CN107274247A - 基于云计算的智慧感知推荐方法 - Google Patents
基于云计算的智慧感知推荐方法 Download PDFInfo
- Publication number
- CN107274247A CN107274247A CN201710315264.XA CN201710315264A CN107274247A CN 107274247 A CN107274247 A CN 107274247A CN 201710315264 A CN201710315264 A CN 201710315264A CN 107274247 A CN107274247 A CN 107274247A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- user
- commodity
- cluster
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于云计算的智慧感知推荐方法,研究个性化推荐服务的效果问题,从智慧感知入手,基于Hadoop架构,提出基于云计算的智慧感知推荐系统。本发明通过Hadoop架构实现分布式计算,在用户相似性计算前先对用户进行有效聚类,而后采用改进的相似性计算方法计算用户相似度值,最后预测目标用户的评分,给出推荐结果。通过该方法科学合理的提高个性化推荐结果的精确性和多样性。本发明适用于各类已开展电子商务活动,并追求高质量个性化服务的企业。
Description
技术领域
本发明包括人工智能、数据挖掘技术领域知识,具体涉及基于云计算的智慧感知推荐方法。适用于各类已开展电子商务活动,并追求高质量个性化服务的企业。
技术背景
近年来,随着互联网和移动互联网的迅猛发展,中国网民数量以及参与网上购物的用户数量、频次都在不断增长,越来越多的电子商务网站也在不断涌现。尤其在移动互联网的时代发展大趋势下,人的购物习惯从传统PC端转向了移动端,移动购物的体验己超过PC端的体验,其所占的交易总额比例不断攀升已超过60%。在电子商务规模日趋扩大的同时,商品类别和数量也变得越来越繁杂。一方面,面对大量的商品信息用户很难便捷准确地挑选商品,所以经常会显得束手无策甚至迷失在海量商品信息空间中从而陷入选择恐惧、无法顺利满足自己的购物需求。另一方面,大量的商品和用户信息成为网络中的“暗信息”,而这些“暗信息”蕴含的大量宝贵的商业增值价值卖家却无法充分利用,商品卖家也无法与买家建立良性的沟通联系进而更有效推销自己的商品。
为了解决这些问题,个性化推荐技术应运而生。个性化推荐技术的出现在一定程度上解决了信息多样化与用户需求专一化之间的矛盾。特别是以个性化推荐技术为核心的推荐系统已广泛应用于电子商务、数字图书馆及新闻推荐、多媒体资源点播、电子旅游、社交网络等领域。尤其在电子商务领域,几乎所有的电子商务平台如Amazon、eBay、淘宝、天猫、京东等均不同程度的使用了各种推荐系统。个性化推荐系统的核心是其采用的个性化推荐策略即包含的一系列推荐方法,个性化推荐方法在很大程度上决定了推荐系统的优劣诸如推荐效率的高低、推荐质量的好坏。
因此,本发明研究个性化推荐服务的效果问题,从智慧感知入手,基于Hadoop架构,提出基于云计算的智慧感知推荐系统。通过Hadoop架构实现分布式计算,在用户相似性计算前先对用户进行有效聚类,而后采用改进的相似性计算方法计算用户相似度值,最后预测目标用户的评分,给出推荐结果。通过该方法科学合理的提高个性化推荐结果的精确性和多样性。
发明内容
本发明要克服现有个性化推荐方法存在的推荐精确性差、多样性低、计算效率不高的缺点,提出基于云计算的智慧感知推荐方法。构建Hadoop实现云计算,并采用改进的PSO和K-means相结合的混合聚类方法进行用户聚类,而后进行簇内相似性计算,并预测用户偏好。本方法能支持电商企业更好得开展个性化服务。
本发明提出的基于云计算的智慧感知推荐方法,包括以下步骤:
步骤1.基于Hadoop的分布式计算平台构建:采用MapReduce分布式计算框架,搭建云计算平台。通过核心操作Map()和Reduce(),将数据计算分布进行,最后汇总。其中Map()和Reduce()两个函数的形式参数为Key、value键值对,用以表示函数的输入信息。
步骤2.基于改进PSO的K-means用户聚类操作:由于聚类算法K-means对初始值敏感即对初始聚类中心敏感,聚类结果受初始值的影响较大。本发明引入粒子群算法PSO克服K-means聚类这一问题,优化聚类结果。对任意用户数据集进行聚类,假设有m个用户,选择PSO的适应度函数为聚类算法的目标函数f(xi),公式如下:
其中k为初始设定的聚类簇的个数,Ci表示聚类簇,ci表示第i个聚类簇的中心,i={1,…,k},xj表示聚类簇Ci中的第j个数据对象,j为数据对象的下标,f(xi)反映了聚类划分的质量,值越小代表Ci内部各个元素的相似度越高。
步骤3.经过用户聚类后,形成k个用户簇,进行相似性计算。
其中sim(l,w)表示用户l和用户w的相似度,αy表示商品y的用户偏好度。偏好度的计算方式为在一个时间段内,用户购买某种商品的频次除以其购买的所有商品的频次,得到的比率。引入用户偏好度是因为用户选择某些喜爱的商品时,对该类型的商品打分时往往整体会偏高。Il,w为用户l和用户w共同购买的商品集合。rly表示用户l对商品y的评分,为用户l对其选择过的商品的打分平均值。Rwy表示用户w对商品y的评分,为用户w对其选择过的商品的打分平均值。
步骤4.最后预测目标用户对未选择过的商品的评分
其中rln表示目标用户l对其为选择过的商品n的预测评分,sim(l,v)表示用户l和用户v的相似度,m’表示和用户l在同一个用户簇中的用户数量。rvn表示用户v对商品n的评分。
本发明基于Hadoop架构,提升计算效率。采用改进的聚类算法,在计算用户相似度前对用户进行聚类,在相似度计算过程中引入用户偏好度,提升商品推荐的精确性和多样性。
本发明的有益效果在于:
本发明有效地克服了传统个性化推荐方法的缺点,缩小了用户相似性计算范围,考虑了用户偏好度,提高了推荐精确性和多样性,同时基于云计算的架构又提升了计算效率,具有良好的应用价值。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图说明和具体实施方式对本发明做进一步详细说明。
本发明提出的基于云计算的智慧感知推荐方法,包括以下步骤:
步骤1.基于Hadoop的分布式计算平台构建:采用MapReduce分布式计算框架,搭建云计算平台。通过核心操作Map()和Reduce(),将数据计算分布进行,最后汇总。其中Map()和Reduce()两个函数的形式参数为Key、value键值对,用以表示函数的输入信息。
步骤2.基于改进PSO的K-means用户聚类操作:由于聚类算法K-means对初始值敏感即对初始聚类中心敏感,聚类结果受初始值的影响较大。本发明引入粒子群算法PSO克服K-means聚类这一问题,优化聚类结果。对任意用户数据集进行聚类,假设有m个用户,选择PSO的适应度函数为聚类算法的目标函数f(xi),公式如下:
其中k为初始设定的聚类簇的个数,Ci表示聚类簇,ci表示第i个聚类簇的中心,i={1,…,k},xj表示聚类簇Ci中的第j个数据对象,j为数据对象的下标,f(xi)反映了聚类划分的质量,值越小代表Ci内部各个元素的相似度越高。
步骤3.经过用户聚类后,形成k个用户簇,进行相似性计算。
其中sim(l,w)表示用户l和用户w的相似度,αy表示商品y的用户偏好度。偏好度的计算方式为在一个时间段内,用户购买某种商品的频次除以其购买的所有商品的频次,得到的比率。引入用户偏好度是因为用户选择某些喜爱的商品时,对该类型的商品打分时往往整体会偏高。Il,w为用户l和用户w共同购买的商品集合。rly表示用户l对商品y的评分,为用户l对其选择过的商品的打分平均值。Rwy表示用户w对商品y的评分,为用户w对其选择过的商品的打分平均值。
步骤4.最后预测目标用户对未选择过的商品的评分
其中rln表示目标用户l对其为选择过的商品n的预测评分,sim(l,v)表示用户l和用户v的相似度,m’表示和用户l在同一个用户簇中的用户数量。rvn表示用户v对商品n的评分。
Claims (1)
1.基于云计算的智慧感知推荐方法,包括以下步骤:
步骤1.基于Hadoop的分布式计算平台构建:采用MapReduce分布式计算框架,搭建云计算平台;通过核心操作Map()和Reduce(),将数据计算分布进行,最后汇总;其中Map()和Reduce()两个函数的形式参数为Key、value键值对,用以表示函数的输入信息;
步骤2.基于改进PSO的K-means用户聚类操作:由于聚类算法K-means对初始值敏感即对初始聚类中心敏感,聚类结果受初始值的影响较大;引入粒子群算法PSO克服K-means聚类这一问题,优化聚类结果;对任意用户数据集进行聚类,假设有m个用户,选择PSO的适应度函数为聚类算法的目标函数f(xi),公式如下:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中k为初始设定的聚类簇的个数,Ci表示聚类簇,ci表示第i个聚类簇的中心,i={1,…,k},xj表示聚类簇Ci中的第j个数据对象,j为数据对象的下标,f(xi)反映了聚类划分的质量,值越小代表Ci内部各个元素的相似度越高;
步骤3.经过用户聚类后,形成k个用户簇,进行相似性计算;
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>l</mi>
<mo>,</mo>
<mi>w</mi>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>&alpha;</mi>
<mi>y</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>l</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>l</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>w</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>w</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>l</mi>
<mo>,</mo>
<mi>w</mi>
</mrow>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>l</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>l</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>l</mi>
<mo>,</mo>
<mi>w</mi>
</mrow>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>w</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>w</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中sim(l,w)表示用户l和用户w的相似度,αy表示商品y的用户偏好度;偏好度的计算方式为在一个时间段内,用户购买某种商品的频次除以其购买的所有商品的频次,得到的比率;引入用户偏好度是因为用户选择某些喜爱的商品时,对该类型的商品打分时往往整体会偏高;Il,w为用户l和用户w共同购买的商品集合;rly表示用户l对商品y的评分,为用户l对其选择过的商品的打分平均值;Rwy表示用户w对商品y的评分,为用户w对其选择过的商品的打分平均值;
步骤4.最后预测目标用户对未选择过的商品的评分
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>l</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>v</mi>
<mo>&NotEqual;</mo>
<mi>l</mi>
</mrow>
<msup>
<mi>m</mi>
<mo>&prime;</mo>
</msup>
</munderover>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>v</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>v</mi>
<mo>&NotEqual;</mo>
<mi>l</mi>
</mrow>
<msup>
<mi>m</mi>
<mo>&prime;</mo>
</msup>
</munderover>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中rln表示目标用户l对其为选择过的商品n的预测评分,sim(l,v)表示用户l和用户v的相似度,m’表示和用户l在同一个用户簇中的用户数量;rvn表示用户v对商品n的评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710315264.XA CN107274247A (zh) | 2017-05-03 | 2017-05-03 | 基于云计算的智慧感知推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710315264.XA CN107274247A (zh) | 2017-05-03 | 2017-05-03 | 基于云计算的智慧感知推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107274247A true CN107274247A (zh) | 2017-10-20 |
Family
ID=60073733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710315264.XA Pending CN107274247A (zh) | 2017-05-03 | 2017-05-03 | 基于云计算的智慧感知推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274247A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320183A (zh) * | 2018-01-26 | 2018-07-24 | 杨刚 | 一种以玩商测试为首步的泛娱乐综合服务系统及方法 |
CN109034968A (zh) * | 2018-07-18 | 2018-12-18 | 江苏中润普达信息技术有限公司 | 一种基于粒子群算法的艺术品推荐方法 |
CN109785057A (zh) * | 2018-12-29 | 2019-05-21 | 广州慧睿思通信息科技有限公司 | 基于智能感知的一站式服务方法、装置、系统、平台及介质 |
CN110838305A (zh) * | 2019-11-15 | 2020-02-25 | 中国汽车工程研究院股份有限公司 | 基于声音识别的智能车辆adas预警测试方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
CN105095477A (zh) * | 2015-08-12 | 2015-11-25 | 华南理工大学 | 一种基于多指标评分的推荐算法 |
CN106503140A (zh) * | 2016-10-20 | 2017-03-15 | 安徽大学 | 一种基于Hadoop云平台Web资源个性化推荐系统及方法 |
CN106600302A (zh) * | 2015-10-19 | 2017-04-26 | 玺阅信息科技(上海)有限公司 | 基于Hadoop的商品推荐系统 |
-
2017
- 2017-05-03 CN CN201710315264.XA patent/CN107274247A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
CN105095477A (zh) * | 2015-08-12 | 2015-11-25 | 华南理工大学 | 一种基于多指标评分的推荐算法 |
CN106600302A (zh) * | 2015-10-19 | 2017-04-26 | 玺阅信息科技(上海)有限公司 | 基于Hadoop的商品推荐系统 |
CN106503140A (zh) * | 2016-10-20 | 2017-03-15 | 安徽大学 | 一种基于Hadoop云平台Web资源个性化推荐系统及方法 |
Non-Patent Citations (1)
Title |
---|
夏冬: ""基于聚类的电子商务推荐系统研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320183A (zh) * | 2018-01-26 | 2018-07-24 | 杨刚 | 一种以玩商测试为首步的泛娱乐综合服务系统及方法 |
CN109034968A (zh) * | 2018-07-18 | 2018-12-18 | 江苏中润普达信息技术有限公司 | 一种基于粒子群算法的艺术品推荐方法 |
CN109034968B (zh) * | 2018-07-18 | 2021-11-05 | 江苏中润普达信息技术有限公司 | 一种基于粒子群算法的艺术品推荐方法 |
CN109785057A (zh) * | 2018-12-29 | 2019-05-21 | 广州慧睿思通信息科技有限公司 | 基于智能感知的一站式服务方法、装置、系统、平台及介质 |
CN110838305A (zh) * | 2019-11-15 | 2020-02-25 | 中国汽车工程研究院股份有限公司 | 基于声音识别的智能车辆adas预警测试方法和系统 |
CN110838305B (zh) * | 2019-11-15 | 2022-03-18 | 中国汽车工程研究院股份有限公司 | 基于声音识别的智能车辆adas预警测试方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Data mining of customer choice behavior in internet of things within relationship network | |
CN103412948B (zh) | 基于聚类的协同过滤的商品推荐方法及系统 | |
CN102789462B (zh) | 一种项目推荐方法及系统 | |
CN104899763A (zh) | 基于二分网络双向扩散的个性化推荐方法 | |
CN110119474A (zh) | 推荐模型训练方法、基于推荐模型的预测方法及装置 | |
CN109447713A (zh) | 一种基于知识图谱的推荐方法及装置 | |
CN102339448B (zh) | 团购平台信息处理方法及装置 | |
JP2011529224A (ja) | 相関性のある情報の推薦 | |
CN107274247A (zh) | 基于云计算的智慧感知推荐方法 | |
CN109165975A (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
CN111242709A (zh) | 一种消息推送方法及其装置、设备、存储介质 | |
CN110197404A (zh) | 可降低流行度偏差的个性化长尾商品推荐方法和系统 | |
WO2023142520A1 (zh) | 信息推荐方法及装置 | |
Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
CN106777069A (zh) | 基于矩阵因子分解的个性化推荐方法及推荐系统 | |
Greenstein‐Messica et al. | Personal‐discount sensitivity prediction for mobile coupon conversion optimization | |
CN105590234A (zh) | 一种向目标用户推荐商品的方法和系统 | |
KR101698558B1 (ko) | 컨텐츠에 링크 정보를 등록하는 서비스 방법 및 시스템 | |
CN110020918A (zh) | 一种推荐信息生成方法和系统 | |
CN110827044A (zh) | 提取用户兴趣模式的方法和装置 | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
CN113191840A (zh) | 物品信息显示方法、装置、电子设备和计算机可读介质 | |
CN109583922B (zh) | 分析购买需求的方法和装置 | |
CN113781171A (zh) | 信息推送方法、装置、设备及存储介质 | |
CN109388738B (zh) | 信息推送方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |