CN107330727A - 一种基于隐语义模型的个性化推荐方法 - Google Patents

一种基于隐语义模型的个性化推荐方法 Download PDF

Info

Publication number
CN107330727A
CN107330727A CN201710519604.0A CN201710519604A CN107330727A CN 107330727 A CN107330727 A CN 107330727A CN 201710519604 A CN201710519604 A CN 201710519604A CN 107330727 A CN107330727 A CN 107330727A
Authority
CN
China
Prior art keywords
mrow
user
msub
data
hidden
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
Application number
CN201710519604.0A
Other languages
English (en)
Inventor
黄�俊
古来
刘科征
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710519604.0A priority Critical patent/CN107330727A/zh
Publication of CN107330727A publication Critical patent/CN107330727A/zh
Pending legal-status Critical Current

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于隐语义模型的个性化推荐方法，步骤如下：(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；(2)构建用户‑商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据；(3)分析用户社交网络特征数据、用户属性信息，分别得到用户u对物品i的预测评分，(4)将三种评分数据加权，得到最后的预测评分；(5)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准。本发明在隐语义模型的基础上，融入用户社交网络特征和用户属性信息，有效提高对新用户的推荐准确度，有效地缓解冷启动和数据稀疏等问题。

Description

一种基于隐语义模型的个性化推荐方法
技术领域
本发明涉及个性化推荐技术，具体涉及一种基于隐语义模型的个性化推荐方法。
背景技术
随着网络的发展，海量数据的出现导致了信息过载的情况，个性化推荐系统应运而生。现在推荐系统已经广泛应用在包括电子商务、社交网络、基于位置的服务、广告等多个领域中，并且变得越来越重要和流行。
个性化推荐系统是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。它是建立在海量数据挖掘基础上的一种高级商务智能平台，为用户提供完全个性化的决策支持和信息服务。
现有的推荐算法主要包括基于内容的推荐算法、协同过滤推荐算法，还有基于图论的推荐算法，包括矩阵分解、社会过滤和基于网络的算法。但是，往往大多数的推荐系统都面临着数据稀疏性、冷启动等问题。社交网络中包含了大量信息，充分挖掘并利用好这类信息，并结合用户属性，在一定程度上缓解传统推荐系统面临的问题。
隐语义模型推荐算法是一种准确性较高的算法，算法给出了隐因子的概念，隐因子是用户和物品联系的桥梁。隐语义模型推荐算法是一种学习方法，它通过迭代调整模型中的参数，最终建立最优模型。同时，其在离线计算空间复杂度上的表现也更为优秀。
公布号CN106384259A中，提出一种融合社交信息的推荐系统解决方法，其融合社交信息，在隐语义模型的基础上提出该推荐系统解决方法。本发明提出一种基于隐语义模型的个性化推荐方法，在隐语义模型基础上，融合用户社交网络特征和用户属性信息，从而进一步地解决推荐系统冷启动、数据稀疏等问题，同时，有效提高对新用户的推荐准确度。
发明内容
本发明的目的在于，提出一种基于隐语义模型的个性化推荐方法，以解决冷启动问题，同时提高推荐准确。该方法将社交网络数据和用户属性融入隐语义模型中，从而能够更为快速而准确地为每个用户提供个性化推荐。具体技术方案实现：一种基于隐语义模型的个性化推荐方法，步骤如下：
(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；
(2)构建用户-商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据，同时处理用户社交网络特征，用户属性信息；
(3)用户属性值用0或1来表示，使用支持向量机方法为每个属性训练一个分类模型，以用户对隐因子的关联程度作为模型的输入，输出用户属性值；
(4)根据(2)中用户属性值，用户u的特征属性可用向量Attru＝(au1,au2,…,auN)表示，其中，N为用户属性的个数，则下述公式计算用户u和用户v的相似度：
其中，ws是属性s的重要程度，上述公式可得到rAttr(u,i)，即根据用户属性信息预测用户u对物品i的评分；
(5)以社交网络为基础，对用户进行聚类处理，而用户u与用户v之间的信任强度与两个用户间的最短路径直接相关，计算得到两个用户之间的信任程度，从而得到rTrust(u,i)；
(6)采用隐语义模型，所有用户对隐因子的关联向量组成矩阵P，所有物品对隐因子的关联向量组成矩阵Q，则矩阵相乘得到原始的评分矩阵，用户u对每个隐因子的关联程度与每个隐因子对物品i的关联程度的乘积求和，得到用户u对物品i的原始预测评分值：
(7)当新用户从加入系统到用户对物品有一定数评分的过程中，推荐系统依据社交网络特性和用户属性信息推荐，过渡到利用用户的评分数据，则将三种评分数据加权，得到最后的预测评分：
(8)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准，MAE越小推荐结果越好，根据预测分数从大到小对商品进行排序，若该用户满意的商品集中在排序列表中靠前部分，则证明算法有效，反之无效。
本发明针对于推荐系统冷启动、数据稀疏和准确度不高的问题，在采用隐语义模型的基础上，融合用户社交网络特征和用户属性信息有效提高对新加入用户的推荐精确度。
附图说明
图1是本发明中基于隐语义模型的个性化推荐系统框图
图2是本发明中融合社交网络特征和用户属性信息的隐语义模型图
具体实施方式
本发明用于提供一种基于隐语义模型的个性化推荐方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。
(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；
(2)构建用户-商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据，同时处理用户社交网络特征，用户属性信息；
(3)用户属性值用0或1来表示，使用支持向量机方法为每个属性训练一个分类模型，以用户对隐因子的关联程度作为模型的输入，输出用户属性值；
(4)根据(2)中用户属性值，用户u的特征属性可用向量Attru＝(au1,au2,…,auN)表示，其中，N为用户属性的个数，则下述公式计算用户u和用户v的相似度：
其中，ws是属性s的重要程度，上述公式可得到rAttr(u,i)，即根据用户属性信息预测用户u对物品i的评分；
(5)以社交网络为基础，对用户进行聚类处理，而用户u与用户v之间的信任强度与两个用户间的最短路径直接相关，计算得到两个用户之间的信任程度，从而得到rTrust(u,i)；
(6)采用隐语义模型，所有用户对隐因子的关联向量组成矩阵P，所有物品对隐因子的关联向量组成矩阵Q，则矩阵相乘得到原始的评分矩阵，用户u对每个隐因子的关联程度与每个隐因子对物品i的关联程度的乘积求和，得到用户u对物品i的原始预测评分值：
(7)当新用户从加入系统到用户对物品有一定数评分的过程中，推荐系统依据社交网络特性和用户属性信息推荐，过渡到利用用户的评分数据，则将三种评分数据加权，得到最后的预测评分：
(8)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准，MAE越小推荐结果越好，根据预测分数从大到小对商品进行排序，若该用户满意的商品集中在排序列表中靠前部分，则证明算法有效，反之无效。

Claims (4)

1.一种基于隐语义模型的个性化推荐方法，其特征在于，步骤如下：
(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；
(2)构建用户-商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据，同时处理用户社交网络特征，用户属性信息；
(3)用户属性值用0或1来表示，使用支持向量机方法为每个属性训练一个分类模型，以用户对隐因子的关联程度作为模型的输入，输出用户属性值；
(4)根据(2)中用户属性值，用户u的特征属性可用向量Attru＝(au1,au2,…,auN)表示，其中，N为用户属性的个数，则下述公式计算用户u和用户v的相似度：
<mrow> <msub> <mi>sim</mi> <mrow> <mi>A</mi> <mi>t</mi> <mi>t</mi> <mi>r</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>s</mi> <mo>&amp;Element;</mo> <mi>A</mi> <mi>t</mi> <mi>t</mi> <mi>r</mi> </mrow> </munder> <msub> <mi>w</mi> <mi>s</mi> </msub> <msub> <mi>sim</mi> <mrow> <mi>A</mi> <mi>t</mi> <mi>t</mi> <mi>r</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>,</mo> <mi>s</mi> <mo>)</mo> </mrow> </mrow>
其中，ws是属性s的重要程度，上述公式可得到rAttr(u,i)，即根据用户属性信息预测用户u对物品i的评分；
(5)以社交网络为基础，对用户进行聚类处理，而用户u与用户v之间的信任强度与两个用户间的最短路径直接相关，计算得到两个用户之间的信任程度，从而得到rTrust(u,i)；
(6)采用隐语义模型，所有用户对隐因子的关联向量组成矩阵P，所有物品对隐因子的关联向量组成矩阵Q，则矩阵相乘得到原始的评分矩阵，用户u对每个隐因子的关联程度与每个隐因子对物品i的关联程度的乘积求和，得到用户u对物品i的原始预测评分值：
<mrow> <msub> <mover> <mi>r</mi> <mo>^</mo> </mover> <mrow> <mi>u</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>f</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>F</mi> </msubsup> <msub> <mi>p</mi> <mrow> <mi>u</mi> <mi>f</mi> </mrow> </msub> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </msub> </mrow>
(7)当新用户从加入系统到用户对物品有一定数评分的过程中，推荐系统依据社交网络特性和用户属性信息推荐，过渡到利用用户的评分数据，则将三种评分数据加权，得到最后的预测评分：
<mrow> <msub> <msup> <mi>r</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mi>u</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>r</mi> <mrow> <mi>T</mi> <mi>r</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>b</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>r</mi> <mrow> <mi>A</mi> <mi>t</mi> <mi>t</mi> <mi>r</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>c</mi> <mo>&amp;CenterDot;</mo> <msub> <mover> <mi>r</mi> <mo>^</mo> </mover> <mrow> <mi>u</mi> <mi>i</mi> </mrow> </msub> </mrow>
(8)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准，MAE越小推荐结果越好，根据预测分数从大到小对商品进行排序，若该用户满意的商品集中在排序列表中靠前部分，则证明算法有效，反之无效。
2.根据权利要求1所述的基于隐语义模型的个性化推荐方法，其特征在于，融合用户社交网络特征和用户属性信息。
3.根据权利要求1所述的基于隐语义模型的个性化推荐方法，其特征在于，用户属性信息采用属于二类分类的支持向量机方法进行分类，将用户属性信息分类为用户属性值0或1。
4.根据权利要求1所述的基于隐语义模型的个性化推荐方法，其特征在于，将隐语义模型得到的预测评分数据、社交网络特征得到的预测评分数据、用户属性信息得到的预测评分数据按一定规则加权，得到最终改进后用户u对物品i的预测评分。
CN201710519604.0A 2017-06-30 2017-06-30 一种基于隐语义模型的个性化推荐方法 Pending CN107330727A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710519604.0A CN107330727A (zh) 2017-06-30 2017-06-30 一种基于隐语义模型的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710519604.0A CN107330727A (zh) 2017-06-30 2017-06-30 一种基于隐语义模型的个性化推荐方法

Publications (1)

Publication Number Publication Date
CN107330727A true CN107330727A (zh) 2017-11-07

Family

ID=60199145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710519604.0A Pending CN107330727A (zh) 2017-06-30 2017-06-30 一种基于隐语义模型的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN107330727A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090229A (zh) * 2018-01-10 2018-05-29 广东工业大学 一种基于卷积神经网络确定评分矩阵的方法和装置
CN108960966A (zh) * 2018-06-07 2018-12-07 重庆邮电大学 一种基于用户偏好的矩阵分解推荐方法
CN108985899A (zh) * 2018-07-13 2018-12-11 合肥工业大学 基于cnn-lfm模型的推荐方法、系统及存储介质
CN109146626A (zh) * 2018-08-14 2019-01-04 中山大学 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN109308315A (zh) * 2018-10-19 2019-02-05 南京理工大学 一种基于专家领域相似度与关联关系的协同推荐方法
CN109948067A (zh) * 2019-02-22 2019-06-28 哈尔滨工业大学（深圳） 一种融合信任用户隐语义lr模型的信息推送方法及系统
CN110210933A (zh) * 2019-05-21 2019-09-06 清华大学深圳研究生院 一种基于生成对抗网络的隐语义推荐方法
CN110334281A (zh) * 2019-07-11 2019-10-15 广东工业大学 一种结合用户行为的图书推荐方法、装置、设备及介质
CN111325419A (zh) * 2018-12-13 2020-06-23 北京沃东天骏信息技术有限公司 一种识别黑名单用户的方法和装置
CN111522533A (zh) * 2020-04-24 2020-08-11 中国标准化研究院 基于用户个性化需求推荐的产品模块化设计方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103260061A (zh) * 2013-05-24 2013-08-21 华东师范大学 一种上下文感知的iptv节目推荐方法
CN103995823A (zh) * 2014-03-25 2014-08-20 南京邮电大学 一种基于社交网络的信息推荐方法
CN106384259A (zh) * 2016-09-08 2017-02-08 天津大学 一种融合社交信息的推荐系统解决方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103260061A (zh) * 2013-05-24 2013-08-21 华东师范大学 一种上下文感知的iptv节目推荐方法
CN103995823A (zh) * 2014-03-25 2014-08-20 南京邮电大学 一种基于社交网络的信息推荐方法
CN106384259A (zh) * 2016-09-08 2017-02-08 天津大学 一种融合社交信息的推荐系统解决方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
巫可等: "融合用户属性的隐语义模型推荐算法", 《计算机工程》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090229A (zh) * 2018-01-10 2018-05-29 广东工业大学 一种基于卷积神经网络确定评分矩阵的方法和装置
CN108960966A (zh) * 2018-06-07 2018-12-07 重庆邮电大学 一种基于用户偏好的矩阵分解推荐方法
CN108960966B (zh) * 2018-06-07 2022-05-03 重庆邮电大学 一种基于用户偏好的矩阵分解推荐方法
CN108985899B (zh) * 2018-07-13 2022-04-22 合肥工业大学 基于cnn-lfm模型的推荐方法、系统及存储介质
CN108985899A (zh) * 2018-07-13 2018-12-11 合肥工业大学 基于cnn-lfm模型的推荐方法、系统及存储介质
CN109146626A (zh) * 2018-08-14 2019-01-04 中山大学 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN109146626B (zh) * 2018-08-14 2022-05-20 中山大学 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN109308315A (zh) * 2018-10-19 2019-02-05 南京理工大学 一种基于专家领域相似度与关联关系的协同推荐方法
CN109308315B (zh) * 2018-10-19 2022-09-16 南京理工大学 一种基于专家领域相似度与关联关系的协同推荐方法
CN111325419A (zh) * 2018-12-13 2020-06-23 北京沃东天骏信息技术有限公司 一种识别黑名单用户的方法和装置
CN109948067A (zh) * 2019-02-22 2019-06-28 哈尔滨工业大学（深圳） 一种融合信任用户隐语义lr模型的信息推送方法及系统
CN110210933A (zh) * 2019-05-21 2019-09-06 清华大学深圳研究生院 一种基于生成对抗网络的隐语义推荐方法
CN110334281B (zh) * 2019-07-11 2022-02-15 广东工业大学 一种结合用户行为的图书推荐方法、装置、设备及介质
CN110334281A (zh) * 2019-07-11 2019-10-15 广东工业大学 一种结合用户行为的图书推荐方法、装置、设备及介质
CN111522533A (zh) * 2020-04-24 2020-08-11 中国标准化研究院 基于用户个性化需求推荐的产品模块化设计方法及装置
CN111522533B (zh) * 2020-04-24 2023-10-24 中国标准化研究院 基于用户个性化需求推荐的产品模块化设计方法及装置

Similar Documents

Publication Publication Date Title
CN107330727A (zh) 一种基于隐语义模型的个性化推荐方法
CN102902691B (zh) 推荐方法及系统
TWI591556B (zh) Search engine results sorting method and system
CN103377190B (zh) 一种基于交易平台的供应商信息搜索方法和装置
CN105574003B (zh) 一种基于评论文本和评分分析的信息推荐方法
CN108694647B (zh) 一种商户推荐理由的挖掘方法及装置，电子设备
CN106022865A (zh) 一种基于评分和用户行为的商品推荐方法
CN106682114A (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
CN106294758A (zh) 基于用户认知度变化的协同推荐方法
CN103377250A (zh) 基于邻域的top-k推荐方法
CN105976229A (zh) 一种基于用户和项目混合的协同过滤算法
CN110717654B (zh) 基于用户评论的产品质量评价方法和系统
CN105138508A (zh) 一种基于偏好扩散的上下文推荐系统
Zuva et al. A survey of recommender systems techniques, challenges and evaluation metrics
CN107944911A (zh) 一种基于文本分析的推荐系统的推荐方法
CN111949887A (zh) 物品推荐方法、装置及计算机可读存储介质
CN107016122A (zh) 基于时间迁移的知识推荐方法
CN103886486A (zh) 一种基于支持向量机svm的电子商务推荐方法
CN105761154A (zh) 一种社会化推荐方法及装置
CN106846029B (zh) 基于遗传算法和新型相似度计算策略的协同过滤推荐算法
CN111460819A (zh) 基于细粒度情感分析的个性化评论文本推荐系统及推荐方法
CN109446402B (zh) 一种搜索方法及装置
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
Xie et al. A probabilistic recommendation method inspired by latent Dirichlet allocation model

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

Application publication date: 20171107

RJ01 Rejection of invention patent application after publication