CN107679239B - 一种基于用户行为的个性化社区推荐方法 - Google Patents

一种基于用户行为的个性化社区推荐方法 Download PDF

Info

Publication number
CN107679239B
CN107679239B CN201711020926.7A CN201711020926A CN107679239B CN 107679239 B CN107679239 B CN 107679239B CN 201711020926 A CN201711020926 A CN 201711020926A CN 107679239 B CN107679239 B CN 107679239B
Authority
CN
China
Prior art keywords
user
community
microblog
users
influence
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.)
Active
Application number
CN201711020926.7A
Other languages
English (en)
Other versions
CN107679239A (zh
Inventor
李文杰
于笑明
薛花
张德干
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.)
Anhui Jiufan Video Technology Co.,Ltd.
Original Assignee
Tianjin University of Technology
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 Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN201711020926.7A priority Critical patent/CN107679239B/zh
Publication of CN107679239A publication Critical patent/CN107679239A/zh
Application granted granted Critical
Publication of CN107679239B publication Critical patent/CN107679239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种基于用户行为的个性化社区推荐方法，涉及到社交网络。是以社交网络微博作为平台，分析用户的多属性信息：静态属性和动态属性。首先，在计算用户相似度过程中，考虑微博用户所关注博主和所参与社区两方面，对传统的Jaccard相似度计算方法进行扩展得到用户相似集。然后从用户影响力角度出发对相似集进一步筛选。微博用户在社区中的影响力，不仅与其粉丝数量有关，而且与其微博被评论转发数量有关。基于此，改进传统的PageRank算法计算用户影响力。最后利用Top‑N将影响力大小排序得到最终推荐对象集。本算法经实验证明，有效地解决了传统的个性化推荐算法得出结果的不精确性问题，极大地提高了推荐的惊喜度和新颖性。

Description

一种基于用户行为的个性化社区推荐方法
技术领域
本发明涉及社交网络及推荐系统，具体提供一种基于用户行为的个性化社区推荐方法。
背景技术
随着互联网及社交网络的快速发展和崛起，以用户为中心的信息生产模式引起了这些信息的爆炸式增长。面对如此浩瀚的海量信息的来袭，网络使用者如何选择、筛选、过滤自己喜欢的信息成为当下研究的重点。在社交平台，用户不仅是信息的消费者，又是信息的传递者和产生者。社交网络由巨大的网络用户通过自组织方式形成关系集合。网络使用者不断与用户交流，这些行为记录促成了大数据时代的到来。用户愿意在社交平台上分享自己的所想，并且可以搜到感兴趣的话题和志同道合的朋友。进而地，用户会对网络信息产生“依赖”。
当下，社交平台中的信息正飞速增进。Cashmore指出社会信息是通过用户不断被分享。使用者面临此类大量信息很难获得对自己有用的信息，进而形成了信息超载问题。因此在社交网络中给用户提供个性化的推荐服务模式，解决信息难以筛选的问题成了学术界研究的热点。个性化推荐系统可以实时记录使用者的行为变化调节服务的方式，可以解决上述问题。推荐系统中的协同过滤技术已在理论和实践中取得了重要成果。唐杰对ArnetMiner的研究取得了成功。先前研究者探究评分系统里使用者对项目的打分，把分数最高的推荐给该用户。在传统的个性化推荐方法中，某位用户对项目的偏爱程度是通过打分的方式来体现。例如，在经典的MovieLen中，电影爱好者可以对所看过的电影评分，因此，推荐系统主要对用户未曾打分电影的预测。
虽说个性化推荐在国内外已经普遍应用，而且也取得了不错的效果，然而还存在一些问题仍然需要进一步去解决，例如：1、数据稀疏性问题；2、冷启动问题；3、可移植性差问题；4、兴趣转移问题。
发明内容
本发明的目的是解决传统个性化推荐算法推荐结果不准确、新颖性不高的问题，在现有的Jaccard相似度计算方法和PageRank算法基础上进行优化改进，设计了一种基于用户行为的个性化社区推荐方法。该方法通过考虑用户多属性进行相似度的计算，然后利用用户转发微博行为评估影响力大小，最终推荐给目标用户。这极大地改善了推荐结果质量，提高了推荐新颖性，带给用户惊喜度。
本发明提供的一种基于用户行为的个性化社区推荐方法，主要包括如下关键步骤：
第1、目标用户属性及其行为分析：
第1.1、从微博社交平台爬取所需用户数据集合；
第1.2、对爬取到的数据进行筛选过滤，选出符合所需数据，处理并整合用户属性信息；
第1.3、数据分为训练集和测试集；
第2、目标用户相似度计算：
第2.1、遍历目标用户所关注博主集合；
第2.2、以及遍历目标用户所参与社区或讨论话题；
第2.3、利用如下扩展的Jaccard相似度计算公式得到相似用户集；
Figure DEST_PATH_GDA0001474135300000021
其中，F(u)指u关注的博主集合，F(v)指v关注的博主集合。C(u)是u参加过的社区，C(v)是v参加过的社区；
第3、相似用户集影响分析：
第3.1、数据库中获取与待推荐集相关的数据，计算用户活跃度和传播能力；
第3.2、PageRank是通过计算网页链接数量进行网页排名，在此基础上考虑微博用户所发帖子被转发程度，因此用转发概率进行衡量，用户影响力计算公式：
Figure DEST_PATH_GDA0001474135300000031
其中，I(i)表示用户i的所有粉丝集合，d为转发概率。S(j,i)指j分给i的UBR值的比率，如下所示：
Figure DEST_PATH_GDA0001474135300000032
其中，Si为i的传播力，Sk为j关注的博主的传播力，n为j追随的博主数，S(j,i) 代表i占j所有关注人的UBR值比例；
第3.3、通过上述两步骤分析得到最终待推荐集；
第4、社区融合分析：
第4.1、获取最终推荐集所参与社区、话题等信息；
第4.2、进行社区重叠判断，如果用户已经关注过待推荐博主或者用户已经参与过话题社区的讨论，那就进行社区筛选过滤；相反若没有，则继续推荐给目标用户。
本发明的优点和积极效果：
本方法主要设计了一种基于用户行为的个性化社区推荐方法，该方法是基于Jaccard相似度计算方法和PageRank算法。在目标用户分析阶段，利用用户多属性(静态属性和动态属性)计算相似度，即考虑微博用户所关注博主和参与社区进行衡量。有效地提高了相似度计算的精确性。得到相似用户集后，利用改进的PageRank算法分析用户影响力，即考虑用户粉丝数量和微博被转发情况进行衡量。进一步对待推荐集筛选、过滤等处理，使得推荐质量有了很大的提高，同时由于多方面对用户进行了分析，给用户推荐的同时增加了结果的新颖性和惊喜度。
附图说明
图1是用户影响力模型图；
图2是用户信息抽取流程图；
图3是改进的Jaccard相似度算法图；
图4是改进的PageRank算法图；
图5参数α对推荐质量影响图；
图6 PR值和UBR值大小对比图；
图7 UBR值前20名用户关系图；
图8是本发明基于用户行为的个性化社区推荐算法的结构示意图。
具体实施方式
本发明设计的方法基于Jaccard相似度计算方法，其用于比较有限样本集之间的相似性与差异性，系数值越大，样本相似度越高。之后利用改进的PageRank 算法计算用户影响力大小。用户影响力模型图如图1所示：初始条件下用户的 UBR值是1，每个节点的传播能力值在图中已经标出。A追随B、C、D、E，A 分配给B的UBR应该为B的传播力值在A的所有追随者的传播能力值总和中占的比例，为
Figure DEST_PATH_GDA0001474135300000051
相应地，C、D、E的比例分别是
Figure DEST_PATH_GDA0001474135300000052
这样根据UBR算法计算公式可以计算出所有节点的UBR值，经过多次迭代后UBR值会趋向一个稳定值。
基于上述得到用户最终推荐集合，将用户所关注博主、所参与社区、所讨论话题向目标用户进行推荐。
参见附图8，本发明方法主要包括如下关键步骤：
第1、目标用户属性及其行为分析：
在图2中表示的是对微博数据进行爬取，选取所需数据集合。首先随机选择目标用户100名，采取广度优先遍历。其中，爬取数据过程中，人为设置阈值参数。例如，目标用户粉丝数、关注博主数、微博转发数、参与社区数都大于 50。对抽取到的数据进行一步组织整合成所需数据格式；
第2、目标用户相似度计算：
第2.1、定义粉丝关注博主矩阵公式如下：
Similarity＝[sim'(u,v)]n*n (4)
其中，矩阵Similarity是n*n矩阵，代表n个用户和n个用户的关注关系；元素 sim’(u,v)是通过式(1)计算，所有的i都有sim’(i,i)＝1；
第2.2、构造向量：Follows(u)＝[010......101]1*n T，表示u对n个博主的关注关系。这是一个n维向量。
第2.3、我们通过得到u的关注向量Follows(u)和计算粉丝博主相似度矩阵，应用如下式(5)对u进行推荐：
Rec＝Similarity*Follows(u) (5)
结果是n*1的向量，指u对n个推荐博主的偏爱程度，数值大表示偏爱值高。通过图3算法图便得到用户最感兴趣的n个博主。
第3、相似用户集影响分析：
第3.1、在微博中，使用者基本的行为是浏览和发表微博，他们的影响力首先与其自身活跃度有关，其次与所发微博内容相关，同时粉丝的参与度也很重要。为此我们定义了用户活跃度为该算法的一个参数。定义为在统一的时间尺度下使用者发微博的频率，对于节点i，活跃度定义为:
Figure DEST_PATH_GDA0001474135300000061
T是统一的时间标准，Ni为T期间博主所发微博数。
另一个用来评估影响力的标准是微博热度系数。微博热度系数表达式如下所示：
Figure DEST_PATH_GDA0001474135300000062
Hi指i的微博热度系数，Ri为i的微博总的被转发数，Ci为i的微博总的被评论数，Ni是i总的发微博数。
由此可以得出，用户活跃度和微博热度系数，能很好反映出博主的权威性。基于此，本算法提出“传播能力”，解释如下：
Si＝Ai*Hi (8)
传播能力Si由两方面决定。
第3.2、用户浏览完某一微博后，该用户是否转发此微博对博主影响力也起着很大作用。基于此我们定义转发概率d代表粉丝浏览完某一微博后会转发的概率。转发概率主要是从粉丝角度来考虑，d公式如下所示：
Figure DEST_PATH_GDA0001474135300000063
n代表i的粉丝数，repost(i)指m转发i的微博数，repost(m)即m总的转发微博数。
第3.3、传统的PageRank中，PR值的分配是链接均匀的。本方法在PageRank 基础上引出“传播能力”，博主传播力越广泛，则他的影响力越大。基于PageRank 改进的算法公式如下所示：
Figure DEST_PATH_GDA0001474135300000071
I(i)表示用户i的所有粉丝集合，d为转发概率。S(j,i)指j分给i的UBR 值的比率，如下所示：
Figure DEST_PATH_GDA0001474135300000072
Si为i的传播力，Sk为j关注的博主的传播力，n为j追随的博主数，S(j,i)代表i占j所有关注人的UBR值比例。通过图4能够清楚看到整个算法流程。
第4、社区融合分析：
获取最终推荐集所参与社区、话题等信息。进行社区重叠判断，如果用户已经关注过待推荐博主或者用户已经参与过话题社区的讨论，那就进行社区筛选过滤；相反若没有，则继续推荐给目标用户。
实例1：
我们通过实验来验证基于用户行为的个性化社区推荐算法的正确以及有效性，并且通过与相关算法进行比较来验证算法的性能。我们首先验证算法第一部分的有效性。传统的Jaccard计算方法作为对比方法，简记为TJac。个性化社区推荐算法记为PCR。通过以下两个指标对前k个待推荐用户进行评估质量评估：(1)前k个推荐的平均准确率AP@k；(2)前k个推荐平均准确率的平均值 MAP@k.这里将k分别设置为k＝5,10,15,20。
图5是参数α的不同取值对推荐质量的影响大小。
表1显示了α的不同取值及推荐个数k对推荐质量的影响大小。
表1参数α的不同对推荐结果影响
Figure DEST_PATH_GDA0001474135300000081
从表1中我们可以看出参数α的不同会影响推荐质量。实验结果表明，α＝0.8时，MAP值最大，即推荐质量最好。因此，我们设置α＝0.8进行下面的对比试验。实验结果如表2所示：
表2两种算法推荐结果比较
Figure DEST_PATH_GDA0001474135300000082
从表2看出，TJac算法在前k个推荐用户的情况下的平均准确率的平均值MAP 为0.1713。当参数α＝0.8时本文改进的算法PCR的平均准确率的平均值为 0.2443。与传统TJac算法对比，本文的PCR算法在前k个推荐用户下的平均准确率的平均值MAP提高了近似42.6％。这是因为此算法从用户的多属性考虑，既考虑了用户所关注人这个静态属性，同时也考虑了用户的动态属性，即微博用户所参与的社区或者话题会随着时间发展变化。因此提高了推荐方法的推荐质量。
实例2：
我们第二部分实验来验证基于用户行为的个性化社区推荐算法的正确以及有效性，并且通过与相关算法进行比较来验证算法的性能。通过实验对微博用户影响力进行分析，实验结果如下。PageRank算法作为对比方法(PR)。表3是通过PR算法得到的排名前20的用户。表4是通过PCR算法得到的前20名用户。
表3PR算法排名前二十的用户
Figure DEST_PATH_GDA0001474135300000091
表4PCR算法排名前二十的用户
Figure DEST_PATH_GDA0001474135300000092
我们可以看出UBR值和PR值在相对大小上差别不大，但是排名获得的网络节点却不相同。为了能更清楚比较博主在各自算法中的排名，发现算法的优越性，如图6所示。从图6容易发现，各算法的影响力值都随排名增大而减小，UBR比PR值要高，且其差值逐渐减弱。结合上述表3、4和图6可以看出，UBR 值排名靠前的用户中名人相对靠前，这是因为本算法算法考虑了这些用户在现实社会中的影响力。例如，用户“名人1”、“名人2”等名人在PageRank和UBR 相比，明显在后者中排名大。这些人的社会地位较高，名人效应使得他们在微博信息传播中的影响力较大，他们发布一条微博信息后被粉丝转发的概率更大，从而使得信息传播得更加广泛。
这里对结果集构造了一个新的网络，以UBR值最大的的二十个节点作为网络节点，以关注关系作为网络的边，用Pajek可视化工具输出网络图，如图7 所示。
图7网络的出入度都是1.8。其中“头条新闻”的入度为6，这看出他受到的关注度最高，然而却没追随很多其他人。“名人3”的出入度之和最大，出度为6，入度为4，这表明他既是别人关注的对象，也关注了很多人。从这张结构图上我们可以看到UBR值最高的二十个节点之间的联系，其中某些用户关注的人并不多，这说明他们不怎么关注别人，但是在他们少量的跟随者中却包括了网络中权威性最大的节点，这也符合马太效应，即强强联合，强者越强。这些影响力越大的节点之间的关系越紧密，他们相互跟随，对信息的传播产生了巨大的影响。

Claims (1)

1.一种基于用户行为的个性化社区推荐方法，其特征在于该方法主要包括如下关键步骤：
第1、目标用户属性及其行为分析：
第1.1、从微博社交平台爬取所需用户数据集合；
第1.2、对爬取到的数据进行筛选过滤，选出符合所需数据，处理并整合用户属性信息；
第1.3、数据分为训练集和测试集；
第2、目标用户相似度计算：
第2.1、遍历目标用户所关注博主集合；
第2.2、以及遍历目标用户所参与社区或讨论话题；
第2.3、利用如下扩展的Jaccard相似度计算公式得到相似用户集；
Figure FDA0002779982370000011
其中，F(u)指u关注的博主集合，F(v)指v关注的博主集合，C(u)是u参加过的社区，C(v)是v参加过的社区；u、v指目标用户；
第3、相似用户集影响分析：
第3.1、数据库中获取与待推荐集相关的数据，计算用户活跃度和传播能力；
第3.2、PageRank是通过计算网页链接数量进行网页排名，在此基础上考虑微博用户所发帖子被转发程度，因此用转发概率进行衡量，用户影响力计算公式：
Figure FDA0002779982370000012
其中，I(i)表示用户i的所有粉丝集合，d为转发概率，S(j,i)指j分给i的UBR值的比率，如下所示：
Figure FDA0002779982370000021
其中，Si为i的传播力，Sk为j关注的博主的传播力，n为j追随的博主数，S(j,i)代表i占j所有关注人的UBR值比例；
第3.3、通过上述两步骤分析得到最终待推荐集；
第4、社区融合分析：
第4.1、获取最终推荐集所参与社区、话题信息；
第4.2、进行社区重叠判断，如果用户已经关注过待推荐博主或者用户已经参与过话题社区的讨论，那就进行社区筛选过滤；相反若没有，则继续推荐给目标用户。
CN201711020926.7A 2017-10-27 2017-10-27 一种基于用户行为的个性化社区推荐方法 Active CN107679239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711020926.7A CN107679239B (zh) 2017-10-27 2017-10-27 一种基于用户行为的个性化社区推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711020926.7A CN107679239B (zh) 2017-10-27 2017-10-27 一种基于用户行为的个性化社区推荐方法

Publications (2)

Publication Number Publication Date
CN107679239A CN107679239A (zh) 2018-02-09
CN107679239B true CN107679239B (zh) 2020-12-29

Family

ID=61142315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711020926.7A Active CN107679239B (zh) 2017-10-27 2017-10-27 一种基于用户行为的个性化社区推荐方法

Country Status (1)

Country Link
CN (1) CN107679239B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897789B (zh) * 2018-06-11 2022-07-26 西南科技大学 一种跨平台的社交网络用户身份识别方法
CN109063024B (zh) * 2018-07-13 2022-02-15 广东工业大学 一种社交平台用户影响力计算方法及装置
CN109241203B (zh) * 2018-09-27 2021-08-31 天津理工大学 一种融合时间因素的用户偏好和距离加权的聚类方法
CN110196950B (zh) * 2019-02-28 2023-10-24 腾讯科技（深圳）有限公司 传播帐号的处理方法和装置
CN111079990B (zh) * 2019-11-29 2022-11-25 炬星科技（深圳）有限公司 集群机器人调度方法、装置、系统、设备及计算机可读存储介质
CN112612942B (zh) * 2020-12-29 2022-09-23 河海大学 一种基于社交大数据的基金推荐系统及方法
CN112836127B (zh) * 2021-02-09 2023-06-02 国家计算机网络与信息安全管理中心 推荐社交用户的方法、装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013011728A1 (ja) * 2011-07-19 2013-01-24 日本電気株式会社 コミュニケーション支援装置、コミュニケーション支援方法、およびコンピュータ読み取り可能な記録媒体
CN103617289A (zh) * 2013-12-12 2014-03-05 北京交通大学长三角研究院 基于用户特征及网络关系的微博推荐方法
CN103617279A (zh) * 2013-12-09 2014-03-05 南京邮电大学 基于Pagerank方法的微博信息传播影响力评估模型的实现方法
CN104123352A (zh) * 2014-07-10 2014-10-29 西安理工大学 面向微博的话题层次用户影响力度量方法
CN106909594A (zh) * 2016-06-06 2017-06-30 阿里巴巴集团控股有限公司 信息推送方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109980A1 (en) * 2010-11-01 2012-05-03 Brett Strauss Method for retrieving, organizing and delivering information and content based on community consumption of information and content.

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013011728A1 (ja) * 2011-07-19 2013-01-24 日本電気株式会社 コミュニケーション支援装置、コミュニケーション支援方法、およびコンピュータ読み取り可能な記録媒体
CN103617279A (zh) * 2013-12-09 2014-03-05 南京邮电大学 基于Pagerank方法的微博信息传播影响力评估模型的实现方法
CN103617289A (zh) * 2013-12-12 2014-03-05 北京交通大学长三角研究院 基于用户特征及网络关系的微博推荐方法
CN104123352A (zh) * 2014-07-10 2014-10-29 西安理工大学 面向微博的话题层次用户影响力度量方法
CN106909594A (zh) * 2016-06-06 2017-06-30 阿里巴巴集团控股有限公司 信息推送方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Semantic Recommender for Micro-blog Users";Stefano Faralli等;《2015 IEEE International Congress on Big Data》;20150820;全文 *
"PageRank模型的改进及微博用户影响力挖掘算法";毛国君等;《计算机应用与软件》;20170531;全文 *

Also Published As

Publication number Publication date
CN107679239A (zh) 2018-02-09

Similar Documents

Publication Publication Date Title
CN107679239B (zh) 一种基于用户行为的个性化社区推荐方法
Gope et al. A survey on solving cold start problem in recommender systems
CN105138653B (zh) 一种基于典型度和难度的题目推荐方法及其推荐装置
CN102982042B (zh) 一种个性化内容推荐方法、平台以及系统
Yazdanfar et al. Link recommender: Collaborative-filtering for recommending urls to twitter users
TW201342088A (zh) 數位內容次序調整方法和數位內容匯流器
CN107391670A (zh) 一种融合协同过滤和用户属性过滤的混合推荐方法
CN106980651B (zh) 一种基于知识图谱的爬取种子列表更新方法及装置
CN112507246A (zh) 一种融合全局和局部社会兴趣影响的社会推荐方法
Ahmed et al. Space-efficient sampling from social activity streams
CN114329222B (zh) 一种融合注意力机制和双端知识图谱的电影推荐方法
CN111475724A (zh) 一种基于用户相似度的随机游走社交网络事件推荐方法
CN114764479A (zh) 一种基于新闻场景下用户行为的个性化新闻推荐方法
CN114461879B (zh) 基于文本特征整合的语义社交网络多视角社区发现方法
CN108875071B (zh) 一种基于多视角兴趣的学习资源推荐方法
Lee et al. Discovering hidden topical hubs and authorities in online social networks
CN114925207A (zh) 一种面向知识感知推荐的知识图谱构建方法
Cui et al. Identification of Micro-blog Opinion Leaders based on User Features and Outbreak Nodes.
Cai et al. Knowledge-aware graph collaborative filtering for recommender systems
CN112036979A (zh) 评分预测方法、推荐方法、处理装置及存储介质
Li et al. Heterogeneous information diffusion model for social recommendation
Zhu et al. Understanding user topic preferences across multiple social networks
Yu et al. Mining user interest and its evolution for recommendation on the micro-blogging system
Chiarandini et al. Leveraging browsing patterns for topic discovery and photostream recommendation
Duja et al. A proposed method to solve cold start problem using fuzzy user-based clustering

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
TR01 Transfer of patent right

Effective date of registration: 20231208

Address after: 230000, 5th Floor, Building B1, Intelligent Equipment Park, Intersection of Susong Road and Guanhai Road, Economic and Technological Development Zone, Hefei City, Anhui Province

Patentee after: Anhui Jiufan Video Technology Co.,Ltd.

Address before: 300384 No. 391 Binshui West Road, Xiqing District, Tianjin

Patentee before: TIANJIN University OF TECHNOLOGY

TR01 Transfer of patent right