CN105956093B - 一种基于多视图锚点图哈希技术的个性化推荐方法 - Google Patents
一种基于多视图锚点图哈希技术的个性化推荐方法 Download PDFInfo
- Publication number
- CN105956093B CN105956093B CN201610285239.7A CN201610285239A CN105956093B CN 105956093 B CN105956093 B CN 105956093B CN 201610285239 A CN201610285239 A CN 201610285239A CN 105956093 B CN105956093 B CN 105956093B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- hash
- anchor point
- target user
- 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
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
Abstract
本发明公开了一种基于多视图锚点图哈希技术的个性化推荐方法,包括如下步骤:1)根据用户在不同视图下的行为数据构建用户数据的多视图锚点图表示;2)利用得到的多视图锚点图与用户的行为数据生成连续空间中的用户哈希编码;3)对连续空间中的哈希编码进行量化,得到用户对应的二进制哈希编码;4)利用得到的用户哈希编码为目标用户搜索相似用户;5)将相似用户对应的偏好物品集合作为推荐候选列表,计算目标用户对候选物品的偏好程度,返回偏好程度最大的若干个物品作为推荐结果。本发明将用户在不同视图下的数据进行了整合,提高了推荐结果的质量。同时利用相似度保留的哈希编码实现了相似用户的快速搜索,提高了推荐结果计算的效率。
Description
技术领域
本发明涉及个性化推荐技术,尤其涉及一种基于多视图锚点图哈希技术的个性化推荐方法。
背景技术
随着信息技术和网络技术的不断发展,互联网上的信息和资源出现了爆炸性的增长。然而,庞大的信息量以及其中所混杂的大量低质量、低价值信息的存在使得用户对信息的获取和利用效率不断下降。为了应对海量数据规模下的信息获取难题,个性化推荐系统是一种有效的解决方案。个性化推荐系统根据用户的个人资料、行为数据、社交关系等信息,通过不同方法对用户的偏好进行预测,从而将一些特定的物品或信息主动推送给目标用户,提高了用户信息获取的效率和质量。
在实际应用中,对用户偏好的预测通常采用协同过滤方法进行,主要利用其他用户的信息来预测目标用户对物品的评分。传统的协同过滤推荐方法大多将用户对物品的评分矩阵作为用户的表示,通过对评分矩阵进行处理,从而得到用户偏好的预测结果。但是这些方法仅仅利用了用户在单个视图下的数据,无法全面表示用户的特征,此外,传统方法通常直接利用用户行为数据计算用户之间的相似度,导致了大量的高维向量运算,严重影响了计算效率。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于多视图锚点图哈希技术的个性化推荐方法。
本发明的目的是通过以下技术方案来实现的:
一种基于多视图锚点图哈希技术的个性化推荐方法,包括以下步骤:
1)根据训练用户在不同视图下的行为数据,构建用户数据的多视图锚点图表示;
2)利用多视图锚点图与训练用户的行为数据生成连续空间中的用户哈希编码;
3)对连续空间中的哈希编码进行量化,得到训练用户对应的二进制哈希编码;
4)利用多视图锚点图、训练用户的二进制哈希编码及目标用户的行为数据生成目标用户对应的二进制哈希编码;
5)利用得到的目标用户和训练用户的哈希编码为目标用户搜索相似用户;
6)将相似用户对应的偏好物品集合作为推荐候选列表,计算目标用户对候选物品的偏好程度,返回偏好程度最大的K个物品作为推荐结果,K表示推荐结果的数量。
所述的步骤1)包括以下子步骤:
1.1)对于训练用户在第i个视图下的行为数据矩阵其中N表示训练用户的数量,di表示第i个视图下用户数据的维度,利用K-means聚类方法生成Ti个聚类中心,作为该视图下数据的锚点,Ti的取值与用户数量相关,大于设定的哈希编码的位数R;
1.2)将不同视图下的训练用户数据进行水平连接得到矩阵其中M表示视图的数量,dtotal表示所有视图下用户数据的维度之和;
1.3)对于每个训练用户,搜索该用户在各视图下最近邻的2个锚点,组成集合利用不同视图下的最近邻锚点集合构建对角矩阵
1.4)对于每个训练用户,利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该用户到所有最近邻锚点的转移概率,初值均为xi表示矩阵X的第i行;
1.5)将用户到非最近邻锚点的转移概率设定为0,根据得到的各用户到最近邻锚点的转移概率,得到所有用户到所有锚点的转移概率矩阵其中Ttotal表示所有视图下锚点数量的总和,这个转移概率矩阵就是所构建的用户数据的多视图锚点图表示。
所述的步骤2)包括以下子步骤:
2.1)计算得到转移概率矩阵P的列和向量
2.2)构造对角矩阵
2.3)计算矩阵
2.4)计算矩阵M的除1以外的最大R个特征值对应的特征向量
2.5)计算训练用户对应的连续空间中哈希编码矩阵
所述的步骤3)包括以下子步骤:
3.1)使用符号二值化方法计算二进制编码矩阵的初值B=sgn(Y),其中sgn表示符号函数,对于负数返回-1,否则返回1;
3.2)计算当前二进制编码梯度矩阵其中ρ表示二进制编码的相似度保留程度与编码各位平衡无关程度的平衡参数;
3.3)根据计算得到的梯度矩阵中各元素的符号更新二进制编码矩阵对应位置上的值;
3.4)重复步骤3.2)和步骤3.3),直至二进制编码矩阵B收敛;
3.5)计算矩阵
3.6)计算矩阵
3.7)对矩阵T进行特征分解为T=QΛQT;
3.8)取出矩阵Q和Λ中对应非零特征值的部分和
3.9)计算矩阵
3.10)构造随机矩阵
3.11)对矩阵进行格拉姆-施密特正交化,并取出正交化后矩阵的最后R-r列为
3.12)更新连续空间中编码矩阵为
3.13)重复步骤3.2)至步骤3.12),直至二进制编码矩阵B和连续空间中编码矩阵Y收敛,则得到最终的训练用户二进制哈希编码矩阵B。
所述的步骤4)具体为:根据目标用户在不同视图下的行为数据,利用步骤1.2)至步骤1.4)得到目标用户到所有锚点的转移概率向量则目标用户对应的二进制哈希编码为bq=sgn(pqΛ-1PTB)。
所述的步骤5)具体为:根据步骤4)得到的目标用户二进制哈希编码和步骤3)得到的训练用户二进制哈希编码矩阵,计算目标用户编码到所有训练用户编码之间的汉明距离,选取汉明距离最小的n个用户作为目标用户的相似用户集合U,并记录相似用户集合中的用户哈希编码与目标用户哈希编码之间对应的汉明距离。
所述的步骤6)包括以下子步骤:
6.1)计算搜索得到的相似用户与目标用户之间的相似度为其中di表示步骤5)中得到的相似用户i与目标用户对应哈希编码之间的汉明距离;
6.2)将相似用户集合对应的偏好物品集合进行归并,忽略目标用户曾经选择过的物品,得到目标用户的偏好物品候选集合I;
6.3)对于偏好物品候选集合中的每一个物品,计算目标用户对物品的偏好评分预测值其中su表示步骤6.1)中得到的相似用户与目标用户之间的相似度,rui表示用户u对物品i的评分,若无评分则视为零分,Ni表示相似用户集合众对该物品做出过有效评分的用户数量;
6.4)根据步骤6.3)计算得到的目标用户对候选物品的偏好预测评分进行排序,将排名前K的候选物品作为最终推荐结果。
本发明的有益效果是:本发明根据个性化推荐中的多视图、大规模数据场景,将多试图哈希学习算法与基于协同过滤的推荐技术相结合,融合了不同来源、不同类型的多视图用户数据,提高了对用户相似度评估的质量,从而提高了推荐结果的质量;此外,通过将用户表示为对应的二进制哈希编码,实现了快速的相似用户搜索,极大提高了推荐结果计算的效率。
附图说明
图1是本发明基于多视图锚点图哈希技术的个性化推荐方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明一种基于多视图锚点图哈希技术的个性化推荐方法,包括以下步骤:
1)根据训练用户在不同视图下的行为数据,构建用户数据的多视图锚点图表示;具体包括以下子步骤:
1.1)对于训练用户在第i个视图下的行为数据矩阵其中N表示训练用户的数量,di表示第i个视图下用户数据的维度,利用K-means聚类方法生成Ti个聚类中心,作为该视图下数据的锚点,Ti的取值与用户数量相关,一般取为N/200左右,但必须大于设定的哈希编码的位数R;
1.2)将不同视图下的训练用户数据进行水平连接得到矩阵其中M表示视图的数量,dtotal表示所有视图下用户数据的维度之和;
1.3)对于每个训练用户,搜索该用户在各视图下最近邻的2个锚点,组成集合利用不同视图下的最近邻锚点集合构建对角矩阵
1.4)对于每个训练用户,利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该用户到所有最近邻锚点的转移概率,初值均为xi表示矩阵X的第i行;
1.5)将用户到非最近邻锚点的转移概率设定为0,根据得到的各用户到最近邻锚点的转移概率,得到所有用户到所有锚点的转移概率矩阵其中Ttotal表示所有视图下锚点数量的总和,这个转移概率矩阵就是所构建的用户数据的多视图锚点图表示。
2)利用多视图锚点图与训练用户的行为数据生成连续空间中的用户哈希编码;具体包括以下子步骤:
2.1)计算得到转移概率矩阵P的列和向量
2.2)构造对角矩阵
2.3)计算矩阵
2.4)计算矩阵M的除1以外的最大R个特征值对应的特征向量
2.5)计算训练用户对应的连续空间中哈希编码矩阵
3)对连续空间中的哈希编码进行量化,得到训练用户对应的二进制哈希编码;具体包括以下子步骤:
3.1)使用符号二值化方法计算二进制编码矩阵的初值B=sgn(Y),其中sgn表示符号函数,对于负数返回-1,否则返回1;
3.2)计算当前二进制编码梯度矩阵其中ρ表示二进制编码的相似度保留程度与编码各位平衡无关程度的平衡参数;
3.3)根据计算得到的梯度矩阵中各元素的符号更新二进制编码矩阵对应位置上的值;
3.4)重复步骤3.2)和步骤3.3),直至二进制编码矩阵B收敛;
3.5)计算矩阵
3.6)计算矩阵
3.7)对矩阵T进行特征分解为T=QΛQT;
3.8)取出矩阵Q和Λ中对应非零特征值的部分和
3.9)计算矩阵
3.10)构造随机矩阵
3.11)对矩阵进行格拉姆-施密特正交化,并取出正交化后矩阵的最后R-r列为
3.12)更新连续空间中编码矩阵为
3.13)重复步骤3.2)至步骤3.12),直至二进制编码矩阵B和连续空间中编码矩阵Y收敛,则得到最终的训练用户二进制哈希编码矩阵B。
4)利用多视图锚点图、训练用户的二进制哈希编码及目标用户的行为数据生成目标用户对应的二进制哈希编码;具体为:根据目标用户在不同视图下的行为数据,利用步骤1.2)至步骤1.4)得到目标用户到所有锚点的转移概率向量则目标用户对应的二进制哈希编码为bq=sgn(pqΛ-1PTB)。
5)利用得到的目标用户和训练用户的哈希编码为目标用户搜索相似用户;具体为:根据步骤4得到的目标用户二进制哈希编码和步骤3得到的训练用户二进制哈希编码矩阵,计算目标用户编码到所有训练用户编码之间的汉明距离。选取汉明距离最小的n个用户作为目标用户的相似用户集合U,并记录相似用户集合中的用户哈希编码与目标用户哈希编码之间对应的汉明距离,n一般可取50至80左右。
6)将相似用户对应的偏好物品集合作为推荐候选列表,计算目标用户对候选物品的偏好程度,返回偏好程度最大的K个物品作为推荐结果,K表示推荐结果的数量。具体包括以下子步骤:
6.1)计算搜索得到的相似用户与目标用户之间的相似度为其中di表示步骤5)中得到的相似用户i与目标用户对应哈希编码之间的汉明距离;
6.2)将相似用户集合对应的偏好物品集合进行归并,忽略目标用户曾经选择过的物品,得到目标用户的偏好物品候选集合I;
6.3)对于偏好物品候选集合中的每一个物品,计算目标用户对物品的偏好评分预测值其中su表示步骤6.1)中得到的相似用户与目标用户之间的相似度,rui表示用户u对物品i的评分,若无评分则视为零分,Ni表示相似用户集合众对该物品做出过有效评分的用户数量;
6.4)根据步骤6.3)计算得到的目标用户对候选物品的偏好预测评分进行排序,将排名前K的候选物品作为最终推荐结果,在实际应用中,k一般可取5至20左右。
Claims (6)
1.一种基于多视图锚点图哈希技术的个性化推荐方法,其特征在于,包括以下步骤:
1)根据训练用户在不同视图下的行为数据,构建用户数据的多视图锚点图表示;
所述的步骤1)包括以下子步骤:
1.1)对于训练用户在第i个视图下的行为数据矩阵其中N表示训练用户的数量,di表示第i个视图下用户数据的维度,利用K-means聚类方法生成Ti个聚类中心,作为该视图下数据的锚点,Ti的取值与用户数量相关,大于设定的哈希编码的位数R;
1.2)将不同视图下的训练用户数据进行水平连接得到矩阵其中M表示视图的数量,dtotal表示所有视图下用户数据的维度之和;
1.3)对于每个训练用户,搜索该用户在各视图下最近邻的2个锚点,组成集合利用不同视图下的最近邻锚点集合构建对角矩阵
1.4)对于每个训练用户,利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该用户到所有最近邻锚点的转移概率,初值均为xi表示矩阵X的第i行;
1.5)将用户到非最近邻锚点的转移概率设定为0,根据得到的各用户到最近邻锚点的转移概率,得到所有用户到所有锚点的转移概率矩阵其中Ttotal表示所有视图下锚点数量的总和,这个转移概率矩阵就是所构建的用户数据的多视图锚点图表示;
2)利用多视图锚点图与训练用户的行为数据生成连续空间中的用户哈希编码;
3)对连续空间中的哈希编码进行量化,得到训练用户对应的二进制哈希编码;
4)利用多视图锚点图、训练用户的二进制哈希编码及目标用户的行为数据生成目标用户对应的二进制哈希编码;
5)利用得到的目标用户和训练用户的哈希编码为目标用户搜索相似用户;
6)将相似用户对应的偏好物品集合作为推荐候选列表,计算目标用户对候选物品的偏好程度,返回偏好程度最大的K个物品作为推荐结果,K表示推荐结果的数量。
2.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法,其特征在于,所述的步骤2)包括以下子步骤:
2.1)计算得到转移概率矩阵P的列和向量
2.2)构造对角矩阵
2.3)计算矩阵
2.4)计算矩阵M的除1以外的最大R个特征值对应的特征向量
2.5)计算训练用户对应的连续空间中哈希编码矩阵
3.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法,其特征在于,所述的步骤3)包括以下子步骤:
3.1)使用符号二值化方法计算二进制编码矩阵的初值B=sgn(Y),其中sgn表示符号函数,对于负数返回-1,否则返回1;
3.2)计算当前二进制编码梯度矩阵其中p表示二进制编码的相似度保留程度与编码各位平衡无关程度的平衡参数;
3.3)根据计算得到的梯度矩阵中各元素的符号更新二进制编码矩阵对应位置上的值;
3.4)重复步骤3.2)和步骤3.3),直至二进制编码矩阵B收敛;
3.5)计算矩阵
3.6)计算矩阵
3.7)对矩阵T进行特征分解为T=QΛQT;
3.8)取出矩阵Q和Λ中对应非零特征值的部分和
3.9)计算矩阵
3.10)构造随机矩阵
3.11)对矩阵进行格拉姆-施密特正交化,并取出正交化后矩阵的最后R-r列为
3.12)更新连续空间中编码矩阵为
3.13)重复步骤3.2)至步骤3.12),直至二进制编码矩阵B和连续空间中编码矩阵Y收敛,则得到最终的训练用户二进制哈希编码矩阵B。
4.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法,其特征在于,所述的步骤4)具体为:根据目标用户在不同视图下的行为数据,利用步骤1.2)至步骤1.4)得到目标用户到所有锚点的转移概率向量则目标用户对应的二进制哈希编码为bq=sgn(pqΛ-1PTB)。
5.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法,其特征在于,所述的步骤5)具体为:根据步骤4)得到的目标用户二进制哈希编码和步骤3)得到的训练用户二进制哈希编码矩阵,计算目标用户编码到所有训练用户编码之间的汉明距离,选取汉明距离最小的n个用户作为目标用户的相似用户集合U,并记录相似用户集合中的用户哈希编码与目标用户哈希编码之间对应的汉明距离。
6.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法,其特征在于,所述的步骤6)包括以下子步骤:
6.1)计算搜索得到的相似用户与目标用户之间的相似度为其中di表示步骤5)中得到的相似用户i与目标用户对应哈希编码之间的汉明距离;
6.2)将相似用户集合对应的偏好物品集合进行归并,忽略目标用户曾经选择过的物品,得到目标用户的偏好物品候选集合I;
6.3)对于偏好物品候选集合中的每一个物品,计算目标用户对物品的偏好评分预测值其中su表示步骤6.1)中得到的相似用户与目标用户之间的相似度,rui表示用户u对物品i的评分,若无评分则视为零分,Ni表示相似用户集合众对该物品做出过有效评分的用户数量;
6.4)根据步骤6.3)计算得到的目标用户对候选物品的偏好预测评分进行排序,将排名前K的候选物品作为最终推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610285239.7A CN105956093B (zh) | 2016-04-29 | 2016-04-29 | 一种基于多视图锚点图哈希技术的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610285239.7A CN105956093B (zh) | 2016-04-29 | 2016-04-29 | 一种基于多视图锚点图哈希技术的个性化推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956093A CN105956093A (zh) | 2016-09-21 |
CN105956093B true CN105956093B (zh) | 2019-04-30 |
Family
ID=56913078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610285239.7A Active CN105956093B (zh) | 2016-04-29 | 2016-04-29 | 一种基于多视图锚点图哈希技术的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956093B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108182235A (zh) * | 2017-12-27 | 2018-06-19 | 北京奇虎科技有限公司 | 一种用于对用户特征进行分布式编码的方法和系统 |
CN110413868B (zh) * | 2018-11-06 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、系统及存储介质 |
CN111695917A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、电子设备和存储介质 |
CN110532473A (zh) * | 2019-08-30 | 2019-12-03 | 车智互联(北京)科技有限公司 | 一种内容推荐方法及计算设备 |
CN110781389A (zh) * | 2019-10-18 | 2020-02-11 | 支付宝(杭州)信息技术有限公司 | 用于为用户生成推荐的方法和系统 |
CN111767953B (zh) * | 2020-06-30 | 2021-11-26 | 北京字节跳动网络技术有限公司 | 用于训练物品编码模型的方法和装置 |
CN112925962B (zh) * | 2021-01-20 | 2022-09-27 | 同济大学 | 基于哈希编码的跨模态数据检索方法、系统、设备及介质 |
CN113010800B (zh) * | 2021-03-04 | 2022-03-18 | 浙江大学 | 一种基于组合编码的协同排序推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699603A (zh) * | 2013-12-12 | 2014-04-02 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的信息推荐方法和系统 |
CN104679835A (zh) * | 2015-02-09 | 2015-06-03 | 浙江大学 | 一种基于多视图哈希的图书推荐方法 |
CN105005576A (zh) * | 2015-03-27 | 2015-10-28 | 合一信息技术(北京)有限公司 | 一种视频网站相似用户搜索系统和方法 |
-
2016
- 2016-04-29 CN CN201610285239.7A patent/CN105956093B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699603A (zh) * | 2013-12-12 | 2014-04-02 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的信息推荐方法和系统 |
CN104679835A (zh) * | 2015-02-09 | 2015-06-03 | 浙江大学 | 一种基于多视图哈希的图书推荐方法 |
CN105005576A (zh) * | 2015-03-27 | 2015-10-28 | 合一信息技术(北京)有限公司 | 一种视频网站相似用户搜索系统和方法 |
Non-Patent Citations (1)
Title |
---|
Multi-view anchor graph hashing;Saehoon Kim 等;《2013 IEEE International Conference on Acoustics, Speech and Signal Processing》;20131021;3123-3127 |
Also Published As
Publication number | Publication date |
---|---|
CN105956093A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956093B (zh) | 一种基于多视图锚点图哈希技术的个性化推荐方法 | |
CN109918532B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN108733798B (zh) | 一种基于知识图谱的个性化推荐方法 | |
Cavalcanti et al. | Combining diversity measures for ensemble pruning | |
CN103678431B (zh) | 一种基于标准标签和项目评分的推荐方法 | |
CN104679835B (zh) | 一种基于多视图哈希的图书推荐方法 | |
CN109960738B (zh) | 基于深度对抗哈希学习的大规模遥感影像内容检索方法 | |
CN109960737B (zh) | 半监督深度对抗自编码哈希学习的遥感影像内容检索方法 | |
CN107122411B (zh) | 一种基于离散多视图哈希的协同过滤推荐方法 | |
CN108595688A (zh) | 基于在线学习的潜在语义跨媒体哈希检索方法 | |
CN104199923B (zh) | 基于最优k均值哈希算法的大规模图像库检索方法 | |
CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN104008165A (zh) | 一种基于网络拓扑结构和节点属性的社团检测方法 | |
CN107220328A (zh) | 基于社交网络的弱关系和强关系的视频推荐方法 | |
Cao et al. | An improved collaborative filtering recommendation algorithm based on community detection in social networks | |
CN109299436A (zh) | 一种满足本地差分隐私的偏好排序数据收集方法 | |
CN109902808B (zh) | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 | |
CN109740106A (zh) | 基于图卷积神经网络的大规模网络介数逼近方法、存储装置及存储介质 | |
CN105653640A (zh) | 一种基于信任机制的协同过滤推荐方法 | |
CN106789338B (zh) | 一种在动态大规模社交网络中发现关键人物的方法 | |
CN104268629A (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN104899321A (zh) | 一种基于项目属性评分均值的协同过滤推荐方法 | |
CN110008411A (zh) | 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 | |
CN107944045B (zh) | 基于t分布哈希的图像检索方法及系统 | |
CN107301618A (zh) | 基于gpu并行加速的基础矩阵和单应矩阵估计方法和系统 |
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 |