CN106096029B - 一种基于用户双向关系的推荐方法 - Google Patents
一种基于用户双向关系的推荐方法 Download PDFInfo
- Publication number
- CN106096029B CN106096029B CN201610475961.7A CN201610475961A CN106096029B CN 106096029 B CN106096029 B CN 106096029B CN 201610475961 A CN201610475961 A CN 201610475961A CN 106096029 B CN106096029 B CN 106096029B
- Authority
- CN
- China
- Prior art keywords
- users
- reverse
- user
- similar
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims 4
- 230000000694 effects Effects 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 10
- 238000001914 filtration Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户双向关系的推荐方法,根据用户对已有的项目的评分记录,计算用户之间的正向和反向相似度,并得到用户的正向和反向相似用户群,然后通过正向相似用户群和反向相似用户群的加权评分预测用户评分;在二值评分模式或多值评分模式下进行,包括:1)根据用户已有的项目的评分记录,计算用户之间的正向相似度和反向相似度;2)创建正向相似用户群和反向相似用户群;3)根据正向和反向相似用户群,预测出目标用户对未知项目的评分;4)产生推荐;为了缓解数据稀疏时相似用户不足导致评分预测不准确的问题,在用户相似关系的基础上,进一步挖掘用户近似相反或反向相似关系的作用,结合用户的正反双向相似关系产生最终推荐。
Description
技术领域
本发明涉及信息技术、大数据技术等领域,具体的说,是一种基于用户双向关系的推荐方法。
背景技术
随着信息技术的发展,网络规模急剧扩大,网上数据急剧增多,而大数据在满足用户的信息需求同时,带来了信息过载的问题——用户无法从海量的信息中获取到对自己有用的部分。推荐系统的出现使得信息过载问题得到缓解,它通过分析用户历史数据和行为,挖掘出用户感兴趣的信息或项目并主动推荐给用户。另外,推荐系统能够提供针对性的服务,满足了用户的个性化需求。推荐系统如今已广泛应用于电子商务、广告推荐等多个领域。
协同过滤推荐方法是目前推荐系统应用最为广泛最为有效的,其基本思想是具有相同或相似兴趣偏好的用户对信息或项目的需求也是相似的。与其他推荐方法相比,协同过滤推荐方法只需用户对项目的评价信息,因此它的数据容易获取;无需考虑项目本身属性特征,对推荐对象没有特殊要求,能对任何可评分的对象进行推荐。
目前,基于用户的协同过滤推荐方法通过用户评分的相似性找到目标用户的相似用户,并根据相似用户的评分来预测目标用户对未知项目的评分。然而,由于实际推荐环境中,用户的评分数据十分稀疏,导致目标用户的相似用户过少,或者对目标项目有评分的相似用户过少。而在有效相似用户数量不足,甚至为零的情况下,难以准确预测出目标用户的评分,因此使得推荐效果不佳。
发明内容
本发明的目的在于缓解数据稀疏时相似用户不足导致评分预测不准确的问题,在用户相似关系的基础上,进一步挖掘用户近似相反或反向相似关系的作用,结合用户的正反双向相似关系,设计出一种基于用户双向关系的推荐方法。
本发明通过下述技术方案实现:一种基于用户双向关系的推荐方法,根据用户已有的项目的评分记录,计算用户之间的正向相似度和反向相似度,并得到用户的正向和反向相似用户群,然后通过正向相似用户群和反向相似用户群的加权评分预测用户评分。
进一步的为更好地实现本发明,特别采用下述设置方式:所述推荐方法在二值评分模式或多值评分模式下进行,包括以下具体步骤:
1)根据用户已有的项目的评分记录,计算用户之间的正向相似度和反向相似度;
2)创建正向相似用户群和反向相似用户群;
3)根据正向和反向相似用户群,预测出目标用户对未知项目的评分;
4)产生推荐。
进一步的为更好地实现本发明,特别采用下述设置方式:在二值评分模式下,所述步骤1)包括以下具体步骤:
1-a.1)根据用户已有项目的评分记录,将用户之间的关系分为正向相似关系与反向相似关系,将评分设置为正负两种情况;用户对项目的偏好分为正向/负向两种,如视频网站的“顶/踩”,微博的“关注/不关注”;
1-a.2)设定两用户对某项目的评分相同则判定两用户在该项目上的偏好相同,评分不同则判定两用户偏好相反;由于评分本身具有明显的正反关系,则有两用户对某项目的评分相同则表示他们在该项目上的偏好相同,评分不同则偏好相反;
1-a.3)采用Jaccard(杰卡德)相关系数,结合评分相同项与共同评分项计算用户之间的正向相似度;结合评分相反项与共同评分项计算用户之间的反向相似度;具体的基于杰卡德相关系数的相似度度量方法,用“评分相同项/共同评分项”表示用户之间的正向相似程度,在此基础上,进一步采用“评分相反项/共同评分项”表示用户之间的反向相似程度;
1-a.4)通过惩罚函数对正向相似度或/和反向相似度进行平滑处理;由于数据稀疏会导致正向和反向相似度过度估计,则引入惩罚函数分别对正向和反向相似度进行平滑;所述惩罚函数的原则是,当共同评分项小于给定的惩罚阈值时,正向和反向相似度降低;否则不变。
进一步的为更好地实现本发明,特别采用下述设置方式:在二值评分模式下,所述步骤3)包括以下具体步骤:
3-a.1)设定分别代表反向相似用户权重和正向相似用户权重的权重因子;由于正向和反向相似用户群对用户推荐的影响可能不同,则引入权重因子进行权衡;
3-a.2)设定参考值:反向相似用户将评分的相反值作为目标用户预测的参考值;正向相似用户将评分本身作为目标用户预测的参考值;由于用户与其反向相似用户的评分具有近似相反的关系,因此反向相似用户将其评分的相反值作为目标用户预测评分的参考;正向相似用户将其评分本身作为参考;
3-a.3)以相应的参考值为标准值,分别以正向相似度和相应的权重因子的乘积或反向相似度和相应的权重因子的乘积作为正向相似用户与反向相似用户的权值;以正向和反向相似用户的标准值与对应权值的加权平均值作为目标用户的预测评分。
进一步的为更好地实现本发明,特别采用下述设置方式:
在多值评分模式下,所述步骤1)包括以下步骤:
1-b.1)基于评分偏量定义用户之间的正向和反向相似关系,评分偏量通过用户当前评分减去该用户已有评分记录的平均值得到;由于不同用户评分的标准不同,有的用户对喜爱的项目会打5分,有的用户可能只打4分,同理对待不喜的项目也有打1分、2分甚至3分的差异;则不能简单的认为打4分的用户和打2分的用户有完全相反的态度,也不能认为给某一项目打相同分数的用户在该项目上的态度完全一致;为此,引入评分偏量,评分偏量通过用户当前评分减去该用户已有评分的平均值得到;由于评分偏量平衡了用户的评分标准,它的正负性分别代表了用户的态度基于该用户平均态度的正向和负向,有一个明确的正反关系,所以可以基于评分偏量定义用户之间的正向和反向相似关系;
1-b.2)将两个用户之间对所有项目的评分偏量分别表示为向量和向量利用向量余弦度量相似关系,两用户的正向相似度即为两用户的反向相似度为即用户a和用户b对所有项目的评分偏量看作向量和利用向量余弦度量相似关系,用户a和用户b的正向相似度即为反向相似度为实际上,正向相似度度量方法就是修正的余弦相似度算法;
1-b.3)通过惩罚函数对正向相似度或/和反向相似度进行平滑处理,避免过度估计;所述惩罚函数的原则是,当共同评分项小于给定的惩罚阈值时,正向和反向相似度降低;否则不变。
进一步的为更好地实现本发明,特别采用下述设置方式:在多值评分模式下,所述步骤3)包括以下具体步骤:
3-b.1)设定分别代表反向相似用户权重和正向相似用户权重的权重因子;由于正向和反向相似用户群对用户推荐的影响可能不同,引入权重因子进行权衡;
3-b.2)设定参考值:正向相似用户将评分偏量作为目标用户预测的参考值,反向相似用户将评分偏量的相反值作为目标用户预测的参考值;多值评分模式下用户的双向关系是基于用户的评分偏量而不是评分本身,因此将正向相似用户的评分偏量和反向相似用户评分偏量的相反值作为预测评分的参考值;
3-b.3)以相应的参考值为标准值,分别以正向相似度和相应的权重因子的乘积与反向相似度和相应的权重因子的乘积作为正向相似用户与反向相似用户的权值;以正向和反向相似用户的标准值与对应权值的加权平均值作为目标用户的预测评分偏量;
3-b.4)以预测的目标用户的评分偏量和评分均值之和作为目标用户的预测评分。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤2)具体为:将目标用户与其他用户的正向相似度进行排名,取最大的K个用户为目标用户的正向相似用户群;将目标用户与其他用户的反向相似度进行排名,取最大的K个用户为目标用户的反向相似用户群,K的取值根据实际情况设定,K值的确定采用10折交叉检验方法,统计不同K值的平均误差率,选择误差率最小的作为本发明的K值。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤4)具体为:经步骤3)后,进行评分排名,得到排名列表,从排名列表中为目标用户推荐预测评分最大的N个项目。
进一步的为更好地实现本发明,特别采用下述设置方式:所述惩罚函数的原则是,当共同评分项小于给定的惩罚阈值时,正向相似度或反向相似度降低;否则不变。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明为了缓解数据稀疏时相似用户不足导致评分预测不准确的问题,在用户相似关系的基础上,进一步挖掘用户近似相反或反向相似关系的作用,结合用户的正反双向相似关系,设计出一种基于用户双向关系的推荐方法。
(2)本发明能够在相似用户不足的情况下,发挥反向相似用户的作用,结合两者的共同作用来缓解数据稀疏性问题,进而提高推荐精度。
(3)本发明在基于用户的协同过滤推荐方法中引入用户反向相似的关联作用;结合了用户正向和反向相似关系的协同作用进行推荐,来缓解评分数据稀疏的问题;提出的反向相似作用可扩展到基于项目的协同过滤推荐方法中,引申为基于项目双向关系的推荐方法。
附图说明
图1为本发明工作流程图;
图2为二值评分矩阵示意图;
图3为五值评分矩阵示意图;
图4为创建正向和反向相似用户群示意图;
图5为产生推荐示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1:
本发明为了缓解数据稀疏时相似用户不足导致评分预测不准确的问题,在用户相似关系的基础上,进一步挖掘用户近似相反或反向相似关系的作用,结合正向和反向相似两种用户关联关系,设计出一种基于用户双向关系的推荐方法,如图1-4所示,根据用户已有的项目的评分记录,计算用户之间的正向和反向相似度,并得到用户的正向和反向相似用户群,然后通过正向相似用户群和反向相似用户群的加权评分预测用户评分。
实施例2:
本实施例是在上述实施例的基础上进一步优化,进一步的为更好地实现本发明,如图1-4所示,特别采用下述设置方式:所述推荐方法在二值评分模式下进行时,包括以下具体步骤:
步骤1:计算用户正向和反向相似度:
二值评分模式下,用户对项目的评分数据表示为一个二值评分矩阵;如图2所示,在一个m×n阶的二值评分矩阵条件下,m为用户数,n为项目数,矩阵元素Ri,j∈{-1,0,1}表示用户i对项目j的评分,Ri,j=0则表示未评分;
基于二值评分矩阵,采用杰卡德相关系数相似度度量方法计算用户之间的正向相似度,即“评分相同项/共同评分项”;进一步,采用“评分相反项/共同评分项”表示用户之间的反向相似度;
由于数据稀疏会导致正向和反向相似度过度估计,本发明引入惩罚函数分别对正向和反向相似度进行平滑。
二值评分模式下的用户正向和反向相似度度量方法分别如公式(1)和公式(2)所示,
公式(1)和公式(2)中,Ra,j与Rb,j分别为用户a与用户b对项目j的评分;I{*}表示一个指示函数:{true,false}→{1,0};η为惩罚阈值,当共同评分项小于该阈值时,对用户相似度进行平滑,否则不变。
步骤2:创建正向和反向相似用户群:
如图4所示,将目标用户u与其他用户的正向相似度进行排名,取最大的K个用户为目标用户的正向相似用户群P_G(u);将目标用户u与其他用户的反向相似度进行排名,取最大的K个用户为目标用户的反向相似用户群N_G(u),K的取值根据实际情况设定。
步骤3:预测评分:
由于正向和反向相似用户群对用户推荐的影响可能不同,本发明引入权重因子对正反向用户的重要性进行权衡,权重因子λ表示反向相似用户权重,权重因子(1-λ)表示正向相似用户权重。
二值评分模式下,用户与其反向相似用户的评分具有近似相反的关系,因此反向相似用户将其评分的相反值推荐给用户。
预测评分如公式(3)所示;
公式(3)中,λ为反向相似用户权重因子;P_G(u)为用户u的正向相似用户群,N_G(u)为用户u的反向相似用户群;Sim(u,x)为用户u与用户x的正向相似度;Fsim(u,y)为用户u与户y的反向相似度。
步骤4:产生推荐:
如图5所示,根据上述步骤预测出目标用户对未知项目的评分,进行评分排名后,得到排名列表。
根据TOP-N,从排名列表中为目标用户推荐预测评分最大的N个产品。
实施例3:
本实施例是在上述实施例的基础上进一步优化,进一步的为更好地实现本发明,如图1-4所示,特别采用下述设置方式:所述推荐方法在多值评分模式下进行时(本实施例在5值评分模式下),包括以下具体步骤:
步骤1:计算用户正向和反向相似度:
多值评分模式下,用户对产品的评分数据表示为一个多值评分矩阵;如图3所示,表示为一个m×n阶的五值评分矩阵,m为用户数,n为产品数,矩阵元素Ri,j∈{0,1,2,3,4,5}表示用户i对项目j的评分,Ri,j=0则表示未评分;
评分本身没有明确的正反关系,本发明采用评分偏量的正负性表示用户偏好的正反关系,评分偏量通过用户当前评分减去该用户所有评分的平均值得到;
同样的,为了避免过度估计,使用惩罚函数平滑正向和反向相似度。
多值评分模式下的用户正向和反向相似度度量方法分别如公式(4)和公式(5)所示。
公式(4)和公式(5)中,与分别表示用户a与b对所有项目评分的均值;Ia与Ib分别表示用户a与b评价过的项目集合;I′表示用户a与b共同评价的项目集合,I′=Ia∩Ib;I{*}表示一个指示函数:{true,false}→{1,0};η为惩罚阈值,当共同评分项小于该阈值时,对用户相似度进行平滑,否则不变。
步骤2:创建正向和反向相似用户群:
如图4所示,将目标用户u与其他用户的正向相似度进行排名,取最大的K个用户为目标用户的正向相似用户群P_G(u);将目标用户u与其他用户的反向相似度进行排名,取最大的K个用户为目标用户的反向相似用户群N_G(u),K的取值根据实际情况设定。
步骤3:预测评分:
由于正向和反向相似用户群对用户推荐的影响可能不同,本发明引入权重因子对正反向用户的重要性进行权衡,权重因子λ表示反向相似用户权重,(1-λ)表示正向相似用户权重。
多值标注模式下用户的双向关系是基于用户的评分偏量而不是评分本身,因此需将正向相似用户的评分偏量和反向相似用户评分偏量的相反值作为预测评分的参考值。
预测评分如公式(6)所示:
公式(6)中,为用户u打分的均值;λ为反向相似用户权重因子;P_G(u)为用户u的正向相似用户群,N_G(u)为用户u的反向相似用户群;Sim(u,x)为用户u与用户x的正向相似度;Fsim(u,y)为用户u与用户y的反向相似度。
步骤4:产生推荐:
如图5所示,根据上述步骤预测出目标用户对未知项目的评分,进行评分排名后,得到排名列表。
根据TOP-N,从排名列表中为目标用户推荐预测评分最大的N个产品。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (6)
1.一种基于用户双向关系的推荐方法,其特征在于:根据用户已有的项目的评分记录,计算用户之间的正向相似度和反向相似度,并得到用户的正向和反向相似用户群,然后通过正向相似用户群和反向相似用户群的加权评分预测用户评分;
所述推荐方法在二值评分模式或多值评分模式下进行,包括以下具体步骤:
1)根据用户已有的项目的评分记录,计算用户之间的正向相似度和反向相似度;
在二值评分模式下,所述步骤1)包括以下具体步骤:
1-a.1)根据用户已有项目的评分记录,将用户之间的关系分为正向相似关系与反向相似关系;
1-a.2)设定两用户对某项目的评分相同则判定两用户在该项目上的偏好相同,评分不同则判定两用户偏好相反;
1-a.3)采用Jaccard相关系数,结合评分相同项与共同评分项计算用户之间的正向相似度;结合评分相反项与共同评分项计算用户之间的反向相似度;
1-a.4)通过惩罚函数对正向相似度或/和反向相似度进行平滑处理;
在多值评分模式下,所述步骤1)包括以下步骤:
1-b.1)基于评分偏量定义用户之间的正向和反向相似关系,评分偏量通过用户当前评分减去该用户已有评分记录的平均值得到;
1-b.3)通过惩罚函数对正向相似度或/和反向相似度进行平滑处理;
2)创建正向相似用户群和反向相似用户群;
3)根据正向和反向相似用户群,预测出目标用户对未知项目的评分;
4)产生推荐。
2.根据权利要求1所述的一种基于用户双向关系的推荐方法,其特征在于:在二值评分模式下,所述步骤3)包括以下具体步骤:
3-a.1)设定分别代表反向相似用户权重和正向相似用户权重的权重因子;
3-a.2)设定参考值:反向相似用户将评分的相反值作为目标用户预测的参考值;正向相似用户将评分本身作为目标用户预测的参考值;
3-a.3)以相应的参考值为标准值,分别以正向相似度和相应的权重因子的乘积或反向相似度和相应的权重因子的乘积作为正向相似用户与反向相似用户的权值;以正向和反向相似用户的标准值与对应权值的加权平均值作为目标用户的预测评分。
3.根据权利要求1所述的一种基于用户双向关系的推荐方法,其特征在于:在多值评分模式下,所述步骤3)包括以下具体步骤:
3-b.1)设定分别代表反向相似用户权重和正向相似用户权重的权重因子;
3-b.2)设定参考值:正向相似用户将评分偏量作为目标用户预测的参考值,反向相似用户将评分偏量的相反值作为目标用户预测的参考值;
3-b.3)以相应的参考值为标准值,分别以正向相似度和相应的权重因子的乘积与反向相似度和相应的权重因子的乘积作为正向相似用户与反向相似用户的权值;以正向和反向相似用户的标准值与对应权值的加权平均值作为目标用户的预测评分偏量;
3-b.4)以预测的目标用户的评分偏量和评分均值之和作为目标用户的预测评分。
4.根据权利要求1-3任一项所述的一种基于双向关系的推荐方法,其特征在于:所述步骤2)具体为:将目标用户与其他用户的正向相似度进行排名,取最大的K个用户为目标用户的正向相似用户群;将目标用户与其他用户的反向相似度进行排名,取最大的K个用户为目标用户的反向相似用户群。
5.根据权利要求1-3任一项所述的一种基于用户双向关系的推荐方法,其特征在于:所述步骤4)具体为:经步骤3)后,进行评分排名,得到排名列表,从排名列表中为目标用户推荐预测评分最大的N个项目。
6.根据权利要求1所述的一种基于用户双向关系的推荐方法,其特征在于:所述惩罚函数的原则是,当共同评分项小于给定的惩罚阈值时,正向相似度或反向相似度降低;否则不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610475961.7A CN106096029B (zh) | 2016-06-27 | 2016-06-27 | 一种基于用户双向关系的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610475961.7A CN106096029B (zh) | 2016-06-27 | 2016-06-27 | 一种基于用户双向关系的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106096029A CN106096029A (zh) | 2016-11-09 |
CN106096029B true CN106096029B (zh) | 2020-01-14 |
Family
ID=57252887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610475961.7A Active CN106096029B (zh) | 2016-06-27 | 2016-06-27 | 一种基于用户双向关系的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096029B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067128A (zh) * | 2016-12-08 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 任务质检方法、确定非关联用户的方法及装置 |
CN106651533A (zh) * | 2016-12-29 | 2017-05-10 | 合肥华凌股份有限公司 | 一种基于用户行为的个性化商品推荐方法及装置 |
CN110795636A (zh) * | 2019-11-05 | 2020-02-14 | 南京掌缘信息科技有限公司 | 一种婚恋对象匹配方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855333A (zh) * | 2012-09-27 | 2013-01-02 | 南京大学 | 一种基于组推荐的服务选取系统及其选取方法 |
CN103678647A (zh) * | 2013-12-20 | 2014-03-26 | Tcl集团股份有限公司 | 一种实现信息推荐的方法及系统 |
CN104298787A (zh) * | 2014-11-13 | 2015-01-21 | 吴健 | 一种基于融合策略的个性化推荐方法及装置 |
CN105117443A (zh) * | 2015-08-12 | 2015-12-02 | 华南理工大学 | 一种基于多关系网络的推荐算法 |
CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐系统及推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090234712A1 (en) * | 1999-06-28 | 2009-09-17 | Musicip Corporation | Method and apparatus for automated selection, organization, and recommendation of items based on user preference topography |
-
2016
- 2016-06-27 CN CN201610475961.7A patent/CN106096029B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855333A (zh) * | 2012-09-27 | 2013-01-02 | 南京大学 | 一种基于组推荐的服务选取系统及其选取方法 |
CN103678647A (zh) * | 2013-12-20 | 2014-03-26 | Tcl集团股份有限公司 | 一种实现信息推荐的方法及系统 |
CN104298787A (zh) * | 2014-11-13 | 2015-01-21 | 吴健 | 一种基于融合策略的个性化推荐方法及装置 |
CN105117443A (zh) * | 2015-08-12 | 2015-12-02 | 华南理工大学 | 一种基于多关系网络的推荐算法 |
CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐系统及推荐方法 |
Non-Patent Citations (1)
Title |
---|
考虑负相关性信息的协同过滤算法研究;郭强;《计算机应用研究》;20140306;第30卷(第12期);第3543-3575页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106096029A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadian et al. | A novel approach based on multi-view reliability measures to alleviate data sparsity in recommender systems | |
CN104935963B (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
CN106503022B (zh) | 推送推荐信息的方法和装置 | |
CN109829775B (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
Lerche et al. | Using graded implicit feedback for bayesian personalized ranking | |
Eliyas et al. | Recommendation systems: Content-based filtering vs collaborative filtering | |
CN110209946B (zh) | 基于社交和社群的产品推荐方法、系统和存储介质 | |
Hu et al. | An item orientated recommendation algorithm from the multi-view perspective | |
CN106096029B (zh) | 一种基于用户双向关系的推荐方法 | |
CN103886486A (zh) | 一种基于支持向量机svm的电子商务推荐方法 | |
CN113420221B (zh) | 融合用户隐式物品偏好与显式特征偏好的可解释推荐方法 | |
Stephen et al. | Measures of similarity in memory-based collaborative filtering recommender system: A comparison | |
Manotumruksa et al. | Regularising factorised models for venue recommendation using friends and their comments | |
KR101725510B1 (ko) | 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치 | |
CN110990717B (zh) | 一种基于跨域关联的兴趣点推荐方法 | |
CN106095974A (zh) | 基于网络结构相似性的推荐系统评分预测与推荐算法 | |
TWI634499B (zh) | 資料分析方法、系統及非暫態電腦可讀取媒體 | |
CN108681947B (zh) | 基于物品的时间关联度和覆盖度的协同过滤推荐方法 | |
CN111339419A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN112541010A (zh) | 一种基于逻辑回归的用户性别预测方法 | |
CN107203632B (zh) | 基于相似关系和共现关系的话题流行度预测方法 | |
CN114254204A (zh) | 数据处理方法、装置、介质及电子设备 | |
Stitini et al. | Investigating different similarity metrics used in various recommender systems types: Scenario cases | |
CN114399352A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
WO2014007943A2 (en) | Method and apparatus for obfuscating user demographics |
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 |