CN106682121A - 一种基于用户兴趣变化的时效推荐方法 - Google Patents
一种基于用户兴趣变化的时效推荐方法 Download PDFInfo
- Publication number
- CN106682121A CN106682121A CN201611127779.9A CN201611127779A CN106682121A CN 106682121 A CN106682121 A CN 106682121A CN 201611127779 A CN201611127779 A CN 201611127779A CN 106682121 A CN106682121 A CN 106682121A
- Authority
- CN
- China
- Prior art keywords
- user
- items
- time
- users
- target
- 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 19
- 230000008859 change Effects 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000032683 aging Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005307 time correlation function Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
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
本发明公开了一种基于用户兴趣变化的时效推荐方法,包括步骤:输入用户历史数据集,根据历史评分数据,生成用户‑项目评分矩阵,得到用户的评分时间,设置相似度阈值;根据评分时间和用户‑项目评分,计算综合时间效用函数;将综合效用时间函数的值加入到用户相似度计算公式中,计算目标用户和其它用户的相似度,得到目标用户的最近用户邻域集;根据目标用户的最近用户邻域集和目标用户和其它用户的相似度,计算目标用户对未评分项目的预测评分;根据目标用户对未评分项目的预测评分,生成推荐列表。本发明通过构造综合时间效用函数,根据时间效用函数对于不同的评分分配其不同的效用值,以提高相似邻居用户的准确性,从而提推荐结果的准确度。
Description
技术领域
本发明涉及一种个性化推荐方法,尤其涉及一种基于用户兴趣变化的时效推荐方法。
背景技术
互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求。但是,网络的迅速发展带来的信息量的大幅增长,使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息,对信息的使用效率反而降低了,这就是所谓的信息超载(information overload)问题。
在这个信息时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:作为信息消费者,如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情;作为信息生产者,如何让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。解决信息超载问题的一个非常有效的办法就是使用个性化推荐系统。
个性化推荐系统通过建立用户与信息产品之间的二元关系,利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化智能推荐。但是,个性化推荐系统存在推荐时效性等问题,这些问题严重的影响了推荐系统的推荐质量。因此,对用户进行个性化推荐的时候需要考虑了用户兴趣变化。用户的兴趣不是固定不变的,是随着时间,地点等因素不断变化。然而,现有的个性化推荐系统无法针对用户兴趣变化做出时效智能推荐。
发明内容
为克服现有技术的不足,本发明提出一种基于用户兴趣变化的时效推荐方法。
本发明的技术方案是这样的,一种基于用户兴趣变化的时效推荐方法,包括步骤
S1:输入用户历史数据集,根据历史评分数据,生成用户-项目评分矩阵,得到用户的评分时间,设置相似度阈值;
S2:根据评分时间和用户-项目评分,计算综合时间效用函数;
S3:将所述综合效用时间函数的值加入到用户相似度计算公式中,计算目标用户和其它用户的相似度,同时得到目标用户的最近用户邻域集;
S4:根据目标用户的最近用户邻域集和目标用户和其它用户的相似度,计算目标用户对未评分项目的预测评分;
S5:根据目标用户对未评分项目的预测评分,生成推荐列表。
进一步地,步骤S3中,用户相似度计算公式为:
其中,a和b分表来表示用户Ua和Ub的评分向量,R(a,c)表示用户a对项目c的评分,R(b,c)表示用户b对项目c的评分,分别为用户a、b对所有的项目评分平均值。
进一步地,步骤S4中,目标用户对未评分项目的预测评分公式为:
其中,为目标用户Ua的最近用户邻域集,rbi是用户Ub对未评分项目i的评分,分别为用户Ua和用户Ub对所有项目的评分的平均值。
进一步地,步骤S5中所述推荐列表为:把项目按预测值由大到小的顺序进行排序,选取预测值最高的N个项目推荐给目标用户,从而得到的Top-N推荐结果列表。
本发明的有益效果在于,与现有技术相比,本发明针对于用户的兴趣会随着时间的推移而可能发生改变的问题,通过构造综合时间效用函数,在计算相似度时,根据时间效用函数对于不同的评分分配其不同的效用值,以提高相似邻居用户的准确性,从而提高Top-N推荐结果的准确度。
附图说明
图1是本发明基于用户兴趣变化的时效推荐方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
用户的兴趣变化是随时间变化的,因此本发明提出在协同过滤算法中加入时间因子,使用时间效用函数来表征时间因素的作用。
时间效用函数主要是用来计算用户对项目评分的效果,假设用户的兴趣变化是按照某种线性的方式不断变化,并且变化过程大致和人类记忆的遗忘曲线相识,提出时间效用函数R(t):
t为评分发生的时间,tm为当前时间,0<R(t)<1。
在时间效用函数R(t)上,随着时间的推移,用户对项目的评分效用会呈现线性降低。用户对项目的评分时间越接近当前时效,用户的评分效果越高,反之,评分效果越低。
提出时间效用函数R(t)后,那么在计算用户间相似度时就要加入效用函数R(t),反映出时间因素对用户兴趣变化的影响。
计算用户间相似度的主要依据是各用户对共同项目的评分值,时间效用函数R(t)会赋予评分不同的效用值。但是评分时间之间的相关性也会对相似度计算有一定的影响,所以提出评分时间相关度函数Pab(t)。
tai代表了用户a对于项目i评分的时间,tbi代表用户b对于项目i评分时间。时间相关度函数Pab(t)主要是用来判定用户之间对项目评分时间的相关性,用户之间对同一个项目的评分时间越接近,则相关度高,反之,相关度低。
综合考虑到时间效用函数R(t)、时间相关度函数Pab(t)的作用提出综合时间效用函数W(t):
W(t)=λR(t)+(1-λ)P(t)
λ表示平衡调节参数,综合的时间权重函数W(t),不但考虑了评分时间的相关性而且还考虑了评分时间的效用值。在推荐系统中将该函数加入到计算相似度的过程中,对用户的每个评分数据都加入时间权重,把时间权重函数W(t)的引入到推荐算法中,计算相似度时为每个用户的评分按时间效用值赋予一定的权重。
请参见图1,本发明的输入是用户历史数据集,目标用户Ua,用户评分时间t,输出是目标用户Top-N推荐列表。
S1:根据历史评分数据,生成用户-项目评分矩阵Rm×n。并得到用户所有的评分时间t,指定相似度阀值K。
用户-项目评分矩阵
user\item | i1 | i1 | … | ij | … | i(N-1) | iN |
u1 | R11 | R12 | … | R1j | … | R1(N-1) | R1N |
u1 | R21 | R22 | … | R2j | … | R2(N-1) | R21 |
… | … | … | … | … | … | … | … |
u(M-1) | R(M-1)1 | R(M-1)2 | … | R(M-1)j | … | R(M-1)(N-1) | R(M-1)M |
uM | RM1 | RM2 | … | RMj | … | RM(N-1) | RMN |
Rij表示第i个用户对第j个项目的评分,M代表用户的数量,N为物品数量。
S2:根据评分矩阵Rm×n以及评分时间等相关数据,计算综合时间效用函数W(t)的值。找出目标用户Ua和其他任意用户Ub共同的评分项目集合I={i1,i2,i3,…,in},分别计算目标用户和其他用户对项目ic的评分时间相关度P(t)和评分权重R(t),得到时间权重值W(t)的值。
S3:计算用户间的相似度。计算相似度时引入步骤S2算出的时间权重函数W(t)的值,并将该值加入到计算相似度的公式中。计算目标用户和其他用户之间的相似度sim(Ua,Ub),如果sim(Ua,Ub)>K,则将该用户添加到目标用户的最近用户邻域集KNN(u)中。相似度计算公式使用修正过的余弦相似度量方法。
将用户向量定义为评分矩阵中用户对所有项目的一个行为:将项目向量定义为所有用户对某一项目的喜好程度。a和b分表来表示用户Ua和Ub的评分向量
R(a,c)表示用户a对项目c的评分,R(b,c)表示用户b对项目c的评分。修正的余弦相似度量方法将某一用户对所有项目评分的平均值看做评分度量尺度。分别为用户a、b对所有的项目评分平均值。
S4:对未评分项目进行评分预测。从步骤S3中可以得到目标用户的Ua的最近用户邻域集KNN(u)及目标用户和其他用户的相似度数值sim(Ua,Ub),结合得到的相似度数值sim(Ua,Ub)和预测评分值计算公式p(Ua,i)计算出目标用户对项目的预测评分。评分预测公式:
其中,为目标用户Ua的最近用户邻域集,rbi是用户Ub对项目i的评分,分别为用户Ua和用户Ub对所有项目的评分的平均值。
评分预测使用平均归一化方法,去避免了不同用户评价标准不同,对预测结果的影响,并考虑目标用户的评分平均值和最近邻用户的评分平均值,然后结合相似度值sim(Ua,Ub)得到预测评分。
S5:生成Top-N推荐列表。通过上述步骤计算得到预测评分集合,并把项目按预测值由大到小的顺序进行排序,选取预测值最高的N个项目推荐给目标用户,从而得到Top-N的推荐结果集。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种基于用户兴趣变化的时效推荐方法,其特征在于,包括步骤
S1:输入用户历史数据集,根据历史评分数据,生成用户-项目评分矩阵,得到用户的评分时间,设置相似度阈值;
S2:根据评分时间和用户-项目评分,计算综合时间效用函数;
S3:将所述综合效用时间函数的值加入到用户相似度计算公式中,计算目标用户和其它用户的相似度,同时得到目标用户的最近用户邻域集;
S4:根据目标用户的最近用户邻域集和目标用户和其它用户的相似度,计算目标用户对未评分项目的预测评分;
S5:根据目标用户对未评分项目的预测评分,生成推荐列表。
2.如权利要求1所述的基于用户兴趣变化的时效推荐方法,其特征在于,步骤S3中,用户相似度计算公式为:
其中,a和b分表来表示用户Ua和Ub的评分向量,R(a,c)表示用户a对项目c的评分,R(b,c)表示用户b对项目c的评分,分别为用户a、b对所有的项目评分平均值。
3.如权利要求1所述的基于用户兴趣变化的时效推荐方法,其特征在于,步骤S4中,目标用户对未评分项目的预测评分公式为:
其中,为目标用户Ua的最近用户邻域集,rbi是用户Ub对未评分项目i的评分,分别为用户Ua和用户Ub对所有项目的评分的平均值。
4.如权利要求1所述的基于用户兴趣变化的时效推荐方法,其特征在于,步骤S5中所述推荐列表为:把项目按预测值由大到小的顺序进行排序,选取预测值最高的N个项目推荐给目标用户,从而得到的Top-N推荐结果列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611127779.9A CN106682121A (zh) | 2016-12-09 | 2016-12-09 | 一种基于用户兴趣变化的时效推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611127779.9A CN106682121A (zh) | 2016-12-09 | 2016-12-09 | 一种基于用户兴趣变化的时效推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682121A true CN106682121A (zh) | 2017-05-17 |
Family
ID=58869106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611127779.9A Pending CN106682121A (zh) | 2016-12-09 | 2016-12-09 | 一种基于用户兴趣变化的时效推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682121A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN107368519A (zh) * | 2017-06-05 | 2017-11-21 | 桂林电子科技大学 | 一种契合用户兴趣变化的协同处理方法及系统 |
CN108256093A (zh) * | 2018-01-29 | 2018-07-06 | 华南理工大学 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
CN108399197A (zh) * | 2018-01-30 | 2018-08-14 | 重庆邮电大学 | 基于用户置信度和时间上下文的协同过滤推荐方法 |
CN108985900A (zh) * | 2018-07-16 | 2018-12-11 | 广州友米科技有限公司 | 基于运营业务的分时推荐方法 |
CN109088999A (zh) * | 2017-06-13 | 2018-12-25 | 中兴通讯股份有限公司 | 一种播放回铃音的方法、装置及计算机可读存储介质 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN110008405A (zh) * | 2019-03-25 | 2019-07-12 | 华南理工大学 | 一种基于时效性的个性化消息推送方法及系统 |
CN110390058A (zh) * | 2019-06-28 | 2019-10-29 | 哈尔滨理工大学 | 考虑时效性的Web服务可信混合推荐方法 |
CN111506831A (zh) * | 2020-04-13 | 2020-08-07 | 蔡梓超 | 一种协同过滤的推荐模块、方法、电子设备及存储介质 |
CN112307358A (zh) * | 2020-11-10 | 2021-02-02 | 西北大学 | 基于用户兴趣扩散及时间相关的改进协同过滤算法 |
CN113888252A (zh) * | 2021-08-30 | 2022-01-04 | 华南农业大学 | 基于用户对食品安全等级评分值和食品相似度的推荐方法 |
CN116028727A (zh) * | 2023-03-30 | 2023-04-28 | 南京邮电大学 | 一种基于图像数据处理的视频推荐方法 |
CN117132356A (zh) * | 2023-08-29 | 2023-11-28 | 重庆大学 | 基于自适应用户兴趣变化周期的推荐方法、装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617540A (zh) * | 2013-10-17 | 2014-03-05 | 浙江大学 | 一种追踪用户兴趣变化的电子商务推荐方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN104391849A (zh) * | 2014-06-30 | 2015-03-04 | 浙江大学苏州工业技术研究院 | 融入时间上下文信息的协同过滤推荐方法 |
-
2016
- 2016-12-09 CN CN201611127779.9A patent/CN106682121A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617540A (zh) * | 2013-10-17 | 2014-03-05 | 浙江大学 | 一种追踪用户兴趣变化的电子商务推荐方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN104391849A (zh) * | 2014-06-30 | 2015-03-04 | 浙江大学苏州工业技术研究院 | 融入时间上下文信息的协同过滤推荐方法 |
Non-Patent Citations (2)
Title |
---|
刘胜宗等: "一种融合用户评分可信度和相似度的协同过滤算法", 《小型微型计算机系统》 * |
崔泽峰: "基于项目聚类和用户兴趣的个性化推荐", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368519A (zh) * | 2017-06-05 | 2017-11-21 | 桂林电子科技大学 | 一种契合用户兴趣变化的协同处理方法及系统 |
CN109088999A (zh) * | 2017-06-13 | 2018-12-25 | 中兴通讯股份有限公司 | 一种播放回铃音的方法、装置及计算机可读存储介质 |
CN109088999B (zh) * | 2017-06-13 | 2021-04-06 | 中兴通讯股份有限公司 | 一种播放回铃音的方法、装置及计算机可读存储介质 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN108256093B (zh) * | 2018-01-29 | 2020-06-19 | 华南理工大学 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
CN108256093A (zh) * | 2018-01-29 | 2018-07-06 | 华南理工大学 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
CN108399197A (zh) * | 2018-01-30 | 2018-08-14 | 重庆邮电大学 | 基于用户置信度和时间上下文的协同过滤推荐方法 |
CN108985900A (zh) * | 2018-07-16 | 2018-12-11 | 广州友米科技有限公司 | 基于运营业务的分时推荐方法 |
CN108985900B (zh) * | 2018-07-16 | 2021-06-29 | 广州天高软件科技有限公司 | 基于运营业务的分时推荐方法 |
CN109241415B (zh) * | 2018-08-20 | 2023-04-14 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN110008405A (zh) * | 2019-03-25 | 2019-07-12 | 华南理工大学 | 一种基于时效性的个性化消息推送方法及系统 |
CN110390058A (zh) * | 2019-06-28 | 2019-10-29 | 哈尔滨理工大学 | 考虑时效性的Web服务可信混合推荐方法 |
CN111506831A (zh) * | 2020-04-13 | 2020-08-07 | 蔡梓超 | 一种协同过滤的推荐模块、方法、电子设备及存储介质 |
CN112307358A (zh) * | 2020-11-10 | 2021-02-02 | 西北大学 | 基于用户兴趣扩散及时间相关的改进协同过滤算法 |
CN113888252A (zh) * | 2021-08-30 | 2022-01-04 | 华南农业大学 | 基于用户对食品安全等级评分值和食品相似度的推荐方法 |
CN116028727A (zh) * | 2023-03-30 | 2023-04-28 | 南京邮电大学 | 一种基于图像数据处理的视频推荐方法 |
CN116028727B (zh) * | 2023-03-30 | 2023-08-18 | 南京邮电大学 | 一种基于图像数据处理的视频推荐方法 |
CN117132356A (zh) * | 2023-08-29 | 2023-11-28 | 重庆大学 | 基于自适应用户兴趣变化周期的推荐方法、装置及系统 |
CN117132356B (zh) * | 2023-08-29 | 2024-02-13 | 重庆大学 | 基于自适应用户兴趣变化周期的推荐方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682121A (zh) | 一种基于用户兴趣变化的时效推荐方法 | |
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
CN109543109B (zh) | 一种融合时间窗技术和评分预测模型的推荐算法 | |
Jahanshahloo et al. | Extension of the TOPSIS method for decision-making problems with fuzzy data | |
CN107451894B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN104281956A (zh) | 基于时间信息的适应用户兴趣变化的动态推荐方法 | |
Gao et al. | Hybrid personalized recommended model based on genetic algorithm | |
US20210366006A1 (en) | Ranking of business object | |
CN106251174A (zh) | 信息推荐方法及装置 | |
Lai et al. | Novel personal and group-based trust models in collaborative filtering for document recommendation | |
Gogna et al. | DiABlO: Optimization based design for improving diversity in recommender system | |
CN105976229A (zh) | 一种基于用户和项目混合的协同过滤算法 | |
CN110941762B (zh) | 一种个性化推荐系统排序结果的改进方法 | |
CN107330727A (zh) | 一种基于隐语义模型的个性化推荐方法 | |
CN107577736B (zh) | 一种基于bp神经网络的文件推荐方法及系统 | |
CN103500228A (zh) | 一种协同过滤推荐算法中改进的相似性度量方法 | |
CN108038746A (zh) | 基于关键用户和时间上下文的二部图推荐方法 | |
Li et al. | Collaborative filtering based on user attributes and user ratings for restaurant recommendation | |
Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
CN107145541A (zh) | 基于超图结构的社交网络推荐模型构建方法 | |
Manimurugan et al. | A user-based video recommendation approach using CAC filtering, PCA with LDOS-CoMoDa | |
US20140365456A1 (en) | Item-based recommendation engine for recommending a highly-associated item | |
Revankar et al. | Survey on collaborative filtering technique in recommendation system | |
CN106991592A (zh) | 一种基于购买用户行为分析的个性化推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20170517 |