CN107016058A - 一种基于属性信息偏好自学习的推荐预测方法 - Google Patents
一种基于属性信息偏好自学习的推荐预测方法 Download PDFInfo
- Publication number
- CN107016058A CN107016058A CN201710140630.2A CN201710140630A CN107016058A CN 107016058 A CN107016058 A CN 107016058A CN 201710140630 A CN201710140630 A CN 201710140630A CN 107016058 A CN107016058 A CN 107016058A
- Authority
- CN
- China
- Prior art keywords
- attribute
- user
- value
- commodity
- property
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 27
- 230000008602 contraction Effects 0.000 claims description 6
- 230000003467 diminishing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 11
- 238000000354 decomposition reaction Methods 0.000 abstract description 10
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011160 research 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (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)
Abstract
本发明涉及一种基于属性信息偏好自学习的推荐预测方法，本发明方法利用属性信息以减缓冷启动问题，并结合用户、商品协同过滤和基于矩阵分解模型的优点，不仅训练速度快而且具有可解释性；同时，本发明在评分数据稀疏的情况下，其预测精度优于用户和商品协同过滤及基于矩阵分解方法。
Description
技术领域
本发明涉及一种推荐预测方法，尤其涉及一种基于属性信息偏好自学习的推荐预测方法。
背景技术
推荐系统是当前比较流行的研究方向，其目的是在海量用户数据中挖掘出相关信息来用于推荐商品给用户。对于用户，推荐系统能推荐更加满足用户需求的商品。另一方面，对于销售者，推荐系统可以利用已有信息推荐商品以扩大销售量。然而，推荐系统存在着稀疏性和冷启动问题，这在一定程度上限制了推荐系统的应用。
推荐方法主要可以分为两种，基于内容的推荐方法和协同过滤方法。基于内容的推荐方法由于需要人为手动进行标注信息，故应用面较窄，其主要用于新闻的个性化推荐。协同过滤方法是当前主流的推荐方法，其可以分为基于邻域的推荐方法和基于模型的推荐方法。基于邻域的推荐方法包括用户和商品的协同过滤，其主要是利用已有购买历史中的相似用户和商品进行推荐。基于模型的推荐方法有基于神经网络、矩阵分解、排序模型等。目前研究热点是基于矩阵分解的推荐方法。基于矩阵分解的方法是将用户和商品的购买评分信息先构建成一个评分矩阵，然后将这个矩阵映射到由k个潜在因子构成的潜在因子向量空间，使用在该空间下的用户和商品的潜在因子向量的乘积来表示评分矩阵。基于矩阵分解的方法的主要工作是通过训练找到符合条件的用户和商品的潜在因子向量来拟合评分矩阵。
这些方法都存在冷启动问题，即在没有大量用户数据的情况下设计个性化推荐系统并让用户对推荐结果满意，冷启动问题往往导致预测精度在某些情况下不高。目前较为流行的方式是引入社交网络信息来缓解冷启动问题以提高预测精度。社交网络可以分为基于信任机制和基于朋友机制的网络。信任机制网络是单向且不对称的，然而朋友机制的网络是双向且对称的。目前大部分基于社交网络的推荐模型都是基于矩阵分解模型上的改进。
但是经典用户和商品协同过滤方法存在训练时间长的问题，基于矩阵分解训练时间长但在可解释性上存在不足。
发明内容
本发明为克服上述的不足之处，目的在于提供一种基于属性信息偏好自学习的推荐预测方法，本发明方法利用属性信息以减缓冷启动问题，并结合用户、商品协同过滤和基于矩阵分解模型的优点，不仅训练速度快而且具有可解释性；同时，本发明在评分数据稀疏的情况下，其预测精度优于用户和商品协同过滤及基于矩阵分解方法。
本发明是通过以下技术方案达到上述目的：一种基于属性信息偏好自学习的推荐预测方法，包括如下步骤：
(1)统计评分数据并构建评分矩阵
(2)统计属性数据，记录用户和用户属性中属性值的关联关系，并构建用户属性偏好矩阵
(3)根据评分矩阵中有效评分值和用户属性值关联关系，统计所有用户属性值y对每个商品j的评分数量nyj和平均评分属性下所有属性值平均评分以及商品的平均评分
(4)基于步骤(3)的统计结果计算属性值y对商品j的评分(5)对用户属性偏好矩阵C中的元素Cuy初始化，并设定训练用户属性偏好矩阵C所需的参数：迭代次数、学习系数θ及正规化参数λA、λB；
(6)遍历评分矩阵中的有效评分ruj，分别采用单属性值属性计算模型和多属性值属性计算模型计算用户u对商品j的预测评分
(7)采用损失函数拟合计算预测评分与实际观察到的评分ruj的误差值e，根据误差值对属性偏好矩阵C中的元素Cuy进行迭代更新；
(8)基于上一次损失函数值和本次损失函数值计算得到损失函数值，调整学习系数θ；若损失函数值达到预期目标或迭代次数到达预定要求，则中止迭代，训练完成得到最终用户属性偏好矩阵；否则跳转执行步骤(6)；
(9)根据训练好的最终用户属性偏好矩阵，分别采用单属性值属性计算模型和多属性值属性计算模型计算预测用户对商品评分。
作为优选，所述的评分矩阵由n个用户和m个商品组成，其中ruj为用户u对商品j的评分。
作为优选，所述的用户属性偏好矩阵由n个用户和n’个用户属性值组成，其中，Cuy∈[-1，1]表示用户u对属性x下的属性值y的偏好程度。
作为优选，所述步骤(4)采用的加权和表示属性值对商品的评分并利用评分数量确定各个平均值所占比重，其公式如下：
α＝nyj/(nyj+w)
γ＝1-α-β
其中，α、β、γ分别其对应属性值评分的百分比；为属性值y对商品平均评分；为属性x对商品j的平均评分；为商品j的平均评分；nxj为属性x对商品j的评分数量；nj为商品j的评分数量；w为相应收缩常数。
作为优选，所述步骤(5)的初始化执行为初始化用户u对于其所属的属性值y的偏好Cuy＝1/nu，其中nu为用户u所拥有的属性值数量。
作为优选，所述采用单属性值属性计算模型的预测评分如下：
其中，属性x的属性值为y，其映射关系满足函数y＝val(x)，每个属性x只有一个属性值y；为属性值为y的所有用户对商品j的评分平均值；I′ux为指示器函数，若用户u拥有属性x，其值为1，否则为0。
作为优选，所述采用多属性值属性计算模型的预测评分如下：
其中，in(x)为属性x中属性值的数量；I′uxy为指示器函数，若用户u在属性x中选择了该属性值y时，其值为1，否则为0。
作为优选，所述的损失函数定义如下：
其中，正规化项Auy、Bu的定义如下：
其中，λA、λB为正规化常数，nyj为属性值购买的商品j的次数，w为特定收缩常数；
其中，λA、λB为正规化常数，nyj为属性值购买的商品j的次数，w为特定收缩常数。
作为优选，所述步骤(7)使用梯度递减方法对属性偏好矩阵C中的元素Cuy进行迭代更新，其中，梯度递减模型的导数如下:
分别对Cuy执行如下公式，并同时调整学习因子θ直至收敛，完成更新；
作为优选，所述步骤(8)中采用如下公式调整学习系数θ：
本发明的有益效果在于：(1)本发明方法利用属性信息以减缓冷启动问题，并结合用户、商品协同过滤和基于矩阵分解模型的优点，不仅训练速度快而且具有可解释性；(2)本发明方法适用于评分数据稀疏的情况下，其预测精度优于用户和商品协同过滤及基于矩阵分解方法。
附图说明
图1是本发明的预测评分流程示意图；
图2是本发明的用户预测评分组成示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图1所示，一种基于属性信息偏好自学习的推荐预测方法包括如下步骤：
(1)获取评分数据，并构建评分矩阵其中ruj为用户u对商品j的评分。
(2)获取属性数据，并记录保存用户和用户属性中属性值的关联关系。构建用户属性偏好矩阵其中Cuy∈[-1，1]表示用户u对属性x下的属性值y的偏好程度。
(3)利用评分矩阵中有效评分值和用户属性值关联关系，统计所有用户属性值y对每个商品j的评分数量nyj和平均评分属性下所有属性值平均评分以及商品的平均评分其中，用户预测评分组成如图2所示。
(4)利用步骤(3)中统计结果计算属性值y对商品j的评分采用多种平均值加权和表示属性值对商品的评分并利用评分数量确定各个平均值所占比重。其公式如下：
α＝nyj/(nyj+w)
γ＝1-α-β
其中，α、β、γ分别其对应属性值评分的百分比；为属性值y对商品平均评分；为属性x对商品j的平均评分；为商品j的平均评分；nxj为属性x对商品j的评分数量；nj为商品j的评分数量；w为相应收缩常数。
(5)对用户属性偏好矩阵C中元素Cuy进行初始化，初始化用户u对于其所属的属性值y的偏好Cuy＝1/nu，其中nu为用户u所拥有的属性值数量。
(6)设定好训练用户属性偏好矩阵C所需参数：迭代次数、学习系数θ及正规化参数λA、λB。
(7)对评分矩阵中有效评分ruj开始进行遍历，并执行(7),(8),(9)操作。
(8)使用计算模型用户u对商品j预测评分其中计算模型包括单属性值属性模型和多属性值属性模型，如下所示：
A.单属性值属性
其中属性x的属性值为y，其映射关系满足函数y＝val(x)，每个属性x只有一个属性值y。为属性值为y的所有用户对商品j的评分平均值。I′ux为指示器函数，当用户u拥有属性x，其值为1，否则为0。
B.多属性值属性
对用户属性偏好矩阵进行扩展，其预测评分如下：
其中in(x)为属性x中属性值的数量。I′uxy为指示器函数，当用户u在属性x中选择了该属性值y时其值为1，否则为0。
(9)计算预测评分和实际观察到评分ruj的误差值e，根据误差值对属性偏好矩阵中Cuy进行迭代更新，具体为：
对用户属性偏好矩阵采用损失函数进行拟合评分数据，并使用梯度递减方法进行迭代更新属性偏好矩阵C。损失函数定义如下：
其中正规化项Auy、Bu的定义如下：
其中λA、λB为正规化常数，nyj为属性值购买的商品j的次数，w为特定收缩常数。
其中λA、λB为正规化常数，nyj为属性值购买的商品j的次数，w为特定收缩常数。
梯度递减模型的导数如下:
分别对Cuy执行以下过程并且同时调整学习因子θ直至收敛。
(10)根据上一次损失函数值和本次损失函数值调整学习系数θ。若损失函数值达到预期目标或迭代次数到达预定要求，则中止迭代，训练完成得到最终用户属性偏好矩阵；否则跳转执行步骤(6)；其中，调整学习系数θ，采用函数
(11)根据训练好的属性偏好矩阵，使用步骤(7)中的计算模型预测用户对商品评分。
综上所示，本发明假设每个用户对商品的评分取决与其各个属性，并且每个用户可以喜爱或厌恶自己的属性下的属性值，用户对物品的评分值可以用用户对与每个属性下属性值的偏好程度和属性值对商品的评分的乘积得到。
本发明是通过属性信息和评分信息统计出属性值对物品的平均评分，然后通过平均评分计算出属性值对物品的评分，再通过梯度递减方法迭代更新属性偏好矩阵以更好地拟合评分数据。最后使用用户属性偏好和属性值对物品的评分的加权和得到用户对物品的预测评分以进行推荐。
本发明结合用户和商品协同过滤及基于矩阵分解方法的优点，不仅训练速度快而且具有可解释性。同时，本发明在评分数据稀疏的情况下，其预测精度优于用户和商品协同过滤及基于矩阵分解方法。
本发明方法还包括基于物品属性的自学习方法，两者类似：
通过转换角度，可以得到物品属性自学习模型。定义物品属性偏好矩阵为有m个商品和m′个物品属性值数量构成，Djy为物品j对其属性值y的信任程度。
该模型如下：
其属性值y对用户的评分如下：
其中，为属性值y对用户u的平均评分，为属性x对用户u的平均评分，为用户u的平均评分。其训练迭代类似于用户属性自学习模型。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
Claims (10)
1.一种基于属性信息偏好自学习的推荐预测方法，其特征在于，包括如下步骤：
(1)统计评分数据并构建评分矩阵
(2)统计属性数据，记录用户和用户属性中属性值的关联关系，并构建用户属性偏好矩阵
(3)根据评分矩阵中有效评分值和用户属性值关联关系，统计所有用户属性值y对每个商品j的评分数量nyi和平均评分属性下所有属性值平均评分以及商品的平均评分
(4)基于步骤(3)的统计结果计算属性值y对商品j的评分
(5)对用户属性偏好矩阵C中的元素Cuy初始化，并设定训练用户属性偏好矩阵C所需的参数：迭代次数、学习系数θ及正规化参数λA、λB；
(6)遍历评分矩阵中的有效评分ruj，分别采用单属性值属性计算模型和多属性值属性计算模型计算用户u对商品j的预测评分
(7)采用损失函数拟合计算预测评分与实际观察到的评分ruj的误差值e，根据误差值对属性偏好矩阵C中的元素Cuy进行迭代更新；
(8)基于上一次损失函数值和本次损失函数值计算得到损失函数值，调整学习系数θ；若损失函数值达到预期目标或迭代次数到达预定要求，则中止迭代，训练完成得到最终用户属性偏好矩阵；否则跳转执行步骤(6)；
(9)根据训练好的最终用户属性偏好矩阵，分别采用单属性值属性计算模型和多属性值属性计算模型计算预测用户对商品评分。
2.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述的评分矩阵由n个用户和m个商品组成，其中ruj为用户u对商品j的评分。
3.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述的用户属性偏好矩阵由n个用户和n’个用户属性值组成，其中，Cuy∈[-1，1]表示用户u对属性x下的属性值y的偏好程度。
4.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述步骤(4)采用的加权和表示属性值对商品的评分并利用评分数量确定各个平均值所占比重，其公式如下：
a＝nyj/(nyj+w)
β＝(1-α)nxj/(nxj+w)
γ＝1-α-β
其中，α、β、γ分别其对应属性值评分的百分比；为属性值y对商品平均评分；为属性x对商品j的平均评分；为商品j的平均评分；nxi为属性x对商品j的评分数量；nj为商品j的评分数量；w为相应收缩常数。
5.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述步骤(5)的初始化执行为初始化用户u对于其所属的属性值y的偏好Cuy＝1/nu，其中nu为用户u所拥有的属性值数量。
6.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述采用单属性值属性计算模型的预测评分如下：
其中，属性x的属性值为y，其映射关系满足函数y＝val(x)，每个属性x只有一个属性值y；为属性值为y的所有用户对商品j的评分平均值；I′ux为指示器函数，若用户u拥有属性x，其值为1，否则为0。
7.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述采用多属性值属性计算模型的预测评分如下：
其中，in(x)为属性x中属性值的数量；I′uxy为指示器函数，若用户u在属性x中选择了该属性值y时，其值为1，否则为0。
8.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述的损失函数定义如下：
其中，正规化项Auy、Bu的定义如下：
其中，λA、λB为正规化常数，nyj为属性值购买的商品j的次数，w为特定收缩常数；
其中，λA、λB为正规化常数，nyj为属性值购买的商品j的次数，w为特定收缩常数。
9.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述步骤(7)使用梯度递减方法对属性偏好矩阵C中的元素Cuy进行迭代更新，其中，梯度递减模型的导数如下:
分别对Cuy执行如下公式，并同时调整学习因子θ直至收敛，完成更新；
10.根据权利要求1所述的一种基于属性信息偏好自学习的推荐预测方法，其特征在于：所述步骤(8)中采用如下公式调整学习系数θ：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710140630.2A CN107016058A (zh) | 2017-03-10 | 2017-03-10 | 一种基于属性信息偏好自学习的推荐预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710140630.2A CN107016058A (zh) | 2017-03-10 | 2017-03-10 | 一种基于属性信息偏好自学习的推荐预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107016058A true CN107016058A (zh) | 2017-08-04 |
Family
ID=59439938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710140630.2A Withdrawn CN107016058A (zh) | 2017-03-10 | 2017-03-10 | 一种基于属性信息偏好自学习的推荐预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016058A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107944629A (zh) * | 2017-11-30 | 2018-04-20 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
| CN108182268A (zh) * | 2018-01-16 | 2018-06-19 | 浙江工商大学 | 一种基于社会网络的协同过滤推荐方法及系统 |
| 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 |
| CN108846690A (zh) * | 2018-05-31 | 2018-11-20 | 郑州云海信息技术有限公司 | 一种商品评价方法、系统、存储介质和计算机设备 |
| CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
| CN109460512A (zh) * | 2018-10-25 | 2019-03-12 | 腾讯科技（北京）有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
| CN109726331A (zh) * | 2018-12-29 | 2019-05-07 | 北京世纪好未来教育科技有限公司 | 对象偏好预测的方法、装置和计算机可读介质 |
| CN111178986A (zh) * | 2020-02-18 | 2020-05-19 | 电子科技大学 | 用户-商品偏好的预测方法及系统 |
| CN111914172A (zh) * | 2020-07-29 | 2020-11-10 | 上海梅斯医药科技有限公司 | 一种基于用户标签的医学信息推荐方法及系统 |
| CN112487279A (zh) * | 2019-09-12 | 2021-03-12 | 国际商业机器公司 | 推荐器系统和方法 |
-
2017
- 2017-03-10 CN CN201710140630.2A patent/CN107016058A/zh not_active Withdrawn
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107944629B (zh) * | 2017-11-30 | 2020-08-07 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
| CN107944629A (zh) * | 2017-11-30 | 2018-04-20 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
| CN108182268A (zh) * | 2018-01-16 | 2018-06-19 | 浙江工商大学 | 一种基于社会网络的协同过滤推荐方法及系统 |
| 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 |
| CN108846690A (zh) * | 2018-05-31 | 2018-11-20 | 郑州云海信息技术有限公司 | 一种商品评价方法、系统、存储介质和计算机设备 |
| CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
| CN108920596B (zh) * | 2018-06-27 | 2021-10-29 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
| CN109460512A (zh) * | 2018-10-25 | 2019-03-12 | 腾讯科技（北京）有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
| CN109726331A (zh) * | 2018-12-29 | 2019-05-07 | 北京世纪好未来教育科技有限公司 | 对象偏好预测的方法、装置和计算机可读介质 |
| CN109726331B (zh) * | 2018-12-29 | 2021-05-18 | 北京世纪好未来教育科技有限公司 | 对象偏好预测的方法、装置和计算机可读介质 |
| US11651255B2 (en) | 2018-12-29 | 2023-05-16 | Beijing Century Tal Education Technology Co., Ltd. | Method and apparatus for object preference prediction, and computer readable medium |
| CN112487279A (zh) * | 2019-09-12 | 2021-03-12 | 国际商业机器公司 | 推荐器系统和方法 |
| CN111178986A (zh) * | 2020-02-18 | 2020-05-19 | 电子科技大学 | 用户-商品偏好的预测方法及系统 |
| CN111178986B (zh) * | 2020-02-18 | 2023-04-07 | 电子科技大学 | 用户-商品偏好的预测方法及系统 |
| CN111914172A (zh) * | 2020-07-29 | 2020-11-10 | 上海梅斯医药科技有限公司 | 一种基于用户标签的医学信息推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016058A (zh) | 一种基于属性信息偏好自学习的推荐预测方法 | |
| CN107563841B (zh) | 一种基于用户评分分解的推荐系统 | |
| CN106682114B (zh) | 一种融合用户信任关系和评论信息的个性化推荐方法 | |
| CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
| CN105069122B (zh) | 一种基于用户行为的个性化推荐方法及其推荐装置 | |
| CN102214169B (zh) | 关键词信息与目标信息的提供方法及装置 | |
| CN108052588A (zh) | 一种基于卷积神经网络的文档自动问答系统的构建方法 | |
| CN103353872B (zh) | 一种基于神经网络的教学资源个性化推荐方法 | |
| CN112184391A (zh) | 一种推荐模型的训练方法、介质、电子设备和推荐模型 | |
| CN110119474A (zh) | 推荐模型训练方法、基于推荐模型的预测方法及装置 | |
| Wang et al. | An iterative algorithm to derive priority from large-scale sparse pairwise comparison matrix | |
| CN108470075A (zh) | 一种面向排序预测的社会化推荐方法 | |
| CN105354260B (zh) | 一种融合社会网络和项目特征的移动应用推荐方法 | |
| CN110033097B (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 | |
| CN107003834B (zh) | 行人检测设备和方法 | |
| CN107330727A (zh) | 一种基于隐语义模型的个性化推荐方法 | |
| CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
| CN105761154A (zh) | 一种社会化推荐方法及装置 | |
| CN112149734B (zh) | 一种基于堆叠自编码器的跨域推荐方法 | |
| CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
| CN109241442A (zh) | 基于预测值填充的项目推荐方法、可读存储介质和终端 | |
| CN108052534A (zh) | 一种基于地理特征的房地产推荐方法 | |
| CN105260458A (zh) | 一种用于显示装置的视频推荐方法及显示装置 | |
| CN117057258B (zh) | 基于权重分配相关系数的黑启动过电压预测方法及系统 | |
| CN113342994A (zh) | 一种基于无采样协作知识图网络的推荐系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170804 |
|
| WW01 | Invention patent application withdrawn after publication |