CN105654267A - 一种基于谱聚类的冷链物流配载智能推荐方法 - Google Patents
一种基于谱聚类的冷链物流配载智能推荐方法 Download PDFInfo
- Publication number
- CN105654267A CN105654267A CN201610112331.3A CN201610112331A CN105654267A CN 105654267 A CN105654267 A CN 105654267A CN 201610112331 A CN201610112331 A CN 201610112331A CN 105654267 A CN105654267 A CN 105654267A
- Authority
- CN
- China
- Prior art keywords
- user
- prestowage
- route
- matrix
- cold chain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003595 spectral effect Effects 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Discrete Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的一种基于谱聚类的冷链物流配载智能推荐方法,针对冷链物流配载智能推荐,提出了通过冷链运输用户对配载线路的评分,建立评分矩阵,使用欧氏距离计算用户相似度,利用度矩阵计算拉普拉斯矩阵,通过计算有序拉普拉斯矩阵的特征值,得到特征向量,利用K-means算法对特征向量进行聚类,得到具有相似兴趣的配载路线的用户组,在相似兴趣配载路线的用户组内推荐配载线路,从而实现冷链物流配载的智能推荐,降低了冷链物流车辆的空载率,提高了冷链物流运输车辆的利润率。
Description
技术领域
本发明属于推荐技术领域,特别涉及一种基于谱聚类的冷链物流配载智能推荐方法,可应用于冷链物流配载推荐系统。
背景技术
推荐系统通过对用户偏好、习惯、访问记录、购买记录等信息进行综合分析,定制的向用户提供其可能感兴趣的信息和服务,其在电子商务、在线影视、新闻广告等领域得到广泛应用,如亚马逊购物(Amazon)、淘宝网、Google广告等。协同过滤推荐是推荐系统中应用最早和最成功的技术之一,其基本假设是:如果用户在过去有相同的偏好(如他们浏览或购买过相同的图书),那么他们在未来也会有相似的偏好。然而,协同过滤推荐技术在实际应用中存在数据稀疏、用户相似性难以准确度量等问题,以用户观看网络电影为例,通常用户观看电影的数量只是网站电影总数量的2%左右,而用户对电影的评价会更少,网站收集到的用户评分矩阵极其稀疏,这会导致协同过滤推荐算法在计算用户相似性时精度不高,推荐误差较大。针对上述问题,国内外学者对协同过滤推荐算法进行了相关改进。吴湖等在“两阶段联合聚类协同过滤算法”(软件学报,2010,21(5):1042-1054)提出了一种基于两阶段联合聚类协同过滤算法,首先对原始矩阵进行用户和项目双向聚类,然后通过加权非负矩阵分解进行评分预测,推荐精度得到一定提高。TsaiCF与HungC.在“Clusterensemblesincollaborativefilteringrecommendation”(AppliedSoftComputing,2012,12(4):1417-1425)提出了将融合聚类(clusterensemble)技术应用到协同过滤推荐算法中,但该类方法存在对聚类边缘用户推荐精度较低的问题。赵宏霞等人在“基于用户和项目因子分析的混合协同推荐算法”(计算机应用,2011,31(5):1382-1386)和HuangZ等人在“Acomparisonofcollaborative-filteringrecommendationalgorithmsforE-commerce”(IEEEIntelligentSystems,2007,22(5):68-78)提了出先通过因子分析、奇异值分解(SingularValueDecomposition,SVD)等方法对评分矩阵进行降维,再采用回归分析方法预测评分,该类方法减少了运算数据量并最大限度保留了矩阵信息,实验中取得了较好的效果,但该方法以牺牲评分矩阵数据为代价,在原始评分矩阵极为稀疏的情况下,该类方法的预测误差较大。上述对协同过滤算法的改进都建立在单个独立的数据空间,而在大数据环境下,大量新的数据在众多领域(如电影、图书、新闻、电子商务、博客、微博、社交网络)爆炸性增长,数据正以前所未有的速度不断地增长和累计,要在这些新领域应用传统的机器学习方法,需要大量有标识的训练数据,但是如果对每个领域都标识出大量训练数据会耗费大量的人力和物力。虽然不同网站的用户并不是相同的群体,但是他们都是全体社会成员中抽样出来的子集,用户对电影、图书、新闻等内容会体现相似的兴趣分布,比如,喜欢科幻小说的人群同样会喜欢看科幻电影和相关新闻。所以,在单个用户和项目之间没有显式对应关系的情况下,相似类别的用户或项目也可以具有相似的潜在特征。
2012年和2015年,李翔、朱全银和胡荣林等给出了联合聚类和评分矩阵共享的协同过滤推荐方法以及数据预处理方法等(李翔,朱全银.联合聚类和评分矩阵共享的协同过滤推荐.计算机科学与探索,2014,Vol.8(6):751-759;LiXiang,ZhuQuanyin,WangLiuyang.ResearchofBesselKernelFunctionoftheFirstKindforSupportVectorRegression.InformationTechnologyJournal,2013,Vol.12(14):2673-2682;LiXiang,ZhuQuanyin,WangZun.ResearchofImprovedLVQNeuralNetworkbyAdaBoostAlgorithm.JournalofAppliedSciences,2013,Vol.13(14):2658-2663;李翔.基于Petri网与Flexsim的仓储装卸仿真研究.计算机与应用化学,2012,Vol.29(10):1259-1262;QuanyinZhu,JinDing,YonghuaYin,PeiZhou.AHybridApproachforNewProductsDiscoveryofCellPhoneBasedonWebMining.JournalofInformationandComputationalScience.2012,Vol.9(16):5039-5046;朱全银等,一种基于神经网络的多品种商品价格预测的数据预处理方法,公开号CN102982229A;朱全银等,一种校园个性化掌上服务及用户行为习惯分析的实现方法,公开号:CN104731971A;胡荣林等,基于北斗导航的冷藏车辆智能监控云终端装置,公开号:CN105072585A;胡荣林等,基于无线传感器网络和3G网络的智能流量监测方法,公开号:CN102781014A;李翔,朱全银等,一种基于集成学习的PM2.5预报方法,公开号:CN103955742A)。
谱聚类的基本思路如下:
谱聚类是一种基于图论的高效聚类方法,其将聚类问题转换成无向图的多路划分问题,并对样本数据的拉普拉斯矩阵的特征向量进行聚类,近年来被广泛应用于机器学习领域。谱聚类算法中将数据点看作图中的一个顶点,将两点间的相似度作为边的权值,得到一个基于相似度无向图,其中T为顶点集合,E为边的集合。谱聚类的基本思想通过分割后要使得连接不同组之间的边的权重尽可能低(组间相似度小),组内部的边的权重尽可能高(组内相似度高)。聚类划分准则是聚类技术的核心,由于谱聚类被看作属于图论领域的问题,其聚类划分也和边的权重有关。常用的谱聚类划分准则有最小分割法(MinimumCut)、规范化分割(NormalizedCut)、最小最大分割准则(Min-maxCut)、比例分割法(RatioCut)。
协同过滤算法在推荐系统领域得到广泛应用,取得较好的推荐效果,但仍存在受评分矩阵稀疏性影响较大等问题。而广大的冷链生产商、销售商、物流运输企业与个人对冷链物流运输的相互推荐有迫切的需求,因此,需要找到一种能够适应冷链物流配载的智能推荐方法,以获得更高的推荐准确率。
发明内容
本发明的目的是将谱聚类方法引入冷链物流配载的智能推荐,以提供一种基于谱聚类的冷链物流配载智能推荐方法,以提高冷链物流的运输效率。
本发明的技术方案是通过冷链运输用户对配载线路的评分,建立评分矩阵,使用欧氏距离计算用户相似度,利用度矩阵计算拉普拉斯矩阵,通过计算有序拉普拉斯矩阵的特征值,得到特征向量,利用K-means算法对特征向量进行聚类,得到具有相似兴趣的配载路线的用户组,在相似兴趣配载路线的用户组内推荐配载线路。
具体的说,本发明方案通过如下各步骤实现一种基于谱聚类的冷链物流配载智能推荐:
步骤1、设冷链物流配载系统中用户数为M、配载路线数为N,建立用户集合和配载路线集合;
步骤2、设表示用户对配载路线的评分,其中,,;建立用户对配载路线的评分矩阵;
步骤3、设,其中,,且;令表示用户与用户的相似度,、分别表示用户和用户对配载路线的评分,其中,;若或有一项为空,即,配载路线存在未评分情况,则令,使用欧氏距离计算用户相似度,得到用户相似度矩阵;
步骤4、计算度矩阵,度矩阵为对角矩阵,除对角元素外全为0,的对角元素为W对应列的所有元素之和,,其中,循环变量;得到;
步骤5、计算拉普拉斯矩阵L,L=D-W;
步骤6、计算矩阵L的特征值,并按照从小到大排序,得到特征值;
步骤7、计算特征值对应的特征向量;
步骤8、设冷链物流系统中具有相似兴趣的用户类别数为K,其中,,特征向量中对应这K个类别的特征值为;取特征值对应的特征向量;
步骤9、使用K-means算法对的行向量进行聚类,得到K个用户聚类组,每个聚类组中的用户具有相似兴趣的配载路线,使用分别表示K类聚类用户组,使用表示聚类组内的用户,其中,,;得到
,
其中,;
步骤10、设某一聚类用户组,其中,;含有个用户,其中,;则;令表示中用户,其中,;则向用户推荐冷链配载路线,其中,是用户推荐的配载路线,是用户对配载路线的评分。
其中,步骤B中所述的用户对配载路线的评分可以是“优秀、良好、一般、较差、差”,也可以是“非常满意、满意、较为满意、一般、不满意”,或者“10分、8分、6分、3分、1分”,或者“5分、4分、3分、2分、1分”等,在建立用户对配载路线的评分矩阵R时,都将评分处理为0到5之间的数值数据。
本发明针对冷链物流配载智能推荐,创造性提出了通过冷链运输用户对配载线路的评分,建立评分矩阵,使用欧氏距离计算用户相似度,利用度矩阵计算拉普拉斯矩阵,通过计算有序拉普拉斯矩阵的特征值,得到特征向量,利用K-means算法对特征向量进行聚类,得到具有相似兴趣的配载路线的用户组,在相似兴趣配载路线的用户组内推荐配载线路,从而实现冷链物流配载的智能推荐,降低了冷链物流车辆的空载率,提高了冷链物流运输车辆的利润率。
附图说明
图1为本发明具体实施方式的流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
如附图1所示,本发明实施方案按照以下步骤进行:
步骤1、设冷链物流配载系统中用户数为M、配载路线数为N,建立用户集合和配载路线集合;
步骤2、设表示用户对配载路线的评分,其中,,;建立用户对配载路线的评分矩阵;
步骤3、设,其中,,且;令表示用户与用户的相似度,、分别表示用户和用户对配载路线的评分,其中,;若或有一项为空,即,配载路线存在未评分情况,则令,使用欧氏距离计算用户相似度,得到用户相似度矩阵;
步骤4、计算度矩阵,度矩阵为对角矩阵,除对角元素外全为0,的对角元素为W对应列的所有元素之和,,其中,循环变量;得到;
步骤5、计算拉普拉斯矩阵L,L=D-W;
步骤6、计算矩阵L的特征值,并按照从小到大排序,得到特征值;
步骤7、计算特征值对应的特征向量;
步骤8、设冷链物流系统中具有相似兴趣的用户类别数为K,其中,,特征向量中对应这K个类别的特征值为;取特征值对应的特征向量;
步骤9、使用K-means算法对的行向量进行聚类,得到K个用户聚类组,每个聚类组中的用户具有相似兴趣的配载路线,使用分别表示K类聚类用户组,使用表示聚类组内的用户,其中,,;得到
,
其中,;
步骤10、设某一聚类用户组,其中,;含有个用户,其中,;则;令表示中用户,其中,;则向用户推荐冷链配载路线,其中,是用户推荐的配载路线,是用户对配载路线的评分。
其中,步骤B中所述的用户对配载路线的评分可以是“优秀、良好、一般、较差、差”,也可以是“非常满意、满意、较为满意、一般、不满意”,或者“10分、8分、6分、3分、1分”,或者“5分、4分、3分、2分、1分”等,在建立用户对配载路线的评分矩阵R时,都将评分处理为0到5之间的数值数据。
为了理解本方法的实施过程,假设冷链物流配载系统中用户数为,配载路线数为,建立用户集合和配载路线集合。
设表示用户对配载路线的评分,其中,,建立用户对配载路线的评分矩阵如下,设对评分矩阵赋值如下
设,,且,令表示用户与用户的相似度,、分别表示用户和用户对配载路线的评分,。若或有一项为空,即配载路线存在未评分情况,则令,使用欧氏距离计算用户相似度。
同理,
由于
得到用户相似度矩阵
计算度矩阵,度矩阵为对角矩阵,除对角元素外全为0,的对角元素为W对应列的所有元素之和,,其中循环变量,
同理
计算拉普拉斯矩阵,
计算矩阵的特征值,并按照从小到大排序,得到特征值,
计算特征值对应的特征向量,
设冷链物流系统中具有相似兴趣的用户类别数为,特征向量中对应这3个类别的特征值为;取特征值对应的特征向量
使用K-means算法对的行向量进行聚类,得到3个用户聚类组,每个聚类组中的用户具有相似兴趣的配载路线,使用分别表示3类聚类用户组,使用表示聚类组内的用户,其中,,;得到,,,即满足。
以聚类后的用户组为例,其中用户的评分中大于等于3的线路有、和,则向中其他用户、、和推荐线路、和。即,式中,用户的评分时的线路有,推荐给用户、、和的线路为。
为了更好地说明本发明方法的实用性,利用中国冷链物流网2014年1月1日至2015年12月31日中抽取的冷链物流用户和配载路线数据来证明一种基于谱聚类的冷链物流配载智能推荐方法的有效性。选取2014年1月1日至2015年6月30日中国冷链物流网中6000个用户和1000条配载路线进行训练学习,并对这6000个用户在2015年7月1日至2015年12月31日配载路线进行预测,最后算的平均绝对误差为0.75,而传统K-means算法聚类预测的平均绝对误差为0.84,即基于谱聚类的冷链物流配载智能推荐方法准确率比利用传统K-means算法聚类预测的平均绝对误差降低了0.09。
本发明可与计算机系统结合,从而自动完成冷链物流配载的智能推荐。
本发明创造性的提出了将一种基于谱聚类的冷链物流配载智能推荐方法,通过冷链物流用户对配载线路的原始评分数据,采用谱聚类方法对冷链物流用户进行聚类,进而利用相似兴趣组内的配载线路评分进行组内推荐的方法,实现冷链物流配载的智能推荐,降低了冷链物流车辆的空载率,具有很高的实用价值。
本发明提出的冷链物流配载的智能推荐方法不但可以用于冷链物流领域,也可以用于其他物流运输等领域。
Claims (2)
1.一种基于谱聚类的冷链物流配载智能推荐方法,其特征在于:通过冷链物流用户对配载线路的原始评分数据,采用谱聚类方法对冷链物流用户进行聚类,进而利用相似兴趣组内的配载线路评分进行组内推荐的方法,实现冷链物流配载的智能推荐,具体包括以下步骤:
步骤1、设冷链物流配载系统中用户数为M、配载路线数为N,建立用户集合和配载路线集合;
步骤2、设表示用户对配载路线的评分,其中,,;建立用户对配载路线的评分矩阵;
步骤3、设,其中,,且;令表示用户与用户的相似度,、分别表示用户和用户对配载路线的评分,其中,;若或有一项为空,即,配载路线存在未评分情况,则令,使用欧氏距离计算用户相似度,得到用户相似度矩阵;
步骤4、计算度矩阵,度矩阵为对角矩阵,除对角元素外全为0,的对角元素为W对应列的所有元素之和,,其中,循环变量;得到;
步骤5、计算拉普拉斯矩阵L,L=D-W;
步骤6、计算矩阵L的特征值,并按照从小到大排序,得到特征值;
步骤7、计算特征值对应的特征向量;
步骤8、设冷链物流系统中具有相似兴趣的用户类别数为K,其中,,特征向量中对应这K个类别的特征值为;取特征值对应的特征向量;
步骤9、使用K-means算法对的行向量进行聚类,得到K个用户聚类组,每个聚类组中的用户具有相似兴趣的配载路线,使用分别表示K类聚类用户组,使用表示聚类组内的用户,其中,,;得到
,
其中,;
步骤10、设某一聚类用户组,其中,;含有个用户,其中,;则;令表示中用户,其中,;则向用户推荐冷链配载路线,其中,是用户推荐的配载路线,是用户对配载路线的评分。
2.根据权利要求1所述的一种基于谱聚类的冷链物流配载智能推荐方法,其特征在于:步骤B中所述的用户对配载路线的评分可以是“优秀、良好、一般、较差、差”,也可以是“非常满意、满意、较为满意、一般、不满意”,或者“10分、8分、6分、3分、1分”,或者“5分、4分、3分、2分、1分”等,在建立用户对配载路线的评分矩阵R时,都将评分处理为0到5之间的数值数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610112331.3A CN105654267A (zh) | 2016-03-01 | 2016-03-01 | 一种基于谱聚类的冷链物流配载智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610112331.3A CN105654267A (zh) | 2016-03-01 | 2016-03-01 | 一种基于谱聚类的冷链物流配载智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105654267A true CN105654267A (zh) | 2016-06-08 |
Family
ID=56492535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610112331.3A Pending CN105654267A (zh) | 2016-03-01 | 2016-03-01 | 一种基于谱聚类的冷链物流配载智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654267A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886872A (zh) * | 2017-01-20 | 2017-06-23 | 淮阴工学院 | 一种基于聚类和余弦相似度的物流推荐方法 |
CN107247762A (zh) * | 2017-06-01 | 2017-10-13 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CN110020823A (zh) * | 2019-04-09 | 2019-07-16 | 心怡科技股份有限公司 | 一种基于K-Means的库位分配算法 |
CN110751441A (zh) * | 2019-10-21 | 2020-02-04 | 秒针信息技术有限公司 | 一种优化物流仓储系统中储位的方法及装置 |
CN113316797A (zh) * | 2019-11-01 | 2021-08-27 | 株式会社日立制作所 | 资源共享支援系统以及资源共享支援方法 |
CN114399251A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2629248A1 (en) * | 2012-02-15 | 2013-08-21 | Thomson Licensing | Method of creating content recommendations based on user ratings of content with improved user privacy |
CN103793476A (zh) * | 2014-01-08 | 2014-05-14 | 西安电子科技大学 | 基于网络社区的协同过滤推荐方法 |
CN104077357A (zh) * | 2014-05-31 | 2014-10-01 | 浙江工商大学 | 基于用户的协同过滤组合推荐方法 |
-
2016
- 2016-03-01 CN CN201610112331.3A patent/CN105654267A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2629248A1 (en) * | 2012-02-15 | 2013-08-21 | Thomson Licensing | Method of creating content recommendations based on user ratings of content with improved user privacy |
CN103793476A (zh) * | 2014-01-08 | 2014-05-14 | 西安电子科技大学 | 基于网络社区的协同过滤推荐方法 |
CN104077357A (zh) * | 2014-05-31 | 2014-10-01 | 浙江工商大学 | 基于用户的协同过滤组合推荐方法 |
Non-Patent Citations (1)
Title |
---|
李振博 等: "《基于用户谱聚类的协同过滤推荐算法》", 《基于用户谱聚类的协同过滤推荐算法》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886872A (zh) * | 2017-01-20 | 2017-06-23 | 淮阴工学院 | 一种基于聚类和余弦相似度的物流推荐方法 |
CN107247762A (zh) * | 2017-06-01 | 2017-10-13 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CN107247762B (zh) * | 2017-06-01 | 2024-05-14 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CN110020823A (zh) * | 2019-04-09 | 2019-07-16 | 心怡科技股份有限公司 | 一种基于K-Means的库位分配算法 |
CN110751441A (zh) * | 2019-10-21 | 2020-02-04 | 秒针信息技术有限公司 | 一种优化物流仓储系统中储位的方法及装置 |
CN113316797A (zh) * | 2019-11-01 | 2021-08-27 | 株式会社日立制作所 | 资源共享支援系统以及资源共享支援方法 |
CN114399251A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654267A (zh) | 一种基于谱聚类的冷链物流配载智能推荐方法 | |
KR101871747B1 (ko) | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 | |
WO2020147594A1 (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
CN105868847A (zh) | 一种购物行为的预测方法及装置 | |
CN102411754A (zh) | 一种基于商品属性熵值的个性化推荐方法 | |
CN107833117A (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
Zarzour et al. | An improved collaborative filtering recommendation algorithm for big data | |
CN103886486A (zh) | 一种基于支持向量机svm的电子商务推荐方法 | |
CN110175895A (zh) | 一种物品推荐方法及装置 | |
Dhruv et al. | Artist recommendation system using hybrid method: A novel approach | |
Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
Wu et al. | Optimization matrix factorization recommendation algorithm based on rating centrality | |
CN112256965A (zh) | 一种基于lambdaMart的神经协同过滤模型推荐方法 | |
Hassan et al. | Performance analysis of neural networks-based multi-criteria recommender systems | |
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 | |
CN108920647A (zh) | 基于谱聚类的低秩矩阵填充top-n推荐方法 | |
CN106294788B (zh) | 安卓应用的推荐方法 | |
Hassan et al. | Improving prediction accuracy of multi-criteria recommender systems using adaptive genetic algorithms | |
Lilhore et al. | Hybrid weighted random forests method for prediction & classification of online buying customers | |
Zhou | A dynamically adding information recommendation system based on deep neural networks | |
Feng et al. | Retracted: Recommendation Algorithm Based on Tag Time Weighting | |
Kumar et al. | A Deep Ranking Weighted Multihashing Recommender System for Item Recommendation | |
Li et al. | GRIP: a group recommender based on interactive preference model | |
Kantanantha et al. | Analyzing and forecasting online tour bookings using Google Analytics metrics | |
Shang et al. | An Improved Tensor Decomposition Model for Recommendation System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160608 |