CN107295107A - 推荐方法、推荐装置以及移动终端 - Google Patents
推荐方法、推荐装置以及移动终端 Download PDFInfo
- Publication number
- CN107295107A CN107295107A CN201710653780.3A CN201710653780A CN107295107A CN 107295107 A CN107295107 A CN 107295107A CN 201710653780 A CN201710653780 A CN 201710653780A CN 107295107 A CN107295107 A CN 107295107A
- Authority
- CN
- China
- Prior art keywords
- history
- time
- project
- value
- user
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种推荐方法、推荐装置以及移动终端,该推荐方法包括获取用户的项目评分数据,项目评分数据包括历史评分值和历史评分值对应的历史评分时间;根据历史评分时间,计算历史评分值对应的时间权重;利用历史评分值与时间权重计算用户相似度值;基于用户相似度值,为目标用户推荐对应的项目。本发明实施例提供的推荐方法和推荐装置通过获取包括历史评分值和历史评分时间的项目评分数据,并根据历史评分时间计算历史评分值对应的时间权重,最终利用历史评分值与时间权重计算用户相似度值,基于用户相似度值为目标用户推荐对应的项目的方式,实现了按照用户兴趣的实时变化推荐与当前用户兴趣匹配度高的项目的目的。
Description
技术领域
本发明涉及信息匹配技术领域,具体涉及一种推荐方法、推荐装置以及移动终端。
背景技术
随着移动互联网的迅猛发展,移动终端用户每天接收的推送信息量也呈爆炸式增长。当移动终端接收的推送信息过多时,可能出现用户不能及时查阅或直接错过感兴趣的推送信息的情况。
现有技术中,移动终端一般借助于个性化推荐系统来实现从大量的推送信息中分拣出当前用户感兴趣的推送信息的目的。现有个性化推荐系统通过建立用户与信息产品之间的二元关系,利用用户已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化推荐操作。但是,用户的兴趣不是固定不变的,其可能随着时间、地点等因素不断变化,而现有个性化推荐系统进行的个性化推荐操作不能及时根据用户改变后的兴趣推送与用户改变后的兴趣相对应的推送信息,因此,现有个性化推荐系统推送给用户的信息与该用户的当前兴趣匹配度不高。
发明内容
有鉴于此,本发明实施例提供一种推荐方法、推荐装置以及移动终端,以解决现有推荐系统推送给用户的信息与该用户的当前兴趣匹配度不高的问题。
第一方面,本发明一实施例提供的一种推荐方法,包括:获取用户的项目评分数据,项目评分数据包括历史评分值和与历史评分值对应的历史评分时间;根据历史评分时间,计算历史评分值对应的时间权重;利用历史评分值与时间权重计算用户相似度值;基于用户相似度值,为目标用户推荐对应的项目。
在本发明一实施例中,利用历史评分值与时间权重计算用户相似度值,包括将历史评分值乘以时间权重,得到基于时间权重的历史评分值;根据基于时间权重的历史评分值计算用户相似度值。
在本发明一实施例中,基于所述用户相似度值,为目标用户推荐对应的项目,包括获取设定的用户相似度阈值,根据计算出的用户相似度值以及设定的用户相似度阈值计算相似用户最近邻域集;根据相似用户最近邻域集为目标用户推荐对应的项目。
在本发明一实施例中,基于用户相似度值,为目标用户推荐对应的项目进一步包括利用生成的相似用户最近邻域集为目标用户未评分的项目进行评分预测。
在本发明一实施例中,根据历史评分时间,计算历史评分值对应的时间权重包括根据历史评分时间和当前时间的相关性为历史评分值计算时间权重,其中历史评分时间离当前时间越近,时间权重越大。
在本发明一实施例中,根据所述历史评分时间,计算历史评分值对应的时间权重包括根据用户和目标用户的历史评分时间之间的相关性为历史评分时间对应的历史评分值计算时间权重,其中用户的历史评分时间离目标用户的历史评分时间越近,时间权重越大。
在本发明一实施例中,根据历史评分时间,计算历史评分值对应的时间权重包括根据历史评分时间和当前时间的相关性以及用户和目标用户的历史评分时间之间的相关性为历史评分值计算时间权重,其中,历史评分时间离当前时间越近,时间权重越大,并且用户的历史评分时间离目标用户的历史评分时间越近,时间权重越大。
第二方面,本发明一实施例还提供一种推荐装置,包括:评分数据获取模块,用于获取用户的项目评分数据,项目评分数据包括历史评分值和历史评分值对应的历史评分时间;时间权重生成模块,用于根据历史评分时间计算历史评分值对应的时间权重;相似度值生成模块,用于利用历史评分值与时间权重计算用户相似度值;推荐模块,用于基于用户相似度值为目标用户推荐对应的项目。
在本发明一实施例中,相似度值生成模块包括加权单元,用于将历史评分值乘以时间权重,得到基于时间权重的历史评分值;相似度值计算单元,用于根据基于时间权重的历史评分值计算用户相似度值。
在本发明一实施例中,推荐模块包括最近邻域集生成单元,用于获取设定的用户相似度阈值,根据计算出的用户相似度值以及设定的用户相似度阈值计算相似用户最近邻域集;项目推荐单元,用于根据相似用户最近邻域集为目标用户推荐对应的项目。
在本发明一实施例中,推荐模块进一步包括预测单元,用于利用生成的相似用户最近邻域集为目标用户未评分的项目进行评分预测。
第三方面,本发明一实施例还提供一种移动终端,包括上述任一实施例所描述的推荐装置。
在本发明一实施例中,推荐装置包括处理器、存储器和总线,其中,处理器用于获取用户的项目评分数据,项目评分数据包括历史评分值和历史评分值对应的历史评分时间;根据历史评分时间,计算历史评分值对应的时间权重;利用历史评分值与时间权重计算用户相似度值;基于用户相似度值,为目标用户推荐对应的项目。
本发明实施例提供的推荐方法和推荐装置通过获取包括历史评分值和与历史评分值对应的历史评分时间的项目评分数据,并根据历史评分时间计算历史评分值对应的时间权重,最终利用历史评分值与时间权重计算用户相似度值,基于用户相似度值为目标用户推荐对应的项目的方式,实现了按照用户兴趣的实时变化推荐与用户兴趣匹配度高的项目的目的。
附图说明
图1所示为本发明第一实施例提供的推荐方法的流程示意图。
图2所示为本发明第二实施例提供的推荐方法的根据相似用户最近邻域集为目标用户推荐对应的项目步骤的流程示意图。
图3所示为本发明第三实施例提供的推荐方法的根据相似用户最近邻域集为目标用户推荐对应的项目步骤的流程示意图。
图4所示为本发明第四实施例提供的推荐装置的结构示意图。
图5所示为本发明第五实施例提供的推荐装置的推荐模块的结构示意图。
图6所示为本发明第六实施例提供的推荐装置的推荐模块的结构示意图。
图7所示为本发明第七实施例提供的推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1所示为本发明第一实施例提供的推荐方法的流程示意图。如图1所示,本发明第一实施例提供的推荐方法包括:
10:获取用户的项目评分数据,项目评分数据包括历史评分值和历史评分值对应的历史评分时间。
在本发明一实施例中,将用户的项目评分数据中的与历史评分时间对应的历史评分值形成用户-项目评分矩阵,如表1所示:
表1用户-项目评分矩阵
用户/项目 | i1 | i2 | … | ij | … | i(N-1) | iN |
u1 | R11 | R12 | … | R1j | … | R1(N-1) | R1N |
u2 | R21 | R22 | … | R2j | … | R2(N-1) | R2N |
… | … | … | … | … | … | … | … |
ui | Ri1 | Ri2 | … | Rij | … | Ri(N-1) | RiN |
… | … | … | … | … | … | … | … |
u(M-1) | R(M-1)1 | R(M-1)2 | … | R(M-1)j | … | R(M-1)(N-1) | R(M-1)N |
uM | RM1 | RM2 | … | RMj | … | RM(N-1) | RMN |
如表1所示,Rij表示第i个用户对第j个项目的评分,M为用户数量,N为项目数量。
将用户的项目评分数据中的与历史评分时间对应的历史评分值形成用户-项目评分矩阵能够方便于后续的有关项目评分数据的历史评分值的查阅与计算。
20:根据历史评分时间,计算历史评分值对应的时间权重。
在本发明一实施例中,根据历史评分时间计算历史评分值对应的时间权重包括根据历史评分时间和当前时间的相关性为历史评分值计算时间权重,其中历史评分时间离当前时间越近,时间权重越大。
具体地,借助时间效用函数R(t)来表征时间因素的作用(即项目评分数据中的历史评分时间与当前时间的相关性)。本发明实施例设定用户的兴趣变化按照线性趋势变化,并且变化过程和人类记忆的遗忘曲线相似,因此时间效用函数R(t)设定为:
在公式(1)中,tm表示当前时间,t表示项目评分数据中的历史评分时间,0<R(t)<1。
应当理解,随着时间的推移(即当前时间与历史评分时间的差值越来越大),时间效用函数R(t)会呈现线性降低趋势,也就是说,用户对项目的历史评分时间越接近当前时间,时间效用函数R(t)的值就越大,即时间效用值越高;反之,时间效用函数R(t)的值就越小,即时间效用值越低。
本发明实施例利用时间效用函数R(t)来表征用户对项目的项目评分的效用值,在后续的计算用户间相似度操作时为用户对项目的历史评分值按照时间效用函数R(t)加入时间权重,从而提高后续计算的用户相似度值的精准性和科学性。
在本发明一实施例中,根据历史评分时间计算历史评分值对应的时间权重包括根据用户和目标用户的历史评分时间之间的相关性为历史评分时间对应的历史评分值计算时间权重,其中用户的历史评分时间离目标用户的历史评分时间越近,时间权重越大。
具体地,利用评分时间相关度函数Pab(t)来表征各历史评分时间之间的相关性。评分时间相关度函数Pab(t)设定为:
在公式(2)中,tai表示用户a对于项目i的历史评分时间,tbi表示用户b对于项目i的历史评分时间。
应当理解,进行用户相似度值计算时,各用户对同一项目的历史评分时间之间的相关性同样会对用户相似度值的计算有一定影响,因此,利用评分时间相关度函数Pab(t)公式来表征各用户对同一项目的历史评分时间之间的相关性。具体地,计算用户相似度值的用户之间对同一个项目的历史评分时间越接近,时间相关度函数Pab(t)的值就越大,即相关度高;反之,时间相关度函数Pab(t)的值就越小,即相关度低。
本发明实施例利用时间相关度函数Pab(t)来表征各用户对同一项目的历史评分时间之间的相关性,在后续的计算用户相似度值操作时为用户对项目的历史评分时间按照时间相关度函数Pab(t)加入时间权重,从而提高后续计算的用户相似度值的精准性和科学性。
在本发明一实施例中,根据历史评分时间计算历史评分值对应的时间权重包括根据历史评分时间和当前时间的相关性以及用户和目标用户的历史评分时间之间的相关性为历史评分值计算时间权重,其中,历史评分时间离当前时间越近,时间权重越大,并且用户的历史评分时间离目标用户的历史评分时间越近,时间权重越大。
具体地,将上述实施例中的时间效用函数R(t)和评分时间相关度函数Pab(t)进行权重综合考虑,生成综合时间效用函数W(t),综合时间效用函数W(t)设定为:
W(t)=λR(t)+(1-λ)P(t) (3)
在公式(3)中,λ为平衡调节参数,0<λ<1。
实际应用过程中,将综合时间权重函数W(t)应用到计算用户相似度值的过程中,将用户的项目评分数据与综合时间权重函数W(t)相结合,从而进行用户相似度值的计算。
本发明实施例利用时间效用函数R(t)和评分时间相关度函数Pab(t)生成综合时间权重函数W(t),其中综合时间权重函数W(t)不但包含了用户对项目的项目评分的效用值而且还涉及了各用户和目标用户对项目的历史评分时间之间的相关性,为提高后续计算的用户相似度值的精准性和科学性提供了基本前提。
30:利用历史评分值与时间权重计算用户相似度值。
在步骤30中,用户相似度值利用下述用户相似度值公式计算。
在公式(4)中,ua和ub分别表示用户a和用户b的评分向量,R(a,c)和R(b,c)分别表示用户a和用户b对项目c的历史评分值;分别表示用户a和用户b对所有项目的历史评分平均值。
步骤30中采用修正的余弦相似度量方法进行用户相似度值计算并且通过将用户对所有项目的历史评分值作为评分度量尺度的方式,提高了计算的准确性。
应当理解,公式(4)中的W(t)可根据步骤20中的三种实施例情况直接替换为时间效用函数R(t)或评分时间相关度函数Pab(t)。
在本发明一实施例中,利用历史评分值与时间权重计算用户相似度值包括:将历史评分值乘以时间权重,得到基于时间权重的历史评分值;根据基于时间权重的历史评分值计算用户相似度值。
40:基于用户相似度值,为目标用户推荐对应的项目。
实际应用过程中,首先获取用户的包括历史评分时间以及与历史评分时间对应的历史评分值的项目评分数据,然后根据获取的历史评分时间计算历史评分值对应的时间权重,其中主要利用时间效用函数R(t)、评分时间相关度函数Pab(t)以及综合时间效用函数W(t)等公式计算时间权重,利用历史评分值与时间权重计算用户相似度值,最后基于用户相似度值为目标用户推荐对应的项目。
其中,基于用户相似度值为目标用户推荐对应的项目可以首先根据用户相似度值划定相似用户范围,然后根据相似用户的当前时间的加载时间权重后的历史评分值相对较高的项目列表选取推荐的项目。
应当理解,本发明实施例中所提及的项目包括但不限于新闻信息、菜谱信息等能够随着用户兴趣的实时变化而对应变化的信息。
本发明第一实施例提供的推荐方法通过获取用户的包括历史评分时间以及与历史评分时间对应的历史评分值的项目评分数据,根据历史评分时间计算历史评分值对应的时间权重,利用历史评分值与时间权重计算用户相似度值,最后基于用户相似度值为目标用户推荐对应的项目的方式,实现了按照用户兴趣的实时变化推荐与当前用户兴趣匹配度高的项目的目的。
图2所示为本发明第二实施例提供的推荐方法的根据相似用户最近邻域集为目标用户推荐对应的项目步骤的流程示意图。在本发明第一实施例的基础上延伸出本发明第二实施例,本发明第二实施例与本发明第一实施例基本相同,下面着重叙述不同之处,相同之处不再赘述。如图2所示,在本发明第二实施例中,步骤40包括:
41:获取设定的用户相似度阈值,根据计算出的用户相似度值以及设定的用户相似度阈值计算相似用户最近邻域集。
在步骤41中,用户相似度阈值可根据实际情况人为设定,亦可系统根据项目评分数据和其他参数进行系统设定。
在本发明一实施例中,用户相似度阈值用K表示,将计算出的用户相似度值和设定的用户相似度阈值进行比较判断。具体地,将所有sim(ua,ub)>K的用户进行标识记录,形成相似用户最近邻域集。
应当注意,相似用户最近邻域集的限定条件可根据实际情况自由设定,不限于本实施例所规定的限定条件。
43:根据相似用户最近邻域集为目标用户推荐对应的项目。
在步骤43中,根据生成的相似用户最近邻域集为用户推荐对应的项目具体为:根据相似用户最近邻域集中的用户对各项目的历史评分时间和历史评分值对应的时间权重,选取加载时间权重后的历史评分值相对较高的项目作为推荐项目样本,将与推荐项目样本同一类的项目推荐给目标用户。
实际应用过程中,首先获取用户的包括历史评分时间以及与历史评分时间对应的历史评分值的项目评分数据,然后根据获取的历史评分时间计算历史评分值对应的时间权重,结合历史评分时间、历史评分值对应的时间权重以及时间效用函数R(t)或评分时间相关度函数Pab(t)或综合时间效用函数W(t)进行用户相似度值的计算;获取设定的用户相似度阈值,然后根据计算出的用户相似度值和设定的用户相似度阈值利用用户相似度值公式sim(ua,ub)计算相似用户最近邻域集,最后根据计算出的相似用户最近邻域集结合各项目加载时间权重后的历史评分值为目标用户或各个邻域集内的用户推荐对应的项目。
本发明第二实施例提供的推荐方法通过获取用户的包括历史评分时间以及与历史评分时间对应的历史评分值的项目评分数据,然后根据获取的历史评分时间计算历史评分值对应的时间权重,根据历史评分时间、历史评分值对应的时间权重等来计算用户相似度值,然后获取设定的用户相似度阈值,根据计算出的用户相似度值以及设定的用户相似度阈值计算相似用户最近邻域集,最后根据相似用户最近邻域集为用户推荐对应的项目的方式,实现了按照用户兴趣的实时变化推荐与当前用户兴趣匹配度高的项目的目的。
图3所示为本发明第三实施例提供的推荐方法的根据相似用户最近邻域集为目标用户推荐对应的项目步骤的流程示意图。在本发明第二实施例的基础上延伸出本发明第三实施例,本发明第三实施例与本发明第二实施例基本相同,下面着重叙述不同之处,相同之处不再赘述。如图3所示,在本发明第三实施例提供的推荐方法中,步骤40进一步包括(即在步骤41和步骤43之间进一步包括):
42:利用生成的相似用户最近邻域集为目标用户未评分的项目进行评分预测。
在公式(5)中,表示用户a的最近用户邻域集,rbi表示用户b对项目i的历史评分值,分别表示用户a和用户b对所有项目的历史评分的平均值。
实际应用过程中,首先获取用户的包括历史评分时间以及与历史评分时间对应的历史评分值的项目评分数据,然后根据获取的历史评分时间计算历史评分值对应的时间权重,其中主要利用时间效用函数R(t)或评分时间相关度函数Pab(t)或综合时间效用函数W(t)等公式计算时间权重,然后利用历史评分值与时间权重进行用户相似度值的计算;获取设定的用户相似度阈值,然后根据计算出的用户相似度值和设定的用户相似度阈值利用用户相似度值公式sim(ua,ub)计算相似用户最近邻域集,利用生成的相似用户最近邻域集为用户未评分的项目进行评分预测,并将项目按照评分预测值由大到小的顺序进行排序,依次选取预测值最高的N个项目推荐给对应的目标用户或相似用户最近邻域集内的用户。
本发明实施例提供的推荐方法采用平均归一化方法对未评分的项目进行评分预测,并且在评分预测公式中加入了用户对所有项目的历史评分的平均值参数和用户相似度值参数,最大程度上避免了不同用户之间的评价标准差异对预测结果的影响。
本发明第三实施例提供的推荐方法通过利用生成的相似用户最近邻域集对用户未评分的项目进行评分预测,按照评分预测结果为目标用户或相似用户最近邻域集内的用户进行相关项目信息推荐的方式,进一步提高了推荐项目与用户实时兴趣之间的匹配度。
图4所示为本发明第四实施例提供的推荐装置的结构示意图。如图4所示,本发明第四实施例提供的推荐装置包括:
评分数据获取模块100,用于获取用户的项目评分数据,项目评分数据包括历史评分值和历史评分值对应的历史评分时间。
时间权重生成模块200,用于根据历史评分时间,计算历史评分值对应的时间权重。
相似度值生成模块300,用于利用历史评分值与时间权重计算用户相似度值。
在本发明一实施例中,相似度值生成模块300包括加权单元,用于将历史评分值乘以时间权重,得到基于时间权重的历史评分值;相似度值计算单元,用于根据基于时间权重的历史评分值计算用户相似度值。
推荐模块400,用于基于用户相似度值,为目标用户推荐对应的项目。
图5所示为本发明第五实施例提供的推荐装置的推荐模块的结构示意图。在本发明第四实施例的基础上延伸出本发明第五实施例,本发明第五实施例与本发明第四实施例基本相同,下面着重叙述不同之处,相同之处不再赘述。如图5所示,在本发明第五实施例中,推荐模块400包括:
最近邻域集生成单元410,用于获取设定的用户相似度阈值,根据计算出的用户相似度值以及设定的用户相似度阈值计算相似用户最近邻域集。
项目推荐单元430,用于根据相似用户最近邻域集为目标用户推荐对应的项目。
图6所示为本发明第六实施例提供的推荐装置的推荐模块的结构示意图。在本发明第五实施例的基础上延伸出本发明第六实施例,本发明第六实施例与本发明第五实施例基本相同,下面着重叙述不同之处,相同之处不再赘述。如图6所示,在本发明第六实施例提供的推荐方法中,推荐模块400进一步包括(即在最近邻域集生成单元410和项目推荐单元430之间进一步包括):
预测单元420,用于利用生成的相似用户最近邻域集为目标用户未评分的项目进行评分预测。
应当理解,图4-6所示的推荐装置中包含的若干模块及单元的操作和功能可以参考上述图1-3所描述的推荐方法,为了避免重复,在此不再赘述。
图7所示为本发明第七实施例提供的推荐装置的结构示意图。图7所示的推荐装置用于执行图1-3的实施例中描述的方法。该装置包括处理器610、存储器620和总线630。
处理器610,用于通过总线630调用存储器620中存储的代码,以获取用户的项目评分数据,项目评分数据包括历史评分值和与历史评分值对应的历史评分时间;根据历史评分时间,计算历史评分值对应的时间权重;利用历史评分值与时间权重计算用户相似度值;基于用户相似度值,为目标用户推荐对应的项目。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种推荐方法,其特征在于,包括:
获取用户的项目评分数据,所述项目评分数据包括历史评分值和与所述历史评分值对应的历史评分时间;
根据所述历史评分时间,计算所述历史评分值对应的时间权重;
利用所述历史评分值与所述时间权重计算用户相似度值;
基于所述用户相似度值,为目标用户推荐对应的项目。
2.如权利要求1所述的推荐方法,其特征在于,所述基于所述用户相似度值,为目标用户推荐对应的项目,包括:
获取设定的用户相似度阈值,根据计算出的所述用户相似度值以及设定的所述用户相似度阈值计算相似用户最近邻域集;
根据所述相似用户最近邻域集为目标用户推荐对应的项目。
3.如权利要求2所述的推荐方法,其特征在于,所述基于所述用户相似度值,为目标用户推荐对应的项目,进一步包括:
利用生成的所述相似用户最近邻域集为所述目标用户未评分的项目进行评分预测。
4.如权利要求1至3中的任一项所述的推荐方法,其特征在于,所述根据所述历史评分时间,计算所述历史评分值对应的时间权重,包括:
根据所述历史评分时间和当前时间的相关性为所述历史评分值计算时间权重,其中所述历史评分时间离所述当前时间越近,所述时间权重越大。
5.如权利要求1至3中的任一项所述的推荐方法,其特征在于,所述根据所述历史评分时间,计算所述历史评分值对应的时间权重,包括:
根据所述用户和所述目标用户的历史评分时间之间的相关性为所述历史评分时间对应的所述历史评分值计算时间权重,其中所述用户的历史评分时间离所述目标用户的历史评分时间越近,所述时间权重越大。
6.如权利要求1至3中任一项所述的推荐方法,其特征在于,所述根据所述历史评分时间,计算所述历史评分值对应的时间权重,包括:
根据所述历史评分时间和当前时间的相关性以及所述用户和所述目标用户的历史评分时间之间的相关性为所述历史评分值计算时间权重,其中,所述历史评分时间离所述当前时间越近,所述时间权重越大,并且所述用户的历史评分时间离所述目标用户的历史评分时间越近,所述时间权重越大。
7.一种推荐装置,其特征在于,包括:
评分数据获取模块,用于获取用户的项目评分数据,所述项目评分数据包括历史评分值和所述历史评分值对应的历史评分时间;
时间权重生成模块,用于根据所述历史评分时间,计算所述历史评分值对应的时间权重;
相似度值生成模块,用于利用所述历史评分值与所述时间权重计算用户相似度值;
推荐模块,用于基于所述用户相似度值,为目标用户推荐对应的项目。
8.如权利要求7所述的推荐装置,其特征在于,所述推荐模块包括:
最近邻域集生成单元,用于获取设定的用户相似度阈值,根据计算出的所述用户相似度值以及设定的所述用户相似度阈值计算相似用户最近邻域集;
项目推荐单元,用于根据所述相似用户最近邻域集为目标用户推荐对应的项目。
9.如权利要求8所述的推荐装置,其特征在于,所述推荐模块进一步包括:
预测单元,用于利用生成的所述相似用户最近邻域集为所述目标用户未评分的项目进行评分预测。
10.一种移动终端,包括如权利要求7-9任一所述的推荐装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710653780.3A CN107295107A (zh) | 2017-08-01 | 2017-08-01 | 推荐方法、推荐装置以及移动终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710653780.3A CN107295107A (zh) | 2017-08-01 | 2017-08-01 | 推荐方法、推荐装置以及移动终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107295107A true CN107295107A (zh) | 2017-10-24 |
Family
ID=60105098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710653780.3A Pending CN107295107A (zh) | 2017-08-01 | 2017-08-01 | 推荐方法、推荐装置以及移动终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107295107A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991897A (zh) * | 2017-12-29 | 2018-05-04 | 深圳市欧瑞博科技有限公司 | 控制方法及装置 |
CN108763318A (zh) * | 2018-04-27 | 2018-11-06 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108985900A (zh) * | 2018-07-16 | 2018-12-11 | 广州友米科技有限公司 | 基于运营业务的分时推荐方法 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109257648A (zh) * | 2018-09-30 | 2019-01-22 | 武汉斗鱼网络科技有限公司 | 一种直播间相似度修正方法、装置、终端及存储介质 |
CN109756868A (zh) * | 2017-11-01 | 2019-05-14 | 中国移动通信集团终端有限公司 | 应用程序的推荐方法、装置、设备和介质 |
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
CN110647652A (zh) * | 2019-09-29 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 兴趣资源的处理方法、装置、设备和介质 |
CN110674344A (zh) * | 2019-08-28 | 2020-01-10 | 北京爱奇艺智慧娱乐科技有限公司 | 生成模型及推荐影片的方法、装置、设备及存储介质 |
CN110879841A (zh) * | 2018-09-05 | 2020-03-13 | 广州视源电子科技股份有限公司 | 知识条目推荐方法、装置、计算机设备和存储介质 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
CN112766995A (zh) * | 2019-10-21 | 2021-05-07 | 招商证券股份有限公司 | 物品推荐方法、装置、终端设备及存储介质 |
CN113688314A (zh) * | 2021-08-13 | 2021-11-23 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
CN115146081A (zh) * | 2022-08-31 | 2022-10-04 | 合肥中科迪宏自动化有限公司 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982466A (zh) * | 2012-07-17 | 2013-03-20 | 华东师范大学 | 一种基于用户活跃度的评分预测方法 |
CN103077220A (zh) * | 2012-12-29 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种基于用户群关联度的个性化推荐方法及系统 |
CN103337028A (zh) * | 2013-06-21 | 2013-10-02 | 中国科学院深圳先进技术研究院 | 一种推荐方法、装置 |
CN106682121A (zh) * | 2016-12-09 | 2017-05-17 | 广东工业大学 | 一种基于用户兴趣变化的时效推荐方法 |
US20170186030A1 (en) * | 2015-04-21 | 2017-06-29 | Tencent Technology (Shenzhen) Company Limited | Advertisement click-through rate correction method and advertisement push server |
-
2017
- 2017-08-01 CN CN201710653780.3A patent/CN107295107A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982466A (zh) * | 2012-07-17 | 2013-03-20 | 华东师范大学 | 一种基于用户活跃度的评分预测方法 |
CN103077220A (zh) * | 2012-12-29 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种基于用户群关联度的个性化推荐方法及系统 |
CN103337028A (zh) * | 2013-06-21 | 2013-10-02 | 中国科学院深圳先进技术研究院 | 一种推荐方法、装置 |
US20170186030A1 (en) * | 2015-04-21 | 2017-06-29 | Tencent Technology (Shenzhen) Company Limited | Advertisement click-through rate correction method and advertisement push server |
CN106682121A (zh) * | 2016-12-09 | 2017-05-17 | 广东工业大学 | 一种基于用户兴趣变化的时效推荐方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756868A (zh) * | 2017-11-01 | 2019-05-14 | 中国移动通信集团终端有限公司 | 应用程序的推荐方法、装置、设备和介质 |
CN109756868B (zh) * | 2017-11-01 | 2022-01-04 | 中国移动通信集团终端有限公司 | 应用程序的推荐方法、装置、设备和介质 |
CN107991897A (zh) * | 2017-12-29 | 2018-05-04 | 深圳市欧瑞博科技有限公司 | 控制方法及装置 |
CN107991897B (zh) * | 2017-12-29 | 2020-11-03 | 深圳市欧瑞博科技股份有限公司 | 控制方法及装置 |
CN108763318A (zh) * | 2018-04-27 | 2018-11-06 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108763318B (zh) * | 2018-04-27 | 2022-04-19 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108985900B (zh) * | 2018-07-16 | 2021-06-29 | 广州天高软件科技有限公司 | 基于运营业务的分时推荐方法 |
CN108985900A (zh) * | 2018-07-16 | 2018-12-11 | 广州友米科技有限公司 | 基于运营业务的分时推荐方法 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109241415B (zh) * | 2018-08-20 | 2023-04-14 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN110879841B (zh) * | 2018-09-05 | 2024-05-10 | 广州视源电子科技股份有限公司 | 知识条目推荐方法、装置、计算机设备和存储介质 |
CN110879841A (zh) * | 2018-09-05 | 2020-03-13 | 广州视源电子科技股份有限公司 | 知识条目推荐方法、装置、计算机设备和存储介质 |
CN109257648B (zh) * | 2018-09-30 | 2021-03-16 | 武汉斗鱼网络科技有限公司 | 一种直播间相似度修正方法、装置、终端及存储介质 |
CN109257648A (zh) * | 2018-09-30 | 2019-01-22 | 武汉斗鱼网络科技有限公司 | 一种直播间相似度修正方法、装置、终端及存储介质 |
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
CN110674344A (zh) * | 2019-08-28 | 2020-01-10 | 北京爱奇艺智慧娱乐科技有限公司 | 生成模型及推荐影片的方法、装置、设备及存储介质 |
CN110647652B (zh) * | 2019-09-29 | 2022-10-28 | 百度在线网络技术(北京)有限公司 | 兴趣资源的处理方法、装置、设备和介质 |
CN110647652A (zh) * | 2019-09-29 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 兴趣资源的处理方法、装置、设备和介质 |
CN112766995A (zh) * | 2019-10-21 | 2021-05-07 | 招商证券股份有限公司 | 物品推荐方法、装置、终端设备及存储介质 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
CN113688314B (zh) * | 2021-08-13 | 2024-03-19 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
CN113688314A (zh) * | 2021-08-13 | 2021-11-23 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
CN115146081A (zh) * | 2022-08-31 | 2022-10-04 | 合肥中科迪宏自动化有限公司 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107295107A (zh) | 推荐方法、推荐装置以及移动终端 | |
US7853599B2 (en) | Feature selection for ranking | |
Lai et al. | Novel personal and group-based trust models in collaborative filtering for document recommendation | |
CN106251174A (zh) | 信息推荐方法及装置 | |
Kim et al. | Development of a recommender system based on navigational and behavioral patterns of customers in e-commerce sites | |
CN104866572B (zh) | 一种网络短文本聚类方法 | |
CN104102648B (zh) | 基于用户行为数据的兴趣推荐方法及装置 | |
US20070078699A1 (en) | Systems and methods for reputation management | |
CN110020128B (zh) | 一种搜索结果排序方法及装置 | |
US20130185294A1 (en) | Recommender system, recommendation method, and program | |
US11275748B2 (en) | Influence score of a social media domain | |
US8660901B2 (en) | Matching of advertising sources and keyword sets in online commerce platforms | |
CN101828185A (zh) | 部分地基于多个点进特征来排名并提供搜索结果 | |
CN108509466A (zh) | 一种信息推荐方法和装置 | |
CN104239338A (zh) | 信息推荐方法及装置 | |
CN105677780A (zh) | 可拓展的用户意图挖掘方法及其系统 | |
CN102591873B (zh) | 一种信息推荐方法和设备 | |
CN109241403A (zh) | 项目推荐方法、装置、机器设备和计算机可读存储介质 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN102542489A (zh) | 一种基于用户兴趣关联的推荐方法 | |
CN105335518A (zh) | 生成用户偏好信息的方法及装置 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
CN111581516A (zh) | 投资产品的推荐方法及相关装置 | |
CN115496523A (zh) | 一种广告发布方法、计算机可读存储介质和电子设备 |
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: 20171024 |