CN106777051A - 一种基于用户组的多反馈协同过滤推荐方法 - Google Patents
一种基于用户组的多反馈协同过滤推荐方法 Download PDFInfo
- Publication number
- CN106777051A CN106777051A CN201611130603.9A CN201611130603A CN106777051A CN 106777051 A CN106777051 A CN 106777051A CN 201611130603 A CN201611130603 A CN 201611130603A CN 106777051 A CN106777051 A CN 106777051A
- Authority
- CN
- China
- Prior art keywords
- user
- distance
- feedback
- article
- collaborative filtering
- 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 23
- 238000001914 filtration Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 230000002452 interceptive effect Effects 0.000 claims abstract description 11
- 230000007423 decrease Effects 0.000 claims abstract description 3
- 230000003993 interaction Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 2
- 206010068052 Mosaicism Diseases 0.000 abstract description 3
- 210000003765 sex chromosome Anatomy 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06F16/953—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户组的多反馈协同过滤推荐方法,涉及推荐系统领域及机器学习领域。该方法的包括如下步骤:步骤一:对用户‑物品的互动数据进行预处理,使用余弦相似度计算用户间的距离;步骤二:融合距离矩阵,使用K‑Medoids算法分类并得到k个簇;步骤三:在每个簇内单独运行BPR MF算法得到个性化排名,再根据KNN算法生成top‑N推荐。本发明提供的基于用户组的多反馈协同过滤推荐算法融合了多种用户的反馈数据,包括用户的显性反馈,如评分数据,还包括用户的隐性反馈,如用户浏览数据等。相比与传统的协同过滤推荐算法只考虑到了单一的用户反馈,本文的推荐算法能够更好的缓解数据稀疏性问题,并采用基于学习的贝叶斯个性化推荐算法,通过梯度下降来学习BPR,能够很好的提高推荐系统的准确度。
Description
技术领域
本发明公开了一种基于用户组的多反馈协同过滤推荐方法,具体为根据用户多反馈按照聚类形成K个簇,在用户组里生成个性化推荐列表,涉及推荐系统领域及机器学习领域。
背景技术
随着信息技术和互联网的快速发展,人们逐渐从信息匮乏的时代走进了信息过载的时代。为了解决信息过载问题,强大的搜索引擎应运而生,使得人们可以在海量的信息中找到自己想要的内容,与搜索引擎一样,推荐系统也可以帮助用户发现有用的信息,并且用户不再是被动的网页浏览者,而逐步成为了主动参与者。
近年来,推荐系统受到了越来越多的互联网巨头以及电商的青睐,尤其是个性化推荐技术的发展,对改善用户体验和提高服务质量起到了重要的作用。当前主要的推荐系统主要包括基于关联规则的推荐系统、基于内容的推荐系统、协同过滤系统以及混合推荐系统。基于关联规则的推荐以项目之间的关联规则为基础,通过数据挖掘发现项目之间的潜在关联以实施连带推荐,但是当数据量非常大的时候,此推荐算法的计算复杂度将会随之升高;基于内容的推荐系统首先提取推荐对象的内容特征,其次将产品特征与用户兴趣偏好匹配,将匹配度较高的产品向用户实施推荐,由于多媒体资源目前还没有有效的特征提取方法,因此基于内容的推荐系统会受推荐对象特征提取能力的限制;关于协同过滤推荐,首先找到与目标用户兴趣偏好相似的最近邻居集,然后根据这个最近邻居集对项目的评分来预测目标用户未评分项目的评分,选择预测评分最高的N个项目作为推荐结果反馈给用户,该推荐算法能够发现用户尚未发现且潜在的兴趣偏好,尽管如此,协同过滤推荐算法仍然面临着冷启动、稀疏性、精确性、扩展性等问题;混合推荐系统即通过组合不同的推荐策略,达到扬长避短的目的,从而产生更符合用户需求的推荐,可是混合推荐系统在实际应用中面临着许多困难,它需要解决不同推荐技术的难题进行有机推荐。
综上所述,随着用户和项目(物品)数量的急剧上升,传统的推荐系统面临着巨大的挑战,包括冷启动问题、评分矩阵稀疏性问题等,尤其是原始用户-项目评分矩阵较高的稀疏性严重的影响了推荐质量。与此同时,传统的推荐算法大都只考虑了评分这项单一因素,并未结合社交网络分析理论的知识,忽略了用户社交关系、项目关联属性以及一些上下文信息(地理位置、情感因素),这在一定程度上降低了推荐的准确度、新颖度和覆盖度。另外,用户在浏览或购买产品时,形成了用户和产品之间的链接关系,可以把这种链接关系看作是社交网络关系,再通过社交网络分析方法,考察节点之间(用户之间或者产品之间)的相关性,并依此进行推荐。
