桶的用户都相互为候选项,通过将每个候选桶内的相似用户做全排列,求出全相似对;
(25)对候选桶内的伪候选对,根据用户设置的最小相似度阈值进行过滤。
优选的,所述步骤4)中在构建增量式聚类模型时,基于腐蚀因子更新聚类中心与聚类模型进行,其聚类中心的更新公式如下:
nt+1=nt+mt (2)
其中,Ct表示前一个模型的聚类中心,Nt表示聚类节点个数,Xt表示新提交的批数据的聚类中心,Mt表示加入聚类的批数据的节点个数,a表示之前数据的腐蚀系数。
本发明提供的基于聚类的流式推荐方案,其有效结合聚类结构和协同过滤方法的优点,能够在保证推荐准确率的同时,提高推荐结果的领域特性与关联特性,提高推荐准确性。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为基于聚类的流式推荐引擎的架构图;
图2为基于聚类的流式推荐引擎的离线计算的流程图;
图3为基于聚类的流式推荐引擎的实时计算模块的流程图;
图4为基于离线-在线-实时构架的推荐系统的架构图;
图5为基于聚类的流式推荐的总流程图;
图6为基于聚类的流式推荐时的离线聚类算法的流程图;
图7为基于聚类的流式推荐时的离线用户关联模型算法的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
参见图1,其所示为本实施例中提供的基于聚类的流式推荐引擎的架构图。
该推荐引擎其通过构建一个增量式的聚类,利用基于聚类结构的推荐算法来进行个性化推荐。由图可知,本推荐引擎的系统架构分为离线计算层109和实时计算层110,并且主要由离线训练模型101、增量训练模型102以及在线推荐模块103三部分相配合。
其中,离线训练模型101,其运行在推荐引擎的离线计算层109中,通过数据ETL模块104从持久化数据源(如HBase)106中,进行数据抽取、转换、加载,并据此进行离线训练计算,训练出初始聚类模型和用户关联模型,并将初始聚类模型和用户关联模型写入到文件系统(HDFS)107中。
增量训练模型102,其运行在推荐引擎的实时计算层110中,该模型从文件系统107中加载初始聚类模型和用户关联模型,同时通过数据采集模块105接收流式数据源(如Kafka)108的数据,进行转换和加载,据此加载流式数据对聚类模型进行增量训练,产生增量式聚类模型。
在线推荐模块103,其同样在推荐引擎的实时计算层110中,基于增量式聚类模型和用户关联模型进行实时现在推荐。
据此构成的推荐引擎,其整个运行过程分为两部分:离线计算部分和实时计算部分,分别在引擎的离线计算层109和实时计算层110中进行。
对于离线计算层109中进行的离线计算部分,其具体步骤如下(参见图2):
(2-1)从持久化数据源(如HBase)中,进行数据抽取、转换、加载到离线训练模块中。
(2-2)离线训练模块中,基于本发明提出的聚类模型训练出初始聚类模型和用户关联模型。
(2-3)将聚类模型序列化写到文件系统(如HDFS)中。
而在实时计算层110进行的实时计算部分,其具体步骤如下(参见图3):
(3-1)增量训练模块从文件系统(如HDFS)上,加载初始聚类模型和用户关联模型。
(3-2)数据采集模块接收流式数据源(如Kafka)的数据,进行转换加载到增量训练模块中。
(3-3)增量训练模块会批量加载流式数据,针对加载的初始聚类模型进行增量训练,得到增量式聚类模型。
(3-4)在增量式聚类模型下,在线推荐模块基于用户关联模型,在接收到用户推荐请求后,根据用户和物品匹配到所对应的聚类,基于推荐算法进行实时推荐。
基于上述的推荐引擎,本实例中还提供一种基于聚类的流式推荐系统。
参见图4,其所是为该基于聚类的流式推荐系统的系统架构图。由图可知,该推荐系统200整体基于离线-在线-实时架构,其主要包括离线系统201、实时系统202和在线系统203,同时在离线系统201、实时系统202和在线系统203构成的系统架构中运行上述的聚类的流式推荐引擎。
其中,实时系统202,是对用户的行为产生实时反馈的系统,能更快地响应最近的事件和用户交互,但必须实时完成,主要包括实时的自适应个性化推荐服务。在本系统中,实时地接收在线系统和消息中间件传递过来的消息,实时的更新用户商品聚类与用户关联关系矩阵。
具体的,该实时系统202主要包括数据实时采集模块202a、增量训练模块202b、在线推荐模块202c、上下文过滤模型202d以及实时计算服务模块202e,其中,实时采集模块202a、增量训练模块202b、在线推荐模块202c即为上述的流式推荐引擎100中的数据采集模块105、增量训练模型102以及在线推荐模块103,其中实时采集模块202a连接流式数据源(kafka)204,接收流式数据源(如Kafka)的数据,进行转换,并加载到增量训练模块202b。
增量训练模块202b,其连接到推荐系统的文件系统(HDFS)206,以加载初始聚类模型和用户关联模型,并根据加载流式数据对聚类模型进行增量训练,产生增量式聚类模型。
在线推荐模块202c,基于增量式聚类模型和用户关联模型进行实时现在推荐。
实时计算服务模块202e,其与增量训练模块202b、在线推荐模块202c、上下文过滤模型202d数据连接,并与在线系统203的预测器203a数据相接。
离线系统201,是每日定时运行的大规模计算的系统,对于数据数量和算法复杂度限制更少,并以批量方式完成,没有很强的时间要求。该系统完整的处理的事项主要包括用户行为数据的流式ETL处理,推荐物品的相似度模型的计算,推荐模型的初始化计算和用户商品初始聚类和初始关联矩阵。
该离线系统201主要包括数据TEL模块201a、离线训练模块201b、离线推荐算法模块201c、离线计算服务模块201d以及外部系统导入服务模块201e。
数据TEL模块201a和离线训练模块201b即为上述的流式推荐引擎100中的数据TEL模块和离线训练模块。
其中,数据TEL模块201a其连接于持久化数据源(HBase)205,并与离线训练模块201b数据连接,离线训练模块201b与离线推荐算法模块201c数据连接。
离线计算服务模块201d控制连接数据TEL模块201a、离线训练模块201b、离线推荐算法模块201c,并与文件系统(HDFS)206数据连接。
外部系统导入服务模块201e,其连接持久化数据源(HBase)205,并连接到外部系统208。
在线系统203,是在实时系统背后运行的辅助系统,可以执行类似于在线计算的方法,但又不必以实时方式完成,包括用户行为数据的收集,实时地将用户请求转发给实时系统,并相应更新数据库事务。
具体的,该在线系统203主要包括预测器203a、更新器203b以及请求处理模块203c。
其中,更新器203b连接到流式数据源(kafka)204和持久化数据源(HBase)205,而预测器203a连接到实时系统202中的实时计算服务模块202e。
请求处理模块203c分别与预测器203a和更新器203b数据详解,并连接到Web服务系统207。
由此构成的推荐系统,其在离线-在线-实时构架的基础上整合基于聚类的流式推荐引擎,由此在离线计算过程中进行初始化聚类模型和关联模型的计算,在增量训练模型中根据实时数据进行增量式模型训练,并通过在线推荐模块提供用户调用接口,将整个推荐系统整合在一起,从而能结合聚类结构和协同过滤方法的优点,通过聚类结构将用户和商品分类,通过基于协同过滤方法挖掘各用户和商品间的关联关系。
故,该推荐系统能够在保证不影响推荐准确率的同时,保证在线推荐的实时性。本推荐系统能够大数据膨胀的环境下,实现自适应个性化推荐,其进行推荐的总流程步骤如下(参见图5):
(5-1)初始化离线聚类模型:对已有的大规模数据集,进行聚类分析,产生聚类模型;
(5-2)初始化离线用户关联模型:对已有的大规模数据集,进行关联分析,产生用户关联模型;
(5-3)构建在线推荐模型:用于对外部系统提供在线调用接口服务;并构建实时转发系统,实时地将外部接口的调用转发给增量式聚类模型;
(5-4)构建增量式聚类模型:基于流式数据对聚类模型进行增量训练,产生增量式聚类模型;
(5-5)在增量式聚类模型下,根据各聚类内部的关联关系产生实时推荐结果。
其中,步骤(5-1)在初始化离线聚类模型时,具体的步骤如下(参见图6):
(6-1)首先,将用户和商品根据他们对每个商品打的标签,生成多维度的向量。
(6-2)接着,根据产生的多维度的向量集,从输入的数据点集合中随机选择一个点作为第一个聚类中心。
(6-3)对于数据集中的每一个点x,计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)。
(6-4)选择一个新的数据点作为新的聚类中心,选择的原则是:D(x)较大的点,被选取作为聚类中心的概率较大。
(6-5)重复步骤(3)和(4)直到k个聚类中心被选出来。
(6-6)利用这k个初始的聚类中心来运行标准的k-means算法。
步骤(5-2)在初始化构建离线用户关联模型时,主要是挖掘用户与商品的关联关系,据此生成用户间的相似度矩阵,同时通过局部敏感哈希的方法计算出用户相似度矩阵的。具体的构建过程如下(参见图7):
(7-1)使用Box-Muller方法产生k个随机向量。
(7-2)将每个用户的单位稀疏向量与这些随机向量做乘积,根据正负结果得到相对的比特位。
(7-3)将每个用户的k个比特位分成t个块,每个块有b位比特位;如果同一个块中的比特位相同,就把这些用户放到一个候选桶里。其中,每个候选桶中存放相似的用户。
(7-4)每个候选桶的用户都相互为候选项,通过将每个候选桶内的相似用户做全排列,求出全相似对。
(7-5)对候选桶内的伪候选对,根据用户设置的最小相似度阈值进行过滤。
步骤(5-4)在构建增量式聚类模型时,主要是基于腐蚀因子更新聚类中心与聚类模型进行,其聚类中心的更新公式如下:
nt+1=nt+mt (2)
其中,Ct表示前一个模型的聚类中心,Nt表示聚类节点个数,Xt表示新提交的批数据的聚类中心,Mt表示加入聚类的批数据的节点个数,a表示之前数据的腐蚀系数。
步骤(5-5)中根据各聚类内部的关联关系产生实时推荐结果时,其是针对之前的训练出的聚类。在各聚类内部,根据关联关系生成实时的推荐结果。
其具体的实现过程如下:
1)加载步骤(5-2)中最终生成的用户与物品的相似度关联关系;
2)对于目标待推荐的用户,找到与其相似的用户;
3)对于所有相似用户曾有过购买、收藏行为的物品,以它们之间的相似度为权值计算出目标待推荐的用户对那些物品的兴趣值。
根据上述方案内容可知,基于本实例提供的推荐方案,能够建立一个在保证不影响推荐准确率的同时,保证在线推荐的实时性的推荐系统,其能够进行自适应个性化的推荐,以适应大数据膨胀环境下的需求。该推荐系统实际为一种建立在数据分析和数据挖掘技术上的商务智能应用,能够基于用户行为数据分析用户兴趣偏好并进行个性化计算,引导用户发现自己的真实需求。
另外,本方案在具体实现时,其可为纯软件架构,可以透过程序代码布设于实体媒体,如硬盘、软盘、光盘片、或是任何机器可读取(如智能型手机、计算机可读取)储存媒体,当机器加载程序代码且执行,如智能型手机加载且执行,机器成为用以实行本系统的装置。另外,本方案也可以程序代码型态透过一些传送媒体,如电缆、光纤、或是任何传输型态进行传送,当程序代码被机器,如智能型手机接收、加载且执行,机器成为用于实行本系统的装置。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于聚类的流式推荐方法,所述的推荐方法通过构建增量式的聚类,再根据各聚类内部的关联关系产生实时推荐;所述流式推荐方法包括如下步骤:
1)初始化离线聚类模型:对已有的大规模数据集,进行聚类分析,产生聚类模型;
(11)将每个用户和商品,根据它曾打过或被打过的标签,生成多维度的向量,最终产生了全量的用户和商品的向量集;
(12)从步骤(11)产生的多维度的向量集中随机选择k个点作为初始聚类中心;
(13)对于数据集中的每一个点x,计算它与选择的聚类中心的距离D(x);
(14)选择一个新的数据点作为新的聚类中心;
(15)重复步骤(13)和(14)直到k个聚类中心被选出来;
(16)利用这k个初始的聚类中心来运行标准的k-means算法;
2)初始化离线用户关联模型:对已有的大规模数据集,进行关联分析,产生用户关联模型;
3)构建在线推荐模型:对外部系统提供在线调用接口服务;并构建实时转发系统,实时地将外部接口的调用转发给增量式聚类模型;
4)构建增量式聚类模型:基于流式数据对聚类模型进行增量训练,产生增量式聚类模型;
5)在增量式聚类模型下,根据各聚类内部的关联关系产生实时推荐结果。
2.根据权利要求1所述的一种基于聚类的流式推荐方法,其特征在于,所述步骤2)中通过局部敏感哈希的方法计算出用户相似度矩阵由此来构成用户关联模型,具体步骤如下:
(21)使用Box-Muller方法产生k个随机向量;
(22)将每个用户的单位稀疏向量与这些随机向量做乘积,根据正负结果得到相对的比特位;
(23)将每个用户的k个比特位分成t个块,每个块有b位比特位;如果同一个块中的比特位相同,就把这些用户放到一个候选桶里;其中,每个候选桶中存放相似的用户;
(24)每个候选桶的用户都相互为候选项,通过将每个候选桶内的相似用户做全排列,求出全相似对;
(25)对候选桶内的伪候选对,根据用户设置的最小相似度阈值进行过滤。
3.根据权利要求2所述的一种基于聚类的流式推荐方法,其特征在于,所述步骤4)中在构建增量式聚类模型时,基于腐蚀因子更新聚类中心与聚类模型进行,其聚类中心的更新公式如下:
nt+1=nt+mt (2)
其中,Ct表示前一个模型的聚类中心,Nt表示聚类节点个数,Xt表示新提交的批数据的聚类中心,Mt表示加入聚类的批数据的节点个数,a表示之前数据的腐蚀系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008387.4A CN105608219B (zh) | 2016-01-07 | 2016-01-07 | 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008387.4A CN105608219B (zh) | 2016-01-07 | 2016-01-07 | 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608219A CN105608219A (zh) | 2016-05-25 |
CN105608219B true CN105608219B (zh) | 2019-06-18 |
Family
ID=55988158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610008387.4A Active CN105608219B (zh) | 2016-01-07 | 2016-01-07 | 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608219B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126641B (zh) * | 2016-06-24 | 2019-02-05 | 中国科学技术大学 | 一种基于Spark的实时推荐系统及方法 |
TWI621084B (zh) * | 2016-12-01 | 2018-04-11 | 財團法人資訊工業策進會 | 跨區域商品對應方法、系統及非暫態電腦可讀取記錄媒體 |
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 |
CN107168681B (zh) * | 2017-03-31 | 2020-11-06 | 北京奇艺世纪科技有限公司 | 一种实时任务处理方法及装置 |
CN107066602A (zh) * | 2017-04-21 | 2017-08-18 | 北京搜狐新媒体信息技术有限公司 | 一种新闻信息推送方法及系统 |
CN107944485B (zh) * | 2017-11-17 | 2020-03-06 | 西安电子科技大学 | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 |
CN108664558B (zh) * | 2018-04-04 | 2020-05-05 | 山东科技大学 | 一种面向大规模用户的网络电视个性化推荐服务方法 |
CN109388711A (zh) * | 2018-09-05 | 2019-02-26 | 广州视源电子科技股份有限公司 | 日志流聚类的方法和装置 |
CN109446413B (zh) * | 2018-09-25 | 2021-06-01 | 上海交通大学 | 基于物品关联关系的序列化推荐方法 |
CN109635204A (zh) * | 2018-12-21 | 2019-04-16 | 上海交通大学 | 基于协同过滤和长短记忆网络的在线推荐系统 |
CN109903138B (zh) * | 2019-02-28 | 2021-05-18 | 华中科技大学 | 一种个性化商品推荐方法 |
CN111736913B (zh) * | 2019-03-25 | 2021-11-19 | 华为技术有限公司 | 类加载方法和装置 |
CN110059802A (zh) | 2019-03-29 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用于训练学习模型的方法、装置和计算设备 |
CN110096529B (zh) * | 2019-04-16 | 2021-07-16 | 中科金联(北京)科技有限公司 | 一种基于多维矢量数据的网络数据挖掘方法和系统 |
WO2020258101A1 (zh) * | 2019-06-26 | 2020-12-30 | 深圳市欢太科技有限公司 | 用户相似度计算方法、装置、服务端及存储介质 |
CN110990698B (zh) * | 2019-11-29 | 2021-01-08 | 珠海大横琴科技发展有限公司 | 一种推荐模型构建方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065607A3 (en) * | 1999-06-29 | 2002-05-29 | Xerox Corporation | System and method of predicting a user's rating for an item in a collaborative filtering system |
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 |
CN103886047A (zh) * | 2014-03-12 | 2014-06-25 | 浙江大学 | 面向流式数据的分布式在线推荐方法 |
CN104254851A (zh) * | 2012-03-17 | 2014-12-31 | 海智网聚网络技术(北京)有限公司 | 用于向用户推荐内容的方法和系统 |
CN104715431A (zh) * | 2013-12-12 | 2015-06-17 | 上海莞东拿信息科技有限公司 | 新式程序切片技术的面向商业地产行业的网络经纪人服务平台 |
CN104715430A (zh) * | 2013-12-12 | 2015-06-17 | 上海莞东拿信息科技有限公司 | 新式程序切片技术的面向商业地产行业的数据收集引擎 |
-
2016
- 2016-01-07 CN CN201610008387.4A patent/CN105608219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065607A3 (en) * | 1999-06-29 | 2002-05-29 | Xerox Corporation | System and method of predicting a user's rating for an item in a collaborative filtering system |
CN104254851A (zh) * | 2012-03-17 | 2014-12-31 | 海智网聚网络技术(北京)有限公司 | 用于向用户推荐内容的方法和系统 |
CN104715431A (zh) * | 2013-12-12 | 2015-06-17 | 上海莞东拿信息科技有限公司 | 新式程序切片技术的面向商业地产行业的网络经纪人服务平台 |
CN104715430A (zh) * | 2013-12-12 | 2015-06-17 | 上海莞东拿信息科技有限公司 | 新式程序切片技术的面向商业地产行业的数据收集引擎 |
CN103886047A (zh) * | 2014-03-12 | 2014-06-25 | 浙江大学 | 面向流式数据的分布式在线推荐方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN105608219A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608219B (zh) | 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法 | |
Xue et al. | A self-adaptive artificial bee colony algorithm based on global best for global optimization | |
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
CN105005911B (zh) | 深度神经网络的运算系统及运算方法 | |
CN108932588B (zh) | 一种前后端分离的水电站群优化调度系统及方法 | |
Durão et al. | Internet of Things process selection: AHP selection method | |
CN113505882B (zh) | 基于联邦神经网络模型的数据处理方法、相关设备及介质 | |
TW201717071A (zh) | 推薦方法及裝置 | |
CN103488775B (zh) | 一种用于大数据处理的计算系统及计算方法 | |
CN103886048A (zh) | 一种基于聚类的增量数字图书推荐方法 | |
CN112559896B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
CN112035879B (zh) | 一种提高小区自动物流保密性的信息处理方法及系统 | |
CN105335368B (zh) | 一种产品聚类方法及装置 | |
CN110825975A (zh) | 一种信息推荐方法、装置、设备及计算机可读存储介质 | |
CN105095414A (zh) | 用于预测网络搜索量的方法和装置 | |
CN103843281A (zh) | 改进感兴趣的完全不同的社交网络环境之间的信息交换 | |
CN114282122A (zh) | 一种高效非采样的图卷积网络推荐方法 | |
CN108108952A (zh) | 一种业务实现方法、系统、设备及计算机存储介质 | |
CN116957112A (zh) | 联合模型的训练方法、装置、设备及存储介质 | |
CN110399564B (zh) | 帐号分类方法和装置、存储介质及电子装置 | |
CN113344648B (zh) | 一种基于机器学习的广告推荐方法及系统 | |
CN115938505A (zh) | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 | |
CN101872302B (zh) | 一种基于bpel的控制信息流图的建模方法 | |
CN111368060B (zh) | 对话机器人的自学习方法、装置、系统、电子设备及介质 | |
Lian et al. | Traffic sign recognition using optimized federated learning in internet of vehicles |
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 | ||
CP03 | Change of name, title or address |
Address after: Room 301, No. 3, Lane 999, Huanke Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, 2012 Patentee after: SHANGHAI TONTRON INFORMATION TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Building 6, No. 116, Lane 572, Bibo Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, March 2012 Patentee before: SHANGHAI TONGRON INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |