CN108491431B - 一种基于自编码机和聚类的混合推荐方法 - Google Patents

一种基于自编码机和聚类的混合推荐方法 Download PDF

Info

Publication number
CN108491431B
CN108491431B CN201810135027.XA CN201810135027A CN108491431B CN 108491431 B CN108491431 B CN 108491431B CN 201810135027 A CN201810135027 A CN 201810135027A CN 108491431 B CN108491431 B CN 108491431B
Authority
CN
China
Prior art keywords
user
recommendation
clustering
self
mae
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.)
Active
Application number
CN201810135027.XA
Other languages
English (en)
Other versions
CN108491431A (zh
Inventor
朱全银
赵阳
胡荣林
李翔
严云洋
冯万利
周泓
王啸
瞿学新
潘舒新
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201810135027.XA priority Critical patent/CN108491431B/zh
Publication of CN108491431A publication Critical patent/CN108491431A/zh
Application granted granted Critical
Publication of CN108491431B publication Critical patent/CN108491431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

发明公开了一种基于自编码机和聚类的混合推荐方法，本发明将用户评分数据和用户人口统计学数据结合，经过归一化处理，再利用自编码机提取用户特征数据，接着使用K‑means++聚类方法对用户聚类，当用户有推荐需求时，将待推荐用户的评分数据和人口统计学数据结合，归一化处理后再利用自编码机提取待推荐用户特征，再使用K‑means++聚类方法对待推荐用户分类，最后使用最适合该类别的推荐方法对用户进行推荐。本发明弥补了现有推荐方法在稀疏矩阵上表现不佳的状况，有效的提高了推荐的准确性。

Description

一种基于自编码机和聚类的混合推荐方法
技术领域
本发明属于特征提取和推荐方法技术领域，特别涉及一种基于自编码机和聚类的混合推荐方法。
背景技术
随着信息技术不断地发展，互联网上的信息发生了指数型的增长，用户无法快速的在网上寻找到自己想要的信息，这就是“信息过载”问题。学术界和工业界都在不断地探索提高信息服务质量解决“信息过载”问题的方法，由此诞生了个性化推荐技术。近年来针对不同的推荐系统的需求，研究者提出了相应的个性化推荐方案，如基于内容推荐，协同过滤，关联规则，效用推荐，组合推荐等。
朱全银等人已有的研究基础包括：朱全银,潘禄,刘文儒,等.Web科技新闻分类抽取算法[J].淮阴工学院学报,2015,24(5):18-24；李翔,朱全银.联合聚类和评分矩阵共享的协同过滤推荐[J].计算机科学与探索,2014,8(6):751-759；Quanyin Zhu,Sunqun Cao.ANovel Classifier-independent Feature Selection Algorithm for ImbalancedDatasets.2009,p:77-82；Quanyin Zhu,Yunyang Yan,Jin Ding,Jin Qian.The CaseStudy for Price Extracting of Mobile Phone Sell Online.2011,p:282-285；QuanyinZhu,Suqun Cao,Pei Zhou,Yunyang Yan,Hong Zhou.Integrated Price Forecast basedon Dichotomy Backfilling and Disturbance Factor Algorithm.InternationalReview on Computers and Software,2011,Vol.6(6):1089-1093；朱全银等人申请、公开与授权的相关专利：朱全银，胡蓉静，何苏群，周培等.一种基于线性插补与自适应滑动窗口的商品价格预测方法.中国专利:ZL 2011 1 0423015.5,2015.07.01；朱全银，曹苏群，严云洋，胡蓉静等，一种基于二分数据修补与扰乱因子的商品价格预测方法.中国专利:ZL 20111 0422274.6,2013.01.02；朱全银，尹永华，严云洋，曹苏群等，一种基于神经网络的多品种商品价格预测的数据预处理方法.中国专利:ZL 2012 1 0325368.6；李翔，朱全银，胡荣林，周泓.一种基于谱聚类的冷链物流配载智能推荐方法.中国专利公开号:CN105654267A,2016.06.08；曹苏群，朱全银，左晓明，高尚兵等人，一种用于模式分类的特征选择方法.中国专利公开号：CN 103425994 A，2013.12.04；朱全银，严云洋，李翔，张永军等人，一种用于文本分类和图像深度挖掘的科技情报获取与推送方法.中国专利公开号:CN 104035997 A,2014.09.10；朱全银，辛诚，李翔，许康等人，一种基于K-means和LDA双向验证的网络行为习惯聚类方法.中国专利公开号:CN 106202480 A,2016.12.07。
自编码机：
自编码机(Autoencoder)是一种无监督学习算法，它由三层网络组成，其中输入层与输出层神经元数量相等，隐藏层神经元数量少于输入输出层。自编码机将输入的特征经过非线性变化到隐藏层上，通过这种方法，可以降低特征的维度，提高了计算效率。
K-means++聚类方法：
K-means算法是最主流的聚类算法之一，然而它的初始中心是随机选择的[8]。随机选择初始中心可能会造成聚类的结果和数据的实际分布相差巨大。K-means++算法改进了初始中心的选择，使算法可以获得全局最优解。由于K-means++聚类算法的准确性高和速度快的特点，本文选择K-means++聚类算法对用户进行聚类。
平均绝对误差：
平均绝对误差(MAE)指的是对目标用户来说，目标项目的预测评分和目标用户真实评分之间的偏差程度。当计算得到的MAE值越小，证明推荐质量性越高。
相关专利：
一种协调过滤系统以及协调过滤方法:CN 102640141 A，通过对于大量的用户预先积存与其爱好相关的信息，并使用与某用户爱好相似的其他用户的信息，来对该用户的爱好进行预测。但是该方法没有考虑到当用户规模不断扩大时，稀疏矩阵对方法准确度的影响。一种融入时间上下文信息的协同过滤推荐方法:CN 104391849 A，在原有的基于项目的协同过滤推荐方法和基于用户的协同过滤推荐方法的基础上，融入时间上下文信息，并将这两种方法结合到一个统一的方法中，但是该方法并没有考虑到用户的人口统计学信息对用户相似度造成的影响。基于聚类的协同过滤的商品推荐方法及系统:CN 103412948 A，通过用户购买的商品类型，对用户聚类，根据聚类结果并通过评分估值公式为用户商品评分矩阵中缺省评分赋予评分估值。但是该方法并没有考虑到经过聚类后，各个用户簇之间的差异。针对以上问题，本发明提出了一种基于自编码机和聚类的混合推荐方法。
发明内容
发明目的：针对现有技术中存在的问题，本发明提出一种先将用户评分数据和用户人口统计学数据结合，再使用自编码机提取用户特征，接着使用提取到的用户特征对用户聚类，从而使近邻搜索范围减小。最后采用了混合推荐策略，针对不同类别的用户使用不同推荐方法的基于自编码机和聚类的混合推荐方法。
技术方案：为解决上述技术问题，本发明提供一种基于自编码机和聚类的混合推荐方法，将用户评分数据和用户人口统计学数据结合，经过归一化处理，再利用自编码机提取用户特征，接着使用K-means++聚类方法对用户聚类，当用户有推荐需求时，将待推荐用户的评分数据和人口统计学数据结合，归一化处理后再利用自编码机提取待推荐用户特征，再使用K-means++聚类方法对待推荐用户分类，最后使用最适合该类别的推荐方法对用户进行推荐。
具体步骤如下：
(1)将用户评分矩阵和用户人口统计学特征结合；
(2)使用自编码机学习用户特征，并使用得到的用户特征对用户聚类；
(3)使用MAE计算最适合每个类别用户的推荐方法，并组合推荐方法得到混合推荐模型；
(4)计算目标用户类别，并使用混合推荐模型得到推荐结果。
进一步的，所述步骤(1)中将用户评分矩阵和用户人口统计学特征结合的具体步骤如下：
(1.1)设用户数集U＝{U1,U2,…,Un}，项目数据集I＝{I1,I2,…,Im}，用户对项目的评分范围是[0,5]；
(1.2)设用户人口统计学数据集为F＝{F1,F2,F3}，F1为用户的年龄，F2为用户的性别，F3为用户的工作类型；
(1.3)建立用户项目评分矩阵A，其中Anm表示用户Un对项目Im的评分，建立用户信息矩阵B，其中Bn1表示用户Un的年龄，Bn2表示用户Un的性别，Bn3表示用户Un的工作；
(1.4)合并用户评分矩阵A和用户信息矩阵B，形成用户特征矩阵C。
进一步的，所述步骤(2)中使用自编码机学习用户特征，并使用得到的用户特征对用户聚类的具体步骤如下：
(2.1)对用户特征矩阵C进行归一化处理；
(2.2)设定自编码机隐藏层为100，学习速率0.0003，迭代次数为500次；
(2.3)使用自编码机对矩阵C进行非线性降维，得到新的矩阵D；
(2.4)使用K-means++方法对用户数据聚类，设定K值为m，得到用户簇{C1，C2，…，Cm}。
进一步的，所述步骤(3)中得到混合推荐模型的具体步骤如下：
(3.1)定义循环变量为t，并赋初值t＝1；
(3.2)当t<＝m执行步骤(3.3)，否则执行步骤(3.19)；
(3.3)定义循环变量为k，并赋初值k＝5；
(3.4)当k<＝50执行步骤(3.5)，否则执行步骤(3.7)；
(3.5)在簇Ct上使用BaselineOnly推荐方法，k是最近邻个数，并计算MAE值；
(3.6)k＝k+5；
(3.7)记录簇Ct在BaselineOnly推荐方法的最小MAE并赋值给MAEB；
(3.8)定义循环变量为k，并赋初值k＝5；
(3.9)当k<＝50执行步骤(3.10)，否则执行步骤(3.12)；
(3.10)在簇Ct上使用KNNBaseline推荐方法，k可是最近邻个数，并计算MAE值；
(3.11)k＝k+5；
(3.12)记录簇Ct在KNNBaseline推荐方法的最小MAE并赋值给MAEK；
(3.13)定义循环变量为k，并赋初值k＝5；
(3.14)当k<＝100执行步骤(3.15)，否则执行步骤(417)；
(3.15)在簇Ct上使用SVD推荐方法，k是因子个数，并计算MAE值；
(3.16)k＝k+5；
(3.17)记录簇Ct在SVD推荐方法的最小MAE并赋值给MAES；
(3.18)记录簇Ct和MAEB,MAEK,MAES中最小的值代表的推荐方法；
(3.19)得到簇{C1，C2，…，Cm}表现最好的推荐方法和方法的参数。
进一步的，所述步骤(4)中计算目标用户类别，并使用混合推荐模型得到推荐结果的具体步骤如下：
(4.1)设待推荐的用户为Um，将用户Um的评分数据和人口统计学数据结合；
(4.2)对待用户数据进行归一化处理；
(4.3)使用步骤(2.4)训练的聚类方法，对待推荐用户Um用户分类，得到用户类别Cn；
(4.4)使用步骤(3.19)得到的最适合类别Cn的推荐方法，生成推荐列表。
本发明将用户评分数据和用户人口统计学数据结合，经过归一化处理，再利用自编码机提取用户特征数据，接着使用K-means++聚类方法对用户聚类。本发明将待推荐用户的评分数据和人口统计学数据结合，归一化处理后再利用自编码机提取待推荐用户特征，再使用K-means++聚类方法对待推荐用户分类，最后使用最适合该类别的推荐方法对用户进行推荐。
与现有技术相比，本发明的优点在于：
相比现有的推荐方法本发明创造性的提出了一种基于自编码机和聚类的混合推荐方法，本方法弥补了现有推荐方法在稀疏矩阵上表现不佳的状况，有效的提高了推荐的准确性。
附图说明
图1为本发明的总体流程图；
图2为图1中用户数据预处理的流程图；
图3为图1中用户聚类处理的流程图；
图4为图1中混合推荐模型训练的流程图；
图5为图1中用户推荐的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1-5示，本发明包括如下步骤：
(1)将用户评分矩阵和用户人口统计学特征结合；
(2)使用自编码机学习用户特征，并使用得到的用户特征对用户聚类；
(3)使用MAE计算最适合每个类别用户的推荐方法，并组合推荐方法得到混合推荐模型；
(4)计算目标用户类别，并使用混合推荐模型得到推荐结果。
步骤(1)中将用户评分矩阵和用户人口统计学特征结合的具体步骤如下：
(1.1)设用户数集U＝{U1,U2,…,Un}，项目数据集I＝{I1,I2,…,Im}，用户对项目的评分范围是[0,5]；
(1.2)设用户人口统计学数据集为F＝{F1,F2,F3}，F1为用户的年龄，F2为用户的性别，F3为用户的工作类型；
(1.3)建立用户项目评分矩阵A，其中Anm表示用户Un对项目Im的评分，建立用户信息矩阵B，其中Bn1表示用户Un的年龄，Bn2表示用户Un的性别，Bn3表示用户Un的工作；
(1.4)合并用户评分矩阵A和用户信息矩阵B，形成用户特征矩阵C。
步骤(2)中使用自编码机学习用户特征，并使用得到的用户特征对用户聚类的具体步骤如下：
(2.1)对用户特征矩阵C进行归一化处理；
(2.2)设定自编码机隐藏层为100，学习速率0.0003，迭代次数为500次；
(2.3)使用自编码机对矩阵C进行非线性降维，得到新的矩阵D；
(2.4)使用K-means++方法对用户数据聚类，设定K值为m，得到用户簇{C1，C2，…，Cm}。
步骤(3)中得到混合推荐模型的具体步骤如下：
(3.1)定义循环变量为t，并赋初值t＝1；
(3.2)当t<＝m执行步骤(3.3)，否则执行步骤(3.19)；
(3.3)定义循环变量为k，并赋初值k＝5；
(3.4)当k<＝50执行步骤(3.5)，否则执行步骤(3.7)；
(3.5)在簇Ct上使用BaselineOnly推荐方法，k是最近邻个数，并计算MAE值；
(3.6)k＝k+5；
(3.7)记录簇Ct在BaselineOnly推荐方法的最小MAE并赋值给MAEB；
(3.8)定义循环变量为k，并赋初值k＝5；
(3.9)当k<＝50执行步骤(3.10)，否则执行步骤(3.12)；
(3.10)在簇Ct上使用KNNBaseline推荐方法，k可是最近邻个数，并计算MAE值；
(3.11)k＝k+5；
(3.12)记录簇Ct在KNNBaseline推荐方法的最小MAE并赋值给MAEK；
(3.13)定义循环变量为k，并赋初值k＝5；
(3.14)当k<＝100执行步骤(3.15)，否则执行步骤(417)；
(3.15)在簇Ct上使用SVD推荐方法，k是因子个数，并计算MAE值；
(3.16)k＝k+5；
(3.17)记录簇Ct在SVD推荐方法的最小MAE并赋值给MAES；
(3.18)记录簇Ct和MAEB,MAEK,MAES中最小的值代表的推荐方法；
(3.19)得到簇{C1，C2，…，Cm}表现最好的推荐方法和方法的参数。
步骤(4)中计算目标用户类别，并使用混合推荐模型得到推荐结果的具体步骤如下：
(4.1)设待推荐的用户为Um，将用户Um的评分数据和人口统计学数据结合；
(4.2)对待用户数据进行归一化处理；
(4.3)使用步骤(2.4)训练的聚类方法，对待推荐用户Um用户分类，得到用户类别Cn；
(4.4)使用步骤(3.19)得到的最适合类别Cn的推荐方法，生成推荐列表。
为了更好的说明本方法的有效性，通过对MovieLens 1M数据集进行测试，对比了使用混合推荐方法、KNNBaseLine推荐方法和基于SVD的推荐方法，实验结果表明，混合推荐方法在数据稀疏的情况下，推荐质量明显高于其它两种方法。
本发明可与计算机系统结合，从而自动完成个性化推荐。
本发明创造性的提出了一种基于自编码机和聚类的混合推荐方法，将用户评分数据和用户人口统计学数据结合，经过归一化处理，再利用自编码机提取用户特征数据，接着使用K-means++聚类方法对用户聚类，当用户有推荐需求时，将待推荐用户的评分数据和人口统计学数据结合，归一化处理后再利用自编码机提取待推荐用户特征，再使用K-means++聚类方法对待推荐用户分类是，最后使用最适合该类别的推荐方法对用户进行推荐。
以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。

Claims (3)

1.一种基于自编码机和聚类的混合推荐方法，其特征在于，具体步骤如下：
(1)将用户评分矩阵和用户人口统计学特征结合，包括：
(1.1)设用户数集U＝{U1,U2,…,Un}，项目数据集I＝{I1,I2,…,Im}，用户对项目的评分范围是[0,5]；
(1.2)设用户人口统计学数据集为F＝{F1,F2,F3}，F1为用户的年龄，F2为用户的性别，F3为用户的工作类型；
(1.3)建立用户项目评分矩阵A，其中Anm表示用户Un对项目Im的评分，建立用户信息矩阵B，其中Bn1表示用户Un的年龄，Bn2表示用户Un的性别，Bn3表示用户Un的工作；
(1.4)合并用户评分矩阵A和用户信息矩阵B，形成用户特征矩阵C；
(2)使用自编码机学习用户特征，并使用得到的用户特征对用户聚类；
(3)使用MAE计算最适合每个类别用户的推荐方法，并组合推荐方法得到混合推荐模型，包括：
(3.1)定义循环变量为t，并赋初值t＝1；
(3.2)当t<＝m时，执行步骤(3.3)，否则执行步骤(3.19)，m为步骤(2)中聚类数目；
(3.3)定义循环变量为k，并赋初值k＝5；
(3.4)当k<＝50执行步骤(3.5)，否则执行步骤(3.7)；
(3.5)在簇Ct上使用BaselineOnly推荐方法，k是最近邻个数，并计算MAE值，平均绝对误差MAE指的是对目标用户来说，目标项目的预测评分和目标用户真实评分之间的偏差程度；
(3.6)k＝k+5；
(3.7)记录簇Ct在BaselineOnly推荐方法的最小MAE并赋值给MAEB；
(3.8)定义循环变量为k，并赋初值k＝5；
(3.9)当k<＝50执行步骤(3.10)，否则执行步骤(3.12)；
(3.10)在簇Ct上使用KNNBaseline推荐方法，k是最近邻个数，并计算MAE值；
(3.11)k＝k+5；
(3.12)记录簇Ct在KNNBaseline推荐方法的最小MAE并赋值给MAEK；
(3.13)定义循环变量为k，并赋初值k＝5；
(3.14)当k<＝100执行步骤(3.15)，否则执行步骤(417)；
(3.15)在簇Ct上使用SVD推荐方法，k是因子个数，并计算MAE值；
(3.16)k＝k+5；
(3.17)记录簇Ct在SVD推荐方法的最小MAE并赋值给MAES；
(3.18)记录簇Ct和MAEB,MAEK,MAES中最小的值代表的推荐方法；
(3.19)得到簇{C1，C2，…，Cm}表现最好的推荐方法和方法的参数；
(4)计算目标用户类别，并使用混合推荐模型得到推荐结果。
2.根据权利要求1所述的一种基于自编码机和聚类的混合推荐方法，其特征在于，所述步骤(2)中使用自编码机学习用户特征，并使用得到的用户特征对用户聚类的具体步骤如下：
(2.1)对用户特征矩阵C进行归一化处理；
(2.2)设定自编码机隐藏层为100，学习速率0.0003，迭代次数为500次；
(2.3)使用自编码机对矩阵C进行非线性降维，得到新的矩阵D；
(2.4)使用K-means++方法对用户数据聚类，设定K值为m，得到用户簇{C1，C2，…，Cm}。
3.根据权利要求1所述的一种基于自编码机和聚类的混合推荐方法，其特征在于，所述步骤(4)中计算目标用户类别，并使用混合推荐模型得到推荐结果的具体步骤如下：
(4.1)设待推荐的用户为Um，将用户Um的评分数据和人口统计学数据结合；
(4.2)对待用户数据进行归一化处理；
(4.3)使用步骤(2.4)训练的聚类方法，对待推荐用户Um用户分类，得到用户类别Cn；
(4.4)使用步骤(3.19)得到的最适合类别Cn的推荐方法，生成推荐列表。
CN201810135027.XA 2018-02-09 2018-02-09 一种基于自编码机和聚类的混合推荐方法 Active CN108491431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810135027.XA CN108491431B (zh) 2018-02-09 2018-02-09 一种基于自编码机和聚类的混合推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810135027.XA CN108491431B (zh) 2018-02-09 2018-02-09 一种基于自编码机和聚类的混合推荐方法

Publications (2)

Publication Number Publication Date
CN108491431A CN108491431A (zh) 2018-09-04
CN108491431B true CN108491431B (zh) 2021-09-17

Family

ID=63340142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810135027.XA Active CN108491431B (zh) 2018-02-09 2018-02-09 一种基于自编码机和聚类的混合推荐方法

Country Status (1)

Country Link
CN (1) CN108491431B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
CN110728320B (zh) * 2019-10-11 2023-12-01 福建工程学院 一种基于自编码和聚类结合的水质监测预警方法及系统
CN111652695B (zh) * 2020-06-11 2023-05-30 扬州大学 一种基于并行自编码机的协同过滤推荐方法
CN111966951A (zh) * 2020-07-06 2020-11-20 东南数字经济发展研究院 一种基于社交电商交易数据的用户群体阶层划分方法
CN113033090B (zh) * 2021-03-24 2023-03-03 平安科技（深圳）有限公司 推送模型训练方法、数据推送方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825269A (zh) * 2016-03-15 2016-08-03 中国科学院计算技术研究所 一种基于并行自动编码机的特征学习方法及系统
EP3179434A1 (en) * 2015-12-10 2017-06-14 Deutsche Telekom AG Designing context-aware recommendation systems, based on latent contexts
GB201717651D0 (en) * 2017-10-26 2017-12-13 Gb Gas Holdings Ltd Determining operating state from complex sensor data
CN107516110A (zh) * 2017-08-22 2017-12-26 华南理工大学 一种基于集成卷积编码的医疗问答语义聚类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3179434A1 (en) * 2015-12-10 2017-06-14 Deutsche Telekom AG Designing context-aware recommendation systems, based on latent contexts
CN105825269A (zh) * 2016-03-15 2016-08-03 中国科学院计算技术研究所 一种基于并行自动编码机的特征学习方法及系统
CN107516110A (zh) * 2017-08-22 2017-12-26 华南理工大学 一种基于集成卷积编码的医疗问答语义聚类方法
GB201717651D0 (en) * 2017-10-26 2017-12-13 Gb Gas Holdings Ltd Determining operating state from complex sensor data

Also Published As

Publication number Publication date
CN108491431A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN108491431B (zh) 一种基于自编码机和聚类的混合推荐方法
CN106651546B (zh) 一种面向智慧社区的电子商务信息推荐方法
CN109902235B (zh) 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法
CN108897815B (zh) 一种基于相似度模型和FastText的多标签文本分类方法
CN102193936B (zh) 一种数据分类的方法及装置
CN107545471B (zh) 一种基于高斯混合的大数据智能推荐方法
Li et al. Content-based filtering recommendation algorithm using HMM
CN108665323A (zh) 一种用于理财产品推荐系统的集成方法
Gan et al. R-RNN: Extracting user recent behavior sequence for click-through rate prediction
Chen et al. Catgcn: Graph convolutional networks with categorical node features
Lin et al. Video popularity prediction: An autoencoder approach with clustering
Tan et al. Recommendation Based on Users’ Long‐Term and Short‐Term Interests with Attention
Bangare et al. Role of machine learning in improving tourism and education sector
Deng et al. Leveraging Image Visual Features in Content‐Based Recommender System
CN113342994A (zh) 一种基于无采样协作知识图网络的推荐系统
Yu et al. Hybrid partial-constrained learning with orthogonality regularization for unsupervised person re-identification
Eyjolfsdottir et al. Moviegen: A movie recommendation system
CN115115435A (zh) 基于多样性的电商推荐算法
CN112749345B (zh) 一种基于神经网络的k近邻矩阵分解推荐方法
Gao et al. Deep learning with consumer preferences for recommender system
US8943005B2 (en) Metric learning apparatus
Guo et al. Explainable recommendation systems by generalized additive models with manifest and latent interactions
Yuan et al. Entity2item: leveraging knowledge graph embedding for item recommendation
CN112818146B (zh) 一种基于产品图像风格的推荐方法
Li Personalized Art Work Recommendation System and Methods Based on User Interest Characteristics and Emotional Preferences

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180904

Assignee: Fanyun software (Nanjing) Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2021980010526

Denomination of invention: A hybrid recommendation method based on self coder and clustering

Granted publication date: 20210917

License type: Common License

Record date: 20211011

EE01 Entry into force of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: Fanyun software (Nanjing) Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2021980010526

Date of cancellation: 20240516