CN107943910B - 一种基于组合算法的个性化图书推荐方法 - Google Patents

一种基于组合算法的个性化图书推荐方法 Download PDF

Info

Publication number
CN107943910B
CN107943910B CN201711149281.7A CN201711149281A CN107943910B CN 107943910 B CN107943910 B CN 107943910B CN 201711149281 A CN201711149281 A CN 201711149281A CN 107943910 B CN107943910 B CN 107943910B
Authority
CN
China
Prior art keywords
book
user
books
behavior
index
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
CN201711149281.7A
Other languages
English (en)
Other versions
CN107943910A (zh
Inventor
高建彬
单良
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711149281.7A priority Critical patent/CN107943910B/zh
Publication of CN107943910A publication Critical patent/CN107943910A/zh
Application granted granted Critical
Publication of CN107943910B publication Critical patent/CN107943910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于组合算法的个性化图书推荐方法，涉及计算机信息领域，包括如下步骤：对图书的内容信息进行关键词提取，求得图书的特征向量；求得用户对某个新书的评分值；生成“用户行为倒排表和查询索引”和“图书行为倒排表和查询索引”；生成相似度文件和查询索引：相似用户索引和查询索引、相似图书索引和查询索引；根据相似用户索引和查询索引、相似图书索引和查询索引计算给用户的图书推荐指数。本发明解决了现有的图书推荐方法对于对用户偏好的推断存在很大的误差，无法达到良好的图书推荐的效果的问题。

Description

一种基于组合算法的个性化图书推荐方法
技术领域
本发明涉及适用于针对用户喜好进行图书推荐的计算机信息领域，尤其涉及一种基于组合算法的个性化图书推荐方法。
背景技术
现有技术中向用户推荐电子图书的方法有多种，第一种方法是基于用户以往的阅读历史数据，推断用户的阅读偏好，再根据推断出的阅读偏好向用户推荐对应的电子图书。但在该种方法中，对于用户阅读偏好的推断存在一定不足，主要是：由于阅读平台所提供的图书的类别分布不均，且原创类图书较多，通常主要集中在言情、穿越等类别；同时由于手机阅读用户的主要用户群是学生、外来务工人员和都市白领，而这一大部分用户访问图书通常集中在言情穿越等热门分类上，造成系统在对用户偏好进行判定时大部分用户的偏好被判定为热门分类。上述这种情况对于图书推荐造成很多障碍，例如根据系统判断，许多高端商务人士可能被判定为言情或穿越类的阅读偏好，对其进行相应的图书推荐容易引起反感和用户体验下降。
第二种方法：由于仅根据历史数据推断用户的偏好会造成上述问题，因此，现有技术中出现了基于用户身份类型来推断用户的阅读偏好，进而进行相应的图书推荐的方法。但该方法存在如下不足：现有系统主要通过注册用户的年龄、性别、职业特点、产品品牌和手机类型对用户身份进行逆推，而这些基础数据信息在用户注册时由于隐私考虑和技术等种种原因导致数据存在诸多不准确的情况，从而导致用户身份类别判定的准确率非常低，进而造成对于用户偏好的推断存在很大的误差，影响了图书推荐的效果。
可以看出，现有技术中电子图书推荐系统主要是基于用户偏好来进行相应的图书推荐，具体是根据用户访问的历史数据信息或用户身份类型确定用户偏好。但对于访问阅读平台系统较少的用户，可能没有足够的历史数据信息；以及当前系统由于种种限制对于用户身份的判定缺乏可靠的基础，用户类别判定的准确率较低。因而对于用户偏好的推断存在很大的误差。
发明内容
本发明的目的在于：现有技术中存在这两个问题：(1)电子图书推荐系统主要是基于用户偏好来进行相应的图书推荐，具体是根据用户访问的历史数据信息或用户身份类型确定用户偏好，但对于访问阅读平台系统较少的用户，可能没有足够的历史数据信息；(2)以及当前系统由于种种限制对于用户身份的判定缺乏可靠的基础，用户类别判定的准确率较低，因而对于用户偏好的推断存在很大的误差；为了解决这两个问题，本发明提供一种基于组合算法的个性化图书推荐方法。
本发明的技术方案如下：
一种基于组合算法的个性化图书推荐方法，包括如下步骤：
S1：对新书的名称、介绍等内容信息进行关键词提取，进而求得图书的特征向量，用这些关键词标示该图书。
S2：根据用户浏览或下载到的图书的特征向量求得用户的特征向量，进而求得用户对某个新书的评分值。
S3：通过用户-图书实际行为数据对来统计每个用户的行为图书和每个图书的行为用户，生成“TOP N用户行为倒排表和查询索引”和“图书行为倒排表和查询索引”。
S4：根据用户的相同行为图书个数与各自行为图书个数计算两个用户之间的相似度，以及两本图书之间的相似度，生成相似度文件和查询索引：TOP N相似用户索引和查询索引、相似图书索引和查询索引。
S5：根据TOP N相似用户索引和查询索引、相似图书索引和查询索引计算给用户的图书推荐指数。
具体地，所述S1的具体步骤包括：
S11：抽取图书中的关键词，生成图书-关键词和关键词-图书两个倒排表；
S12：根据S11中图书-关键词和关键词-图书倒排表，使用TF-IDF的方法，计算关键词k1的词频TFij(Term Frequency)、以及倒排频率IDFi(Inverse Document Trequency，也叫做反向文档频率)，假设N为新书的数目，fij为关键词ki在一本图书Bj中出现的次数，则：
Figure GDA0002794033750000021
其中，Max(fj)表示所有的图书Bj中关键词出现的最大次数，TFij表示关键词ki的词频(Term Frequency)，反向文档频率或者倒排频度IDFi(InverseDocument Frequency)反映关键词出现的频繁程度的指标，ni表示关键词ki出现过的图书的数量。
S13：关键词ki在图书Bj中TF-IDF权重Wij为TFij×IDFi。
S14：每本图书Bj的特征向量可以表示为：
Figure GDA0002794033750000022
具体地，S2中，用户的特征向量通过浏览或下载的图书的特征向量的平均值来表示为
Figure GDA0002794033750000023
则用户与对某个新书的评分值可以用余弦公式计算得到：
Figure GDA0002794033750000031
具体地，所述S3中，生成用户行为倒排表和查询索引的具体步骤包括：
S31：按User ID排序用户-行为图书查询索引；
S32：统计相同User ID发生行为对象的Book ID，将每组User ID行为对象的BookID放入到排表文件中，一组接着一组顺序写入。
S33：将每个User ID行为对象的Book ID、数量、在倒排文件中的起始地址写入索引文件。
生成图书行为倒排文件和查询索引的具体步骤包括。
S34：按Book.ID排序行为图书-用户查询索引。
S35：统计相同Book ID发生行为对象的User ID，将每组Book ID行为对象的UserID放入到排表文件中，一组接着一组顺序写入。
S36：将每个Book ID行为对象的User ID、数量、在倒排文件中的起始地址写入索引文件。
具体地，S4中，两个用户之间的相似度的计算的具体过程为：采用用户发生行为的图书向量来表示用户，浏览或下载为1，没有浏览或下载为0，新书打分为(0，1)，遍历每个用户的用户行为倒排表和索引，找到和他相同行为图书的用户，这些用户就是他的潜在相似用户，统计这些用户和他的相同行为图书的个数count(pi，pj)以及他们各自分别的行为图书的个数count(pi)，参与相似度计算，两个用户之间的相似度simiUser＝count(pi，pj)/sqrt(count(pi)*count(pj))，分子代表两个用户共同行为对象图书的权重乘积的和，分母代表两个用户各自行为对象图书的权重的乘积的开方；再生成相似用户索引和查询索引。
两本图书的相似度的计算的具体过程为：用对该图书有行为的用户，向量表示该图书，浏览或下载为1，没有浏览或下载为0，新书打分为(0，1)，遍历每个图书的图书行为倒排文件和索引，找到和它相同行为对象的图书，这些图书就是它的潜在相似图书，统计这些图书和它的相同行为的个数count(bi，bj)以及它们各自分别的行为对象的个数count(bi)，参与相似度计算。simiBooks(bi，bj)＝count(bi，bj)/sqrt(count(bi)*count(bj))，分子代表对某两本图书有共同行为的用户的权重乘积的和，分母代表两本图书各自行为用户的权重的乘积的开方；从而生成相似图书索引和查询索引。
具体地，所述S5的具体步骤为：
S51：针对每个用户，通过相似用户索引和查询索引查找相似用户结果倒排表，得到该用户的TOP N相似用户集合。
S52：根据S3中得到的用户行为倒排表和查询索引，找到每个相似用户的行为图书。
S53：对于这些找到的图书，计算每个推荐图书的推荐指数，推荐指数为top N相似用户对该图书的平均推荐指数。每个用户在对一个图书的推荐指数步骤为：在用户u浏览或下载的图书集合A中，任意的在集合A中的图书bi，在相似图书索引和查询索引中查找与图书bi最相似的K个图书，A集合的相似图书集合为B，每个相似图书bj与bi的相似度为simiBooks(bi，bj)，经这个集合为B，用户u对于图书bj的推荐指数为：
Figure GDA0002794033750000041
其中，
Figure GDA0002794033750000042
为用户u对bi的评分值，simiBooks(bi，bj)是bi和bj的图书相似度。
S54：对集合B的每本图书计算推荐指数，到排序后生成推荐列表；
S55：过滤掉用户已经浏览或下载过的图书，得到最终推荐结果。
采用上述方案后，本发明的有益效果如下：
(1)本发明针对用户和图书分别进行不同的相似度计算，并对用户的行为进行排序统计，对用户的阅读偏好能够进行更加准确地判定，并且，不用考虑到用户的年龄、性别、职业特点、产片品牌、手机类型等容易暴露用户身份的信息，在准确率高的同时降低风险，客户更愿意接受，易于推广。
(2)基于用户历史的兴趣推荐，根据用户的浏览或者下载历史，找出与其兴趣最为匹配的图书用户得到的推荐容易理解和接受。而基于协同过滤的兴趣推荐，这种推荐方法与基于用户历史的方法是非常不同的，它不需要商品的细节表述，所以非常适用于一些不好描述的对象。将两种方法混合，该方法就是汲取基于用户历史和协同推荐这两种方法的优点，推荐精确度和召回率更高，更容易产生用户有兴趣却没有涉猎到的图书结果。
(3)TF-IDF，简单快速，易于操作，在一定程度上减少了常用词对图书特征抽取的影响，突出重要的文字；采用TF-IDF算法同时又考虑了整个图书集合中的图书之间的关系，所以得出的术语的权重具有较高的代表性，结果比较符合实际情况。
具体实施方式
下面将结合本发明实施例中的附图，对本实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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。
一种基于组合算法的个性化图书推荐方法，包括如下步骤：
S1：对新书的名称、介绍等内容信息进行关键词提取，进而求得图书的特征向量，用这些关键词标示该图书。
S2：根据用户浏览或下载到的图书的特征向量求得用户的特征向量，进而求得用户对某个新书的评分值。
S3：通过用户-图书实际行为数据对、用户-图书评分值数据对来统计每个用户的行为图书和每个图书的行为用户，生成“用户行为倒排表和查询索引”和“图书行为倒排表和查询索引”。
S4：根据用户对某个新书的评分值来计算两个用户之间的相似度，以及两本图书之间的相似度，生成相似度文件和查询索引：相似用户索引和查询索引、相似图书索引和查询索引。
S5：根据相似用户索引和查询索引、相似图书索引和查询索引计算给用户的图书推荐指数。
具体地，所述S1的具体步骤包括：
S11：抽取图书中的关键词，生成图书-关键词和关键词-图书两个倒排表；
S12：根据S11中图书-关键词和关键词-图书倒排表，使用TF-IDF的方法，计算关键词ki的词频TFij(Term Frequency)、以及倒排频率IDFi(Inverse Document Trequency，也叫做反向文档频率)，假设N为新书的数目，fij为关键词ki在一本图书Bj中出现的次数，则：
Figure GDA0002794033750000051
其中，Max(fj)表示所有的图书Bj中关键词出现的最大次数，TFij表示关键词ki的词频(Term Frequency)，反向文档频率或者倒排频度IDFi(InverseDocument Frequency)反映关键词出现的频繁程度的指标，ni表示关键词ki出现过的图书的数量。
S13：关键词ki在图书Bj中TF-IDF权重Wij为TFij×IDFi。
S14：每本图书Bj的特征向量可以表示为：
Figure GDA0002794033750000052
具体地，S2中，用户的特征向量通过浏览或下载的图书的特征向量的平均值来表示为
Figure GDA0002794033750000053
则用户与对某个新书的评分值可以用余弦公式计算得到：
Figure GDA0002794033750000054
其中，Ci表示用户，该值大于0小于1，0表示没有浏览或下载，1表示浏览或下载。
具体地，所述S3中，生成用户行为倒排表和查询索引的具体步骤包括：
S31：按User ID排序用户-行为图书查询索引；
S32：统计相同User ID发生行为对象的Book ID，将每组User ID行为对象的BookID放入到排表文件中，一组接着一组顺序写入。
S33：将每个User ID行为对象的Book ID、数量、在倒排文件中的起始地址写入索引文件。
生成图书行为倒排文件和查询索引的具体步骤包括。
S34：按Book.ID排序行为图书-用户查询索引。
S35：统计相同Book ID发生行为对象的User ID，将每组Book ID行为对象的UserID放入到排表文件中，一组接着一组顺序写入。
S36：将每个Book ID行为对象的User ID、数量、在倒排文件中的起始地址写入索引文件。
具体地，S4中，两个用户之间的相似度的计算的具体过程为：采用用户发生行为的图书向量来表示用户，浏览或下载为1，没有浏览或下载为0，新书打分为(0，1)，遍历每个用户的用户行为倒排表和索引，找到和他相同行为图书的用户，这些用户就是他的潜在相似用户，统计这些用户和他的相同行为图书的个数count(pi，pj)以及他们各自分别的行为图书的个数count(pi)，参与相似度计算，两个用户之间的相似度simiUser＝count(pi，pj)/sqrt(count(pi)*count(pj))，分子代表两个用户共同行为对象图书的权重乘积的和，分母代表两个用户各自行为对象图书的权重的乘积的开方；再生成相似用户索引和查询索引。
两本图书的相似度的计算的具体过程为：用对该图书有行为的用户，向量表示该图书，浏览或下载为1，没有浏览或下载为0，新书打分为(0，1)，遍历每个图书的图书行为倒排文件和索引，找到和它相同行为对象的图书，这些图书就是它的潜在相似图书，统计这些图书和它的相同行为的个数count(bi，bj)以及它们各自分别的行为对象的个数count(bi)，参与相似度计算。simiBooks(bi，bj)＝count(bi，bj)/sqrt(count(bi)*count(bj))，分子代表对某两本图书有共同行为的用户的权重乘积的和，分母代表两本图书各自行为用户的权重的乘积的开方；从而生成相似图书索引和查询索引。
具体地，所述S5的具体步骤为：
S51：针对每个用户，通过相似用户索引和查询索引查找相似用户结果倒排表，得到该用户的TOP N相似用户集合。
S52：根据S3中得到的用户行为倒排表和查询索引，找到每个相似用户的行为图书。
S53：对于这些找到的图书，计算每个推荐图书的推荐指数，推荐指数为top N相似用户对该图书的平均推荐指数。每个用户在对一个图书的推荐指数步骤为：在用户u浏览或下载的图书集合A中，任意的在集合A中的图书bi，在相似图书索引和查询索引中查找与图书bi最相似的K个图书，A集合的相似图书集合为B，每个相似图书bj与bi的相似度为simiBooks(bi，bj)，经这个集合为B，用户u对于图书bj的推荐指数为：
Figure GDA0002794033750000061
其中，
Figure GDA0002794033750000071
为用户u对bi的评分值，simlBooks(bi，bj)是bi和bj的图书相似度。
S54：对集合B的每本图书计算推荐指数，到排序后生成推荐列表；
S55：过滤掉用户已经浏览或下载过的图书，得到最终推荐结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施例。

Claims (5)

1.一种基于组合算法的个性化图书推荐方法，其特征在于，包括如下步骤：
S1：对图书的内容信息进行关键词提取，求得图书的特征向量；
S2：根据用户浏览或下载到的图书的特征向量求得用户的特征向量，再求得用户对某个新书的评分值；
S3：通过用户-图书实际行为数据对来统计每个用户的行为图书和每个图书的行为用户，生成“用户行为倒排表和查询索引”和“图书行为倒排表和查询索引”；
S4：根据用户的相同行为图书个数与各自行为图书个数计算两个用户之间的相似度，以及两本图书之间的相似度，生成相似度文件和查询索引：相似用户索引和查询索引、相似图书索引和查询索引；
S5：根据S3中生产的“用户行为倒排表和查询索引”和“图书行为倒排表和查询索引”，以及S4中生成的相似用户索引和查询索引、相似图书索引和查询索引计算给用户的图书推荐指数；
S51：针对每个用户，通过相似用户索引和查询索引查找相似用户结果倒排表，得到该用户的TOP N相似用户集合；
S52：根据S3中得到的用户行为倒排表和查询索引，找到每个相似用户的行为图书；
S53：对于这些找到的图书，计算每个推荐图书的推荐指数，推荐指数为top N相似用户对该图书的平均推荐指数；
所述每个用户在对一个图书的推荐指数步骤为：
在用户u浏览或下载的图书集合A中，任意的在集合A中的图书bi，在相似图书索引和查询索引中查找与图书bi最相似的K个图书，A集合的相似图书集合为B，每个相似图书bj与bi的相似度为simiBooks(bi，bj)，经这个集合为B，用户u对于图书bj的推荐指数为：
Figure FDA0003127812650000011
其中，
Figure FDA0003127812650000012
为用户u对bi的评分值，simiBooks(bi，bj)是bi和bj的图书相似度；
S54：对集合B的每本图书计算推荐指数，倒排序后生成推荐列表；
S55：过滤掉用户已经浏览或下载过的图书，得到最终推荐结果。
2.根据权利要求1所述的一种基于组合算法的个性化图书推荐方法，其特征在于，所述S1的具体步骤包括：
S11：抽取图书中的关键词，生成图书-关键词和关键词-图书两个倒排表；
S12：根据S11中图书-关键词和关键词-图书倒排表，使用TF-IDF的方法，计算关键词ki的词频TFij、以及倒排频率IDFi：
Figure FDA0003127812650000021
其中，fij为关键词ki在一本图书Bj中出现的次数，Max(fj)表示所有的图书Bj中关键词出现的最大次数，n1表示关键词ki出现过的图书的数量，N为新书的数目；
S13：关键词ki在图书Bj中TF-IDF权重wij为TFij×IDFi；
S14：每本图书Bj的特征向量可以表示为：
Figure FDA0003127812650000022
3.根据权利要求1所述的一种基于组合算法的个性化图书推荐方法，其特征在于，S2中，用户的特征向量通过浏览或下载的图书的特征向量的平均值来表示为
Figure FDA0003127812650000023
则用户与对某个新书的评分值可以用余弦公式计算得到：
Figure FDA0003127812650000024
4.根据权利要求1所述的一种基于组合算法的个性化图书推荐方法，其特征在于，所述S3中，生成用户行为倒排表和查询索引的具体步骤包括：
S31：按UserID排序用户-行为图书查询索引；
S32：统计相同UserID发生行为对象的BookID，将每组UserID行为对象的BookID放入到排表文件中，一组接着一组顺序写入；
S33：将每个UserID行为对象的BookID、数量、在倒排文件中的起始地址写入索引文件；
生成图书行为倒排文件和查询索引的具体步骤包括：
S34：按Book.ID排序行为图书-用户查询索引；
S35：统计相同BookID发生行为对象的UserID，将每组BookID行为对象的UserID放入到排表文件中，一组接着一组顺序写入；
S36：将每个BookID行为对象的UserID、数量、在倒排文件中的起始地址写入索引文件。
5.根据权利要求1所述的一种基于组合算法的个性化图书推荐方法，其特征在于，S4中，两个用户之间的相似度的计算的具体过程为：
(1)遍历每个用户的用户行为倒排表和索引，找到和他相同行为图书的用户，这些用户就是他的潜在相似用户；
(2)统计这些用户和他的相同行为图书的个数count(pi，pj)以及他们各自分别的行为图书的个数count(pi)，两个用户之间的相似度simiUser＝count(pi，pj)/sqrt(count(pi)*count(pj))，其中分子代表两个用户共同行为对象图书的权重乘积的和，分母代表两个用户各自行为对象图书的权重的乘积的开方；
(3)生成相似用户索引和查询索引；
两本图书的相似度的计算的具体过程为：
(1)遍历每个图书的图书行为倒排文件和索引，找到和它相同行为对象的图书，这些图书就是它的潜在相似图书；
(2)统计这些图书和它的相同行为的个数count(bi，bj)以及它们各自分别的行为对象的个数count(bi)，simiBooks(bi，bj)＝count(bi，bj)/sqrt(count(bi)*count(bj))，分子代表对某两本图书有共同行为的用户的权重乘积的和，分母代表两本图书各自行为用户的权重的乘积的开方；
(3)生成相似图书索引和查询索引。
CN201711149281.7A 2017-11-18 2017-11-18 一种基于组合算法的个性化图书推荐方法 Active CN107943910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711149281.7A CN107943910B (zh) 2017-11-18 2017-11-18 一种基于组合算法的个性化图书推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711149281.7A CN107943910B (zh) 2017-11-18 2017-11-18 一种基于组合算法的个性化图书推荐方法

Publications (2)

Publication Number Publication Date
CN107943910A CN107943910A (zh) 2018-04-20
CN107943910B true CN107943910B (zh) 2021-09-07

Family

ID=61932936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711149281.7A Active CN107943910B (zh) 2017-11-18 2017-11-18 一种基于组合算法的个性化图书推荐方法

Country Status (1)

Country Link
CN (1) CN107943910B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737774B (zh) * 2018-07-03 2024-05-24 百度在线网络技术（北京）有限公司 图书知识图谱的构建、图书推荐方法、装置、设备及介质
CN109472286B (zh) * 2018-09-30 2021-10-29 浙江工业大学 基于兴趣度模型与类型因子的高校图书推荐方法
CN109992602B (zh) * 2019-04-02 2023-05-16 海南颖川科技有限公司 少儿数字阅读指引设备
CN113821581A (zh) * 2021-03-02 2021-12-21 北京沃东天骏信息技术有限公司 信息推荐方法、装置、计算机系统和计算机可读存储介质
CN112989198B (zh) * 2021-03-30 2022-06-07 北京三快在线科技有限公司 推送内容的确定方法、装置、设备及计算机可读存储介质
CN117668167B (zh) * 2024-02-01 2024-04-05 《全国新书目》杂志有限责任公司 一种基于大数据分析的图书评级智能处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2700025A1 (en) * 2011-04-19 2014-02-26 Nokia Corp. Method and apparatus for flexible diversification of recommendation results
CN104166668A (zh) * 2014-06-09 2014-11-26 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN106095949A (zh) * 2016-06-14 2016-11-09 东北师范大学 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169566A (zh) * 2010-02-26 2011-08-31 国际商业机器公司 在陌生领域中生成推荐项目的方法和装置
CN103886067B (zh) * 2014-03-20 2017-01-18 浙江大学 使用标签隐含主题进行图书推荐的方法
CN104021153B (zh) * 2014-05-19 2017-06-06 江苏金智教育信息技术有限公司 一种校园图书的个性化推荐方法
CN104992181A (zh) * 2015-06-29 2015-10-21 昆明理工大学 一种根据图书馆用户习惯的实时图书推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2700025A1 (en) * 2011-04-19 2014-02-26 Nokia Corp. Method and apparatus for flexible diversification of recommendation results
CN104166668A (zh) * 2014-06-09 2014-11-26 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN106095949A (zh) * 2016-06-14 2016-11-09 东北师范大学 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
IT Project Estimation: Recommended for Beginners;Desouza;《IEEE Software》;20051231;全文 *

Also Published As

Publication number Publication date
CN107943910A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107943910B (zh) 一种基于组合算法的个性化图书推荐方法
CN105224699B (zh) 一种新闻推荐方法及装置
WO2017181612A1 (zh) 个性化视频推荐方法及装置
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
US9444907B2 (en) Prediction of user response to invitations in a social network system based on keywords in the user's profile
US8666984B2 (en) Unsupervised message clustering
CN103246681B (zh) 一种搜索方法及装置
US20140172642A1 (en) Analyzing commodity evaluations
CN108717407B (zh) 实体向量确定方法及装置，信息检索方法及装置
CN106708817B (zh) 信息搜索方法及装置
CN110110225B (zh) 基于用户行为数据分析的在线教育推荐模型及构建方法
CN110197404B (zh) 可降低流行度偏差的个性化长尾商品推荐方法和系统
CN109409928A (zh) 一种素材推荐方法、装置、存储介质、终端
US20130138429A1 (en) Method and Apparatus for Information Searching
CN105354260B (zh) 一种融合社会网络和项目特征的移动应用推荐方法
CN113961823B (zh) 新闻推荐方法、系统、存储介质及设备
CN106354867A (zh) 多媒体资源的推荐方法及装置
CN113934941A (zh) 一种基于多维度信息的用户推荐系统及方法
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
Prando et al. Content-based Recommender System using Social Networks for Cold-start Users.
CN106933878B (zh) 一种信息处理方法及装置
CN114820123A (zh) 团购商品推荐方法、装置、设备及存储介质
US9058328B2 (en) Search device, search method, search program, and computer-readable memory medium for recording search program
Wei et al. Online education recommendation model based on user behavior data analysis
CN112288510A (zh) 物品推荐方法、装置、设备及存储介质

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