CN105718471A - 用户偏好建模方法、系统及用户偏好评估方法、系统 - Google Patents
用户偏好建模方法、系统及用户偏好评估方法、系统 Download PDFInfo
- Publication number
- CN105718471A CN105718471A CN201410727105.7A CN201410727105A CN105718471A CN 105718471 A CN105718471 A CN 105718471A CN 201410727105 A CN201410727105 A CN 201410727105A CN 105718471 A CN105718471 A CN 105718471A
- Authority
- CN
- China
- Prior art keywords
- user
- scape
- home court
- home
- context
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用户偏好建模方法、系统及用户偏好评估方法、系统,所述建模方法包含:步骤101)对多维上下文信息进行挖掘,找出用户行为发生的若干主场景;其中,所述主场景指用户行为发生相对集中的场景;步骤102)将每一个主场景下的用户行为数据作为一个子集,并对子集进行用户偏好信息提取和建模;其中,建模的方法包含:基于“用户-物品”的二元模型。所述步骤101)具体为:对多维上下文数据空间进行挖掘,找出若干主场景;其中,所述上下文数据空间为用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间;所述主场景由若干上下文特征维上确定的取值或取值范围限定。本发明有助于减少大量不必要的计算。
Description
技术领域
本发明涉及个性化信息领域,特别涉及用户偏好建模方法、系统及用户偏好评估方法、系统。
背景技术
经典的个性化模型中通常考虑基于用户和物品两个维度建立,考虑用户使用物品的行为历史,推测用户的个性化需求。基于内容和基于协同的方法是两类基本方法,现有的任何方法都基于至少包含用户和物品两个维度的模型。然而大量研究表明上下文环境影响着用户兴趣,不同上下文环境下用户的个性化需求不同,这导致传统的未考虑上下文环境的个性化系统效果有限。
上下文感知计算作为普适计算的重要内容,一直是研究的热点。普适环境中用户手持移动设备可随时随地访问需求的信息。当前,上下文感知计算主要关注于用户在不同环境中的上下文,推导用户的需求并适时提供服务。上下文感知的个性化系统必须在用户和物品的基础上,再考虑上下文这一维度,成为三个抽象维度的模型。
常见的上下文信息有:时间、位置、温湿度、光照、场景等环境信息;屏幕大小、处理能力等设备信息;工作状态、身体状态、情绪状态等用户信息。纳入上下文信息维数高,且每一个维度取值通常可以在较大范围内变化,这给上下文感知的兴趣建模带来了很大的挑战。用户的兴趣偏好随着上下文改变,然而那些上下文特征对用户兴趣影响较大,不同上下文特征结合在一起对用户兴趣的影响如何,都是不确定的。现有的纳入上下文的偏好建模记忆行为分析方法通常仅纳入一个维度的上下文来修正原有的“用户-物品”二维模型;或者是这种简单修正在多个维度上的应用。这种方法对于不确定的多维上下文空间,不具有可扩展性和通用性,且需要根据经验小心设计。除了复杂度方面的考虑,这种方法的效果也并不足以满足实际需要。
事实上并非每一个上下文特征维都影响着用户的兴趣偏好,且用户的兴趣偏好通常由多个上下文特征维的取值来共同确定。例如,工作日上班时间,用户不论是否在工位上,其个性化需求应处于某种工作模式下;而下班时间,用户处于办公室、娱乐场所或家中,其个性化需求就会有明显区别。也就是说,上下文对用户偏好的影响是通过确定特定的场景来实现的,而且通常只是在若干个上下文特征维度上选定取值就足以确定用户的兴趣分布。
另一方面,用户使用对象的行为总是集中发生在某些场景下,而非均匀分布在整个多维上下文数据空间。容易通过聚类等方法找出用户行为集中发生的多维上下文场景,即对应的多维上下文特征向量;通过现有的降维方法筛除掉对用户行为不产生或很少产生影响的上下文特征。据此,考虑通过数据挖掘找出用户行为集中分布的若干场景为“主场景”,并认为用户在任意主场景中的兴趣偏好相对稳定。一个主场景由一个多位上下文向量确定,向量的每一维是一个确定的取值或连续取值范围。
发明内容
本发明的目的在于设计一种简单通用的建模方法,以反映用户在不同上下文环境下兴趣分布,即个性化需求的分布,即本发明提供了一种用户偏好建模方法、系统及基于新建模型的用户对物品或对象的偏好评估的方法和系统。
为了实现上述问题,本发明提供了一种结合上下文的用户偏好建模方法,所述方法包含:
步骤101)对多维上下文信息进行挖掘,找出用户行为发生的若干主场景;其中,所述主场景指用户行为发生相对集中的场景;
步骤102)将每一个主场景下的用户行为数据作为一个子集,并对子集进行用户偏好信息提取和建模;其中,建模的方法包含:基于“用户-物品”的二元模型。
可选的,上述步骤101)具体为:
对多维上下文数据空间进行挖掘,找出若干主场景;其中,所述上下文数据空间为用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间;所述主场景由若干上下文特征维上确定的取值或取值范围限定。
可选的,上述步骤102)进一步包含:
步骤102-1)从完整的用户行为数据集中取出选定的任意一个主场景下的用户的所有行为数据;
步骤102-2)从用户的所有行为数据中提取描述用户的数据空间和描述对象的数据空间,并基于提取的数据空间信息构成该主场景的数据子集;
其中,任意两个不同主场景的数据子集能够存在重叠部分;
步骤102-3)对每个主场景对应的数据子集进行挖掘、建模,作为该主场景下的用户偏好模型;
其中,每个主场景下的用户偏好建模能够直接采用使用“用户-物品”二维场景的建模方法,针对“用户-物品”的二维建模方法包含:向量空间模型。
基于上述方法得到的模型,本发明还提供了一种用户对未知对象喜好程度的获取方法,所述方法包含:
步骤201)根据当前上下文数据找出匹配主场景,匹配主场景指根据当前上下文场景的完整数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景;
步骤202)将当前用户行为与找出的匹配主场景对应的用户模型匹配,进而完成用户对对象的喜好程度;其中,主场景对应的用户模型即提取用户偏好信息建立的用户模型。
可选的,上述步骤102)还包含如下步骤:当匹配主场景不止一个时:
利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象;或
先融合各最匹配主场景的偏好模型为一个模型继而评估未知对象;或
再依据设定的策略选择一个最匹配的主场景进行匹配。
此外,本发明还提供了一种结合上下文的用户偏好建模系统,所述系统包含:
主场景提取模块,用于对多维上下文信息进行挖掘,找出用户行为发生的若干主场景;其中,所述主场景指用户行为发生相对集中的场景;
建模子模块,用于将每一个主场景下的用户行为数据作为一个子集,并对子集进行用户偏好信息提取和建模;其中,建模的方法包含:基于“用户-物品”的二元模型。
可选的,上述主场景提取模块进一步包含:
上下文数据空间获取子模块,用于获取用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间,并将组成的数据空间作为上下文数据空间;
主场景提取子模块,用于从所有场景中提取若干个主场景,其中,所述场景是指在若干维度组成子空间里确定的各维度取值或取值区间描述的上下文环境,且场景包含:上下文数据满空间的一个向量描述或一个子空间上的一个向量描述;所述主场景为:用户行为发生相对集中的场景,且所述主场景由若干上下文特征维上确定的取值或取值范围限定。
最后,本发明还提供了一种用户对未知对象喜好程度的获取系统,所述系统包含:
主场景筛选模块,用于根据当前上下文数据找出匹配主场景,匹配主场景指根据当前上下文场景的完整数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景;
模型匹配子模块,用于将当前用户行为与找出的匹配主场景对应的用户模型匹配,进而评估用户对对象的喜好程度;其中,主场景对应的用户模型即提取用户偏好信息建立的用户模型。
可选的,上述系统还包含:判断决策模块,用于进行如下判断决策:
当匹配主场景为一个时采用所述模型匹配子模块进行匹配;
当匹配主场景不止一个时:
利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象;或
先融合各最匹配主场景的偏好模型为一个模型继而评估未知对象;或
依据设定的策略选择一个最匹配的主场景并采用所述模型匹配子模块进行匹配。
与现有技术相比,本发明的优点在于:
本发明通过挖掘主场景并分别在主场景建立用户偏好模型的思路,将纳入上下文的“上下文-用户-物品”三个抽象维度的用户偏好建模问题转化为经典的“用户-物品”两个抽象维度的用户偏好建模问题,不仅能够兼容现有的大多数偏好建模研究成果,还具有可解释性好的优点。相比现有单纯考虑一两个上下文属性维对用户影响的建模方法,本发明具有更好的可扩展性,且效率有保障。
附图说明
图1是本发明的结合上下文的用户偏好建模方法示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
本发明通过找出用户行为发生的若干主场景,并在各主场景中对用户偏好进行分析、建模。方法基于用户行为数据集中分布在上下文数据空间若干区域的实际情况,以及用户偏好分布在同一主场景下相对稳定、而在不同主场景中偏好分布相对独立的假设。本发明通过主场景建模的思路,避免了传统“用户-物品”二维场景下方法中引入上下文变量修正,从而实现了对二维数据建模方法在“上下文-用户-物品”三维数据中的直接应用,保证了效率和方法的通用性。同时,主场景的概念使得本发明所述建模方法在上下文多维可扩展性上表现更好,可以方便地考虑更多上下文信息对用户个性化需求的影响,具体如图1所示。
为了实现上述目的,本发明提供了一种结合上下文的用户偏好建模方法,包括:步骤1)、对多维上下文数据空间进行挖掘,找出若干主场景;其中,所述上下文数据空间为用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间;所述主场景由若干上下文特征维上确定的取值或取值范围限定,用户的所有或大多数行为数据发生在找出的若干主场景下;步骤2)、从完整的用户行为数据集中取出找出的各个主场景下的所有行为数据,取其描述用户的数据空间和描述对象的数据空间构成该主场景的数据子集,每个主场景拥有对应的数据子集;由于允许不同主场景在上下文数据空间有重叠部门和有映射关系部分,不同主场景的数据子集存在重叠部分;步骤3)、对其每个主场景对应的数据子集进行挖掘、建模,作为该主场景下的用户偏好模型;其中,特定主场景下的用户偏好建模可以直接采用使用“用户-物品”二维场景的建模方法,例如向量空间模型。步骤4)、利用本发明模型评估一个未知物品的过程,首先需要比较当前上下文与主场景,根据匹配程度找出最匹配主场景,然后在最匹配主场景里使用“用户-物品”二维场景模型的评估方法,例如根据向量空间模型计算用户对该物品的喜好程度;其中,最匹配主场景可以多于一个,此时需要分别根据各最匹配主场景的用户偏好模型评估物品,然后根据各最匹配主场景评估结果以及主场景与当前场景的匹配程度综合评估用户对物品的偏好,亦可融合多个最匹配场景模型为一个之后再评估物品。
实施例
本方法所涉及的具体内容包括两个方面:模型的学习,即通过完整记录用户使用物品行为的“上下文-用户-物品”的信息,挖掘用户偏好分布以及偏好分布随着上下文的改变情况;模型的使用,即在确定的上下文条件下,评估已有模型对应的用户对一个已知特征属性的新物品的好恶程度。
要实现本发明所述的模型学习(即结合上下文的用户偏好建模方法)需要以下步骤:
1、获取完整用户使用物品记录的“上下文-用户-物品”三个抽象维度数据集,并在上下文数据空间内挖掘用户使用物品行为发生的若干主场景。主场景指在上下文数据空间中用户行为数据分布较密集的一片连续区域,可能存在于上下文满空间或某个子空间,由所在数据空间对应的所有数据维度及其确定取值或取值范围确定描述。所有主场景下发生的用户行为记录应该包含大多数用户行为记录,未落在主场景下的用户行为记录不纳入主场景建模考虑范围。
2、对任意特定主场景,取对应场景下发生的所有行为数据记录中“用户-物品”两个抽象维度的所有完整信息,形成该场景下不考虑上下文影响的用户行为记录数据子集,作为后续建模的依据。
由于各主场景对应在上下文数据空间中的区域允许存在重叠或者投影重叠关系,不同主场景所对应的用户行为数据子集允许有重复部分。
3、针对每一个特定场景,依据其对应的数据子集对用户在该场景下使用物品的偏好进行信息提取和建模,由于此处仅考虑“用户-物品”,为经典不考虑上下文的用户偏好建模问题,可直接适用经典偏好建模方法,例如,关键词模型。
本文所述方法建立的完整用户偏好模型包括若干主场景,以及主场景对应的用户偏好描述,即该场景下用户偏好模型。
使用本发明所述的模型评估一个新物品(即,基于上述建模方法得到的模型进行用户对物品或对象的好恶评估的方法)的过程可分为两个步骤:
1、上下文场景匹配。根据当前上下文场景的完整多维数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景。
匹配主场景可以不止一个,若有多个匹配主场景,可以保留多个匹配主场景下作为最佳匹配主场景,也可以根据策略选择一个最匹配的主场景。
2、对象匹配。利用描述待评估物品的多维数据与描述特定主场景下用户偏好模型匹配,评估用户对该物品的好恶程度。若保留的最匹配主场景不止一个,则需要利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象,或者根据各最匹配主场景下用户偏好模型融合为一个统一的偏好模型从而评估未知对象。
为了实现上述方法,本发明还提供一种结合上下文的用户偏好建模系统,所述系统包含:
主场景提取模块,用于对多维上下文信息进行挖掘,找出用户行为发生的若干主场景;其中,所述主场景指用户行为发生相对集中的场景;
建模子模块,用于将每一个主场景下的用户行为数据作为一个子集,并对子集进行用户偏好信息提取和建模;其中,建模的方法包含:基于“用户-物品”的二元模型。
可选的,上述主场景提取模块进一步包含:
上下文数据空间获取子模块,用于获取用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间,并将组成的数据空间作为上下文数据空间;
主场景提取子模块,用于从所有场景中提取若干个主场景,其中,所述场景是指在若干维度组成子空间里确定的各维度取值或取值区间描述的上下文环境,且场景包含:上下文数据满空间的一个向量描述或一个子空间上的一个向量描述(所述子空间为是本领域常用词汇,子空间是针对满空间说的,一个多维数据空间,只考虑其中一部分数据维度组成的数据空间,其维数较低,是完整数据空间(满空间)在较低维度上的投影,是为其在这几个维度上的子空间);所述主场景为:用户行为发生相对集中的场景,且所述主场景由若干上下文特征维上确定的取值或取值范围限定。
可选的,上述主场景提取子模块进一步包含:
数据子集获取单元,用于从完整的用户行为数据集中取出选定的任意一个主场景下的用户的所有行为数据;再从用户的所有行为数据中提取描述用户的数据空间和描述对象的数据空间,并基于提取的数据空间信息构成该主场景的数据子集;
其中,任意两个不同主场景的数据子集能够存在重叠部分;
建模单元,用于对与每个主场景对应的数据子集进行挖掘、建模,作为该主场景下的用户偏好模型;
其中,每个主场景下的用户偏好建模能够直接采用使用“用户-物品”二维场景的建模方法,针对“用户-物品”的二维建模方法包含:向量空间模型。
基于上述方案获得的模型,为了获得用户对未知对象的喜好程度,本发明还提供了一种用户对未知对象喜好程度的获取系统,所述系统包含:
主场景筛选模块,用于根据当前上下文数据找出匹配主场景,匹配主场景指根据当前上下文场景的完整数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景;
模型匹配子模块,用于将当前用户行为与找出的匹配主场景对应的用户模型匹配,进而完成用户对对象的喜好程度;其中,主场景对应的用户模型即提取用户偏好信息建立的用户模型。
可选的,上述系统还包含:判断决策模块,用于进行如下判断决策:
当匹配主场景为一个时采用所述模型匹配子模块进行匹配;
当匹配主场景不止一个时:
利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象;或
先融合各最匹配主场景的偏好模型为一个模型继而评估未知对象;或
依据设定的策略选择一个最匹配的主场景并采用所述模型匹配子模块进行匹配。
综上所述,本发明提供一种结合上下文的用户偏好建模方法,包括:步骤1)、对上下文数据空间进行挖掘,找到出主场景;步骤2)、符合某一场景的所有用户行为数据组成一个数据子集;步骤3)、对每一个数据子集进行用户行为分析挖掘,提取用户偏好信息,建立用户模型,描述用户偏好;步骤4)、未知对象与模型匹配时,首先根据当前上下文数据找出匹配主场景,并与匹配主场景对应的用户模型匹配。所述的步骤1)中,上下文数据空间指用户行为数据中所有描述行为发生上下文的特征维所组成的多维数据空间,完整的用户行为数据还应该包含描述用户的若干特征维以及描述对象的若干特征维。所述的步骤1)中,场景是指若干维度组成子空间里,确定的各维度取值或取值区间描述的上下文环境,场景可以是上下文数据满空间的一个向量描述,也可以是某子空间上的一个向量描述。所述的步骤1)中,主场景指用户行为发生较为集中的场景,多维上下文取值变化组成的多维上下文场景可能性众多,但实际用户行为发生主要集中在若干个主要的场景下。所述的步骤2)中,一特定场景下发生的所有用户行为数据为除被视为上下文数据之外的数据,形成所有用户行为数据的一个子集,为该场景的用户行为数据集,不同场景的行为数据集可以有交集。所述的步骤3)中,对某个用户行为数据子集进行的用户偏好信息提取和建模可以适用无上下文参与的“用户-物品”二元模型。所述的步骤4)中,匹配主场景指根据当前上下文场景的完整数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景。所述的步骤4)中,主场景对应的用户模型指步骤3)提取偏好信息建立的用户模型,其携带信息由主场景对应的用户行为数据子集提供,反应上下文该场景中用户的行为偏好。所述的步骤4)中,匹配主场景可以不止一个,若有多个匹配主场景,可以利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象,也可以先融合各最匹配主场景的偏好模型为一个模型继而评估未知对象,或者根据策略选择一个最匹配的主场景。
总之,本发明提出一种结合上下文的用户偏好建模方法:首先通过对上下文数据空间的分析,找出若干主场景;主场景中发生的所有用户行为进行偏好信息提取以及建模。本方法能够在具体场景中建模时直接采用现有的“用户-物品”二维建模方法,且兴趣在上下文数据空间分布的可解释性好,对复杂、多维上下文环境的可扩展性和通用性良好。
需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种结合上下文的用户偏好建模方法,所述方法包含:
步骤101)对多维上下文信息进行挖掘,找出用户行为发生的若干主场景;其中,所述主场景指用户行为发生相对集中的场景;
步骤102)将每一个主场景下的用户行为数据作为一个子集,并对子集进行用户偏好信息提取和建模;其中,建模的方法包含:基于“用户-物品”的二元模型。
2.根据权利要求1所述的结合上下文的用户偏好建模方法,其特征在于,所述步骤101)具体为:
对多维上下文数据空间进行挖掘,找出若干主场景;其中,所述上下文数据空间为用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间;所述主场景由若干上下文特征维上确定的取值或取值范围限定。
3.根据权利要求1所述的结合上下文的用户偏好建模方法,其特征在于,所述步骤102)进一步包含:
步骤102-1)从完整的用户行为数据集中取出选定的任意一个主场景下的用户的所有行为数据;
步骤102-2)从用户的所有行为数据中提取描述用户的数据空间和描述对象的数据空间,并基于提取的数据空间信息构成该主场景的数据子集;
其中,任意两个不同主场景的数据子集能够存在重叠部分;
步骤102-3)对每个主场景对应的数据子集进行挖掘、建模,作为该主场景下的用户偏好模型;
其中,每个主场景下的用户偏好建模能够直接采用使用“用户-物品”二维场景的建模方法,针对“用户-物品”的二维建模方法包含:向量空间模型。
4.一种用户对未知对象喜好程度的获取方法,该方法基于权利要求1-3任意一条权利要求获得的模型进行用户对未知对象的喜好程度,其特征在于,所述方法为:
步骤201)根据当前上下文数据找出匹配主场景,匹配主场景指根据当前上下文场景的完整数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景;
步骤202)将当前用户行为与找出的匹配主场景对应的用户模型匹配,进而完成用户对对象的喜好程度;其中,主场景对应的用户模型即提取用户偏好信息建立的用户模型。
5.根据权利要求4所述的用户对未知对象喜好程度的获取方法,其特征在于,所述步骤102)还包含如下步骤:当匹配主场景不止一个时:
利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象;或
先融合各最匹配主场景的偏好模型为一个模型继而评估未知对象;或
再依据设定的策略选择一个最匹配的主场景进行匹配。
6.一种结合上下文的用户偏好建模系统,其特征在于,所述系统包含:
主场景提取模块,用于对多维上下文信息进行挖掘,找出用户行为发生的若干主场景;其中,所述主场景指用户行为发生相对集中的场景;
建模子模块,用于将每一个主场景下的用户行为数据作为一个子集,并对子集进行用户偏好信息提取和建模;其中,建模的方法包含:基于“用户-物品”的二元模型。
7.根据权利要求6所述的结合上下文的用户偏好建模系统,其特征在于,所述主场景提取模块进一步包含:
上下文数据空间获取子模块,用于获取用户行为数据中描述行为发生上下文环境的所有特征维组成的数据空间,并将组成的数据空间作为上下文数据空间;
主场景提取子模块,用于从所有场景中提取若干个主场景,其中,所述场景是指在若干维度组成子空间里确定的各维度取值或取值区间描述的上下文环境,且场景包含:上下文数据满空间的一个向量描述或一个子空间上的一个向量描述;所述主场景为:用户行为发生相对集中的场景,且所述主场景由若干上下文特征维上确定的取值或取值范围限定。
8.一种用户对未知对象喜好程度的获取系统,该系统基于权利要求6-7任意一条权利要求获得的模型评估用户对未知对象的好恶程度,其特征在于,所述系统包含:
主场景筛选模块,用于根据当前上下文数据找出匹配主场景,匹配主场景指根据当前上下文场景的完整数据,与全部主场景进行相似度匹配,找出最相似或最匹配场景;
模型匹配子模块,用于将当前用户行为与找出的匹配主场景对应的用户模型匹配,进而评估用户对对象的喜好程度;其中,主场景对应的用户模型即提取用户偏好信息建立的用户模型。
9.根据权利要求8所述的用户对未知对象喜好程度的获取系统,其特征在于,所述系统还包含:判断决策模块,用于进行如下判断决策:
当匹配主场景为一个时采用所述模型匹配子模块进行匹配;
当匹配主场景不止一个时:
利用每个主场景下对应的用户偏好模型评估结果结合场景的匹配度综合评估未知对象;或
先融合各最匹配主场景的偏好模型为一个模型继而评估未知对象;或
依据设定的策略选择一个最匹配的主场景并采用所述模型匹配子模块进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410727105.7A CN105718471A (zh) | 2014-12-03 | 2014-12-03 | 用户偏好建模方法、系统及用户偏好评估方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410727105.7A CN105718471A (zh) | 2014-12-03 | 2014-12-03 | 用户偏好建模方法、系统及用户偏好评估方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105718471A true CN105718471A (zh) | 2016-06-29 |
Family
ID=56143053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410727105.7A Pending CN105718471A (zh) | 2014-12-03 | 2014-12-03 | 用户偏好建模方法、系统及用户偏好评估方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718471A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391582A (zh) * | 2017-06-21 | 2017-11-24 | 浙江工商大学 | 基于上下文本体树计算用户偏好相似度的信息推荐方法 |
CN111688488A (zh) * | 2019-03-12 | 2020-09-22 | 上海博泰悦臻电子设备制造有限公司 | 车辆、车机设备及其虚拟场景控制方法 |
WO2021035588A1 (zh) * | 2019-08-28 | 2021-03-04 | 西门子股份公司 | 生产建模方法、装置和系统 |
CN114638234A (zh) * | 2022-03-31 | 2022-06-17 | 房宏伟 | 应用于线上业务办理的大数据挖掘方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075851A (zh) * | 2009-11-20 | 2011-05-25 | 北京邮电大学 | 一种移动网络中用户偏好的获取方法及系统 |
CN102609468A (zh) * | 2012-01-17 | 2012-07-25 | 电子科技大学 | 一种基于上下文感知和用户偏好的空间信息服务匹配方法 |
CN104008203A (zh) * | 2014-06-17 | 2014-08-27 | 浙江工商大学 | 一种融入本体情境的用户兴趣挖掘方法 |
CN104008204A (zh) * | 2014-06-17 | 2014-08-27 | 南京大学 | 一种动态的多维情境感知电影推荐系统及其实现方法 |
-
2014
- 2014-12-03 CN CN201410727105.7A patent/CN105718471A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075851A (zh) * | 2009-11-20 | 2011-05-25 | 北京邮电大学 | 一种移动网络中用户偏好的获取方法及系统 |
CN102609468A (zh) * | 2012-01-17 | 2012-07-25 | 电子科技大学 | 一种基于上下文感知和用户偏好的空间信息服务匹配方法 |
CN104008203A (zh) * | 2014-06-17 | 2014-08-27 | 浙江工商大学 | 一种融入本体情境的用户兴趣挖掘方法 |
CN104008204A (zh) * | 2014-06-17 | 2014-08-27 | 南京大学 | 一种动态的多维情境感知电影推荐系统及其实现方法 |
Non-Patent Citations (6)
Title |
---|
MARYAM HOSSEINI-POZVEH 等: "A multidimensional approach for context-aware recommendation in mobile commerce", 《(IJCSIS) INTERNATIONAL JOURNAL OF COMPUTER SCIENCE AND INFORMATION SECURITY》 * |
孟祥武 等: "用户对移动网络服务偏好学习技术综述", 《通信学报》 * |
孟祥武 等: "移动用户需求获取技术及其应用", 《软件学报》 * |
张朝旭: "移动社交网络中上下文感知推荐机制的研究与设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
徐风苓 等: "基于移动用户上下文相似度的协同过滤推荐算法", 《电子与信息学报》 * |
章诗杰: "移动环境下上下文感知的协同过滤推荐模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391582A (zh) * | 2017-06-21 | 2017-11-24 | 浙江工商大学 | 基于上下文本体树计算用户偏好相似度的信息推荐方法 |
CN107391582B (zh) * | 2017-06-21 | 2019-07-16 | 浙江工商大学 | 基于上下文本体树计算用户偏好相似度的信息推荐方法 |
CN111688488A (zh) * | 2019-03-12 | 2020-09-22 | 上海博泰悦臻电子设备制造有限公司 | 车辆、车机设备及其虚拟场景控制方法 |
WO2021035588A1 (zh) * | 2019-08-28 | 2021-03-04 | 西门子股份公司 | 生产建模方法、装置和系统 |
CN114638234A (zh) * | 2022-03-31 | 2022-06-17 | 房宏伟 | 应用于线上业务办理的大数据挖掘方法及系统 |
CN114638234B (zh) * | 2022-03-31 | 2022-11-15 | 逑美科技(上海)有限公司 | 应用于线上业务办理的大数据挖掘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Montajabiha | An extended PROMETHE II multi-criteria group decision making technique based on intuitionistic fuzzy logic for sustainable energy planning | |
Li et al. | A comparison of 3D shape retrieval methods based on a large-scale benchmark supporting multimodal queries | |
Geman et al. | Visual turing test for computer vision systems | |
Brehmer et al. | A multi-level typology of abstract visualization tasks | |
Shen et al. | Nameclarifier: A visual analytics system for author name disambiguation | |
Liu et al. | Visual Exploration of High‐Dimensional Data through Subspace Analysis and Dynamic Projections | |
US10515289B2 (en) | System and method of generating a semantic representation of a target image for an image processing operation | |
US10275501B2 (en) | System and method for multi-dimensional data representation of objects | |
CN103886048A (zh) | 一种基于聚类的增量数字图书推荐方法 | |
WO2019129520A1 (en) | Systems and methods for combining data analyses | |
Yue et al. | Recent activities in Earth data science [technical committees] | |
Pan et al. | Clustering of designers based on building information modeling event logs | |
CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
CN104298785A (zh) | 一种众搜资源搜索方法 | |
CN107066246A (zh) | 一种软件开发方法及装置 | |
CN105718471A (zh) | 用户偏好建模方法、系统及用户偏好评估方法、系统 | |
Li et al. | A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data | |
CN105205135A (zh) | 一种基于主题模型的3d模型检索方法及其检索装置 | |
Zhang et al. | Cohortva: A visual analytic system for interactive exploration of cohorts based on historical data | |
Choi et al. | Multimodal location estimation of consumer media: Dealing with sparse training data | |
US20240078473A1 (en) | Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence | |
Nguyen et al. | VIREO@ video browser showdown 2019 | |
Ma et al. | A visual analysis approach for community detection of multi-context mobile social networks | |
CN102831216B (zh) | 一种保持物体几何形状信息的图像检索系统及方法 | |
Yu et al. | An iterative framework with active learning to match segments in road networks |
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 |
Application publication date: 20160629 |
|
RJ01 | Rejection of invention patent application after publication |