CN108563690B - 一种基于面向对象聚类的协同过滤推荐方法 - Google Patents
一种基于面向对象聚类的协同过滤推荐方法 Download PDFInfo
- Publication number
- CN108563690B CN108563690B CN201810217358.8A CN201810217358A CN108563690B CN 108563690 B CN108563690 B CN 108563690B CN 201810217358 A CN201810217358 A CN 201810217358A CN 108563690 B CN108563690 B CN 108563690B
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- item
- oriented
- bias factor
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于面向对象聚类的协同过滤推荐方法,包括以下步骤:读取用户对物品的历史评分数据、物品类型数据信息;通过优化的PMF模型生成用户评分预测矩阵;计算用户偏置因子、物品偏置因子、类型偏置因子,生成偏置因子预测矩阵;构建面向对象的特征样本,对面向对象的特征样本进行聚类编号,生成面向对象聚类结果;构建用户偏好矩阵;更新用户偏好矩阵中的偏好指标值,产生推荐列表。本发明提供的一种基于面向对象聚类的协同过滤推荐方法,使用偏好指标表示用户对物品兴趣度的推荐策略,同时,通过引入面向对象之间的相似性关系,缓解传统矩阵分解模型预测准确度不佳而造成推荐效果不理想的问题,提升推荐系统的的推荐效果,并且该推荐方法可适用于多种场景。
Description
技术领域
本发明涉及个性化推荐技术领域,更具体的,涉及一种基于面向对象聚类的协同过滤推荐方法。
背景技术
步入二十一世纪,数据量的迅速增长以及信息技术的快速发展将我们从信息匮乏的时代带入了信息过载的时代。由于缺乏对事物的亲身体验和经历,信息过载使得人们在面对一些不了解的事物时往往难以抉择。推荐系统的出现恰好为这种问题提供了个性化的解决方案,它不仅帮助用户减少在茫茫物品中发现喜欢物品的时间花费,同时有利于将物品快速准确地呈列在对其感兴趣用户的面前,实现生产者与消费者之间的双赢。推荐系统出现于20世纪90年代早期,作为一门研究学科,从它提出至今便一直受到研究者的广泛关注。由于推荐系统在市场经济下蕴藏着的巨大潜力,已有众多商业公司投身于推荐系统研究的热潮中。
当前,推荐系统主要运用到的推荐算法可分为基于内容的推荐算法和协同过滤推荐算法。除此之外,还有包括基于知识的推荐算法,混合推荐算法等。与其它方法相比,协同过滤推荐算法以其结构简单、构建成本低、推荐效果好、应用领域广等特点受到研究者的广泛关注。同样在商业界,以亚马逊、Facebook、Youtube等为代表的众多互联网公司,凭借其推荐系统应用的协同过滤推荐算法而取得可观收益。但传统的协同过滤推荐算法存在稀疏性问题,即当推荐系统中数据量很大而用户的显式评分数据又很少时,矩阵分解模型预测准确度不佳,从而导致推荐系统的效果欠佳。
发明内容
本发明为克服上述现有技术中存在的矩阵分解模型预测准确度不佳及对于新物品无法推荐的问题,提供一种基于面向对象聚类的协同过滤推荐方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于面向对象聚类的协同过滤推荐方法,包括以下步骤:
S1:读取用户对物品的历史评分数据、物品类型数据信息;
S2:根据用户对物品的历史评分数据,通过优化的PMF模型生成用户评分预测矩阵;
S3:根据用户对物品的历史评分数据、物品类型信息数据,计算用户偏置因子、物品偏置因子、类型偏置因子,生成偏置因子预测矩阵;
S4:利用物品类型信息构建面向对象的特征样本,并利用K-means聚类方法对面向对象的特征样本进行聚类编号,生成面向对象聚类结果;
S5:利用用户评分预测矩阵以及偏置因子预测矩阵,构建用户偏好矩阵;
S6:根据面向对象聚类结果,更新用户偏好矩阵中的偏好指标值,根据更新后的用户偏好指标值产生推荐列表。
其中,所述步骤S2中优化的PMF模型训练函数表示为:
其中,Iui表示矩阵中用户u对物品i的偏好指标;Rui表示矩阵R中用户u对物品i的历史评分数据;Uu表示用户偏置因子矩阵,Vi表示物品偏置因子矩阵;λ为矩阵的特征值;表示生成的用户预测评分,其中m表示表示用户对所有物品的平均评分,映射函数Map(x)表示为:
其中,所述步骤S3中包括对用户偏置因子、物品偏置因子、类型偏置因子的计算,构建构建偏置因子预测矩阵,其中,用户偏置因子的计算方式为:
其中,|User(u)|表示由用户u已有的评分项所构成的集合大小,r表示数据集中的评分项;
物品偏置因子的计算方式为:
其中,|Item(i)|表示物品i得到的用户评分项所构成的集合大小,r表示数据集中的评分项;
类型偏置因子的计算方式为:
其中,|Genre(g)|表示由属于类型g的物品评分项所构成的集合大小,r表示数据集中的评分项;
所述构建偏置因子预测矩阵的过程如下:
初始化一个矩阵B,矩阵的行数为用户的数量,矩阵的行数为物品的数量,矩阵B中第u行第i列的项表示由用户u偏置因子、物品i偏置因子、物品i对应物品类型g偏置因子生成的用户u对物品i的预测评分其计算方式为:
其中,取用户偏置因子、物品偏置因子、类型偏置因子的平均值作为其结果。
其中,所述步骤S4利用物品类型信息构建面向对象的特征样本的步骤如下:
初始化一个全零的面向对象类型矩阵S,矩阵行数为面向对象的数量M,矩阵列数为物品类型的种类数N;
统计物品类型信息中物品编号对应的对象编号及物品类型编号<itemid,genreid,objectid>,去除其中的物品编号,生成对象编号及物品类型编号<genreid,objectid>;
根据生成对象编号及物品类型编号<genreid,objectid>,找到其在矩阵S中对应的位置并在数量上加一,其中object id表示矩阵对应的行数,genre id表示矩阵对应的列数;
完成对物品类型信息的导入后,矩阵中的行向量即表示对应的面向对象的特征样本,其中,矩阵中第i行第j列Sij项,即表示对象i对应的属于类型j的物品数量。
其中,所述利用k-means聚类方法对面向对象的特征样本进行聚类并生成聚类结果的过程如下:
取矩阵S中的行向量作为面向对象特征样本,以欧几里得距离作为相似度测度,具体计算方法为:
其中,dist(X,Y)表示矩阵X与矩阵Y的欧式距离,sim(X,Y)矩阵X与矩阵Y之间的相似度;利用k-means对其进行相似度聚类,保存聚类后面向对象特征样本所属的聚类编号。
其中,所述步骤S6更新用户偏好矩阵中的偏好指标值的过程如下:提取用户偏好矩阵中偏好指标最大的前50项物品作为初始推荐列表,根据用户当前关注的物品,找到物品对应的面向对象,并通过该面向对象对应的聚类编号找到与其对应聚类编号相同的其他面向对象;
对于初始推荐列表中的物品,如果物品对应的面向对象与用户当前关注物品对应的面向对象聚类编号相同,则增加用户对该物品的偏好指标,具体公式为:
I′ui=QIui
其中,I′ui表示更新后的偏好指标,Q表示偏好指标加成权重,取值为1.2;根据更新后的偏好指标I′ui产生偏好指标值最高的前10项物品作为对用户的推荐结果。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的一种基于面向对象聚类的协同过滤推荐方法,使用偏好指标表示用户对物品兴趣度的推荐策略,同时,通过引入面向对象之间的相似性关系,缓解传统矩阵分解模型预测准确度不佳而造成推荐效果不理想的问题,提升推荐系统的荐效果。
附图说明
图1为基于面向对象聚类的协同过滤推荐方法流程图。
图2为本发明中用户评分预测矩阵示例图。
图3为本发明中偏置因子预测矩阵示例图。
图4为本发明中面向对象类型矩阵示例图。
图5为本发明中用户偏好矩阵示例图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于面向对象聚类的协同过滤推荐方法,包括以下步骤:
S1:读取用户对物品的历史评分数据、物品类型数据信息;
S2:根据用户对物品的历史评分数据,通过优化的PMF模型生成用户评分预测矩阵;
S3:根据用户对物品的历史评分数据、物品类型信息数据,计算用户偏置因子、物品偏置因子、类型偏置因子,生成偏置因子预测矩阵;
S4:利用物品类型信息构建面向对象的特征样本,并利用K-means聚类方法对面向对象的特征样本进行聚类编号,生成面向对象聚类结果;
S5:利用用户评分预测矩阵以及偏置因子预测矩阵,构建用户偏好矩阵;
S6:根据面向对象聚类结果,更新用户偏好矩阵中的偏好指标值,根据更新后的用户偏好指标值产生推荐列表。
更具体的,所述步骤S2中优化的PMF模型训练函数表示为:
其中,Iui表示矩阵中用户u对物品i的偏好指标;Rui表示矩阵R中用户u对物品i的历史评分数据;Uu表示用户偏置因子矩阵,Vi表示物品偏置因子矩阵;λ为矩阵的特征值;表示生成的用户预测评分,其中m表示表示用户对所有物品的平均评分,映射函数Map(x)表示为:
其中,所述步骤S3中包括对用户偏置因子、物品偏置因子、类型偏置因子的计算,构建构建偏置因子预测矩阵,其中,用户偏置因子的计算方式为:
其中,|User(u)|表示由用户u已有的评分项所构成的集合大小,r表示数据集中的评分项;
物品偏置因子的计算方式为:
其中,|Item(i)|表示物品i得到的用户评分项所构成的集合大小,r表示数据集中的评分项;
类型偏置因子的计算方式为:
其中,|Genre(g)|表示由属于类型g的物品评分项所构成的集合大小,r表示数据集中的评分项;
所述构建偏置因子预测矩阵的过程如下:
初始化一个矩阵B,矩阵的行数为用户的数量,矩阵的行数为物品的数量,矩阵B中第u行第i列的项表示由用户u偏置因子、物品i偏置因子、物品i对应物品类型g偏置因子生成的用户u对物品i的预测评分其计算方式为:
其中,取用户偏置因子、物品偏置因子、类型偏置因子的平均值作为其结果。
更具体的,所述步骤S4利用物品类型信息构建面向对象的特征样本的步骤如下:
初始化一个全零的面向对象类型矩阵S,矩阵行数为面向对象的数量M,矩阵列数为物品类型的种类数N;
统计物品类型信息中物品编号对应的对象编号及物品类型编号<itemid,genreid,objectid>,去除其中的物品编号,生成对象编号及物品类型编号<genreid,objectid>;
根据生成对象编号及物品类型编号<genreid,objectid>,找到其在矩阵S中对应的位置并在数量上加一,其中object id表示矩阵对应的行数,genre id表示矩阵对应的列数;
完成对物品类型信息的导入后,矩阵中的行向量即表示对应的面向对象的特征样本,其中,矩阵中第i行第j列Sij项,即表示对象i对应的属于类型j的物品数量。
其中,所述利用k-means聚类方法对面向对象的特征样本进行聚类并生成聚类结果的过程如下:
取矩阵S中的行向量作为面向对象特征样本,以欧几里得距离作为相似度测度,具体计算方法为:
其中,dist(X,Y)表示矩阵X与矩阵Y的欧式距离,sim(X,Y)矩阵X与矩阵Y之间的相似度;利用k-means对其进行相似度聚类,保存聚类后面向对象特征样本所属的聚类编号。
更具体的,所述步骤S6更新用户偏好矩阵中的偏好指标值的过程如下:提取用户偏好矩阵中偏好指标最大的前50项物品作为初始推荐列表,根据用户当前关注的物品,找到物品对应的面向对象,并通过该面向对象对应的聚类编号找到与其对应聚类编号相同的其他面向对象;
对于初始推荐列表中的物品,如果物品对应的面向对象与用户当前关注物品对应的面向对象聚类编号相同,则增加用户对该物品的偏好指标,具体公式为:
I′ui=QIui
其中,I′ui表示更新后的偏好指标,Q表示偏好指标加成权重,取值为1.2;根据更新后的偏好指标I′ui产生偏好指标值最高的前10项物品作为对用户的推荐结果。
在具体实施过程中,本发明使用偏好指标表示用户对物品兴趣度的推荐策略,推荐过程中,利用PMF模型生成的用户预测评分为基础,并引入偏置因子对PMF模型的推荐效果进行优化,同时应用K-means聚类算法,利用物品类型信息发掘面向对象之间的相似性关系。通过引入面向对象之间的相似性关系,缓解传统矩阵分解模型预测准确度不佳而造成推荐效果不理想的问题,提升推荐系统的的推荐效果。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于面向对象聚类的协同过滤推荐方法,其特征在于,包括以下步骤:
S1:读取用户对物品的历史评分数据、物品类型数据信息;
S2:根据用户对物品的历史评分数据,通过优化的PMF模型生成用户评分预测矩阵;
S3:根据用户对物品的历史评分数据、物品类型信息数据,计算用户偏置因子、物品偏置因子、类型偏置因子,生成偏置因子预测矩阵;
S4:利用物品类型信息构建面向对象的特征样本,并利用K-means聚类方法对面向对象的特征样本进行聚类编号,生成面向对象聚类结果;
S5:利用用户评分预测矩阵以及偏置因子预测矩阵,构建用户偏好矩阵;
S6:根据面向对象聚类结果,更新用户偏好矩阵中的偏好指标值,根据更新后的用户偏好指标值产生推荐列表;
其中,所述步骤S4利用物品类型信息构建面向对象的特征样本的步骤如下:
初始化一个全零的面向对象类型矩阵S,矩阵行数为面向对象的数量M,矩阵列数为物品类型的种类数N;
统计物品类型信息中物品编号对应的对象编号及物品类型编号<itemid,genreid,objectid>,去除其中的物品编号,生成对象编号及物品类型编号<genreid,objectid>;
根据生成对象编号及物品类型编号<genreid,objectid>,找到其在矩阵S中对应的位置并在数量上加一,其中object id的值为矩阵对应的行数,genre id的值为矩阵对应的列数;
完成对物品类型信息的导入后,矩阵中的行向量即表示对应的面向对象的特征样本,其中,矩阵中第i行第j列Sij项,即表示对象pi对应的属于类型qj的物品数量。
3.根据权利要求1所述的基于面向对象聚类的协同过滤推荐方法,其特征在于:所述步骤S3中包括对用户偏置因子、物品偏置因子、类型偏置因子的计算,构建偏置因子预测矩阵,其中,用户偏置因子的计算方式为:
其中,|User(u)|表示由用户u已有的评分项所构成的集合大小,r表示数据集中的评分项;
物品偏置因子的计算方式为:
其中,|Item(k)|表示物品k得到的用户评分项所构成的集合大小,r表示数据集中的评分项;
类型偏置因子的计算方式为:
其中,|Genre(g)|表示由属于类型g的物品评分项所构成的集合大小,r表示数据集中的评分项;
构建偏置因子预测矩阵的过程如下:
初始化一个矩阵B,矩阵的行数为用户的数量,矩阵的行数为物品的数量,矩阵B中第u行第k列的项表示由用户u偏置因子、物品k偏置因子、物品k对应物品类型g偏置因子生成的用户u对物品k的预测评分其计算方式为:
其中,取用户偏置因子、物品偏置因子、类型偏置因子的平均值作为其结果。
6.根据权利要求1所述的基于面向对象聚类的协同过滤推荐方法,其特征在于:所述步骤S6更新用户偏好矩阵中的偏好指标值的过程如下:
提取用户偏好矩阵中偏好指标最大的前50项物品作为初始推荐列表,根据用户当前关注的物品,找到物品对应的面向对象,并通过该面向对象对应的聚类编号找到与其对应聚类编号相同的其他面向对象;
对于初始推荐列表中的物品,如果物品对应的面向对象与用户当前关注物品对应的面向对象聚类编号相同,则增加用户对该物品的偏好指标,具体公式为:
I'uk=QIuk
其中,I'uk表示更新后的偏好指标,Q表示偏好指标加成权重,取值为1.2;Iuk项表示用户u对物品k的偏好指标;根据更新后的偏好指标I'uk产生偏好指标值最高的前10项物品作为对用户的推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810217358.8A CN108563690B (zh) | 2018-03-15 | 2018-03-15 | 一种基于面向对象聚类的协同过滤推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810217358.8A CN108563690B (zh) | 2018-03-15 | 2018-03-15 | 一种基于面向对象聚类的协同过滤推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563690A CN108563690A (zh) | 2018-09-21 |
CN108563690B true CN108563690B (zh) | 2022-01-21 |
Family
ID=63531869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810217358.8A Active CN108563690B (zh) | 2018-03-15 | 2018-03-15 | 一种基于面向对象聚类的协同过滤推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563690B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544306B (zh) * | 2018-11-30 | 2021-09-21 | 苏州大学 | 一种基于用户行为序列特征的跨领域推荐方法及装置 |
CN109902235B (zh) * | 2019-03-06 | 2023-07-07 | 太原理工大学 | 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法 |
CN110930259B (zh) * | 2019-11-15 | 2023-05-26 | 安徽海汇金融投资集团有限公司 | 一种基于混合策略的债权推荐方法及系统 |
CN113836390B (zh) * | 2020-06-24 | 2023-10-27 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
CN112417285A (zh) * | 2020-11-24 | 2021-02-26 | 平安普惠企业管理有限公司 | 基于人工智能的业务推荐方法、装置及计算机设备 |
CN112819533A (zh) * | 2021-01-29 | 2021-05-18 | 深圳脉腾科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113221003B (zh) * | 2021-05-20 | 2023-05-02 | 北京建筑大学 | 一种基于对偶理论的混合过滤推荐方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
CN104615779A (zh) * | 2015-02-28 | 2015-05-13 | 云南大学 | 一种Web文本个性化推荐方法 |
CN106874355A (zh) * | 2016-12-28 | 2017-06-20 | 浙江浙大网新集团有限公司 | 同时融入社交关系和用户相似度的协同过滤方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8898090B2 (en) * | 2010-04-08 | 2014-11-25 | Microsoft Corporation | Interactive optimization of the behavior of a system |
US20140214751A1 (en) * | 2013-01-30 | 2014-07-31 | Hewlett-Packard Development Company, L.P. | Mixed collaborative filtering-content analysis model |
US9552055B2 (en) * | 2013-07-15 | 2017-01-24 | Facebook, Inc. | Large scale page recommendations on online social networks |
US20160284003A1 (en) * | 2015-03-26 | 2016-09-29 | Xerox Corporation | Time-sensitive collaborative filtering through adaptive matrix completion |
-
2018
- 2018-03-15 CN CN201810217358.8A patent/CN108563690B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
CN104615779A (zh) * | 2015-02-28 | 2015-05-13 | 云南大学 | 一种Web文本个性化推荐方法 |
CN106874355A (zh) * | 2016-12-28 | 2017-06-20 | 浙江浙大网新集团有限公司 | 同时融入社交关系和用户相似度的协同过滤方法 |
Non-Patent Citations (1)
Title |
---|
基于时间上下文的动态推荐系统研究与应用;廖双辉;《万方数据知识服务平台》;20170103;第1-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108563690A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563690B (zh) | 一种基于面向对象聚类的协同过滤推荐方法 | |
CN103544216B (zh) | 一种结合图像内容和关键字的信息推荐方法及系统 | |
CN108920720B (zh) | 基于深度哈希和gpu加速的大规模图像检索方法 | |
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
CN110674407B (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN101937549B (zh) | 网络购物导航领域的图片导航系统 | |
CN101950400B (zh) | 网络购物导航方法领域的图片检索方法 | |
CN109460519B (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN113807422B (zh) | 融合多特征信息的加权图卷积神经网络评分预测模型 | |
CN115062237A (zh) | 基于图神经网络和知识图谱结合的文化资源推荐方法 | |
CN116541607B (zh) | 基于商品检索数据分析的智能推荐方法 | |
CN106157156A (zh) | 一种基于用户社区的协作推荐系统 | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN112102029B (zh) | 一种基于知识图谱的长尾推荐计算方法 | |
WO2023179689A1 (zh) | 一种面向物联网的基于知识图谱的推荐方法 | |
CN113239264A (zh) | 基于元路径网络表示学习的个性化推荐方法及系统 | |
CN113239159B (zh) | 基于关系推理网络的视频和文本的跨模态检索方法 | |
CN112231583A (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
CN106919699A (zh) | 一种面向大规模用户的个性化信息推荐方法 | |
Xie et al. | Robust transfer integrated locally kernel embedding for click-through rate prediction | |
CN111651678A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN108287902B (zh) | 一种基于数据非随机缺失机制的推荐系统方法 | |
CN115840853A (zh) | 一种基于知识图谱和图注意力网络的课程推荐系统 | |
CN114238758B (zh) | 一种基于多源跨界数据融合的用户画像预测方法 |
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 |