CN108038746A - 基于关键用户和时间上下文的二部图推荐方法 - Google Patents

基于关键用户和时间上下文的二部图推荐方法 Download PDF

Info

Publication number
CN108038746A
CN108038746A CN201711190064.2A CN201711190064A CN108038746A CN 108038746 A CN108038746 A CN 108038746A CN 201711190064 A CN201711190064 A CN 201711190064A CN 108038746 A CN108038746 A CN 108038746A
Authority
CN
China
Prior art keywords
user
key
commodity
users
bipartite graph
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
CN201711190064.2A
Other languages
English (en)
Inventor
翁小兰
王志坚
徐会艳
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201711190064.2A priority Critical patent/CN108038746A/zh
Publication of CN108038746A publication Critical patent/CN108038746A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Coloring Foods And Improving Nutritive Qualities (AREA)

Abstract

本发明公开了一种基于关键用户和时间上下文的二部图推荐方法，属于个性化智能推荐的技术领域。该方法包括用户对商品的反馈数据采集、关键用户集提取、用户的兴趣偏好邻居集构建、在经裁剪的用户‑商品二部图上进行物质资源扩散、最终推荐。采用此方法，挖掘出推荐系统中起主导作用的关键用户群体，在此群体中寻找目标用户的兴趣最近邻居集合C，并根据集合C对二部图进行剪裁，去掉与目标用户不相关或相关性较弱的结点和边，从而减少计算复杂度，保证推荐算法的实时性。另外，在第二步物质扩散过程中引入用户评分时间衰弱函数，体现不同时间的评分值对推荐结果的不同贡献程度，从而提高算法的推荐精确度。

Description

基于关键用户和时间上下文的二部图推荐方法
技术领域
本发明属于个性化智能推荐的技术领域，具体涉及一种基于关键用户和时间上下文的二部图推荐方法。
背景技术
近年来，基于二部图的推荐算法被广泛应用于推荐系统中，成为研究热点。采用传统的二部图推荐方法，不考虑用户对推荐系统的重要程度，在整个用户空间进行物质资源转移，包括很大一部分与目标用户兴趣无关或者相关性较弱的用户，造成计算复杂度高，很难保证算法的实时性。另外，传统的二部图推荐方法，不考虑用户评价时间对推荐结果的贡献程度，从而降低了推荐准确度。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种基于关键用户和时间上下文的二部图推荐方法，根据用户的评分权威度构建关键用户集合，并在关键用户集中寻找目标用户的兴趣偏好邻居集C，裁剪掉二部图中不在集合C中的用户结点和对应的边，利用物质扩散算法在经过大幅度剪裁的二部图中进行物质资源扩散，同时在第二步扩散过程融入时间衰弱因子，体现不同时间的评分值对推荐结果的不同贡献程度，最终向目标用户推荐获得资源最多的前N个商品信息。
技术方案：一种基于关键用户和时间上下文的二部图推荐方法，包括如下步骤：
步骤一，采集用户对商品的反馈数据；
步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分准确度，综合上述两种因素形成用户作为关键用户的权威度；
提取关键用户的具体过程为：
S201：计算用户的交易经验度；
S202：计算用户的评分准确度；
S203：使用加权法对S201和S202计算结果求和，得到用户的权威度，并根据权威度的高低，选取前K0个用户作为关键用户集成员；
步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度。基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；
构建用户的兴趣偏好邻居集的具体过程为：
S301：计算用户与关键用户集成员之间的兴趣吻合度；
S302：计算用户与关键用户集成员之间的评分信任度；
S303：求出S301和S302两步结果的均值，得到用户对关键用户的综合信任度；
S304：根据S203和S303两步结果，实现用户到关键用户的映射，产生用户的兴趣偏好邻居集C；
步骤四，物质扩散过程，在经剪裁的二部图中进行物质资源扩散，并在第二步扩散过程中引入时间上下文；
S401：将推荐系统中所有用户和商品作为结点，用户和商品之间有反馈数据的用无向边连接，生成用户-商品二部图；
S402：根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边；
S403：在经过大幅度剪裁的二部图中，进行第一步物质资源扩散；
S404：引入非线性时间衰弱函数，进行物质资源的第二步扩散；
步骤五，最终推荐，将步骤四中获得物质资源最多且目标用户没有购买过的前N个商品信息推荐给目标用户。
进一步的，步骤四中，基于用户的兴趣邻居集对用户-商品二部图进行剪裁。
与现有技术相比，本发明所达到的有益效果是：本发明根据用户对商品的历史反馈数据挖掘交易经验丰富、评分客观的关键用户群体(这个群体在推荐系统中起着主导作用)，以用户之间的兴趣吻合度和评分信任度为衡量标准建立目标用户与关键用户集的映射关系。通过这种映射关系，确定目标用户的兴趣偏好邻居集C，裁剪掉二部图中不在集合C中的用户结点和对应的边，然后利用物质扩散算法在经过大幅度剪裁的二部图中进行物质资源扩散，并且在第二步扩散过程融入时间衰弱因子，体现不同时间的评分值对推荐结果的不同贡献程度，最终将获得资源最多的前N个商品推荐给目标用户。此方法能够有效减少计算规模，保证推荐算法的实时性，同时可以提高推荐结果的准确率。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
基于关键用户和时间上下文的二部图推荐方法，如图1所示，包括如下步骤：
步骤一，采集用户对商品的反馈数据。推荐系统中，用户的反馈数据蕴含了用户的历史兴趣偏好，既可以是用户的直接评分、投票、打标签、评论等显式方式，也可以是用户的购买、收藏或浏览行为等隐式方式；
推荐系统需要根据应用场合的需求，对采集到的用户行为数据进行整合、减噪、归一化处理形成用户-商品评分数据。对于一个具有m个用户、n个商品的推荐系统来说，使用二维矩阵Rm×n＝{ri,j|i＝1,2,...m,j＝1,2,...n}表示用户-商品评价数据，其中，元素ri,j是用户i对商品j的评分(大部分推荐系统中采用1-5之间的等级数据表示用户对商品的喜好程度)。
步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分的准确度，综合上述两种因素形成用户作为关键用户的权威度，并根据权威度的高低，选取前K0个用户作为关键用户集成员；
提取关键用户的具体过程为：
S201：根据公式计算用户的交易经验度，其中，nx表示用户已经评价过的商品数目，Max(|ui|)代表评价最多的用户所评价的商品数目；
S202：根据公式计算用户的评分准确度(其中，l代表用户i评价过的商品的数目，Ri,j代表用户i对商品j的评分，代表商品j的平均评分)为了减少用户评分习惯导致的评分差异，对用户评分进行min-max规范化后进行样本标准差的计算；
S203：根据公式A(ui)＝α·ω1+(1-α)·ω2(A(ui)∈[0，1])计算用户的权威度，α的取值根据测试集上的准确率进行择优选取，确定权威度最高的前20％或者权威度高于一定阈值的用户作为关键用户集成员，建立关键用户集Uk。
步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度。基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；
构建用户的兴趣偏好邻居集的具体过程为：
S301：根据公式计算用户与关键用户集成员之间的兴趣吻合度(其中，|C|代表用户ui和关键用户ukj共同评价商品数目，Avg(|ukl|)代表关键用户集成员的平均评价数目)；
S302：根据公式计算用户与关键用户集成员之间的评分信任度(其中，C代表用户ui和关键用户ukj共同评价的商品集合，Ri,l代表用户ui对商品l的评分，Rj,l代表关键用户ukj对商品l的评分)；
S303：根据公式T(ui,ukj)＝Avg(I(ui,ukj),L(ui,ukj))计算用户ui与关键用户集成员ukj之间的综合信任度；
S304：根据公式sim(ui,ukj)＝T(ui,ukj)λ·A(ukj)1-λ计算目标用户ui和关键用户ukj之间的相似度，实现目标用户到关键用户集的映射，选取相似度最高的前K个关键用户作为目标用户的兴趣偏好邻居集C，权值λ∈[0,1]，根据测试集上的实验效果确定。
上述步骤一、步骤二、步骤三，均可定期离线完成。
步骤四，物质扩散过程，在经剪裁的二部图中进行物质资源扩散，并在第二步扩散过程中引入时间上下文；
S401：将推荐系统中所有用户和商品作为结点、用户和商品之间有评分数据的结点用无向边连接，生成用户-商品二部图，二部图中包括m个用户结点，n个商品结点；
S402：根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边，建立二部图对应的链接矩阵A(m0,n0)，其中m0<<m，n0≤n，如果用户结点i和商品结点j之间有边链接，则ai,j＝1，否则ai,j＝0；
S403：在经过大幅度剪裁的二部图中，进行第一步物质资源扩散:
首先，分配初始物质能量F＝(f1,f2,...,fn0)，即，商品集合{o1，o2，…，oβ，…，on0}中的每一个被购买的商品都有一定的推荐能力，对于商品oβ如果用户对其评分值≥3，则fβ＝1，否则fβ＝0；
其次，实现商品到用户的能量扩散，即每件商品将自己的能量平均传递给与其有边连接的用户结点，最终，每个用户的能量是从所有相连商品获取的能量之和，计算公式如下：
其中，表示商品结点oβ的度，即，选择过商品oβ的用户数量。
S404：引入非线性时间衰弱函数，进行物质资源的第二步扩散；
首先，设置时间衰弱函数，由德国心理学家艾宾浩斯提出的人类大脑的遗忘曲线可知，用户的兴趣会随着时间的推移而衰弱。也就是说，用户在不同时间的评分对推荐的贡献程度是不一样的，用户的评价时间越近其推荐能力越强，相反，推荐能力越弱。物质资源扩散的第二步是由用户向商品扩散，用户的扩散能力需要考虑时间衰弱因素带来的影响，具体的非线性遗忘函数如下：
g(t)＝eλ·t,t＝tnow-tiα
其中，g(t)∈(0,1]，tnow表示系统的当前时间，tiα表示用户i对商品α评价的时间，以天为单位。衰弱因子信息半衰期T0是指信息从发布到影响力下降到一半所需要的时间，即，g(T0)＝(1/2)·g(0)。对于信息半衰期T0，其取值可以通过实验拟合，也可以根据应用场景设定固定值。
其次，实现用户到商品的能量扩散，即每个用户将自己的能量根据评价时间衰弱情况传递给与其有边连接的商品结点，最终，每个商品的能量是从所有相连用户获取的能量之和，计算公式如下：
其中，表示用户结点ui的度，即，用户ui选择过的商品的数量。
将公式(1)代入公式(2)得到如下公式：
经过两次能量扩散后，商品的物质资源由初始物质能量F转移成F'(F'＝WαβF)，Wαβ称为商品oβ和商品oα之间的能量转移权重，即，一个商品(比如：oβ)的初始资源向另一个商品(比如：oα)转移的比例，由公式(3)和公式(4)可得能量转移公式为：
步骤五，最终推荐，根据步骤四中转移后的物质资源F'＝(f1',f'2,...,fn0')，选择获得资源最多且目标用户没有购买过的前N个商品推荐给目标用户。
本发明将关键用户和时间上下文引入到二部图推荐算法中，挖掘推荐系统中起主导作用的关键用户群体，在此群体中寻找目标用户的兴趣最近邻居集合C，并根据集合C对二部图进行剪裁，去掉与目标用户不相关或相关性较弱的结点和边，从而减少计算复杂度。第二步物质扩散过程中引入用户评分时间衰弱函数，体现用户评分的不同时间对推荐结果的不同贡献程度，从而提高算法的推荐精确度。

Claims (8)

1.一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，包括如下步骤：
步骤一，采集用户对商品的反馈数据；
步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分准确度，综合上述两种因素形成用户作为关键用户的权威度；
步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度；基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；
步骤四，物质扩散过程，在经剪裁的二部图中进行物质资源扩散，并在第二步扩散过程中引入时间上下文；
步骤五，最终推荐，将步骤四中获得物质资源最多且目标用户没有购买过的前N个商品推荐给目标用户。
2.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤四中，基于用户的兴趣邻居集对用户-商品二部图进行剪裁。
3.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤二中，提取关键用户的具体过程为：
S201：计算用户的交易经验度；
S202：计算用户的评分准确度；
S203：使用加权法对S201和S202计算结果求和，得到用户的权威度，并根据权威度的高低，选取前K0个用户作为关键用户集成员。
4.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤三中，构建用户的兴趣偏好邻居集的具体过程为：
S301：计算用户与关键用户集成员之间的兴趣吻合度；
S302：计算用户与关键用户集成员之间的评分信任度；
S303：求出S301和S302两步结果的均值，得到用户对关键用户的综合信任度；
S304：根据S203和S303两步结果，实现用户到关键用户的映射，产生用户的兴趣偏好邻居集C。
5.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤四的具体步骤为：
S401：将推荐系统中所有用户和商品作为结点，用户和商品之间有反馈数据的用无向边连接，生成用户-商品二部图；
S402：根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边；
S403：在经过大幅度剪裁的二部图中，进行第一步物质资源扩散；
S404：引入非线性时间衰弱函数，进行物质资源的第二步扩散。
6.根据权利要求3所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，根据公式计算用户的交易经验度，其中，nx表示用户已经评价过的商品数目，Max(|ui|)代表评价最多的用户所评价的商品数目；
根据公式计算用户的评分准确度，其中，l代表用户i评价过的商品的数目，Ri,j代表用户i对商品j的评分，代表商品j的平均评分；
根据公式A(ui)＝α·ω1+(1-α)·ω2计算用户的权威度，α的取值根据测试集上的准确率进行择优选取，确定权威度最高的前20％或者权威度高于一定阈值的用户作为关键用户集成员，建立关键用户集Uk。
7.根据权利要求2所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边，建立二部图对应的链接矩阵A(m0,n0)，其中m0<<m，n0≤n，如果用户结点i和商品结点j之间有边链接，则ai,j＝1，否则ai,j＝0。
8.根据权利要求2所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，在经过剪裁的二部图中，进行第一步物质资源扩散:
首先，分配初始物质能量F＝(f1,f2,...,fn0)，商品集合{o1，o2，…，oβ，…，on0}中的每一个被购买的商品都有一定的推荐能力，对于商品oβ如果用户对其评分值≥3，则fβ＝1，否则fβ＝0；
其次，实现商品到用户的能量扩散，即每件商品将自己的能量平均传递给与其有边连接的用户结点，最终，每个用户的能量是从所有相连商品获取的能量之和，计算公式如下：
<mrow> <msub> <mi>h</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>&amp;beta;</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;beta;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mfrac> <msub> <mi>f</mi> <mi>&amp;beta;</mi> </msub> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>&amp;beta;</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，表示商品结点oβ的度，即，选择过商品oβ的用户数量；
引入非线性时间衰弱函数，进行物质资源的第二步扩散；
首先，设置时间衰弱函数：
g(t)＝eλ·t,t＝tnow-tiα
其中，g(t)∈(0,1]，tnow表示系统的当前时间，tiα表示用户i对商品α评价的时间，以天为单位；衰弱因子信息半衰期T0是指信息从发布到影响力下降到一半所需要的时间，即，g(T0)＝(1/2)·g(0)；对于信息半衰期T0，其取值可以通过实验拟合，也可以根据应用场景设定固定值；
其次，实现用户到商品的能量扩散，即每个用户将自己的能量根据评价时间衰弱情况传递给与其有边连接的商品结点，最终，每个商品的能量是从所有相连用户获取的能量之和，计算公式如下：
<mrow> <msub> <msup> <mi>f</mi> <mo>&amp;prime;</mo> </msup> <mi>&amp;alpha;</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;alpha;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mfrac> <msub> <mi>h</mi> <mi>i</mi> </msub> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，表示用户结点ui的度，即，用户ui选择过的商品的数量；
将公式(1)代入公式(2)得到如下公式：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <msup> <mi>f</mi> <mo>&amp;prime;</mo> </msup> <mi>&amp;alpha;</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;alpha;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>&amp;beta;</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;beta;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mfrac> <msub> <mi>f</mi> <mi>&amp;beta;</mi> </msub> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>&amp;beta;</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>&amp;beta;</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;beta;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mfrac> <msub> <mi>f</mi> <mi>&amp;beta;</mi> </msub> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>&amp;beta;</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;alpha;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>&amp;beta;</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mn>0</mn> </mrow> </munderover> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>&amp;beta;</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;alpha;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;beta;</mi> </mrow> </msub> </mrow> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>f</mi> <mi>&amp;beta;</mi> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <msup> <mi>f</mi> <mo>&amp;prime;</mo> </msup> <mi>&amp;alpha;</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>&amp;beta;</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>W</mi> <mrow> <mi>&amp;alpha;</mi> <mi>&amp;beta;</mi> </mrow> </msub> <msub> <mi>f</mi> <mi>&amp;beta;</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
经过两次能量扩散后，商品的物质资源由初始物质能量F转移成F'，F'＝WαβF，Wαβ称为商品oβ和商品oα之间的能量转移权重，即，一个商品的初始资源向另一个商品转移的比例，由公式(3)和公式(4)可得能量转移公式为：
<mrow> <msub> <mi>W</mi> <mrow> <mi>&amp;alpha;</mi> <mi>&amp;beta;</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>&amp;beta;</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <mfrac> <mrow> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;alpha;</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>&amp;beta;</mi> </mrow> </msub> </mrow> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>.</mo> </mrow>
CN201711190064.2A 2017-11-24 2017-11-24 基于关键用户和时间上下文的二部图推荐方法 Pending CN108038746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711190064.2A CN108038746A (zh) 2017-11-24 2017-11-24 基于关键用户和时间上下文的二部图推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711190064.2A CN108038746A (zh) 2017-11-24 2017-11-24 基于关键用户和时间上下文的二部图推荐方法

Publications (1)

Publication Number Publication Date
CN108038746A true CN108038746A (zh) 2018-05-15

Family

ID=62093010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711190064.2A Pending CN108038746A (zh) 2017-11-24 2017-11-24 基于关键用户和时间上下文的二部图推荐方法

Country Status (1)

Country Link
CN (1) CN108038746A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190045A (zh) * 2018-09-15 2019-01-11 新乡学院 一种基于二部图最近邻的个性化推荐方法
CN110264364A (zh) * 2019-04-30 2019-09-20 电子科技大学 一种投资方的推荐方法
CN111209489A (zh) * 2020-01-06 2020-05-29 重庆邮电大学 一种基于差异化资源分配的二部图推荐方法
CN112907308A (zh) * 2019-11-19 2021-06-04 京东数字科技控股有限公司 数据检测方法和装置、计算机可读存储介质
CN113140327A (zh) * 2021-04-15 2021-07-20 广东工业大学 药物-疾病关联预测方法及系统
CN113657971A (zh) * 2021-08-31 2021-11-16 卓尔智联(武汉)研究院有限公司 物品推荐方法、装置及电子设备
US11334935B2 (en) 2020-09-04 2022-05-17 International Business Machines Corporation Method, system, and manufacture for light hypergraph based recommendation
WO2022127517A1 (en) * 2020-12-17 2022-06-23 Beijing Didi Infinity Technology And Development Co., Ltd. Hierarchical adaptive contextual bandits for resource-constrained recommendation

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190045B (zh) * 2018-09-15 2021-08-31 新乡学院 一种基于二部图最近邻的个性化推荐方法
CN109190045A (zh) * 2018-09-15 2019-01-11 新乡学院 一种基于二部图最近邻的个性化推荐方法
CN110264364A (zh) * 2019-04-30 2019-09-20 电子科技大学 一种投资方的推荐方法
CN110264364B (zh) * 2019-04-30 2022-08-23 电子科技大学 一种投资方的推荐方法
CN112907308A (zh) * 2019-11-19 2021-06-04 京东数字科技控股有限公司 数据检测方法和装置、计算机可读存储介质
CN112907308B (zh) * 2019-11-19 2024-05-24 京东科技控股股份有限公司 数据检测方法和装置、计算机可读存储介质
CN111209489A (zh) * 2020-01-06 2020-05-29 重庆邮电大学 一种基于差异化资源分配的二部图推荐方法
CN111209489B (zh) * 2020-01-06 2023-02-14 重庆邮电大学 一种基于差异化资源分配的二部图推荐方法
US11334935B2 (en) 2020-09-04 2022-05-17 International Business Machines Corporation Method, system, and manufacture for light hypergraph based recommendation
WO2022127517A1 (en) * 2020-12-17 2022-06-23 Beijing Didi Infinity Technology And Development Co., Ltd. Hierarchical adaptive contextual bandits for resource-constrained recommendation
CN113140327A (zh) * 2021-04-15 2021-07-20 广东工业大学 药物-疾病关联预测方法及系统
CN113657971A (zh) * 2021-08-31 2021-11-16 卓尔智联(武汉)研究院有限公司 物品推荐方法、装置及电子设备
CN113657971B (zh) * 2021-08-31 2023-12-01 卓尔智联(武汉)研究院有限公司 物品推荐方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN108038746A (zh) 基于关键用户和时间上下文的二部图推荐方法
CN103678672B (zh) 一种信息推荐方法
CN107833117B (zh) 一种考虑标签信息的贝叶斯个性化排序推荐方法
CN101388024B (zh) 一种基于复杂网络的压缩空间高效搜索方法
CN106997358A (zh) 信息推荐方法及装置
CN106471491A (zh) 一种时变的协同过滤推荐方法
CN102982466B (zh) 一种基于用户活跃度的评分预测方法
CN105531691A (zh) 用于标识数据值之间的隐私相关相关性的方法和装置
CN104166732B (zh) 一种基于全局评分信息的项目协同过滤推荐方法
CN104778237A (zh) 一种基于关键用户的个性化推荐方法和系统
CN106980646A (zh) 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法
CN105335518A (zh) 生成用户偏好信息的方法及装置
CN102135999A (zh) 用户可信度和项目最近邻相结合的互联网推荐方法
CN110197404A (zh) 可降低流行度偏差的个性化长尾商品推荐方法和系统
CN107045700A (zh) 基于流式用户行为分析的产品推送方法和装置
CN103365842B (zh) 一种页面浏览推荐方法及装置
CN116385048B (zh) 一种农产品智慧营销方法和系统
CN103337028A (zh) 一种推荐方法、装置
CN102663027A (zh) 一种网页人群属性的预测方法
Greenstein-Messica et al. Machine learning and operation research based method for promotion optimization of products with no price elasticity history
Neve et al. Hybrid reciprocal recommender systems: Integrating item-to-user principles in reciprocal recommendation
CN103366308A (zh) 信息处理设备、信息处理方法和程序
Xue et al. Intelligent mining on purchase information and recommendation system for e-commerce
CN110598126A (zh) 基于行为习惯的跨社交网络用户身份识别方法
Ebrahimi et al. Personalized recommender system based on social relations

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