发明内容
本发明旨在解决以上问题,针对传统协同过滤推荐算法采用单反馈用户-物品评分数据集,计算用户相似性。提出一种能够提高推荐系统准确度的基于用户组的多反馈协同过滤推荐方法,本发明的技术方案如下:
一种基于用户组的多反馈协同过滤推荐方法,其包括以下步骤:
步骤一:对用户-物品的互动数据进行预处理,使用余弦相似度计算用户间的距离;
步骤二:融合距离矩阵,使用K-Medoids算法分类并得到K个簇;
步骤三:在每个簇内单独运行BPR MF算法得到个性化排名,根据KNN算法生成top-N推荐。
进一步,在步骤一中,用户-物品互动数据作为算法的输入,如果同时考虑评分数据和标签数据,将会有两个矩阵输入。数据预处理包括以下3个步骤。
(1)用离散值(1,2,3,4,5)表示用户对项目的偏爱程度。
(2)数值表示用户浏览项目的次数
(3)布尔值(0或1)表示用户是否给项目打过标签。
进一步,在步骤二中,融合距离矩阵,包括以下步骤:
(1)通过计算用户间的兴趣距离,根据距离融合公式融合用户兴趣距离得到大小为|U|×|U|的距离矩阵。
(2)融合距离的公式:
其中Ni表示互动类型的数量,λ*表示平衡不同互动类型的权重系数,定义如下:
Nu和Nv分别表示用户u和用户v互动次数,Nuv表示用户u和v共同互动的次数。
进一步,在步骤二中,使用K-Medoids算法分类并得到k个簇,包括以下步骤:
(1)初始化,从N个数据集中随机选取K个数据作为中心点;
(2)将待聚类的数据点集中的点,指派到最近的中心点;
(3)进入迭代,知道聚类的质量满足制定的阈值,使总代价减少;
(4)对于每一个中心点o和非中心点p,执行如下计算步骤;
1.交换点o和p,重新计算交换后的该划分所生成的代价值;
2.如果本次交换造成代价增加,则取消交换。
进一步,在步骤三中,在每个簇内单独运行BPR MF算法过程如下:
(1)将用户对物品的评分(显式反馈“1”,隐式反馈“0”)处理为pair对集<i,j>其中i为评分为1的物品,j为评分为“0”的物品。假设用户有M个“1”的评分,N个“0”的评分,则该用户共有M×N个pair对。这样数据集就由三元组<u,i,j>表示,该三元组的物理含义为:相对于物品j,用户u更喜欢物品i。
(2)极大化如下目标其中θ为所求模型,具体包括用户隐含因子矩阵P,及表达物品的隐含因子矩阵Q。
(3)使用随机梯度下降法学习BPR,使得BPR-OPT达到最优。
进一步,在步骤三中根据KNN算法生成top-N推荐过程如下:
(1)计算用户u和v之间的相似度
(2)计算用户u对物品i的兴趣
其中S(u,K)用户u最接近的K个用户,N(i)表示对物品i有过行为的用户集。
附图说明
图1为参照本发明的一种实施方式的一种基于用户组的多反馈协同过滤推荐方法流程图;
图2为本发明原始数据预处理流程图;
图3为本发明提出的融合用户距离生成大小为|U|×|U|用户-用户距离矩阵;
图4为本发明一个优选实例的聚类结果图;
具体实施方式
下面结合附图给出一个非限定的实施例对本发明作进一步的阐述。这些描述只是示例的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1所示为本发明的实例方法流程图,包括:用户-项目互动数据集、计算用户间的兴趣距离、融合用户兴趣距离生成距离矩阵、使用K-Medoids算法生成K个簇、在每个簇内运行BPR MF算法、生成个性推荐列表。
本发明的实例主要包括如下3个步骤:
步骤一:对用户-物品的互动数据进行预处理,使用余弦相似度计算用户间的距离;
步骤二:融合距离矩阵,使用K-Medoids算法分类并得到k个簇;
步骤三:在每个簇内单独运行BPR MF算法得到个性化排名,再根据KNN算法生成Top-N推荐。
上述步骤一:对用户-物品的互动数据进行预处理及用户间距离计算照图2所示,具体可以分以下几个步骤。
(1)从存储数据集文件中读入每一行原始记录数据,取出用户ID(UserID)、项目ID(ItemID)和评分值(Value),将某一用户评价过的所有物品及评分都集中在一条记录中,形成键/值对(K/V结构)的形式。输出结果以UserID作为键,<ItemID,Value>数组为值,形式为(UserID,<ItemID,Value>)。
(2)收集所有项目的被评分记录,以便与接下来项目评分偏差的计算。这个阶段的数据输入为(UserID,List of rated items),将该数据拆成为以ItemID为键,<UserID,Value>为值的对,最后输出(ItemID,list of users and ratings)。
(3)计算用户间的不相似度,收集用户-项目互动数据集,采用余弦向量计算。
上述步骤二:融合距离矩阵,使用K-Medoids算法分类并得到k个簇参照
图3所示,具体可以分为如下几个步骤。
(1)通过计算用户间的兴趣距离,根据距离融合公式融合用户兴趣距离得到大小为|U|×|U|的距离矩阵。
(2)根据公式(1)融合用户距离矩阵。
使用K-Medoids算法分类并得到k个簇,聚类结果参照图4所示,具体可以分为如下10个步骤:
1.输入待聚类点集,以及参数k、maxIterations、parallism;
2.同k-means算法一样,随机选择初始中心点集合;
3.启动parallism个线程,用来将非中心点指派给最近的中心点;
4.开始执行迭代,使得聚类结果对应的划分的SAD值最小:
5.将非中心点,基于Round-Robin策略,分配给多个线程,并行指派:将非中心点指派给距离其最近的中心点;
6.将多个线程指派的局部结果进行合并,得到一个全局的指派结果;
7.根据指派结果计算SAD值:如果是第一次进行指派,直接计算其SAD值,保存在previousSAD变量中,该变量保存的是最小的SAD值,第一次初始化第一次指派结果计算得到的SAD值;如果不是第一次进行指派,也计算SAD值,将SAD值保存在变量currentSAD中,继续执行步骤8;
8.随机选择一个非中心点;
9.创建一个ClusterHolder对象,该对象保存了该轮迭代指派结果,根据随机选择的非中心点修改ClusterHolder对象中的结果,将随机选择非中心点和对应的中心点进行交换,为下一轮指派过程准备数据;
10.最后,判断是否达到指定的最大迭代次数,如果达到则终止计算,处理最终聚类结果,否则执行下一轮迭代计算,转步骤5。
计算SAD的公式如下所示:
上述步骤三:在每个簇内单独运行BPR MF算法得到个性化排名,具体可
以分为如下几个步骤:
(1)将用户对物品的评分(显式反馈“1”,隐式反馈“0”)处理为pair对集合<i,j>
其中i为评分为1的物品,j为评分为0的物品。假设用户有M个“1”的评分,N个“0”的评分,则该用户共有M×N个pair对。
(2)极大化如下目标其中θ为所求模型,具体包括隐含因子矩阵P,及表达物品的隐含因子矩阵Q。
1 p(i>uj|θ)=δ(xu,i-xu,j)
3 xu,i=pu·qj
基于上述假设,优化目标进一步展开得到
求解上述最小化问题,分别针对pu,qi,qj求偏导如下:
偏导即为梯度下降方向,模型迭代求解的公式如下:
其中α为学习速率。
本发明的有益效果在于:融合了多种用户的反馈数据,包括用户的显性反馈,如评分数据,还包括用户的隐性反馈,如用户浏览数据等。相比与传统的协同过滤推荐算法只考虑到了单一的用户反馈,本文的推荐算法能够更好的缓解数据稀疏性问题,并采用基于学习的贝叶斯个性化推荐算法,通过梯度下降来学习BPR,能够很好的提高推荐系统的准确度,提高系统性能。
Claims (6)
1.一种基于用户组的多反馈协同过滤推荐方法,其特征在于:包括以下步骤:
步骤一:对用户-物品的互动数据进行预处理,使用余弦相似度计算用户间的距离;
步骤二:融合距离矩阵,使用K-Medoids算法分类并得到k个簇;
步骤三:在每个簇内单独的运行BPR MF算法,得到个性化推荐列表。
2.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法,其特征在于:在步骤一中,用户-物品的互动数据不仅包括了用户的显性反馈还包含隐性反馈,计算出用户间兴趣距离。
3.如权利要求2所述根据用户-物品多反馈,计算用户间的兴趣距离。其中距离
4.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法,其特征在于:在步骤二中,融合距离矩阵,使用K-Medoids算法分类并得到k个簇:
(1)通过计算用户间的兴趣距离,根据距离融合公式融合用户兴趣距离得到;大小为|U|×|U|的距离矩阵,融合距离的公式为
其中Ni表示互动类型的数量,λ*表示平衡不同互动类型的权重系数,定义如下:
Nu和Nv分别表示用户u和用户v互动次数,Nuv表示用户u和v共同互动的次数。
(2)根据距离矩阵,使用K-Medoid算法计算两个数据集间的距离,保证每个簇内的数据集的距离最小,即不相似性最低并生成K个用户组。
5.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法,其特征在于:在步骤三中,还包括:BPR MF算法并不仅仅利用用户-物品数据去训练模型,而是采用基于梯度下降的方法学习模型。不仅考虑了用户-物品数据信息,还考虑到了项目对之间的优先级,例如项目i被用户浏览而项目j没有,则用户更偏爱于项目i。
6.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法,其特征在于:在步骤三中,在每个簇内单独运行BPR MF算法,得到个性化推荐列表。过程如下:
首先数据pair化预处理:
(1)将用户对物品的评分(显式反馈“1”,隐式反馈“0”)处理为pair对集合<i,j>其中i为评分为1的物品,j为评分为0的物品。假设用户有M个“1”的评分,N个“0”的评分,则该用户共有M×N个pair对。
(2)极大化如下目标其中θ为所求模型,具体包括隐含因子矩阵P,及表达物品的隐含因子矩阵Q。
(3)使用随机梯度下降法学习BPR,使得BPR-OPT达到最优。
(4)计算用户u和v之间的相似度
(5)计算用户u对物品i的兴趣
其中S(u,K)用户u最接近的K个用户,N(i)表示对物品i有过行为的用户集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611130603.9A CN106777051A (zh) | 2016-12-09 | 2016-12-09 | 一种基于用户组的多反馈协同过滤推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611130603.9A CN106777051A (zh) | 2016-12-09 | 2016-12-09 | 一种基于用户组的多反馈协同过滤推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106777051A true CN106777051A (zh) | 2017-05-31 |
Family
ID=58875770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611130603.9A Pending CN106777051A (zh) | 2016-12-09 | 2016-12-09 | 一种基于用户组的多反馈协同过滤推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106777051A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871269A (zh) * | 2017-11-08 | 2018-04-03 | 广东奡风科技股份有限公司 | 一种基于金融产品交互矩阵的客户因子的knn推荐方法 |
CN107944485A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 |
CN108628999A (zh) * | 2018-05-02 | 2018-10-09 | 南京大学 | 一种基于显式和隐式信息的视频推荐方法 |
CN108664658A (zh) * | 2018-05-21 | 2018-10-16 | 南京大学 | 一种考虑用户偏好动态变化的协同过滤视频推荐方法 |
CN108681938A (zh) * | 2018-05-07 | 2018-10-19 | 常熟市第人民医院 | 一种基于差分隐私和用户活跃度的协同过滤Top-N方法 |
CN108734545A (zh) * | 2018-04-11 | 2018-11-02 | 达而观信息科技(上海)有限公司 | 协同过滤推荐方法及系统 |
CN109902753A (zh) * | 2019-03-06 | 2019-06-18 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐模型训练方法、装置、计算机设备和存储介质 |
CN110084545A (zh) * | 2019-03-05 | 2019-08-02 | 浙江工业大学 | 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法 |
CN110119478A (zh) * | 2019-05-15 | 2019-08-13 | 南京大学 | 一种结合多种用户反馈数据的基于相似度的物品推荐方法 |
CN110222269A (zh) * | 2019-06-10 | 2019-09-10 | 莫毓昌 | 一种基于优先级挖掘的保形最优选择方法 |
CN111488138A (zh) * | 2020-04-10 | 2020-08-04 | 杭州顺藤网络科技有限公司 | 一种基于贝叶斯算法和余弦算法的b2b推荐引擎 |
CN111582992A (zh) * | 2020-05-13 | 2020-08-25 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
CN112115379A (zh) * | 2020-09-18 | 2020-12-22 | 吉林农业大学 | 基于知识图谱的水稻品种选择方法和装置 |
CN113269602A (zh) * | 2020-02-17 | 2021-08-17 | 北京京东振世信息技术有限公司 | 物品推荐的方法和装置 |
CN116822914A (zh) * | 2023-08-31 | 2023-09-29 | 吉林电力交易中心有限公司 | 一种基于聚类算法改进的采暖方式混合推荐方法 |
CN111492392B (zh) * | 2017-12-22 | 2023-11-17 | 华为技术有限公司 | 用于更新客户端-项目矩阵的客户端、服务器和客户端-服务器系统 |
US11869015B1 (en) | 2022-12-09 | 2024-01-09 | Northern Trust Corporation | Computing technologies for benchmarking |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853463A (zh) * | 2009-03-30 | 2010-10-06 | 北京邮电大学 | 基于客户特征的协同过滤推荐方法和系统 |
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 |
CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
-
2016
- 2016-12-09 CN CN201611130603.9A patent/CN106777051A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853463A (zh) * | 2009-03-30 | 2010-10-06 | 北京邮电大学 | 基于客户特征的协同过滤推荐方法和系统 |
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 |
CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871269A (zh) * | 2017-11-08 | 2018-04-03 | 广东奡风科技股份有限公司 | 一种基于金融产品交互矩阵的客户因子的knn推荐方法 |
CN107944485A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 |
CN107944485B (zh) * | 2017-11-17 | 2020-03-06 | 西安电子科技大学 | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 |
CN111492392B (zh) * | 2017-12-22 | 2023-11-17 | 华为技术有限公司 | 用于更新客户端-项目矩阵的客户端、服务器和客户端-服务器系统 |
CN108734545A (zh) * | 2018-04-11 | 2018-11-02 | 达而观信息科技(上海)有限公司 | 协同过滤推荐方法及系统 |
CN108628999A (zh) * | 2018-05-02 | 2018-10-09 | 南京大学 | 一种基于显式和隐式信息的视频推荐方法 |
CN108628999B (zh) * | 2018-05-02 | 2022-11-11 | 南京大学 | 一种基于显式和隐式信息的视频推荐方法 |
CN108681938A (zh) * | 2018-05-07 | 2018-10-19 | 常熟市第人民医院 | 一种基于差分隐私和用户活跃度的协同过滤Top-N方法 |
CN108664658B (zh) * | 2018-05-21 | 2020-08-11 | 南京大学 | 一种考虑用户偏好动态变化的协同过滤视频推荐方法 |
CN108664658A (zh) * | 2018-05-21 | 2018-10-16 | 南京大学 | 一种考虑用户偏好动态变化的协同过滤视频推荐方法 |
CN110084545A (zh) * | 2019-03-05 | 2019-08-02 | 浙江工业大学 | 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法 |
CN110084545B (zh) * | 2019-03-05 | 2021-07-27 | 浙江工业大学 | 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法 |
CN109902753A (zh) * | 2019-03-06 | 2019-06-18 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐模型训练方法、装置、计算机设备和存储介质 |
CN109902753B (zh) * | 2019-03-06 | 2023-01-13 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐模型训练方法、装置、计算机设备和存储介质 |
CN110119478A (zh) * | 2019-05-15 | 2019-08-13 | 南京大学 | 一种结合多种用户反馈数据的基于相似度的物品推荐方法 |
CN110222269A (zh) * | 2019-06-10 | 2019-09-10 | 莫毓昌 | 一种基于优先级挖掘的保形最优选择方法 |
CN113269602A (zh) * | 2020-02-17 | 2021-08-17 | 北京京东振世信息技术有限公司 | 物品推荐的方法和装置 |
CN111488138A (zh) * | 2020-04-10 | 2020-08-04 | 杭州顺藤网络科技有限公司 | 一种基于贝叶斯算法和余弦算法的b2b推荐引擎 |
CN111582992A (zh) * | 2020-05-13 | 2020-08-25 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
CN111582992B (zh) * | 2020-05-13 | 2022-12-06 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
CN112115379A (zh) * | 2020-09-18 | 2020-12-22 | 吉林农业大学 | 基于知识图谱的水稻品种选择方法和装置 |
US11869015B1 (en) | 2022-12-09 | 2024-01-09 | Northern Trust Corporation | Computing technologies for benchmarking |
CN116822914A (zh) * | 2023-08-31 | 2023-09-29 | 吉林电力交易中心有限公司 | 一种基于聚类算法改进的采暖方式混合推荐方法 |
CN116822914B (zh) * | 2023-08-31 | 2023-12-26 | 吉林电力交易中心有限公司 | 一种基于聚类算法改进的采暖方式混合推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777051A (zh) | 一种基于用户组的多反馈协同过滤推荐方法 | |
Liu et al. | User diverse preference modeling by multimodal attentive metric learning | |
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
Amatriain | Mining large streams of user data for personalized recommendations | |
Vargas et al. | Exploiting the diversity of user preferences for recommendation | |
Musto et al. | Semantics-aware graph-based recommender systems exploiting linked open data | |
US9183510B1 (en) | Method and system for personalized recommendation of lifestyle items | |
Jones | Recommender systems, Part 1: Introduction to approaches and algorithms | |
Zhang et al. | An Improved Collaborative Filtering Algorithm Based on User Interest. | |
Koutrika | Modern recommender systems: from computing matrices to thinking with neurons | |
CN107977370B (zh) | 一种歌手推荐方法及系统 | |
Tu et al. | Inferring correspondences from multiple sources for microblog user tags | |
CN106919647B (zh) | 一种基于聚类的网络结构相似性推荐方法 | |
Li et al. | Multidimensional clustering based collaborative filtering approach for diversified recommendation | |
Vartak et al. | CHIC: a combination-based recommendation system | |
Al Boni et al. | Model adaptation for personalized opinion analysis | |
Jalal | Big data and intelligent software systems | |
Tang et al. | Factorization-based primary dimension modelling for multidimensional data in recommender systems | |
Eyjolfsdottir et al. | Moviegen: A movie recommendation system | |
Mustafa et al. | Performance comparison of top N recommendation algorithms | |
Banouar et al. | Enriching SPARQL queries by user preferences for results adaptation | |
Sidana | Recommendation systems for online advertising | |
Delimayanti et al. | Web-Based Movie Recommendation System using Content-Based Filtering and KNN Algorithm | |
Wangwatcharakul et al. | Improving dynamic recommender system based on item clustering for preference drifts | |
Ye et al. | A collaborative neural model for rating prediction by leveraging user reviews and product images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |