CN107798045A - 面向中小型网站的用户访问意图获取方法及系统 - Google Patents

面向中小型网站的用户访问意图获取方法及系统 Download PDF

Info

Publication number
CN107798045A
CN107798045A CN201710604353.6A CN201710604353A CN107798045A CN 107798045 A CN107798045 A CN 107798045A CN 201710604353 A CN201710604353 A CN 201710604353A CN 107798045 A CN107798045 A CN 107798045A
Authority
CN
China
Prior art keywords
user
article
represent
identity
size
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
CN201710604353.6A
Other languages
English (en)
Inventor
郭克华
张瑞芳
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201710604353.6A priority Critical patent/CN107798045A/zh
Publication of CN107798045A publication Critical patent/CN107798045A/zh
Pending legal-status Critical Current

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

本发明公开了一种面向中小型网站的用户访问意图获取方法及系统，采用了应用较为广泛的协同过滤推荐算法来分析用户的访问意图并为用户进行推荐。但是，与传统推荐算法相比，本发明在计算用户之间的相似度时，使用了改进的皮尔逊相关系数计算方法，通过理论分析与实验证明，本发明中的方法取得了较高的精确度。采用用户间独立式更新的方法，根据用户访问网站的情况，每次只对有访问行为的用户的历史数据进行更新操作，而不是每次都对所有用户进行计算，该方法不仅大大减少了每次更新的计算量，降低了时间消耗，而且使网站对用户的推荐结果具有相对的实时性。

Description

面向中小型网站的用户访问意图获取方法及系统
技术领域
本发明涉及检索领域，特别是一种面向中小型网站的用户访问意图获取方法及系统。
背景技术
近二十年来，推荐系统已成为检索领域的一个研究重点，广泛应用于旅行、虚拟产业商品、社交网络等。大型企业网站，如亚马逊和网飞公司，已成功将推荐系统应用于其网站。目前的主流推荐系统主要分为四类：基于内容的推荐方法、基于关联规则的推荐方法、基于知识的推荐方法和基于协同过滤的推荐方法。
基于内容的推荐方法对推荐物品内容进行特征提取，根据用户已经选择的物品，从推荐物品中选择与之特征相似的物品作为推荐结果。该方法的关键就是用户模型描述和推荐物品内容特征描述。
基于关联规则的推荐方法以关联规则挖掘算法为基础，把用户已经购买物品作为规则头，规则体为推荐物品。
基于知识的推荐方法在某种程度可以看作是一种推理技术，它的推荐不是建立在用户需要和偏好基础上，而是通过推断用户的需要和偏好来作出推荐。该方法因它们所用的功能知识不同而有明显区别。
基于协同过滤的推荐方法是推荐系统中应用最早和最为成功的技术之一。其基本思想是，首先找到与该用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给该用户。
现有的四种推荐方法都存在一些弊端。
基于内容的推荐方法简单、有效，但它只能发现和用户已有兴趣相似的物品，而难以为用户推荐新的感兴趣的物品。
基于关联规则的推荐方法中关联规则的发掘既是重点也是难点，同时，物品名称的同义性也是关联规则的难点问题。
基于知识的推荐方法需要系统利用额外的因果知识生成推荐，在这种基于知识的方法中，推荐系统通常会用到有关当前用户和有效物品的额外信息。
基于协同过滤的推荐方法在实时性和扩展性等方面存在一定不足之处。如，计算相似度是该方法中最主要也是最花费时间的过程，传统的基于协同过滤的推荐系统需要离线计算，实时性差。
此外，这些方法虽然已经广泛应用于大型网站，但是在占据网站总数一半以上的中小型网站中却并未得到推广。由于一些商业原因，大部分中小型网站更注重网站内容的建设，而忽略了用户访问意图的分析及检索性能的优化。网站开发者若想实现在中小型网站中考虑用户访问意图的推荐系统，需要较大的工作量。
发明内容
本发明旨在提供一种面向中小型网站的用户访问意图获取方法(IncrementalCollaborative Filtering-Based Recommendation Architecture,ICFR)及系统，为用户推荐更加满足其检索意图或更感兴趣的搜索结果。
为解决上述技术问题，本发明所采用的技术方案是：一种面向中小型网站的用户访问意图获取方法，包括以下步骤：
1)将物品集合定义如下：IS＝{n1,n2,…,nj,…,n|W|}，其中，nj＝(n_identity,link)表示第j个物品，且1≤j≤W，W表示物品数量，link表示物品的链接地址，n_identity表示物品的唯一标志；用户对物品的评分集合定义为：γ＝{T1,T2,…,Tq,…,TS|1≤q≤S,Tq＝(u_identity，n_identity，rating))，其中，rating表示用户u_identity对物品n_identity的评分值，S表示非零评分的数量；用户集合定义为：US＝{u1,u2,…,ui,…,uN}，其中，ui＝(u_identity,client)表示用户i，u_identity表示用户i的唯一标志，client表示用户i的账号信息或客户端地址，N表示用户的数量；
2)利用集合IS、US和γ创建用户-物品评分矩阵UIM，再由UIM得到用户-用户相似度矩阵UUSM，当为某一用户uc进行推荐时，寻找该用户uc的最近邻居，根据这些最近邻居对物品的评分情况，预测用户uc对其未曾有过浏览操作的物品的评分，将这些物品按预测评分值降序排序后，推荐给用户。
步骤2)之后，进行如下处理：
1)定义集合和 表示数据更新前用户uc和用户uα具有共同评分的物品集，表示当前用户uc在本次会话中评分值不为0的物品集合，表示与的交集；
2)根据和的取值，利用增量更新算法计算得到当前用户与其他用户新的相似度值，再对UUSM进行数据更新；和的取值分为以下四种情况：(1)且 UUSM不变；(2)且说明用户uc本次会话中非零评分值的所有物品都未曾被该用户评分；(3)表示用户uc本次会话中的非零评分值的所有物品都有过该用户对它们的评分记录；(4) 且表示用户uc在本次会话中的非零评分值的部分物品有过该用户对它们的评分记录。
其中，rij表示用户i对物品j的评分。
其中，sie表示用户i与用户e之间的相似度值。
相应地，本发明还提供了一种面向中小型网站的用户访问意图获取系统，包括：
客户端信息获取模块：用于将物品集合定义如下：IS＝{n1,n2,…,nj,…,n|W|}，其中，nj＝(n_identity,link)表示第j个物品，且1≤j≤W，W表示物品数量，link表示物品的链接地址，n_identity表示物品的唯一标志；用户对物品的评分集合定义为：γ＝{T1,T2,…,Tq,…,TS|1≤q≤S,Tq＝(u_identity,n_identity,rating)}，其中，rating表示用户u_identity对物品n_identity的评分值，S表示非零评分的数量；用户集合定义为：US＝{u1,u2,…,ui,…,uN}，其中，ui＝(u_identity,client)表示用户i，u_identity表示用户i的唯一标志，client表示用户i的账号信息或客户端地址，N表示用户的数量；
服务端推荐模块：用于利用集合IS、US和γ创建用户-物品评分矩阵UIM，再由UIM得到用户-用户相似度矩阵UUSM，当为某一用户uc进行推荐时，寻找该用户uc的最近邻居，根据这些最近邻居对物品的评分情况，预测用户uc对其未曾有过浏览操作的物品的评分，将这些物品按预测评分值降序排序后，推荐给用户。
还包括增量更新计算模块，用于定义集合和 表示数据更新前用户uc和用户uα具有共同评分的物品集合，表示当前用户uc在本次会话中评分值不为0的物品集合，表示与的交集；根据和的取值，利用增量更新算法计算得到当前用户与其他用户新的相似度值，再对UUSM进行数据更新；和的取值分为以下四种情况：(1)且UUSM不变；(2)且说明用户uc本次会话中非零评分值的所有物品都未曾被该用户评分；(3)表示用户uc本次会话中的非零评分值的所有物品都有过该用户对它们的评分记录；(4) 且表示用户uc在本次会话中的非零评分值的部分物品有过该用户对它们的评分记录。
与现有技术相比，本发明所具有的有益效果为：(1)适用范围更广。系统中重新定义了协同过滤算法中的元素(物品和评分)，使该方法不仅仅局限于需要用户显示评分的情况，且对物品的范围定义更为广泛。(2)增量更新算法减少了计算量。ICFR可在用户每次退出登陆或结束当前会话后，根据用户本次的浏览行为，自动更新该用户的历史评分数据。提高了系统更新的实时性，可以为用户推荐更加满足其检索意图或更感兴趣的搜索结果。
附图说明
图1为ICFR系统框架；
图2为普通网页结构图；
图3为ICFR中的推荐处理过程；
图4为增量更新计算过程。
具体实施方式
图1所示为ICFR系统的框架，它主要包含3个部分：客户端信息的获取、服务端推荐过程的实现和数据的增量更新。
在ICFR模型中，我们首先需要从客户端获取用户信息(如，用户账号信息，客户端物理地址等)来唯一识别用户身份。在用户访问网站时，用户的浏览行为，如保存书签、网页访问次数、页面停留时间等，将记录在服务器的访问日志中，并将用户的这些浏览信息利用归一化算法，计算得到一个处于一定范围内的数值作为用户对物品的评分。利用以上所有信息可以构建用户-物品评分矩阵(user-item matrix,UIM)。然后，实现基于协同过滤的推荐过程。可以通过一种改进的相似度方法，对UIM进行处理得到用户-用户相似度矩阵(user-user similarity matrix,UUSM)。当前用户的检索偏好可以根据与其相似度值较高的邻居的偏好获得。从而将其邻居的偏好信息作为推荐结果提供给用户。最后，在当前用户完成一系列访问后退出登陆或退出本次与服务器端的会话时，系统将会提取并分析该用户记录于日志中的访问行为，得到该用户本次会话过程中对物品的隐式评分，并对该用户的历史数据进行增量更新计算。
在协同过滤算法中，用户集合、物品集合和评分是UIM中的三个要素。传统方法中，物品的范围的定义相对简单，如将一个电影网站的所有电影或将音乐网站的所有音乐作为物品集合。考虑中小型网站中网页结构相对简单，如图2所示，主要包含3个层次的链接：主页链接、菜单栏链接和内容页链接。因此，在ICFR模型中，我们将所有这些层次的链接作为物品集合，这在一定程度上扩展了传统算法中物品的定义范围。
物品集合定义如下：IS＝{n1,n2,…,nj,…,n|W|}，其中，nj＝(n_identity,link)表示物品(链接)j，且1≤j≤W，W表示物品数量，link表示该物品的链接地址，n_identity表示物品的唯一标志。
除了对物品的定义，在ICFR中，用户对物品的评分不是由用户显示评分得到的，而是将用户在访问网站时的浏览行为信息进行量化处理，并利用归一化算法，得到一个范围在1-10之间的数值，作为用户对物品的隐式评分值。用户的浏览行为主要包含保存书签、标记标签或页面停留时间等布尔量化的偏好和数值量化的偏好。因此，在进行归一化计算时，将会对这些布尔值或数值的偏好进行加权处理，并保证归一化后的数值取值范围在0-10之间。
用户对物品的评分集合可定义为：γ＝{T1,T2,…,Tq,…,TS|1≤q≤S,Tq＝(u_identity,n_identity,rating)}。其中，rating表示用户u_identity对物品n_identity的评分值，S表示非零评分的数量。
用户集合定义为：US＝{u1,u2,…,ui,…,uN}，其中，ui＝(u_identity,client)表示用户i，u_identity表示用户i的唯一标志，client表示用户i的账号信息或客户端地址，N表示用户的数量。
相似度计算和寻找最近邻居是协同过滤算法中的两个主要过程。在ICFR中，详细的推荐过程如图3所示。
首先，根据前面得到的三个集合IS、US和γ创建用户-物品评分矩阵(UIM)，再由UIM通过改进的相似度计算得到用户-用户相似度矩阵(UUSM)，当为某一用户uc进行推荐时，利用KNN算法寻找该用户uc的最近邻居，根据这些最近邻居对物品的评分情况，预测用户uc对其未曾有过浏览等操作的物品的评分。最后，将这些物品按预测评分值降序排序后，推荐给用户。
用户-物品评分矩阵(UIM)由集合IS、US和γ构建而来(集合IS、US和γ已由前面的部分获得)，大小为N*W。UIM定义如下：
其中，N表示用户数量，W表示物品数量，rij表示用户i对物品j的评分。
构建UUSM需要计算用户间的相似度，在ICFR模型中，使用改进的皮尔逊相关系数(PCC)方法进行计算。传统的PCC方法在应用于协同过滤算法中时，较少考虑用户间共同评分值的重要性指标，也就是说，在ICFR模型中，较高的PCC值并不能完全表示两者之间的高相似度。如，在某一新闻网站中，两个用户浏览了大量相同的内容页，但是如果某一用户对这些内容页较为感兴趣，因此进行了转发、标记等操作，而另一个用户则恰恰相反，那么，这时候，如果不考虑这两个用户的共同评分值问题，得到的两者的相似度值将差强人意。传统的PCC计算公式定义如下：
其中，代表用户和用户共同评分的物品集合，即 表示用户对所有共同评分物品的评分平均值。在此公式的基础上，我们增加了一个系数CW，其中，表示用户对其所有已评分物品的总评分的和，(i1,i2∈[1,N])表示用户对用户与用户共同评分物品的总评分的和。因此，改进后的PCC计算公式如下：
计算所有两个用户之间的相似度之后，得到UUSM矩阵，定义如下：
其中，sie表示用户i与用户e之间的相似度值。
从UUSM中，我们便可以根据寻找最近邻算法获得当前用户uc的最近邻居的集合NNS，最后，若用户uc对物品nj未曾有过评分，那么，我们可以预测出该用户对nj的评分值为：
其中，S(uc)、S(uχ)和sim(uc,uχ)′已经在前面定义过，表示用户uc对其所有已评分物品的评分平均值。待所有物品的评分预测完成，就可以根据这些预测的评分值选择需要推荐给用户的结果了。
协同过滤算法存在扩展性较差的问题。在ICFR中，为了提高系统的扩展性，在系统运行时，采用增量更新用户历史数据的解决方法。
传统方法中，系统一般会一次性更新计算整个相似度矩阵，这是一个相当耗时的过程，一般离线进行。在ICFR中，我们根据用户的浏览行为进行分离式更新操作，也就是，当某一用户完成网站的访问操作并退出登陆或者结束此次会话时，系统将会仅对该用户完成历史数据的更新，而不是所有用户。
图4所示为ICFR模型中增量更新数据的计算过程。用户在访问网站的过程中，其浏览行为将会被记录在Web日志中，当该用户退出登陆或结束本次会话时，系统将会从日志中提取出该用户对某些物品的隐式评分，以这些值为输入数据，通过增量计算，可以得到该用户与其他所有用户的新的相似度值，从而对UUSM中有关uc的值进行更新即可。
假设，从日志中提取出的用户对物品的新的评分集合为 其中表示用户uc对物品nj的新的隐式评分值。从对的计算公式中可以看出，该值会随着集合和集合的变化而变化，因此，我们定义了集合和表示当前用户uc在本次会话中评分值不为0的物品集合，即有且 表示与的交集。
对于增量计算，我们可以根据和的取值分为四种情况。(1)且这种情况下，集合没有变化，因此UUSM也不变。(2)且这种情况说明用户uc本次会话中非零评分值的所有物品(即集合中的非零评分的物品)都未曾被该用户评分。(3)表示用户uc本次会话中的非零评分值的所有物品都有过该用户对它们的评分记录。(4)且 表示用户uc在本次会话中的非零评分值的部分物品有过该用户对它们的评分记录。针对这四种不同的情况，利用增量更新算法计算得到该用户与其他用户新的相似度值，再对UUSM进行数据更新。
在本发明中，我们采用了应用较为广泛的协同过滤推荐算法来分析用户的访问意图并为用户进行推荐。但是，与传统推荐算法相比，本发明在计算用户之间的相似度时，使用了改进的皮尔逊相关系数计算方法，通过理论分析与实验证明，本发明中的方法取得了较高的精确度。
本发明中的增量式的协同过滤算法在进行增量更新时，采用用户间独立式更新的方法，根据用户访问网站的情况，每次只对有访问行为的用户的历史数据进行更新操作，而不是每次都对所有用户进行计算，该方法不仅大大减少了每次更新的计算量，降低了时间消耗，而且使网站对用户的推荐结果具有相对的实时性。

Claims (6)

1.一种面向中小型网站的用户访问意图获取方法，其特征在于，包括以下步骤：
1)将物品集合IS定义如下：IS＝{n1,n2,…,nj,…,n|W|}，其中，nj＝(n_identity,link)表示第j个物品，且1≤j≤W，W表示物品数量，link表示物品的链接地址，n_identity表示物品的唯一标志；用户对物品的评分集合γ定义为：γ＝{T1,T2,…,Tq,…,TS|1≤q≤S,Tq＝(u_identity,n_identity,rating)}，其中，rating表示用户u_identity对物品n_identity的评分值，S表示非零评分的数量；用户集合定义为：US＝{u1,u2,…,ui,…,uN}，其中，ui＝(u_identity,client)表示用户i，u_identity表示用户i的唯一标志，client表示用户i的账号信息或客户端地址，N表示用户的数量；
2)利用集合IS、US和γ创建用户-物品评分矩阵UIM，再由UIM得到用户-用户相似度矩阵UUSM，当为某一用户uc进行推荐时，寻找该用户uc的最近邻居，根据这些最近邻居对物品的评分情况，预测用户uc对其未曾有过浏览操作的物品的评分，将这些物品按预测评分值降序排序后，推荐给用户。
2.根据权利要求1所述的面向中小型网站的用户访问意图获取方法，其特征在于，步骤2)之后，进行如下处理：
3)定义集合 和 表示数据更新前用户uc和用户uα具有共同评分的物品集合，表示当前用户uc在本次会话中评分值不为0的物品集合，即有满足且 表示与的交集；表示用户uc对物品nω的新的隐式评分值；
4)根据和的取值，利用增量更新算法计算得到当前用户与其他用户新的相似度值，再对UUSM进行数据更新；和的取值分为以下四种情况：(1)且 UUSM不变；(2)且说明用户uc本次会话中非零评分值的所有物品都未曾被该用户评分；(3)表示用户uc本次会话中的非零评分值的所有物品都有过该用户对它们的评分记录；(4) 且表示用户uc在本次会话中的非零评分值的部分物品有过该用户对它们的评分记录。
3.根据权利要求1所述的面向中小型网站的用户访问意图获取方法，其特征在于，其中，rij表示用户i对物品j的评分。
4.根据权利要求1所述的面向中小型网站的用户访问意图获取方法，其特征在于，其中，sie表示用户i与用户e之间的相似度值。
5.一种面向中小型网站的用户访问意图获取系统，其特征在于，包括：客户端信息获取模块：用于将物品集合定义如下：IS＝{n1,n2,…,nj,…,n|W|}，其中，nj＝(n_identity,link)表示第j个物品，且1≤j≤W，W表示物品数量，link表示物品的链接地址，n_identity表示物品的唯一标志；用户对物品的评分集合定义为：γ＝{T1,T2,…,Tq,…,TS|1≤q≤S,Tq＝(u_identity,n_identity,rating)}，其中，rating表示用户u_identity对物品n_identity的评分值，S表示非零评分的数量；用户集合定义为：US＝{u1,u2,…,ui,…,uN}，其中，ui＝(u_identity,client)表示用户i，u_identity表示用户i的唯一标志，client表示用户i的账号信息或客户端地址，N表示用户的数量；
服务端推荐模块：用于利用集合IS、US和γ创建用户-物品评分矩阵UIM，再由UIM得到用户-用户相似度矩阵UUSM，当为某一用户uc进行推荐时，寻找该用户uc的最近邻居，根据这些最近邻居对物品的评分情况，预测用户uc对其未曾有过浏览操作的物品的评分，将这些物品按预测评分值降序排序后，推荐给用户。
6.根据权利要求5所述的面向中小型网站的用户访问意图获取系统，其特征在于，还包括增量更新计算模块，用于定义集合 和 表示数据更新前用户uc和用户uα具有共同评分的物品集合，表示当前用户uc在本次会话中评分值不为0的物品集合，表示与的交集；根据和的取值，利用增量更新算法计算得到当前用户与其他用户新的相似度值，再对UUSM进行数据更新；和的取值分为以下四种情况：(1)且UUSM不变；(2)且说明用户uc本次会话中非零评分值的所有物品都未曾被该用户评分；(3)表示用户uc本次会话中的非零评分值的所有物品都有过该用户对它们的评分记录；(4)且表示用户uc在本次会话中的非零评分值的部分物品有过该用户对它们的评分记录。
CN201710604353.6A 2017-07-24 2017-07-24 面向中小型网站的用户访问意图获取方法及系统 Pending CN107798045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710604353.6A CN107798045A (zh) 2017-07-24 2017-07-24 面向中小型网站的用户访问意图获取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710604353.6A CN107798045A (zh) 2017-07-24 2017-07-24 面向中小型网站的用户访问意图获取方法及系统

Publications (1)

Publication Number Publication Date
CN107798045A true CN107798045A (zh) 2018-03-13

Family

ID=61530324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710604353.6A Pending CN107798045A (zh) 2017-07-24 2017-07-24 面向中小型网站的用户访问意图获取方法及系统

Country Status (1)

Country Link
CN (1) CN107798045A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610393A (zh) * 2018-06-15 2019-12-24 阿里巴巴集团控股有限公司 一种信息推荐的方法和装置
CN111104603A (zh) * 2019-11-01 2020-05-05 复旦大学 一种基于Lambda架构的实时混合推荐方法及系统
CN111581519A (zh) * 2020-05-25 2020-08-25 中国人民解放军国防科技大学 基于会话中用户意图的物品推荐方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593417A (zh) * 2013-10-25 2014-02-19 安徽教育网络出版有限公司 基于关联规则预测的协同过滤推荐方法
CN103632290A (zh) * 2013-12-02 2014-03-12 合肥工业大学 一种基于推荐概率融合的混合推荐方法
CN104391849A (zh) * 2014-06-30 2015-03-04 浙江大学苏州工业技术研究院 融入时间上下文信息的协同过滤推荐方法
CN106933969A (zh) * 2017-02-10 2017-07-07 九次方大数据信息集团有限公司 基于行业上下游关系的个性化推荐系统和推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593417A (zh) * 2013-10-25 2014-02-19 安徽教育网络出版有限公司 基于关联规则预测的协同过滤推荐方法
CN103632290A (zh) * 2013-12-02 2014-03-12 合肥工业大学 一种基于推荐概率融合的混合推荐方法
CN104391849A (zh) * 2014-06-30 2015-03-04 浙江大学苏州工业技术研究院 融入时间上下文信息的协同过滤推荐方法
CN106933969A (zh) * 2017-02-10 2017-07-07 九次方大数据信息集团有限公司 基于行业上下游关系的个性化推荐系统和推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610393A (zh) * 2018-06-15 2019-12-24 阿里巴巴集团控股有限公司 一种信息推荐的方法和装置
CN111104603A (zh) * 2019-11-01 2020-05-05 复旦大学 一种基于Lambda架构的实时混合推荐方法及系统
CN111581519A (zh) * 2020-05-25 2020-08-25 中国人民解放军国防科技大学 基于会话中用户意图的物品推荐方法和系统
CN111581519B (zh) * 2020-05-25 2022-10-18 中国人民解放军国防科技大学 基于会话中用户意图的物品推荐方法和系统

Similar Documents

Publication Publication Date Title
Jalali et al. WebPUM: A Web-based recommendation system to predict user future movements
Zhao et al. Connecting social media to e-commerce: Cold-start product recommendation using microblogging information
Kim et al. Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation
Wen et al. Distributionally-robust recommendations for improving worst-case user experience
CN112836130A (zh) 一种基于联邦学习的上下文感知推荐系统及方法
Zhang et al. A deep joint network for session-based news recommendations with contextual augmentation
Kim et al. A framework for tag-aware recommender systems
CN110175895A (zh) 一种物品推荐方法及装置
CN110069713B (zh) 一种基于用户上下文感知的个性化推荐方法
WO2021262380A1 (en) Differentiable user-item co-clustering
Kacem et al. Time-sensitive user profile for optimizing search personlization
CN107798045A (zh) 面向中小型网站的用户访问意图获取方法及系统
Almaghrabi et al. A deep learning based collaborative neural network framework for recommender system
CN107527289B (zh) 一种投资组合行业配置方法、装置、服务器和存储介质
Sajeev et al. Effective web personalization system based on time and semantic relatedness
CN106874368B (zh) 一种rtb竞价广告位价值分析方法及系统
Xi et al. Context-aware reranking with utility maximization for recommendation
Dong et al. Improving sequential recommendation with attribute-augmented graph neural networks
CN108932247A (zh) 一种优化文本搜索的方法及装置
Wei et al. MLP-IA: Multi-label user profile based on implicit association labels
Chen et al. TN-MR: topic-aware neural network-based mobile application recommendation
Wang et al. An incremental model on search engine query recommendation
Delianidi et al. A graph-based method for session-based recommendations
Xie et al. Embedding based personalized new paper recommendation
Koga et al. Continuous similarity search for evolving database

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: 20180313