CN108038120A - 协同过滤推荐方法、电子设备及计算机可读存储介质 - Google Patents
协同过滤推荐方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108038120A CN108038120A CN201711059396.7A CN201711059396A CN108038120A CN 108038120 A CN108038120 A CN 108038120A CN 201711059396 A CN201711059396 A CN 201711059396A CN 108038120 A CN108038120 A CN 108038120A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- label
- targeted customer
- correlation
- 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
Abstract
本发明公开了一种协同过滤推荐方法，该方法包括步骤：根据用户标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性大小选取第一预定数量的指定用户作为该目标用户的最近邻居集合；从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签；计算该目标用户与每个候选标签的相关性，按照相关性大小选取第二预定数量的候选标签作为该目标用户的新增标签；根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。本发明可以提高推荐效率。
Description
技术领域
本发明涉及计算机信息技术领域，尤其涉及一种协同过滤推荐方法、电子设备及计算机可读存储介质。
背景技术
目前，传统的协同过滤推荐方法主要包括基于用户的协同过滤推荐和基于项目的协同过滤推荐。然而，在评分矩阵稀疏的情况下，传统的协同过滤推荐算法可能无法进行相似性计算。并且，随着用户的增长，计算量呈线性增长，可扩展性不是很理想。故，现有技术中的协同过滤推荐方法设计不够合理，亟需改进。
发明内容
有鉴于此，本发明提出一种协同过滤推荐方法、电子设备及计算机可读存储介质，通过引入用户-标签相关性矩阵和标签-项目相关性矩阵，解决了传统协同过滤方法评分矩阵稀疏和兴趣模型单一等问题，缩小了评分矩阵的规模，提高了算法运行效率。
首先，为实现上述目的，本发明提出一种电子设备，所述电子设备包括存储器及处理器，所述存储器上存储有可在所述处理器上运行的协同过滤推荐系统，所述协同过滤推荐系统被所述处理器执行时实现如下步骤：
根据用户-标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性从高到低的顺序，选取第一预定数量的指定用户作为该目标用户的最近邻居集合；
从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签；
计算该目标用户与每个候选标签的相关性，按照相关性从高到低的顺序，选取第二预定数量的候选标签作为该目标用户的新增标签；及
根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。
优选地，所述用户-标签相关性矩阵采用二维矩阵，该二维矩阵的每一行代表一个用户，每一列代表一个标签，该二维矩阵存储有所有用户与所有标签之间的相关性；
所述目标用户与不同指定用户的相似性采用第一计算公式计算得出，所述第一计算公式设置为公式1：
公式1中，Sa,s代表目标用户ua与指定用户us之间的相似度，Ta,s代表目标用户ua与指定用户us共同使用过的标签，ra,t代表目标用户ua与标签t之间的相关性，rs,t代表指定用户us与标签t之间的相关性，代表用户ua与所有标签的相关性的平均值，代表用户us与所有标签的相关性的平均值。
优选地，所述目标用户与每个候选标签的相关性采用第二计算公式计算得出，所述第二计算公式设置为公式2：
公式2中，Pa,k代表目标用户ua与候选标签tk的相关性，UK代表使用过标签tk的用户集合，UN代表所述最近邻居集合的所有用户，Sa,u代表目标用户ua与指定用户uu之间的相似度，ru,k代表指定用户uu与候选标签tk之间的相关性。
优选地，所述推荐与该原始标签和新增标签相关的项目至该目标用户包括：
从该目标用户的原始标签和新增标签依次选取一个标签，获取该选取标签所标记的项目集，计算该选取标签与该项目集中每个项目的相关性，按照相关性从高到低的顺序，选取第三预定数量的项目推荐至该目标用户。
优选地，该选取标签与该项目集中每个项目的相关性采用第三计算公式计算得出，所述第三计算公式设置为公式3：
公式3中，t1代表该目标用户的原始标签和新增标签集合TN中的一个标签，i代表标签t1所标记的项目集It1中的一个项目，relate(t1,i)代表标签t1与项目i的相关性，countUser(t1,i)代表跟项目i和标签t1相关的用户数，countUser(t1,j)代表跟项目j和标签t1相关的用户数。
此外，为实现上述目的，本发明还提供一种协同过滤推荐方法，该方法应用于电子设备，所述方法包括：
根据用户-标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性从高到低的顺序，选取第一预定数量的指定用户作为该目标用户的最近邻居集合；
从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签；
计算该目标用户与每个候选标签的相关性，按照相关性从高到低的顺序，选取第二预定数量的候选标签作为该目标用户的新增标签；及
根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。
优选地，所述用户-标签相关性矩阵采用二维矩阵，该二维矩阵的每一行代表一个用户，每一列代表一个标签，该二维矩阵存储有所有用户与所有标签之间的相关性；
所述目标用户与不同指定用户的相似性采用第一计算公式计算得出，所述第一计算公式设置为公式1：
公式1中，Sa,s代表目标用户ua与指定用户us之间的相似度，Ta,s代表目标用户ua与指定用户us共同使用过的标签，ra,t代表目标用户ua与标签t之间的相关性，rs,t代表指定用户us与标签t之间的相关性，代表用户ua与所有标签的相关性的平均值，代表用户us与所有标签的相关性的平均值。
优选地，所述目标用户与每个候选标签的相关性采用第二计算公式计算得出，所述第二计算公式设置为公式2：
公式2中，Pa,k代表目标用户ua与候选标签tk的相关性，UK代表使用过标签tk的用户集合，UN代表所述最近邻居集合的所有用户，Sa,u代表目标用户ua与指定用户uu之间的相似度，ru,k代表指定用户uu与候选标签tk之间的相关性。
优选地，所述推荐与该原始标签和新增标签相关的项目至该目标用户包括：
从该目标用户的原始标签和新增标签依次选取一个标签，获取该选取标签所标记的项目集，计算该选取标签与该项目集中每个项目的相关性，按照相关性从高到低的顺序，选取第三预定数量的项目推荐至该目标用户；
该选取标签与该项目集中每个项目的相关性采用第三计算公式计算得出，所述第三计算公式设置为公式3：
公式3中，t1代表该目标用户的原始标签和新增标签集合TN中的一个标签，i代表标签t1所标记的项目集It1中的一个项目，relate(t1,i)代表标签t1与项目i的相关性，countUser(t1,i)代表跟项目i和标签t1相关的用户数，countUser(t1,j)代表跟项目j和标签t1相关的用户数。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有协同过滤推荐系统，所述协同过滤推荐系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的协同过滤推荐方法的步骤。
相较于现有技术，本发明所提出的电子设备、协同过滤推荐方法及计算机可读存储介质，通过引入用户-标签相关性矩阵和标签-项目相关性矩阵，解决了传统协同过滤方法评分矩阵稀疏和兴趣模型单一等问题，缩小了评分矩阵的规模，提高了算法运行效率，增强了算法的可扩展性，本发明所采用的基于用户标签的协同过滤推荐效果要优于传统协同过滤方法。
附图说明
图1是本发明电子设备一可选的硬件架构的示意图；
图2是本发明电子设备中协同过滤推荐系统一实施例的程序模块示意图；
图3为本发明协同过滤推荐方法一实施例的实施流程示意图。
附图标记：
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
进一步需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
首先，本发明提出一种电子设备2。
参阅图1所示，是本发明电子设备2一可选的硬件架构的示意图。本实施例中，所述电子设备2可包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23。需要指出的是，图1仅示出了具有组件21-23的电子设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述电子设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该电子设备2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述电子设备2的内部存储单元，例如该电子设备2的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述电子设备2的外部存储设备，例如该电子设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述电子设备2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述电子设备2的操作系统和各类应用软件，例如协同过滤推荐系统20的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子设备2的总体操作，例如执行与所述电子设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的协同过滤推荐系统20等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述电子设备2与其他电子设备之间建立通信连接。例如，所述网络接口23用于通过网络将所述电子设备2与外部数据平台相连，在所述电子设备2与外部数据平台之间的建立数据传输通道和通信连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
至此，己经详细介绍了本发明各个实施例的应用环境和相关设备的硬件结构和功能。下面，将基于上述应用环境和相关设备，提出本发明的各个实施例。
参阅图2所示，是本发明电子设备2中协同过滤推荐系统20一实施例的程序模块图。本实施例中，所述的协同过滤推荐系统20可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储于所述存储器21中，并由一个或多个处理器(本实施例中为所述处理器22)所执行，以完成本发明。例如，在图2中，所述的协同过滤推荐系统20可以被分割成计算模块201、选取模块202、以及推荐模块203。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述协同过滤推荐系统20在所述电子设备2中的执行过程。以下将就各程序模块201-203的功能进行详细描述。
所述计算模块201，用于根据用户-标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性从高到低的顺序，选取第一预定数量的指定用户(如相似性较高的前10个指定用户)作为该目标用户的最近邻居集合。
优选地，在本实施例中，所述用户-标签相关性矩阵采用二维矩阵，该二维矩阵的每一行代表一个用户，每一列代表一个标签(如产险用户标签等)。进一步地，该二维矩阵存储有所有用户与所有标签之间的相关性。
优选地，在本实施例中，所述目标用户与不同指定用户的相似性采用第一计算公式计算得出，其中，所述第一计算公式可以设置为如下公式1所示。
其中，所述Sa,s代表目标用户ua与指定用户us之间的相似度，Ta,s代表目标用户ua与指定用户us共同使用过的标签，ra,t代表目标用户ua与标签t之间的相关性，rs,t代表指定用户us与标签t之间的相关性，代表用户ua与所有标签的相关性的平均值，代表用户us与所有标签的相关性的平均值。
所述选取模块202，用于从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签(作为一个集合记录下来)。
所述计算模块201，还用于计算该目标用户与每个候选标签的相关性，按照相关性从高到低的顺序，选取第二预定数量的候选标签(如相关性较高的前3个候选标签)作为该目标用户的新增标签。
优选地，在本实施例中，所述目标用户与每个候选标签的相关性采用第二计算公式计算得出，其中，所述第二计算公式可以设置为如下公式2所示。
其中，所述Pa,k代表目标用户ua与候选标签tk的相关性，UK代表使用过标签tk的用户集合，UN代表所述最近邻居集合的所有用户(即第一预定数量的指定用户，N＝第一预定数量)，Sa,u代表目标用户ua与指定用户uu之间的相似度，ru,k代表指定用户uu与候选标签tk之间的相关性(即指定用户uu使用候选标签tk的权重)。
所述推荐模块203，用于根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。其中，该目标用户的原始标签可以是所述用户-标签相关性矩阵中原始存储的该目标用户的标签。
优选地，在本实施例中，所述推荐与该原始标签和新增标签相关的项目至该目标用户包括如下步骤：
从该目标用户的原始标签和新增标签依次选取一个标签，获取该选取标签所标记的项目集，计算该选取标签与该项目集中每个项目的相关性(得到标签-项目相关性矩阵)，按照相关性从高到低的顺序，选取第三预定数量的项目(如相关性较高的前3个项目)推荐至该目标用户。
进一步地，在本实施例中，该选取标签与该项目集中每个项目的相关性采用第三计算公式计算得出，其中，所述第三计算公式可以设置为如下公式3所示。
其中，t1代表该目标用户的原始标签和新增标签集合TN中的一个标签(即t1∈TN)，i代表标签t1所标记的项目集It1中的一个项目，relate(t1,i)代表标签t1与项目i的相关性，countUser(t1,i)代表跟项目i和标签t1相关的用户数，countUser(t1,j)代表跟项目j和标签t1相关的用户数，公式3右边分母部分代表项目集It1中跟标签t1相关的所有用户数。
需要说明的是，传统的基于用户的协同过滤和基于项目的协同过滤存在评分矩阵稀疏、兴趣模型单一和冷启动等问题，本发明将用户标签引入协同过滤，通过用户-标签相关性矩阵和标签-项目相关性矩阵进行协同过滤，从而摒弃了传统的用户-项目矩阵模型，利用标签对项目进行了划分，弥补了传统协同过滤的缺陷。
通过上述程序模块201-203，本发明所提出的协同过滤推荐系统20，通过引入用户-标签相关性矩阵和标签-项目相关性矩阵，解决了传统协同过滤方法评分矩阵稀疏和兴趣模型单一等问题，缩小了评分矩阵的规模，提高了算法运行效率，增强了算法的可扩展性，本发明所采用的基于用户标签的协同过滤推荐效果要优于传统协同过滤方法。
此外，本发明还提出一种协同过滤推荐方法。
参阅图3所示，是本发明协同过滤推荐方法一实施例的实施流程示意图。在本实施例中，根据不同的需求，图3所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S31，根据用户-标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性从高到低的顺序，选取第一预定数量的指定用户(如相似性较高的前10个指定用户)作为该目标用户的最近邻居集合。
优选地，在本实施例中，所述用户-标签相关性矩阵采用二维矩阵，该二维矩阵的每一行代表一个用户，每一列代表一个标签(如产险用户标签等)。进一步地，该二维矩阵存储有所有用户与所有标签之间的相关性。
优选地，在本实施例中，所述目标用户与不同指定用户的相似性采用第一计算公式计算得出，其中，所述第一计算公式可以设置为如下公式1所示。
其中，所述Sa,s代表目标用户ua与指定用户us之间的相似度，Ta,s代表目标用户ua与指定用户us共同使用过的标签，ra,t代表目标用户ua与标签t之间的相关性，rs,t代表指定用户us与标签t之间的相关性，代表用户ua与所有标签的相关性的平均值，代表用户us与所有标签的相关性的平均值。
步骤S32，从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签(作为一个集合记录下来)。
步骤S33，计算该目标用户与每个候选标签的相关性，按照相关性从高到低的顺序，选取第二预定数量的候选标签(如相关性较高的前3个候选标签)作为该目标用户的新增标签。
优选地，在本实施例中，所述目标用户与每个候选标签的相关性采用第二计算公式计算得出，其中，所述第二计算公式可以设置为如下公式2所示。
其中，所述Pa,k代表目标用户ua与候选标签tk的相关性，UK代表使用过标签tk的用户集合，UN代表所述最近邻居集合的所有用户(即第一预定数量的指定用户，N＝第一预定数量)，Sa,u代表目标用户ua与指定用户uu之间的相似度，ru,k代表指定用户uu与候选标签tk之间的相关性(即指定用户uu使用候选标签tk的权重)。
步骤S34，根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。其中，该目标用户的原始标签可以是所述用户-标签相关性矩阵中原始存储的该目标用户的标签。
优选地，在本实施例中，所述推荐与该原始标签和新增标签相关的项目至该目标用户包括如下步骤：
从该目标用户的原始标签和新增标签依次选取一个标签，获取该选取标签所标记的项目集，计算该选取标签与该项目集中每个项目的相关性(得到标签-项目相关性矩阵)，按照相关性从高到低的顺序，选取第三预定数量的项目(如相关性较高的前3个项目)推荐至该目标用户。
进一步地，在本实施例中，该选取标签与该项目集中每个项目的相关性采用第三计算公式计算得出，其中，所述第三计算公式可以设置为如下公式3所示。
其中，t1代表该目标用户的原始标签和新增标签集合TN中的一个标签(即t1∈TN)，i代表标签t1所标记的项目集It1中的一个项目，relate(t1,i)代表标签t1与项目i的相关性，countUser(t1,i)代表跟项目i和标签t1相关的用户数，countUser(t1,j)代表跟项目j和标签t1相关的用户数，公式3右边分母部分代表项目集It1中跟标签t1相关的所有用户数。
需要说明的是，传统的基于用户的协同过滤和基于项目的协同过滤存在评分矩阵稀疏、兴趣模型单一和冷启动等问题，本发明将用户标签引入协同过滤，通过用户-标签相关性矩阵和标签-项目相关性矩阵进行协同过滤，从而摒弃了传统的用户-项目矩阵模型，利用标签对项目进行了划分，弥补了传统协同过滤的缺陷。
通过上述步骤S31-S34，本发明所提出的协同过滤推荐方法，通过引入用户-标签相关性矩阵和标签-项目相关性矩阵，解决了传统协同过滤方法评分矩阵稀疏和兴趣模型单一等问题，缩小了评分矩阵的规模，提高了算法运行效率，增强了算法的可扩展性，本发明所采用的基于用户标签的协同过滤推荐效果要优于传统协同过滤方法。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质(如ROM/RAM、磁碟、光盘)，所述计算机可读存储介质存储有协同过滤推荐系统20，所述协同过滤推荐系统20可被至少一个处理器22执行，以使所述至少一个处理器22执行如上所述的协同过滤推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器上存储有可在所述处理器上运行的协同过滤推荐系统，所述协同过滤推荐系统被所述处理器执行时实现如下步骤：
根据用户-标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性从高到低的顺序，选取第一预定数量的指定用户作为该目标用户的最近邻居集合；
从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签；
计算该目标用户与每个候选标签的相关性，按照相关性从高到低的顺序，选取第二预定数量的候选标签作为该目标用户的新增标签；及
根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。
2.如权利要求1所述的电子设备，其特征在于，所述用户-标签相关性矩阵采用二维矩阵，该二维矩阵的每一行代表一个用户，每一列代表一个标签，该二维矩阵存储有所有用户与所有标签之间的相关性；
所述目标用户与不同指定用户的相似性采用第一计算公式计算得出，所述第一计算公式设置为公式1：
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>;</mo>
</mrow>
公式1中，Sa,s代表目标用户ua与指定用户us之间的相似度，Ta,s代表目标用户ua与指定用户us共同使用过的标签，ra,t代表目标用户ua与标签t之间的相关性，rs,t代表指定用户us与标签t之间的相关性，代表用户ua与所有标签的相关性的平均值，代表用户us与所有标签的相关性的平均值。
3.如权利要求1所述的电子设备，其特征在于，所述目标用户与每个候选标签的相关性采用第二计算公式计算得出，所述第二计算公式设置为公式2：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<msub>
<mi>U</mi>
<mi>N</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<msub>
<mi>U</mi>
<mi>N</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式2中，Pa,k代表目标用户ua与候选标签tk的相关性，UK代表使用过标签tk的用户集合，UN代表所述最近邻居集合的所有用户，Sa,u代表目标用户ua与指定用户uu之间的相似度，ru,k代表指定用户uu与候选标签tk之间的相关性。
4.如权利要求1所述的电子设备，其特征在于，所述推荐与该原始标签和新增标签相关的项目至该目标用户包括：
从该目标用户的原始标签和新增标签依次选取一个标签，获取该选取标签所标记的项目集，计算该选取标签与该项目集中每个项目的相关性，按照相关性从高到低的顺序，选取第三预定数量的项目推荐至该目标用户。
5.如权利要求4所述的电子设备，其特征在于，该选取标签与该项目集中每个项目的相关性采用第三计算公式计算得出，所述第三计算公式设置为公式3：
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mi>U</mi>
<mi>s</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mi>U</mi>
<mi>s</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式3中，t1代表该目标用户的原始标签和新增标签集合TN中的一个标签，i代表标签t1所标记的项目集It1中的一个项目，relate(t1,i)代表标签t1与项目i的相关性，countUser(t1,i)代表跟项目i和标签t1相关的用户数，countUser(t1,j)代表跟项目j和标签t1相关的用户数。
6.一种协同过滤推荐方法，应用于电子设备，其特征在于，所述方法包括：
根据用户-标签相关性矩阵计算目标用户与不同指定用户的相似性，按照相似性从高到低的顺序，选取第一预定数量的指定用户作为该目标用户的最近邻居集合；
从所述最近邻居集合的用户标签中选取该目标用户未使用的标签，作为该目标用户的候选标签；
计算该目标用户与每个候选标签的相关性，按照相关性从高到低的顺序，选取第二预定数量的候选标签作为该目标用户的新增标签；及
根据该目标用户的原始标签和新增标签，推荐与该原始标签和新增标签相关的项目至该目标用户。
7.如权利要求6所述的协同过滤推荐方法，其特征在于，所述用户-标签相关性矩阵采用二维矩阵，该二维矩阵的每一行代表一个用户，每一列代表一个标签，该二维矩阵存储有所有用户与所有标签之间的相关性；
所述目标用户与不同指定用户的相似性采用第一计算公式计算得出，所述第一计算公式设置为公式1：
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mi>a</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>;</mo>
</mrow>
公式1中，Sa,s代表目标用户ua与指定用户us之间的相似度，Ta,s代表目标用户ua与指定用户us共同使用过的标签，ra,t代表目标用户ua与标签t之间的相关性，rs,t代表指定用户us与标签t之间的相关性，代表用户ua与所有标签的相关性的平均值，代表用户us与所有标签的相关性的平均值。
8.如权利要求6所述的协同过滤推荐方法，其特征在于，所述目标用户与每个候选标签的相关性采用第二计算公式计算得出，所述第二计算公式设置为公式2：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<msub>
<mi>U</mi>
<mi>N</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<msub>
<mi>U</mi>
<mi>N</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式2中，Pa,k代表目标用户ua与候选标签tk的相关性，UK代表使用过标签tk的用户集合，UN代表所述最近邻居集合的所有用户，Sa,u代表目标用户ua与指定用户uu之间的相似度，ru,k代表指定用户uu与候选标签tk之间的相关性。
9.如权利要求6所述的协同过滤推荐方法，其特征在于，所述推荐与该原始标签和新增标签相关的项目至该目标用户包括：
从该目标用户的原始标签和新增标签依次选取一个标签，获取该选取标签所标记的项目集，计算该选取标签与该项目集中每个项目的相关性，按照相关性从高到低的顺序，选取第三预定数量的项目推荐至该目标用户；
该选取标签与该项目集中每个项目的相关性采用第三计算公式计算得出，所述第三计算公式设置为公式3：
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mi>U</mi>
<mi>s</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mi>U</mi>
<mi>s</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式3中，t1代表该目标用户的原始标签和新增标签集合TN中的一个标签，i代表标签t1所标记的项目集It1中的一个项目，relate(t1,i)代表标签t1与项目i的相关性，countUser(t1,i)代表跟项目i和标签t1相关的用户数，countUser(t1,j)代表跟项目j和标签t1相关的用户数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有协同过滤推荐系统，所述协同过滤推荐系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求6-9中任一项所述的协同过滤推荐方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059396.7A CN108038120A (zh) | 2017-11-01 | 2017-11-01 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
| PCT/CN2017/113724 WO2019085120A1 (zh) | 2017-11-01 | 2017-11-30 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059396.7A CN108038120A (zh) | 2017-11-01 | 2017-11-01 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108038120A true CN108038120A (zh) | 2018-05-15 |
Family
ID=62093688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711059396.7A Pending CN108038120A (zh) | 2017-11-01 | 2017-11-01 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108038120A (zh) |
| WO (1) | WO2019085120A1 (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101563A (zh) * | 2018-07-13 | 2018-12-28 | 东软集团股份有限公司 | 一种对象推荐方法、装置、介质以及设备 |
| CN109753994A (zh) * | 2018-12-11 | 2019-05-14 | 东软集团股份有限公司 | 用户画像方法、装置、计算机可读存储介质及电子设备 |
| CN109801101A (zh) * | 2019-01-03 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 标签确定方法、装置、计算机设备和存储介质 |
| CN110209927A (zh) * | 2019-04-25 | 2019-09-06 | 北京三快在线科技有限公司 | 个性化推荐方法、装置、电子设备及可读存储介质 |
| CN110223107A (zh) * | 2019-05-23 | 2019-09-10 | 中国银行股份有限公司 | 基于相似对象的参考广告确定方法、装置和设备 |
| CN112732971A (zh) * | 2021-01-21 | 2021-04-30 | 广西师范大学 | 一种基于标签的协同过滤音乐推荐方法 |
| CN112818377A (zh) * | 2019-11-18 | 2021-05-18 | 广东美云智数科技有限公司 | 权限数据推荐、权限设置方法及系统、电子设备及介质 |
| CN113421118A (zh) * | 2021-06-24 | 2021-09-21 | 平安壹钱包电子商务有限公司 | 数据推送方法、系统、计算机设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508870A (zh) * | 2011-10-10 | 2012-06-20 | 南京大学 | 一种结合评分数据与标签数据的个性化推荐方法 |
| CN102841929A (zh) * | 2012-07-19 | 2012-12-26 | 南京邮电大学 | 一种综合用户和项目评分及特征因素的推荐方法 |
| CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
| CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
| US20140372453A1 (en) * | 2012-01-20 | 2014-12-18 | Shyam Sundar RAJARAM | Managing data entities using collaborative filtering |
| CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
| CN104239390B (zh) * | 2014-06-11 | 2017-12-29 | 杭州联汇科技股份有限公司 | 一种基于改进型协同过滤算法的音频推荐方法 |
| CN104216993A (zh) * | 2014-09-10 | 2014-12-17 | 武汉科技大学 | 一种标签共现的标签聚类方法 |
-
2017
- 2017-11-01 CN CN201711059396.7A patent/CN108038120A/zh active Pending
- 2017-11-30 WO PCT/CN2017/113724 patent/WO2019085120A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508870A (zh) * | 2011-10-10 | 2012-06-20 | 南京大学 | 一种结合评分数据与标签数据的个性化推荐方法 |
| US20140372453A1 (en) * | 2012-01-20 | 2014-12-18 | Shyam Sundar RAJARAM | Managing data entities using collaborative filtering |
| CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
| CN102841929A (zh) * | 2012-07-19 | 2012-12-26 | 南京邮电大学 | 一种综合用户和项目评分及特征因素的推荐方法 |
| CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
| CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| AE-TTIE等: "《AI 2007: Advances in Artificial Intelligence》", 31 December 2007, SPRINGER-VERLAG BERLIN HEIDELBERG * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101563A (zh) * | 2018-07-13 | 2018-12-28 | 东软集团股份有限公司 | 一种对象推荐方法、装置、介质以及设备 |
| CN109753994A (zh) * | 2018-12-11 | 2019-05-14 | 东软集团股份有限公司 | 用户画像方法、装置、计算机可读存储介质及电子设备 |
| CN109801101A (zh) * | 2019-01-03 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 标签确定方法、装置、计算机设备和存储介质 |
| CN110209927A (zh) * | 2019-04-25 | 2019-09-06 | 北京三快在线科技有限公司 | 个性化推荐方法、装置、电子设备及可读存储介质 |
| CN110223107A (zh) * | 2019-05-23 | 2019-09-10 | 中国银行股份有限公司 | 基于相似对象的参考广告确定方法、装置和设备 |
| CN112818377A (zh) * | 2019-11-18 | 2021-05-18 | 广东美云智数科技有限公司 | 权限数据推荐、权限设置方法及系统、电子设备及介质 |
| CN112732971A (zh) * | 2021-01-21 | 2021-04-30 | 广西师范大学 | 一种基于标签的协同过滤音乐推荐方法 |
| CN113421118A (zh) * | 2021-06-24 | 2021-09-21 | 平安壹钱包电子商务有限公司 | 数据推送方法、系统、计算机设备及计算机可读存储介质 |
| CN113421118B (zh) * | 2021-06-24 | 2023-05-30 | 平安壹钱包电子商务有限公司 | 数据推送方法、系统、计算机设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019085120A1 (zh) | 2019-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038120A (zh) | 协同过滤推荐方法、电子设备及计算机可读存储介质 | |
| CN109815339A (zh) | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 | |
| CN108062573A (zh) | 模型训练方法及装置 | |
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| CN107679084A (zh) | 聚类标签生成方法、电子设备及计算机可读存储介质 | |
| CN108090208A (zh) | 融合数据处理方法及装置 | |
| CN107358247B (zh) | 一种确定流失用户的方法及装置 | |
| CN108573428A (zh) | 一种资源推荐方法和装置 | |
| CN104239298B (zh) | 文本信息推荐方法、服务器、浏览器及系统 | |
| CN107797989A (zh) | 企业名称识别方法、电子设备及计算机可读存储介质 | |
| CN107958016A (zh) | 功能页面定制方法及应用服务器 | |
| CN110097395A (zh) | 定向广告投放方法、装置及计算机可读存储介质 | |
| CN112613938B (zh) | 模型训练方法、装置及计算机设备 | |
| CN107895277A (zh) | 在应用程序中推送贷款广告的方法、电子装置及介质 | |
| CN105335409A (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
| CN107844468A (zh) | 表格信息跨页识别方法、电子设备及计算机可读存储介质 | |
| CN109815381A (zh) | 用户画像构建方法、系统、计算机设备及存储介质 | |
| CN107870986A (zh) | 基于爬虫数据的用户行为分析方法、应用服务器及计算机可读存储介质 | |
| CN110473120A (zh) | 基于工业互联网的微服务异构再生系统、方法及存储介质 | |
| CN110503235A (zh) | 时间序列的预测方法及系统 | |
| CN107688651A (zh) | 新闻情感方向判断方法、电子设备及计算机可读存储介质 | |
| CN109614914A (zh) | 车位顶点定位方法、装置和存储介质 | |
| CN109446515A (zh) | 群组信息分析方法、电子装置及计算机可读存储介质 | |
| CN107766322A (zh) | 同名实体识别方法、电子设备及计算机可读存储介质 | |
| CN107066582A (zh) | 实现虚拟资源推荐的方法及装置 |
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: 20180515 |
|
| RJ01 | Rejection of invention patent application after publication |