CN106777200A - 项目推荐的方法及装置 - Google Patents
项目推荐的方法及装置 Download PDFInfo
- Publication number
- CN106777200A CN106777200A CN201611208922.7A CN201611208922A CN106777200A CN 106777200 A CN106777200 A CN 106777200A CN 201611208922 A CN201611208922 A CN 201611208922A CN 106777200 A CN106777200 A CN 106777200A
- Authority
- CN
- China
- Prior art keywords
- user
- project
- recommended
- scoring
- candidate 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.)
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Abstract
本发明适用于信息技术领域,提供了一种项目推荐的方法及装置,包括:获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。本发明实现解决了现有的个性化推荐技术存在数据稀疏、冷启动的问题,提高了项目推荐的准确性。
Description
技术领域
本发明属于信息技术领域,尤其涉及一种项目推荐的方法及装置。
背景技术
针对互联网的个性化推荐技术通过挖掘用户的历史浏览信息、购买信息、消费频率以及对商品的评价来建立用户的兴趣模型,然后根据该兴趣模型向用户推荐广告、商品等项目信息。然而,对于首次加入推荐系统的用户和项目,由于没有历史记录,现有的个性化推荐计数无法向该用户进行推荐,也无法将最新加入的该项目推荐给用户。随着用户和项目的规模快速增加,没有用户评分的项目也越来越多,导致矩阵数值稀缺,进而严重影响了推荐结果的精准性。另一方面,现有的移动终端使得用户可以在任何时间、地点发布社交网络信息,用户的兴趣爱好也会随着时间和环境等因素的改变而发生变化,现有的个性化推荐系统无法及时捕捉用户的动态信息,进而无法实现精准的推送,推送效果不佳。
综上所述,现有的个性化推荐技术存在数据稀疏、冷启动以及信息过载的问题。
发明内容
鉴于此,本发明实施例提供了一种项目推荐的方法及装置,以解决现有的个性化推荐技术存在数据稀疏、冷启动以及信息过载的问题。
第一方面,提供了一种项目推荐的方法,所述方法包括:
获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;
计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;
根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;
选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;
获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。
进一步地,所述计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度包括:
对于所述候选用户群中的每一个候选用户,根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度;
根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
进一步地,所述根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度包括:
获取所述待推荐用户的项目评分矩阵和所述候选用户的项目评分矩阵;
根据预设的时间加权函数分别对所述待推荐用户和所述候选用户的项目评分矩阵进行一次修正;
根据预设的距离加权函数对一次修正后的项目评分矩阵进行二次修正;
根据二次修正后的所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
进一步地,所述时间加权函数为基于时间的遗忘函数,所述距离加权函数为基于距离的遗忘函数。
进一步地,所述获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户包括:
获取所述近邻集中每一个候选用户v对已消费项目i的项目评分rv,i、所述候选用户v的项目评分的均值所述待推荐用户u的项目评分的均值以及所述待推荐用户u与所述近邻集中每一个候选用户v之间的复合相似度sim'(u,v);
按照预设公式预测所述待推荐用户对所述项目i的项目评分Pu,i;
选取所述项目评分Pu,i最高的M个项目推荐给所述待推荐用户。。
第二方面,提供了一种项目推荐的装置,所述装置包括:
用户群获取模块,用于获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;
第一相似度计算模块,用于计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;
第二相似度计算模块,用于根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;
邻近集获取模块,用于选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;
预测推荐模块,用于获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。
进一步地,所述第一相似度计算模块包括:
交互行为相似度计算单元,用于对于所述候选用户群中的每一个候选用户,根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度;
项目评分相似度计算单元,用于根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
进一步地,所述项目评分相似度计算单元包括:
获取子单元,用于获取所述待推荐用户的项目评分矩阵和所述候选用户的项目评分矩阵;
第一修正子单元,用于根据预设的时间加权函数分别对所述待推荐用户和所述候选用户的项目评分矩阵进行一次修正;
第二修正子单元,用于根据预设的距离加权函数对一次修正后的项目评分矩阵进行二次修正;
计算子单元,用于根据二次修正后的所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
进一步地,所述时间加权函数为基于时间的遗忘函数,所述距离加权函数为基于距离的遗忘函数。
进一步地,所述预测推荐模块包括:
获取单元,用于获取所述近邻集中每一个候选用户v对已消费项目i的项目评分rv,i、所述候选用户v的项目评分的均值所述待推荐用户u的项目评分的均值以及所述待推荐用户u与所述近邻集中每一个候选用户v之间的复合相似度sim'(u,v);
预测单元,用于按照预设公式预测所述待推荐用户对所述项目i的项目评分Pu,i;
推荐单元,用于选取所述项目评分Pu,i最高的M个项目推荐给所述待推荐用户。
与现有技术相比,本发明实施例在进行推荐时,获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;然后计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;最后根据所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。从而将待推荐用户在社交网络的交互信息和移动轨迹信息融合到用户相似度的计算过程中,将用户的未消费项目也纳入到推荐范围内,有效地解决了现有的个性化推荐技术存在数据稀疏、冷启动的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1是本发明实施例提供的项目推荐的方法的实现流程图;
图2是本发明实施例提供的根据所述待推荐用户与所述候选用户对应的项目评分矩阵计算两者之间的项目评分相似度的具体实现流程图;
图3是本发明实施例提供的项目推荐的方法中步骤S105的具体实现流程图;
图4是本发明实施例提供的项目推荐的装置的组成结构图。
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。
本发明实施例在进行推荐时,获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;然后计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;最后根据所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。从而将待推荐用户在社交网络的交互信息和移动轨迹信息融合到用户相似度的计算过程中,将用户的未消费项目也纳入到推荐范围内,有效地解决了现有的个性化推荐技术存在数据稀疏、冷启动的问题。本发明实施例还提供了相应的装置,以下分别进行详细的说明。
图1示出了本发明实施例提供的项目推荐的方法的实现流程。
在本发明实施例中,所述项目推荐的方法应用于计算机、服务器等设备。
参阅图1,所述项目推荐的方法包括:
在步骤S101中,获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群。
在进行推荐时,本发明实施例首先获取待推荐用户的当前位置,然后根据所述位置筛选出预设距离范围内的项目信息。所述项目包括但不限于商品、服务等,为了便于说明,假设所述预设距离范围内包括K个项目。然后以消费过这些项目的用户组成所述待推荐用户对应的候选用户群,为了便于叙述,每一个候选用户分别表示为Ui,i=1、…、I,所述用户群供包括I个用户。
在步骤S102中,计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度。
在日常生活中,交互越频繁的两个人,其关系越亲密,生活习惯越接近,比如经常一起做某件事,或者经常做同一件事。在本发明实施例中,所述交互行为相似度反应了所述待推荐用户与候选用户之间在行为上的相似程度。所述项目评分相似度则反应了所述待推荐用户与候选用户之间在同一项目上的评分相似程度,所述评分相似程度是指所述待推荐用户与所述候选用户在对同一项目的态度上的相似程度,比如喜欢、厌恶等。
作为本发明的一个优选示例,对于所述候选用户群中的每一个候选用户Ui,可以根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度,以及,根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
可选地,当根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度时,其计算公式可以为:
其中,所述u表示待推荐用户,所述Ui表示候选用户群中的第i个候选用户,所述sim(u,Ui)表示待推荐用户u与候选用户Ui之间的交互行为相似度,所述表示待推荐用户u与候选用户Ui之间的相互评论数目,所述maxH表示以所述待推荐用户u与候选用户Ui组成的集群中两两之间的相互评论数目的最大值。
可选地,图2示出了本发明实施例提供的根据所述待推荐用户与所述候选用户对应的项目评分矩阵计算两者之间的项目评分相似度的具体实现流程。参阅图2,所述项目评分相似度的计算过程包括:
在步骤S201中,获取所述待推荐用户的项目评分矩阵和所述候选用户的项目评分矩阵。
在这里,所述待推荐用户u的项目评分矩阵表示为Ru,其中,Ru内包括所述待推荐用户u对所述K个项目的评分,即ru,k,k=1、…、K。所述候选用户Ui的项目评分矩阵表示为其中,内包括所述候选用户Ui对所述K个项目的评分
在步骤S202中,根据预设的时间加权函数分别对所述待推荐用户和所述候选用户的项目评分矩阵进行一次修正。
由于随着时间的推移,待推荐用户和候选用户对项目都会产生遗忘。本发明实施例中的所述时间加权函数可以为基于时间的遗忘函数。将所述待推荐用户和所述候选用户的项目评分矩阵中的每一个项目评分分别与所述时间加权函数进行相乘,从而完成对项目评分矩阵的修正,其中,离当前时间越近的项目评分分配的影响权重越大,离当前时间越远的项目评分则分配的影响权重越小。通过所述基于时间的遗忘函数来修正修所述项目评分矩阵,可以有效地削弱很久以前的项目评分的影响。
示例性地,对于待推荐用户u,所述时间加权函数可以为:
其中,所述a、b表示常数,所述tu,k表示待推荐用户u对第k个项目的评分距离当前时间的间隔,k=1、…、K。对于待推荐用户u的项目评分矩阵Ru中的每一个项目评分ru,k,k=1、…、K,均有r'u,k=ru,k*h(u,t),所述r'u,k表示经时间加权函数修正后的项目评分,所有的r'u,k共同组成了经一次修正后的项目评分矩阵R'u。
对于每一个候选用户Ui,i=1、…、I,所述时间加权函数可以为:
所述a、b表示常数,所述表示候选用户Ui对第k个项目的评分距离当前时间的间隔,k=1、…、K。对于候选用户Ui的项目评分矩阵中的每一个项目评分均有所述表示经时间加权函数的修正后的项目评分,所有的共同组成了经一次修正后的项目评分矩阵
在步骤S203中,根据预设的距离加权函数对一次修正后的项目评分矩阵进行二次修正。
参考时间加权函数,考虑到在同等条件下,商户的位置越远,其出售的项目对用户的吸引力越小,商户的位置越近,其出售的项目对用户的吸引力越大。因此,所述距离加权函数可以为基于距离的遗忘函数,将经一次修正后的项目评分矩阵中的每一个项目评分分别与所述距离加权函数进行相乘,以对不同距离的项目加上距离权重来进行修正,可以有效地削弱距离较远的项目评分的影响。
示例性地,对于待推荐用户u,所述距离加权函数可以为:
其中,所述a、b表示常数,所述du,k表示待推荐用户u当前位置与第k个项目之间的距离,k=1、…、K。对于经过一次修正后的待推荐用户u的项目评分矩阵R'u中的每一个项目评分r'u,k,k=1、…、K,均有r”u,k=r'u,k*w(u,d),所述r”u,k表示经距离加权函数修正后的项目评分,所有的r”u,k共同组成了经二次修正后的项目评分矩阵R”u。
对于每一个候选用户Ui,i=1、…、I,所述距离加权函数可以为:
所述a、b表示常数,所述表示候选用户Ui当前位置与第k个项目之间的距离,k=1、…、K。对于经过一次修正后的候选用户Ui的项目评分矩阵中的每一个项目评分均有所述表示经过距离加权函数的修正后的项目评分,所有的共同组成了经二次修正后的项目评分矩阵
在这里,由于用户的偏好随时间的推移不断改变,且位置变化后用户也会受到周边环境的影响,本发明实施例通过融入时间权重和距离权重,基于时间加权和距离加权来优化用户的项目评分矩阵,使得所述项目评分矩阵更贴近用户当前的偏好情况,也避免了信息过载的问题。需要说明的是,上述时间加权函数和距离加权函数中的常数a、b的值可根据具体情况确定,此处不做限定。
在步骤S204中,根据二次修正后的所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
在这里,所述项目评分相似度的计算公式为:
其中,所述simr(u,Ui)表示所述待推荐用户u与所述候选用户Ui之间的项目评分相似度,所述表示待推荐用户u的项目评分的均值;所述表示第i个候选用户Ui的项目评分的均值。
在步骤S103中,根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度。
在通过步骤S102得到所述待推荐用户u与每一个候选用户Ui之间的交互行为相似度sim(u,Ui)和项目评分相似度simr(u,Ui)之后,采用以下公式计算所述待推荐用户u与每一个候选用户Ui的复合相似度sim'(u,Ui),供得到I个复合相似度:
sim'(u,Ui)=λsim(u,Ui)+(1-λ)simr(u,Ui)
其中,所述λ表示调节参数,取值范围为[0,1]。
在这里,所述复合相似度sim'(u,Ui)是由交互行为相似度和项目评分性相似度组成的,且本发明实施例预先对所述交互行为相似度和项目评分相似度进行了时间和距离上的修正,从而使得所述复合相似度准确地反映了当前状态下待推荐用户与候选用户之间的相似性。
在步骤S104中,选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集。
在这里,本发明实施例使用TOP-N分析方法对所述I个复合相似度进行排序,然后从中选取值最大的前N个复合相似度对应的候选用户作为所述待推荐用户的近邻集。为了便于叙述,所述近邻集记为V,其包括复合相似度最大的前N个复合相似度对应的候选用户vn,n=1、…、N。
在步骤S105中,获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。
可选地,图3示出了本发明实施例提供的项目推荐的方法中步骤S105的具体实现流程。参阅图3,所述步骤S105包括:
在步骤S301中,获取所述近邻集中每一个候选用户v对第k个项目的项目评分rv,k、所述候选用户v的项目评分的均值所述待推荐用户u的项目评分的均值以及所述待推荐用户u与所述近邻集中每一个候选用户v之间的复合相似度sim'(u,v)。
在步骤S302中,按照预设公式预测所述待推荐用户对所述第k个项目的项目评分Pu,k。
在这里,所述预设公式为:
其中,所述Pu,k表示待推荐用户对第k个项目的评分。
在步骤S303中,选取所述项目评分Pu,k最高的M个项目推荐给所述待推荐用户。
同样地,本发明实施例使用TOP-N分析方法对所述所述项目评分Pu,k进行排序,从中选取值最大的前M个项目评分Pu,k对应的项目推荐给所述待推荐用户,推荐的内容包括商户及其商品、服务等。
在本发明实施例中,所述近邻集是基于复合相似度最大的前N个值对应的候选用户组成的,且本发明实施例中的复合相似度是基于时间和距离修正后的交互行为相似度和项目评分性相似度计算得到的,其提高了相似性的准确度,有效地反映了当前状态下待推荐用户与候选用户之间的相似性,从而使得所述近邻集更贴近待推荐用户。基于所述近邻集所关注的项目来估算所述待推荐用户对项目的评分,不仅考虑到了首次加入的项目,也实现了对首次加入的用户的推荐,将用户的未消费项目也纳入到推荐范围内,有效地解决了现有的个性化推荐技术存在数据稀疏、冷启动的问题,提高了推荐的准确度。
应理解,在上述实施例中,各步骤的序号的大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4示出了本发明实施例提供的项目推荐的装置的组成结构,为了便于说明,仅示出了与本发明实施例相关的部分。
在本发明实施例中,所述装置用于实现上述图1至图3任一实施例中所述的项目推荐的方法,可以是内置与计算机、服务器内的软件单元、硬件单元或者软硬件结合的单元。
参阅图4,所述装置包括:
用户群获取模块41,用于获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;
第一相似度计算模块42,用于计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;
第二相似度计算模块43,用于根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;
邻近集获取模块44,用于选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;
预测推荐模块45,用于获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。
本发明实施例在进行推荐时,首先通过所述用户群获取模块41获取待推荐用户的当前位置,然后根据所述位置筛选出预设距离范围内的项目信息,所述项目包括但不限于商品、服务等,以消费过这些项目的用户组成所述待推荐用户对应的候选用户群。在这里,为了便于说明,假设所述预设距离范围内包括K个项目,所述用户群供包括I个用户,每一个候选用户分别表示为Ui,i=1、…、I。
所述交互行为相似度反应了所述待推荐用户与候选用户之间在行为上的相似程度。所述项目评分相似度则反应了所述待推荐用户与候选用户之间在同一项目上的评分相似程度,所述评分相似程度是指所述待推荐用户与所述候选用户在对同一项目的态度上的相似程度,比如喜欢、厌恶等。
在这里,所述第一相似度计算模块42包括:
交互行为相似度计算单元421,用于对于所述候选用户群中的每一个候选用户,根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度。
其中,所述交互行为相似度计算单元421根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度的计算公式可以为:
在上式中,所述u表示待推荐用户,所述Ui表示候选用户群中的第i个候选用户,所述sim(u,Ui)表示待推荐用户u与候选用户Ui之间的交互行为相似度,所述表示待推荐用户u与候选用户Ui之间的相互评论数目,所述maxH表示以所述待推荐用户u与候选用户Ui组成的集群中两两之间的相互评论数目的最大值。
所述第一相似度计算模块42还包括:
项目评分相似度计算单元422,用于根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
由于用户的兴趣爱好状态会随着时间以及环境的变化发生改变,因此,本发明实施例在根据项目评分矩阵计算待推荐用户与候选用户之间的项目评分相似度之前,先对所述项目评分矩阵进行基于时间和距离的修正,以使得修正之后的项目评分矩阵更贴近用户的当前状态。所述项目评分相似度计算单元422具体包括:
获取子单元4221,用于获取所述待推荐用户的项目评分矩阵和所述候选用户的项目评分矩阵。
第一修正子单元4222,用于根据预设的时间加权函数分别对所述待推荐用户和所述候选用户的项目评分矩阵进行一次修正。
进一步地,所述时间加权函数可以为遗忘函数。其中,对于待推荐用户u,所述时间加权函数可以为:
在上式中,所述a、b表示常数,所述tu,k表示待推荐用户u对第k个项目的评分距离当前时间的间隔,k=1、…、K。对于待推荐用户u的项目评分矩阵Ru中的每一个项目评分ru,k,k=1、…、K,均有r'u,k=ru,k*h(u,t),所述r'u,k表示经时间加权函数修正后的项目评分,所有的r'u,k共同组成了经一次修正后的项目评分矩阵R'u。
对于每一个候选用户Ui,i=1、…、I,所述时间加权函数可以为:
所述a、b表示常数,所述表示候选用户Ui对第k个项目的评分距离当前时间的间隔,k=1、…、K。对于候选用户Ui的项目评分矩阵中的每一个项目评分均有所述表示经时间加权函数的修正后的项目评分,所有的共同组成了经一次修正后的项目评分矩阵
通过所述基于时间的遗忘函数来修正修所述项目评分矩阵,可以有效地削弱很久以前的项目评分的影响。
第二修正子单元4223,用于根据预设的距离加权函数对一次修正后的项目评分矩阵进行二次修正。
参照时间加权函数,所述距离加权函数也可以为遗忘函数。对于待推荐用户u,所述距离加权函数可以为:
其中,所述a、b表示常数,所述du,k表示待推荐用户u当前位置与第k个项目之间的距离,k=1、…、K。对于经过一次修正后的待推荐用户u的项目评分矩阵R'u中的每一个项目评分r'u,k,k=1、…、K,均有r”u,k=r'u,k*w(u,d),所述r”u,k表示经距离加权函数修正后的项目评分,所有的r”u,k共同组成了经二次修正后的项目评分矩阵R”u。
对于每一个候选用户Ui,i=1、…、I,所述距离加权函数可以为:
在上式中,所述a、b表示常数,所述表示候选用户Ui当前位置与第k个项目之间的距离,k=1、…、K。对于经过一次修正后的候选用户Ui的项目评分矩阵中的每一个项目评分均有所述表示经过距离加权函数的修正后的项目评分,所有的共同组成了经二次修正后的项目评分矩阵
在这里,由于用户的偏好随时间的推移不断改变,且位置变化后用户也会受到周边环境的影响,本发明实施例通过融入时间权重和距离权重,基于时间加权和距离加权来优化用户的项目评分矩阵,使得所述项目评分矩阵更贴近用户当前的偏好情况。需要说明的是,上述时间加权函数和距离加权函数中的常数a、b的值可根据具体情况确定,此处不做限定。
计算子单元4224,用于根据二次修正后的所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
在这里,所述项目评分相似度的计算公式为:
其中,所述simr(u,Ui)表示所述待推荐用户u与所述候选用户Ui之间的项目评分相似度,所述表示待推荐用户u的项目评分的均值;所述表示第i个候选用户Ui的项目评分的均值。
进一步地,所述预测推荐模块还45包括:
获取单元451,用于获取所述近邻集中每一个候选用户v对第k个项目的项目评分rv,k、所述候选用户v的项目评分的均值所述待推荐用户u的项目评分的均值以及所述待推荐用户u与所述近邻集中每一个候选用户v之间的复合相似度sim'(u,v);
预测单元452,用于按照预设公式预测所述待推荐用户对所述第k个项目的项目评分Pu,k;
推荐单元453,用于选取所述项目评分Pu,k最高的M个项目推荐给所述待推荐用户。
在这里,所述预设公式为:
其中,所述Pu,k表示待推荐用户对第k个项目的评分。
在通过上述预设公式得到所述待推荐用户对所有项目的项目评分Pu,k之后,本发明实施例通过所述推荐单元453使用TOP-N分析方法从所述项目评分Pu,k中选取值最大的前M个项目评分Pu,k对应的项目推荐给所述待推荐用户,推荐的内容包括商户及其商品、服务等。
需要说明的是,本发明实施例中的装置可以用于实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实例中的相关描述,此处不再赘述。
综上所述,本发明实施例在进行推荐时,获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;然后计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;最后根据所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。从而将待推荐用户在社交网络的交互信息和移动轨迹信息融合到用户相似度的计算过程中,将用户的未消费项目也纳入到推荐范围内,有效地解决了现有的个性化推荐技术存在数据稀疏、冷启动的问题。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法及装置,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,所述模块、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、模块可以集成在一个处理单元中,也可以是各个单元、模块单独物理存在,也可以两个或两个以上单元、模块集成在一个单元中。
所述功能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步骤。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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种项目推荐的方法,其特征在于,所述方法包括:
获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;
计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;
根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;
选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;
获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。
2.如权利要求1所述的项目推荐的方法,其特征在于,所述计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度包括:
对于所述候选用户群中的每一个候选用户,根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度;
根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
3.如权利要求2所述的项目推荐的方法,其特征在于,所述根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度包括:
获取所述待推荐用户的项目评分矩阵和所述候选用户的项目评分矩阵;
根据预设的时间加权函数分别对所述待推荐用户和所述候选用户的项目评分矩阵进行一次修正;
根据预设的距离加权函数对一次修正后的项目评分矩阵进行二次修正;
根据二次修正后的所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
4.如权利要求3所述的项目推荐的方法,其特征在于,所述时间加权函数为基于时间的遗忘函数,所述距离加权函数为基于距离的遗忘函数。
5.如权利要求1至4任一项所述的项目推荐的方法,其特征在于,所述获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户包括:
获取所述近邻集中每一个候选用户v对已消费项目i的项目评分rv,i、所述候选用户v的项目评分的均值所述待推荐用户u的项目评分的均值以及所述待推荐用户u与所述近邻集中每一个候选用户v之间的复合相似度sim'(u,v);
按照预设公式预测所述待推荐用户对所述项目i的项目评分Pu,i;
选取所述项目评分Pu,i最高的M个项目推荐给所述待推荐用户。
6.一种项目推荐的装置,其特征在于,所述装置包括:
用户群获取模块,用于获取待推荐用户当前位置的预设距离范围内的项目信息,根据所述项目信息获取候选用户群;
第一相似度计算模块,用于计算所述待推荐用户与所述候选用户群中每一个候选用户的交互行为相似度和项目评分相似度;
第二相似度计算模块,用于根据所述交互行为相似度和项目评分相似度计算所述待推荐用户与每一个候选用户之间的复合相似度;
邻近集获取模块,用于选取复合相似度最大的N个候选用户组成所述待推荐用户的近邻集;
预测推荐模块,用于获取所述近邻集中每一个候选用户所关注的项目,预测所述待推荐用户对所述项目的评分,并将评分最高的M个项目推荐给所述待推荐用户。
7.如权利要求6所述的项目推荐的装置,其特征在于,所述第一相似度计算模块包括:
交互行为相似度计算单元,用于对于所述候选用户群中的每一个候选用户,根据所述待推荐用户与所述候选用户之间的相互评论数目计算所述待推荐用户与所述候选用户之间的交互行为相似度;
项目评分相似度计算单元,用于根据所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
8.如权利要求7所述的项目推荐的装置,其特征在于,所述项目评分相似度计算单元包括:
获取子单元,用于获取所述待推荐用户的项目评分矩阵和所述候选用户的项目评分矩阵;
第一修正子单元,用于根据预设的时间加权函数分别对所述待推荐用户和所述候选用户的项目评分矩阵进行一次修正;
第二修正子单元,用于根据预设的距离加权函数对一次修正后的项目评分矩阵进行二次修正;
计算子单元,用于根据二次修正后的所述待推荐用户与所述候选用户对应的项目评分矩阵,计算所述待推荐用户与所述候选用户之间的项目评分相似度。
9.如权利要求8所述的项目推荐的装置,其特征在于,所述时间加权函数为基于时间的遗忘函数,所述距离加权函数为基于距离的遗忘函数。
10.如权利要求6至9任一项所述的项目推荐的装置,其特征在于,所述预测推荐模块包括:
获取单元,用于获取所述近邻集中每一个候选用户v对已消费项目i的项目评分rv,i、所述候选用户v的项目评分的均值所述待推荐用户u的项目评分的均值以及所述待推荐用户u与所述近邻集中每一个候选用户v之间的复合相似度sim'(u,v);
预测单元,用于按照预设公式预测所述待推荐用户对所述项目i的项目评分Pu,i;
推荐单元,用于选取所述项目评分Pu,i最高的M个项目推荐给所述待推荐用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208922.7A CN106777200A (zh) | 2016-12-23 | 2016-12-23 | 项目推荐的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208922.7A CN106777200A (zh) | 2016-12-23 | 2016-12-23 | 项目推荐的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106777200A true CN106777200A (zh) | 2017-05-31 |
Family
ID=58919077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611208922.7A Pending CN106777200A (zh) | 2016-12-23 | 2016-12-23 | 项目推荐的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106777200A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481114A (zh) * | 2017-08-16 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、电子商务系统及存储介质 |
CN108038707A (zh) * | 2017-11-01 | 2018-05-15 | 平安科技(深圳)有限公司 | 项目推荐方法、电子设备及计算机可读存储介质 |
CN109002469A (zh) * | 2018-06-11 | 2018-12-14 | 广东奥博信息产业股份有限公司 | 一种基于广义点集距离的信息个性化推荐及提示方法 |
CN109117442A (zh) * | 2017-06-23 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法及装置 |
CN109214772A (zh) * | 2018-08-07 | 2019-01-15 | 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 |
CN109345274A (zh) * | 2018-07-27 | 2019-02-15 | 华南理工大学 | 基于bp神经网络评分预测误差的近邻用户选择方法 |
CN110598112A (zh) * | 2019-09-17 | 2019-12-20 | 广东小天才科技有限公司 | 一种题目推荐方法、装置、终端设备及存储介质 |
CN111079009A (zh) * | 2019-12-11 | 2020-04-28 | 中国地质大学(武汉) | 一种用于政务地图服务的用户兴趣检测方法及系统 |
CN112507241A (zh) * | 2020-12-31 | 2021-03-16 | 北京精准沟通传媒科技股份有限公司 | 车型推荐方法、获取车型推荐列表的方法、系统、介质及电子设备 |
CN113688314A (zh) * | 2021-08-13 | 2021-11-23 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
CN113807422A (zh) * | 2021-09-07 | 2021-12-17 | 南京邮电大学 | 融合多特征信息的加权图卷积神经网络评分预测模型 |
CN113806636A (zh) * | 2021-09-23 | 2021-12-17 | 湖北天天数链技术有限公司 | 项目推荐方法、装置、电子设备和计算机存储介质 |
CN114528482A (zh) * | 2022-01-25 | 2022-05-24 | 北京三快在线科技有限公司 | 一种推荐对象确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102841929A (zh) * | 2012-07-19 | 2012-12-26 | 南京邮电大学 | 一种综合用户和项目评分及特征因素的推荐方法 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
CN103353865A (zh) * | 2013-04-25 | 2013-10-16 | 杭州电子科技大学 | 一种基于位置的易货电子交易商品推荐方法 |
CN104657336A (zh) * | 2015-03-10 | 2015-05-27 | 湖北大学 | 一种基于半余弦函数的个性化推荐算法 |
CN104731866A (zh) * | 2015-02-27 | 2015-06-24 | 湖南大学 | 一种基于位置的个性化美食推荐方法 |
-
2016
- 2016-12-23 CN CN201611208922.7A patent/CN106777200A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
CN102841929A (zh) * | 2012-07-19 | 2012-12-26 | 南京邮电大学 | 一种综合用户和项目评分及特征因素的推荐方法 |
CN103353865A (zh) * | 2013-04-25 | 2013-10-16 | 杭州电子科技大学 | 一种基于位置的易货电子交易商品推荐方法 |
CN104731866A (zh) * | 2015-02-27 | 2015-06-24 | 湖南大学 | 一种基于位置的个性化美食推荐方法 |
CN104657336A (zh) * | 2015-03-10 | 2015-05-27 | 湖北大学 | 一种基于半余弦函数的个性化推荐算法 |
Non-Patent Citations (3)
Title |
---|
侯秀艳 等: "基于核心用户对发现的微博好友推荐算法", 《济南大学学报(自然科学版)》 * |
廖开际 等: "基于位置信息的协同过滤推荐算法", 《系统工程》 * |
蔡佳枝: "移动环境下精准定向广告驱动的推荐系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117442B (zh) * | 2017-06-23 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法及装置 |
CN109117442A (zh) * | 2017-06-23 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法及装置 |
CN107481114A (zh) * | 2017-08-16 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、电子商务系统及存储介质 |
CN108038707A (zh) * | 2017-11-01 | 2018-05-15 | 平安科技(深圳)有限公司 | 项目推荐方法、电子设备及计算机可读存储介质 |
CN109002469A (zh) * | 2018-06-11 | 2018-12-14 | 广东奥博信息产业股份有限公司 | 一种基于广义点集距离的信息个性化推荐及提示方法 |
CN109002469B (zh) * | 2018-06-11 | 2021-08-31 | 广东奥博信息产业股份有限公司 | 一种基于广义点集距离的信息个性化推荐及提示方法 |
CN109345274A (zh) * | 2018-07-27 | 2019-02-15 | 华南理工大学 | 基于bp神经网络评分预测误差的近邻用户选择方法 |
CN109214772A (zh) * | 2018-08-07 | 2019-01-15 | 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 |
CN109214772B (zh) * | 2018-08-07 | 2024-01-16 | 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 |
CN110598112A (zh) * | 2019-09-17 | 2019-12-20 | 广东小天才科技有限公司 | 一种题目推荐方法、装置、终端设备及存储介质 |
CN111079009A (zh) * | 2019-12-11 | 2020-04-28 | 中国地质大学(武汉) | 一种用于政务地图服务的用户兴趣检测方法及系统 |
CN111079009B (zh) * | 2019-12-11 | 2023-05-26 | 中国地质大学(武汉) | 一种用于政务地图服务的用户兴趣检测方法及系统 |
CN112507241A (zh) * | 2020-12-31 | 2021-03-16 | 北京精准沟通传媒科技股份有限公司 | 车型推荐方法、获取车型推荐列表的方法、系统、介质及电子设备 |
CN113688314A (zh) * | 2021-08-13 | 2021-11-23 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
CN113688314B (zh) * | 2021-08-13 | 2024-03-19 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
CN113807422A (zh) * | 2021-09-07 | 2021-12-17 | 南京邮电大学 | 融合多特征信息的加权图卷积神经网络评分预测模型 |
CN113806636A (zh) * | 2021-09-23 | 2021-12-17 | 湖北天天数链技术有限公司 | 项目推荐方法、装置、电子设备和计算机存储介质 |
CN114528482A (zh) * | 2022-01-25 | 2022-05-24 | 北京三快在线科技有限公司 | 一种推荐对象确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777200A (zh) | 项目推荐的方法及装置 | |
Lee | A GA-based optimisation model for big data analytics supporting anticipatory shipping in Retail 4.0 | |
Ma et al. | Recommender systems with social regularization | |
Wang et al. | Opportunity model for e-commerce recommendation: right product; right time | |
Chen et al. | Monopoly pricing when customers queue | |
Wakolbinger et al. | Supply chain disruption risk management through strategic information acquisition and sharing and risk-sharing contracts | |
CN106803190A (zh) | 一种广告个性化推送系统及方法 | |
CN102479366A (zh) | 一种商品推荐方法及系统 | |
CN106447463A (zh) | 一种基于马尔科夫决策过程模型的商品推荐方法 | |
CN105225129A (zh) | 移动o2o推荐方法及其系统 | |
Chen et al. | Assessing the competitiveness of insurance corporations using fuzzy correlation analysis and improved fuzzy modified TOPSIS | |
Patne et al. | Solving closed-loop supply chain problems using game theoretic particle swarm optimisation | |
McKie et al. | How do consumers choose between multiple product generations and conditions? An empirical study of iPad sales on eBay | |
Ziari et al. | A review on competitive pricing in supply chain management problems: models, classification, and applications | |
CN108053271A (zh) | 一种应用于商圈的智能卡券推荐与分发的系统与方法 | |
CN107993088A (zh) | 一种购买周期预测方法及装置,电子设备 | |
CN110033097A (zh) | 基于多个数据域确定用户与物品的关联关系的方法及装置 | |
CN106557954A (zh) | 客服营销的方法及装置 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
Krishnan et al. | Word of mouth marketing strategy | |
CN103412865A (zh) | 网站项目的通知方法和系统 | |
CN105260460A (zh) | 一种面向多样性的推荐方法 | |
Shokouhyar et al. | Toward customer-centric mobile phone reverse logistics: using the DEMATEL approach and social media data | |
Chen et al. | Optimal pricing decision in a multi-channel supply chain with a revenue-sharing contract | |
Yapicioglu et al. | A bi-objective model for the retail spatial design problem |
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 |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |