CN106897914A - 一种基于主题模型的商品推荐方法及系统 - Google Patents
一种基于主题模型的商品推荐方法及系统 Download PDFInfo
- Publication number
- CN106897914A CN106897914A CN201710062769.XA CN201710062769A CN106897914A CN 106897914 A CN106897914 A CN 106897914A CN 201710062769 A CN201710062769 A CN 201710062769A CN 106897914 A CN106897914 A CN 106897914A
- Authority
- CN
- China
- Prior art keywords
- commodity
- theme
- vector
- text
- module
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于主题模型的商品推荐方法及系统。该系统包括采集模块、预处理模块、模型训练模块、主题相关性计算模块、文本相似性计算模块和推荐模块;利用多次降维的商品主题向量描述商品,在不同维度的商品向量临近区域随机选取相关商品来构建商品的关联关系,明显提高了商品关系的计算效率,提高了实用性;以商品文本内容的语义特征降低热门商品对用户兴趣的影响,有效解决了用户兴趣集中、且推荐结果多样性不足的问题,解决了协同过滤对于商品内容无法识别的商品冷启动问题。
Description
技术领域
本发明涉及电商网站的商品推荐,尤其涉及一种基于主题模型的商品推荐方法及系统。
背景技术
随着电商行业的发展,商品数量急剧增长。对于广大消费者,除去带有强烈目的的购物行为(搜索)外,在海量商品信息中发现感兴趣的商品;找到和欲购商品有关联的商品是很困难的事。对于电商网站,提升商品的点击率,转化率也是很难的。很多电商网站通过诸如“猜你喜欢”,“看了又看”,“相关推荐”之类的商品推荐方式向用户推荐与用户终端上显示的商品的相关商品。目前主要有三种商品的推荐方法:
第一种是基于用户的协同过滤推荐方法,简称UserCF:在数据集完善、且内容丰富的情况下,准确率较高,而且不需要对商品内容进行挖掘的基础上,就能进行准确推荐。但是,随着系统使用者数量的增多,过于庞大的用户相似度矩阵,使得计算时间变长。
第二种方法是基于物品的协同过滤,简称ItemCF。该方法给用户推荐那些与他们以前喜欢的物品相类似的物品。因为ItemCF通过用户行为挖掘商品间的相似性,并未考虑用户间的兴趣差别,也没有考虑商品的内容相关性,导致其在商品推荐的准确度上效果一般;它也没有考虑在不离线更新商品相似度表的情况下,将新的商品推荐给用户。同时,在电商推荐领域,由于商品的更新非常快,远远超过了新用户的加入速度,因此,ItemCF需要维护和更新一个庞大的商品相似度表,使得其计算及更新的代价非常巨大,且效率变得很低。
第三种方法是一种最直观最易理解的推荐方法—基于内容的推荐。建立商品信息之间内在内容的联系,将关联商品推荐给用户。
商品内容的关联主要建立在图像,文本,人工设置的基础上。传统的文本相关推荐方法,大多数基于字面文本内容相似度的计算。例如基于TF-IDF的相似度计算方法是非常常用的方法,但这类算法的拥有一些缺陷,比如仅仅能感知文本的表面含义,无法在文本的隐含语义层面来进步挖掘相似性。所以,引入主题特征来建立文本内容的关联。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于主题模型的商品推荐方法及系统。
本发明的目的是通过以下技术方案来实现的:一种基于主题模型的商品推荐方法,该方法包括以下步骤:
(1)收集原始数据:定时更新电商词库;整理各大电商商品类目并映射到自有类目体系;采集电商商品入库。
(2)文本预处理:遍历商品库,对商品的文本信息分词过滤,做成词袋。
(3)训练主题模型:获取类目及关联类目中的全部商品词袋,通过LDA机器学习库训练得到“主题-词”矩阵。
(4)处理商品主题分布:根据“主题-词”矩阵,遍历类目及关联类目下的全部商品词袋,得到商品的多维主题分布:(T1,T2,T3,...TV,),其中主题特征向量Tv=(w1,w2,w3,...,wK),且v是商品序号,V是类目及关联类目下的商品总数,wi是该商品文本信息在第i个主题下的权值,i是主题序号,K是主题个数。对商品的多维主题分布做降维处理:商品的主题向量Tv仅保留权值从大到小前n的主题,n大于等于1且小于主题个数K,实现主题向量的降维,商品投影在n维空间。设定降维次数N,得到N个商品主题分布。
(5)根据文本相关性,获取商品的文本近似商品。
(6)根据主题相关性,获取商品的相关商品,具体包括以下子步骤:
(6.1)找到输入商品在N个商品主题分布中的位置,在第i个商品主题分布中,选择xi个商品主题向量,x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定,取出x1,x2,...,xN个商品。
(6.2)计算原始商品主题向量的余弦相似度:根据商品的主题特征向量Tv=(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量T′u、进行余弦相似度计算:取得相似度从大到小前Q个商品作为相关商品。
(7)基于逻辑回归的点击率预估策略,确定多种来源的推荐商品比例,实现商品的最优推荐效果。
进一步地,所述步骤5根据文本相关性,获取商品的文本近似商品具体为:使用VSM空间计算任意商品间的余弦相似度,词向量是商品文本词袋,权值是对应的TF-IDF值。
一种基于主题模型的商品推荐系统,该系统包括采集模块、预处理模块、模型训练模块、主题相关性计算模块、文本相似性计算模块和推荐模块;
采集模块:定时更新电商词库;整理各大电商商品类目并映射到自有类目体系;采集电商商品入库。
预处理模块:遍历商品库,对商品的文本信息分词过滤,做成词袋。
模型训练模块:获取类目及关联类目中的全部商品词袋,通过LDA机器学习库训练得到“主题-词”矩阵。根据“主题-词”矩阵,遍历类目及关联类目下的全部商品词袋,得到商品的多维主题分布:(T1,T2,T3,...TV,),其中主题特征向量Tv=(w1,w2,w3,...,wK),且v是商品序号,V是类目及关联类目下的商品总数,wi是该商品文本信息在第i个主题下的权值,i是主题序号,K是主题个数。对商品的多维主题分布做降维处理:商品的主题向量Tv仅保留权值从大到小前n的主题,n大于等于1且小于主题个数K,实现主题向量的降维,商品投影在n维空间。设定降维次数N,得到N个商品主题分布。
文本相似性计算模块:根据文本相关性,获取商品的文本近似商品。
主题相关性计算模块:根据主题相关性,获取商品的相关商品,具体为:找到输入商品在N个商品主题分布中的位置,在第i个商品主题分布中,选择xi个商品主题向量,x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定,取出x1,x2,...,xN个商品。计算原始商品主题向量的余弦相似度:根据商品的主题特征向量Tv=(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量T′u、进行余弦相似度计算:取得相似度从大到小前Q个商品作为相关商品。
推荐模块:基于逻辑回归的点击率预估策略,确定多种来源的推荐商品比例,实现商品的最优推荐。
本发明的有益效果:本发明提出了一种基于商品文本内容和主题特征的商品推荐方法和推荐系统,特点包括两个方面:利用多次降维的商品主题向量描述商品,在不同维度的商品向量临近区域随机选取相关商品来构建商品的关联关系,明显提高了商品关系的计算效率,提高了实用性;以商品文本内容的语义特征降低热门商品对用户兴趣的影响,有效解决了用户兴趣集中、且推荐结果多样性不足的问题,解决了协同过滤对于商品内容无法识别的商品冷启动问题。另外,通过本发明方法及系统进行验证,最终的推荐商品列表可以反映商品的关联关系,提升用户点击率和下单率。因此,本发明具有很好的推广应用前景。
附图说明
图1是本发明商品推荐方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的一种基于主题模型的商品推荐方法,该方法包括以下步骤:
(1)收集原始数据:定时更新电商词库;整理各大电商商品类目并映射到自有类目体系;采集电商商品入库。
(2)文本预处理:遍历商品库,对商品的文本信息分词过滤,做成词袋。
(3)训练主题模型:获取类目及关联类目中的全部商品词袋,通过LDA机器学习库训练得到“主题-词”矩阵。
计算LDA模型的公式:其中,αk,βt是LDA模型的预定义参数,θm,k表示文档m属于主题k的概率,表示主题k中单词t出现的概率,表示第m篇文档中属于第k主题的单词个数,表示第k个主题中单词t的个数。
(4)处理商品主题分布:根据“主题-词”矩阵,遍历类目及关联类目下的全部商品词袋,得到商品的多维主题分布:(T1,T2,T3,...TV,),其中主题特征向量Tv=(w1,w2,w3,...,wK),且v是商品序号,V是类目及关联类目下的商品总数,wi是该商品文本信息在第i个主题下的权值,i是主题序号,K是主题个数。对商品的多维主题分布做降维处理:商品的主题向量Tv仅保留权值从大到小前n的主题,n大于等于1且小于主题个数K,实现主题向量的降维,商品投影在n维空间。设定降维次数N,得到N个商品主题分布。
n一般取2,3,4。n取2时,单个商品的主题向量Tv由原先的(w1,w2,w3,...,wK)变成(wi,wj),其中,i是权值最大的主题编号,j是次大的主题编号;同理,n取3、4时,主题向量分别变成(wi,wj,wk),(wi,wj,wk,wp,)。
进一步地,根据主题个数K,商品每个主题权值乘以K,截断权值小于1/K的主题,达到拉伸向量的效果。
(5)根据文本相关性,获取商品的文本近似商品。
(6)根据主题相关性,获取商品的相关商品,具体包括以下子步骤:
(6.1)找到输入商品在N个商品主题分布中的位置,在第i个商品主题分布中,选择xi个商品主题向量,x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定,取出x1,x2,...,xN个商品。
(6.2)计算原始商品主题向量的余弦相似度:根据商品的主题特征向量Tv=(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量T′u、进行余弦相似度计算:取得相似度从大到小前Q个商品作为相关商品。
(7)基于逻辑回归的点击率预估策略,确定多种来源的推荐商品比例,实现商品的最优推荐。
进一步地,所述步骤5根据文本相关性,获取商品的文本近似商品具体为:使用VSM空间计算任意商品间的余弦相似度,词向量是商品文本词袋,权值是对应的TF-IDF值。
一种基于主题模型的商品推荐系统,该系统包括采集模块、预处理模块、模型训练模块、主题相关性计算模块、文本相似性计算模块和推荐模块;
采集模块:定时更新电商词库;整理各大电商商品类目并映射到自有类目体系;采集电商商品入库。
预处理模块:遍历商品库,对商品的文本信息分词过滤,做成词袋。
模型训练模块:获取类目及关联类目中的全部商品词袋,通过LDA机器学习库训练得到“主题-词”矩阵。根据“主题-词”矩阵,遍历类目及关联类目下的全部商品词袋,得到商品的多维主题分布:(T1,T2,T3,...TV,),其中主题特征向量Tv=(w1,w2,w3,...,wK),且v是商品序号,V是类目及关联类目下的商品总数,wi是该商品文本信息在第i个主题下的权值,i是主题序号,K是主题个数。对商品的多维主题分布做降维处理:商品的主题向量Tv仅保留权值从大到小前n的主题,n大于等于1且小于主题个数K,实现主题向量的降维,商品投影在n维空间。设定降维次数N,得到N个商品主题分布。
文本相似性计算模块:根据文本相关性,获取商品的文本近似商品。
主题相关性计算模块:根据主题相关性,获取商品的相关商品,具体为:找到输入商品在N个商品主题分布中的位置,在第i个商品主题分布中,选择xi个商品主题向量,x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定,取出x1,x2,...,xN个商品。计算原始商品主题向量的余弦相似度:根据商品的主题特征向量Tv=(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量T′u、进行余弦相似度计算:取得相似度从大到小前Q个商品作为相关商品。
推荐模块:基于逻辑回归的点击率预估策略,确定多种来源的推荐商品比例,实现商品的最优推荐效果。
Claims (3)
1.一种基于主题模型的商品推荐方法,其特征在于,该方法包括以下步骤:
(1)收集原始数据:定时更新电商词库;整理各大电商商品类目并映射到自有类目体系;采集电商商品入库。
(2)文本预处理:遍历商品库,对商品的文本信息分词过滤,做成词袋。
(3)训练主题模型:获取类目及关联类目中的全部商品词袋,通过LDA机器学习库训练得到“主题-词”矩阵。
(4)处理商品主题分布:根据“主题-词”矩阵,遍历类目及关联类目下的全部商品词袋,得到商品的多维主题分布:(T1,T2,T3,...TV,),主题特征向量Tv=(w1,w2,w3,...,wK),且v是商品序号,V是类目及关联类目下的商品总数,wi是该商品文本信息在第i个主题下的权值,i是主题序号,K是主题个数。对商品的多维主题分布做降维处理:商品的主题向量Tv仅保留权值从大到小前n的主题,n大于等于1且小于主题个数K,实现主题向量的降维,商品投影在n维空间。设定降维次数N,得到N个商品主题分布。
(5)根据文本相关性,获取商品的文本近似商品。
(6)根据主题相关性,获取商品的相关商品,具体包括以下子步骤:
(6.1)找到输入商品在N个商品主题分布中的位置,在第i个商品主题分布中,选择xi个商品主题向量,x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定,取出x1,x2,...,xN个商品。
(6.2)计算原始商品主题向量的余弦相似度:根据商品的主题特征向量Tv=(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量Tu'、进行余弦相似度计算:取得相似度从大到小前Q个商品作为相关商品。
(7)基于逻辑回归的点击率预估策略,确定多种来源的推荐商品比例,实现商品的最优推荐效果。
2.根据权利要求1所述的一种基于主题模型的商品推荐方法,其特征在于,所述步骤5根据文本相关性,获取商品的文本近似商品具体为:使用VSM空间计算任意商品间的余弦相似度,词向量是商品文本词袋,权值是对应的TF-IDF值。
3.一种基于主题模型的商品推荐系统,其特征在于,包括采集模块、预处理模块、模型训练模块、主题相关性计算模块、文本相似性计算模块和推荐模块:
采集模块:定时更新电商词库;整理各大电商商品类目并映射到自有类目体系;采集电商商品入库。
预处理模块:遍历商品库,对商品的文本信息分词过滤,做成词袋。
模型训练模块:获取类目及关联类目中的全部商品词袋,通过LDA机器学习库训练得到“主题-词”矩阵。根据“主题-词”矩阵,遍历类目及关联类目下的全部商品词袋,得到商品的多维主题分布:(T1,T2,T3,...TV,),其中主题特征向量Tv=(w1,w2,w3,...,wK),且v是商品序号,V是类目及关联类目下的商品总数,wi是该商品文本信息在第i个主题下的权值,i是主题序号,K是主题个数。对商品的多维主题分布做降维处理:商品的主题向量Tv仅保留权值从大到小前n的主题,n大于等于1且小于主题个数K,实现主题向量的降维,商品投影在n维空间。设定降维次数N,得到N个商品主题分布。
文本相似性计算模块:根据文本相关性,获取商品的文本近似商品。
主题相关性计算模块:根据主题相关性,获取商品的相关商品,具体为:找到输入商品在N个商品主题分布中的位置,在第i个商品主题分布中,选择xi个商品主题向量,x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定,取出x1,x2,...,xN个商品。计算原始商品主题向量的余弦相似度:根据商品的主题特征向量Tv=(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量T′u、进行余弦相似度计算:取得相似度从大到小前Q个商品作为相关商品。
