CN108182268B - 一种基于社会网络的协同过滤推荐方法及系统 - Google Patents

一种基于社会网络的协同过滤推荐方法及系统 Download PDF

Info

Publication number
CN108182268B
CN108182268B CN201810037533.5A CN201810037533A CN108182268B CN 108182268 B CN108182268 B CN 108182268B CN 201810037533 A CN201810037533 A CN 201810037533A CN 108182268 B CN108182268 B CN 108182268B
Authority
CN
China
Prior art keywords
item
user
recommendation
social
degree
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
CN201810037533.5A
Other languages
English (en)
Other versions
CN108182268A (zh
Inventor
鲍福光
琚春华
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.)
Hangzhou Jianye Xinpin Information Technology Co.,Ltd.
Tongxiang Beite Technology Co ltd
Original Assignee
Zhejiang Gongshang 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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201810037533.5A priority Critical patent/CN108182268B/zh
Publication of CN108182268A publication Critical patent/CN108182268A/zh
Application granted granted Critical
Publication of CN108182268B publication Critical patent/CN108182268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于社会网络的协同过滤推荐方法及系统，所述方法包括：获取特征数据集并进行预处理，构建项目的关联性与流行性的计算模型，构建项目在用户社会网络关系中的推荐度的计算模型，构建用户兴趣偏好度的计算模型，利用预处理后的特征数据集分别训练三个计算模型，根据训练后的所述项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，根据综合推荐值产生推荐列表，从而实现了将用户的社会网络关系合理有效地嵌入到用户兴趣相似性计算中，从多维度对用户喜好进行刻画，保证了推荐结果的准确性以及多样性。

Description

一种基于社会网络的协同过滤推荐方法及系统
技术领域
本发明涉及互联网技术领域，更具体地，涉及一种基于社会网络的协同过滤推荐方法及系统。
背景技术
随着互联网技术的快速发展，网络服务使人们的生活变得越来越方便。面对爆炸式增长的海量的互联网数据，人们很难顺利地找到自己真正需要的信息。由于用户对主动的个性化信息推荐服务的迫切需求，尤其是在电商领域，人们对搜索商品的过程越来越感到繁琐，所以个性化推荐系统应运而生。个性化推荐系统采用主动推荐的方法，通过对用户行为日志的采集和清洗，建立用户偏好模型，通过一系列基于数据挖掘和机器学习的推荐算法来预测用户对某个商品的偏好程度，根据偏好程度对筛选出的商品进行排序，并提供给用户个性化的推荐商品列表。
目前电商领域内的推荐方法主要是基于用户近期浏览、商品销量排行、商家信用排行或者价格排行等信息进行简单的推荐，这种推荐方法在一定程度上改善了用户购物体验。但是由于近年来社交网络的快速普及，人们开始以兴趣社区、图片分享等形式不断地在社交网络中分享自己的观点，于是人们之间的各种社会关系、喜好、习惯也开始在社会网络中被展现出来。这种不断建立起来的复杂的社会网络关系，包括用户对某商品的评论，朋友之间的互动等因素，对用户进行在线购物时的商品选择以及其他网络行为产生了重要的影响。所以，传统的基于用户相似度或者商品相似度的推荐方法，已无法满足推荐方法在精确度和多样化方面的需求。
发明内容
本发明的目的在于提供一种基于社会网络的协同过滤推荐方法及系统，解决传统的基于用户相似度或者商品相似度的推荐方法生成的推荐结果缺乏多样性，进而导致推荐效果不佳的问题，实现了从多维度对用户喜好进行刻画，保证了推荐结果的准确性以及多样性。
为实现上述目的，本发明提供了一种基于社会网络的协同过滤推荐方法，包括以下步骤：
获取特征数据集并进行预处理；
构建项目的关联性与流行性的计算模型；
构建项目在用户社会网络关系中的推荐度的计算模型；
构建用户兴趣偏好度的计算模型；
利用预处理后的所述特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型；
根据训练后的所述项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，根据综合推荐值产生推荐列表。
优选地，所述特征数据集包括：项目的特征信息数据、用户的历史行为数据以及用户的社会网络关系数据。
优选地，所述构建项目的关联性与流行性的计算模型，具体为，根据项目的销售量、用户好评率以及所述项目在同类项目中的排名，构建项目的关联性与流行性的计算模型。
优选地，所述构建项目在用户社会网络关系中的推荐度的计算模型，具体包括以下步骤：
计算用户与好友之间的社会相似度、社会互动度以及社会群组相似度；
根据获得的所述用户与好友之间的社会相似度、社会互动度以及社会群组相似度，计算用户之间的社会关系强度；
根据所述用户之间的社会关系强度计算项目在用户社会网络关系中的推荐度。
优选地，所述构建用户兴趣偏好度的计算模型，具体包括以下步骤：
计算用户对项目所属品牌的偏好程度；
计算用户对项目的价格偏好度，以及项目的信用偏好度；
根据所述项目的信用偏好度、用户对项目所属品牌的偏好程度以及用户对项目的价格偏好度，构建用户对项目的兴趣偏好度的计算模型。
本发明还提供了一种基于社会网络的协同过滤推荐系统，包括：
数据集获取模块，用于获取特征数据集并进行预处理；
项目关联性与流行性计算模块，用于构建项目的关联性与流行性的计算模型；
社会网络关系中的项目推荐度计算模块，用于构建项目在用户社会网络关系中的推荐度的计算模型；
用户兴趣偏好度计算模块，用于构建用户兴趣偏好度的计算模型；
计算模型训练模块，用于利用预处理后的所述特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型；
综合推荐值计算模块，用于根据训练后的所述特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，根据综合推荐值产生推荐列表。
优选地，所述数据集获取模块获取的特征数据集包括：项目的特征信息数据、用户的历史行为数据以及用户的社会网络关系数据。
优选地，所述项目关联性与流行性计算模块，用于构建项目的关联性与流行性的计算模型，具体为，所述项目关联性与流行性构建模块根据项目的销售量、用户好评率以及所述项目在同类项目中的排名，构建项目的关联性与流行性的计算模型。
优选地，所述社会网络关系中的项目推荐度计算模块具体包括：
社会关系计算单元，用于计算用户与好友之间的社会相似度、社会互动度以及社会群组相似度；
社会关系强度计算单元，用于根据获得的所述用户与好友之间的社会相似度、社会互动度以及社会群组相似度，计算用户之间的社会关系强度；
项目推荐度计算单元，用于根据所述用户之间的社会关系强度计算项目在用户社会网络关系中的推荐度。
优选地，所述用户兴趣偏好度计算模块具体包括：
品牌偏好程度计算单元，用于计算用户对项目所属品牌的偏好程度；
用户价格与项目信用计算单元，用于计算用户对项目的价格偏好度，以及项目的信用偏好度；
兴趣偏好度计算单元，用于根据所述项目的信用偏好度、用户对项目所属品牌的偏好程度以及用户对项目的价格偏好度，构建用户对项目的兴趣偏好度的计算模型。
本发明与现有技术相比，具有以下优点及突出性效果：
本发明所述的基于社会网络的协同过滤推荐方法及系统，以协同过滤推荐算法为基础，融入了社会网络中的相关用户因素，将项目的关联性与流行性、用户对项目的兴趣偏好度以及项目在用户社会网络关系中的推荐度等3个关键因子融入用户兴趣模型之中，利用用户之间的信任关系，获得更多用户关联信息和相似兴趣，构建了一套较为完善的基于社会网络信息的推荐模型，保证了推荐结果的准确性和多样性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于社会网络的协同过滤推荐方法的流程图；
图2为本发明实施例公开的一种基于社会网络的协同过滤推荐方法中构建项目在用户社会网络关系中的推荐度的计算模型的流程图；
图3为本发明实施例公开的一种基于社会网络的协同过滤推荐方法中计算用户兴趣偏好度的计算模型的流程图；
图4为本发明实施例公开的一种基于社会网络的协同过滤推荐系统的结构示意图；
图5为本发明实施例公开的一种基于社会网络的协同过滤推荐系统中社会网络关系中的项目推荐度计算模块的结构示意图；
图6为本发明实施例公开的一种基于社会网络的协同过滤推荐系统中用户兴趣偏好度计算模块的结构示意图。
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，此处所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。
如图1所示，本发明实施例公开了一种基于社会网络的协同过滤推荐方法，包括以下步骤：
S101，获取特征数据集并进行预处理，特征数据集包括：项目的特征信息数据、用户的历史行为数据以及用户的社会网络关系数据，具体是指：项目的近期销售量、用户评价与好评率、项目在同类项目中的排名，用户的购买信息、评价信息、互动量与互动内容领域，所属关系与群组，用户的品牌偏好程度、价格偏好程度和信用偏好程度等信息。
S102，根据项目的销售量、用户好评率以及所述项目在同类项目中的排名，构建项目的关联性与流行性的计算模型。其中，项目的关联性与流行性用PR表示，计算模型的数学形式表示为
Figure BDA0001548447010000051
其中，ai是平台上在线项目，xij是不同项目i的第j个指标数值，wj是不同指标因素j的权重值。
S103，构建项目在用户社会网络关系中的推荐度的计算模型，本发明实施例将社会网络关系定义为SNR＝<U，NU×U，P>，其中，U＝{u1，u2，…，um}是社会网络中的用户集，NU×U是用户集中成员之间通过联系建立的网络。
Figure BDA0001548447010000052
其中
Figure BDA0001548447010000053
是用户ui在社会网络关系中发表的评价、标注、留言和涉及用户ui的交互信息等的集合。将社会项目关系定义为SCR＝<A，NU×A>其中，A＝{a1，a2…an}是平台上网络项目集合，NU×A是用户和项目之间的关联网络。其中，构建项目在用户社会网络关系中的推荐度的计算模型具体包括步骤：
S201，计算用户与好友之间的社会相似度SS(ui，fj)、社会互动度SI(ui，fj)以及社会群组相似度SG(ui，fj)。社会相似度SS(ui，fj)由用户购买相似度SimB(ui，fj)和用户评价相似度SimE(ui，fj)所组成，即为，SS(ui，fj)＝SimB(ui，fj)+SimE(ui，fj)，其中，用户购买相似度SimB(ui，fj)的计算表达式为
Figure BDA0001548447010000054
B(ui)和B(fj)分别是指用户ui和好友fj的购买情况；用户评价相似度SimE(ui，fj)计算表达式为
Figure BDA0001548447010000055
其中，E(ui)和E(fj)分别是用户ui和好友fj的评价情况。
社会互动度SI(ui，fj)的计算表达式是
Figure BDA0001548447010000056
其中，
Figure BDA0001548447010000057
是用户ui与好友fj在相关内容领域的互动量，α是领域系数，F(ui)是用户ui的好友集合。
社会群组相似度SG(ui，fj)计算表达式是
Figure BDA0001548447010000058
其中，β表示为群组关系，F(ui)和F(fj)分别是用户ui和好友fj的好友集合。
S202，根据获得的所述用户与好友之间的社会相似度、社会互动度以及社会群组相似度，构建用户之间的社会关系强度的计算模型，其数学表达式为SR(ui，fj)＝w1SS(ui，fj)+w2SI(ui，fj)+w3SG(ui，fj)，其中，wi是各个影响因素的权重，SS(ui，fj)是用户ui与其好友fj之间的社会相似度，SI(ui，fj)是用户ui与其好友fj之间的社会互动度，SG(ui，fj)是用户ui与其好友fj的社会群组相似度。
然后根据用户ui与好友fi的社会关系强度SR(ui，fj)，计算用户ui在该社会网络关系中的项目关系网络推荐度，项目关系网络推荐度的计算模型的数学形式为
Figure BDA0001548447010000061
其中，fj∈F∩A(ak)是购买过项目ak的用户ui的那一部分好友。
S104，构建用户兴趣偏好度计算模型，具体包括步骤：
S301，构建用户ui对项目ak所属品牌ci的偏好程度的计算模型，其数学表达式为：
Figure BDA0001548447010000062
其中，ak是指用户曾经购买过的项目，Sum(ui，cj)是指用户ui购买过的项目中属于品牌cj的总和，count(ui，cj)取值为0或1，即用户ui购买过的项目ak属于cj则计为1，否则计为0。
S302，计算用户对项目ak的价格偏好度
Figure BDA0001548447010000063
其中，pik是项目ak的实际价格，Max(pk)是项目ak在线平台上的最高价格，Min(pk)是项目ak在线平台上的最低价格。
S303，计算用户ui对项目ak的信用偏好度
Figure BDA0001548447010000064
其中，SCik是项目ak的商家信用值，Max(SCk)是项目ak在网络平台上的商家最高信用值，Min(SCk)是项目ak在网络平台上的商家最低信用值。
然后根据上述用户对项目所属品牌的偏好程度、用户对项目的价格偏好度以及用户对项目的信用偏好度，构建用户ui对项目ak的兴趣偏好程度的计算模型，其数学公式为IPs(ui，ak)＝w1BP(ui，φ-1(ak))+w2PP(ak)+w3SC(ak)，其中，φ-1(ak)是项目ak所从属的品牌，wj是不同指标因素j的权重。
S105，利用预处理后的特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，分别获得三个计算模型中对应的权重wj。
S106，根据训练后的所述项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，综合推荐值的计算表达式为：PRs(ai)+SRs(ui，ak)+IPs(ui，ak)，根据综合推荐值产生推荐列表。
如图4所示，本发明实施例还公开了一种基于社会网络的协同过滤推荐系统，包括：
数据集获取模块401，用于获取特征数据集并进行预处理；
项目关联性与流行性计算模块402，用于构建项目的关联性与流行性的计算模型；
社会网络关系中的项目推荐度计算模块403，用于构建项目在用户社会网络关系中的推荐度的计算模型；
用户兴趣偏好度计算模块404，用于构建用户兴趣偏好度的计算模型；
计算模型训练模块405，用于利用预处理后的特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型；
综合推荐值计算模块406，用于根据训练后的特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，根据综合推荐值产生推荐列表。
数据集获取模块获取的特征数据集包括：项目的特征信息数据、用户的历史行为数据以及用户的社会网络关系数据。
其中，项目关联性与流行性构建模块，用于构建项目的关联性与流行性的计算模型，具体为，项目关联性与流行性构建模块根据项目的销售量、用户好评率以及项目在同类项目中的排名，构建项目的关联性与流行性的计算模型。
如图5所示，社会网络关系中的项目推荐度计算模块具体包括：
社会关系计算单元501，用于计算用户与好友之间的社会相似度、社会互动度以及社会群组相似度；
社会关系强度计算单元502，用于根据获得的所述用户与好友之间的社会相似度、社会互动度以及社会群组相似度，计算用户之间的社会关系强度；
项目推荐度计算单元503，用于根据所述用户之间的社会关系强度，计算项目在用户社会网络关系中的推荐度。
如图6所示，用户兴趣偏好度计算模块具体包括：
品牌偏好程度计算单元601，用于计算用户对项目所属品牌的偏好程度；
用户价格与项目信用计算单元602，用于计算用户对项目的价格偏好度，以及项目的信用偏好度；
兴趣偏好度计算单元603，用于根据所述项目的信用偏好度、用户对项目所属品牌的偏好程度以及用户对项目的价格偏好度，构建用户对项目的兴趣偏好度的计算模型。
本发明所述的基于社会网络的协同过滤推荐方法及系统，通过将用户的社会网络关系合理有效地嵌入到用户兴趣相似性计算中，再和另外两个因素包括项目的流行性与关联性、用户的兴趣偏好度综合考虑，实现了一种基于社会网络的协同过滤推荐模型，在有效提高了推荐结果的准确性的同时，保证了推荐结果的多样性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于社会网络的协同过滤推荐方法，其特征在于，包括以下步骤：
获取特征数据集并进行预处理；
构建项目的关联性与流行性的计算模型；
构建项目在用户社会网络关系中的推荐度的计算模型；
构建用户兴趣偏好度的计算模型；
利用预处理后的所述特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型；
根据训练后的所述项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，根据综合推荐值产生推荐列表；
所述构建项目在用户社会网络关系中的推荐度的计算模型，具体包括以下步骤：
计算用户与好友之间的社会相似度、社会互动度以及社会群组相似度；
根据获得的所述用户与好友之间的社会相似度、社会互动度以及社会群组相似度，计算用户之间的社会关系强度；
根据所述用户之间的社会关系强度，计算项目在用户社会网络关系中的推荐度。
2.如权利要求1所述的一种基于社会网络的协同过滤推荐方法，其特征在于，所述特征数据集包括：项目的特征信息数据、用户的历史行为数据以及用户的社会网络关系数据。
3.如权利要求1所述的一种基于社会网络的协同过滤推荐方法，其特征在于，所述构建项目的关联性与流行性的计算模型，具体为，根据项目的销售量、用户好评率以及所述项目在同类项目中的排名，构建项目的关联性与流行性的计算模型。
4.如权利要求1所述的一种基于社会网络的协同过滤推荐方法，其特征在于，所述构建用户兴趣偏好度的计算模型，具体包括以下步骤：
计算用户对项目所属品牌的偏好程度；
计算用户对项目的价格偏好度，以及项目的信用偏好度；
根据所述项目的信用偏好度、用户对项目所属品牌的偏好程度以及用户对项目的价格偏好度，构建用户对项目的兴趣偏好度的计算模型。
5.一种基于社会网络的协同过滤推荐系统，其特征在于，包括：
数据集获取模块，用于获取特征数据集并进行预处理；
项目关联性与流行性计算模块，用于构建项目的关联性与流行性的计算模型；
社会网络关系中的项目推荐度计算模块，用于构建项目在用户社会网络关系中的推荐度的计算模型；
用户兴趣偏好度计算模块，用于构建用户兴趣偏好度的计算模型；
计算模型训练模块，用于利用预处理后的所述特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型；
综合推荐值计算模块，用于根据训练后的所述特征数据集分别训练项目的关联性与流行性、项目在用户社会网络关系中的推荐度以及用户兴趣偏好度的计算模型，计算项目的综合推荐值，根据综合推荐值产生推荐列表；
所述社会网络关系中的项目推荐度计算模块具体包括：
社会关系计算单元，用于计算用户与好友之间的社会相似度、社会互动度以及社会群组相似度；
社会关系强度计算单元，用于根据获得的所述用户与好友之间的社会相似度、社会互动度以及社会群组相似度，计算用户之间的社会关系强度；
项目推荐度计算单元，用于根据所述用户之间的社会关系强度，计算项目在用户社会网络关系中的推荐度。
6.如权利要求5所述的一种基于社会网络的协同过滤推荐系统，其特征在于，所述数据集获取模块获取的所述特征数据集包括：项目的特征信息数据、用户的历史行为数据以及用户的社会网络关系数据。
7.如权利要求5所述的一种基于社会网络的协同过滤推荐系统，其特征在于，所述项目关联性与流行性构建模块，用于构建项目的关联性与流行性的计算模型，具体为，所述项目关联性与流行性构建模块根据项目的销售量、用户好评率以及所述项目在同类项目中的排名，构建项目的关联性与流行性的计算模型。
8.如权利要求5所述的一种基于社会网络的协同过滤推荐系统，其特征在于，所述用户兴趣偏好度构建模块具体包括：
品牌偏好程度计算单元，用于计算用户对项目所属品牌的偏好程度；
用户价格与项目信用计算单元，用于计算用户对项目的价格偏好度，以及项目的信用偏好度；
兴趣偏好度计算单元，用于根据所述项目的信用偏好度、用户对项目所属品牌的偏好程度以及用户对项目的价格偏好度，构建用户对项目的兴趣偏好度的计算模型。
CN201810037533.5A 2018-01-16 2018-01-16 一种基于社会网络的协同过滤推荐方法及系统 Active CN108182268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810037533.5A CN108182268B (zh) 2018-01-16 2018-01-16 一种基于社会网络的协同过滤推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810037533.5A CN108182268B (zh) 2018-01-16 2018-01-16 一种基于社会网络的协同过滤推荐方法及系统

Publications (2)

Publication Number Publication Date
CN108182268A CN108182268A (zh) 2018-06-19
CN108182268B true CN108182268B (zh) 2021-01-08

Family

ID=62550729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810037533.5A Active CN108182268B (zh) 2018-01-16 2018-01-16 一种基于社会网络的协同过滤推荐方法及系统

Country Status (1)

Country Link
CN (1) CN108182268B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102393B (zh) * 2018-08-15 2021-06-29 创新先进技术有限公司 训练和使用关系网络嵌入模型的方法及装置
CN109299349B (zh) * 2018-09-11 2021-02-19 广州视源电子科技股份有限公司 应用推荐方法和装置、设备、计算机可读存储介质
CN110727863A (zh) * 2019-09-27 2020-01-24 东北大学 一种基于复杂网络协同过滤的项目推荐方法
CN111899061B (zh) * 2020-03-10 2024-04-16 北京畅行信息技术有限公司 订单推荐方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609533A (zh) * 2012-02-15 2012-07-25 中国科学技术大学 一种基于核方法的协同过滤推荐系统及方法
CN102779182A (zh) * 2012-07-02 2012-11-14 吉林大学 融合偏好和信任关系的协同过滤推荐方法
CN104111959A (zh) * 2013-04-22 2014-10-22 浙江大学 基于社交网络的服务推荐方法
CN104899763A (zh) * 2015-05-07 2015-09-09 西安电子科技大学 基于二分网络双向扩散的个性化推荐方法
CN105912727A (zh) * 2016-05-18 2016-08-31 电子科技大学 一种在线社交网络标注系统中的快速推荐方法
CN107146112A (zh) * 2017-05-16 2017-09-08 西华大学 一种移动互联网广告投放方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136554A1 (en) * 2012-11-14 2014-05-15 National Public Radio, Inc. System and method for recommending timely digital content
CN103399858B (zh) * 2013-07-01 2016-08-10 吉林大学 基于信任的社会化协同过滤推荐方法
CN107016058A (zh) * 2017-03-10 2017-08-04 浙江工业大学 一种基于属性信息偏好自学习的推荐预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609533A (zh) * 2012-02-15 2012-07-25 中国科学技术大学 一种基于核方法的协同过滤推荐系统及方法
CN102779182A (zh) * 2012-07-02 2012-11-14 吉林大学 融合偏好和信任关系的协同过滤推荐方法
CN104111959A (zh) * 2013-04-22 2014-10-22 浙江大学 基于社交网络的服务推荐方法
CN104899763A (zh) * 2015-05-07 2015-09-09 西安电子科技大学 基于二分网络双向扩散的个性化推荐方法
CN105912727A (zh) * 2016-05-18 2016-08-31 电子科技大学 一种在线社交网络标注系统中的快速推荐方法
CN107146112A (zh) * 2017-05-16 2017-09-08 西华大学 一种移动互联网广告投放方法

Also Published As

Publication number Publication date
CN108182268A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
Han et al. A fuzzy TOPSIS method for performance evaluation of reverse logistics in social commerce platforms
Li et al. A diffusion mechanism for social advertising over microblogs
Wang et al. Discovering interest groups for marketing in virtual communities: An integrated approach
CN108182268B (zh) 一种基于社会网络的协同过滤推荐方法及系统
Bawm et al. A Conceptual Model for effective email marketing
US10181146B1 (en) Virtual clickstream recommendations
CN104239385A (zh) 用于推断主题之间的关系的方法和系统
CN110335123B (zh) 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置
Shahmohammadi et al. Presenting new collaborative link prediction methods for activity recommendation in Facebook
Li et al. Social recommendation based on trust and influence in SNS environments
CN103353880A (zh) 一种利用相异度聚类和关联的数据挖掘方法
Guy et al. Will recommenders kill search? recommender systems-an industry perspective
Tiwari et al. Amalgamating contextual information into recommender system
Sun et al. Leveraging friend and group information to improve social recommender system
CN113052653A (zh) 一种金融产品内容推荐方法、系统及计算机可读存储介质
Izadi et al. Segmenting consumers in social networks based on social motivations of engagement in electronic word of mouth relationships
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
Liu et al. Recommender system based on social influence and the virtual house bandwagon effect in virtual worlds
Eberhard et al. Predicting trading interactions in an online marketplace through location-based and online social networks
Satpathy et al. Role of social media marketing on consumer purchase behaviour: A critical analysis
Hooda et al. A study of recommender systems on social networks and content-based web systems
Dikow et al. Improving the accuracy of Business-to-Business (B2B) reputation systems through rater expertise prediction
Chehal et al. An Approach to Utilize E-commerce Product Reviews to Remove Irrelevant Recommendations
Tang et al. Service recommendation based on dynamic user portrait: an integrated approach
Hairudin et al. Trusted follower factors that influence purchase intention in social commerce

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
TR01 Transfer of patent right

Effective date of registration: 20221121

Address after: 310000 Room 603, Building B, No. 525, Xixi Road, Xihu District, Hangzhou, Zhejiang

Patentee after: Hangzhou Jianye Xinpin Information Technology Co.,Ltd.

Address before: Room 1011, 4 / F, building 5, No. 299, Hangfu Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province

Patentee before: Tongxiang Beite Technology Co.,Ltd.

Effective date of registration: 20221121

Address after: Room 1011, 4 / F, building 5, No. 299, Hangfu Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province

Patentee after: Tongxiang Beite Technology Co.,Ltd.

Address before: 310000 518, information building, 18 Xuezheng street, Xiasha Higher Education Park, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG GONGSHANG University

TR01 Transfer of patent right