CN108228833A - 一种利用用户倾向性学习解决社区项目推荐任务的方法 - Google Patents

一种利用用户倾向性学习解决社区项目推荐任务的方法 Download PDF

Info

Publication number
CN108228833A
CN108228833A CN201810008053.6A CN201810008053A CN108228833A CN 108228833 A CN108228833 A CN 108228833A CN 201810008053 A CN201810008053 A CN 201810008053A CN 108228833 A CN108228833 A CN 108228833A
Authority
CN
China
Prior art keywords
user
matrix
project
tendency
ranking
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.)
Granted
Application number
CN201810008053.6A
Other languages
English (en)
Other versions
CN108228833B (zh
Inventor
赵洲
孟令涛
沈锴
蔡登�
何晓飞
庄越挺
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810008053.6A priority Critical patent/CN108228833B/zh
Publication of CN108228833A publication Critical patent/CN108228833A/zh
Application granted granted Critical
Publication of CN108228833B publication Critical patent/CN108228833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种利用用户倾向性学习解决社区项目推荐任务的方法。主要包括如下步骤:1)针对于社交网络中的项目,用户,生成项目的表达矩阵与拉普拉斯矩阵。利用每次收集的用户项目排名信息,迭代产生用户倾向性矩阵2)对于生成的用户倾向性矩阵与项目表达矩阵,产生对于用户的项目推荐。相比于一般的项目推荐解决方案,本发明使用了项目特征及用户之间的相互关系,同时迭代地使用多次用户对于项目的排序信息,则能够更准确地反映用户对于项目的排序特点,同时时间消耗低。本发明在社区项目推荐问题中所取得的效果相比于传统的方法更好。

Description

一种利用用户倾向性学习解决社区项目推荐任务的方法
技术领域
本发明涉及社区项目推荐任务,尤其涉及一种利用用户倾向性学习解决社区项目推荐任务的方法。
背景技术
随着以社交网站的蓬勃发展,以社区项目推荐服务已经成为一项重要的网络服务,该服务可以针对于每一个不同的用户,利用其过去的浏览项目,推荐其可能会感兴趣的项目,但是目前的效果并不是很好。
现有的技术主要是基于所有的以往用户项目意见均已知的前提来做,该方法往往对于在线推荐的实际应用并不适用,因为每当有新的用户对于项目的排序数据加入到训练数据中时,就要再次更新训练模型,这十分地费时。同时,若训练数据的数据量过大,则需要将所有的训练数据放入训练批次中,这十分困难。另外,一般用户的倾向性排名会随着时间而有所改变,这会导致训练模型不能及时更新。为了克服这些缺陷,本方法将使用一种原创的叫做在线图像正则化用户倾向性学习的社交推荐系统框架进行社交项目的推荐。
本发明将迭代地利用用户对于项目的排序信息与项目的个体特征产生用户对于项目的倾向性大小,利用该倾向性大小可以反映出不同用户对于不同项目的喜欢程度,将喜欢程度高的项目返回作为对于用户的推荐项目。
发明内容
本发明的目的在于解决现有技术中的问题,为了克服现有技术中需要实时更新模型从而导致计算消耗量过大的问题,本发明提供一种利用用户倾向性学习解决社区项目推荐任务的方法。本发明所采用的具体技术方案是:
利用用户倾向性学习解决社区项目推荐任务的方法,包含如下步骤:
1、针对于社交网站上用户对于项目的评论,获得每个项目的特征表达矩阵。利用用户之间的相互关注的关系获取用户关系矩阵。并利用用户关系矩阵获取拉普拉斯矩阵。
2、随机初始化用户倾向性矩阵,迭代进行特征值矩阵计算,利用产生的特征值矩阵产生每次的用户倾向性矩阵。
3、利用最终得到的用户倾向性矩阵与步骤1得到的项目的特征表达矩阵,求出预测的用户对于项目的排序矩阵,将更排序值较高的适合用户的项目推荐给用户。
上述步骤可具体采用如下实现方式:
1、对于给出的社交网路中的项目,利用词袋分析的方法将用户对于该项目的评价文本,提取出相关项目的特征信息。对于第i个项目,将提取出的d维特征向量xi,作为该项目的特征表达,则m个项目的特征表达构成矩阵 X=[x1,...,xm]∈Rd*m
对于社交网路中的用户,利用用户之间的相互关注的关系构成用户之间的关系矩阵S∈Rn*n,其中n为用户的数目,具体构建矩阵的方法为下述两种方法中的一种:
方法一:对于社交网站中的用户,若i用户与j用户为朋友关系,则sij=1,否则,sij=0;
方法二:对于社交网站中的用户,将i用户所关注的用户作为集合Fi,j用户所关注的用户作为集合Fj,则其中|Fi∩Fj|代表i用户与j用户的共同关注的人,|Fi∪Fj|代表i用户及j用户所有关注的人;
之后利用矩阵S的元素构建矩阵对角D,其中dii=∑jsij。构建拉普拉斯矩阵L=D-S。
2、随机初始化初次的用户倾向性矩阵W1∈Rd*n,其中n为用户的数目,d 与步骤1中的项目特征表达向量的维度d相同,且令W1满足||W1||*≤γ,其中 ||W1||*代表矩阵W1的奇异值之和,γ为一个提前定义好的矩阵W1奇异值之和的最大值。
设在进行K次迭代来求取用户倾向性矩阵时,每次迭代中收集到的用户对于项目的排名情况构成的集合为Ω={Ω1,...,Ωk,...,ΩK},其中对于第k次迭代时收集到的用户对于项目的排名集合Ωk,(i,j)∈Ωk代表i用户对于项目j的排名在所收集的排名集合中,即在用户项目排名矩阵R∈Rn*m中,满足rij∈R且rij≠0。其中m为项目的总数,n为用户的总数。
在第τ=1,2,...,K次迭代时,按照如下公式,求取最大特征值矩阵Vτ
其中,δ1(.)代表求的最大特征值矩阵,代表按照如下公式求取:
其中,Wτ(i)为矩阵Wτ的第i行向量,|Ωυ|代表在第1到第τ次收集用户项目排名中,第υ次迭代时获取的项目排名集合Ωυ中所含有的项目排名的总数。xj代表项目矩阵X中代表第j个项目的向量,rij代表对于在第1到第τ次收集用户项目排名中,收集到的i用户对于项目j的排名信息,即R矩阵的第i行第j列元素。ei为第i个元素为1其余元素为0的单位向量。L为步骤1中所得到的拉普拉斯矩阵。λ为提前定义好的权衡参数。
利用所获得的最大特征值Vτ与上一次迭代产生的用户倾向性矩阵Wτ,按照如下公式计算第τ+1次迭代对应的用户倾向性矩阵Wτ+1
Wτ+1=(1-τ-a)Wτ-aVτ
其中,a为提前定义好的固定常数。
最终,经过K次迭代后,得到最终的用户倾向性矩阵WK
3、利用步骤2得到的最终的用户倾向性矩阵WK与步骤1得到的项目的特征表达矩阵X,计算按照公式计算得到预测的用户对于项目的排名矩阵根据矩阵中每一个用户对于不同项目的排名值大小,将有较大排名值的项目推荐给用户。
附图说明
图1是本发明使用的在线图像正则化用户倾向性学习的整体示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
如图1所示,本发明一种利用用户倾向性学习解决社区项目推荐任务的方法包括如下步骤:
1)针对于社交网站上用户对于项目的评论,获得每个项目的特征表达矩阵;利用用户之间的相互关注的关系获取用户关系矩阵;并利用用户关系矩阵获取拉普拉斯矩阵;
2)随机初始化用户倾向性矩阵,迭代进行特征值矩阵计算,利用产生的特征值矩阵产生每次的用户倾向性矩阵;
3)利用最终得到的用户倾向性矩阵与步骤1)得到的项目的特征表达矩阵,求出预测的用户对于项目的排序矩阵,将更排序值较高的适合用户的项目推荐给用户。
所述的步骤1)获取项目表达,用户关系矩阵与拉普拉斯矩阵,其具体步骤为:
对于给出的社交网路中的项目,利用词袋分析的方法将用户对于该项目的评价文本,提取出相关项目的特征信息。对于第i个项目,将提取出的d维特征向量xi,作为该项目的特征表达,则m个项目的特征表达构成矩阵 X=[x1,...,xm]∈Rd*m
对于社交网路中的用户,利用用户之间的相互关注的关系构成用户之间的关系矩阵S∈Rn*n,其中n为用户的数目,具体构建矩阵的方法为下述两种方法中的一种:
方法一:对于社交网站中的用户,若i用户与j用户为朋友关系,则sij=1,否则,sij=0;
方法二:对于社交网站中的用户,将i用户所关注的用户作为集合Fi,j用户所关注的用户作为集合Fj,则其中|Fi∩Fj|代表i用户与j用户的共同关注的人,|Fi∪Fj|代表i用户及j用户所有关注的人。
之后利用矩阵S的元素构建矩阵对角D,其中dii=∑jsij。构建拉普拉斯矩阵L=D-S。
所述的步骤2)迭代计算特征值矩阵及用户倾向性矩阵,其具体步骤为:
随机初始化初次的用户倾向性矩阵W1∈Rd*n,其中n为用户的数目,d与步骤1中的项目特征表达向量的维度d相同,且令W1满足||W1||*≤γ,其中||W1||*代表矩阵W1的奇异值之和,γ为一个提前定义好的矩阵W1奇异值之和的最大值;
设在进行K次迭代来求取用户倾向性矩阵时,每次迭代中收集到的用户对于项目的排名情况构成的集合为Ω={Ω1,...,Ωk,...,ΩK},其中对于第k次迭代时收集到的用户对于项目的排名集合Ωk,(i,j)∈Ωk代表i用户对于项目j的排名在所收集的排名集合中,即在用户项目排名矩阵R∈Rn*m中,满足rij∈R且rij≠0;其中m为项目的总数,n为用户的总数;
在第τ=1,2,...,K次迭代时,按照如下公式,求取最大特征值矩阵Vτ
其中,δ1(.)代表求的最大特征值矩阵,代表按照如下公式求取:
其中,Wτ(i)为矩阵Wτ的第i行向量,|Ωυ|代表在第1到第τ次收集用户项目排名中,第υ次迭代时获取的项目排名集合Ωυ中所含有的项目排名的总数;xj代表项目矩阵X中代表第j个项目的向量,rij代表对于在第1到第τ次收集用户项目排名中,收集到的i用户对于项目j的排名信息,即R矩阵的第i行第j列元素;ei为第i个元素为1其余元素为0的单位向量;L为步骤1中所得到的拉普拉斯矩阵,λ为提前定义好的权衡参数;
利用所获得的最大特征值Vτ与上一次迭代产生的用户倾向性矩阵Wτ,按照如下公式计算第τ+1次迭代对应的用户倾向性矩阵Wτ+1
Wτ+1=(1-τ-a)Wτ-aVτ
其中,a为提前定义好的固定常数;
最终,经过K次迭代后,得到最终的用户倾向性矩阵WK
所述的步骤3)利用步骤2)得到的用户倾向性矩阵与步骤1)得到的项目的特征表达矩阵,计算用户对于项目的排序矩阵,其具体步骤为:
利用步骤2)得到的最终的用户倾向性矩阵WK与步骤1)得到的项目的特征表达矩阵X,计算按照公式计算得到预测的用户对于项目的排名矩阵根据矩阵中每一个用户对于不同项目的排名值大小,将有较大排名值的项目推荐给用户。
下面将上述方法应用于下列实施例中,以体现本发明的技术效果,实施例中具体步骤不再赘述。
实施例
本发明在社交点评网站Douban及社交点评网站CIAO上构建实验数据进行实验。所使用的Douban数据集中共包括3100个用户对于34455部电影的776344 条点评数据,及7146个用户对于120562首歌曲的797764条点评数据,所使用的CIAO数据集中共包括7300个用户对于4149个产品的34893条点评数据。为了客观地评价本发明的算法的性能,本发明在所选出的测试集中,使用了MAE, RMSE这两种评价标准来对于本发明的效果进行评价,且分别针对90%、70%、50%、 30%与10%比例的训练数据进行训练并进行实验求解。按照具体实施方式中描述的步骤,所得的针对于Douban的电影数据集的MAE评价标准实验结果如表1 所示,针对于Douban的电影数据集的RMSE评价标准实验结果如表2所示,针对于Douban的歌曲数据集的MAE评价标准实验结果如表3所示,针对于Douban 的歌曲数据集的RMSE评价标准实验结果如表4所示,针对于CIAO的数据集的MAE评价标准实验结果如表5所示,针对于CIAO的数据集的RMSE评价标准实验结果如表6所示,本方法表示为ORGPL-FW。表1至表6的测试结果表明,本方法在利用用户对于项目的排序信息与项目的个体特征的情况下,可以更好地反映出不同用户对于不同项目的喜欢程度,能够将喜欢程度高的项目推荐给适合的用户。本方法比其他现存的方法在社区项目推荐服务上取得更好的效果:
表1本发明针对于Douban电影数据在MAE标准的测试结果
表2本发明针对于Douban电影数据在RMSE标准的测试结果
表3本发明针对于Douban音乐数据在MAE标准的测试结果
表4本发明针对于Douban音乐数据在RMSE标准的测试结果
表5本发明针对于CIAO电影数据在MAE标准的测试结果
表6本发明针对于CIAO电影数据在RMSE标准的测试结果。

Claims (6)

1.一种利用用户倾向性学习解决社区项目推荐任务的方法,其特征在于包括如下步骤:
1)针对于社交网站上用户对于项目的评论,获得每个项目的特征表达矩阵;利用用户之间的相互关注的关系获取用户关系矩阵;并利用用户关系矩阵获取拉普拉斯矩阵;
2)随机初始化用户倾向性矩阵,迭代进行特征值矩阵计算,利用产生的特征值矩阵产生每次的用户倾向性矩阵;
3)利用最终得到的用户倾向性矩阵与步骤1)得到的项目的特征表达矩阵,求出预测的用户对于项目的排序矩阵,将排序值较高的适合用户的项目推荐给用户。
2.根据权利要求1所述利用用户倾向性学习解决社区项目推荐任务的方法,其特征在于所述的步骤1)具体步骤为:
对于给出的社交网路中的项目,利用词袋分析的方法将用户对于该项目的评价文本,提取出相关项目的特征信息;对于第i个项目,将提取出的d维特征向量xi,作为该项目的特征表达,则m个项目的特征表达构成矩阵X=[x1,...,xm]∈Rd*m
对于社交网路中的用户,利用用户之间的相互关注的关系构成用户之间的关系矩阵S∈Rn*n,其中n为用户的数目;
之后利用矩阵S的元素构建矩阵对角D,其中dii=∑jsij,构建拉普拉斯矩阵L=D-S。
3.根据权利要求2所述利用用户倾向性学习解决社区项目推荐任务的方法,其特征在于构成用户之间的关系矩阵S∈Rn*n的方法为:对于社交网站中的用户,若i用户与j用户为朋友关系,则sij=1,否则,sij=0。
4.根据权利要求2所述利用用户倾向性学习解决社区项目推荐任务的方法,其特征在于构成用户之间的关系矩阵S∈Rn*n的方法为:对于社交网站中的用户,将i用户所关注的用户作为集合Fi,j用户所关注的用户作为集合Fj,则其中|Fi∩Fj|代表i用户与j用户的共同关注的人,|Fi∪Fj|代表i用户及j用户所有关注的人。
5.根据权利要求1所述利用用户倾向性学习解决社区项目推荐任务的方法,其特征在于所述的步骤2)具体步骤为:
随机初始化初次的用户倾向性矩阵W1∈Rd*n,其中n为用户的数目,d与步骤1中的项目特征表达向量的维度d相同,且令W1满足||W1||*≤γ,其中||W1||*代表矩阵W1的奇异值之和,γ为一个提前定义好的矩阵W1奇异值之和的最大值;
设在进行K次迭代来求取用户倾向性矩阵时,每次迭代中收集到的用户对于项目的排名情况构成的集合为Ω={Ω1,...,Ωk,...,ΩK},其中对于第k次迭代时收集到的用户对于项目的排名集合Ωk,(i,j)∈Ωk代表i用户对于项目j的排名在所收集的排名集合中,即在用户项目排名矩阵中,满足rij∈R且rij≠0;其中m为项目的总数,n为用户的总数;
在第τ=1,2,...,K次迭代时,按照如下公式,求取最大特征值矩阵Vτ
其中,δ1(.)代表求的最大特征值矩阵,代表按照如下公式求取:
其中,Wτ(i)为矩阵Wτ的第i行向量,|Ωυ|代表在第1到第τ次收集用户项目排名中,第υ次迭代时获取的项目排名集合Ωυ中所含有的项目排名的总数;xj代表项目矩阵X中代表第j个项目的向量,rij代表对于在第1到第τ次收集用户项目排名中,收集到的i用户对于项目j的排名信息,即R矩阵的第i行第j列元素;ei为第i个元素为1其余元素为0的单位向量;L为步骤1中所得到的拉普拉斯矩阵,λ为提前定义好的权衡参数;
利用所获得的最大特征值Vτ与上一次迭代产生的用户倾向性矩阵Wτ,按照如下公式计算第τ+1次迭代对应的用户倾向性矩阵Wτ+1
Wτ+1=(1-τ-a)Wτ-aVτ
其中,a为提前定义好的固定常数;
最终,经过K次迭代后,得到最终的用户倾向性矩阵WK
6.根据权利要求1所述利用多模态网络学习进行基于社交关系的电影推荐的方法,其特征在于所述的步骤3)具体为:
利用步骤2)得到的最终的用户倾向性矩阵WK与步骤1)得到的项目的特征表达矩阵X,计算按照公式计算得到预测的用户对于项目的排名矩阵根据矩阵中每一个用户对于不同项目的排名值大小,将有较大排名值的项目推荐给用户。
CN201810008053.6A 2018-01-04 2018-01-04 一种利用用户倾向性学习解决社区项目推荐任务的方法 Active CN108228833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810008053.6A CN108228833B (zh) 2018-01-04 2018-01-04 一种利用用户倾向性学习解决社区项目推荐任务的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810008053.6A CN108228833B (zh) 2018-01-04 2018-01-04 一种利用用户倾向性学习解决社区项目推荐任务的方法

Publications (2)

Publication Number Publication Date
CN108228833A true CN108228833A (zh) 2018-06-29
CN108228833B CN108228833B (zh) 2021-08-03

Family

ID=62643104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810008053.6A Active CN108228833B (zh) 2018-01-04 2018-01-04 一种利用用户倾向性学习解决社区项目推荐任务的方法

Country Status (1)

Country Link
CN (1) CN108228833B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10789377B2 (en) 2018-10-17 2020-09-29 Alibaba Group Holding Limited Secret sharing with no trusted initializer

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110152635A1 (en) * 2009-12-23 2011-06-23 Morris Margaret E Motivational Profiling for Behavioral Change Technologies: A State-Trait Approach
CN102231166A (zh) * 2011-07-12 2011-11-02 浙江大学 基于社会上下文的协同推荐方法
US20130031093A1 (en) * 2011-07-25 2013-01-31 Sony Computer Entertainment Inc. Information processing system, information processing method, program, and non-transitory information storage medium
CN104077723A (zh) * 2013-03-25 2014-10-01 中兴通讯股份有限公司 一种社交网络推荐系统及方法
CN104679835A (zh) * 2015-02-09 2015-06-03 浙江大学 一种基于多视图哈希的图书推荐方法
CN105069122A (zh) * 2015-08-12 2015-11-18 天津大学 一种基于用户行为的个性化推荐方法及其推荐装置
CN106126549A (zh) * 2016-06-16 2016-11-16 传化公路港物流有限公司 一种基于概率矩阵分解的社区信任推荐方法及其系统
CN106202184A (zh) * 2016-06-27 2016-12-07 华中科技大学 一种面向高校图书馆的图书个性化推荐方法和系统
CN106294859A (zh) * 2016-08-22 2017-01-04 南京邮电大学盐城大数据研究院有限公司 一种基于属性耦合矩阵分解的项目推荐方法
CN106960044A (zh) * 2017-03-30 2017-07-18 浙江鸿程计算机系统有限公司 一种基于张量分解及加权hits的时间感知个性化poi推荐方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110152635A1 (en) * 2009-12-23 2011-06-23 Morris Margaret E Motivational Profiling for Behavioral Change Technologies: A State-Trait Approach
CN102231166A (zh) * 2011-07-12 2011-11-02 浙江大学 基于社会上下文的协同推荐方法
US20130031093A1 (en) * 2011-07-25 2013-01-31 Sony Computer Entertainment Inc. Information processing system, information processing method, program, and non-transitory information storage medium
CN104077723A (zh) * 2013-03-25 2014-10-01 中兴通讯股份有限公司 一种社交网络推荐系统及方法
CN104679835A (zh) * 2015-02-09 2015-06-03 浙江大学 一种基于多视图哈希的图书推荐方法
CN105069122A (zh) * 2015-08-12 2015-11-18 天津大学 一种基于用户行为的个性化推荐方法及其推荐装置
CN106126549A (zh) * 2016-06-16 2016-11-16 传化公路港物流有限公司 一种基于概率矩阵分解的社区信任推荐方法及其系统
CN106202184A (zh) * 2016-06-27 2016-12-07 华中科技大学 一种面向高校图书馆的图书个性化推荐方法和系统
CN106294859A (zh) * 2016-08-22 2017-01-04 南京邮电大学盐城大数据研究院有限公司 一种基于属性耦合矩阵分解的项目推荐方法
CN106960044A (zh) * 2017-03-30 2017-07-18 浙江鸿程计算机系统有限公司 一种基于张量分解及加权hits的时间感知个性化poi推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIN GONG ET AL.: "Recommending Web Service Based on User Relationships and Preferences", 《2013 IEEE 20TH INTERNATIONAL CONFERENCE ON WEB SERVICES》 *
马聪: "基于用户行为挖掘的情景感知推荐", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10789377B2 (en) 2018-10-17 2020-09-29 Alibaba Group Holding Limited Secret sharing with no trusted initializer
US11386212B2 (en) 2018-10-17 2022-07-12 Advanced New Technologies Co., Ltd. Secure multi-party computation with no trusted initializer

Also Published As

Publication number Publication date
CN108228833B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
Chen et al. Learning to rank features for recommendation over multiple categories
Albatayneh et al. Utilizing learners’ negative ratings in semantic content-based recommender system for e-learning forum
CN106651519B (zh) 基于标签信息的个性化推荐方法和系统
Lu et al. Selective transfer learning for cross domain recommendation
Lai et al. Novel personal and group-based trust models in collaborative filtering for document recommendation
CN102591915B (zh) 一种基于标签迁移学习的推荐方法
CN102750347B (zh) 一种用于图像或视频搜索重排序的方法
CN107657043B (zh) 一种基于内容的混合图模型图像推荐方法
CN106934071A (zh) 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置
CN108415913A (zh) 基于不确定邻居的人群定向方法
CN108664658A (zh) 一种考虑用户偏好动态变化的协同过滤视频推荐方法
CN106599194A (zh) 标签确定方法及装置
CN110008397A (zh) 一种推荐模型训练方法及装置
CN110222940A (zh) 一种众包测试平台测试人员推荐算法
CN113806630A (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
CN111143704A (zh) 一种融合用户影响关系的在线社区好友推荐方法及系统
CN104572915B (zh) 一种基于内容环境增强的用户事件相关度计算方法
Guan et al. When images backfire: The effect of customer-generated images on product rating dynamics
Sun et al. Overlapping community detection based on information dynamics
Ji et al. Making recommendations from top-N user-item subgroups
Li et al. Research on the strategy of E-Learning resources recommendation based on learning context
CN108228833A (zh) 一种利用用户倾向性学习解决社区项目推荐任务的方法
Serrano Smart internet search with random neural networks
Yazdanian et al. Eliciting new wikipedia users’ interests via automatically mined questionnaires: For a warm welcome, not a cold start
CN108108399A (zh) 一种混合高斯建模改进的协同过滤推荐算法

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
GR01 Patent grant
GR01 Patent grant