CN108491527A - 信息推荐方法、装置和电子设备 - Google Patents
信息推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN108491527A CN108491527A CN201810264787.0A CN201810264787A CN108491527A CN 108491527 A CN108491527 A CN 108491527A CN 201810264787 A CN201810264787 A CN 201810264787A CN 108491527 A CN108491527 A CN 108491527A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- similarity
- correlation
- degree
- 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
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息推荐方法、装置和电子设备,其中,信息推荐方法包括:获取初始的信息相似度、初始的频道相似度以及初始的用户相似度;初始化用户信息相关度和用户频道相关度;根据信息相似度和用户相似度更新用户信息相关度;根据用户相似度和频道相似度更新用户频道相关度;根据更新后的用户信息相关度和更新后的用户频道相关度更新用户相似度;根据更新后的用户相似度,迭代更新用户信息相关度和用户频道相关度;当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。本发明实施例的信息推荐方法、装置和电子设备,充分挖掘用户与信息之间的潜在关系,使得向用户推荐信息时精度更高,更加符合用户需求。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种信息推荐方法、装置和电子设备。
背景技术
随着信息化时代的来临,新闻推荐为用户提供了快速获取感兴趣的信息的途径。目前,信息推荐主要包括以下三种方法。(1)协同过滤。该方法只依赖用户的历史反馈数据。具体可分为两类:基于内存的协同过滤和基于模型的协同过滤。基于内存的协同过滤,通过聚合反馈数据计算用户相似度或产品相似度,推荐相似用户的点击的产品或用户点击的产品的相似产品。基于模型的协同过滤,使用矩阵分解对用户的评分矩阵,将用户和产品映射到一个隐空间中,计算隐空间中用户和产品的内积,将内积作为相关度,在打分排序后,进行推荐。(2)基于内容的推荐。该方法针对在不同的应用场景下,推荐对象的内容进行推荐,需要对推荐对象有非常深入的理解。(3)结合协同过滤和基于内容的推荐。该方法利用损失函数将两者进行结合,形成推荐信息。但是,方法(1)信息来源单一,只依赖用户的历史反馈数据。并且对于大型的信息推荐系统会有数据稀疏的问题;对于没有历史信息的新用户和新产品,存在冷启动问题。方法(2)需要对推荐对象有非常深入的理解,成本高。方案(3)结合了用户的历史反馈数据和推荐对象的内容,在一定程度上能够减轻数据稀疏问题和冷启动问题,但是仍然无法满足当前信息推荐的需求。
发明内容
本发明提供一种信息推荐方法、装置和电子设备,以解决上述技术问题中的至少一个。
本发明实施例提供一种信息推荐方法,包括:获取初始的信息相似度、初始的频道相似度以及初始的用户相似度;
初始化用户信息相关度和用户频道相关度;
根据所述信息相似度和所述用户相似度更新所述用户信息相关度;
根据所述用户相似度和所述频道相似度更新所述用户频道相关度;
根据更新后的所述用户信息相关度和更新后的所述用户频道相关度更新所述用户相似度;
根据更新后的所述用户相似度,迭代更新所述用户信息相关度和所述用户频道相关度;
当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
可选的,获取初始的信息相似度,包括:
以预设算法计算出两条信息之间的文本相似度。
可选的,以预设算法计算出两条信息之间的文本相似度,包括:
采用文档主题生成模型LDA分别获取两条信息的主题分布;
计算所述两条信息的主题分布的余弦相似度,并将所述余弦相似度作为所述两条信息的文本相似度。
可选的,初始化用户信息相关度,包括:
获取用户历史点击行为,并根据所述用户历史点击行为对所述用户信息相关度进行初始化。
可选的,初始化用户频道相关度,包括:
获取用户历史关注行为,并根据所述用户历史关注行为对所述用户频道相关度进行初始化。
可选的,所述频道相似度通过关注频道的用户数计算得到。
可选的,所述用户相似度为两个用户点击过的信息的主题分布之间的余弦相似度。
本发明另一实施例提供一种信息推荐装置,包括:获取模块,用于获取初始的信息相似度、初始的频道相似度以及初始的用户相似度;
初始化模块,用于初始化用户信息相关度和用户频道相关度;
更新模块,用于根据所述信息相似度和所述用户相似度更新所述用户信息相关度,并根据所述用户相似度和所述频道相似度更新所述用户频道相关度,以及根据更新后的所述用户信息相关度和更新后的所述用户频道相关度更新所述用户相似度,并根据更新后的所述用户相似度,迭代更新所述用户信息相关度和所述用户频道相关度;
推荐模块,用于当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
可选的,所述获取模块,用于:
以预设算法计算出两条信息之间的文本相似度。
可选的,所述获取模块,用于:
采用文档主题生成模型LDA分别获取两条信息的主题分布;
计算所述两条信息的主题分布的余弦相似度,并将所述余弦相似度作为所述两条信息的文本相似度。
可选的,所述初始化模块,用于:
获取用户历史点击行为,并根据所述用户历史点击行为对所述用户信息相关度进行初始化。
可选的,所述初始化模块,用于:
获取用户历史关注行为,并根据所述用户历史关注行为对所述用户频道相关度进行初始化。
可选的,所述频道相似度通过关注频道的用户数计算得到。
可选的,所述用户相似度为两个用户点击过的信息的主题分布之间的余弦相似度。
本发明还一实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述的信息推荐方法。
本发明又一实施例提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器用于执行本发明第一方面实施例所述的信息推荐方法。
本发明实施例提供的技术方案可以包括以下有益效果:
通过获取初始的信息相似度、初始的频道相似度以及初始的用户相似度,并初始化用户信息相关度和用户频道相关度,充分挖掘用户与信息之间的潜在关系,经过多次迭代更新,最终基于最新更新的用户信息相关度向用户推荐信息,使得向用户推荐信息时精度更高,更加符合用户需求。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的信息推荐方法的流程图;
图2是根据本发明一个实施例的新闻、用户、频道三个不同的域的关系示意图;
图3是根据本发明一个实施例的用户与新闻的关系示意图;
图4是根据本发明一个实施例的信息推荐装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的信息推荐方法、装置和电子设备。
图1是根据本发明一个实施例的信息推荐方法的流程图。
如图1所示,该信息推荐方法包括:
S101,获取初始的信息相似度、初始的频道相似度以及初始的用户相似度。
下面以新闻作为示例进行说明。
在新闻推荐系统中,主体是用户和新闻。其中,新闻可包含多个频道,如体育新闻、社会新闻等等。用户对新闻的反馈数据,即针对新闻,是否对其进行了点击,对于新闻推荐系统是非常宝贵的信息。除此之外,新闻本身的文本信息、用户所关注的频道等信息,对于捕捉用户的兴趣也是非常重要的。
基于此,本发明提出一种信息推荐方法,采用用户对新闻的反馈数据、新闻本身的文本信息、用户所关注的频道信息,基于新闻、用户、频道三个不同的域,如图2所示,来计算用户对不同新闻感兴趣的概率,然后为用户推荐新闻。
在本发明的一个实施例中,可获取初始的信息相似度、初始的频道相似度以及初始的用户相似度。
(1)获取初始的频道相似度。
频道相似度通过关注频道的用户数计算得到。具体地,可通过公式Cij=aij/(ai+aj-aij)计算得到频道相似度C。其中,Cij表示频道i和频道j之间的相似度,ai表示关注频道i的用户数,aj表示关注频道j的用户数,aij表示同时关注频道i和频道j的用户数。
(2)获取初始的信息相似度。
信息相似度可以是以预设算法计算出两条信息之间的文本相似度。
(3)获取初始的用户相似度。
用户相似度为两个用户点击过的信息的主题分布之间的余弦相似度。举例来说,用户相似度U与新闻相似度N的计算方法类似。采用LDA模型计算每个用户点击过的新闻的主题分布,用户ui和用户uj的相似度即为用户ui点击过的新闻的主题分布td i与用户uj点击过的新闻的主题分布td j的余弦相似度。
S102,初始化用户信息相关度和用户频道相关度。
初始化用户信息相关度时,具体来说,可获取用户历史点击行为,并根据用户历史点击行为对用户信息相关度进行初始化。以新闻为例,用户新闻相关度在用户ui点击过新闻nj时为1,其余均为0。公式如下:
初始化用户频道相关度时,具体来说,可获取用户历史关注行为,并根据用户历史关注行为对用户频道相关度进行初始化。同样以新闻为例,用户频道相关度在用户ui在关注频道j时为1,其余均为0。
公式如下:
S103,根据信息相似度和用户相似度更新用户信息相关度。
在获取信息相似度和用户相似度之后,即可以对用户信息相关度进行更新。
继续上例,由于用户对新闻点击的稀疏度,新闻推荐实际上是在挖掘用户和新闻之间潜在的相关度,即用户ui和新闻n之间的相关度。既可以从用户的相似用户对新闻的点击行为来挖掘,也可以从用户点击过的新闻的相似新闻来挖掘。因此,用户ui和新闻n之间的相关度可通过如下公式表达:
其中,λ为加权系数,取值范围为[0,1];为第t次更新时,用户i与用户j之间的相似度;为第t次更新时,用户j与新闻n的相关度;为第t次更新时,用户i与新闻m的相关度;nmn为新闻m和新闻n之间的相似度;为第t+1次更新时,用户i与新闻n的相关度。
S104,根据用户相似度和频道相似度更新用户频道相关度。
同理,可根据用户相似度和频道相似度更新用户频道相关度。继续上例,用户ui和频道cn之间的相关度可通过如下公式表达:
其中,λ为加权系数,取值范围为[0,1];为第t次更新时,用户i与用户j之间的相似度;为第t次更新时,用户j与频道cn的相关度;为第t次更新时,用户i与频道cm的相关度;cmn为两个频道的相似度;为第t+1次更新时,用户i与频道cn的相关度。
S105,根据更新后的用户信息相关度和更新后的用户频道相关度更新用户相似度。
在更新用户信息相关度和用户频道相关度之后,可根据更新后的用户信息相关度和更新后的用户频道相关度更新用户相似度。
继续上例,用户相似度的更新,可根据更新后的用户新闻相关度和用户频道相关度更新。这样,频道域的信息就可以通过用户频道相关度传递到用户相似度。因此,用户相似度的更新可通过如下公式表达:
其中,α1为第一权重系数;α2为第二权重系数;α3为第三权重系数;且α1+α2+α3=1;为第t次更新时,用户i与新闻m的相关度;为第t次更新时,用户j与新闻m的相关度;为第t次更新时,用户i与频道cm的相关度;为第t次更新时,用户j与频道cm的相关度;为第t次更新时,用户i与用户j之间的相似度。
S106,根据更新后的用户相似度,迭代更新用户信息相关度和用户频道相关度。
在获得更新后的用户相似度之后,更新后的用户相似度又可以对之后的用户信息相关度和用户频道相关度的更新产生影响。因此,可根据更新后的用户相似度,迭代更新用户信息相关度和用户频道相关度。由此,形成一个更新的迭代循环。
S107,当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
在当迭代更新次数达到预设次数时,即更新一定轮数后,如5轮,即可基于最新更新的用户信息相关度向用户推荐信息。
如图3所示,上述方法同时考虑了新闻自身的文本信息和用户所关注的信息,将用户所关注的信息传递到用户相似度,进而传递到用户新闻相关度。同时新闻自身的文本信息也可以传递到用户新闻相关度,从而使信息迭代传递起来,挖掘出用户和新闻之间潜在的相关度,从而提高推荐结果的精度和效率。
本发明实施例的信息推荐方法,通过获取初始的信息相似度、初始的频道相似度以及初始的用户相似度,并初始化用户信息相关度和用户频道相关度,充分挖掘用户与信息之间的潜在关系,经过多次迭代更新,最终基于最新更新的用户信息相关度向用户推荐信息,使得向用户推荐信息时精度更高,更加符合用户需求。
为了实现上述实施例,本发明还提出了一种信息推荐装置,图4是根据本发明一个实施例的信息推荐装置的结构框图,如图4所示,该装置包括获取模块410、初始化模块420、更新模块430和推荐模块440。
其中,获取模块410,用于获取初始的信息相似度、初始的频道相似度以及初始的用户相似度。
初始化模块420,用于初始化用户信息相关度和用户频道相关度。
更新模块430,用于根据信息相似度和用户相似度更新用户信息相关度,并根据用户相似度和频道相似度更新用户频道相关度,以及根据更新后的用户信息相关度和更新后的用户频道相关度更新用户相似度,并根据更新后的用户相似度,迭代更新用户信息相关度和用户频道相关度。
推荐模块440,用于当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
需要说明的是,前述对信息推荐方法的解释说明,也适用于本发明实施例的信息推荐装置,本发明实施例中未公布的细节,在此不再赘述。
本发明实施例的信息推荐装置,通过获取初始的信息相似度、初始的频道相似度以及初始的用户相似度,并初始化用户信息相关度和用户频道相关度,充分挖掘用户与信息之间的潜在关系,经过多次迭代更新,最终基于最新更新的用户信息相关度向用户推荐信息,使得向用户推荐信息时精度更高,更加符合用户需求。
为了实现上述实施例,本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明第一方面实施例的信息推荐方法。
为了实现上述实施例,本发明还提出了一种电子设备。
电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,处理器用于执行本发明第一方面实施例的信息推荐方法。
例如,计算机程序可被处理器执行以完成以下步骤的信息推荐方法:
S101’,获取初始的信息相似度、初始的频道相似度以及初始的用户相似度。
S102’,初始化用户信息相关度和用户频道相关度。
S103’,根据信息相似度和用户相似度更新用户信息相关度。
S104’,根据用户相似度和频道相似度更新用户频道相关度。
S105’,根据更新后的用户信息相关度和更新后的用户频道相关度更新用户相似度。
S106’,根据更新后的用户相似度,迭代更新用户信息相关度和用户频道相关度。
S107’,当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
本发明实施例的电子设备,通过获取初始的信息相似度、初始的频道相似度以及初始的用户相似度,并初始化用户信息相关度和用户频道相关度,充分挖掘用户与信息之间的潜在关系,经过多次迭代更新,最终基于最新更新的用户信息相关度向用户推荐信息,使得向用户推荐信息时精度更高,更加符合用户需求。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种信息推荐方法,其特征在于,包括:
获取初始的信息相似度、初始的频道相似度以及初始的用户相似度;
初始化用户信息相关度和用户频道相关度;
根据所述信息相似度和所述用户相似度更新所述用户信息相关度;
根据所述用户相似度和所述频道相似度更新所述用户频道相关度;
根据更新后的所述用户信息相关度和更新后的所述用户频道相关度更新所述用户相似度;
根据更新后的所述用户相似度,迭代更新所述用户信息相关度和所述用户频道相关度;
当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
2.如权利要求1所述的方法,其特征在于,获取初始的信息相似度,包括:
以预设算法计算出两条信息之间的文本相似度。
3.如权利要求2所述的方法,其特征在于,以预设算法计算出两条信息之间的文本相似度,包括:
采用文档主题生成模型LDA分别获取两条信息的主题分布;
计算所述两条信息的主题分布的余弦相似度,并将所述余弦相似度作为所述两条信息的文本相似度。
4.如权利要求1所述的方法,其特征在于,初始化用户信息相关度,包括:
获取用户历史点击行为,并根据所述用户历史点击行为对所述用户信息相关度进行初始化。
5.如权利要求1所述的方法,其特征在于,初始化用户频道相关度,包括:
获取用户历史关注行为,并根据所述用户历史关注行为对所述用户频道相关度进行初始化。
6.如权利要求1所述的方法,其特征在于,所述频道相似度通过关注频道的用户数计算得到。
7.如权利要求1所述的方法,其特征在于,所述用户相似度为两个用户点击过的信息的主题分布之间的余弦相似度。
8.一种信息推荐装置,其特征在于,包括:
获取模块,用于获取初始的信息相似度、初始的频道相似度以及初始的用户相似度;
初始化模块,用于初始化用户信息相关度和用户频道相关度;
更新模块,用于根据所述信息相似度和所述用户相似度更新所述用户信息相关度,并根据所述用户相似度和所述频道相似度更新所述用户频道相关度,以及根据更新后的所述用户信息相关度和更新后的所述用户频道相关度更新所述用户相似度,并根据更新后的所述用户相似度,迭代更新所述用户信息相关度和所述用户频道相关度;
推荐模块,用于当迭代更新次数达到预设次数时,基于最新更新的用户信息相关度向用户推荐信息。
9.如权利要求8所述的装置,其特征在于,所述获取模块,用于:
以预设算法计算出两条信息之间的文本相似度。
10.如权利要求9所述的装置,其特征在于,所述获取模块,用于:
采用文档主题生成模型LDA分别获取两条信息的主题分布;
计算所述两条信息的主题分布的余弦相似度,并将所述余弦相似度作为所述两条信息的文本相似度。
11.如权利要求8所述的装置,其特征在于,所述初始化模块,用于:
获取用户历史点击行为,并根据所述用户历史点击行为对所述用户信息相关度进行初始化。
12.如权利要求8所述的装置,其特征在于,所述初始化模块,用于:
获取用户历史关注行为,并根据所述用户历史关注行为对所述用户频道相关度进行初始化。
13.如权利要求8所述的装置,其特征在于,所述频道相似度通过关注频道的用户数计算得到。
14.如权利要求8所述的装置,其特征在于,所述用户相似度为两个用户点击过的信息的主题分布之间的余弦相似度。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~7任一项所述的信息推荐方法。
16.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7任一项所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810264787.0A CN108491527B (zh) | 2018-03-28 | 2018-03-28 | 信息推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810264787.0A CN108491527B (zh) | 2018-03-28 | 2018-03-28 | 信息推荐方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491527A true CN108491527A (zh) | 2018-09-04 |
CN108491527B CN108491527B (zh) | 2022-02-25 |
Family
ID=63316543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810264787.0A Active CN108491527B (zh) | 2018-03-28 | 2018-03-28 | 信息推荐方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491527B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351580A (zh) * | 2019-07-12 | 2019-10-18 | 四川长虹电器股份有限公司 | 基于非负矩阵分解的电视节目专题推荐方法及系统 |
CN110413895A (zh) * | 2019-07-31 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法以及相关装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831114A (zh) * | 2011-06-14 | 2012-12-19 | 北京思博途信息技术有限公司 | 实现互联网用户访问情况统计分析的方法及装置 |
CN103546773A (zh) * | 2013-08-15 | 2014-01-29 | Tcl集团股份有限公司 | 电视节目的推荐方法及其系统 |
CN103778145A (zh) * | 2012-10-22 | 2014-05-07 | 中国移动通信集团广东有限公司 | 一种信息推荐方法和系统 |
KR20150101338A (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 콘텐츠 추천 장치 및 방법 |
CN105095256A (zh) * | 2014-05-07 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 基于用户之间相似度进行信息推送的方法及装置 |
CN105245958A (zh) * | 2015-11-11 | 2016-01-13 | Tcl集团股份有限公司 | 一种直播电视节目推荐方法和装置 |
US20160142775A1 (en) * | 2014-02-26 | 2016-05-19 | Sk Planet Co., Ltd. | Device and method for recommending content and sound source |
CN106815217A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 故事推荐方法和故事推荐装置 |
CN106980648A (zh) * | 2017-02-27 | 2017-07-25 | 南京邮电大学 | 一种基于概率矩阵分解结合相似度的个性化推荐方法 |
-
2018
- 2018-03-28 CN CN201810264787.0A patent/CN108491527B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831114A (zh) * | 2011-06-14 | 2012-12-19 | 北京思博途信息技术有限公司 | 实现互联网用户访问情况统计分析的方法及装置 |
CN103778145A (zh) * | 2012-10-22 | 2014-05-07 | 中国移动通信集团广东有限公司 | 一种信息推荐方法和系统 |
CN103546773A (zh) * | 2013-08-15 | 2014-01-29 | Tcl集团股份有限公司 | 电视节目的推荐方法及其系统 |
KR20150101338A (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 콘텐츠 추천 장치 및 방법 |
US20160142775A1 (en) * | 2014-02-26 | 2016-05-19 | Sk Planet Co., Ltd. | Device and method for recommending content and sound source |
CN105095256A (zh) * | 2014-05-07 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 基于用户之间相似度进行信息推送的方法及装置 |
CN105245958A (zh) * | 2015-11-11 | 2016-01-13 | Tcl集团股份有限公司 | 一种直播电视节目推荐方法和装置 |
CN106815217A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 故事推荐方法和故事推荐装置 |
CN106980648A (zh) * | 2017-02-27 | 2017-07-25 | 南京邮电大学 | 一种基于概率矩阵分解结合相似度的个性化推荐方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351580A (zh) * | 2019-07-12 | 2019-10-18 | 四川长虹电器股份有限公司 | 基于非负矩阵分解的电视节目专题推荐方法及系统 |
CN110351580B (zh) * | 2019-07-12 | 2021-07-13 | 四川长虹电器股份有限公司 | 基于非负矩阵分解的电视节目专题推荐方法及系统 |
CN110413895A (zh) * | 2019-07-31 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108491527B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | A time-based approach to effective recommender systems using implicit feedback | |
CN108153723A (zh) | 热点资讯评论文章生成方法、装置及终端设备 | |
CN105893406A (zh) | 群体用户画像方法及系统 | |
CN106504011A (zh) | 一种业务对象的展示方法和装置 | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
CN105787767A (zh) | 一种广告点击率预估模型获取方法与系统 | |
Thuy et al. | A projected subgradient algorithm for bilevel equilibrium problems and applications | |
CN105095306B (zh) | 基于关联对象进行操作的方法及装置 | |
An et al. | AE-OT-GAN: Training GANs from data specific latent distribution | |
CN108681541A (zh) | 图片搜索方法、装置及计算机设备 | |
CN108491527A (zh) | 信息推荐方法、装置和电子设备 | |
Wang et al. | Two S-type Z-eigenvalue inclusion sets for tensors | |
Mattsson et al. | TFP change and its components for Swedish manufacturing firms during the 2008–2009 financial crisis | |
CN107784127A (zh) | 一种热点定位方法和装置 | |
CN110009128A (zh) | 行业舆情指数预测方法、装置、计算机设备及存储介质 | |
CN106383857A (zh) | 一种信息处理方法及电子设备 | |
KR20160077021A (ko) | 통장 잔액을 기반으로 한 예금 서비스 방법 | |
Govindan et al. | Structure theorems for game trees | |
Bárány et al. | On the convergence rate of the chaos game | |
Chen et al. | Fundamental solutions for Schrödinger operators with general inverse square potentials | |
Jakhar et al. | On the irreducible factors of a polynomial II | |
Li et al. | Dynamic consolidation for continual learning | |
Bao et al. | Collaborative filtering with user ratings and tags | |
Rathore et al. | Analysis on recommended system for web information retrieval using hmm | |
Katarya et al. | An evaluation of LDA modeling in financial news articles |
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 |