CN108198041A - 一种基于时间衰减器的商品推荐方法、终端和介质 - Google Patents
一种基于时间衰减器的商品推荐方法、终端和介质 Download PDFInfo
- Publication number
- CN108198041A CN108198041A CN201810063417.0A CN201810063417A CN108198041A CN 108198041 A CN108198041 A CN 108198041A CN 201810063417 A CN201810063417 A CN 201810063417A CN 108198041 A CN108198041 A CN 108198041A
- Authority
- CN
- China
- Prior art keywords
- user
- time
- commodity
- influence power
- score
- 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
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的基于时间衰减器的商品推荐方法,获取用户的评分信息和评分时间的信息,计算用户兴趣度随时间变化的函数;根据获取的用户评分信息和评分时间的信息构建用户和产品的消费网络图,分别计算用户的影响力和商品的影响力;将用户影响力和商品影响力分别与对应的阈值进行比较,将大于等于阈值的用户影响力和商品影响力数据构建强影响力邻居集合;采用强影响力邻居集合训练ALS模型的各项参数,得到ALS模型,根据RMSE判断ALS模型是否收敛,并计算评分预测值;根据评分预测值对用户进行商品推荐。本发明的基于时间衰减器的商品推荐方法,提高了商品推荐的精度,减少推荐方法的时间消耗,提高商品推荐的有效性。
Description
技术领域
本发明涉及电子商务技术领域,具体涉及一种基于时间衰减器的商品推荐方法、终端和介质。
背景技术
在网络个性化商品推荐领域,协同过滤法是常用的个性化推荐方法。根据采用技术的不同,个性化推荐可分为基于内容和基于用户的协同过滤推荐及混合推荐。基于内容的推荐只依赖于商品特征和用户的历史偏好进行推荐,不根据其他用户的评价。基于用户的协同过滤推荐通过计算用户之间的相似度来进行商品推荐。
传统的协同过滤算法忽略用户(产品)之间的网络关系,通过获取用户(产品)之间的关系并量化用户(产品)的相似度,对协同过滤算法的实施效果将产生一定影响。对此,现有两种通用的方案:一是利用显式的社交网络关系;另一种是通过隐式的标签信息来计算用户(产品)之间的相似度,从而获取用户(产品)之间的关系。由于传统的算法没有考虑用户的兴趣与时间的关系,导致推荐结果有所偏差。
在以上方案中,一般假设用户(产品)之间的相互影响关系是无向的,忽略了消费时间信息,从而影响了个性化商品推荐系统的推荐精度。在现实环境下,用户(产品)之间的影响关系具有时序性、有向性。另外,传统的算法没有考虑用户的兴趣与时间的关系,影响商品推荐的最终效果,因为人们的兴趣会因时间的改变而动态变化,时间是最重要的影响因素之一。
发明内容
针对现有技术中的缺陷,本发明的目的之一在于提供一种基于时间衰减器的商品推荐方法,提高了商品推荐的精度,提高商品推荐的有效性。
第一方面,本发明提供的基于时间衰减器的商品推荐方法,包括:
获取用户的评分信息和评分时间的信息,计算用户兴趣度随时间变化的函数;
根据获取的用户评分信息和评分时间的信息构建用户的消费网络图和产品的消费网络图,分别计算用户的影响力和商品的影响力;
分别设定用户影响力阈值和商品影响力阈值,将所述用户影响力和商品影响力分别与对应的阈值进行比较,将大于等于阈值的用户影响力和商品影响力数据构建强影响力邻居集合;
采用强影响力邻居集合训练ALS模型的各项参数,得到ALS模型,根据RMSE判断ALS模型是否收敛,并计算评分预测值;
根据所述评分预测值对用户进行商品推荐。
可选地,在获取用户的评分信息和评分时间的信息的步骤之前还包括:初始化计算环境,设定时间T和Tmax,其中,T为设定时间段,Tmax为设定的最大时间。
可选地,在初始化计算环境步骤之前还包括:收集用户的评分信息和评分时间的信息。
可选地,所述计算用户兴趣度随时间变化的函数的公式:其中,Tui为用户u购买商品i的时间,单位为min,Tmax为设定的最大时间,Wt为用户感兴趣程度。
可选地,所述计算用户的影响力的公式为:其中,INi→j为i对j的影响力,f(Ui,Uj)为用户Ui和Uj在设定时间段T内消费产品的并集。
可选地,所述计算商品的影响力的公式为:其中,Ci为第i个商品,f(Ci,Cj)为在设定时间段内消费商品Ci和Cj的用户的并集。
可选地,所述根据RMSE判断ALS模型是否收敛,并计算评分预测值的具体方法包括:采用ALS模型的损失函数公式为:
式中,L(X,Y)为损失函数,X,Y为近似空间变换后的用户矩阵和商品矩阵,x*为所有的用户,y*为所有的商品,rui为用户u对商品i的评分值,λ为改善矩阵稳定性的规则化因子,采用强影响力邻居集合训练后得到矩阵Xm×k,Yn×k,将矩阵Xm×k,Yn×k代入公式:根据RMSE判断ALS模型是否收敛,式中,R为评分矩阵,N为用户、商品和评分的个数;将x*和y*代入得到评分预测值。
第二方面,本发明提供的基于时间衰减器的商品推荐终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述方法。
第三方面,本发明提供的计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述方法。
本发明的有益效果:
本发明提供的基于时间衰减器的商品推荐方法、终端和介质,根据用户的消费时间序列信息,计算用户影响力和商品影响力,增加了计算影响力的方向性和实践性,能精确确定用户或商品影响较大的邻居集群集合,根据强影响力的用户或商品影响力邻居集合训练ALS模型,进行协同过滤,提高了商品推荐的精度,减少推荐方法的时间消耗,提高商品推荐的有效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明所提供的一种基于时间衰减器的商品推荐方法的流程图;
图2示出了图1中的基于时序的用户消费网络图;
图3示出了图1中的基于产品的消费网络图;
图4示出了本发明提供的一种基于时间衰减器的商品推荐终端的原理框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明所提供的一种基于时间衰减器的商品推荐方法的第一实施例,包括以下步骤:
S1:初始化计算环境,设定时间T和Tmax,其中,T为设定时间段,Tmax为设定的最大时间。
S2:获取用户的评分信息和评分时间的信息,计算用户兴趣度随时间变化的函数。在存储器中存储有用户的评分信息和评分时间的信息。
S3:根据获取的用户评分信息和评分时间的信息构建用户的消费网络图和产品的消费网络图,分别计算用户的影响力和商品的影响力。
S4:分别设定用户影响力阈值和商品影响力阈值,将所述用户影响力和商品影响力分别与对应的阈值进行比较,将大于等于阈值的用户影响力和商品影响力数据构建强影响力邻居集合。
在基于网络关系的商品推荐模型中,最近邻用户(产品)的选择事关重要。设定基于时序的用户消费网络如图2所示,图中节点为用户。在消费网络图中,G={U,E}中,U为用户的集合,E为边的集合,W为边权重,“U1(30)”表示用户1消费的产品数量为30。假设在相同的时间段T内,Ui和Uj先后消费了相同的产品,在时间t,其边Ei→j的权重Wi→j,t增加1。遍历所有产品,符合上述条件的产品数量即是Ui和Uj的有向边权重Wi→j,T,t∈T。引入时间衰减项,对艾宾浩斯遗忘曲线进行拟合,输入天数和记忆量,用指数函数进行拟合,得到用户兴趣度随时间变化的函数公式:其中,Tui为用户u购买商品i的时间,单位为min,Tmax为设定的最大时间,Wt为用户感兴趣程度。计算用户的影响力的公式为:其中,INi→j为i对j的影响力,f(Ui,Uj)为用户Ui和Uj在设定时间段T内消费产品的并集。由此可知,用户之间影响力局部时序性和时间衰减性。同理,建立与图2类似的基于产品的消费网络图,如图3所示,图中节点为产品,“C1(85)”表示在设定的时间内消费该产品的用户数量,边权重为先后消费端点的两个产品的用户数。计算商品的影响力的公式为:其中,Fi→j为商品影响力,Ci为第i个商品,Cj为第j个商品,f(Ci,Cj)为在设定时间段内消费商品Ci和Cj的用户的并集。依据上述公式推导可为特定的用户或商品确定对其具有影响力的邻居集合。如设定用户影响力阈值为A,商品影响力阈值为B,若INi→j≥A,则为强影响力,反之则弱影响力,给予排除;若Fi→j≥B,则为强影响力,反之则弱影响力,给予排除。通过该方法构建强影响力邻居集合。
S5:采用强影响力邻居集合训练ALS模型的各项参数,得到ALS模型,根据RMSE判断ALS模型是否收敛,并计算评分预测值。
具体地,将用户强影响力邻居集合或商品强影响力邻居集合应用于基于ALS算法的协同过滤,以提高商品推荐系统精度和减少推荐算法的时间消耗。ALS算法属于混合协同过滤,其损失函数公式:
式中,L(X,Y)为损失函数,X,Y为近似空间变换后的用户矩阵和商品矩阵,x*为所有的用户,y*为所有的商品,rui为用户u对商品i的评分值,λ为改善矩阵稳定性的规则化因子,采用强影响力邻居集合训练后得到矩阵Xm×k,Yn×k,将矩阵Xm×k,Yn×k代入公式:根据RMSE判断ALS模型是否收敛,式中,R为评分矩阵,N为用户、商品和评分的个数;将x*和y*代入得到评分预测值。
S6:根据所述评分预测值对用户进行商品推荐。预测评分计算基于混合推荐策略不依赖于用户或商品的标签和社交信息,而是结合ALS算法和有方向性和兴趣度的用户或商品最近邻居集合实现商品精准推荐,提高商品推荐准确性。
本发明实施例提供的基于时间衰减器的商品推荐方法,根据用户的消费时间序列信息,计算用户影响力和商品影响力,增加了计算影响力的方向性和实践性,能精确确定用户或商品影响较大的邻居集群集合,根据强影响力的用户或商品影响力邻居集合训练ALS模型,进行协同过滤,提高了商品推荐的精度,减少推荐方法的时间消耗,提高商品推荐的有效性。
本发明的基于时间衰减器的商品推荐方法还提供另一实施例,与第一实施例不同之处在于,在步骤S1之前还包括步骤S0:收集用户的评分信息和评分时间的信息。通过获取线上用户新购买行为数据,获取用户的评分信息和评分时间的信息,再及计算用户或商品的影响力关系,建立强影响力邻居集合,采集的用户行为数据为最新数据,更新存储器中存储的数据,获取更新的行为数据进行评分预测,提高评分预测值的准确性,进而提高商品推荐的准确性。
第二方面,如图4所示,本发明实施例还提供一种基于时间衰减器的商品推荐终端,包括处理器1、输入设备2、输出设备3和存储器4,所述处理器1、输入设备2、输出设备3和存储器4相互连接,所述存储器4用于存储计算机程序,所述计算机程序包括程序指令,所述处理器1被配置用于调用所述程序指令,执行上述实施例中的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
第三方面,一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于时间衰减器的商品推荐方法,其特征在于,包括:
获取用户的评分信息和评分时间的信息,计算用户兴趣度随时间变化的函数;
根据获取的用户评分信息和评分时间的信息构建用户的消费网络图和产品的消费网络图,分别计算用户的影响力和商品的影响力;
分别设定用户影响力阈值和商品影响力阈值,将所述用户影响力和商品影响力分别与对应的阈值进行比较,将大于等于阈值的用户影响力和商品影响力数据构建强影响力邻居集合;
采用强影响力邻居集合训练ALS模型的各项参数,得到ALS模型,根据RMSE判断ALS模型是否收敛,并计算评分预测值;
根据所述评分预测值对用户进行商品推荐。
2.如权利要求1所述的基于时间衰减器的商品推荐方法,其特征在于,在获取用户的评分信息和评分时间的信息的步骤之前还包括:初始化计算环境,设定时间T和Tmax,其中,T为设定时间段,Tmax为设定的最大时间。
3.如权利要求2所述的基于时间衰减器的商品推荐方法,其特征在于,在初始化计算环境步骤之前还包括:收集用户的评分信息和评分时间的信息。
4.如权利要求1所述的基于时间衰减器的商品推荐方法,其特征在于,所述计算用户兴趣度随时间变化的函数的公式:
其中,Tui为用户u购买商品i的时间,单位为min,Tmax为设定的最大时间,Wt为用户感兴趣程度。
5.如权利要求4所述的基于时间衰减器的商品推荐方法,其特征在于,所述计算用户的影响力的公式为:其中,INi→j为i对j的影响力,f(Ui,Uj)为用户Ui和Uj在设定时间段T内消费产品的并集。
6.如权利要求4所述的基于时间衰减器的商品推荐方法,其特征在于,所述计算商品的影响力的公式为:其中,Ci为第i个商品,f(Ci,Cj)为在设定时间段内消费商品Ci和Cj的用户的并集。
7.如权利要求4所述的基于时间衰减器的商品推荐方法,其特征在于,所述根据RMSE判断ALS模型是否收敛,并计算评分预测值的具体方法包括:采用ALS模型的损失函数公式为:式中,L(X,Y)为损失函数,X,Y为近似空间变换后的用户矩阵和商品矩阵,x*为所有的用户,y*为所有的商品,rui为用户u对商品i的评分值,λ为改善矩阵稳定性的规则化因子,采用强影响力邻居集合训练后得到矩阵Xm×k,Yn×k,将矩阵Xm×k,Yn×k代入公式:根据RMSE判断ALS模型是否收敛,式中,R为评分矩阵,N为用户、商品和评分的个数;将x*和y*代入得到评分预测值。
8.一种基于时间衰减器的商品推荐终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810063417.0A CN108198041A (zh) | 2018-01-23 | 2018-01-23 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810063417.0A CN108198041A (zh) | 2018-01-23 | 2018-01-23 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108198041A true CN108198041A (zh) | 2018-06-22 |
Family
ID=62590692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810063417.0A Pending CN108198041A (zh) | 2018-01-23 | 2018-01-23 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198041A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064294A (zh) * | 2018-08-21 | 2018-12-21 | 重庆大学 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
CN109508424A (zh) * | 2018-12-17 | 2019-03-22 | 中译语通科技股份有限公司 | 一种基于特征演进的流式数据推荐方法 |
CN110442977A (zh) * | 2019-08-08 | 2019-11-12 | 广州华建工智慧科技有限公司 | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 |
CN111026973A (zh) * | 2019-12-27 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 一种商品兴趣度预测方法、装置及电子设备 |
CN111325598A (zh) * | 2020-01-22 | 2020-06-23 | 深圳大学 | 一种物品推荐方法、装置及终端设备 |
CN111369324A (zh) * | 2020-03-12 | 2020-07-03 | 苏州大学 | 一种目标信息确定方法、装置、设备及可读存储介质 |
CN111429174A (zh) * | 2020-03-13 | 2020-07-17 | 苏州浪潮智能科技有限公司 | 一种基于视频分析的商品推荐方法、装置、设备和介质 |
CN113329058A (zh) * | 2021-04-30 | 2021-08-31 | 青岛以萨数据技术有限公司 | 一种数据推送方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150187024A1 (en) * | 2013-12-27 | 2015-07-02 | Telefonica Digital España, S.L.U. | System and Method for Socially Aware Recommendations Based on Implicit User Feedback |
CN106294758A (zh) * | 2016-09-23 | 2017-01-04 | 华南师范大学 | 基于用户认知度变化的协同推荐方法 |
CN106471491A (zh) * | 2015-05-29 | 2017-03-01 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN107239524A (zh) * | 2017-05-26 | 2017-10-10 | 四川九洲电器集团有限责任公司 | 一种对象推荐方法及设备 |
-
2018
- 2018-01-23 CN CN201810063417.0A patent/CN108198041A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150187024A1 (en) * | 2013-12-27 | 2015-07-02 | Telefonica Digital España, S.L.U. | System and Method for Socially Aware Recommendations Based on Implicit User Feedback |
CN106471491A (zh) * | 2015-05-29 | 2017-03-01 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN106294758A (zh) * | 2016-09-23 | 2017-01-04 | 华南师范大学 | 基于用户认知度变化的协同推荐方法 |
CN107239524A (zh) * | 2017-05-26 | 2017-10-10 | 四川九洲电器集团有限责任公司 | 一种对象推荐方法及设备 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064294A (zh) * | 2018-08-21 | 2018-12-21 | 重庆大学 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
CN109064294B (zh) * | 2018-08-21 | 2021-11-12 | 重庆大学 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
CN109508424B (zh) * | 2018-12-17 | 2020-09-08 | 中译语通科技股份有限公司 | 一种基于特征演进的流式数据推荐方法 |
CN109508424A (zh) * | 2018-12-17 | 2019-03-22 | 中译语通科技股份有限公司 | 一种基于特征演进的流式数据推荐方法 |
CN110442977A (zh) * | 2019-08-08 | 2019-11-12 | 广州华建工智慧科技有限公司 | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 |
CN110442977B (zh) * | 2019-08-08 | 2023-09-29 | 广州华建工智慧科技有限公司 | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 |
CN111026973A (zh) * | 2019-12-27 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 一种商品兴趣度预测方法、装置及电子设备 |
CN111026973B (zh) * | 2019-12-27 | 2023-04-18 | 支付宝(杭州)信息技术有限公司 | 一种商品兴趣度预测方法、装置及电子设备 |
CN111325598A (zh) * | 2020-01-22 | 2020-06-23 | 深圳大学 | 一种物品推荐方法、装置及终端设备 |
CN111369324A (zh) * | 2020-03-12 | 2020-07-03 | 苏州大学 | 一种目标信息确定方法、装置、设备及可读存储介质 |
CN111369324B (zh) * | 2020-03-12 | 2024-01-23 | 苏州大学 | 一种目标信息确定方法、装置、设备及可读存储介质 |
CN111429174A (zh) * | 2020-03-13 | 2020-07-17 | 苏州浪潮智能科技有限公司 | 一种基于视频分析的商品推荐方法、装置、设备和介质 |
CN111429174B (zh) * | 2020-03-13 | 2022-06-03 | 苏州浪潮智能科技有限公司 | 一种基于视频分析的商品推荐方法、装置、设备和介质 |
CN113329058A (zh) * | 2021-04-30 | 2021-08-31 | 青岛以萨数据技术有限公司 | 一种数据推送方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198041A (zh) | 一种基于时间衰减器的商品推荐方法、终端和介质 | |
US20200117675A1 (en) | Obtaining of Recommendation Information | |
CN110046304A (zh) | 一种用户推荐方法和装置 | |
CN107911491A (zh) | 信息推荐方法、装置及存储介质、服务器和移动终端 | |
CN108052979A (zh) | 对模型预测值进行融合的方法、装置和设备 | |
CN107330023A (zh) | 基于关注点的文本内容推荐方法和装置 | |
CN107947951A (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
Balikcioglu et al. | Solving optimal timing problems in environmental economics | |
CN107169052A (zh) | 推荐方法及装置 | |
CN107993088A (zh) | 一种购买周期预测方法及装置,电子设备 | |
CN106326279A (zh) | 奖励数据处理的方法和系统 | |
US10956976B2 (en) | Recommending shared products | |
CN110245980A (zh) | 基于神经网络模型确定目标用户激励形式的方法和设备 | |
CN110046784A (zh) | 一种用户准入的风险确定方法及装置 | |
CN109656541A (zh) | 开发资源的推荐方法、装置、存储介质和电子设备 | |
CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN108846097A (zh) | 用户的兴趣标签表示方法、文章推荐方法、及装置、设备 | |
CN112801425B (zh) | 信息点击率的确定方法、装置、计算机设备和存储介质 | |
CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN105550901A (zh) | 基于少量用户评价的物品流行度与喜好度联合预测系统 | |
CN110807693A (zh) | 专辑的推荐方法、装置、设备和存储介质 | |
CN110134860A (zh) | 用户画像生成方法、装置和设备 | |
CN110472143A (zh) | 一种信息推送方法、装置、可读存储介质及终端设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |