CN108256018A - 一种物品推荐方法及装置 - Google Patents
一种物品推荐方法及装置 Download PDFInfo
- Publication number
- CN108256018A CN108256018A CN201810019598.7A CN201810019598A CN108256018A CN 108256018 A CN108256018 A CN 108256018A CN 201810019598 A CN201810019598 A CN 201810019598A CN 108256018 A CN108256018 A CN 108256018A
- Authority
- CN
- China
- Prior art keywords
- user
- theme
- article
- calculated
- preference value
- 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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种物品推荐方法及装置,属于计算机技术领域。该方法可以根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互的主题和未交互主题的偏好值,然后根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值,最后向目标用户推荐偏好值大于预设阈值的待推荐物品,相较于现有技术中只能向用户推荐已交互主题中的物品的方式,本发明实施例中的物品推荐方法,由于确定出了目标用户对每个主题的偏好值,这样,就可以向目标用户推荐每个主题中的物品,进而减小了物品推荐的局限性。
Description
技术领域
本发明属于计算机技术领域,特别是涉及一种物品推荐方法及装置。
背景技术
随着计算机技术的不断发展,网络系统中的网络对象越来越多,比如,视频系统中会有大量的视频,为了吸引用户,各网络平台经常需要向用户推荐一些符合用户喜好的物品。
现有技术中,向用户推荐物品时,通常是,根据用户与物品的历史交互数据,向用户推荐与交互过的物品属于同一类别的物品。但是,这样只能向用户推荐交互过的类别中的物品,无法向用户推荐从未交互过的类别中的物品,推荐的局限性较大。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种物品推荐方法及装置。
依据本发明的第一方面,提供了一种物品推荐方法,该方法包括:
根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值;
根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值;
向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
可选的,所述目标用户对每个主题的偏好值包括所述目标用户对已交互主题的偏好值以及所述目标用户对未交互主题的偏好值;
所述根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值的步骤,包括:
根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值;
确定每个已交互物品所属的主题,得到多个已交互主题;
根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值;
在每个用户对每个已交互主题的偏好值中,查找所述目标用户对已交互主题的偏好值;
根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值。
可选的,所述网络系统为视频系统,所述物品为视频,所述历史交互数据包括用户点击过的视频以及每个视频对应的观看时长;
所述根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值的步骤,包括:
将每个用户作为待计算用户,执行以下操作:
从所述待计算用户的历史交互数据中,获取所述待计算用户点击过的视频,得到待计算视频;
获取所述待计算视频对应的观看时长,得到待计算观看时长;
在预设的观看时长和偏好值对应关系中,查找所述待计算观看时长对应的偏好值,得到所述待计算用户对所述待计算视频的偏好值。
可选的,所述确定每个已交互物品所属的主题的步骤,包括:
对网络系统中的所有物品进行主题聚类,得到多个主题;
计算每个已交互物品属于每个主题的概率,将概率大于预设概率阈值的主题确定为所述已交互物品所属的主题。
可选的,所述根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值的步骤,包括:
将每个用户作为待计算用户,将所述待计算用户的每个已交互主题作为待计算主题,执行以下操作:
从所述待计算主题包括的物品中确定所述待计算用户对应的已交互物品,得到多个待计算物品;
分别计算每个待计算物品的偏好值与待计算物品属于所述待计算主题的概率的乘积,得到多个乘积;
计算所述多个乘积的和,得到所述待计算用户对所述待计算主题的偏好值。
可选的,所述根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值的步骤,包括:
根据每个用户对每个已交互主题的偏好值,构建偏好值矩阵;所述偏好值矩阵的行元素表示用户向量,列元素表示主题向量;
对所述偏好值矩阵进行矩阵分解,计算目标函数;
根据所述目标函数对所述用户向量的偏导以及对所述主题向量的偏导,计算用户向量函数以及主题向量函数;
根据所述用户向量函数以及所述主题向量函数,计算所述目标用户对未交互主题的偏好值。
可选的,所述根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值的步骤,包括:
计算所述待推荐物品属于每个主题的概率,将最大概率对应的主题确定为所述待推荐物品所属的主题;
计算所述最大概率与所述目标用户对所述待推荐物品所属的主题的偏好值的乘积,得到所述目标用户对所述待推荐物品的偏好值。
依据本发明的第二方面,提供了一种物品推荐装置,该装置包括:
第一确定模块,用于根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值;
第二确定模块,用于根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值;
推荐模块,用于向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
可选的,所述目标用户对每个主题的偏好值包括所述目标用户对已交互主题的偏好值以及所述目标用户对未交互主题的偏好值;
所述第一确定模块,包括:
第一计算子模块,用于根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值;
第一确定子模块,用于确定每个已交互物品所属的主题,得到多个已交互主题;
第二计算子模块,用于根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值;
查找子模块,用于在每个用户对每个已交互主题的偏好值中,查找所述目标用户对已交互主题的偏好值;
第三计算子模块,用于根据每个用户对每个已交互主题的偏好值,计算
所述目标用户对未交互主题的偏好值。
可选的,所述网络系统为视频系统,所述物品为视频,所述历史交互数据包括用户点击过的视频以及每个视频对应的观看时长;
所述第一计算子模块,用于:
将每个用户作为待计算用户,执行以下操作:
从所述待计算用户的历史交互数据中,获取所述待计算用户点击过的视频,得到待计算视频;
获取所述待计算视频对应的观看时长,得到待计算观看时长;
在预设的观看时长和偏好值对应关系中,查找所述待计算观看时长对应的偏好值,得到所述待计算用户对所述待计算视频的偏好值。
可选的,所述第一确定子模块,用于:
对网络系统中的所有物品进行主题聚类,得到多个主题;
计算每个已交互物品属于每个主题的概率,将概率大于预设概率阈值的主题确定为所述已交互物品所属的主题。
可选的,所述第二计算子模块,用于:
将每个用户作为待计算用户,将所述待计算用户的每个已交互主题作为待计算主题,执行以下操作:
从所述待计算主题包括的物品中确定所述待计算用户对应的已交互物品,得到多个待计算物品;
分别计算每个待计算物品的偏好值与待计算物品属于所述待计算主题的概率的乘积,得到多个乘积;
计算所述多个乘积的和,得到所述待计算用户对所述待计算主题的偏好值。
可选的,所述第三计算子模块,用于:
根据每个用户对每个已交互主题的偏好值,构建偏好值矩阵;所述偏好值矩阵的行元素表示用户向量,列元素表示主题向量;
对所述偏好值矩阵进行矩阵分解,计算目标函数;
根据所述目标函数对所述用户向量的偏导以及对所述主题向量的偏导,计算用户向量函数以及主题向量函数;
根据所述用户向量函数以及所述主题向量函数,计算所述目标用户对未交互主题的偏好值。
可选的,所述第二确定模块,用于:
计算所述待推荐物品属于每个主题的概率,将最大概率对应的主题确定为所述待推荐物品所属的主题;
计算所述最大概率与所述目标用户对所述待推荐物品所属的主题的偏好值的乘积,得到所述目标用户对所述待推荐物品的偏好值。
针对在先技术,本发明具备如下优点:
本发明实施例提供的物品推荐方法及装置,可以根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互的主题和未交互主题的偏好值,然后根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值,最后向目标用户推荐偏好值大于预设阈值的待推荐物品,相较于现有技术中只能向用户推荐已交互主题中的物品的方式,本发明实施例中的物品推荐方法,由于已知了目标用户对每个主题的偏好值,这样,就可以向目标用户推荐每个主题中的物品,进而减小了物品推荐的局限性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例一提供的一种物品推荐方法的步骤流程图;
图2是本发明实施例二提供的一种物品推荐方法的步骤流程图;
图3是本发明实施例三提供的一种物品推荐装置的框图;
图4是本发明实施例四提供的一种物品推荐装置的框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
图1是本发明实施例一提供的一种物品推荐方法的步骤流程图,如图1所示,该方法可以包括:
步骤101、根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值。
实际的应用场景中,每个用户都有交互过的主题和没有交互过的主题,本发明实施例中,向目标用户推荐物品时,可以先通过每个用户对已交互主题的偏好值,确定出目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互主题的偏好值和对未交互主题的偏好值。其中,偏好值可以是根据每个用户和已交互主题之间的历史交互数据确定的,偏好值可以体现用户对已交互主题的喜爱程度。
示例的,该网络系统可以为视频系统,该物品可以为视频,假设视频系统中的主题包括:“经济”、“新闻”、“纪实”和“娱乐”,假设网络系统中有三个用户,其中,用户a观看过属于主题“经济”和属于主题“新闻”的视频,即就是,用户a与主题“经济”和主题“新闻”交互过;用户b观看过属于主题“纪实”和属于主题“娱乐”的视频,即就是,用户b与主题“纪实”和主题“娱乐”交互过;用户c观看过属于主题“经济”和属于主题“娱乐”的视频,即就是,用户c与主题“经济”和主题“娱乐”交互过。假设目标用户为用户c,由于用户c只与主题“经济”和主题“娱乐”交互过,那么想要向用户c推荐未交互过的主题“新闻”和主题“纪实”中的视频时,便需要先计算出用户c对主题“新闻”和主题“纪实”的偏好值才能进行推荐。
本步骤中,可以根据每个用户对已交互主题的偏好值,即就是,根据用户a对主题“经济”和主题“新闻”的偏好值,用户b对主题“纪实”和主题“娱乐”的偏好值,以及用户c对主题“经济”和主题“娱乐”的偏好值,确定出目标用户c对每个主题的偏好值,即就是,确定出用户c对主题“经济”,主题“新闻”,主题“纪实”和主题“娱乐”的偏好值,这样,就可以向用户c推荐每个主题中的视频了。
步骤102、根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值。
由于主题中包括的各个物品具有相似性,因此,用户对每个主题的喜爱程度可以体现用户对该主题中所包括的物品的喜爱程度。本步骤中,可以根据目标用户对待推荐物品所属的主题的偏好值,确定目标用户对每个待推荐物品的偏好值。
示例的,假设待推荐物品包括:待推荐物品1和待推荐物品2,其中,待推荐物品1所属的主题为“新闻”,待推荐物品2所属的主题为“纪实”,可以根据目标用户对主题“新闻”和主题“纪实”的偏好值,确定目标用户对待推荐物品1和待推荐物品2的偏好值。
步骤103、向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
本发明实施例中,该预设阈值可以是开发人员根据实际经验确定的,当用户对某个物品的偏好值大于预设阈值时,可以认为用户对该物品比较感兴趣。因此,本步骤中,可以向目标用户推荐偏好值大于预设阈值的待推荐物品,以保证用户对推荐的物品能够满意。实际应用中,当存在多个偏好值大于预设阈值的待推荐物品时,可以按照偏好值由大到小的顺序进行排序,并按照排列的顺序进行推荐,以保证将用户最感兴趣的物品优先推荐。
需要说明的是,本发明实施例中的物品,还可以是歌曲、游戏或网络商品等等,本发明实施例对此不作限定。
综上所述,本发明实施例一提供的物品推荐方法,可以根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互的主题和未交互主题的偏好值,然后根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值,最后向目标用户推荐偏好值大于预设阈值的待推荐物品,相较于现有技术中只能向用户推荐已交互主题中的物品的方式,本发明实施例中的物品推荐方法,由于已知了目标用户对每个主题的偏好值,这样,就可以向目标用户推荐每个主题中的物品,进而减小了物品推荐的局限性。
实施例二
图2是本发明实施例二提供的一种物品推荐方法的步骤流程图,如图2所示,该方法可以包括:
步骤201、根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值。
以网络系统为视频系统,物品为视频,历史交互数据包括用户点击过的视频以及每个视频对应的观看时长为例,将每个用户作为待计算用户,分别执行下述步骤2011~步骤2013,来实现计算每个用户对每个已交互物品的偏好值。示例的,假设视频系统中包括三个用户:用户a、用户b和用户c,本步骤中,可以将用户a、用户b和用户c分别作为待计算用户,进而确定用户a、用户b和用户c对每个已交互物品的偏好值。
步骤2011、从所述待计算用户的历史交互数据中,获取所述待计算用户点击过的视频,得到待计算视频。
假设待计算用户为用户a,那么可以从用户a的历史交互数据中,获取用户a点击过的视频。实际应用中,用户在点击观看视频时,后台会记录用户点击的视频的标识,以及用户观看每个视频的时长。因此,本步骤中,可以从用户a的历史交互数据中,获取用户a点击过的视频的标识,将每个标识对应的视频确定为待计算视频。
示例的,假设用户a点击过的视频包括:视频1、视频2、和视频3,那么可以将视频1、视频2和视频3确定为待计算视频。
步骤2012、获取所述待计算视频对应的观看时长,得到待计算观看时长。
示例的,可以从用户a的历史交互数据中,分别获取用户a观看视频1、视频2和视频3的时长,得到3个待计算时长。
步骤2013、在预设的观看时长和偏好值对应关系中,查找所述待计算观看时长对应的偏好值,得到所述待计算用户对所述待计算视频的偏好值。
本步骤中,该预设的观看时长和偏好值可以是由开发人员预先定义的,开发人员可以通过实际经验设置观看时长和偏好值的对应关系,示例的,可以按照观看时长越长,偏好值越大的原则进行设置。
示例的,以偏好值的范围为(0,1)为例,可以为观看时长大于0分钟且小于10分钟的视频设置偏好值0.1,为观看时长不小于10分钟且小于大于20分钟的视频设置偏好值0.2,为观看时长不小于20分钟且小于30分钟的视频设置偏好值0.3,以此类推,可以得到如下表1所示的观看时长和偏好值对应关系:
表1
假设视频1对应的观看时长为38分钟,那么可以确定用户a对视频1的偏好值为0.4;假设视频2对应的观看时长为25分钟,那么可以确定用户a对视频2的偏好值为0.3;假设视频3对应的观看时长为45分钟,那么可以确定用户a对视频3的偏好值为0.5。
步骤202、确定每个已交互物品所属的主题,得到多个已交互主题。
具体的,本步骤可以通过下述步骤2021~步骤2022来实现:
步骤2021、对网络系统中的所有物品进行主题聚类,得到多个主题。
示例的,以物品为视频为例,可以对每个视频的标题文本进行分词处理,得到多个词语,然后按照相似度等方式通过文本聚类将这些词语中具有相同特征的词语聚集为一个主题,进而得到多个主题。实际应用中,还可以通过其他方式确定视频系统中包括的所有主题,比如,可以由开发人员根据实际经验人工定义主题,等等,本发明实施例对此不作限定。
需要说明的是,实际应用中,还可以通过对每个视频的音频对应的文本进行分词处理,然后根据得到的多个词语进行聚类,本发明实施例对此不作限定。
步骤2022、计算每个已交互物品属于每个主题的概率,将概率大于预设概率阈值的主题确定为所述已交互物品所属的主题。
具体的,本步骤中,对于每个已交互视频,可以对该已交互视频的标题文本进行分词处理,得到多个词语,然后通过上述步骤2021中文本聚类中的得到的各个模型参数以及其他信息构建分类模型,通过文本聚类确定出来的多个主题可以作为该分类模型中的预设类别,接着根据该分类模型进行文本分类,将该已交互视频的标题文本对应的多个词语分类至各个主题中,然后根据每个主题中包括的词语数,计算该已交互视频属于该主题的概率。
示例的,假设对已交互视频1的标题文本进行分词后,得到了10个词语,其中,有5个词语属于主题“经济”,有4个词语属于主题“新闻”,有1个词语属于主题“娱乐”,那么,可以将属于主题“经济”的词语数占已交互视频1的标题文本进行分词后得到的总词语数的比值,确定为已交互视频1属于主题“经济”的概率,示例的,可以得到已交互视频1属于主题“经济”的概率为5/10=0.5,已交互视频1属于主题“新闻”的概率为4/10=0.4,已交互视频1属于主题“娱乐”的概率为1/10=0.1。假设预设的概率阈值为0.2,那么可以将主题“经济”和主题“新闻”确定为已交互视频1所属的主题。进一步地,假设已交互视频2属于主题“经济”的概率为0.8,属于主题“纪实”的概率为0.2,那么可以将主题“经济”确定为已交互视频2所属的主题;假设已交互视频3属于主题“经济”的概率为0.6,属于主题“新闻”的概率为0.3,属于主题“纪实”的概率为0.1,那么可以将主题“经济”和主题“新闻”确定为已交互视频3所属的主题。
综上可知,用户a的已交互主题为“经济”和“新闻”。
步骤203、根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值。
具体的,本步骤中,可以将每个用户作为待计算用户,将待计算用户的每个已交互主题作为待计算主题,通过下述步骤2031~步骤2033实现计算每个用户对每个已交互主题的偏好值,示例的,本步骤中,假设用户a的已交互主题为“经济”和“新闻”,用户b的已交互主题为“纪实”和“娱乐”,用户c的已交互主题为“经济”和“娱乐”,那么可以将用户a作为待计算用户,分别将主题“经济”和主题“新闻”作为待计算主题,计算用户a对已交互主题“经济”和已交互主题“新闻”的偏好值;将用户b作为待计算用户,分别将主题“纪实”和主题“娱乐”作为待计算主题,计算用户b对已交互主题“纪实”和已交互主题“娱乐”的偏好值;将用户c作为待计算用户,分别将主题“经济”和主题“娱乐”作为待计算主题,计算用户c对已交互主题“经济”和已交互主题“娱乐”的偏好值。
步骤2031、从所述待计算主题包括的物品中确定所述待计算用户对应的已交互物品,得到多个待计算物品。
示例的,以待计算用户为用户a,待计算主题为“经济”为例,其中,用户a交互过的物品中,属于主题“经济”的物品包括:已交互视频1、已交互视频2和已交互视频3,那么可以将已交互视频1、已交互视频2和已交互视频3确定为待计算物品。
以待计算用户为用户a,待计算主题为“新闻”为例,其中,用户a交互过的物品中,属于主题“新闻”的物品包括:已交互视频1和已交互视频3,那么可以将已交互视频1和已交互视频3确定为待计算物品。
步骤2032、分别计算每个待计算物品的偏好值与待计算物品属于所述待计算主题的概率的乘积,得到多个乘积。
示例的,以待计算主题为“经济”为例,可以计算已交互视频1的偏好值与已交互视频1属于主题“经济”的概率的乘积,具体的,可以得到乘积为:0.4×0.5=0.2;计算已交互视频2的偏好值与已交互视频2属于主题“经济”的概率的乘积,具体的,可以得到乘积为:0.3×0.8=0.24;计算已交互视频3的偏好值与已交互视频3属于主题“经济”的概率的乘积,具体的,可以得到乘积为:0.5×0.6=0.3。
步骤2033、计算所述多个乘积的和,得到所述待计算用户对所述待计算主题的偏好值。
示例的,可以通过计算可以得到上述步骤2032中的3个乘积之和为:0.2+0.24+0.3=0.74,进而可以得到用户a对主题“经济”的偏好值为0.74。
步骤204、在每个用户对每个已交互主题的偏好值中,查找所述目标用户对已交互主题的偏好值。
由于每个用户中会包括目标用户,因此,本步骤中,可以在每个用户对每个已交互主题的偏好值中,查找目标用户对已交互主题的偏好值。示例的,假设目标用户为用户c,那么可以确定目标用户对已交互主题“经济”的偏好值为0.7,对已交互主题“娱乐”的偏好值为0.74。
需要说明的是,在本发明的另一可选实施例中,还可以根据目标用户的历史交互数据,计算目标用户对每个已交互物品的偏好值,然后确定每个已交互物品所属的主题,得到多个已交互主题,最后根据目标用户对每个已交互物品的偏好值,分别计算目标用户对每个已交互主题的偏好值,本发明实施例对此不作限定,进一步地,具体的根据目标用户对每个已交互物品的偏好值,分别计算目标用户对每个已交互主题的偏好值的实现方法可以参考上述步骤203,本发明实施例在此不做赘述。
步骤205、根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值。
具体的,步骤205可以包括:
步骤2051、根据每个用户对每个已交互主题的偏好值,构建偏好值矩阵。
其中,该偏好值矩阵的行元素可以表示用户向量,列元素可以表示主题向量。示例的,假设用户a对已交互主题“经济”的偏好值为0.74,对已交互主题“新闻”的偏好值为0.4;用户b对已交互主题“纪实”的偏好值为0.3,对已交互主题“娱乐”的偏好值为0.6;用户c对已交互主题“经济”的偏好值为0.7,对已交互主题“娱乐”的偏好值为0.5。
那么,以每个用户对每个已交互主题的偏好值作为矩阵中的元素,可以得到如下所述的偏好值矩阵:
其中,该偏好值矩阵中的“?”表示用户没有与该主题交互过。以i表示行,j表示列,矩阵中的元素r(i,j)可以表示第i个用户对第j个主题的偏好,例如r(3,1)表示第三个用户,即,用户c对第一个主题,即,主题“经济”的偏好值,r(3,1)=0.7,r(3,2)表示第三个用户,即,用户c对第二个主题,即,主题“新闻”的偏好值,r(3,2)=?。
需要说明的是,上述偏好值矩阵是示出的一种示意性矩阵,实际应用中,偏好值矩阵包括的行数和列数可以根据实际情况来确定,本发明实施例对此不作限定,进一步地,本发明实施例中的主题也可以为其他主题,比如“体育”,“亲情”,等等,本发明实施例对此不作限定。
步骤2052、对所述偏好值矩阵进行矩阵分解,计算目标函数。
具体的,假设第一偏好值矩阵是一个m×n的矩阵,通过矩阵分解,可以将该m×n的矩阵可以表示为两个小矩阵:U(m*k)和V(n*k)的乘积,其中,k<(m,n),用A来代表该m×n的矩阵,那么可以得到A=UTV。这样,整个矩阵的自由度就从O(mn)降低成了O((m+n)·k),自由度越低预测的偏好值就越接近实际的值,因此,本步骤中通过降低自由度可以使得预测的偏好值更加符合实际的数值。
进一步地,假设用户对未交互主题的真实的偏好值和预测的偏好值的差,服从高斯分布,那么可以得到矩阵分解的目标函数为:
其中,Ui表示用户向量,Vj表示主题向量。
步骤2053、根据所述目标函数对所述用户向量的偏导以及对所述主题向量的偏导,计算用户向量函数以及主题向量函数。
具体的,可以先分别计算目标函数对Ui和Vj的偏导,然后令偏导等于0,求驻点,进而得到Ui函数以及Vj函数:
步骤2054、根据所述用户向量函数以及所述主题向量函数,计算所述目标用户对未交互主题的偏好值。
具体的,通过计算用户向量函数Ui和主题向量函数Vj的点积,可以得到用户i对主题j的偏好值。示例的,以目标用户为用户c为例,可以令i等于3,j等于2,计算U3和V2的点积,进而得到r(3,2),即就是用户c对主题“新闻”的偏好值;可以令i等于3,j等于3,计算U3和V3的点积,进而得到r(3,3),即就是用户c对主题“纪实”的偏好值。
步骤206、根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值。
具体的,步骤206可以包括:
步骤2061、计算所述待推荐物品属于每个主题的概率,将最大概率对应的主题确定为所述待推荐物品所属的主题。
具体的,本步骤中计算待计算物品属于每个主题的概率的方式可以参考上述步骤2022中的计算方式,本发明实施例在此不做赘述。
示例的,假设待推荐物品1属于主题“新闻”的概率为0.9,属于主题“经济”的概率为0.1,那么可以将主题“新闻”确定为该待推荐物品1所属的主题。
步骤2062、计算所述最大概率与所述目标用户对所述待推荐物品所属的主题的偏好值的乘积,得到所述目标用户对所述待推荐物品的偏好值。
示例的,假设目标用户对待推荐物品1所属的主题的偏好值为0.7,那么可以确定目标用户对待推荐物品1的偏好值为:0.9×0.7=0.63。
步骤207、向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
具体的,本步骤的实现方式可以参考上述步骤103,本发明实施例在此不做赘述。
综上所述,本发明实施例二提供的物品推荐方法,可以根据网络系统中每个用户的历史交互数据,计算出每个用户对已交互主题的偏好值,然后通过矩阵分解的方式确定出每个用户对每个主题的偏好值,进而确定出目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互的主题和未交互主题的偏好值,然后根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值,最后向目标用户推荐偏好值大于预设阈值的待推荐物品,相较于现有技术中只能向用户推荐已交互主题中的物品的方式,本发明实施例中的物品推荐方法,由于已知了目标用户对每个主题的偏好值,这样,就可以向目标用户推荐每个主题中的物品,进而减小了物品推荐的局限性。
实施例三
图3是本发明实施例三提供的一种物品推荐装置的框图,如图3所示,该装置30可以包括:
第一确定模块301,用于根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值;
第二确定模块302,用于根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值;
推荐模块303,用于向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
综上所述,本发明实施例三提供的物品推荐装置,第一确定模块可以根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互的主题和未交互主题的偏好值,然后第二确定模块可以根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值,最后推荐模块可以向目标用户推荐偏好值大于预设阈值的待推荐物品,相较于现有技术中只能向用户推荐已交互主题中的物品的方式,本发明实施例中的物品推荐方法,由于已知了目标用户对每个主题的偏好值,这样,就可以向目标用户推荐每个主题中的物品,进而减小了物品推荐的局限性。
实施例四
图4是本发明实施例四提供的一种物品推荐装置的框图,如图4所示,该装置40可以包括:
第一确定模块401,用于根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值;
第二确定模块402,用于根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值;
推荐模块403,用于向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
可选的,上述目标用户对每个主题的偏好值包括所述目标用户对已交互主题的偏好值以及所述目标用户对未交互主题的偏好值;
上述第一确定模块401,包括:
第一计算子模块4011,用于根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值;
第一确定子模块4012,用于确定每个已交互物品所属的主题,得到多个已交互主题;
第二计算子模块4013,用于根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值;
查找子模块4014,用于在每个用户对每个已交互主题的偏好值中,查找所述目标用户对已交互主题的偏好值;
第三计算子模块4015,用于根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值。
可选的,上述网络系统为视频系统,所述物品为视频,所述历史交互数据包括用户点击过的视频以及每个视频对应的观看时长;
上述第一计算子模块4011,用于:
将每个用户作为待计算用户,执行以下操作:
从所述待计算用户的历史交互数据中,获取所述待计算用户点击过的视频,得到待计算视频;
获取所述待计算视频对应的观看时长,得到待计算观看时长;
在预设的观看时长和偏好值对应关系中,查找所述待计算观看时长对应的偏好值,得到所述待计算用户对所述待计算视频的偏好值。
可选的,上述第一确定子模块4012,用于:
对网络系统中的所有物品进行主题聚类,得到多个主题;
计算每个已交互物品属于每个主题的概率,将概率大于预设概率阈值的主题确定为所述已交互物品所属的主题。
可选的,上述第二计算子模块4013,用于:
将每个用户作为待计算用户,将所述待计算用户的每个已交互主题作为待计算主题,执行以下操作:
从所述待计算主题包括的物品中确定所述待计算用户对应的已交互物品,得到多个待计算物品;
分别计算每个待计算物品的偏好值与待计算物品属于所述待计算主题的概率的乘积,得到多个乘积;
计算所述多个乘积的和,得到所述待计算用户对所述待计算主题的偏好值。
可选的,上述第三计算子模块4015,用于:
根据每个用户对每个已交互主题的偏好值,构建偏好值矩阵;所述偏好值矩阵的行元素表示用户向量,列元素表示主题向量;
对所述偏好值矩阵进行矩阵分解,计算目标函数;
根据所述目标函数对所述用户向量的偏导以及对所述主题向量的偏导,计算用户向量函数以及主题向量函数;
根据所述用户向量函数以及所述主题向量函数,计算所述目标用户对未交互主题的偏好值。
可选的,上述第二确定模块402,用于:
计算所述待推荐物品属于每个主题的概率,将最大概率对应的主题确定为所述待推荐物品所属的主题;
计算所述最大概率与所述目标用户对所述待推荐物品所属的主题的偏好值的乘积,得到所述目标用户对所述待推荐物品的偏好值。
综上所述,本发明实施例四提供的物品推荐装置,第一确定模块可以根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值,即就是,确定出目标用户对已交互的主题和未交互主题的偏好值,然后第二确定模块可以根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值,最后推荐模块可以向目标用户推荐偏好值大于预设阈值的待推荐物品,相较于现有技术中只能向用户推荐已交互主题中的物品的方式,本发明实施例中的物品推荐方法,由于已知了目标用户对每个主题的偏好值,这样,就可以向目标用户推荐每个主题中的物品,进而减小了物品推荐的局限性。
对于上述装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本发明的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
在此提供的物品推荐方法不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品推荐方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (14)
1.一种物品推荐方法,其特征在于,所述方法包括:
根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值;
根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值;
向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
2.根据权利要求1所述的方法,其特征在于,所述目标用户对每个主题的偏好值包括所述目标用户对已交互主题的偏好值以及所述目标用户对未交互主题的偏好值;
所述根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值的步骤,包括:
根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值;
确定每个已交互物品所属的主题,得到多个已交互主题;
根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值;
在每个用户对每个已交互主题的偏好值中,查找所述目标用户对已交互主题的偏好值;
根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值。
3.根据权利要求2所述的方法,其特征在于,所述网络系统为视频系统,所述物品为视频,所述历史交互数据包括用户点击过的视频以及每个视频对应的观看时长;
所述根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值的步骤,包括:
将每个用户作为待计算用户,执行以下操作:
从所述待计算用户的历史交互数据中,获取所述待计算用户点击过的视频,得到待计算视频;
获取所述待计算视频对应的观看时长,得到待计算观看时长;
在预设的观看时长和偏好值对应关系中,查找所述待计算观看时长对应的偏好值,得到所述待计算用户对所述待计算视频的偏好值。
4.根据权利要求2所述的方法,其特征在于,所述确定每个已交互物品所属的主题的步骤,包括:
对网络系统中的所有物品进行主题聚类,得到多个主题;
计算每个已交互物品属于每个主题的概率,将概率大于预设概率阈值的主题确定为所述已交互物品所属的主题。
5.根据权利要求2所述的方法,其特征在于,所述根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值的步骤,包括:
将每个用户作为待计算用户,将所述待计算用户的每个已交互主题作为待计算主题,执行以下操作:
从所述待计算主题包括的物品中确定所述待计算用户对应的已交互物品,得到多个待计算物品;
分别计算每个待计算物品的偏好值与待计算物品属于所述待计算主题的概率的乘积,得到多个乘积;
计算所述多个乘积的和,得到所述待计算用户对所述待计算主题的偏好值。
6.根据权利要求2所述的方法,其特征在于,所述根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值的步骤,包括:
根据每个用户对每个已交互主题的偏好值,构建偏好值矩阵;所述偏好值矩阵的行元素表示用户向量,列元素表示主题向量;
对所述偏好值矩阵进行矩阵分解,计算目标函数;
根据所述目标函数对所述用户向量的偏导以及对所述主题向量的偏导,计算用户向量函数以及主题向量函数;
根据所述用户向量函数以及所述主题向量函数,计算所述目标用户对未交互主题的偏好值。
7.根据权利要求1所述的方法,其特征在于,所述根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值的步骤,包括:
计算所述待推荐物品属于每个主题的概率,将最大概率对应的主题确定为所述待推荐物品所属的主题;
计算所述最大概率与所述目标用户对所述待推荐物品所属的主题的偏好值的乘积,得到所述目标用户对所述待推荐物品的偏好值。
8.一种物品推荐装置,其特征在于,所述装置包括:
第一确定模块,用于根据网络系统中每个用户对已交互主题的偏好值,确定目标用户对每个主题的偏好值;
第二确定模块,用于根据每个待推荐物品所属的主题和所述目标用户对每个主题的偏好值,确定所述目标用户对每个待推荐物品的偏好值;
推荐模块,用于向所述目标用户推荐偏好值大于预设阈值的待推荐物品。
9.根据权利要求8所述的装置,其特征在于,所述目标用户对每个主题的偏好值包括所述目标用户对已交互主题的偏好值以及所述目标用户对未交互主题的偏好值;
所述第一确定模块,包括:
第一计算子模块,用于根据网络系统中每个用户的历史交互数据,计算每个用户对每个已交互物品的偏好值;
第一确定子模块,用于确定每个已交互物品所属的主题,得到多个已交互主题;
第二计算子模块,用于根据每个用户对每个已交互物品的偏好值,分别计算每个用户对每个已交互主题的偏好值;
查找子模块,用于在每个用户对每个已交互主题的偏好值中,查找所述目标用户对已交互主题的偏好值;
第三计算子模块,用于根据每个用户对每个已交互主题的偏好值,计算所述目标用户对未交互主题的偏好值。
10.根据权利要求9所述的装置,其特征在于,所述网络系统为视频系统,所述物品为视频,所述历史交互数据包括用户点击过的视频以及每个视频对应的观看时长;
所述第一计算子模块,用于:
将每个用户作为待计算用户,执行以下操作:
从所述待计算用户的历史交互数据中,获取所述待计算用户点击过的视频,得到待计算视频;
获取所述待计算视频对应的观看时长,得到待计算观看时长;
在预设的观看时长和偏好值对应关系中,查找所述待计算观看时长对应的偏好值,得到所述待计算用户对所述待计算视频的偏好值。
11.根据权利要求9所述的装置,其特征在于,所述第一确定子模块,用于:
对网络系统中的所有物品进行主题聚类,得到多个主题;
计算每个已交互物品属于每个主题的概率,将概率大于预设概率阈值的主题确定为所述已交互物品所属的主题。
12.根据权利要求9所述的装置,其特征在于,所述第二计算子模块,用于:
将每个用户作为待计算用户,将所述待计算用户的每个已交互主题作为待计算主题,执行以下操作;
从所述待计算主题包括的物品中确定所述待计算用户对应的已交互物品,得到多个待计算物品;
分别计算每个待计算物品的偏好值与待计算物品属于所述待计算主题的概率的乘积,得到多个乘积;
计算所述多个乘积的和,得到所述待计算用户对所述待计算主题的偏好值。
13.根据权利要求9所述的装置,其特征在于,所述第三计算子模块,用于:
根据每个用户对每个已交互主题的偏好值,构建偏好值矩阵;所述偏好值矩阵的行元素表示用户向量,列元素表示主题向量;
对所述偏好值矩阵进行矩阵分解,计算目标函数;
根据所述目标函数对所述用户向量的偏导以及对所述主题向量的偏导,计算用户向量函数以及主题向量函数;
根据所述用户向量函数以及所述主题向量函数,计算所述目标用户对未交互主题的偏好值。
14.根据权利要求8所述的装置,其特征在于,所述第二确定模块,用于:
计算所述待推荐物品属于每个主题的概率,将最大概率对应的主题确定为所述待推荐物品所属的主题;
计算所述最大概率与所述目标用户对所述待推荐物品所属的主题的偏好值的乘积,得到所述目标用户对所述待推荐物品的偏好值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019598.7A CN108256018A (zh) | 2018-01-09 | 2018-01-09 | 一种物品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019598.7A CN108256018A (zh) | 2018-01-09 | 2018-01-09 | 一种物品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256018A true CN108256018A (zh) | 2018-07-06 |
Family
ID=62724832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810019598.7A Pending CN108256018A (zh) | 2018-01-09 | 2018-01-09 | 一种物品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256018A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109218771A (zh) * | 2018-10-29 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 一种视频节目的推荐方法、装置、电子设备及存储介质 |
CN111598644A (zh) * | 2020-04-01 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种物品推荐方法、装置以及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
US20140082022A1 (en) * | 2012-09-19 | 2014-03-20 | Wal-Mart Stores, Inc. | Transforming a graph to a tree in accordance with analyst guidance |
CN103823908A (zh) * | 2014-03-21 | 2014-05-28 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
CN104317835A (zh) * | 2014-10-10 | 2015-01-28 | 中国科学院深圳先进技术研究院 | 视频终端的新用户推荐方法 |
CN105069099A (zh) * | 2015-08-06 | 2015-11-18 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及系统 |
CN105138508A (zh) * | 2015-08-06 | 2015-12-09 | 电子科技大学 | 一种基于偏好扩散的上下文推荐系统 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN105824911A (zh) * | 2016-03-15 | 2016-08-03 | 山东大学 | 基于lda用户主题模型的视频推荐方法 |
CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及系统 |
CN106777069A (zh) * | 2016-12-12 | 2017-05-31 | 浙江工商大学 | 基于矩阵因子分解的个性化推荐方法及推荐系统 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
CN107306355A (zh) * | 2016-04-20 | 2017-10-31 | 华为技术有限公司 | 一种内容推荐方法及服务器 |
CN107368584A (zh) * | 2017-07-21 | 2017-11-21 | 山东大学 | 一种个性化视频推荐方法及系统 |
-
2018
- 2018-01-09 CN CN201810019598.7A patent/CN108256018A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
US20140082022A1 (en) * | 2012-09-19 | 2014-03-20 | Wal-Mart Stores, Inc. | Transforming a graph to a tree in accordance with analyst guidance |
CN103823908A (zh) * | 2014-03-21 | 2014-05-28 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
CN104317835A (zh) * | 2014-10-10 | 2015-01-28 | 中国科学院深圳先进技术研究院 | 视频终端的新用户推荐方法 |
CN105069099A (zh) * | 2015-08-06 | 2015-11-18 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及系统 |
CN105138508A (zh) * | 2015-08-06 | 2015-12-09 | 电子科技大学 | 一种基于偏好扩散的上下文推荐系统 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN105824911A (zh) * | 2016-03-15 | 2016-08-03 | 山东大学 | 基于lda用户主题模型的视频推荐方法 |
CN107306355A (zh) * | 2016-04-20 | 2017-10-31 | 华为技术有限公司 | 一种内容推荐方法及服务器 |
CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及系统 |
CN106777069A (zh) * | 2016-12-12 | 2017-05-31 | 浙江工商大学 | 基于矩阵因子分解的个性化推荐方法及推荐系统 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
CN107368584A (zh) * | 2017-07-21 | 2017-11-21 | 山东大学 | 一种个性化视频推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
王卓: ""用户品牌购买预测"", 《中国优秀硕士学位论文全文数据库 信息科技辑I138-1312》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109218771A (zh) * | 2018-10-29 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 一种视频节目的推荐方法、装置、电子设备及存储介质 |
CN111598644A (zh) * | 2020-04-01 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种物品推荐方法、装置以及介质 |
CN111598644B (zh) * | 2020-04-01 | 2023-05-02 | 华瑞新智科技(北京)有限公司 | 一种物品推荐方法、装置以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9117006B2 (en) | Recommending keywords | |
CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
EP2109050A1 (en) | Facilitating display of an interactive and dynamic cloud of terms related to one or more input terms | |
CN109906450A (zh) | 用于通过相似性关联对电子信息排名的方法和装置 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
CN109325146B (zh) | 一种视频推荐方法、装置、存储介质和服务器 | |
CN112434151A (zh) | 一种专利推荐方法、装置、计算机设备及存储介质 | |
CN112348629A (zh) | 一种商品信息推送方法和装置 | |
US10185983B2 (en) | Least-ask: conversational recommender system with minimized user interaction | |
CN114329201B (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
US20210224481A1 (en) | Method and apparatus for topic early warning, computer equipment and storage medium | |
CN111639255B (zh) | 搜索关键词的推荐方法、装置、存储介质及电子设备 | |
CN110110139A (zh) | 一种对推荐结果进行解释的方法、装置及电子设备 | |
CN110929166A (zh) | 一种内容推荐的方法、电子设备和存储介质 | |
CN109460549A (zh) | 语义向量的处理方法及装置 | |
US8180715B2 (en) | Systems and methods for collaborative filtering using collaborative inductive transfer | |
Vigo et al. | Constructing conceptual knowledge artefacts: activity patterns in the ontology authoring process | |
CN110298615A (zh) | 用于选择仓库中的货品的方法、装置、介质和计算设备 | |
Ab Rashid et al. | Multi-objective discrete particle swarm optimisation algorithm for integrated assembly sequence planning and assembly line balancing | |
CN110008396B (zh) | 对象信息推送方法、装置、设备及计算机可读存储介质 | |
CN113190741A (zh) | 搜索方法、装置、电子设备及存储介质 | |
CN115033801A (zh) | 物品推荐方法、模型训练方法及电子设备 | |
CN108256018A (zh) | 一种物品推荐方法及装置 | |
CN113763072B (zh) | 用于分析信息的方法和装置 |
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: 20180706 |