CN108494849A - 一种回收网站精准推送方法及系统 - Google Patents
一种回收网站精准推送方法及系统 Download PDFInfo
- Publication number
- CN108494849A CN108494849A CN201810231414.3A CN201810231414A CN108494849A CN 108494849 A CN108494849 A CN 108494849A CN 201810231414 A CN201810231414 A CN 201810231414A CN 108494849 A CN108494849 A CN 108494849A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- dimension data
- similarity
- pushing
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种回收网站精准推送方法及系统,方法包括:步骤S100,收集每个用户的用户维度数据和信息维度数据;步骤S200,计算信息发布者用户A的信息维度数据与其余每个用户的信息维度数据的相似度、用户A用户维度特征与其余每个用户的用户维度特征相似度,以及用户A用户维度特征与其余每个用户的信息维度数据集的相似度,分别得到每个用户与用户A的相似度结果集;步骤S300,对步获得的结果集进行过滤;步骤S400,设置过滤后的结果集中相似度高于第一阈值的结果集为推荐信息;步骤S500,根据信息加权评分评比法对推荐信息进行评分;步骤S600,将评分高的信息推送给用户。本发明将推荐技术与推送技术结合,提升了推送信息的准确率,提升了推送效果。
Description
技术领域
本发明涉及回收网站技术领域,特别涉及一种回收网站精准推送方法及系统。
背景技术
在这个信息爆炸式增长的网络时代,面对极度膨胀的信息量,面对“混沌信息空间”和“数据过剩”的巨大压力,人们对于信息的苦苦追求和期待忽然间变得踟蹰了。因为,即使每天24小时看这些信息,也阅读不完。更何况,其中存在着大量的无用,甚至不真实的信息。因此对数据的筛选,找到最合适客户的信息变得尤为重要。随着大数据产业的不断壮大,推荐推送系统在企业的权重也越来越重要,从亚马逊的猜您喜欢,到阿里双十一手淘的千人千面,无一不彰显着推荐推送系统举足轻重的作用。
相比之下,消息推送作为传递信息的一种重要的手段,更是一种有效的拉动活跃的手段,被各大app厂商广泛使用,本应有很大的发展。
目前存在的推送系统是根据客户的订阅类别推送类别内的信息。这样有一定的局限性,比如不能做到点对点的推送,不能推送其他类别的有效信息,还有信息的准确率、数量多需要筛选等问题。因此简单的推送类别信息并不能满足我们的要求。
发明内容
本发明提出一种回收网站精准推送方法及系统,能够实现点对点推送,能够推送其他类别的有效信息,能够精准定位用户需求,推送的信息准确度高、推送信息数量少,且推送效果好。
本发明的技术方案是这样实现的:
一种回收网站精准推送方法,包括如下步骤:
步骤S100,收集每个用户的用户维度数据和信息维度数据,所述用户维度数据用于描述用户的特征,所述信息维度数据用于描述用户发布的信息的特征;
步骤S200,根据步骤S100中收集的数据,计算信息发布者用户A的信息维度数据与其余每个用户的信息维度数据的相似度、用户A的用户维度特征与其余每个用户的用户维度特征的相似度,以及用户A的用户维度特征与其余每个用户的信息维度数据的相似度,分别得到每个用户与用户A的相似度结果;
步骤S300,根据对用户A的推送历史,对步骤S200获得的结果集进行过滤,以过滤推送过的信息;并过滤不满足要求及质量较差的信息;
步骤S400,设置步骤S300过滤后的结果集中相似度高于第一阈值的结果集为推荐信息;
步骤S500,根据信息加权评分评比法对推荐信息进行评分;
步骤S600,将步骤S500中评分高的信息推送给用户。
进一步的技术方案,所述用户维度包括用户标签和用户行为。
进一步的技术方案,所述用户标签包括用户注册时填写的用户个人信息、行业、分类、地区、是否会员和用户供求类型;所述用户行为包括用户发布的历史信息、用户浏览的历史信息和用户搜索记录。
进一步的技术方案,所述信息维度包括信息发布时间、行业、分类、产品名称、地区和供求类型。
进一步的技术方案,所述步骤S200中根据余弦相似度公式计算相似度,具体为:
定义用户A的用户维度数据或信息维度数据为向量ra(A1A2……An),用户B的用户维度数据或信息维度数据为向量rb(B1B2……Bn),…,依次类推,将所有用户的用户维度数据或信息维度数据用向量表示;其中,A1,A2,…,An为用户A的用户维度特征或信息维度特征,B1,B2,…,Bn为用户B的用户维度特征或信息维度特征;所述余弦相似度公式为:
其中Ai为用户A的用户维度特征或信息维度特征,Bi为用户B的用户维度特征或信息维度特征;
根据上述公式得到用户A与用户B的相似度结果集,…,依次类推,分别得到所有用户与用户A的相似度结果集。
进一步的技术方案,所述步骤S400的第一阈值为0.9。
进一步的技术方案,所述步骤S500中的评分过程具体为:
确定用户维度数据和信息维度数据中每个特征的权重;
根据积分公式Score=(M1*N1+M2*N2+…+Mn*Nn对推荐信息进行评分,其中,M1,M2,…,Mn为用户M的用户维度数据或信息维度数据,N1,N2,…,Nn为用户维度数据或信息维度数据中每个特征的权重;以评分降序排列结果。
进一步的技术方案,所述步骤S200中还可以根据皮尔逊相关系数公式计算相似度。
一种回收网站精准推送系统,包括:
目标用户信息收集模块,对信息发布者的用户信息和已发布信息进行收集;
相关用户信息收集模块,对与信息发布者相关的用户的用户信息和已发布信息进行收集;
相似度计算模块,对目标用户与相关用户的信息进行相似度计算,根据计算结果对信息进行排名;
推荐模块,对相似度计算模块获得的排名后的信息进行过滤,滤除已向目标用户推送过的历史信息、不满足要求的信息及质量较差的信息;将过滤后的信息中排名较高的信息作为推荐信息;
评分模块,对推荐模块获得的推荐信息进行评分;
推送模块,找出评分高,信息匹配度最优的信息;
发送信息模块,将最优信息推送给目标用户。
进一步的技术方案,所述目标用户信息收集模块和相关用户信息收集模块从存储有用户维度数据和信息维度数据的数据库中读取数据,所述用户维度数据用于描述用户的特征,所述信息维度数据用于描述用户发布的信息的特征。
本发明的有益效果是:本发明将推荐技术与推送技术结合,用推荐技术提取用户感兴趣的内容,通过评分算法找出最合适的信息推送给目标用户,从而提升用户对推送信息的准确率,提升推送效果。本发明实现了点对点推送,能够推送其他类别的有效信息,能够精准定位用户需求,推送的信息准确度高、推送信息数量少,且推送效果好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法原理图;
图2为本发明的系统原理图;
图3为本发明连接用户和内容的方式。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提出的一种回收网站精准推送方法,本发明的系统构架是,将精准推送分为了三大核心层,数据层、计算逻辑层和推送层。数据层是数据推送的基础,通过数据层,将用户与信息相关联。计算逻辑层是精准推送的核心,通过特征匹配等相关的逻辑运算,将用户和信息做关联,筛选更适合的数据,计算逻辑直接影响到精准推送的准确度。推送层用户交互的通道。推送服务,间接的影响到精准推送的到达率,影响着推送的效果。
本发明包括如下步骤:
步骤S100,收集每个用户的用户维度数据和信息维度数据,所述用户维度数据用于描述用户的特征,所述信息维度数据用于描述用户发布的信息的特征。推荐系统的任务就是把用户和内容联系,解决信息过载的问题。想要做到用户和内容更大程度的匹配,就必须去深入的了解用户,了解信息。因此,我们将数据分为两个维度用户维度数据和信息维度数据,方便对用户,信息的把握。
用户维度数据用于描述用户的特征数据,一般从用户的标签属性和用户行为两方面考虑。在本发明中用户标签属性包括用户注册时填写的信息、行业、分类、地区、是否会员以及用户类型(供,求)等。用户行为包括用户发布过哪些信息,浏览过哪些信息,搜索记录等。
信息维度数据用于描述用户发布的信息的特征,包括信息的发布时间,行业,分类,产品名称,地区,类型(供、求)等。
也即步骤S200,根据步骤S100中收集的数据,计算信息发布者用户A的信息维度数据与其余每个用户的信息维度数据的相似度、用户A的用户维度数据与其余每个用户的用户维度数据的相似度,以及用户A的用户维度数据与其余每个用户的信息维度数据的相似度,分别得到每个用户与用户A的相似度结果。
步骤S100完成的是数据层,在计算逻辑层,我们获取到用户数据和信息后准备他们之间的连接,推荐系统连接用户和内容的方式有三种,如图3所示,在图3中,信息A即用户A发布的信息维度数据,特征即为用户维度数据。我们从三个方向计算相似度,①用户A发布的信息A(信息维度数据)与用户B发布的信息B(信息维度数据)通过信息特征计算匹配度;②用户A特征(用户维度数据)与用户B特征(用户维度数据)计算;③用户A特征(用户维度数据)与信息B特征(信息维度数据)匹配计算,也即步骤S200中提到的三个方向的相似度。对于相似度的计算,可以利用余弦公式得到。
首先,采用多维空间向量的形式描述事物。二维空间向量表示方法为:r(x1.x2),多维空间向量表示为:r(x1.x2……xn)。在此,以方向②用户A特征与用户B特征为例加以说明。假设用户的特征有5个维度,这5个维度为:对化工设备的喜欢程度(1~5分)、对机床设备的喜欢程度(1~5分)、对纺织设备的喜欢程度(1~5分)、对塑料设备的喜欢程度(1~5分)、对制冷设备的喜欢程度(1~5分)。我们将这五个维度进行评分,从而获得每个用户的向量。
一个用户A:对化工设备的喜欢程度3,对机床设备的喜欢程度1,对纺织设备的喜欢程度4,对塑料设备的喜欢程度5,对制冷设备的喜欢程度0,用户A可以用向量表示为:
ra(3.1.4.5.0)
一个用户B:对化工设备的喜欢程度3,对机床设备的喜欢程度4,对纺织设备的喜欢程度5,对塑料设备的喜欢程度0,对制冷设备的喜欢程度2,用户B可以用向量表示为:
rb(3.4.5.0.2)
这两个用户的相似程度是多大呢?既然我们把这两个用户表示为向量,那么我们可以考虑向量怎么判断相似性。没错,看这两个向量的夹角。夹角约小,则相似度越大。
对于向量
ra(A1.A2……An)
和
rb(B1.B2……Bn)
而言,他们的在多维空间的夹角可以用向量余弦公式计算:
余弦相似度的值本身是一个0~1的值,0代表完全正交,1代表完全一致。就刚才用户A和用户B的例子而言,我们可以知道他们的相似度为:
使用余弦的算法我们都很清楚公式,
这个夹角越小,也就是上面的值越逼近1说明两者相似度越高。
针对本发明,具体的计算步骤为:
定义用户A的用户维度数据或信息维度数据为向量ra(A1A2……An),用户B的用户维度数据或信息维度数据为向量rb(B1B2……Bn),…,依次类推,将所有用户的用户维度数据或信息维度数据用向量表示;其中,A1,A2,…,An为用户A的用户维度特征或信息维度特征,B1,B2,…,Bn为用户B的用户维度特征或信息维度特征;所述余弦相似度公式为:
其中Ai为用户A的用户维度特征或信息维度特征,Bi为用户B的用户维度特征或信息维度特征;
根据上述公式得到用户A与用户B的相似度结果集,…,依次类推,分别得到所有用户与用户A的相似度结果集。
在这一步骤中,还可以根据皮尔逊相关系数公式计算相似度:
步骤S300,在这一步骤中,我们根据对用户A的推送历史,对步骤S200获得的结果集进行过滤,以过滤推送过的信息;同时,我们根据实际情况将不满足要求及质量较差的信息进行过滤。
步骤S400,设置步骤S300过滤后的结果集中相似度高于0.9的结果集为推荐信息。
步骤S500,根据信息加权评分评比法对推荐信息进行评分;
评分过程具体为:
确定用户维度数据和信息维度数据中每个特征的权重,例如,表1中的权重分,总分为100分。
表1
要素 | 权重 |
行业h | 10 |
分类f | 10 |
产品名c | 30 |
地区d | 20 |
发布时间fb | 20 |
会员等级hy | 10 |
根据积分公式Score=(M1*N1+M2*N2+…+Mn*Nn对推荐信息进行评分,其中,M1,M2,…,Mn为用户M的用户维度数据或信息维度数据,N1,N2,…,Nn为用户维度数据或信息维度数据中每个特征的权重。
例如,用户信息为:
行业:二手设备;分类:化工设备;产品名:分离机;地区:石家庄;发布时间:2018.1.8;会员等级:1。
推荐信息为:
行业:二手设备;分类:化工设备;产品名:分离机;地区:邯郸;发布时间:2018.1.6;会员等级:1。
行业、分类、产品和会员等级都相同,那么表格中的h、f、c、hy为100。计算石家庄与邯郸距离:d为80;计算发布时间距离:fb为90。
此推荐信息积分公式为:
Score=(h*10%+f*10%+c*30%+d*20%+fb*20%+hy*10%)
Score=(100*10%+100*10%+100*30%+80*20%+90*20%+100*10%)
Score=95
用推荐信息中行业分类产品名、地区、发布时间、会员等级等与用户原信息的距离进行比较评分。
以评分降序排列结果。
步骤S600,将步骤S500中评分高的信息推送给用户。将计算出的精准推送信息推送至用户的站内信、邮箱,或以短信的方式发送给用户。
以下给出部分程序;
读取用户数据库中信息SQL语句,select hangye,fenlei,diqu,dengji,leixingfrom hss_user where hu_id=用户id;
读取用户发布信息记录SQL语句,select hangye,fenlei,diqu,leixing,productname from hss_gqinfo where hu_id=用户id;
读取用户浏览记录信息SQL语句,select hangye,fenlei,diqu,leixing,productname from hss_gqinfo where hgq_id in(select hqg_id from hss_browsinghistory where hu_id=用户id);
读取用户搜索记录信息SQL语句,select hangye,fenlei,diqu,leixing,productname from hss_gqinfo where hgq_id in(select hqg_id from hss_searchhistory where hu_id=用户id);
从数据库中找出和客户信息有关的信息,select*from hss_gqinfo whereleixing=’gongying’and hangye=’huagongshebei’and fenlei=’fenliji’and diqu=’hebei’order by createtime desc;
返回评分最高的,合适度最高的信息,推送给客户,以json模式返回信息,
{"qg_id":"10003","fenlei":"feitie","productname":"feitie","diqu":
"shijiazhuang","leixing":"gongying","gq_tiele":"石家庄地区供应大量废铁"}。
如图2所示,本发明提出的一种回收网站精准推送系统,包括:
目标用户信息收集模块,对信息发布者的用户信息和已发布信息进行收集;目标用户信息收集模块和相关用户信息收集模块从存储有用户维度数据和信息维度数据的数据库中读取数据,所述用户维度数据用于描述用户的特征,所述信息维度数据用于描述用户发布的信息的特征。
相关用户信息收集模块,对与信息发布者相关的用户的用户信息和已发布信息进行收集。
相似度计算模块,对目标用户与相关用户的信息进行相似度计算,根据计算结果对信息进行排名。
推荐模块,对相似度计算模块获得的排名后的信息进行过滤,滤除已向目标用户推送过的历史信息、不满足要求的信息及质量较差的信息;将过滤后的信息中排名较高的信息作为推荐信息。
评分模块,对推荐模块获得的推荐信息进行评分。
推送模块,找出评分高,信息匹配度最优的信息。
发送信息模块,将最优信息推送给目标用户。移动端推送服务根据客户端的种类,分为apple和androi两大体系。Apple系推送服务统一将推送信息送入apns,由apns负责后续推送工作。android则通过后台守护进程,和推送服务建立联系后获取推送内容。
在精准推送技术中,数据是推送的基础,准确的数据主动推送可以节省用户大量的时间,免去在大量的不相关的信息中繁琐的去筛选。本发明将推荐系统与推送系统结合,用推荐系统提取用户感兴趣的内容,通过评分算法找出最合适的信息给用户推送,从而提升用户对推送消息的准确率,提升推送效果。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种回收网站精准推送方法,其特征在于,包括如下步骤:
步骤S100,收集每个用户的用户维度数据和信息维度数据,所述用户维度数据用于描述用户的特征,所述信息维度数据用于描述用户发布的信息的特征;
步骤S200,根据步骤S100中收集的数据,计算信息发布者用户A的信息维度数据与其余每个用户的信息维度数据的相似度、用户A的用户维度特征与其余每个用户的用户维度特征的相似度,以及用户A的用户维度特征与其余每个用户的信息维度数据集的相似度,分别得到每个用户与用户A的相似度结果集;
步骤S300,根据对用户A的推送历史,对步骤S200获得的结果集进行过滤,以过滤推送过的信息;并过滤不满足要求及质量较差的信息;
步骤S400,设置步骤S300过滤后的结果集中相似度高于第一阈值的结果集为推荐信息;
步骤S500,根据信息加权评分评比法对推荐信息进行评分;
步骤S600,将步骤S500中评分高的信息推送给用户。
2.根据权利要求1所述的一种回收网站精准推送方法,其特征在于,所述用户维度包括用户标签和用户行为。
3.根据权利要求2所述的一种回收网站精准推送方法,其特征在于,所述用户标签包括用户注册时填写的用户个人信息、行业、分类、地区、是否会员和用户供求类型;所述用户行为包括用户发布的历史信息、用户浏览的历史信息和用户搜索记录。
4.根据权利要求1所述的一种回收网站精准推送方法,其特征在于,所述信息维度包括信息发布时间、行业、分类、产品名称、地区和供求类型。
5.根据权利要求1所述的一种回收网站精准推送方法,其特征在于,所述步骤S200中根据余弦相似度公式计算相似度,具体为:
定义用户A的用户维度数据或信息维度数据为向量ra(A1A2……An),用户B的用户维度数据或信息维度数据为向量rb(B1B2……Bn),…,依次类推,将所有用户的用户维度数据或信息维度数据用向量表示;其中,A1,A2,…,An为用户A的用户维度特征或信息维度特征,B1,B2,…,Bn为用户B的用户维度特征或信息维度特征;所述余弦相似度公式为:
其中Ai为用户A的用户维度特征或信息维度特征,Bi为用户B的用户维度特征或信息维度特征;
根据上述公式得到用户A与用户B的相似度结果集,…,依次类推,分别得到所有用户与用户A的相似度结果集。
6.根据权利要求1所述的一种回收网站精准推送方法,其特征在于,所述步骤S400的第一阈值为0.9。
7.根据权利要求1所述的一种回收网站精准推送方法,其特征在于,所述步骤S500中的评分过程具体为:
确定用户维度数据和信息维度数据中每个特征的权重;根据积分公式Score=(M1*N1+M2*N2+…+Mn*Nn对推荐信息进行评分,其中,M1,M2,…,Mn为用户M的用户维度数据或信息维度数据,N1,N2,…,Nn为用户维度数据或信息维度数据中每个特征的权重;以评分降序排列结果。
8.根据权利要求1所述的一种回收网站精准推送方法,其特征在于,所述步骤S200中还可以根据皮尔逊相关系数公式计算相似度。
9.一种回收网站精准推送系统,其特征在于,包括:
目标用户信息收集模块,对信息发布者的用户信息和已发布信息进行收集;
相关用户信息收集模块,对与信息发布者相关的用户的用户信息和已发布信息进行收集;
相似度计算模块,对目标用户与相关用户的信息进行相似度计算,根据计算结果对信息进行排名;
推荐模块,对相似度计算模块获得的排名后的信息进行过滤,滤除已向目标用户推送过的历史信息、不满足要求的信息及质量较差的信息;将过滤后的信息中排名较高的信息作为推荐信息;
评分模块,对推荐模块获得的推荐信息进行评分;
推送模块,找出评分高,信息匹配度最优的信息;
发送信息模块,将最优信息推送给目标用户。
10.根据权利要求9所述的一种回收网站精准推送系统,其特征在于,所述目标用户信息收集模块和相关用户信息收集模块从存储有用户维度数据和信息维度数据的数据库中读取数据,所述用户维度数据用于描述用户的特征,所述信息维度数据用于描述用户发布的信息的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231414.3A CN108494849A (zh) | 2018-03-20 | 2018-03-20 | 一种回收网站精准推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231414.3A CN108494849A (zh) | 2018-03-20 | 2018-03-20 | 一种回收网站精准推送方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108494849A true CN108494849A (zh) | 2018-09-04 |
Family
ID=63318909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810231414.3A Pending CN108494849A (zh) | 2018-03-20 | 2018-03-20 | 一种回收网站精准推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494849A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104683325A (zh) * | 2014-12-01 | 2015-06-03 | 苏州朗米尔照明科技有限公司 | 一种基于comet连接进行个性化信息推送的方法 |
CN105719191A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 多尺度空间下不确定行为语义的社交群体发现系统及方法 |
CN105740468A (zh) * | 2016-03-07 | 2016-07-06 | 达而观信息科技(上海)有限公司 | 一种结合内容发布方信息的个性化推荐方法及系统 |
CN105809464A (zh) * | 2014-12-31 | 2016-07-27 | 中国电信股份有限公司 | 信息投放方法和装置 |
US20160364783A1 (en) * | 2014-06-13 | 2016-12-15 | Truecar, Inc. | Systems and methods for vehicle purchase recommendations |
CN107609469A (zh) * | 2017-07-28 | 2018-01-19 | 北京建筑大学 | 社会网络关联用户挖掘方法及系统 |
-
2018
- 2018-03-20 CN CN201810231414.3A patent/CN108494849A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364783A1 (en) * | 2014-06-13 | 2016-12-15 | Truecar, Inc. | Systems and methods for vehicle purchase recommendations |
CN104683325A (zh) * | 2014-12-01 | 2015-06-03 | 苏州朗米尔照明科技有限公司 | 一种基于comet连接进行个性化信息推送的方法 |
CN105809464A (zh) * | 2014-12-31 | 2016-07-27 | 中国电信股份有限公司 | 信息投放方法和装置 |
CN105719191A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 多尺度空间下不确定行为语义的社交群体发现系统及方法 |
CN105740468A (zh) * | 2016-03-07 | 2016-07-06 | 达而观信息科技(上海)有限公司 | 一种结合内容发布方信息的个性化推荐方法及系统 |
CN107609469A (zh) * | 2017-07-28 | 2018-01-19 | 北京建筑大学 | 社会网络关联用户挖掘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
US10198635B2 (en) | Systems and methods for associating an image with a business venue by using visually-relevant and business-aware semantics | |
DE112015002286T9 (de) | Visuelle interaktive suche | |
Van Leuken et al. | Visual diversification of image search results | |
Lappas et al. | On the spatiotemporal burstiness of terms | |
US10606883B2 (en) | Selection of initial document collection for visual interactive search | |
US20140379617A1 (en) | Method and system for recommending information | |
CN104915447A (zh) | 一种热点话题追踪及关键词确定方法及装置 | |
CN109460519B (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN105373597A (zh) | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 | |
US20090123090A1 (en) | Matching Advertisements to Visual Media Objects | |
CN107256238B (zh) | 一种多约束条件下的个性化信息推荐方法及信息推荐系统 | |
Barz et al. | Enhancing flood impact analysis using interactive retrieval of social media images | |
CN109168047A (zh) | 视频推荐方法、装置、服务器及存储介质 | |
Valkanas et al. | Mining competitors from large unstructured datasets | |
Deepak et al. | Operators for similarity search: Semantics, techniques and usage scenarios | |
CN110795613B (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN106354867A (zh) | 多媒体资源的推荐方法及装置 | |
CN103778206A (zh) | 一种网络服务资源的提供方法 | |
Zhang et al. | Reputationpro: The efficient approaches to contextual transaction trust computation in e-commerce environments | |
EP3067804B1 (en) | Data arrangement program, data arrangement method, and data arrangement apparatus | |
US20030033138A1 (en) | Method for partitioning a data set into frequency vectors for clustering | |
US8745059B1 (en) | Clustering queries for image search | |
US10318843B2 (en) | Method and apparatus for image processing and comparison based on spatial relationships between image features | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 |
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: 20180904 |