CN107784066A - 信息推荐方法、装置、服务器及存储介质 - Google Patents
信息推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN107784066A CN107784066A CN201710744146.0A CN201710744146A CN107784066A CN 107784066 A CN107784066 A CN 107784066A CN 201710744146 A CN201710744146 A CN 201710744146A CN 107784066 A CN107784066 A CN 107784066A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- recommendation
- group
- hobby
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种信息推荐方法、装置、服务器及存储介质,其中信息推荐方法包括:获取多个用户的兴趣爱好信息及至少一个特征信息;根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度;根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组;统计各用户组内的用户的浏览记录,确定各用户组的偏好信息;获取各用户组的与偏好信息相关联的推荐信息;将推荐信息发送至相同用户组中的用户对应的用户终端。采用本发明,能够根据用户的兴趣爱好信息和年龄、性别、职业、学历、地域至少一个特征信息,精准地为用户进行信息推荐。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种信息推荐方法、装置、服务器及存储介质。
背景技术
随着互联网技术的不断发展,用户通过互联网能够获取娱乐信息、社交信息、工作信息、购物信息等各种各样的信息。随着互联网所提供的信息量的不断增加,各种信息中用户不感兴趣的内容所占的比例也不断增加。因此,需要针对不同的用户进行内容推荐,以免用户花费过多时间在大量信息中过滤不感兴趣的内容。
目前,协同过滤算法是较为常用的一种推荐算法。传统的协同过滤算法通常根据用户的浏览记录分析用户的兴趣爱好,根据存在相似兴趣的其他用户的浏览内容对本用户进行推荐。但是,用户的浏览需求受多种因素影响,传统的协同过滤算法只根据用户的兴趣爱好这一单个因素进行推荐,因此推荐的内容不够精准。
发明内容
基于此,有必要针对上述技术问题,提供一种精准的信息推荐方法。
本发明提供了一种信息推荐方法,其包括:获取多个用户的兴趣爱好信息及至少一个特征信息;根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度;根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组;统计各用户组内的用户的浏览记录,确定各用户组的偏好信息;获取各用户组的与偏好信息相关联的推荐信息;将推荐信息发送至相同用户组中的用户对应的用户终端。
在其中一个实施例中,至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;根据特征信息计算每两个用户之间的特征相似度,包括:根据年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
在其中一个实施例中,该信息推荐方法还包括:接收用户终端发送的对推荐信息的反馈行为信息;根据反馈行为信息更新对应的用户的兴趣爱好信息。
在其中一个实施例中,反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种;根据反馈行为信息更新对应的用户的兴趣爱好信息,包括:获取每种反馈行为信息对应的权值和次数;根据每种反馈行为信息对应的权值和次数计算用户对推荐信息的整体评分;根据整体评分更新对应的用户的兴趣爱好信息。
在其中一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端之前,该信息推荐方法还包括:计算相同用户组中每个用户的历史浏览信息与推荐信息之间的关联度;将推荐信息发送至相同用户组中的用户对应的用户终端,包括:将关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。
在其中一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端之前,该信息推荐方法还包括:获取各用户组中的用户的浏览记录;将推荐信息发送至相同用户组中的用户对应的用户终端,包括:将推荐信息发送至相同用户组中浏览记录不包括推荐信息的用户对应的用户终端。
本发明还提供了一种信息推荐装置,其包括第一获取模块、计算模块、分组模块、统计模块、第二获取模块及发送模块,其中,第一获取模块用于获取多个用户的兴趣爱好信息及至少一个特征信息;计算模块用于根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度;分组模块用于根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组;统计模块用于统计各用户组内的用户的浏览记录,确定各用户组的偏好信息;第二获取模块用于获取各用户组的与偏好信息相关联的推荐信息;发送模块用于将推荐信息发送至相同用户组中的用户对应的用户终端。
在其中一个实施例中,至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;计算模块还用于根据年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
在其中一个实施例中,该信息推荐装置还包括接收模块及更新模块,其中,接收模块用于接收用户终端发送的对推荐信息的反馈行为信息;更新模块用于根据反馈行为信息更新对应的用户的兴趣爱好信息。
在其中一个实施例中,反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种;更新模块包括获取单元、计算单元及更新单元,其中,获取单元用于获取每种反馈行为信息对应的权值和次数;计算单元用于根据每种反馈行为信息对应的权值和次数计算用户对推荐信息的整体评分;更新单元用于根据整体评分更新对应的用户的兴趣爱好信息。
在其中一个实施例中,计算模块还用于计算相同用户组中每个用户的历史浏览信息与推荐信息之间的关联度;发送模块还用于将关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。
在其中一个实施例中,该信息推荐装置还包括第三获取模块,用于获取各用户组中的用户的浏览记录;发送模块还用于将推荐信息发送至相同用户组中浏览记录不包括推荐信息的用户对应的用户终端。
本发明还提供了一种服务器,其包括包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行计算机程序时实现如上述任一项所述的方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项所述的方法的步骤。
本发明实施例的信息推荐方法,根据用户的兴趣爱好信息和年龄、性别、职业、学历、地域至少一个特征信息,从多方面综合分析用户之间的相似度并对用户进行分组,按照组别对相似的用户进行信息推荐。由于综合考虑了个人兴趣爱好、年龄、性别、职业、学历、地域等多种因素对用户的关注点的影响,因此能够精准地为用户进行信息推荐。
附图说明
图1为一个实施例中的信息推荐方法的应用环境示意图;
图2为一个实施例中的信息推荐方法的流程示意图;
图3为另一个实施例中的信息推荐方法的流程示意图;
图4为一个实施例中的信息推荐装置的结构示意图;
图5为另一个实施例中的信息推荐装置的结构示意图;
图6为一个实施例中的服务器的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中所提供的信息推荐方法可应用于如图1所示的应用环境中。其中,多个用户终端102通过网络分别与服务器104进行连接。每个用户分别通过对应的用户终端102进行信息浏览及信息输入,用户终端102可记录用户的浏览和输入的信息,形成记录信息并发送至服务器104。服务器104根据多个用户终端102提交的信息,采集多个用户的兴趣爱好信息及至少一个特征信息。服务器104根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,还根据至少一个特征信息计算每两个用户之间的特征相似度;再根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组,根据各用户组内的每个用户的浏览记录,确定各用户组的偏好信息。服务器104可一进步获取每个用户组的与其偏好信息相关联的推荐信息,并向相同用户组中的用户对应的用户终端发送该推荐信息。服务器104还根据用户对推荐信息的反馈行为更新对应的用户的兴趣爱好信息。由此针对各个用户的兴趣爱好及特征进行精准的信息推荐。
在一个实施例中,如图2所示,提供了一种信息推荐方法,以该方法应用于图1中的服务器为例进行说明,具体包括以下步骤:
S202,获取多个用户的兴趣爱好信息及至少一个特征信息。
其中,用户通过用户终端与服务器建立通信连接,并通过用户终端进行信息搜索、信息浏览、信息输入等至少一种操作。服务器根据用户终端的浏览记录及用户终端提交的信息,获取多个用户的兴趣爱好信息及至少一个特征信息。
其中,在用户终端与服务器的通信过程中所传输的数据携带有用户终端的标识信息。当用户终端登录了用户账号时,上述传输的数据还携带有用户的账号信息。因此,可根据用户登录的账号和/或用户终端的标识信息来区分不同的用户,从而统计每个用户的浏览记录及信息提交记录,根据浏览记录及信息提交记录获取用户的兴趣爱好信息及至少一个特征信息。
具体地,可根据用户浏览次数较多的话题、用户在网络平台上设置的爱好标签及用户对一些信息的打分、评论、点赞、收藏及转发等反馈行为信息,确定用户的兴趣爱好信息。例如,当用户经常浏览关于专利的话题,或者用户在网络平台上设置了专利标签,或者用户多次对关于专利的内容进行打分、评论、点赞、收藏及转发等反馈行为时,可确定用户的兴趣爱好信息为专利,或者说,用户对专利信息比较关注。可以理解,每个用户的兴趣爱好信息可以是一个或多个。
具体地,可根据用户提交的信息获取用户的至少一个特征信息。其中,至少一个特征信息包括但不限于年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种。例如,用户在一些网络平台上填写的个人信息中包括年龄信息、性别信息、职业信息、学历信息及地域信息等至少一种,可通过收集用户在多个网络平台上填写的个人信息中来获取用户的年龄信息、性别信息、职业信息、学历信息及地域信息等至少一种特征信息。
S204,根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度。
在一个实施例中,通过兴趣爱好评分矩阵来表征用户对各种兴趣爱好信息的感兴趣程度或关注程度,对于每两个用户,将两者的兴趣爱好评分矩阵之间的相似度作为兴趣爱好相似度。可选地,可根据欧几里得距离(Euclidean Distance)算法、余弦相似度(Cosine Similarity)算法、皮尔逊相关系数(Pearson Correlation Coefficient)算法、Tanimoto系数(Tanimoto Coefficient)算法等方法计算每两个用户之间的兴趣爱好相似度。
具体地,可分别统计每个用户对每种兴趣爱好信息的相关信息的浏览次数及浏览后的反馈行为次数,根据浏览次数、反馈行为的次数、浏览对应的权重值及各种反馈行为对应的权重值,对每个用户的每种兴趣爱好进行评分,构成每个用户的兴趣爱好评分矩阵。例如,用户A的兴趣爱好信息包括“专利”及“猫”,则分别统计用户A对与“专利”相关的信息及对与“猫”相关的信息的浏览次数及转发次数、评论次数、点赞次数、收藏次数、打分次数等反馈行为的次数,根据用户A对与“专利”相关的信息的浏览次数、每种反馈行为的次数及预设的浏览对应的权重值和每种反馈行为对应的权重值,对用户A的“专利”这一兴趣爱好信息进行评分;根据用户A对与“猫”相关的信息的浏览次数、每种反馈行为的次数及预设的浏览对应的权重值和每种反馈行为对应的权重值,对用户A的“猫”这一兴趣爱好信息进行评分;从而,根据用户A对各种兴趣爱好信息的评分构成用户A的兴趣爱好评分矩阵。
在一个实施例中,对于每两个用户,根据两者在每种特征信息上的相似度及对应的权重值计算这两个用户之间的特征相似度。具体地,根据年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。例如,对于每两个用户,分别计算这两个用户之间的年龄相似度、性别相似度、职业相似度、学历相似度及地域相似度,根据年龄相似度、性别相似度、职业相似度、学历相似度及地域相似度中每一种的权重值计算这两个用户之间的特征相似度。
具体地,每两个用户之间的年龄相似度可根据这两个用户的年龄差计算得到,其中,年龄差越小,年龄相似度越高。每两个用户之间的性别相似度为0和1,当性别相同时,性别相似度为1,性别不同时,性别相似度为0。每两个用户之间的职业相似度可根据这两个用户所处的行业、职位及预设的行业距离和职位距离计算得到,其中行业距离越近则职业相似度越高。当行业相同时,职位越接近则职业相似度越高。每两个用户之间的学历相似度可根据学历等级之差和毕业院校排名之差计算得到。每两个用户之间的地域相似度可根据地理位置距离计算得到。
S206,根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组。
本实施例中,服务器还分别对兴趣爱好相似度和特征相似度预先设置相应的权重值,根据兴趣爱好相似度、特征相似度及这两种相似度各自对应的权重值,计算每两个用户之间的整体相似度,并根据该整体相似度对多个用户进行分组,生成至少两个用户组。其中,相同用户组中任意两个用户之间的整体相似度大于预设的相似度阈值。
S208,统计各用户组内的用户的浏览记录,确定各用户组的偏好信息。
本实施例中,对于每个用户组,服务器统计该用户组内所有用户的浏览记录,根据浏览记录涉及的内容确定该用户组的偏好信息。具体地,服务器统计每个用户组中所有用户浏览过的内容中出现次数较多的多个关键词,并统计这些关键词在标题中出现的次数和在正文内容中出现的次数,将根据标题中出现的次数和/或在正文内容中出现的次数达到预设次数阈值的关键词确定用户组的偏好信息。例如,当一个关键词在标题中出现的次数大于第一次数阈值时,或者,当一个关键词在正文出现的次数大于第二次数阈值时,或者,当一个关键词在标题中出现的次数大于第一次数阈值并且在正文出现的次数大于第二次数阈值时,将该关键词及与该关键词相关联的信息确定为用户组的偏好信息。其中,第一次数阈值大于或等于第二次数阈值。举例来说,当“专利”这一关键词在标题中出现的次数大于第一次数阈值并且在正文出现的次数大于第二次数阈值时,将“专利”及与其相关联的“发明”、“外观”、“实用新型”等关键词确定为用户组的偏好信息。
S210,分别获取每个用户组的推荐信息,推荐信息与用户组的偏好信息相关联。
本实施例中,根据分组,分别获取每个用户组的推荐信息,推荐信息与用户组的偏好信息相关联。具体的,当一些信息的主题包含偏好信息对应的关键词时,或者,当一些信息的预设标签中包含偏好信息对应的关键词时,或者,当一些信息的正文中多次出现偏好信息对应的关键词时,将这些信息确定为与偏好信息相关联的推荐信息。
S212,将推荐信息发送至相同用户组中的用户对应的用户终端。
本实施例中,按照组别分别对每个用户组中的用户进行信息推荐,即对各用户组中的用户对应的用户终端分别发送该用户组的推荐信息。具体地,对于相同用户组中的用户对应的用户终端,发送该用户组的推荐信息。可选地,对于相同用户组中的用户对应的用户终端,可以发送相同或不同的推荐信息。
在一个实施例中,为了节约计算资源,对相同用户组中的所有用户对应的用户终端发送相同的推荐信息。
在一个实施例中,为了针对每个用户更精准地进行推荐,根据每个用户对不同偏好信息的偏好程度不同,对相同用户组中的不同用户对应的用户终端发送不同的推荐信息。具体地,在确定各用户组的偏好信息之后,该信息推荐方法还包括:根据每个偏好信息在标题中出现的次数、在正文中出现的次数、标题对应的权重值以及正文对应的权重值,计算每个偏好信息的整体分数;将所有偏好信息按照整体分数由高到低的顺序进行排序。此时,将推荐信息发送至相同用户组中的用户对应的用户终端的步骤,具体为:根据偏好信息的排序将推荐信息发送至相同用户组中的用户对应的用户终端。
本发明实施例的信息推荐方法,根据用户的兴趣爱好信息和年龄、性别、职业、学历、地域至少一个特征信息,从多方面综合分析用户之间的相似度并对用户进行分组,按照组别对相似的用户进行信息推荐。由于综合考虑了个人兴趣爱好、年龄、性别、职业、学历、地域等多种因素对用户的关注点的影响,因此能够精准地为用户进行信息推荐。
在一个实施例中,考虑到用户的兴趣爱好会随着时间的推移而改变,服务器还预先设置多个时间段,并对每个时间段设置相应的时间权重值。在步骤204,对兴趣爱好信息进行评分以构建兴趣爱好评分矩阵时,不仅统计浏览次数和各种反馈行为的次数,还统计每次浏览的时间和反馈行为的产生时间,根据浏览次数、浏览的权重值、浏览的时间、各种反馈行为的次数、各种反馈行为对应的权重值、各种反馈行为的时间以及预设的时间权重值,计算用户对每种兴趣爱好的评分。其中,距离当前时间越久,对应的时间权重值越小。
在一个实施例中,如图3所示,在S212,将推荐信息发送至相同用户组中的用户对应的用户终端之后,该信息推荐方法还包括如下步骤:
S214,接收用户终端发送的对推荐信息的反馈行为信息。
其中,反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种。具体地,向用户发送一些推荐信息之后,接收用户对推荐信息的点赞、评论、转发、收藏及打分等反馈行为信息,还记录用户提交的每种反馈行为的次数。
S216,根据反馈行为信息更新对应的用户的兴趣爱好信息。
本实施例中,服务器还预先设置多种反馈行为对应的权重值。具体地,获取用户的每种反馈行为信息对应的权值和次数;根据每种反馈行为信息对应的权值和次数计算用户对推荐信息的整体评分;根据整体评分更新对应的用户的兴趣爱好信息,其中,对应的用户指的是发送反馈行为信息的用户终端所对应的用户。
可选地,当一个用户的反馈行为信息数量达到一定的阈值时,根据该用户的反馈行为信息更新该用户的兴趣爱好信息。或者,每隔预设时间段,对每个用户分别根据其在最近一个时间段内的反馈行为信息更新其兴趣爱好信息。
本实施例中,即使用户的兴趣爱好随着时间改变,也能根据用户的反馈行为信息更新用户的兴趣爱好信息,保持信息推荐的精准性。
在一个实施例中,考虑到同一组中的用户并非所有兴趣爱好都一致,将推荐信息发送给每一个用户之前,还将推荐信息与用户的历史浏览信息进行比较,将与用户的历史浏览信息比较相关的推荐信息发送至用户对应的用户终端。具体地,将推荐信息发送至相同用户组中的用户对应的用户终端之前,该信息推荐方法还包括:计算相同用户组中每个用户的历史浏览信息与推荐信息之间的关联度;将推荐信息发送至相同用户组中的用户对应的用户终端的步骤包括:将关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。其中,对于与某个用户的历史浏览信息的关联度小于预设的关联度阈值的推荐信息,不再发送至该用户对应的用户终端。
可选地,可根据空间向量模型算法、频繁项集挖掘算法、TF-IDF(term frequency–inverse document frequency,术语频率-逆文档频率)算法等至少一种计算推荐信息与用户的历史浏览信息之间的关联度。
本实施例中,将与用户的历史浏览信息关联度较高的推荐信息发送给用户,考虑了相同用户组中不同用户的关注点之间的细微差异,使得信息推荐更加精准。
在一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端之前,该信息推荐方法还包括:获取各用户组中的用户的浏览记录;将推荐信息发送至相同用户组中的用户对应的用户终端的步骤包括:将推荐信息发送至相同用户组中浏览记录不包括推荐信息的用户对应的用户终端。
具体地,在给每个用户对应的用户终端发送推荐信息之前,判断该推荐信息是否已在该用户的浏览记录中,若是,则不再将该推荐信息发送给该用户。这样,能够针对每个用户,过滤掉已浏览过的推荐信息,使得信息推荐更加精准。
在一个实施例中,如图4所示,提供了一种信息推荐装置,该装置包括第一获取模块402、计算模块404、分组模块406、统计模块408、第二获取模块410和发送模块412。其中,第一获取模块402用于获取多个用户的兴趣爱好信息及至少一个特征信息;计算模块404用于根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度;分组模块406用于根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组;统计模块408用于统计各用户组内的用户的浏览记录,确定各用户组的偏好信息;第二获取模块410用于获取各用户组的与偏好信息相关联的推荐信息;发送模块412用于将推荐信息发送至相同用户组中的用户对应的用户终端。
在一个实施例中,至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;计算模块还用于根据年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
在一个实施例中,如图5所示,该信息推荐装置还包括接收模块414及更新模块416。其中,接收模块414用于接收用户终端发送的对推荐信息的反馈行为信息;更新模块416用于根据反馈行为信息更新对应的用户的兴趣爱好信息。
在一个实施例中,反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种;更新模块包括获取单元、计算单元及更新单元,其中,获取单元用于获取每种反馈行为信息对应的权值和次数;计算单元用于根据每种反馈行为信息对应的权值和次数计算用户对推荐信息的整体评分;更新单元用于根据整体评分更新对应的用户的兴趣爱好信息。
在一个实施例中,计算模块404还用于计算相同用户组中每个用户的历史浏览信息与推荐信息之间的关联度;发送模块412还用于将关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。
在一个实施例中,该信息推荐装置还包括第三获取模块,用于获取各用户组中的用户的浏览记录;发送模块还用于将推荐信息发送至相同用户组中浏览记录不包括推荐信息的用户对应的用户终端。
上述信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中,也可以以软件形式存储于服务器中的存储器中,以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(CPU)、微处理器、单片机等。
在一个实施例中,提供了一种服务器,如图6所示,该服务器包括通过系统总线连接的处理器、存储器和网络接口。其中,该处理器用于提供计算和控制能力,支撑整个计算机设备的运行。存储器用于存储数据、指令代码等。存储器上存储至少一个计算机可执行指令,该计算机可执行指令可被处理器执行,以实现本申请实施例中提供的适用于该计算机设备的信息推荐方法。存储器可包括磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random-Access-Memory,RAM)等。例如,在一个实施例中,存储器包括非易失性存储介质及内存储器。该非易失性存储介质存储有操作系统、数据库和计算机可执行指令。该数据库中存储有用于实现以上各个实施例所提供的一种信息推荐方法相关的数据,比如可存储获取的多个用户的兴趣爱好信息及特征信息、每两个用户之间的相似度、多个用户的分组信息、每个用户组的偏好信息及推荐信息、预设的权重值及阈值等数据及用户行为数据。该计算机可执行指令可被处理器所执行,以用于实现以上各个实施例所提供的一种信息推荐方法。该内存储器为非易失性存储介质中的操作系统、数据库和计算机可执行指令提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等,用于与外部的终端或计算机设备进行通信,如将所获取的推荐信息发送至用户终端。该服务器可由独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,处理器执行计算机程序时实现以下步骤:获取多个用户的兴趣爱好信息及至少一个特征信息;根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度;根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组;统计各用户组内的用户的浏览记录,确定各用户组的偏好信息;获取各用户组的与偏好信息相关联的推荐信息;将推荐信息发送至相同用户组中的用户对应的用户终端。
在一个实施例中,至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;根据特征信息计算每两个用户之间的特征相似度的步骤包括:根据年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:接收用户终端发送的对推荐信息的反馈行为信息;根据反馈行为信息更新对应的用户的兴趣爱好信息。
在一个实施例中,反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种;根据反馈行为信息更新对应的用户的兴趣爱好信息的步骤包括:获取每种反馈行为信息对应的权值和次数;根据每种反馈行为信息对应的权值和次数计算用户对推荐信息的整体评分;根据整体评分更新对应的用户的兴趣爱好信息。
在一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端的步骤之前,处理器执行计算机程序时还实现以下步骤:计算相同用户组中每个用户的历史浏览信息与推荐信息之间的关联度;将推荐信息发送至相同用户组中的用户对应的用户终端的步骤包括:将关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。
在一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端的步骤之前,处理器执行计算机程序时还实现以下步骤:获取各用户组中的用户的浏览记录;将推荐信息发送至相同用户组中的用户对应的用户终端的步骤包括:将推荐信息发送至相同用户组中浏览记录不包括推荐信息的用户对应的用户终端。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取多个用户的兴趣爱好信息及至少一个特征信息;根据兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据至少一个特征信息计算每两个用户之间的特征相似度;根据兴趣爱好相似度及特征相似度对多个用户进行分组,生成至少两个用户组;统计各用户组内的用户的浏览记录,确定各用户组的偏好信息;获取各用户组的与偏好信息相关联的推荐信息;将推荐信息发送至相同用户组中的用户对应的用户终端。
在一个实施例中,至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;根据至少一个特征信息计算每两个用户之间的特征相似度的步骤包括:根据年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:接收用户终端发送的对推荐信息的反馈行为信息;根据反馈行为信息更新对应的用户的兴趣爱好信息。
在一个实施例中,反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种;根据反馈行为信息更新对应的用户的兴趣爱好信息的步骤包括:获取每种反馈行为信息对应的权值和次数;根据每种反馈行为信息对应的权值和次数计算用户对推荐信息的整体评分;根据整体评分更新对应的用户的兴趣爱好信息。
在一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端的步骤之前,计算机程序被处理器执行时还实现以下步骤:计算相同用户组中每个用户的历史浏览信息与推荐信息之间的关联度;将推荐信息发送至相同用户组中的用户对应的用户终端的步骤包括:将关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。
在一个实施例中,将推荐信息发送至相同用户组中的用户对应的用户终端的步骤之前,计算机程序被处理器执行时还实现以下步骤:获取各用户组中的用户的浏览记录;将推荐信息发送至相同用户组中的用户对应的用户终端的步骤包括:将推荐信息发送至相同用户组中浏览记录不包括推荐信息的用户对应的用户终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例所述的流程。其中,该存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信息推荐方法,其特征在于,所述方法包括:
获取多个用户的兴趣爱好信息及至少一个特征信息;
根据所述兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据所述至少一个特征信息计算每两个用户之间的特征相似度;
根据所述兴趣爱好相似度及所述特征相似度对所述多个所述用户进行分组,生成至少两个用户组;
统计各所述用户组内的用户的浏览记录,确定各所述用户组的偏好信息;
分别获取每个用户组的推荐信息,所述推荐信息与所述用户组的偏好信息相关联;
将所述推荐信息发送至相同用户组中的用户对应的用户终端。
2.根据权利要求1所述的方法,其特征在于,所述至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;
根据所述至少一个特征信息计算每两个用户之间的特征相似度,包括:
根据所述年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收所述用户终端发送的对所述推荐信息的反馈行为信息;
根据所述反馈行为信息更新对应的所述用户的兴趣爱好信息。
4.根据权利要求3所述的方法,其特征在于,所述反馈行为信息包括点赞行为信息、评论行为信息、转发行为信息、收藏行为信息及打分行为信息中的至少一种;
所述根据所述反馈行为信息更新对应的所述用户的兴趣爱好信息,包括:
获取每种所述反馈行为信息对应的权值和次数;
根据每种所述反馈行为信息对应的权值和次数计算对应的所述用户对所述推荐信息的整体评分;
根据所述整体评分更新对应的所述用户的兴趣爱好信息。
5.根据权利要求1所述的方法,其特征在于,所述将所述推荐信息发送至相同用户组中的用户对应的用户终端之前,所述方法还包括:
计算相同用户组中每个用户的历史浏览信息与所述推荐信息之间的关联度;
所述将所述推荐信息发送至相同用户组中的用户对应的用户终端,包括:
将所述关联度大于预设的关联度阈值的推荐信息发送至相同用户组中的用户对应的用户终端。
6.根据权利要求1所述的方法,其特征在于,所述将所述推荐信息发送至相同用户组中的用户对应的用户终端之前,所述方法还包括:
获取各所述用户组中的用户的浏览记录;
所述将所述推荐信息发送至相同用户组中的用户对应的用户终端,包括:
将所述推荐信息发送至相同用户组中浏览记录不包括所述推荐信息的用户对应的用户终端。
7.一种信息推荐装置,其特征在于,所述方法包括:
第一获取模块,用于获取多个用户的兴趣爱好信息及至少一个特征信息;
计算模块,用于根据所述兴趣爱好信息计算每两个用户之间的兴趣爱好相似度,并根据所述至少一个特征信息计算每两个用户之间的特征相似度;
分组模块,用于根据所述兴趣爱好相似度及所述特征相似度对多个所述用户进行分组,生成至少两个用户组;
统计模块,用于统计各所述用户组内的用户的浏览记录,确定各所述用户组的偏好信息;
第二获取模块,用于分别获取每个用户组的推荐信息,所述推荐信息与所述用户组的偏好信息相关联;
发送模块,用于将所述推荐信息发送至相同用户组中的用户对应的用户终端。
8.根据权利要求7所述的装置,其特征在于,所述至少一个特征信息包括年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种;
所述计算模块还用于根据所述年龄信息、性别信息、职业信息、学历信息及地域信息中的至少一种计算每两个用户之间的特征相似度。
9.一种服务器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710744146.0A CN107784066A (zh) | 2017-08-25 | 2017-08-25 | 信息推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710744146.0A CN107784066A (zh) | 2017-08-25 | 2017-08-25 | 信息推荐方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784066A true CN107784066A (zh) | 2018-03-09 |
Family
ID=61437958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710744146.0A Pending CN107784066A (zh) | 2017-08-25 | 2017-08-25 | 信息推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784066A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460667A (zh) * | 2018-04-08 | 2018-08-28 | 王备战 | 一种基于用户vr漫游行为反馈的文化内容推荐方法 |
CN109255383A (zh) * | 2018-09-10 | 2019-01-22 | 北京唐冠天朗科技开发有限公司 | 一种身份信息与展示信息的匹配方法和系统 |
CN109325845A (zh) * | 2018-08-15 | 2019-02-12 | 深圳市和讯华谷信息技术有限公司 | 一种金融产品智能推荐方法及系统 |
CN109636479A (zh) * | 2018-12-19 | 2019-04-16 | 武汉斗鱼鱼乐网络科技有限公司 | 一种广告推荐方法、装置、电子设备及存储介质 |
CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109685561A (zh) * | 2018-12-17 | 2019-04-26 | 北京字节跳动网络技术有限公司 | 基于用户行为的电子凭证推送方法、装置及电子设备 |
CN109783656A (zh) * | 2018-12-06 | 2019-05-21 | 北京达佳互联信息技术有限公司 | 音视频数据的推荐方法、系统及服务器和存储介质 |
CN109840800A (zh) * | 2018-12-14 | 2019-06-04 | 深圳壹账通智能科技有限公司 | 一种基于积分的产品推荐方法、装置、存储介质和服务器 |
CN109858344A (zh) * | 2018-12-24 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 婚恋对象推荐方法、装置、计算机设备及存储介质 |
CN110147463A (zh) * | 2019-04-03 | 2019-08-20 | 华南理工大学 | 一种音乐推送方法、系统、装置和存储介质 |
CN110162695A (zh) * | 2019-04-09 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种信息推送的方法及设备 |
CN110532472A (zh) * | 2019-08-28 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 内容同步推荐方法、装置、电子设备和存储介质 |
CN110570229A (zh) * | 2019-07-30 | 2019-12-13 | 平安科技(深圳)有限公司 | 用户信息处理方法、装置、计算机设备和存储介质 |
CN110727856A (zh) * | 2019-09-04 | 2020-01-24 | 福州智永信息科技有限公司 | 一种基于低龄用户的优化协同推荐方法及系统 |
CN110910188A (zh) * | 2018-09-14 | 2020-03-24 | 百度在线网络技术(北京)有限公司 | 课程优化与推荐的方法、装置、存储介质和终端设备 |
CN111274492A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 信息推荐方法、信息推荐装置及计算机可读存储介质 |
CN111400609A (zh) * | 2018-12-27 | 2020-07-10 | 广州市百果园网络科技有限公司 | 用户推荐方法、装置、存储介质及服务器 |
CN111488531A (zh) * | 2020-03-16 | 2020-08-04 | 山东浪潮通软信息科技有限公司 | 一种基于协同过滤算法的信息推荐方法、设备及介质 |
CN111639988A (zh) * | 2020-05-22 | 2020-09-08 | 贝壳技术有限公司 | 经纪人推荐方法、装置、电子设备和存储介质 |
CN111683154A (zh) * | 2020-06-17 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN112446752A (zh) * | 2019-08-29 | 2021-03-05 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置、电子商务系统以及存储介质 |
CN113159888A (zh) * | 2021-04-19 | 2021-07-23 | 海南太美航空股份有限公司 | 一种航班信息的推荐方法、系统及电子设备 |
CN113609409A (zh) * | 2021-07-21 | 2021-11-05 | 深圳供电局有限公司 | 一种推荐浏览信息的方法及其系统、电子设备、存储介质 |
WO2023197204A1 (en) * | 2022-04-13 | 2023-10-19 | Comcast Cable Communications, Llc | Managing transmission resources |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681469A (zh) * | 2007-03-31 | 2010-03-24 | 索尼德国有限责任公司 | 用于推荐内容项目的方法和系统 |
CN102956009A (zh) * | 2011-08-16 | 2013-03-06 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的电子商务信息推荐方法与装置 |
CN103731738A (zh) * | 2014-01-23 | 2014-04-16 | 哈尔滨理工大学 | 基于用户群组行为分析的视频推荐方法及装置 |
CN104935964A (zh) * | 2015-06-02 | 2015-09-23 | 四川九天揽月文化传媒有限公司 | 一种智能电视节目分组筛选推送方法 |
-
2017
- 2017-08-25 CN CN201710744146.0A patent/CN107784066A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681469A (zh) * | 2007-03-31 | 2010-03-24 | 索尼德国有限责任公司 | 用于推荐内容项目的方法和系统 |
CN102956009A (zh) * | 2011-08-16 | 2013-03-06 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的电子商务信息推荐方法与装置 |
CN103731738A (zh) * | 2014-01-23 | 2014-04-16 | 哈尔滨理工大学 | 基于用户群组行为分析的视频推荐方法及装置 |
CN104935964A (zh) * | 2015-06-02 | 2015-09-23 | 四川九天揽月文化传媒有限公司 | 一种智能电视节目分组筛选推送方法 |
Non-Patent Citations (1)
Title |
---|
丁少衡等: "基于用户属性和评分的协同过滤推荐算法", 《计算机工程与设计》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460667A (zh) * | 2018-04-08 | 2018-08-28 | 王备战 | 一种基于用户vr漫游行为反馈的文化内容推荐方法 |
CN109325845A (zh) * | 2018-08-15 | 2019-02-12 | 深圳市和讯华谷信息技术有限公司 | 一种金融产品智能推荐方法及系统 |
CN109255383A (zh) * | 2018-09-10 | 2019-01-22 | 北京唐冠天朗科技开发有限公司 | 一种身份信息与展示信息的匹配方法和系统 |
CN110910188A (zh) * | 2018-09-14 | 2020-03-24 | 百度在线网络技术(北京)有限公司 | 课程优化与推荐的方法、装置、存储介质和终端设备 |
CN109783656A (zh) * | 2018-12-06 | 2019-05-21 | 北京达佳互联信息技术有限公司 | 音视频数据的推荐方法、系统及服务器和存储介质 |
CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109840800A (zh) * | 2018-12-14 | 2019-06-04 | 深圳壹账通智能科技有限公司 | 一种基于积分的产品推荐方法、装置、存储介质和服务器 |
CN109685561A (zh) * | 2018-12-17 | 2019-04-26 | 北京字节跳动网络技术有限公司 | 基于用户行为的电子凭证推送方法、装置及电子设备 |
CN109685561B (zh) * | 2018-12-17 | 2021-03-02 | 北京字节跳动网络技术有限公司 | 基于用户行为的电子凭证推送方法、装置及电子设备 |
CN109636479A (zh) * | 2018-12-19 | 2019-04-16 | 武汉斗鱼鱼乐网络科技有限公司 | 一种广告推荐方法、装置、电子设备及存储介质 |
CN109858344A (zh) * | 2018-12-24 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 婚恋对象推荐方法、装置、计算机设备及存储介质 |
CN111400609A (zh) * | 2018-12-27 | 2020-07-10 | 广州市百果园网络科技有限公司 | 用户推荐方法、装置、存储介质及服务器 |
CN111400609B (zh) * | 2018-12-27 | 2024-02-13 | 广州市百果园网络科技有限公司 | 用户推荐方法、装置、存储介质及服务器 |
CN110147463A (zh) * | 2019-04-03 | 2019-08-20 | 华南理工大学 | 一种音乐推送方法、系统、装置和存储介质 |
CN110162695A (zh) * | 2019-04-09 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种信息推送的方法及设备 |
CN110162695B (zh) * | 2019-04-09 | 2022-04-26 | 中国科学院深圳先进技术研究院 | 一种信息推送的方法及设备 |
CN110570229A (zh) * | 2019-07-30 | 2019-12-13 | 平安科技(深圳)有限公司 | 用户信息处理方法、装置、计算机设备和存储介质 |
CN110532472A (zh) * | 2019-08-28 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 内容同步推荐方法、装置、电子设备和存储介质 |
CN110532472B (zh) * | 2019-08-28 | 2022-09-27 | 百度在线网络技术(北京)有限公司 | 内容同步推荐方法、装置、电子设备和存储介质 |
CN112446752A (zh) * | 2019-08-29 | 2021-03-05 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置、电子商务系统以及存储介质 |
CN110727856A (zh) * | 2019-09-04 | 2020-01-24 | 福州智永信息科技有限公司 | 一种基于低龄用户的优化协同推荐方法及系统 |
CN111274492A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 信息推荐方法、信息推荐装置及计算机可读存储介质 |
CN111488531A (zh) * | 2020-03-16 | 2020-08-04 | 山东浪潮通软信息科技有限公司 | 一种基于协同过滤算法的信息推荐方法、设备及介质 |
CN111488531B (zh) * | 2020-03-16 | 2023-04-18 | 浪潮通用软件有限公司 | 一种基于协同过滤算法的信息推荐方法、设备及介质 |
CN111639988A (zh) * | 2020-05-22 | 2020-09-08 | 贝壳技术有限公司 | 经纪人推荐方法、装置、电子设备和存储介质 |
CN111639988B (zh) * | 2020-05-22 | 2024-01-12 | 贝壳技术有限公司 | 经纪人推荐方法、装置、电子设备和存储介质 |
CN111683154A (zh) * | 2020-06-17 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN111683154B (zh) * | 2020-06-17 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN113159888A (zh) * | 2021-04-19 | 2021-07-23 | 海南太美航空股份有限公司 | 一种航班信息的推荐方法、系统及电子设备 |
CN113609409A (zh) * | 2021-07-21 | 2021-11-05 | 深圳供电局有限公司 | 一种推荐浏览信息的方法及其系统、电子设备、存储介质 |
CN113609409B (zh) * | 2021-07-21 | 2024-06-14 | 深圳供电局有限公司 | 一种推荐浏览信息的方法及其系统、电子设备、存储介质 |
WO2023197204A1 (en) * | 2022-04-13 | 2023-10-19 | Comcast Cable Communications, Llc | Managing transmission resources |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784066A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
Liu et al. | Analyzing changes in hotel customers’ expectations by trip mode | |
JP5717858B2 (ja) | テキストセットの照合 | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
US8332775B2 (en) | Adaptive user feedback window | |
CN102982042B (zh) | 一种个性化内容推荐方法、平台以及系统 | |
US20170235788A1 (en) | Machine learned query generation on inverted indices | |
CN107273436A (zh) | 一种推荐模型的训练方法和训练装置 | |
CN103810162B (zh) | 推荐网络信息的方法和系统 | |
WO2013025874A9 (en) | Page reporting | |
CN102073717A (zh) | 一种面向垂直电子商务网站的首页推荐方法 | |
CN106447419B (zh) | 基于特征选择的拜访者标识 | |
CN107896153B (zh) | 一种基于移动用户上网行为的流量套餐推荐方法及装置 | |
CN103577504A (zh) | 一种投放个性化内容的方法和装置 | |
Liu et al. | Towards a dynamic top-n recommendation framework | |
CN108053050A (zh) | 点击率预估方法、装置、计算设备及存储介质 | |
CN103744904B (zh) | 一种提供信息的方法及装置 | |
CN109299426A (zh) | 一种精确头条信息的推荐方法及装置 | |
CN107943910A (zh) | 一种基于组合算法的个性化图书推荐方法 | |
Niu et al. | Product hierarchy-based customer profiles for electronic commerce recommendation | |
US9020962B2 (en) | Interest expansion using a taxonomy | |
Au Yeung et al. | Capturing implicit user influence in online social sharing | |
Xie et al. | A probabilistic recommendation method inspired by latent Dirichlet allocation model | |
JP5191499B2 (ja) | 検索結果順位付け方法および検索結果順位付けシステム | |
Sharma et al. | A framework of hybrid recommender system for web personalisation |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180524 Address after: 518052 Room 201, building A, 1 front Bay Road, Shenzhen Qianhai cooperation zone, Shenzhen, Guangdong Applicant after: Shenzhen one ledger Intelligent Technology Co., Ltd. Address before: 200000 Xuhui District, Shanghai Kai Bin Road 166, 9, 10 level. Applicant before: Shanghai Financial Technologies Ltd |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |
|
RJ01 | Rejection of invention patent application after publication |