CN106202474A - 一种对象推荐方法和装置 - Google Patents
一种对象推荐方法和装置 Download PDFInfo
- Publication number
- CN106202474A CN106202474A CN201610565109.9A CN201610565109A CN106202474A CN 106202474 A CN106202474 A CN 106202474A CN 201610565109 A CN201610565109 A CN 201610565109A CN 106202474 A CN106202474 A CN 106202474A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- recommendation list
- list
- subsolution
- 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
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
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)
Abstract
本发明提供了一种对象推荐方法,包括:获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表;通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度;根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。本发明在协同过滤方法的基础上,进一步通过案例推荐对所述推荐结果进行调整,弥补了协同过滤的不足,有利于结合用户短期偏好,提高对象推荐的精度和用户的满意度。
Description
技术领域
本发明属于互联网领域,尤其涉及一种对象推荐方法和装置。
背景技术
随着互联网通信技术的发展,互联网用户也越来越多,互联网上的资源数据也迅速的增加。比如,视频网站的数量越来越多,在这些视频网站的服务器中存储有大量视频资源。面对少量的视频信息,用户希望可以快速的定位自己感兴趣的视频。
为了让系统主动的根据用户的观景兴趣提供推荐服务,目前一般通过协同过滤系统进行视频的过滤筛选。协同过滤算法是与传统的基于内容过滤直接分析内容进行推荐不同,协同过滤系统通过分析用户的兴趣,在用户群中找到与指定用户的兴趣相似的用户群,综合兴趣相似的用户群对某一视频的评价,形成所述指定用户对该信息的喜好程度预测。
由于实施协同过滤方法的前提条件包括:一、如果两个用户的兴趣相近,在未来的偏好也基本一致;二、一个用户的偏好在一段时间内不会改变。因而使得协同过滤方法推荐时,不能有效的挖掘用户短期内的偏好,推荐给用户的信息的精度不高,不利于提高用户的满意度。
发明内容
本发明的目的在于提供一种对象推荐方法和装置,以解决现有技术使用协同过滤方法推荐时,不能有效的挖掘用户短期内的偏好,推荐给用户的信息的精度不高,不利于提高用户的满意度的问题。
第一方面,本发明实施例提供了一种对象推荐方法,所述方法包括:
获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表;
通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度;
根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。
结合第一方面,在第一方面的第一种可能实现方式中,所述获取多个用户与对象喜好的数据集步骤包括:
获取多个用户相对于多个对象喜好的数据集,并对所述数据集进行哈希编码。
结合第一方面,在第一方面的第二种可能实现方式中,所述根据协同过滤方法获取指定用户所对应的第一对象推荐列表步骤包括:
获取指定用户的已评分对象的集合;
在预存的对象库中查找所述已评分对象的集合中的每个对象的相似对象,在查找的相似对象中过滤所述指定用户已评分对象,构成相似对象集;
计算相似对象集中的每个对象与指定用户的已评分对象的集合间的相似度值,并根据所述相似度值生成第一对象推荐列表。
结合第一方面,在第一方面的第三种可能实现方式中,所述通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度步骤包括:
获取所述第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,计算每个对象在所述第一对象推荐列表中的归一化相似度值;
根据所述归一化相似度值,通过公式计算每个对象的子解的适用度,其中,ADComp表示子解的适用度,表示归一化相似度值,Ci表示第一对象推荐列表中的对象,C*表示在案例推理库中,子解Comp出现过的次数;
将所述对象的子解的适应度与预设的适应度阈值比较,根据所述比较结果生成第二对象推荐列表。
结合第一方面,在第一方面的第四种可能实现方式中,在所述根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象步骤之后,所述方法还包括:
监测所述指定用户是否采用推荐的对象;
如果所述用户采用所述推荐的对象,则将所述用户采用所述推荐的对象添加至案例推理库。
第二方面,本发明实施例提供了一种对象推荐装置,所述装置包括:
列表获取单元,用于获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表;
适用度计算单元,用于通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度;
对象推荐单元,用于根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。
结合第二方面,在第二方面的第一种可能实现方式中,所述列表获取单元具体用于:
获取多个用户相对于多个对象喜好的数据集,并对所述数据集进行哈希编码。
结合第二方面,在第二方面的第二种可能实现方式中,所述列表获取单元包括:
评分对象获取子单元,用于获取指定用户的已评分对象的集合;
相似对象查找子单元,用于在预存的对象库中查找所述已评分对象的集合中的每个对象的相似对象,在查找的相似对象中过滤所述指定用户已评分对象,构成相似对象集;
列表生成子单元,用于计算相似对象集中的每个对象与指定用户的已评分对象的集合间的相似度值,并根据所述相似度值生成第一对象推荐列表。
结合第二方面,在第二方面的第三种可能实现方式中,所述适用度计算单元包括:
归一化子单元,用于获取所述第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,计算每个对象在所述第一对象推荐列表中的归一化相似度值;
计算子单元,用于根据所述归一化相似度值,通过公式计算每个对象的子解的适用度,其中,ADComp表示子解的适用度,表示归一化相似度值,Ci表示第一对象推荐列表中的对象,C*表示在案例推理库中,子解Comp出现过的次数;
比较子单元,用于将所述对象的子解的适应度与预设的适应度阈值比较,根据所述比较结果生成第二对象推荐列表。
结合第二方面,在第二方面的第四种可能实现方式中,所述装置还包括:
监测单元,用于监测所述指定用户是否采用推荐的对象;
案例添加单元,用于如果所述用户采用所述推荐的对象,则将所述用户采用所述推荐的对象添加至案例推理库。
在本发明中,根据获取的多个用户的多个对象喜好的数据集,通过协同过滤方法获取指定用户所对应的第一对象推荐列表。然后结合预先设定的案例推理库,对第一对象推荐列表中的对象的子解的适用度进行计算,根据子解的适用度生成第二对象推荐列表,向所述指定用户推荐对象。由于本发明在协同过滤方法的基础上,进一步通过案例推荐对所述推荐结果进行调整,弥补了协同过滤的不足,有利于结合用户短期偏好,提高对象推荐的精度和用户的满意度。
附图说明
图1是本发明实施例提供的对象推荐方法的实现流程图;
图2是本发明实施例提供的生成第一对象推荐列表的实现流程图;
图3是本发明实施例提供的计算第一对象推荐列表中对象的子解的适用度的实现流程图;
图4为本发明实施例提供的对象推荐装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的目的在于提供一种对象推荐方法和装置,以解决现有技术中在进行对象推荐时,常常采用协同过滤方法获取用户的历史行为数据,根据所述历史行为数据获取用户对于不同对象的偏好信息,根据所述偏好信息预测用户在未来可能会喜欢或者不喜欢的对象。由于这种方法不能有效的挖掘用户短期内的偏好,推荐给用户的信息的精度不高,不利于提高用户的满意度。下面结合附图,对本发明进行具体说明。
图1示出了本发明实施例提供的对象推荐方法的实现流程,详述如下:
在步骤S101中,获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表。
具体的,本发明实施例中获取的数据集中,所述的多个用户,可以包括用户集中的全部用户,并且用户数量越多,可以得到的用户对于对象的喜好的数据越丰富,也就越能够提高对象推荐和计算的精确度。
所述对象,可以为视频、音乐文件、书籍、物品或者其它与用户喜好相关联的数据信息等。所述喜好的数据集,可以通过评分来表示。对于同一个用户,可以包括对多个对象的喜好数据,根据用户和对象之间的交互频率等行为数据,可以生成用户对于物品的评分的数据。比如设定不同行为对应不同的权值,采集用户与对象之间的行为,相应的计算得到评分的数据。
在本发明实施例中,由于用户的数量较多,而且同一用户对应多个不同的物品,通常也会有不同的喜好程度,即对应不同的评分数据。为了更有效的对采集的数据进行存储,本发明所述获取多个用户与对象喜好的数据集步骤可以包括:
获取多个用户相对于多个对象喜好的数据集,并对所述数据集进行哈希编码。将不同用户数据对应编码为较小长度的二进制的哈希值,通过所述哈希值可以唯一表示对应的用户数据。因此,通过对数据集进行哈希运算后,可以对数据集进行编码降维,大大的降低了需要处理的数据量,可有效的提高算法的执行效率。
在本发明实施例中,所述根据协同过滤方法获取指定用户所对应的第一对象推荐列表步骤具体可以包括如图2所示的以下步骤:
在步骤S201中,获取指定用户的已评分对象的集合。
具体的,本发明可以通过基于物品协同过滤算法进行推荐对象的计算。假设M个用户对N个对象的评分组成M*N的用户-对象矩阵,将其转置后可得到N*M的对象-用户矩阵。
在步骤S202中,在预存的对象库中查找所述已评分对象的集合中的每个对象的相似对象,在查找的相似对象中过滤所述指定用户已评分对象,构成相似对象集。
根据用户的行为数据,可以得到用户已评分对象的集合Qk。对于集合中的任意一个对象,都可以通过对象的相似度计算公式,得到与集合中的对象相似的列表,可根据需要取相似的列表中的指定个数的对象,比如取10个等。并且由于列表中可能存在用户已评分的对象,由于不需要对已评分的对象进行推荐,因此可以删除列表中的已评分的对象,构成相似对象集S。
其中,通过对象间的相似度的计算,可以为指定用户Uk对于对象It的评分预测提供依据。对于任意两个对象Ii与Ij的相似度sim(Ii,Ij),可以采用皮尔逊(Pearson)距离公式,计算公式如下:
其中,S为物品共同被评价的用户集合,示用户Ui对物品Ii的打分,表示第Ii个对象打分的平均值。
在步骤S203中,计算相似对象集中的每个对象与指定用户的已评分对象的集合间的相似度值,并根据所述相似度值生成第一对象推荐列表。
将查找的相似对象集S与用户已评分的对象的集合Qk进行相似度值计算,可以用集合S中每个视频Ij与评分记录集合Qk中所有视频相似度加权后求和,其中权值为用户对视频的评分值。
用于Uk对于未评价打分过的对象It的预测评分值计算公式可以为:
其中,Qk为用户Uk评价过的物品集合。
在步骤S102中,通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度。
本发明在协同过滤方法的基础上,进一步对结果采用案例推理方法,对推荐结果进行优化。调整过程是将多组对象的进行分解,再合成一个推荐列表,以更加能够满足用户的喜好要求。合成的推荐列表中的每个对象的子解,都能对应该用户各个特定属性上的偏好。比如,本发明调整的规则可以基于以下两点:1、子解在类似案例中出现的频率;2、用户历史记录与案例的相关性。
其中,所述通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度步骤可以包括如图3所示步骤:
在步骤S301中,获取所述第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,计算每个对象在所述第一对象推荐列表中的归一化相似度值。
其中,第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,可以根据步骤S203的计算方法,用相似对象集S中每个视频Ij与评分记录集合Qk中所有视频相似度加权后求和,其中权值为用户对视频的评分值。
在计算得到第一对象推荐列表中每个对象的相似度值后,进一步计算每个对象的相似度值在整个推荐列表的相似度值下的归一化距离。其中,归一化距离的计算方式,可以根据不同的归一化方法进行计算。
在步骤S302中,根据所述归一化相似度值,通过公式计算每个对象的子解的适用度,其中,ADComp表示子解的适用度,表示归一化相似度值,Ci表示第一对象推荐列表中的对象,C*表示在案例推理库中,子解Comp出现过的次数。
确定第一推荐列表中的每个对象的子解的适用度,本发明实施例中对于子解包括类似案例出现的频率以及历史记录与案例的相关性,通过上述公式形成复合解。
在步骤S303中,将所述对象的子解的适应度与预设的适应度阈值比较,根据所述比较结果生成第二对象推荐列表。
根据上述公式求解的子解的适应度,可与预先设定的适应度阈值进行比较,根据对象的子解是否满足适用度要求,重新对第一对象推荐列表中的对象进行排序。比如可以优先选择子解中的适用度值求和值较高的对象等,生成第二对象推荐列表。
在步骤S103中,根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。
根据第一对象推荐列表进一步进行案例推理,生成第二对象推荐列表,根据所述第二对象推荐列表进行对象的推荐。由于本发明在协同过滤方法的基础上,进一步通过案例推荐对所述推荐结果进行调整,弥补了协同过滤的不足,有利于结合用户短期偏好,提高对象推荐的精度和用户的满意度。
作为本发明进一步何优化的实施方式,在所述根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象步骤之后,所述方法还包括:
监测所述指定用户是否采用推荐的对象;
如果所述用户采用所述推荐的对象,则将所述用户采用所述推荐的对象添加至案例推理库。
通过对用户采用结果的监测,可以及时更新用户的案例推理库,从而为后续的对象推荐提供更为全面的数据,有利于进一步提高推荐的精度。
如图4所示,本发明实施例所述对象推荐装置,包括:
列表获取单元401,用于获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表;
适用度计算单元402,用于通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度;
对象推荐单元403,用于根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。
优选的,所述列表获取单元具体用于:
获取多个用户相对于多个对象喜好的数据集,并对所述数据集进行哈希编码。
优选的,所述列表获取单元包括:
评分对象获取子单元,用于获取指定用户的已评分对象的集合;
相似对象查找子单元,用于在预存的对象库中查找所述已评分对象的集合中的每个对象的相似对象,在查找的相似对象中过滤所述指定用户已评分对象,构成相似对象集;
列表生成子单元,用于计算相似对象集中的每个对象与指定用户的已评分对象的集合间的相似度值,并根据所述相似度值生成第一对象推荐列表。
优选的,所述适用度计算单元包括:
归一化子单元,用于获取所述第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,计算每个对象在所述第一对象推荐列表中的归一化相似度值;
计算子单元,用于根据所述归一化相似度值,通过公式计算每个对象的子解的适用度,其中,ADComp表示子解的适用度,表示归一化相似度值,Ci表示第一对象推荐列表中的对象,C*表示在案例推理库中,子解Comp出现过的次数;
比较子单元,用于将所述对象的子解的适应度与预设的适应度阈值比较,根据所述比较结果生成第二对象推荐列表。
优选的,所述装置还包括:
监测单元,用于监测所述指定用户是否采用推荐的对象;
案例添加单元,用于如果所述用户采用所述推荐的对象,则将所述用户采用所述推荐的对象添加至案例推理库。
本发明实施例所述对象推荐装置,图1-图3所述对象推荐方法对应,在此不作重复赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表;
通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度;
根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。
2.根据权利要求1所述方法,其特征在于,所述获取多个用户与对象喜好的数据集步骤包括:
获取多个用户相对于多个对象喜好的数据集,并对所述数据集进行哈希编码。
3.根据权利要求1所述方法,其特征在于,所述根据协同过滤方法获取指定用户所对应的第一对象推荐列表步骤包括:
获取指定用户的已评分对象的集合;
在预存的对象库中查找所述已评分对象的集合中的每个对象的相似对象,在查找的相似对象中过滤所述指定用户已评分对象,构成相似对象集;
计算相似对象集中的每个对象与指定用户的已评分对象的集合间的相似度值,并根据所述相似度值生成第一对象推荐列表。
4.根据权利要求1所述方法,其特征在于,所述通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度步骤包括:
获取所述第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,计算每个对象在所述第一对象推荐列表中的归一化相似度值;
根据所述归一化相似度值,通过公式计算每个对象的子解的适用度,其中,ADComp表示子解的适用度,表示归一化相似度值,Ci表示第一对象推荐列表中的对象,C*表示在案例推理库中,子解Comp出现过的次数;
将所述对象的子解的适应度与预设的适应度阈值比较,根据所述比较结果生成第二对象推荐列表。
5.根据权利要求1所述方法,其特征在于,在所述根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象步骤之后,所述方法还包括:
监测所述指定用户是否采用推荐的对象;
如果所述用户采用所述推荐的对象,则将所述用户采用所述推荐的对象添加至案例推理库。
6.一种对象推荐装置,其特征在于,所述装置包括:
列表获取单元,用于获取多个用户相对于多个对象喜好的数据集,根据协同过滤方法获取指定用户所对应的第一对象推荐列表;
适用度计算单元,用于通过案例推理方法,结合预先设定的案例推理库,获取所述第一对象推荐列表中的对象相对于所述指定用户的子解的适用度;
对象推荐单元,用于根据计算的所述适用度生成第二对象推荐列表,向所述指定用户推荐对象。
7.根据权利要求6所述装置,其特征在于,所述列表获取单元具体用于:
获取多个用户相对于多个对象喜好的数据集,并对所述数据集进行哈希编码。
8.根据权利要求6所述装置,其特征在于,所述列表获取单元包括:
评分对象获取子单元,用于获取指定用户的已评分对象的集合;
相似对象查找子单元,用于在预存的对象库中查找所述已评分对象的集合中的每个对象的相似对象,在查找的相似对象中过滤所述指定用户已评分对象,构成相似对象集;
列表生成子单元,用于计算相似对象集中的每个对象与指定用户的已评分对象的集合间的相似度值,并根据所述相似度值生成第一对象推荐列表。
9.根据权利要求6所述装置,其特征在于,所述适用度计算单元包括:
归一化子单元,用于获取所述第一对象推荐列表中的每个对象与指定用户的已评分对象的集合间的相似度值,计算每个对象在所述第一对象推荐列表中的归一化相似度值;
计算子单元,用于根据所述归一化相似度值,通过公式计算每个对象的子解的适用度,其中,ADComp表示子解的适用度,表示归一化相似度值,Ci表示第一对象推荐列表中的对象,C*表示在案例推理库中,子解Comp出现过的次数;
比较子单元,用于将所述对象的子解的适应度与预设的适应度阈值比较,根据所述比较结果生成第二对象推荐列表。
10.根据权利要求6所述装置,其特征在于,所述装置还包括:
监测单元,用于监测所述指定用户是否采用推荐的对象;
案例添加单元,用于如果所述用户采用所述推荐的对象,则将所述用户采用所述推荐的对象添加至案例推理库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610565109.9A CN106202474A (zh) | 2016-07-14 | 2016-07-14 | 一种对象推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610565109.9A CN106202474A (zh) | 2016-07-14 | 2016-07-14 | 一种对象推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106202474A true CN106202474A (zh) | 2016-12-07 |
Family
ID=57493772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610565109.9A Pending CN106202474A (zh) | 2016-07-14 | 2016-07-14 | 一种对象推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106202474A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997381A (zh) * | 2017-03-21 | 2017-08-01 | 海信集团有限公司 | 向目标用户推荐影视的方法及装置 |
CN107562848A (zh) * | 2017-08-28 | 2018-01-09 | 广州优视网络科技有限公司 | 一种视频推荐方法和装置 |
CN108830680A (zh) * | 2018-05-30 | 2018-11-16 | 山东大学 | 基于离散分解机的个性化推荐方法、系统及存储介质 |
CN109242593A (zh) * | 2018-07-24 | 2019-01-18 | 武汉纺织大学 | 一种基于案例推理的服装推荐方法、装置和存储介质 |
CN109325883A (zh) * | 2017-07-31 | 2019-02-12 | 深圳市珍爱网信息技术有限公司 | 一种双向匹配的推荐方法及装置 |
WO2019071897A1 (zh) * | 2017-10-13 | 2019-04-18 | 平安科技(深圳)有限公司 | 实时推荐方法、电子设备及计算机可读存储介质 |
CN111506724A (zh) * | 2020-07-02 | 2020-08-07 | 北京梦天门科技股份有限公司 | 一种规范用语推荐方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514304A (zh) * | 2013-10-29 | 2014-01-15 | 海南大学 | 一种项目推荐方法和装置 |
CN103559622A (zh) * | 2013-07-31 | 2014-02-05 | 焦点科技股份有限公司 | 基于特征的协同过滤推荐方法 |
-
2016
- 2016-07-14 CN CN201610565109.9A patent/CN106202474A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559622A (zh) * | 2013-07-31 | 2014-02-05 | 焦点科技股份有限公司 | 基于特征的协同过滤推荐方法 |
CN103514304A (zh) * | 2013-10-29 | 2014-01-15 | 海南大学 | 一种项目推荐方法和装置 |
Non-Patent Citations (3)
Title |
---|
ZEINA CHEDRAWY等: "An Intelligent Knowledge Sharing Strategy Featuring Item-Based Collaborative Filtering and Case Based Reasoning", 《 5TH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS DESIGN AND APPLICATIONS (ISDA"05)》 * |
廉涛等: "LDA-CF:一种混合协同过滤方法", 《中文信息学报》 * |
李红梅等: "基于改进LSH的协同过滤推荐算法", 《 计算机科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997381A (zh) * | 2017-03-21 | 2017-08-01 | 海信集团有限公司 | 向目标用户推荐影视的方法及装置 |
CN109325883A (zh) * | 2017-07-31 | 2019-02-12 | 深圳市珍爱网信息技术有限公司 | 一种双向匹配的推荐方法及装置 |
CN107562848A (zh) * | 2017-08-28 | 2018-01-09 | 广州优视网络科技有限公司 | 一种视频推荐方法和装置 |
WO2019071897A1 (zh) * | 2017-10-13 | 2019-04-18 | 平安科技(深圳)有限公司 | 实时推荐方法、电子设备及计算机可读存储介质 |
CN108830680A (zh) * | 2018-05-30 | 2018-11-16 | 山东大学 | 基于离散分解机的个性化推荐方法、系统及存储介质 |
CN108830680B (zh) * | 2018-05-30 | 2021-03-23 | 山东大学 | 基于离散分解机的个性化推荐方法、系统及存储介质 |