推荐模块:基于逻辑回归的点击率预估策略,确定多种来源的推荐商品比例,实现商品的最优推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710062769.XA CN106897914A (zh) | 2017-01-25 | 2017-01-25 | 一种基于主题模型的商品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710062769.XA CN106897914A (zh) | 2017-01-25 | 2017-01-25 | 一种基于主题模型的商品推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106897914A true CN106897914A (zh) | 2017-06-27 |
Family
ID=59198568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710062769.XA Pending CN106897914A (zh) | 2017-01-25 | 2017-01-25 | 一种基于主题模型的商品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897914A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291912A (zh) * | 2017-06-26 | 2017-10-24 | 三螺旋大数据科技(昆山)有限公司 | 投资人推荐方法和装置 |
CN107480241A (zh) * | 2017-08-10 | 2017-12-15 | 北京奇鱼时代科技有限公司 | 一种基于潜在主题的相似企业推荐方法 |
CN107730346A (zh) * | 2017-09-25 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 物品聚类的方法和装置 |
CN107992542A (zh) * | 2017-11-27 | 2018-05-04 | 中山大学 | 一种基于主题模型的相似文章推荐方法 |
CN108595595A (zh) * | 2018-04-19 | 2018-09-28 | 北京理工大学 | 一种基于交互式差分进化计算的用户知识需求获取方法 |
CN108647364A (zh) * | 2018-05-21 | 2018-10-12 | 广东工业大学 | 一种基于移动终端应用数据的预测推荐方法 |
CN109242543A (zh) * | 2018-08-17 | 2019-01-18 | 口口相传(北京)网络技术有限公司 | 引流餐品的推送方法及装置 |
CN109934684A (zh) * | 2019-03-20 | 2019-06-25 | 上海证大喜马拉雅网络科技有限公司 | 一种商品推荐方法、装置、终端及存储介质 |
CN110135463A (zh) * | 2019-04-18 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种商品推送方法及装置 |
CN110415032A (zh) * | 2019-07-24 | 2019-11-05 | 深圳乐信软件技术有限公司 | 一种曝光转化率预估方法、装置、设备以及存储介质 |
CN112288456A (zh) * | 2020-01-22 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 物品选择方法和装置 |
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN113763084A (zh) * | 2020-09-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 产品推荐的处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
US20160034483A1 (en) * | 2014-07-31 | 2016-02-04 | Kobo Incorporated | Method and system for discovering related books based on book content |
CN106021562A (zh) * | 2016-05-31 | 2016-10-12 | 北京京拍档科技有限公司 | 用于电商平台的基于主题相关的推荐方法 |
-
2017
- 2017-01-25 CN CN201710062769.XA patent/CN106897914A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
US20160034483A1 (en) * | 2014-07-31 | 2016-02-04 | Kobo Incorporated | Method and system for discovering related books based on book content |
CN106021562A (zh) * | 2016-05-31 | 2016-10-12 | 北京京拍档科技有限公司 | 用于电商平台的基于主题相关的推荐方法 |
Non-Patent Citations (3)
Title |
---|
CHAITANYA CHEMUDUGUNTA等: "Combining concept hierarchies and statistical topic models", 《PROCEEDINGS OF THE 17TH ACM CONFERENCE ON INFORMATION AND KNOWLEDGE》 * |
刘忠宝: "机器学习方法在个性化推荐系统中的应用", 《情报探索》 * |
王蒙: "基于LDA的文本推荐算法在研究及在文献检索的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291912A (zh) * | 2017-06-26 | 2017-10-24 | 三螺旋大数据科技(昆山)有限公司 | 投资人推荐方法和装置 |
CN107480241A (zh) * | 2017-08-10 | 2017-12-15 | 北京奇鱼时代科技有限公司 | 一种基于潜在主题的相似企业推荐方法 |
CN107730346A (zh) * | 2017-09-25 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 物品聚类的方法和装置 |
CN107992542A (zh) * | 2017-11-27 | 2018-05-04 | 中山大学 | 一种基于主题模型的相似文章推荐方法 |
CN108595595A (zh) * | 2018-04-19 | 2018-09-28 | 北京理工大学 | 一种基于交互式差分进化计算的用户知识需求获取方法 |
CN108647364A (zh) * | 2018-05-21 | 2018-10-12 | 广东工业大学 | 一种基于移动终端应用数据的预测推荐方法 |
CN109242543A (zh) * | 2018-08-17 | 2019-01-18 | 口口相传(北京)网络技术有限公司 | 引流餐品的推送方法及装置 |
CN109934684A (zh) * | 2019-03-20 | 2019-06-25 | 上海证大喜马拉雅网络科技有限公司 | 一种商品推荐方法、装置、终端及存储介质 |
CN110135463A (zh) * | 2019-04-18 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种商品推送方法及装置 |
CN110415032A (zh) * | 2019-07-24 | 2019-11-05 | 深圳乐信软件技术有限公司 | 一种曝光转化率预估方法、装置、设备以及存储介质 |
CN112288456A (zh) * | 2020-01-22 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 物品选择方法和装置 |
CN113763084A (zh) * | 2020-09-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 产品推荐的处理方法、装置、设备及存储介质 |
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897914A (zh) | 一种基于主题模型的商品推荐方法及系统 | |
CN110674407B (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN102279851B (zh) | 一种智能导航方法、装置和系统 | |
CN104965889B (zh) | 内容推荐方法及装置 | |
CN102902821B (zh) | 基于网络热点话题的图像高级语义标注、检索方法及装置 | |
CN105095219B (zh) | 微博推荐方法和终端 | |
CN104156450B (zh) | 一种基于用户网络数据的物品信息推荐方法 | |
CN106504011A (zh) | 一种业务对象的展示方法和装置 | |
CN104834686A (zh) | 一种基于混合语义矩阵的视频推荐方法 | |
CN109711925A (zh) | 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统 | |
CN106250513A (zh) | 一种基于事件建模的事件个性化分类方法及系统 | |
CN106959966A (zh) | 一种信息推荐方法及系统 | |
CN103824213A (zh) | 一种基于用户偏好与商品属性的个性化推荐方法 | |
CN108563690B (zh) | 一种基于面向对象聚类的协同过滤推荐方法 | |
CN103678431A (zh) | 一种基于标准标签和项目评分的推荐方法 | |
CN104462383A (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN105809464A (zh) | 信息投放方法和装置 | |
CN105022754A (zh) | 基于社交网络的对象分类方法及装置 | |
CN106157156A (zh) | 一种基于用户社区的协作推荐系统 | |
CN102495860A (zh) | 基于语言模型的专家推荐方法 | |
Li et al. | Content-based filtering recommendation algorithm using HMM | |
CN101354714A (zh) | 一种基于概率潜在语义分析的问题推荐方法 | |
CN104090936A (zh) | 一种基于超图排序的新闻推荐方法 | |
CN103064903A (zh) | 图片检索方法和装置 | |
CN106294500A (zh) | 内容项目的推送方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
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: 20170627 |