CN106777304A - 主题的推送方法及装置 - Google Patents
主题的推送方法及装置 Download PDFInfo
- Publication number
- CN106777304A CN106777304A CN201611260685.9A CN201611260685A CN106777304A CN 106777304 A CN106777304 A CN 106777304A CN 201611260685 A CN201611260685 A CN 201611260685A CN 106777304 A CN106777304 A CN 106777304A
- Authority
- CN
- China
- Prior art keywords
- degree
- attribute vector
- association
- theme
- vector
- 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.)
- Granted
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
Abstract
本发明提供了一种主题的推送方法及装置,其中,根据第一对象和第二对象相互关联的属性值,建立第一对象的第一属性向量和第二对象的第二属性向量;其中,第一对象和第二对象为不同系统的对象;根据预设规则计算第一属性向量与第二属性向量之间的关联度;根据关联度为不同系统中同一用户推送第一对象和第二对象的主题,从而解决了相关技术中在多源组合推荐的情形下,由于不同的领域有不同特征和不同的用户,无法利用传统方法进行主题推荐的问题,达到了提高用户体验的效果。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种主题的推送方法及装置。
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。但随着网络的迅速发展而带来的网上信息量的大幅增长,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,造成信息过载问题。推荐系统为解决信息过载问题应运而生。它通过挖掘用户的兴趣偏好,发现用户的兴趣点,将用户感兴趣的信息、产品个性化地推荐给用户。
虽然推荐系统技术和应用在不断发展、完善,但也存在以下几个问题:
1、某些领域存在大量用户只对应少量物品或大量物品只对应少量用户,利用传统的基于用户或基于物品的协同过滤算法难以达到预期的效果,即产生数据稀疏问题。
2、缺乏甚至没有先验信息的情况下,难以对用户进行建模,从而难以实现推荐功能。
3、刚建立的系统由于缺乏数据积累,产生冷启动问题。
4、多源组合推荐的情形下,由于不同的领域有不同特征和不同的用户,产生跨域问题,同时由于某些算法的局限,使推荐系统的可扩展性差。
基于此,例如在机票和酒店打包推荐过程中,由于所使用的机票和酒店数据来自不同的系统,机票系统的用户和酒店系统的用户没有直接关联性,无法利用传统方法进行推荐。针对相关技术中的上述问题,目前尚未存在有效的解决方案。
发明内容
本发明提供了一种主题的推送方法及装置,以至少解决相关技术中在多源组合推荐的情形下,由于不同的领域有不同特征和不同的用户,无法利用传统方法进行主题推荐的问题。
根据本发明的另一个方面,提供了一种主题的推送方法,包括:
根据第一对象和第二对象相互关联的属性值,建立所述第一对象的第一属性向量和所述第二对象的第二属性向量;其中,所述第一对象和所述第二对象为不同系统的对象;根据预设规则计算所述第一属性向量与所述第二属性向量之间的关联度;根据所述关联度为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
进一步地,所述属性值至少包括以下之一:所述第一对象和所述第二对象的价格、使用所述第一对象和所述第二对象的人数、使用所述第一对象和所述第二对象的年龄阶段、使用所述第一对象和所述第二对象的周期、在节假日使用所述第一对象和所述第二对象的次数。
进一步地,通过以下预设规则计算所述第一属性向量与所述第二属性向量之间的关联度r(t,h):
其中,t为所述第一向量,h为所述第二向量,k=max(dim(t),dim(h)),dim(g)表示维度,wi表示第i个属性的权重。
进一步地,r(ti,hi)由下式计算:
进一步地,根据所述关联度为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题包括:依据所述关联度通过PLSA的概率图模型为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
根据本发明的另一个方面,提供了一种主题的推送装置,包括:建立模块,用于根据第一对象和第二对象相互关联的属性值,建立所述第一对象的第一属性向量和所述第二对象的第二属性向量;其中,所述第一对象和所述第二对象为不同系统的对象;计算模块,用于根据预设规则计算所述第一属性向量与所述第二属性向量之间的关联度;推送模块,用于根据所述关联度为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
进一步地,所述属性值至少包括以下之一:所述第一对象和所述第二对象的价格、使用所述第一对象和所述第二对象的人数、使用所述第一对象和所述第二对象的年龄阶段、使用所述第一对象和所述第二对象的周期、在节假日使用所述第一对象和所述第二对象的次数。
进一步地,所述计算模块通过以下预设规则计算所述第一属性向量与所述第二属性向量之间的关联度r(t,h):
其中,t为所述第一向量,h为所述第二向量,k=max(dim(t),dim(h)),dim(g)表示维度,wi表示第i个属性的权重。
进一步地,r(ti,hi)由下式计算:
进一步地,所述推送模块,用于依据所述关联度通过PLSA的概率图模型为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
通过本发明,根据第一对象和第二对象相互关联的属性值,建立第一对象的第一属性向量和第二对象的第二属性向量;其中,第一对象和第二对象为不同系统的对象;根据预设规则计算第一属性向量与第二属性向量之间的关联度;根据关联度为不同系统中同一用户推送第一对象和第二对象的主题,从而解决了相关技术中在多源组合推荐的情形下,由于不同的领域有不同特征和不同的用户,无法利用传统方法进行主题推荐的问题,达到了提高用户体验的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的主体的推送方法流程图;
图2是根据本发明实施例的主题的推送装置结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例一
本实施例提供了一种主题的推送方法,图1是根据本发明实施例的主体的推送方法流程图,如图1所示,该方法的步骤包括:
步骤S102:根据第一对象和第二对象相互关联的属性值,建立第一对象的第一属性向量和第二对象的第二属性向量;其中,第一对象和第二对象为不同系统的对象;
步骤S104:根据预设规则计算第一属性向量与第二属性向量之间的关联度;
步骤S106:根据关联度为不同系统中同一用户推送第一对象和第二对象的主题。
通过本发明实施例,根据第一对象和第二对象相互关联的属性值,建立第一对象的第一属性向量和第二对象的第二属性向量;其中,第一对象和第二对象为不同系统的对象;根据预设规则计算第一属性向量与第二属性向量之间的关联度;根据关联度为不同系统中同一用户推送第一对象和第二对象的主题,从而解决了相关技术中在多源组合推荐的情形下,由于不同的领域有不同特征和不同的用户,无法利用传统方法进行主题推荐的问题,达到了提高用户体验的效果。
在本实施例的可选实施方式中,本实施例中涉及到的属性值至少包括以下之一:第一对象和第二对象的价格、使用第一对象和第二对象的人数、使用第一对象和第二对象的年龄阶段、使用第一对象和第二对象的周期、在节假日使用第一对象和第二对象的次数。
下面将以机票和酒店为例对本实施例的方法步骤进行说明。
首先,根据酒店和机票数据抽取(价格,同行人,年龄段,周期性,入住时间,科技,节假日),分别定义机票和酒店所对应的属性向量为t和h,主题向量为z。
建立向量的方案如下:
1)价格划分为未知、低、中、高、奢华等几档,对应的值分别为0、1、2、3、4,考虑到机票和酒店的价格无法直接对应,而且不同地区,同一档次的酒店价格差别也比较大,所以价格采用以最低价格为标准,用其他价格和标准价格的比例来作为价格值的依据;
2)同行人根据年龄、性别和旅客信息分为未知、单人、couple、家庭、团体等,对应的值分别为0、1、2、3、4;
3)年龄段划分为未知、青少年、中年、老年,对应的值分别为0、1、2、3;
4)周期性可以分为未知、偶尔、经常等,对应的值分别为0、1、2;
5)根据自助值机的次数在总预定量中的百分比,将自助值机划分成0、1、2、3、4、5几个值,酒店的科技配置直接使用用户对该酒店科技含量的评分;
6)用节假日出行的次数在总出行次数中所占的百分比,划分成未知、偶尔、经常,对应的值分别为0、1、2、3。
上述仅仅是用来举例说明,同理可以找出其他有关联的属性值进行划分,最终可以为每个酒店和机票建立一个同属性的向量。
在本实施例的另一个可选实施方式中,可以通过以下预设规则计算第一属性向量与第二属性向量之间的关联度r(t,h):
其中,t为第一向量,h为第二向量,k=max(dim(t),dim(h)),dim(g)表示维度,wi表示第i个属性的权重。
由此可以看出,(1)式的值越大,机票和酒店的匹配程度越大。4.
根据权利要求3的方法,其特征在于,r(ti,hi)由下式计算:
在本实施例以机票和酒店为的情况下,该可选实施方式可以是:
假设机票t和酒店h的匹配度很高,用top k算法可以求出与此机票相似的m个机票和与此酒店相似的n个酒店,那么就可以找出这m个机票的用户ut和n个酒店的用户uh,可以推断出ut和uh基本也是相似的。
计算ut和uh在某些共有属性上的相似度,如性别,年龄,同行人数等,计算和的相似度,采用余弦相似度计算,即
可以找到其中与最相似的x个uh。利用基于用户的协同过滤算法,
p(h|ut,z)≈p(h|uh,z) (4)
在本实施例的另一个可选实施方式中,本实施例中涉及到的根据关联度为不同系统中同一用户推送第一对象和第二对象的主题的方式,可以通过如下方式来实现:
依据关联度通过PLSA的概率图模型为不同系统中同一用户推送第一对象和第二对象的主题。
在以酒店和机票为例的情况下,该方式可以是:
PLSA的概率图模型如下:
其中,为uh在ut和uh中所占的比例,表示倾向于主题zk的概率,p(hj|zk)表示酒店hj为主题zk的概率。的联合分布为:
而p(hj|zk)和分布对应了两组Multinomial分布,我们需要估计这两组分布的参数。在PLSA中,如果我们试图直接用MLE来估计参数,就会得到似然函数:
其中,表示用户住酒店hj的次数。
采用EM算法估计参数,在E步骤中,直接使用贝叶斯公式计算隐含变量在当前参数取值条件下的后验概率,有
在这个步骤中,假定所有的p(hj|zk)和都是已知的,因为初始时随机赋值,后面迭代的过程中取前一轮M步骤中得到的参数值。
在M步骤中,我们最大化Complete data对数似然函数的期望。在PL中,Incompletedata是观察到的隐含变量是主题zk,那么complete data就是三元组其期望是
其中,取的是前面E步骤里面的估计值。下面我们来最大化期望,这又是一个多元函数求极值的问题,可以用拉格朗日乘数法把条件极值问题转化为无条件极值问题,在PLSA中目标函数就是E[lc],约束条件是
由此我们可以写出拉格朗日函数
分别对和p(hj|zk)求偏导数
这里进行过方程两边同时乘以p(hj|zk)和p(hj|zk)的变形,联立上面4组方程,我们就可以解出M步骤中通过最大化期望估计出的新的参数值
然后使用更新后的参数值,我们又进入E步骤,计算隐含变量Given当前估计的参数条件下的后验概率。如此不断迭代,直到满足终止条件。
求得p(h|uh,z)即得到p(h|ut,z)的值,由全概率公式
式中p(z|t)为已知量,因此就可以求得p(h|ut,t)。
为了使得推荐结果更为精确,在初始化配置属性范围的时候要合理,(1)式中也增加了权重可以进行人工干预。默认情况下,这些权重可以通过统计的方式产生。定义某个属性的权重系数为这个属性的命中率与其他属性命中率之和的比值。例如:只考虑1和2这两个属性,总共有100张机票,对应1、2、3、4档机票,旅客选择经济型、商务型、豪华型、总统型的酒店次数分别为10、30、20、10,命中率为70%,对应属性2的1、2、3、4档,旅客选择单人间,双人间,家庭间,多间的次数分别为30、30、10、20,命中率为90%,那么属性1的权重就为7/16,属性2的权重为9/16。在以后系统的运行过程中,系统可以灵活的调整这些权重。
通过本实施例的上述方式可以产生以下效果:
1.减小数据稀疏对推荐效果的影响,提高推荐准确率。
2.解决跨域用户匹配问题,跨域用户属性的映射问题。
3.使用主题发现算法完成跨域主题的建模,实现跨域推荐。
4.系统具有灵活性和可扩展性,可以随时间和属性的变化自动调整权值和系数。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了主题的推送装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的主题的推送装置结构框图,如图2所示,该装置包括:建立模块22,用于根据第一对象和第二对象相互关联的属性值,建立第一对象的第一属性向量和第二对象的第二属性向量;其中,第一对象和第二对象为不同系统的对象;计算模块24,与建立模块22耦合连接,用于根据预设规则计算第一属性向量与第二属性向量之间的关联度;推送模块26,与计算模块24耦合连接,用于根据关联度为不同系统中同一用户推送第一对象和第二对象的主题。
可选地,属性值至少包括以下之一:第一对象和第二对象的价格、使用第一对象和第二对象的人数、使用第一对象和第二对象的年龄阶段、使用第一对象和第二对象的周期、在节假日使用第一对象和第二对象的次数。
8.根据权利要求6的装置,其特征在于,计算模块通过以下预设规则计算第一属性向量与第二属性向量之间的关联度r(t,h):
其中,t为第一向量,h为第二向量,k=max(dim(t),dim(h)),dim(g)表示维度,wi表示第i个属性的权重。
可选地,r(ti,hi)由下式计算:
可选地,推送模块,用于依据关联度通过PLSA的概率图模型为不同系统中同一用户推送第一对象和第二对象的主题。
需要说明的是,在本实施例的上述方案中一个或多个时存在替代方案的,例如,1.基于矩阵分解的跨域推荐;该方法通过矩阵分解的方式将跨域属性进行映射,从而将两个不同的域联系起来,完成跨域推荐。2.基于用户的聚类;该方法采用聚类的方式将不同的域中的用户联系在一起来进行跨域推荐。3.基于图的跨域推荐;该方法充分利用图的连接属性来计算不同域中的用户相似度,从而进行跨域推荐。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种主题的推送方法,其特征在于,包括:
根据第一对象和第二对象相互关联的属性值,建立所述第一对象的第一属性向量和所述第二对象的第二属性向量;其中,所述第一对象和所述第二对象为不同系统的对象;
根据预设规则计算所述第一属性向量与所述第二属性向量之间的关联度;
根据所述关联度为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
2.根据权利要求1所述的方法,其特征在于,所述属性值至少包括以下之一:所述第一对象和所述第二对象的价格、使用所述第一对象和所述第二对象的人数、使用所述第一对象和所述第二对象的年龄阶段、使用所述第一对象和所述第二对象的周期、在节假日使用所述第一对象和所述第二对象的次数。
3.根据权利要求1所述的方法,其特征在于,通过以下预设规则计算所述第一属性向量与所述第二属性向量之间的关联度r(t,h):
其中,t为所述第一向量,h为所述第二向量,k=max(dim(t),dim(h)),dim(g)表示维度,wi表示第i个属性的权重。
4.根据权利要求3所述的方法,其特征在于,r(ti,hi)由下式计算:
5.根据权利要求1所述的方法,其特征在于,根据所述关联度为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题包括:
依据所述关联度通过PLSA的概率图模型为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
6.一种主题的推送装置,其特征在于,包括:
建立模块,用于根据第一对象和第二对象相互关联的属性值,建立所述第一对象的第一属性向量和所述第二对象的第二属性向量;其中,所述第一对象和所述第二对象为不同系统的对象;
计算模块,用于根据预设规则计算所述第一属性向量与所述第二属性向量之间的关联度;
推送模块,用于根据所述关联度为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
7.根据权利要求6所述的装置,其特征在于,所述属性值至少包括以下之一:所述第一对象和所述第二对象的价格、使用所述第一对象和所述第二对象的人数、使用所述第一对象和所述第二对象的年龄阶段、使用所述第一对象和所述第二对象的周期、在节假日使用所述第一对象和所述第二对象的次数。
8.根据权利要求6所述的装置,其特征在于,所述计算模块通过以下预设规则计算所述第一属性向量与所述第二属性向量之间的关联度r(t,h):
其中,t为所述第一向量,h为所述第二向量,k=max(dim(t),dim(h)),dim(g)表示维度,wi表示第i个属性的权重。
9.根据权利要求3所述的方法,其特征在于,r(ti,hi)由下式计算:
10.根据权利要求6所述的装置,其特征在于,
所述推送模块,用于依据所述关联度通过PLSA的概率图模型为所述不同系统中同一用户推送所述第一对象和所述第二对象的主题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260685.9A CN106777304B (zh) | 2016-12-30 | 2016-12-30 | 主题的推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260685.9A CN106777304B (zh) | 2016-12-30 | 2016-12-30 | 主题的推送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106777304A true CN106777304A (zh) | 2017-05-31 |
CN106777304B CN106777304B (zh) | 2020-03-20 |
Family
ID=58953503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260685.9A Active CN106777304B (zh) | 2016-12-30 | 2016-12-30 | 主题的推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106777304B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110235A (zh) * | 2019-05-14 | 2019-08-09 | 北京百度网讯科技有限公司 | 用于处理数据的方法和装置 |
CN112364135A (zh) * | 2020-12-03 | 2021-02-12 | 中国平安财产保险股份有限公司 | 基于多源数据的对象推送方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324948A (zh) * | 2008-07-24 | 2008-12-17 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法及装置 |
CN101436186A (zh) * | 2007-11-12 | 2009-05-20 | 北京搜狗科技发展有限公司 | 一种提供相关搜索的方法及系统 |
CN102915335A (zh) * | 2012-09-17 | 2013-02-06 | 北京大学 | 基于用户操作记录和资源内容的信息关联方法 |
CN104919458A (zh) * | 2013-01-11 | 2015-09-16 | 日本电气株式会社 | 文本挖掘设备、文本挖掘系统、文本挖掘方法和记录介质 |
-
2016
- 2016-12-30 CN CN201611260685.9A patent/CN106777304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436186A (zh) * | 2007-11-12 | 2009-05-20 | 北京搜狗科技发展有限公司 | 一种提供相关搜索的方法及系统 |
CN101324948A (zh) * | 2008-07-24 | 2008-12-17 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法及装置 |
CN102915335A (zh) * | 2012-09-17 | 2013-02-06 | 北京大学 | 基于用户操作记录和资源内容的信息关联方法 |
CN104919458A (zh) * | 2013-01-11 | 2015-09-16 | 日本电气株式会社 | 文本挖掘设备、文本挖掘系统、文本挖掘方法和记录介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110235A (zh) * | 2019-05-14 | 2019-08-09 | 北京百度网讯科技有限公司 | 用于处理数据的方法和装置 |
CN110110235B (zh) * | 2019-05-14 | 2021-08-31 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN112364135A (zh) * | 2020-12-03 | 2021-02-12 | 中国平安财产保险股份有限公司 | 基于多源数据的对象推送方法、装置、设备及存储介质 |
CN112364135B (zh) * | 2020-12-03 | 2023-11-07 | 中国平安财产保险股份有限公司 | 基于多源数据的对象推送方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106777304B (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
CN103514239B (zh) | 一种集成用户行为和物品内容的推荐方法及系统 | |
Feng et al. | An adjustable approach to fuzzy soft set based decision making | |
CN104199896B (zh) | 基于特征分类的视频相似度确定及视频推荐方法 | |
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN103744917B (zh) | 混合推荐方法及系统 | |
CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
CN101354714B (zh) | 一种基于概率潜在语义分析的问题推荐方法 | |
CN109741120B (zh) | 用于用户需求的产品深度个性化定制方法 | |
CN109255586A (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
CN111724039B (zh) | 一种向电力用户推荐客服人员的推荐方法 | |
CN109903138B (zh) | 一种个性化商品推荐方法 | |
CN102495837B (zh) | 一种数字信息推荐预测模型的训练方法和系统 | |
CN110019420A (zh) | 一种数据序列预测方法及计算设备 | |
CN107545471A (zh) | 一种基于高斯混合的大数据智能推荐方法 | |
CN106777359B (zh) | 一种基于受限玻尔兹曼机的文本业务推荐方法 | |
CN110008377A (zh) | 一种利用用户属性进行电影推荐的方法 | |
CN109446420A (zh) | 一种跨域协同过滤方法和系统 | |
CN106886559A (zh) | 同时融入好友特征和相似用户特征的协同过滤方法 | |
CN104008204B (zh) | 一种动态的多维情境感知电影推荐系统及其实现方法 | |
CN110334278A (zh) | 一种基于改进深度学习的web服务推荐方法 | |
CN106777304A (zh) | 主题的推送方法及装置 | |
CN107194672B (zh) | 一种融合学术专长与社会网络的评审分配方法 | |
CN106202515A (zh) | 一种基于排序学习的移动应用推荐方法及其推荐系统 | |
CN113487117B (zh) | 一种基于多维度用户画像的电商用户行为数据模拟的方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |