CN108256093B - 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 - Google Patents
一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 Download PDFInfo
- Publication number
- CN108256093B CN108256093B CN201810081294.3A CN201810081294A CN108256093B CN 108256093 B CN108256093 B CN 108256093B CN 201810081294 A CN201810081294 A CN 201810081294A CN 108256093 B CN108256093 B CN 108256093B
- Authority
- CN
- China
- Prior art keywords
- user
- item
- similarity
- category
- users
- 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.)
- Expired - Fee Related
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户多兴趣及兴趣变化的协同过滤推荐算法,包括步骤:1)构造用户‑项目属性类别相关性矩阵;2)根据用户‑项目属性类别相关性矩阵计算用户相似性,以预测用户对未知项目属性类别的偏好度,进而为用户推荐偏好类别;3)将评分矩阵按照推荐的类别分类,计算每个类别下项目相似性;4)考虑用户的兴趣变化,计算项目的时间权重及项目的新颖度,求出初步预测评分;5)结合用户‑项目属性类别偏好得到最终预测评分并进行推荐。本发明将项目作为用户和项目属性类别之间的桥梁,通过评分矩阵间接得出对项目属性类别的偏爱,较好解决用户兴趣模型单一问题,同时考虑到用户兴趣变化及项目的新颖度,使最终推荐效果更加准确。
Description
技术领域
本发明涉及数据挖掘的推荐系统领域,具体涉及基于用户多兴趣及兴趣变化的协同过滤推荐算法。
背景技术
近年来随着互联网和电子信息技术的飞快发展,web已经成为人们获取信息的一个重要通道,与此同时数据爆炸式增长,传统网络服务如分类目录、搜索引擎已经不能满足人们的个性化信息需求,推荐系统应运而生。目前个性化推荐技术被广泛应用到电子商务、新闻网站、社交网站、音乐电影网站等系统中,以增强网站吸引力,提升用户体验。协同过滤是目前应用最广泛且发展最成熟的推荐算法,其本质是利用用户评分信息,寻找目标用户或目标项目的进邻集,根据近邻集合的评分预测目标用户对未知项目的评分。然而传统协同过滤只适用于单一用户兴趣推荐,对于多兴趣会由于兴趣不同而影响推荐精度。且传统协同过滤没有考虑到用户兴趣变化问题和项目新颖性问题,对所有电影评分都赋予相同权重,而现实生活中用户兴趣是不断变化的,并且更偏爱新的物品。
本发明将项目作为用户和项目属性类别之间的桥梁,通过评分间接得出对项目属性类别的偏爱,较好解决用户兴趣模型单一问题。同时考虑到用户兴趣变化及项目的新颖度,推荐效果会更加准确。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于用户多兴趣及兴趣变化的协同过滤推荐算法,构建用户多兴趣模型,考虑到用户兴趣变化及项目的新颖度,使推荐效果会更加准确。
为实现上述目的,本发明所提供的技术方案为:一种基于用户多兴趣及兴趣变化的协同过滤推荐算法,包括以下步骤:
1)构造用户-项目属性类别相关性矩阵Tm×k;
2)根据用户-项目属性类别相关性矩阵Tm×k计算用户之间的相似性,以预测用户对未知项目属性类别的偏好度,进而为用户推荐偏好的类别;
3)将评分矩阵按照推荐的类别分类,计算每个类别下项目评分的相似性;
4)考虑用户的兴趣变化,计算项目的时间权重及项目的新颖度,求出初步预测评分;
5)结合用户-项目属性类别偏好得到最终预测评分并进行推荐。
在步骤1)中,所述的用户-项目属性类别相关性矩阵,是指m个用户对k个项目属性类别的相似性组成的矩阵Tm×k,如下式所示:
其中rij表示用户ui和项目属性类别cj之间的相似性,i=1,2,…,m,j=1,2,…,k;二者之间相似性值的计算通过以下方式:
1.1)定义所有用户集合U={u1,u2,…,um},项目集合I={i1,i2,…,in},项目属性类别集合C={c1,c2,…,ck},将m个用户对n个项目的评分记录整理成用户-项目评分矩阵;
1.2)将项目属性类别标签离散化,含有该标签取值1,不含该标签取值0,得到项目-项目属性类别矩阵;
1.3)用户u所评价项目集合为Iu,根据项目-项目属性类别矩阵,用户u操作属性类别cj的次数f(u,cj)为集合Iu中属于类别cj的个数,用户u操作过的项目属性类别集合为Cu,用户和属性类别的相似性记为r(u,cj):
在步骤2)中,根据用户-项目属性类别相关性矩阵计算用户之间的相似性,以预测用户对未知项目属性类别的偏好度,进而为用户推荐偏好类别,包括以下步骤:
2.1)为求出目标用户与未知项目属性类别的相似度,首先根据矩阵Tm×k,利用余弦相似度计算目标用户与其他用户之间的项目属性类别向量相似度;用户u,v的项目属性类别向量Iu,Iv的相似度:
2.2)根据以下式子计算用户u对未知项目类别j的相似度:
2.3)结合用户-项目属性类别相关性矩阵,针对目标用户,按照相似度大小排序,选出前K个偏好的项目属性类别作为推荐的属性类别。
在步骤3)中,将评分矩阵按照推荐的类别分类,计算每个类别下项目评分的相似性,包括以下步骤:
3.1)结合用户-项目评分矩阵及项目-项目属性类别矩阵,根据步骤2)中得出的用户偏好项目类别,将用户-项目评分按照推荐类别划分;
3.2)在每个推荐的项目类别下,根据传统的基于项目的协同过滤,计算目标项目的近邻项目;项目p,q的评分向量Ip,Iq的相似度:
在步骤4)中,考虑用户的兴趣变化,计算项目的时间权重及项目的新颖度,求出初步预测评分,包括以下步骤:
4.1)通常,用户的兴趣是随时间变化的,现在喜欢的物品更符合用户当前兴趣;将基于时间衰减的权重函数乘以用户对物品的评分,调整用户的评分权重,即对近期访问的项目评分赋予相应权重,时间久远访问的项目评分赋予相应权重,其中为用户u对第A类项目权重增长个性化因子,aA越大权重增长速度越快,Dui为用户u访问资源i的时间与用户访问的所有资源中最早访问时间的间隔,Lu为用户u访问的所有资源中最晚和最早时间间隔;
4.2)考虑到大部分用户追求新潮性,年代久远电影由于音质、画质、时代热点的影响,因此同等情况下用户更偏爱新的项目,应对新项目赋予更高的权重;设置项目新颖性权重其中tmax为所有项目中最新上映的日期,ti为项目i的上映日期,为不使N(u,i)的分母为零,令基准时间t'max=tmax+1;
4.3)定义同时基于时间衰减权重和项目新颖性权重的项目权重函数W(u,i)=α×T(u,i)+(1-α)×N(u,i),其中比例因子α∈[0,1];
4.4)根据以下式子计算用户u对未知项目l的预测评分:
在步骤5)中,结合用户-项目属性类别偏好得到最终预测评分并进行推荐,包括以下步骤:
5.2)根据最终预测评分大小排序,选取排名前N的项目推荐给用户,完成推荐。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明将项目作为用户和项目属性类别之间的桥梁,通过评分和项目属性类别构建用户项目属性类别相似性矩阵,从而构建用户多兴趣模型,较好解决用户兴趣模型单一问题,有效改善由于数据稀疏性造成用户兴趣相似性度量不准确问题。
2、本发明考虑用户兴趣变化,提出一种利用用户活跃程度αA限制权重衰减速度的项目权重函数T(u,i),使最终预测结果更准确反映用户兴趣变化。
3、本发明首次提出考虑项目新颖度对用户的吸引力,给较新的项目赋予较大权重,更符合实际用户习惯。
4、本发明通过考虑项目类别偏好权重,生成最终预测评分,很好衡量用户兴趣问题,使最终推荐结果更加准确。
附图说明
图1为用户对项目属性类别间接操作图。
图2为本发明方法计算基本流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1和图2所示,本实施例所提供的基于用户多兴趣及兴趣变化的协同过滤推荐算法,具体是:先根据构建的用户-项目属性类别相似性矩阵计算用户相似性,给用户推荐偏好的项目类别,然后基于偏好的项目类别计算项目相似性;同时考虑到用户兴趣变化及项目的新颖度,最终结合项目类别偏好权重,生成预测评分并产生推荐。其包括以下步骤:
1)构造用户-项目属性类别相关性矩阵Tm×k:
1.1)定义所有用户集合U={u1,u2,…,um},项目集合I={i1,i2,…,in},项目属性类别集合C={c1,c2,…,ck}。假设将m个用户对n个项目的评分记录整理成用户-项目评分矩阵,数据如下所示:
1.2)一个项目可以同时属于多个类别,例如电影《源代码》既是科幻片,又是灾难片,还是动作片。项目属性类别集合为C={c1,c2,…,ck},将项目属性类别标签离散化,含有该标签取值1,不含该标签取值0,得到项目-项目属性类别矩阵如下所示:
1.3)用户u所评价项目集合为Iu,根据项目-项目属性类别矩阵,用户u操作属性类别cj的次数f(u,cj)为集合Iu中属于类别cj的个数,用户u操作过的项目属性类别集合为Cu,用户和属性类别的相似性记为r(u,cj):
构成用户-项目属性类别相似性矩阵Tm×k。
2)根据用户-项目属性类别相关性矩阵计算用户之间的相似性,以预测用户对未知项目属性类别的偏好度,进而为用户推荐偏好类别。
2.1)为求出目标用户与未知项目属性类别的相似度,首先根据矩阵Tm×k,利用余弦相似度计算目标用户与其他用户之间的项目属性类别向量相似度。用户u,v的项目属性类别向量Iu,Iv的相似度:
2.2)根据以下式子计算用户u对未知项目类别j的相似度:
2.3)结合用户-项目属性类别相关性矩阵,针对目标用户,按照相似度大小排序,选出前K个偏好的项目属性类别作为推荐的属性类别。
3)将评分矩阵按照推荐的类别分类,计算每个类别下项目评分的相似性。
3.1)结合用户-项目评分矩阵及项目-项目属性类别矩阵,根据步骤2)中得出的用户偏好项目类别,将用户-项目评分组织成如下形式:
其中rmr表示用户m对项目属于类别c1的项目r的评分。
3.2)在每个推荐的项目类别下,根据传统的基于项目的协同过滤,计算目标项目的近邻项目。项目p,q的评分向量Ip,Iq的相似度:
4)考虑用户的兴趣变化,计算项目的时间权重及项目的新颖度,求出初步预测评分。
4.1)一般情况下,用户的兴趣是随时间变化的,现在喜欢的物品更符合用户当前兴趣。将基于时间衰减的权重函数乘以用户对物品的评分,调整用户的评分权重,即对近期访问的项目评分赋予较大权重,时间久远访问的项目评分赋予较小的权重,其中为用户u对第A类项目权重增长个性化因子,aA越大权重增长速度越快。Dui为用户u访问资源i的时间与用户访问的所有资源中最早访问时间的间隔,Lu为用户u访问的所有资源中最晚和最早时间间隔。
4.2)考虑到大部分用户追求新潮性,年代久远电影由于音质、画质、时代热点等影响,因此同等情况下用户更偏爱新的项目,应对新项目赋予更高的权重。设置项目新颖性权重其中tmax为所有项目中最新上映的日期,ti为项目i的上映日期,为不使N(u,i)的分母为零,令基准时间t'max=tmax+1。
4.3)定义同时基于时间衰减权重和项目新颖性权重的项目权重函数W(u,i)=α×T(u,i)+(1-α)×N(u,i),其中比例因子α∈[0,1]。
4.4)根据以下式子计算用户u对未知项目l的预测评分:
5)结合用户-项目属性类别偏好得到最终预测评分并进行推荐
5.2)根据最终预测评分大小排序,选取排名前N的项目推荐给用户,完成推荐。
综上所述,本发明为具有评分信息的推荐系统提供了新的推荐方法,通过用户-项目属性类别计算用户相似性,以根据近邻用户集给目标用户推荐偏好项目类别,在每个项目类别下通过基于项目协同过滤产生近邻项目集;同时考虑用户兴趣变化和项目新颖度问题,将时间权重和项目新颖度权重通过加权生成项目总的权重,加权生成预测评分;最后加权项目属性类别生成最终预测评分。
以上所述实施例子只为本发明之较佳实施例子,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于用户多兴趣及兴趣变化的协同过滤推荐算法,其特征在于,包括以下步骤:
1)构造用户-项目属性类别相关性矩阵Tm×k;
2)根据用户-项目属性类别相关性矩阵Tm×k计算用户之间的相似性,以预测用户对未知项目属性类别的偏好度,进而为用户推荐偏好的类别;
3)将评分矩阵按照推荐的类别分类,计算每个类别下项目评分的相似性;
4)考虑用户的兴趣变化,计算项目的时间权重及项目的新颖度,求出初步预测评分,包括以下步骤:
4.1)通常,用户的兴趣是随时间变化的,现在喜欢的物品更符合用户当前兴趣;将基于时间衰减的权重函数乘以用户对物品的评分,调整用户的评分权重,即对近期访问的项目评分赋予相应权重,时间久远访问的项目评分赋予相应权重,其中为用户u对第A类项目权重增长个性化因子,aA越大权重增长速度越快,Dui为用户u访问资源i的时间与用户访问的所有资源中最早访问时间的间隔,Lu为用户u访问的所有资源中最晚和最早时间间隔;
4.2)考虑到大部分用户追求新潮性,年代久远电影由于音质、画质、时代热点的影响,因此同等情况下用户更偏爱新的项目,应对新项目赋予更高的权重;设置项目新颖性权重其中tmax为所有项目中最新上映的日期,ti为项目i的上映日期,为不使N(u,i)的分母为零,令基准时间t'max=tmax+1;
4.3)定义同时基于时间衰减权重和项目新颖性权重的项目权重函数W(u,i)=α×T(u,i)+(1-α)×N(u,i),其中比例因子α∈[0,1];
4.4)根据以下式子计算用户u对未知项目l的预测评分:
5)结合用户-项目属性类别偏好得到最终预测评分并进行推荐。
2.根据权利要求1所述的一种基于用户多兴趣及兴趣变化的协同过滤推荐算法,其特征在于:在步骤1)中,所述的用户-项目属性类别相关性矩阵,是指m个用户对k个项目属性类别的相似性组成的矩阵Tm×k,如下式所示:
其中rij表示用户ui和项目属性类别cj之间的相似性,i=1,2,…,m,j=1,2,…,k;二者之间相似性值的计算通过以下方式:
1.1)定义所有用户集合U={u1,u2,…,um},项目集合I={i1,i2,…,in},项目属性类别集合C={c1,c2,…,ck},将m个用户对n个项目的评分记录整理成用户-项目评分矩阵;
1.2)将项目属性类别标签离散化,含有该标签取值1,不含该标签取值0,得到项目-项目属性类别矩阵;
1.3)用户u所评价项目集合为Iu,根据项目-项目属性类别矩阵,用户u操作属性类别cj的次数f(u,cj)为集合Iu中属于类别cj的个数,用户u操作过的项目属性类别集合为Cu,用户和属性类别的相似性记为r(u,cj):
3.根据权利要求1所述的一种基于用户多兴趣及兴趣变化的协同过滤推荐算法,其特征在于:在步骤2)中,根据用户-项目属性类别相关性矩阵计算用户之间的相似性,以预测用户对未知项目属性类别的偏好度,进而为用户推荐偏好类别,包括以下步骤:
2.1)为求出目标用户与未知项目属性类别的相似度,首先根据矩阵Tm×k,利用余弦相似度计算目标用户与其他用户之间的项目属性类别向量相似度;用户u,v的项目属性类别向量Iu,Iv的相似度:
2.2)根据以下式子计算用户u对未知项目类别j的相似度:
2.3)结合用户-项目属性类别相关性矩阵,针对目标用户,按照相似度大小排序,选出前K个偏好的项目属性类别作为推荐的属性类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810081294.3A CN108256093B (zh) | 2018-01-29 | 2018-01-29 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810081294.3A CN108256093B (zh) | 2018-01-29 | 2018-01-29 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256093A CN108256093A (zh) | 2018-07-06 |
CN108256093B true CN108256093B (zh) | 2020-06-19 |
Family
ID=62743280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810081294.3A Expired - Fee Related CN108256093B (zh) | 2018-01-29 | 2018-01-29 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256093B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241203B (zh) * | 2018-09-27 | 2021-08-31 | 天津理工大学 | 一种融合时间因素的用户偏好和距离加权的聚类方法 |
CN109408735B (zh) * | 2018-10-11 | 2021-06-25 | 杭州飞弛网络科技有限公司 | 一种陌生人社交用户画像的生成方法与系统 |
CN109308654A (zh) * | 2018-11-20 | 2019-02-05 | 辽宁师范大学 | 基于物品能量扩散和用户偏好的协同过滤推荐方法 |
CN109508428B (zh) * | 2019-01-21 | 2021-03-12 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
CN109933720B (zh) * | 2019-01-29 | 2023-03-10 | 汕头大学 | 一种基于用户兴趣自适应演化的动态推荐方法 |
CN110362740B (zh) * | 2019-06-10 | 2022-03-08 | 河海大学 | 一种水利门户信息混合推荐方法 |
CN110347935A (zh) * | 2019-07-18 | 2019-10-18 | 齐鲁工业大学 | 基于用户兴趣变化的个性化影视项目推荐方法及系统 |
CN110427567A (zh) * | 2019-07-24 | 2019-11-08 | 东北大学 | 一种基于用户偏好相似度加权的协同过滤推荐方法 |
CN110688582B (zh) * | 2019-11-12 | 2022-10-18 | 广东小天才科技有限公司 | 一种应用推荐方法、应用推荐装置及终端设备 |
CN111339428B (zh) * | 2020-03-25 | 2021-02-26 | 江苏科技大学 | 基于受限玻尔兹曼机驱动的交互式个性化搜索方法 |
CN113449406B (zh) * | 2020-03-27 | 2024-01-23 | 华晨宝马汽车有限公司 | 打紧工具方案推荐方法和装置及存储介质 |
CN112182416B (zh) * | 2020-09-10 | 2024-02-02 | 北京市科学技术情报研究所 | 一种基于用户群体偏好的科技资源动态协同过滤推荐方法 |
CN112365447B (zh) * | 2020-10-20 | 2022-08-19 | 四川长虹电器股份有限公司 | 一种多维度影视评分方法 |
CN112784171B (zh) * | 2021-01-21 | 2022-11-04 | 重庆邮电大学 | 一种基于上下文典型性的电影推荐方法 |
CN112883268B (zh) * | 2021-02-22 | 2022-02-01 | 中国计量大学 | 一种考虑用户多兴趣以及社交影响的会话推荐方法 |
CN113011950A (zh) * | 2021-03-30 | 2021-06-22 | 吉林亿联银行股份有限公司 | 一种产品推荐方法及装置 |
CN113254773B (zh) * | 2021-06-02 | 2023-07-07 | 南京邮电大学 | 一种基于预测值分析的新项目推荐方法 |
CN113961818B (zh) * | 2021-06-10 | 2024-03-12 | 西北大学 | 一种基于长短期兴趣与社会影响力的群体需求预测方法 |
CN115858947B (zh) * | 2023-02-28 | 2023-05-16 | 南京邮电大学 | 一种基于用户评级的结构体推荐方法 |
CN117132356B (zh) * | 2023-08-29 | 2024-02-13 | 重庆大学 | 基于自适应用户兴趣变化周期的推荐方法、装置及系统 |
CN116957784B (zh) * | 2023-09-18 | 2024-01-09 | 深圳迅销科技股份有限公司 | 一种银行信用卡积分数据推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101287082A (zh) * | 2008-05-16 | 2008-10-15 | 华东师范大学 | 一种引入节目热门度权重的协作过滤推荐方法 |
CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
JP2016040660A (ja) * | 2014-08-12 | 2016-03-24 | 日本電信電話株式会社 | コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム |
CN106682121A (zh) * | 2016-12-09 | 2017-05-17 | 广东工业大学 | 一种基于用户兴趣变化的时效推荐方法 |
CN106909607A (zh) * | 2017-01-06 | 2017-06-30 | 南京邮电大学 | 一种基于随机扰动技术的协同过滤群组推荐方法 |
-
2018
- 2018-01-29 CN CN201810081294.3A patent/CN108256093B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101287082A (zh) * | 2008-05-16 | 2008-10-15 | 华东师范大学 | 一种引入节目热门度权重的协作过滤推荐方法 |
CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
JP2016040660A (ja) * | 2014-08-12 | 2016-03-24 | 日本電信電話株式会社 | コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム |
CN106682121A (zh) * | 2016-12-09 | 2017-05-17 | 广东工业大学 | 一种基于用户兴趣变化的时效推荐方法 |
CN106909607A (zh) * | 2017-01-06 | 2017-06-30 | 南京邮电大学 | 一种基于随机扰动技术的协同过滤群组推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108256093A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256093B (zh) | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 | |
Reddy et al. | Content-based movie recommendation system using genre correlation | |
CN108363804B (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
Luo et al. | Personalized recommendation by matrix co-factorization with tags and time information | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
CN102902691B (zh) | 推荐方法及系统 | |
CN104935963B (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
US11188830B2 (en) | Method and system for user profiling for content recommendation | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
AU2020101885A4 (en) | A Novel Tensor Factorization Using Trust and Rating for Recommendation, system and method thereof | |
Bok et al. | Social group recommendation based on dynamic profiles and collaborative filtering | |
Zhang et al. | Multi-view visual Bayesian personalized ranking for restaurant recommendation | |
Liu et al. | Towards a dynamic top-n recommendation framework | |
Hwang et al. | An algorithm for movie classification and recommendation using genre correlation | |
Ambulgekar et al. | A survey on collaborative filtering: tasks, approaches and applications | |
Huang et al. | Neural embedding collaborative filtering for recommender systems | |
CN105761154A (zh) | 一种社会化推荐方法及装置 | |
CN109684561B (zh) | 基于用户签到行为变化的深层语义分析的兴趣点推荐方法 | |
CN114358807A (zh) | 基于可预测用户特征属性的用户画像方法及系统 | |
CN109885748A (zh) | 基于语意特征的优化推荐方法 | |
Elahi | Empirical evaluation of active learning strategies in collaborative filtering | |
Yu et al. | Exploiting location significance and user authority for point-of-interest recommendation | |
Serrano | Smart internet search with random neural networks | |
Quadrana | Algorithms for sequence-aware recommender systems |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200619 |
|
CF01 | Termination of patent right due to non-payment of annual fee |