CN108182288A - 一种基于人工免疫的推荐方法 - Google Patents
一种基于人工免疫的推荐方法 Download PDFInfo
- Publication number
- CN108182288A CN108182288A CN201810086499.0A CN201810086499A CN108182288A CN 108182288 A CN108182288 A CN 108182288A CN 201810086499 A CN201810086499 A CN 201810086499A CN 108182288 A CN108182288 A CN 108182288A
- Authority
- CN
- China
- Prior art keywords
- user
- project
- matrix
- algorithm
- recommendation
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于人工免疫的推荐方法,通过智能识别终止状态的人工免疫算法以及区域降维的人工免疫算法,获取用户的“邻居集”为待推荐用户提出“喜好”相似的用户;针对通过人工免疫算法得到的“邻居集用户”喜好采用评分矩阵,计算出最终推荐。本发明解决了传统推荐技术存在的许多缺陷,例如稀疏问题,提出一个基于矩阵分解的推荐算法和新预测评分方法,提升了推荐结果质量。本发明的优点:在相似度计算中使用Kappa距离作为度量,增大相似度准确性。在获取用户邻居集时使用人工免疫方法,从精准度以及时间效率上提升算法的可用性。对人工免疫算法,提出了状态智能终止策略,提高人工免疫的适应性;提出了区域降维,加快算法的时空效率;对传统的评分矩阵进行矩阵分解处理,增强推荐的准确性。
Description
技术领域
本发明涉及一种基于人工免疫的推荐方法,是针对无标签用户“喜好”信息的预处理与推荐方法,属于信息科学的领域。
背景技术
人工免疫系统(Artificial Immune System:AIS)是人们受生物免疫系统启发,模拟其生物机制发展起来的新兴计算智能技术。随着医学在生物免疫系统领域的研究发展,人们对该免疫系统在生物体内复杂的防卫功能在各方面所表现出的一些本能现象的认识与理解不断得到深化与完善,并逐渐形成了一门较为完整的学科——生物免疫学,着力揭示生物机体对“自我”和“非我”抗原的识别与应答、排斥异己和维持自身耐受过程中的奥秘。生物免疫系统是不亚于神经系统的复杂系统,其复杂的机制到目前还也无法完全弄清楚,但是它所具有的多种优良特性引起了各学科的研究兴趣,如多样性、耐受性、免疫记忆、分布式并行处理、自组织、自学习、自适应和鲁棒性等。本发明的意义是通过人工免疫系统这种手段来对信息进行有效的识别与判断,在推荐系统中利用免疫网络的特性来从众多用户中找到与目标用户具有相同或相近的喜好的“邻居集”。
推荐系统使用者是用户,推荐的是项目,项目是指推荐系统提供给用户的产品或服务。在利益驱动下电子商务商家纷纷开始把推荐系统嵌入到他们的电子商务系统中,从而引发了推荐系统研究和应用的热潮。美国几乎所有知名的大学都有专门从事推荐系统的研究组,如的UC Berkeley的Berkeley Workshop on Colaborative Filtering。世界上几乎所有的大型电子商务商都可以为顾客提供个性化推荐服务,有的商家甚至能同时提供几种推荐服务。例如Amazon书店,同时提供了Book Matcher,Customer Comments等个性化推荐服务UI。而在国内,这种基于用户的个性化推荐也在电子商务领域初见倪端。很多企业己经十分注重通过这种方式来提高电子商务的竞争力。国内的新浪商城、网易商城、和在线购物,也都有适合自身网站特色的推荐系统。但是一般的电子商务推荐系统关注点不是为用户尽可能准确地提供个性化推荐服务,而是在利益驱动下为用户尽可能多地推荐其可能感兴趣的商品。而本发明所关心的是推荐系统如何为用户提供其最喜欢的商品,为此我们在基于协同过滤的推荐系统的核心算法中引入免疫算法思想。
发明内容
发明目的:本发明提供一种推荐算法,借鉴生命科学中免疫的概念与理论,围绕系统多样性自动调节、抗体克隆选择学说等技术,从精度和时间效率两方面改进传统人工免疫算法,通过基于状态智能终止、区域降维的免疫算法寻找与目标用户的“邻居集”,提出一种基于矩阵分解的改进模型,并且对计算推荐值的其他两个步骤进行改进,解决了推荐算法中的稀疏性、推荐项目不准确的问题。
技术方案:本发明提出一种基于人工免疫的推荐算法,结合人工免疫以及基于矩阵分解的推荐算法。为寻找用户的邻居集:针对其终止条件判定困难的问题,提出一种可智能识别终止状态的人工免疫算法,通过监测算法迭代过程中新生成种群的变化趋势,根据新生成细胞与网络中已有细胞的亲和度,判断网络是否达到饱和。针对其网络更新慢的问题,提出一种区域搜索方法,该方法对网络细胞和抗原所在的抗体空间进行均等的区域划分,在免疫应答过程中仅搜索与抗原位于同一子空间内的抗体细胞。针对离散评分数据集,提出了基于矩阵分解的改进的模型。在计算推荐结果的过程中,提出了新预测评分方法。其具体的技术方案包括以下几个步骤:
步骤一:将R个已评分用户作为抗体输入在输入空间中,将整个R维向量空间划分为KR个子块,即将每个维度划分为K块。在抗原识别时,仅搜索与抗原落在同一子块中的抗体。
(1)将整个R维向量空间划分为KR个子块,即将每个维度划分为K块。在抗原识别时,仅搜索与抗原落在同一子块中的抗体。
(2)对已经进行区域降维的数据进行聚类操作,快速聚类。
步骤二:步骤二的目的在于寻找与用户相似的邻居集。
(1)对于静态输入用户喜好数据,随着迭代的进行,新生成的抗体会与已有的抗体越来越相似。预先设定一个终止阈值σT,当新生成的抗体细胞与已有细胞亲和度最低的个体,其抗体间亲和度仍大于σT,则算法终止。
(2)采用σT=2σS时,可获得好的效果,选定Min(Sij)<σT=2σS作为算法的终止条件,输出与待推荐用户相似的邻居集。
步骤三:对邻居集的用户-评分矩阵进行矩阵分解,对新的计算矩阵采取加权平均法计算推荐值,并且对加权平均法进行改进。
有益效果:本发明通过人工免疫算法,获取用户的“邻居集”为待推荐用户提出“喜好”相似的用户,准确地获取待推荐用户的用户集,对已获取邻居集的用户-评分矩阵进行矩阵分解操作得到新的计算矩阵,解决了传统协同过滤算法中存在的稀疏性问题,对于稀疏性较强的数据集有良好的适应性与推荐准确度。提出改进的加权平均法,进一步提高了推荐结果的推荐质量。
附图说明
图1是本发明方法的总体流程图。
图2是寻找用户“邻居集“人工免疫算法流程图。
图3是基于矩阵分解的推荐算法流程图。
具体实施方式
下面结合附图,对本发明做进一步说明。
本发明通过人工免疫算法获取用户的“邻居集”。为待推荐用户提出了“喜好”相似的用户,至此已经获取了与待推荐用户类似的“用户集”,提出了新预测评分方法,提高了推荐结果的推荐质量。具体实施步骤如下,且具体流程见附图1。
1、状态智能终止的人工免疫聚类算法
针对经典人工免疫算法在执行过程中不能自动终止,导致算法无休止运行的问题提出一种可以智能识别终止状态的人工免疫算法,该算法可以在输入用户喜好之后,对用户类型进行较为精确的分类。具体请见附图2。
对于静态输入数据,随着迭代的进行,新生成的抗体会与已有的抗体越来越相似;即每次新增殖的抗体细胞,其与网络中其它抗体细胞的亲和度将不断增强。因此,可预先设定一个终止阈值σT,当新生成的抗体细胞中,与已有细胞亲和度最低的个体,其抗体间亲和度仍大于σT,则算法可以终止。
终止阈值σT与算法中已有的网络抑制阈值σs有很强的关联性,可以考虑采用σs或其倍数来替代σT。经过试验,发现采用σT=2σs时,可获得较好的效果,且与数据相关性不明显。由此,选定Min(sij)<σT=2σs作为算法的终止条件
为更好的描述算法,定义概念如下:
定义一:X:由Np个向量组成的数据集;
定义二:C:包含所有Nt个网络细胞的矩阵;
定义三:M:N个记忆细胞的矩阵;
定义四:Nc:每个受激细胞所产生的克隆数量;
定义五:D:包含元素dij的相异度矩阵(抗原-抗体);
定义六:s:包含元素sij的相似度矩阵(抗体-抗体);
定义七:n:被选中进行克隆和变异的n个亲和度最高的细胞;
定义八:ξ:等待被选择的成熟细胞所占百分比;
定义九:σd,s:分别代表自然死亡和抑制阈值。
具体方法如下:
输入:待聚类用户集X
输出:结果用户邻居集C
1 FOR i=1to迭代次数上限
2 FOREACH抗原细胞ag
3 计算ag与每个网络细胞的相关因子dij
4 选择n个相关性最高的网络细胞
5 繁殖(克隆)被选择的n个细胞,得到Nc个新生细胞
6 对这Nc个细胞进行变异提升,应用公式(2.2)
7 为被改进的细胞计算网络抗原-抗体相异度D
8 选择ξ%个亲和度最高的细胞,建立局部的Mp记忆细胞矩阵
9 消除dij<σd的细胞(自然死亡)
10 计算网络抗体-抗体亲和度S
11 消除sij<σs的细胞(克隆抑制)
12 连接C和Mp(C←[C;Mp])
13 END FOREACH
14 计算S,消除sij<σs的细胞(网络抑制)
15 将r%的最差个体替换为随机生成的新个体
16 IF Min(sij)<σT=2σs BREAK
17 END FOR
18 输出结果网络C
19 END.
2、区域降维的人工免疫聚类算法
步骤二的作用在于提高步骤一寻找用户邻居集的速度,最主要的时间瓶颈出现在对于同一抗原,会计算其与网络中每个抗体细胞的亲和度,这样的全局搜索方式消耗了大量的运行时间。为此,我们引入区域搜索的概念,减少在抗原识别阶段的搜索量。其具体方法是,将整个R维向量空间划分为KR个子块,即将每个维度划分为K块。在抗原识别时,仅搜索与抗原落在同一子块中的抗体。通过这样的方式,可以有效地起到降低搜索量的作用。具体见附图3。
(1)将整个R维向量空间划分为KR个子块,即将每个维度划分为K块。在抗原识别时,仅搜索与抗原落在同一子块中的抗体。
(2)对已经进行区域降维的数据进行聚类操作,达到快速聚类的方式。
具体方法如下:
输入:待聚类用户集X
输出:结果邻居集C
1 将向量空间划分为KR个子块,并建立映射
2 FOR i=1to迭代次数上限
3 FOREACH抗原细胞ag
4 通过映射确定ag所在的空间区块,根据距离测度计算其与同一区块中每个网络细胞的相关因子dij
5 选择n个相关性最高的网络细胞
6 繁殖(克隆)被选择的n个细胞,得到Nc个新生细胞
7 对这Nc个细胞进行变异提升
8 为被改进的细胞计算网络抗原-抗体相异度D
9 选择ξ%个亲和度最高的细胞,建立局部的Mp记忆细胞矩阵
10 消除dij<σd的细胞(自然死亡)
11 计算网络抗体-抗体亲和度S
12 消除sij<σs的细胞(克隆抑制)
13 连接C和Mp(C←[C;Mp])
14 对新加入的细胞,建立映射到其所在的区块
15 END FOREACH
20 计算S,消除sij<σs的细胞(网络抑制)
16 将r%的最差个体替换为随机生成的新个体
17 IF Min(sij)<σT=2σs BREAK
18 END FOR
19 输出结果网络C
20 END.
3、基于矩阵分解的推荐算法
考虑用户和项目之间的相似性关系,提出一种矩阵分解方法,用户相似性项目相似性矩阵分解。高度相似的用户或项目它们的用户或项目向量也应该高度相似。
首先,通过用户-项目评分矩阵计算出用户与用户、项目与项目之间的相似度,求出似性矩阵;其次对所求相似度进行排序,挑选出每个用户或项目与其最接近用,这里的相似度计算同样可以采用不同的方法,本发明采用Kappa相似度计算方法。最后,采用对用户或项目向量进行相似性计算,把用户-项目评分矩阵R分解为两个矩阵W和H乘积的形式:
R≈WH
把计算出来的用户-项目评分矩阵R的近似值称为计算矩阵,把WH称为用户-项目交互矩阵,在这里用户-项目交互矩阵WH即为计算矩阵。下面的公式说明了用户-项目评分矩阵中的真实评分与矩阵W和H的关系:
其中rui为用户-项目评分矩阵中的真实评分,rui2为计算均分。为用户u与项目i的交互值,这里计算评分与它是相同的。集合S={ui|rui>0}依旧为用户-项目评分矩阵中有评分的用户-项目元素的集合。这就相当于不考虑项目之间的潜在相似关系,只考虑用户之间的潜在相似关系,对于通过矩阵分解后得到的用户评分矩阵采用新的加权平均的方法,改进后的加权平均法公式如下:
与目标用户相似性高的用户在推荐预测中起更重要的作用,给予较高的权重。使用下面的公式来计算推荐:
其中P表示推荐值,Wt表示t的权重,如果t抗体已经对该项目投票,则Wt为t抗体在系统中的浓度,如果t抗体未对该项目投票则Wt为零;Vt表示t抗体对该项目的投票值,对P值从高到低进行排序,排序高的项目优先推荐给用户。
Claims (7)
1.一种基于人工免疫的推荐方法,其主要特征包括如下步骤:
(1)采用Kappa相似度度量的相似度计算方法:获取用户-项目评分矩阵,计算期望值。
(2)区域降维的人工免疫聚类算法:输入用户评分信息,用户作为抗体组成R维输入空间。将整个R维向量空间划分为KR个子块,即将每个维度划分为K块。在抗原识别时,仅搜索与抗原落在同一子块中的抗体。
(3)智能终止的人工免疫算法:预先设定一个终止阈值σT,当新生成的抗体细胞中,与已有细胞亲和度最低的个体抗体间亲和度仍大于σT时算法终止。输出与待推荐用户相似的邻居集。
(4)推荐结果:根据通过(2)、(3)中获取的用户邻居集,得出邻居集的用户-项目评分矩阵,对用户项目评分矩阵进行矩阵分解,并对加权平均法进行改进,给出最终推荐。
2.根据权利要求1所述的一种基于人工免疫的推荐方法,其特征在于,步骤(1)采用Kappa相似度度量的相似度计算方法:获取用户-项目评分矩阵,计算期望值,方法如下:
其中KW表示加权Kappa的相关系数值,Po(w)表示为两者的评价统一值,Pe(w)表示为偶然期望统一值。用户对他们所知的项目都进行了评分,对那些未知项目不评分,所以Pe(w)=0,KW=Po(w)。Po(w)的计算公式如下:
其中g表示评价等级;n表示评价项目数;kij在i行j列中的数目;wij为权值。Po(w)为相似度,相似度越大,认为两个用户越相似,即两个用户距离越相近。
3.根据权利要求1所述的一种基于人工免疫的推荐方法,其特征在于,步骤(2)区域降维的人工免疫聚类算法,其实现方法如下:
将整个R维向量空间划分为KR个子块,即将每个维度划分为K块。在抗原识别时,仅搜索与抗原落在同一子块中的抗体,降低搜索量。
4.根据权利要求1所述的一种基于人工免疫的推荐方法,其特征在于,步骤(3)中智能终止的人工免疫算法,主要特征为:
终止阈值σT与算法中已有的网络抑制阈值σs有很强的关联性,采用σT=2σs时,可获得较好效果。选定Min(sij)<σT=2σs作为算法终止条件,当迭代次数达到σT时终止迭代,网络抑制,输出结果。
5.根据权利要求1所述的一种基于人工免疫的推荐方法,其特征在于,步骤(4),其实现方法包括:
(51)把用户-项目评分矩阵R分解为两个矩阵W和H乘积的形式:R≈WH
(52)对加权平均法进行改进,根据用户对特定项目的喜好度,生成推荐值。
6.根据权利要求5所述的方法,其特征在于,步骤(51)所述的把用户-项目评分矩阵R分解为两个矩阵W和H乘积的形式R≈WH,其实现方法如下:
把计算出来的用户-项目评分矩阵R的近似值称为计算矩阵,在这里用户-项目交互矩阵WH即为计算矩阵。下面的公式说明了用户-项目评分矩阵中的真实评分与矩阵W和H的关系:
7.根据权利要求5所述的方法,其特征在于,步骤(52)所述的生成推荐值,其实现方法如下:
得到一组邻居集,根据其邻居用户对特定项目的喜好度,生成推荐预测值,改进后的加权平均法公式如下:
与目标用户相似性高的用户,在推荐预测中起更重要的作用,给予较高的权重。使用下面的公式来计算推荐:
其中P表示推荐值,Wt表示t的权重,如果t抗体已经对该项目投票,则Wt为t抗体在系统中的浓度,如果t抗体未对该项目投票则Wt为零;Vt表示t抗体对该项目的投票值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086499.0A CN108182288A (zh) | 2018-01-23 | 2018-01-23 | 一种基于人工免疫的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086499.0A CN108182288A (zh) | 2018-01-23 | 2018-01-23 | 一种基于人工免疫的推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182288A true CN108182288A (zh) | 2018-06-19 |
Family
ID=62551669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810086499.0A Pending CN108182288A (zh) | 2018-01-23 | 2018-01-23 | 一种基于人工免疫的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182288A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409522A (zh) * | 2018-08-29 | 2019-03-01 | 浙江大学 | 一种基于集成学习的生物网络推理算法 |
CN116402584A (zh) * | 2023-04-23 | 2023-07-07 | 中航信移动科技有限公司 | 一种基于多数据源的事件生成方法、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014145897A2 (en) * | 2013-03-15 | 2014-09-18 | Phd Preventive Health Care And Diagnostics, Inc. | Immunotherapy system and method thereof |
CN104615679A (zh) * | 2015-01-21 | 2015-05-13 | 华侨大学 | 一种基于人工免疫网络的多智能体数据挖掘方法 |
CN106897912A (zh) * | 2017-01-18 | 2017-06-27 | 太仓中科信息技术研究院 | 基于epsilon反馈算法的推荐系统冷启动方法 |
-
2018
- 2018-01-23 CN CN201810086499.0A patent/CN108182288A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014145897A2 (en) * | 2013-03-15 | 2014-09-18 | Phd Preventive Health Care And Diagnostics, Inc. | Immunotherapy system and method thereof |
CN104615679A (zh) * | 2015-01-21 | 2015-05-13 | 华侨大学 | 一种基于人工免疫网络的多智能体数据挖掘方法 |
CN106897912A (zh) * | 2017-01-18 | 2017-06-27 | 太仓中科信息技术研究院 | 基于epsilon反馈算法的推荐系统冷启动方法 |
Non-Patent Citations (1)
Title |
---|
高静: ""基于人工免疫系统的推荐系统研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409522A (zh) * | 2018-08-29 | 2019-03-01 | 浙江大学 | 一种基于集成学习的生物网络推理算法 |
CN109409522B (zh) * | 2018-08-29 | 2022-04-12 | 浙江大学 | 一种基于集成学习的生物网络推理算法 |
CN116402584A (zh) * | 2023-04-23 | 2023-07-07 | 中航信移动科技有限公司 | 一种基于多数据源的事件生成方法、存储介质及电子设备 |
CN116402584B (zh) * | 2023-04-23 | 2024-03-22 | 中航信移动科技有限公司 | 一种基于多数据源的事件生成方法、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458627B (zh) | 一种面向用户动态偏好的商品序列个性化推荐方法 | |
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN108665323B (zh) | 一种用于理财产品推荐系统的集成方法 | |
CN109471982B (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN113807422B (zh) | 融合多特征信息的加权图卷积神经网络评分预测模型 | |
CN109902235A (zh) | 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法 | |
CN107391582A (zh) | 基于上下文本体树计算用户偏好相似度的信息推荐方法 | |
CN109977299A (zh) | 一种融合项目热度和专家系数的推荐算法 | |
CN107016122A (zh) | 基于时间迁移的知识推荐方法 | |
CN116541607B (zh) | 基于商品检索数据分析的智能推荐方法 | |
CN112396492A (zh) | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
CN112380451A (zh) | 一种基于大数据的喜好内容推荐方法 | |
CN112989215B (zh) | 一种基于稀疏用户行为数据的知识图谱增强的推荐系统 | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
CN116842267A (zh) | 基于深度学习的个性化装修方案推荐方法、系统及介质 | |
CN115840853A (zh) | 一种基于知识图谱和图注意力网络的课程推荐系统 | |
CN116049543A (zh) | 综合能效服务业务混合推荐方法、系统及存储介质 | |
CN108182288A (zh) | 一种基于人工免疫的推荐方法 | |
CN115204967A (zh) | 一种融入用户长短期兴趣表征隐式反馈的推荐方法 | |
CN114564594A (zh) | 一种基于双塔模型的知识图谱用户偏好实体召回方法 | |
CN114840745A (zh) | 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统 | |
CN105069140B (zh) | 基于高阶用户偏好的推荐方法 | |
CN111949894B (zh) | 一种基于多空间交互的协同过滤个性化推荐方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180619 |