CN107145536A - 用户画像构建方法与装置及推荐方法与装置 - Google Patents

用户画像构建方法与装置及推荐方法与装置 Download PDF

Info

Publication number
CN107145536A
CN107145536A CN201710256098.0A CN201710256098A CN107145536A CN 107145536 A CN107145536 A CN 107145536A CN 201710256098 A CN201710256098 A CN 201710256098A CN 107145536 A CN107145536 A CN 107145536A
Authority
CN
China
Prior art keywords
portrait
user
characteristic
average value
data
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
Application number
CN201710256098.0A
Other languages
English (en)
Other versions
CN107145536B (zh
Inventor
刘晨
桑海岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHANJET INFORMATION TECHNOLOGY Co Ltd
Original Assignee
CHANJET INFORMATION TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHANJET INFORMATION TECHNOLOGY Co Ltd filed Critical CHANJET INFORMATION TECHNOLOGY Co Ltd
Priority to CN201710256098.0A priority Critical patent/CN107145536B/zh
Publication of CN107145536A publication Critical patent/CN107145536A/zh
Application granted granted Critical
Publication of CN107145536B publication Critical patent/CN107145536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Abstract

本发明提供了一种用户画像构建方法与装置及推荐方法与装置。其中，一种用户画像构建方法，包括：获取用户的特征数据，确定特征数据的类型；根据特征数据及特征数据的类型，构建数据画像；根据数据画像构建用户画像。通过本发明的技术方案，实现了将用户所有的个性化信息使用一个个的句子向量、文章向量来描述，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。

Description

用户画像构建方法与装置及推荐方法与装置
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种用户画像构建方法与装置，还涉及一种基于用户画像的推荐方法与装置。
背景技术
推荐系统已经广泛应用于多个领域，并取得了很大的成功。其中个性化推荐正在成为也终将成为推荐系统的主流。根据用户自己的购买记录，访问记录等信息，给用户推荐出更加符合他个人需求、兴趣的商品或者信息，称为个性化的推荐。目前个性化推荐通常的做法是，将用户的所有行为标签化，所有的标签构成了用户的画像，然后再推荐出于此画像最为接近的信息。然而基于标签的用户画像，在推荐时要严格依赖标签的匹配，导致同义或者近义词也很难匹配到，推荐效果差，同时传统的标签画像也无法刻画出语义级别的需求及兴趣。
因此，如何完整、全面的刻画用户，依据画像为用户推荐个性化的信息成为目前亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的一个目的在于提出了一种用户画像构建方法。
本发明的另一个目的在于提出了一种用户画像构建装置。
本发明的又一个目的在于提出了一种基于用户画像的推荐方法。
本发明的再一个目的在于提出了一种基于用户画像的推荐装置。
有鉴于此，本发明提出了一种用户画像构建方法，包括：获取用户的特征数据，确定特征数据的类型；根据特征数据及特征数据的类型，构建数据画像；根据数据画像构建用户画像。
根据本发明的用户画像构建方法，由用户的个性化数据出发，为所有特征数据向量化表达，词向量代表了一个词的语义信息，句子(或段落)的语义可用组成该句子(或段落)的词向量的来描述，根据特征数据及特征数据的类型，构建数据画像，所有数据画像组成用户画像。从而实现将用户所有的个性化信息使用一个个的句子向量、文章向量来描述，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
另外，根据本发明上述的用户画像构建方法，还可以具有如下附加的技术特征：
在上述技术方案中，优选地，根据特征数据及特征数据的类型，构建数据画像具体包括：计算特征数据的词向量的平均值，通过词向量的平均值表达特征数据的语义；根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值，将向量平均值作为数据画像；当特征数据包括一个或多个类型时，构建一个或多个数据画像。
在该技术方案中，通过特征数据的词向量的平均值表达特征数据的语义，并根据特征数据的词向量的平均值计算同一类型特征数据的向量平均值，将向量平均值作为数据画像，使得数据画像具有了语义的信息，当特征数据包括多个类型时，计算多个类型的特征数据的向量平均值，从而构建了多个数据画像，可以理解的，数据画像构建的越多，对用户刻画的越完整。
在上述任一技术方案中，优选地，根据数据画像构建用户画像具体包括：将一个或多个数据画像对应的向量平均值组成向量矩阵，将向量矩阵作为用户画像。
在该技术方案中，数据画像本身即是同一类型的特征数据的向量平均值，因此将一个或多个数据画像对应的向量平均值组成向量矩阵，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得用户画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一技术方案中，优选地，计算特征数据的词向量的平均值的计算公式为：其中，P为特征数据，VP为特征数据的词向量的平均值，Vi为一个词的词向量，n为大于等于1的整数。
在该技术方案中，特征数据的词向量的平均值为一个或多个词的词向量的平均值，比如当特征数据为一句话时，先计算出这句话所包含的词的数量，再根据每个词对应的词向量计算出该句话的词向量的平均值。
在上述任一技术方案中，优选地，根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值的计算公式为：其中，VPi为特征数据的词向量的平均值，Vf为同一类型的特征数据的向量平均值，τi为时间衰减因数，λ的值为1，t为特征数据生成时间与向量平均值生成时间的时间差，n为大于等于1的整数。
在该技术方案中，若同一类型的特征数据中包含多条特征数据时，将多条特征数据的词向量的平均值之和取平均值，得到该类型的特征数据的向量平均值，考虑到用户行为时间对用户画像的影响，加入时间因子τi，时间因子τi的值与特征数据生成时间与向量平均值生成的时间之差t有联系，t值越大对时间因子τi的影响越小，t值越小对时间因子τi的影响越大，从而体现在对特征数据的向量平均值的影响上，而每一个特征数据的向量平均值即为用户画像的一个分量，从而使得画像更加能够代表当前的用户，不仅具有语义的信息，而且能体现出语义级别的需求及兴趣。
在上述任一技术方案中，优选地，向量矩阵为：其中，Vfn为同一类型的特征数据的向量平均值，n为大于等于1的整数。
在该技术方案中，通过向量矩阵表达用户画像，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一技术方案中，优选地，特征数据为用户的基本信息和/或用户的行为信息；特征数据的格式包括以下至少任一项或其组合：句子、段落、文章；特征数据的类型包括以下至少任一项或其组合：新闻、读书、服饰。
在该技术方案中，由用户的个性化数据出发，采集用户的基本信息和/或行为信息(比如用户记录的日志、博客或者购买记录等)，其中基本信息及行为信息可以新闻类、读书类亦或是服饰类中的是一句话、一段话或一篇文章，当然也可以是某个词，从而能够全面刻画用户，了解用户的兴趣、偏好、近期行为方向。
在上述任一技术方案中，优选地，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好；行为信息包括以下至少任一项或其组合：购买记录、访问记录。
在该技术方案中，本领域技术人员应该理解，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好，但不限于此；行为信息包括以下至少任一项或其组合：购买记录、访问记录，但不限于此。
本发明还提出一种用户画像构建装置，包括：获取单元，用于获取用户的特征数据，确定特征数据的类型；数据画像单元，用于根据特征数据及特征数据的类型，构建数据画像；用户画像单元，用于根据数据画像构建用户画像。
根据本发明的用户画像构建装置，由用户的个性化数据出发，为所有特征数据向量化表达，词向量代表了一个词的语义信息，句子(或段落)的语义可用组成该句子(或段落)的词向量的来描述，根据特征数据及特征数据的类型，构建数据画像，所有数据画像组成用户画像。从而实现将用户所有的个性化信息使用一个个的句子向量、文章向量来描述，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
另外，根据本发明上述的用户画像构建装置，还可以具有如下附加的技术特征：
在上述技术方案中，优选地，数据画像单元具体包括：第一计算单元，用于计算特征数据的词向量的平均值，通过词向量的平均值表达特征数据的语义；第二计算单元，用于根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值，将向量平均值作为数据画像；数据画像单元，还用于当特征数据包括一个或多个类型时，构建一个或多个数据画像。
在该技术方案中，通过特征数据的词向量的平均值表达特征数据的语义，并根据特征数据的词向量的平均值计算同一类型特征数据的向量平均值，将向量平均值作为数据画像，使得数据画像具有了语义的信息，当特征数据包括多个类型时，计算多个类型的特征数据的向量平均值，从而构建了多个数据画像，可以理解的，数据画像构建的越多，对用户刻画的越完整。
在上述任一技术方案中，优选地，用户画像单元具体用于：将一个或多个数据画像对应的向量平均值组成向量矩阵，将向量矩阵作为用户画像。
在该技术方案中，数据画像本身即是同一类型的特征数据的向量平均值，因此将一个或多个数据画像对应的向量平均值组成向量矩阵，使得用户画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一技术方案中，优选地，计算特征数据的词向量的平均值的计算公式为：其中，P为特征数据，VP为特征数据的词向量的平均值，Vi为一个词的词向量，n为大于等于1的整数。
在该技术方案中，特征数据的词向量的平均值为一个或多个词的词向量的平均值，比如当特征数据为一句话时，先计算出这句话所包含的词的数量，再根据每个词对应的词向量计算出该句话的词向量的平均值。
在上述任一技术方案中，优选地，根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值的计算公式为：其中，VPi为特征数据的词向量的平均值，Vf为同一类型的特征数据的向量平均值，τi为时间衰减因数，λ的值为1，t为特征数据生成时间与向量平均值生成时间的时间差，n为大于等于1的整数。
在该技术方案中，若同一类型的特征数据中包含多条特征数据时，将多条特征数据的词向量的平均值之和取平均值，得到该类型的特征数据的向量平均值，考虑到用户行为时间对用户画像的影响，加入时间因子τi，时间因子τi的值与特征数据生成时间与向量平均值生成的时间之差t有联系，t值越大对时间因子τi的影响越小，t值越小对时间因子τi的影响越大，从而体现在对特征数据的向量平均值的影响上，而每一个特征数据的向量平均值即为用户画像的一个分量，从而使得画像更加能够代表当前的用户，不仅具有语义的信息，而且能体现出语义级别的需求及兴趣。
在上述任一技术方案中，优选地，向量矩阵为：其中，Vfn为同一类型的特征数据的向量平均值，n为大于等于1的整数。
在该技术方案中，通过向量矩阵表达用户画像，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一技术方案中，优选地，特征数据为用户的基本信息和/或用户的行为信息；特征数据的格式包括以下至少任一项或其组合：句子、段落、文章；特征数据的类型包括以下至少任一项或其组合：新闻、读书、服饰。
在该技术方案中，由用户的个性化数据出发，采集用户的基本信息和/或行为信息(比如用户记录的日志、博客或者购买记录等)，其中基本信息及行为信息可以新闻类、读书类亦或是服饰类中的是一句话、一段话或一篇文章，当然也可以是某个词，从而能够全面刻画用户，了解用户的兴趣、偏好、近期行为方向。
在上述任一技术方案中，优选地，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好；行为信息包括以下至少任一项或其组合：购买记录、访问记录。
在该技术方案中，本领域技术人员应该理解，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好，但不限于此；行为信息包括以下至少任一项或其组合：购买记录、访问记录，但不限于此。
本发明还提出一种基于用户画像的推荐方法，通过权利要求1至8中任一项的用户画像构建方法构建用户画像及待推荐对象画像，推荐方法包括：计算用户画像与待推荐对象画像的相似度；将相似度按照分值从高到低依次排列，并按照排列将位列在前的一个或多个相似度对应的待推荐对象推荐给用户。
根据本发明的基于用户画像的推荐方法，通过计算用户画像与待推荐对象画像的相似度，从而为用户推荐出与其画像最相似的一个或多个对象按照位列先后顺序依次推荐给用户，实现依据用户画像为用户推荐出更加符合个性需求、兴趣的商品或者信息。
另外，根据本发明上述的基于用户画像的推荐方法，还可以具有如下附加的技术特征：
在上述技术方案中，优选地，计算用户画像与待推荐对象画像的相似度具体包括：根据用户画像中的数据画像的类型，设置权重；按照相似度计算公式计算相似度。
在该技术方案中，在计算用户画像与待推荐对象画像的相似度时，首先根据用户画像中的数据画像的类型设置权重，然后按照相似度计算公式进行计算，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一技术方案中，优选地，相似度的计算公式为：其中，Pu为用户画像，Pd为待推荐对象画像，表示相似度的一个分量的相似性，为用户画像的一个分量，为待推荐对象画像的一个分量，li为权重。
在该技术方案中，用户画像与待推荐对象画像的相似度为一个或多个分量的相似性之和，同时考虑到画像类型对用户画像的影响，为不同类型的画像设置了权重，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一技术方案中，优选地，画像中的一个分量的相似性的计算公式为：simi(Vfu,Vfd)＝Cos(Vfu,Vfd)。
在该技术方案中，画像分量的相似性采用向量余弦值来衡量。
本发明还提出一种基于用户画像的推荐装置，通过权利要求1至8中任一项的用户画像构建方法构建用户画像及待推荐对象画像，推荐装置包括：计算单元，用于计算用户画像与待推荐对象画像的相似度；推荐单元，用于将相似度按照分值从高到低依次排列，并将分值高的相似度对应的待推荐对象推荐给用户。
根据本发明的基于用户画像的推荐装置，通过计算用户画像与待推荐对象画像的相似度，从而为用户推荐出与其画像最相似的一个或多个对象按照位列先后顺序依次推荐给用户，实现依据用户画像为用户推荐出更加符合个性需求、兴趣的商品或者信息。
另外，根据本发明上述的基于用户画像的推荐装置，还可以具有如下附加的技术特征：
在上述技术方案中，优选地，计算单元具体包括：设置单元，用于根据用户画像中的数据画像的类型，设置权重；计算单元，具体用于按照相似度计算公式计算相似度。
在该技术方案中，在计算用户画像与待推荐对象画像的相似度时，首先根据用户画像中的数据画像的类型设置权重，然后按照相似度计算公式进行计算，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一技术方案中，优选地，相似度的计算公式为：
其中，Pu为用户画像，Pd为待推荐对象画像，表示相似度的一个分量的相似性，为用户画像的一个分量，为待推荐对象画像的一个分量，li为权重。
在该技术方案中，用户画像与待推荐对象画像的相似度为一个或多个分量的相似性之和，同时考虑到画像类型对用户画像的影响，为不同类型的画像设置了权重，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一技术方案中，优选地，画像中的一个分量的相似性的计算公式为：simi(Vfu,Vfd)＝Cos(Vfu,Vfd)。
在该技术方案中，画像分量的相似性采用向量余弦值来衡量。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明一实施例的用户画像构建方法的流程示意图；
图2示出了本发明再一实施例的用户画像构建方法的流程示意图；
图3示出了本发明又一实施例的用户画像构建方法的流程示意图；
图4示出了本发明一实施例的用户画像构建装置的示意框图；
图5示出了本发明再一实施例的用户画像构建装置的示意框图；
图6示出了本发明一实施例的基于用户画像的推荐方法的流程示意图；
图7示出了本发明再一实施例的基于用户画像的推荐方法的流程示意图；
图8示出了本发明一实施例的基于用户画像的推荐装置的示意框图；
图9示出了本发明再一实施例的基于用户画像的推荐装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，根据本发明一实施例的用户画像构建方法的流程示意图：
步骤102，获取用户的特征数据，确定特征数据的类型；
步骤104，根据特征数据及特征数据的类型，构建数据画像；
步骤106，根据数据画像构建用户画像。
在该实施例中，由用户的个性化数据出发，为所有特征数据向量化表达，词向量代表了一个词的语义信息，句子(或段落)的语义可用组成该句子(或段落)的词向量的来描述，根据特征数据及特征数据的类型，构建数据画像，所有数据画像组成用户画像。从而实现将用户所有的个性化信息使用一个个的句子向量、文章向量来描述，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
如图2所示，根据本发明再一实施例的用户画像构建方法的流程示意图：
步骤202，获取用户的特征数据，确定特征数据的类型；
根据特征数据及特征数据的类型，构建数据画像，具体包括：
步骤204，计算特征数据的词向量的平均值，通过词向量的平均值表达特征数据的语义；
步骤206，根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值，将向量平均值作为数据画像；当特征数据包括一个或多个类型时，构建一个或多个数据画像；
步骤208，根据数据画像构建用户画像。
在该实施例中，通过特征数据的词向量的平均值表达特征数据的语义，并根据特征数据的词向量的平均值计算同一类型特征数据的向量平均值，将向量平均值作为数据画像，使得数据画像具有了语义的信息，当特征数据包括多个类型时，计算多个类型的特征数据的向量平均值，从而构建了多个数据画像，可以理解的，数据画像构建的越多，对用户刻画的越完整。
如图3所示，根据本发明又一实施例的用户画像构建方法的流程示意图：
步骤302，获取用户的特征数据，确定特征数据的类型；
根据特征数据及特征数据的类型，构建数据画像，具体包括：
步骤304，计算特征数据的词向量的平均值，通过词向量的平均值表达特征数据的语义；
步骤306，根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值，将向量平均值作为数据画像；当特征数据包括一个或多个类型时，构建一个或多个数据画像；
根据数据画像构建用户画像具体包括：
步骤308，将一个或多个数据画像对应的向量平均值组成向量矩阵，将向量矩阵作为用户画像。
在该实施例中，数据画像本身即是同一类型的特征数据的向量平均值，因此将一个或多个数据画像对应的向量平均值组成向量矩阵，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得用户画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一实施例中，优选地，计算特征数据的词向量的平均值的计算公式为：其中，P为特征数据，VP为特征数据的词向量的平均值，Vi为一个词的词向量，n为大于等于1的整数。
在该实施例中，特征数据的词向量的平均值为一个或多个词的词向量的平均值，比如当特征数据为一句话时，先计算出这句话所包含的词的数量，再根据每个词对应的词向量计算出该句话的词向量的平均值。
在上述任一实施例中，优选地，根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值的计算公式为：其中，VPi为特征数据的词向量的平均值，Vf为同一类型的特征数据的向量平均值，τi为时间衰减因数，λ的值为1，t为特征数据生成时间与向量平均值生成时间的时间差，n为大于等于1的整数。
在该实施例中，若同一类型的特征数据中包含多条特征数据时，将多条特征数据的词向量的平均值之和取平均值，得到该类型的特征数据的向量平均值，考虑到用户行为时间对用户画像的影响，加入时间因子τi，时间因子τi的值与特征数据生成时间与向量平均值生成的时间之差t有联系，t值越大对时间因子τi的影响越小，t值越小对时间因子τi的影响越大，从而体现在对特征数据的向量平均值的影响上，而每一个特征数据的向量平均值即为用户画像的一个分量，从而使得画像更加能够代表当前的用户，不仅具有语义的信息，而且能体现出语义级别的需求及兴趣。
在上述任一实施例中，优选地，向量矩阵为：其中，Vfn为同一类型的特征数据的向量平均值，n为大于等于1的整数。
在该实施例中，通过向量矩阵表达用户画像，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一实施例中，优选地，特征数据为用户的基本信息和/或用户的行为信息；特征数据的格式包括以下至少任一项或其组合：句子、段落、文章；特征数据的类型包括以下至少任一项或其组合：新闻、读书、服饰。
在该实施例中，由用户的个性化数据出发，采集用户的基本信息和/或行为信息(比如用户记录的日志、博客或者购买记录等)，其中基本信息及行为信息可以新闻类、读书类亦或是服饰类中的是一句话、一段话或一篇文章，当然也可以是某个词，从而能够全面刻画用户，了解用户的兴趣、偏好、近期行为方向。
在上述任一实施例中，优选地，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好；行为信息包括以下至少任一项或其组合：购买记录、访问记录。
在该实施例中，本领域技术人员应该理解，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好，但不限于此；行为信息包括以下至少任一项或其组合：购买记录、访问记录，但不限于此。
如图4所示，根据本发明一实施例的用户画像构建装置的示意框图：
获取单元402，用于获取用户的特征数据，确定特征数据的类型；
数据画像单元404，用于根据特征数据及特征数据的类型，构建数据画像；
用户画像单元406，用于根据数据画像构建用户画像。
在该实施例中，由用户的个性化数据出发，为所有特征数据向量化表达，词向量代表了一个词的语义信息，句子(或段落)的语义可用组成该句子(或段落)的词向量的来描述，根据特征数据及特征数据的类型，构建数据画像，所有数据画像组成用户画像。从而实现将用户所有的个性化信息使用一个个的句子向量、文章向量来描述，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
如图5所示，根据本发明再一实施例的用户画像构建装置的示意框图：
获取单元502，用于获取用户的特征数据，确定特征数据的类型；
数据画像单元504，用于根据特征数据及特征数据的类型，构建数据画像；
用户画像单元506，用于根据数据画像构建用户画像；
数据画像单元504具体包括：
第一计算单元5042，用于计算特征数据的词向量的平均值，通过词向量的平均值表达特征数据的语义；
第二计算单元5044，用于根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值，将向量平均值作为数据画像；
数据画像单元504，还用于当特征数据包括一个或多个类型时，构建一个或多个数据画像。
在该实施例中，通过特征数据的词向量的平均值表达特征数据的语义，并根据特征数据的词向量的平均值计算同一类型特征数据的向量平均值，将向量平均值作为数据画像，使得数据画像具有了语义的信息，当特征数据包括多个类型时，计算多个类型的特征数据的向量平均值，从而构建了多个数据画像，可以理解的，数据画像构建的越多，对用户刻画的越完整。
在上述任一实施例中，优选地，用户画像单元506具体用于：将一个或多个数据画像对应的向量平均值组成向量矩阵，将向量矩阵作为用户画像。
在该实施例中，数据画像本身即是同一类型的特征数据的向量平均值，因此将一个或多个数据画像对应的向量平均值组成向量矩阵，使得用户画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一实施例中，优选地，计算特征数据的词向量的平均值的计算公式为：其中，P为特征数据，VP为特征数据的词向量的平均值，Vi为一个词的词向量，n为大于等于1的整数。
在该实施例中，特征数据的词向量的平均值为一个或多个词的词向量的平均值，比如当特征数据为一句话时，先计算出这句话所包含的词的数量，再根据每个词对应的词向量计算出该句话的词向量的平均值。
在上述任一实施例中，优选地，根据特征数据的词向量的平均值，计算同一类型的特征数据的向量平均值的计算公式为：其中，VPi为特征数据的词向量的平均值，Vf为同一类型的特征数据的向量平均值，τi为时间衰减因数，λ的值为1，t为特征数据生成时间与向量平均值生成时间的时间差，n为大于等于1的整数。
在该实施例中，若同一类型的特征数据中包含多条特征数据时，将多条特征数据的词向量的平均值之和取平均值，得到该类型的特征数据的向量平均值，考虑到用户行为时间对用户画像的影响，加入时间因子τi，时间因子τi的值与特征数据生成时间与向量平均值生成的时间之差t有联系，t值越大对时间因子τi的影响越小，t值越小对时间因子τi的影响越大，从而体现在对特征数据的向量平均值的影响上，而每一个特征数据的向量平均值即为用户画像的一个分量，从而使得画像更加能够代表当前的用户，不仅具有语义的信息，而且能体现出语义级别的需求及兴趣。
在上述任一实施例中，优选地，向量矩阵为：其中，Vfn为同一类型的特征数据的向量平均值，n为大于等于1的整数。
在该实施例中，通过向量矩阵表达用户画像，弥补了文本标签刻画用户的不足，能够表达出语义级别的隐含信息，使得这个画像具有了语义的信息，更加全面、精准的刻画了用户。
在上述任一实施例中，优选地，特征数据为用户的基本信息和/或用户的行为信息；特征数据的格式包括以下至少任一项或其组合：句子、段落、文章；特征数据的类型包括以下至少任一项或其组合：新闻、读书、服饰。
在该实施例中，由用户的个性化数据出发，采集用户的基本信息和/或行为信息(比如用户记录的日志、博客或者购买记录等)，其中基本信息及行为信息可以新闻类、读书类亦或是服饰类中的是一句话、一段话或一篇文章，当然也可以是某个词，从而能够全面刻画用户，了解用户的兴趣、偏好、近期行为方向。
在上述任一实施例中，优选地，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好；行为信息包括以下至少任一项或其组合：购买记录、访问记录。
在该实施例中，本领域技术人员应该理解，基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好，但不限于此；行为信息包括以下至少任一项或其组合：购买记录、访问记录，但不限于此。
如图6所示，根据本发明一实施例的基于用户画像的推荐方法的流程示意图：通过上述实施例中任一项的用户画像构建方法构建用户画像及待推荐对象画像，
步骤602，计算用户画像与待推荐对象画像的相似度；
步骤604，将相似度按照分值从高到低依次排列，并按照排列将位列在前的一个或多个相似度对应的待推荐对象推荐给用户。
在该实施例中，通过计算用户画像与待推荐对象画像的相似度，从而为用户推荐出与其画像最相似的一个或多个对象按照位列先后顺序依次推荐给用户，实现依据用户画像为用户推荐出更加符合个性需求、兴趣的商品或者信息。
如图7所示，根据本发明再一实施例的基于用户画像的推荐方法的流程示意图：通过上述实施例中任一项的用户画像构建方法构建用户画像及待推荐对象画像，
步骤702，根据用户画像中的数据画像的类型，设置权重；
步骤704，按照相似度计算公式计算相似度；
步骤706，将相似度按照分值从高到低依次排列，并按照排列将位列在前的一个或多个相似度对应的待推荐对象推荐给用户。
在该实施例中，在计算用户画像与待推荐对象画像的相似度时，首先根据用户画像中的数据画像的类型设置权重，然后按照相似度计算公式进行计算，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一实施例中，优选地，相似度的计算公式为：其中，Pu为用户画像，Pd为待推荐对象画像，表示相似度的一个分量的相似性，为用户画像的一个分量，为待推荐对象画像的一个分量，li为权重。
在该实施例中，用户画像与待推荐对象画像的相似度为一个或多个分量的相似性之和，同时考虑到画像类型对用户画像的影响，为不同类型的画像设置了权重，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一实施例中，优选地，画像中的一个分量的相似性的计算公式为：simi(Vfu,Vfd)＝Cos(Vfu,Vfd)。
在该实施例中，画像分量的相似性采用向量余弦值来衡量。
如图8所示，根据本发明一实施例的基于用户画像的推荐装置的示意框图：通过上述实施例中任一项的用户画像构建方法构建用户画像及待推荐对象画像，
计算单元802，用于计算用户画像与待推荐对象画像的相似度；
推荐单元804，用于将相似度按照分值从高到低依次排列，并将分值高的相似度对应的待推荐对象推荐给用户。
在该实施例中，通过计算用户画像与待推荐对象画像的相似度，从而为用户推荐出与其画像最相似的一个或多个对象按照位列先后顺序依次推荐给用户，实现依据用户画像为用户推荐出更加符合个性需求、兴趣的商品或者信息。
如图9所示，根据本发明再一实施例的基于用户画像的推荐装置的示意框图：通过上述实施例中任一项的用户画像构建方法构建用户画像及待推荐对象画像，
计算单元902，用于计算用户画像与待推荐对象画像的相似度；
推荐单元904，用于将相似度按照分值从高到低依次排列，并将分值高的相似度对应的待推荐对象推荐给用户
计算单元902具体包括：设置单元9022，用于根据用户画像中的数据画像的类型，设置权重；
计算单元902，具体用于按照相似度计算公式计算相似度。
在该实施例中，在计算用户画像与待推荐对象画像的相似度时，首先根据用户画像中的数据画像的类型设置权重，然后按照相似度计算公式进行计算，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一实施例中，优选地，相似度的计算公式为：其中，Pu为用户画像，Pd为待推荐对象画像，表示相似度的一个分量的相似性，为用户画像的一个分量，为待推荐对象画像的一个分量，li为权重。
在该实施例中，用户画像与待推荐对象画像的相似度为一个或多个分量的相似性之和，同时考虑到画像类型对用户画像的影响，为不同类型的画像设置了权重，从而更能够表达出语义级别的隐含信息，为用户智能推荐个性化信息。
在上述任一实施例中，优选地，画像中的一个分量的相似性的计算公式为：simi(Vfu,Vfd)＝Cos(Vfu,Vfd)。
在该实施例中，画像分量的相似性采用向量余弦值来衡量。
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 (24)

1.一种用户画像构建方法，其特征在于，包括：
获取用户的特征数据，确定所述特征数据的类型；
根据所述特征数据及所述特征数据的类型，构建数据画像；
根据所述数据画像构建所述用户画像。
2.根据权利要求1所述的用户画像构建方法，其特征在于，所述根据所述特征数据及所述特征数据的类型，构建数据画像具体包括：
计算所述特征数据的词向量的平均值，通过所述词向量的平均值表达所述特征数据的语义；
根据所述特征数据的词向量的平均值，计算同一类型的所述特征数据的向量平均值，将所述向量平均值作为所述数据画像；
当所述特征数据包括一个或多个所述类型时，构建一个或多个所述数据画像。
3.根据权利要求2所述的用户画像构建方法，其特征在于，所述根据所述数据画像构建所述用户画像具体包括：
将所述一个或多个数据画像对应的所述向量平均值组成向量矩阵，将所述向量矩阵作为所述用户画像。
4.根据权利要求2所述的用户画像构建方法，其特征在于，所述计算所述特征数据的词向量的平均值的计算公式为：
其中，P为所述特征数据，VP为所述特征数据的词向量的平均值，Vi为一个词的词向量，n为大于等于1的整数。
5.根据权利要求2所述的用户画像构建方法，其特征在于，所述根据所述特征数据的词向量的平均值，计算同一类型的所述特征数据的向量平均值的计算公式为：
其中，所述VPi为所述特征数据的词向量的平均值，Vf为所述同一类型的所述特征数据的向量平均值，τi为时间衰减因数，λ的值为1，t为所述特征数据生成时间与所述向量平均值生成时间的时间差，n为大于等于1的整数。
6.根据权利要求3所述的用户画像构建方法，其特征在于，所述向量矩阵为：其中，Vfn为所述同一类型的所述特征数据的向量平均值，n为大于等于1的整数。
7.根据权利要求1至6中任一项所述的用户画像构建方法，其特征在于，
所述特征数据为所述用户的基本信息和/或所述用户的行为信息；所述特征数据的格式包括以下至少任一项或其组合：句子、段落、文章；所述特征数据的类型包括以下至少任一项或其组合：新闻、读书、服饰。
8.根据权利要求7所述的用户画像构建方法，其特征在于，
所述基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好；
所述行为信息包括以下至少任一项或其组合：购买记录、访问记录。
9.一种用户画像构建装置，其特征在于，包括：
获取单元，用于获取用户的特征数据，确定所述特征数据的类型；
数据画像单元，用于根据所述特征数据及所述特征数据的类型，构建数据画像；
用户画像单元，用于根据所述数据画像构建所述用户画像。
10.根据权利要求9所述的用户画像构建装置，其特征在于，所述数据画像单元具体包括：
第一计算单元，用于计算所述特征数据的词向量的平均值，通过所述词向量的平均值表达所述特征数据的语义；
第二计算单元，用于根据所述特征数据的词向量的平均值，计算同一类型的所述特征数据的向量平均值，将所述向量平均值作为所述数据画像；
所述数据画像单元，还用于当所述特征数据包括一个或多个所述类型时，构建一个或多个所述数据画像。
11.根据权利要求10所述的用户画像构建装置，其特征在于，所述用户画像单元具体用于：
将所述一个或多个数据画像对应的所述向量平均值组成向量矩阵，将所述向量矩阵作为所述用户画像。
12.根据权利要求10所述的用户画像构建装置，其特征在于，所述计算所述特征数据的词向量的平均值的计算公式为：
其中，P为所述特征数据，VP为所述特征数据的词向量的平均值，Vi为一个词的词向量，n为大于等于1的整数。
13.根据权利要求10所述的用户画像构建装置，其特征在于，所述根据所述特征数据的词向量的平均值，计算同一类型的所述特征数据的向量平均值的计算公式为：
其中，所述VPi为所述特征数据的词向量的平均值，Vf为所述同一类型的所述特征数据的向量平均值，τi为时间衰减因数，λ的值为1，t为所述特征数据生成时间与所述向量平均值生成时间的时间差，n为大于等于1的整数。
14.根据权利要求11所述的用户画像构建装置，其特征在于，所述向量矩阵为：其中，Vfn为所述同一类型的所述特征数据的向量平均值，n为大于等于1的整数。
15.根据权利要求9至14中任一项所述的用户画像构建装置，其特征在于，
所述特征数据为所述用户的基本信息和/或所述用户的行为信息；所述特征数据的格式包括以下至少任一项或其组合：句子、段落、文章；所述特征数据的类型包括以下至少任一项或其组合：新闻、读书、服饰。
16.根据权利要求15所述的用户画像构建装置，其特征在于，
所述基本信息包括以下至少任一项或其组合：日志信息、兴趣爱好；
所述行为信息包括以下至少任一项或其组合：购买记录、访问记录。
17.一种基于用户画像的推荐方法，其特征在于，通过权利要求1至8中任一项所述的用户画像构建方法构建用户画像及待推荐对象画像，所述推荐方法包括：
计算所述用户画像与所述待推荐对象画像的相似度；
将所述相似度按照分值从高到低依次排列，并按照所述排列将位列在前的一个或多个所述相似度对应的待推荐对象推荐给所述用户。
18.根据权利要求17所述的推荐方法，其特征在于，所述计算所述用户画像与所述待推荐对象画像的相似度具体包括：
根据所述用户画像中的所述数据画像的类型，设置权重；
按照相似度计算公式计算所述相似度。
19.根据权利要求18所述的推荐方法，其特征在于，所述相似度的计算公式为：
其中，Pu为所述用户画像，Pd为所述待推荐数据的画像，表示所述相似度的一个分量的相似性，为所述用户画像的一个分量，为所述待推荐数据的画像的一个分量，li为所述权重。
20.根据权利要求19所述的推荐方法，其特征在于，所述画像中的一个分量的相似性的计算公式为：simi(Vfu,Vfd)＝Cos(Vfu,Vfd)。
21.一种基于用户画像的推荐装置，其特征在于，通过权利要求1至8中任一项所述的用户画像构建方法构建用户画像及待推荐对象画像，所述推荐装置包括：
计算单元，用于计算所述用户画像与所述待推荐对象画像的相似度；
推荐单元，用于将所述相似度按照分值从高到低依次排列，并将分值高的所述相似度对应的待推荐对象推荐给所述用户。
22.根据权利要求21所述的推荐装置，其特征在于，所述计算单元具体包括：
设置单元，用于根据所述用户画像中的所述数据画像的类型，设置权重；
所述计算单元，具体用于按照相似度计算公式计算所述相似度。
23.根据权利要求22所述的推荐装置，其特征在于，所述相似度的计算公式为：
其中，Pu为所述用户画像，Pd为所述待推荐数据的画像，表示所述相似度的一个分量的相似性，为所述用户画像的一个分量，为所述待推荐数据的画像的一个分量，li为所述权重。
24.根据权利要求23所述的推荐装置，其特征在于，所述画像中的一个分量的相似性的计算公式为：simi(Vfu,Vfd)＝Cos(Vfu,Vfd)。
CN201710256098.0A 2017-04-19 2017-04-19 用户画像构建方法与装置及推荐方法与装置 Active CN107145536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710256098.0A CN107145536B (zh) 2017-04-19 2017-04-19 用户画像构建方法与装置及推荐方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710256098.0A CN107145536B (zh) 2017-04-19 2017-04-19 用户画像构建方法与装置及推荐方法与装置

Publications (2)

Publication Number Publication Date
CN107145536A true CN107145536A (zh) 2017-09-08
CN107145536B CN107145536B (zh) 2020-08-04

Family

ID=59774361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710256098.0A Active CN107145536B (zh) 2017-04-19 2017-04-19 用户画像构建方法与装置及推荐方法与装置

Country Status (1)

Country Link
CN (1) CN107145536B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846097A (zh) * 2018-06-15 2018-11-20 北京搜狐新媒体信息技术有限公司 用户的兴趣标签表示方法、文章推荐方法、及装置、设备
CN109493199A (zh) * 2019-01-04 2019-03-19 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN109767264A (zh) * 2018-12-20 2019-05-17 深圳壹账通智能科技有限公司 产品数据推送方法、装置、计算机设备和存储介质
CN109871415A (zh) * 2019-01-21 2019-06-11 武汉光谷信息技术股份有限公司 一种基于图数据库的用户画像构建方法、系统及存储介质
CN110472145A (zh) * 2019-07-25 2019-11-19 维沃移动通信有限公司 一种内容推荐方法和电子设备
CN110489667A (zh) * 2019-08-20 2019-11-22 北京航空航天大学 基于用户画像的智能公文流转技术
CN110727858A (zh) * 2019-09-09 2020-01-24 上海凯京信达科技集团有限公司 一种推荐方法、计算机存储介质及电子设备
CN111125460A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 信息推荐方法及装置
CN111163342A (zh) * 2020-01-14 2020-05-15 恒信东方文化股份有限公司 一种智能互动系统及其方法
CN112307312A (zh) * 2019-07-30 2021-02-02 北京三好互动教育科技有限公司 一种文章推荐方法和装置
CN113407729A (zh) * 2021-05-11 2021-09-17 银江股份有限公司 一种面向司法的个性化案例推荐方法及系统
CN113641901A (zh) * 2021-08-05 2021-11-12 腾讯科技（深圳）有限公司 资讯推荐方法、装置、计算机可读介质及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090886A (zh) * 2013-12-09 2014-10-08 深圳市腾讯计算机系统有限公司 构建用户实时画像的方法及装置
CN105117418A (zh) * 2015-07-30 2015-12-02 百度在线网络技术（北京）有限公司 基于搜索的服务信息管理系统及方法
US20160110761A1 (en) * 2013-11-01 2016-04-21 Efstratios Ioannidis Finding the space spanned by user profiles from binary feedback
CN105718579A (zh) * 2016-01-22 2016-06-29 浙江大学 一种基于上网日志挖掘和用户活动识别的信息推送方法
CN105989047A (zh) * 2015-02-05 2016-10-05 富士通株式会社 获取装置、获取方法、训练装置以及检测装置
CN106126582A (zh) * 2016-06-20 2016-11-16 乐视控股（北京）有限公司 推荐方法及装置
CN106126605A (zh) * 2016-06-21 2016-11-16 国家计算机网络与信息安全管理中心 一种基于用户画像的短文本分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160110761A1 (en) * 2013-11-01 2016-04-21 Efstratios Ioannidis Finding the space spanned by user profiles from binary feedback
CN104090886A (zh) * 2013-12-09 2014-10-08 深圳市腾讯计算机系统有限公司 构建用户实时画像的方法及装置
CN105989047A (zh) * 2015-02-05 2016-10-05 富士通株式会社 获取装置、获取方法、训练装置以及检测装置
CN105117418A (zh) * 2015-07-30 2015-12-02 百度在线网络技术（北京）有限公司 基于搜索的服务信息管理系统及方法
CN105718579A (zh) * 2016-01-22 2016-06-29 浙江大学 一种基于上网日志挖掘和用户活动识别的信息推送方法
CN106126582A (zh) * 2016-06-20 2016-11-16 乐视控股（北京）有限公司 推荐方法及装置
CN106126605A (zh) * 2016-06-21 2016-11-16 国家计算机网络与信息安全管理中心 一种基于用户画像的短文本分类方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846097A (zh) * 2018-06-15 2018-11-20 北京搜狐新媒体信息技术有限公司 用户的兴趣标签表示方法、文章推荐方法、及装置、设备
CN108846097B (zh) * 2018-06-15 2021-01-29 北京搜狐新媒体信息技术有限公司 用户的兴趣标签表示方法、文章推荐方法、及装置、设备
CN109767264A (zh) * 2018-12-20 2019-05-17 深圳壹账通智能科技有限公司 产品数据推送方法、装置、计算机设备和存储介质
CN109493199A (zh) * 2019-01-04 2019-03-19 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN109871415A (zh) * 2019-01-21 2019-06-11 武汉光谷信息技术股份有限公司 一种基于图数据库的用户画像构建方法、系统及存储介质
CN109871415B (zh) * 2019-01-21 2021-04-30 武汉光谷信息技术股份有限公司 一种基于图数据库的用户画像构建方法、系统及存储介质
CN110472145B (zh) * 2019-07-25 2022-11-29 维沃移动通信有限公司 一种内容推荐方法和电子设备
CN110472145A (zh) * 2019-07-25 2019-11-19 维沃移动通信有限公司 一种内容推荐方法和电子设备
CN112307312A (zh) * 2019-07-30 2021-02-02 北京三好互动教育科技有限公司 一种文章推荐方法和装置
CN110489667A (zh) * 2019-08-20 2019-11-22 北京航空航天大学 基于用户画像的智能公文流转技术
CN110727858A (zh) * 2019-09-09 2020-01-24 上海凯京信达科技集团有限公司 一种推荐方法、计算机存储介质及电子设备
CN111125460A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 信息推荐方法及装置
CN111163342A (zh) * 2020-01-14 2020-05-15 恒信东方文化股份有限公司 一种智能互动系统及其方法
CN113407729B (zh) * 2021-05-11 2022-06-24 银江技术股份有限公司 一种面向司法的个性化案例推荐方法及系统
CN113407729A (zh) * 2021-05-11 2021-09-17 银江股份有限公司 一种面向司法的个性化案例推荐方法及系统
CN113641901A (zh) * 2021-08-05 2021-11-12 腾讯科技（深圳）有限公司 资讯推荐方法、装置、计算机可读介质及电子设备
CN113641901B (zh) * 2021-08-05 2024-02-02 腾讯科技（深圳）有限公司 资讯推荐方法、装置、计算机可读介质及电子设备

Also Published As

Publication number Publication date
CN107145536B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN107145536A (zh) 用户画像构建方法与装置及推荐方法与装置
Dzyabura et al. Visual elicitation of brand perception
JP5259893B1 (ja) 色決定装置、色決定システム、色決定方法、情報記録媒体、ならびに、プログラム
US8352473B2 (en) Product synthesis from multiple sources
JP5259894B1 (ja) 色名決定装置、色名決定方法、情報記録媒体、ならびに、プログラム
US9298802B2 (en) Recommendation engine using inferred deep similarities for works of literature
CN108763362A (zh) 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
US9535899B2 (en) Automatic semantic rating and abstraction of literature
CN108932335A (zh) 一种生成文案的方法和装置
CN108509479B (zh) 实体推荐方法及装置、终端及可读存储介质
KR20010106218A (ko) 정보추천장치 및 정보추천 시스템
Zhang et al. Combining sentiment analysis with a fuzzy kano model for product aspect preference recommendation
WO2020155877A1 (zh) 信息推荐
CN110348920A (zh) 一种推荐产品的方法及装置
CN111177538A (zh) 一种基于无监督权值计算的用户兴趣标签构建方法
CN110020121A (zh) 基于迁移学习的软件众包项目推荐方法及系统
CN105045865B (zh) 一种基于核的协同主题回归标签推荐方法
Yamasaki et al. Social popularity score: Predicting numbers of views, comments, and favorites of social photos using only annotations
CN111209491A (zh) 用于数据库构建的系统和方法
JP2017111479A (ja) 広告文選択装置及びプログラム
JP5455232B2 (ja) 画像選定装置、方法及びプログラム
Polyorat et al. Effects of self-construals on consumer assertiveness/aggressiveness: Evidence from Thai and US samples
Kim et al. Key Color generation for affective multimedia production: an initial method and its application
CN109656864A (zh) 电子书推荐方法
Derezinski et al. Discovering surprising documents with context-aware word representations

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