CN109242593A (zh) * | 2018-07-24 | 2019-01-18 | 武汉纺织大学 | 一种基于案例推理的服装推荐方法、装置和存储介质 |
CN109242593B (zh) * | 2018-07-24 | 2022-01-28 | 武汉纺织大学 | 一种基于案例推理的服装推荐方法、装置和存储介质 |
CN111506724A (zh) * | 2020-07-02 | 2020-08-07 | 北京梦天门科技股份有限公司 | 一种规范用语推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202474A (zh) | 一种对象推荐方法和装置 | |
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
Hariri et al. | Context adaptation in interactive recommender systems | |
US8175989B1 (en) | Music recommendation system using a personalized choice set | |
CN106503025B (zh) | 一种应用推荐方法和系统 | |
JP4524709B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
US10546309B2 (en) | Computer processes for predicting media item popularity | |
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
Wang et al. | Recurrent recommendation with local coherence | |
Pichl et al. | Combining Spotify and Twitter Data for Generating a Recent and Public Dataset for Music Recommendation. | |
Germain et al. | Spotify me: Facebook-assisted automatic playlist generation | |
Fu et al. | Deep learning models for serendipity recommendations: a survey and new perspectives | |
Galety et al. | Personalized music recommendation model based on Machine Learning | |
CN117149986B (zh) | 基于多级数据通道的实时大数据处理方法及系统 | |
Sánchez-Moreno et al. | Inferring user expertise from social tagging in music recommender systems for streaming services | |
KR102626741B1 (ko) | 사용자 활동 기반 상품 추천 방법 | |
CN111708945A (zh) | 产品的推荐方法及装置、电子设备、计算机存储介质 | |
Javari et al. | Recommender systems for social networks analysis and mining: precision versus diversity | |
Bosteels et al. | Evaluating and Analysing Dynamic Playlist Generation Heuristics Using Radio Logs and Fuzzy Set Theory. | |
ur Rehman et al. | Frequency-based similarity measure for multimedia recommender systems | |
vanden Broucke et al. | Uncovering the relationship between event log characteristics and process discovery techniques | |
Alhijawi | Improving collaborative filtering recommender system results using optimization technique | |
Bugaychenko et al. | Musical recommendations and personalization in a social network | |
CN114254204A (zh) | 数据处理方法、装置、介质及电子设备 | |
Domingues et al. | Combining usage and content in an online music recommendation system for music in the long-tail |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |