CN108596712B - 基于物品序列的单类协同过滤方法、存储介质及服务器 - Google Patents

基于物品序列的单类协同过滤方法、存储介质及服务器 Download PDF

Info

Publication number
CN108596712B
CN108596712B CN201810272567.2A CN201810272567A CN108596712B CN 108596712 B CN108596712 B CN 108596712B CN 201810272567 A CN201810272567 A CN 201810272567A CN 108596712 B CN108596712 B CN 108596712B
Authority
CN
China
Prior art keywords
item
article
sequence
user
representing
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
CN201810272567.2A
Other languages
English (en)
Other versions
CN108596712A (zh
Inventor
曾子杰
黎琳
潘微科
明仲
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201810272567.2A priority Critical patent/CN108596712B/zh
Publication of CN108596712A publication Critical patent/CN108596712A/zh
Application granted granted Critical
Publication of CN108596712B publication Critical patent/CN108596712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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]
    • G06Q30/0623—Item investigation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物品序列的单类协同过滤方法、存储介质及服务器，所述方法包括：获取用户交互物品的物品列表，分别计算购物平台包含的所有第二物品中两两物品的相似度，并根据所述相似度确定各第二物品的邻居物品列表；根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品构成的第一物品集合为所述物品集合的补集；根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户。本发明采用基于物品序列的单类协同算法根据各物品之间的相似度计算各未交互物品的评分，再根据评分确定待推荐商品，提高商品推荐的准确性。

Description

基于物品序列的单类协同过滤方法、存储介质及服务器
技术领域
本发明涉及计算机技术领域，特别涉及基于物品序列的单类协同过滤方法、存储介质及服务器。
背景技术
随着电子商务的不断发展，越来越多的用户选择在网上进行购物。用户通过浏览器访问电子商务网站，就可以方便地选择自己所需要的商品。在很多情况下，电子商务网站会向用户进行商品推荐，例如，用户购买了某一种商品之后，会向其推荐与该商品相似或者关联的商品等。但是，现有互联网上的电子商务网站是基于商品销售排行或者用户对商品的评价评分或者对用户在电子商务网站的其他行为数据的分析来进行商品推荐。此种通过挖掘用户在网站中的行为数据的方式可以实现商品推荐，可以缩短用户寻找所需要产品的路径，但是推荐的商品准确性差。
因而现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供基于物品序列的单类协同过滤方法、存储介质及服务器，以解决现有商品推荐方法中存在的商品准确性差的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种基于物品序列的单类协同过滤方法，其包括：
获取用户交互物品的物品列表，其中，所述物品列表包含第一预设数量的第一物品；
分别计算购物平台包含的所有第二物品中两两物品的相似度，并根据所述相似度确定各第二物品的邻居物品列表；
根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品构成的第一物品集合为所述物品集合的补集；
根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户。
所述基于物品序列的单类协同过滤方法，其中，所述获取用户交互物品的物品列表具体包括：
当用户登录购物平台时，获取所述用户的历史购物序列；
根据所述历史购物序列按照时间顺序提取第一预设数量的第一物品，并根据提取到的所有第一物品生成物品列表。
所述基于物品序列的单类协同过滤方法，其中，所述根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品构成的第一物品集合为所述物品集合的补集具体包括：
根据物品列表以及所有第二物品确定第三物品的集合；
根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分。
所述基于物品序列的单类协同过滤方法，其中，所述根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户具体包括：
将各邻居物品的评分按照降序顺序排序，并按照排序顺序选取第二预设数量的推荐物品；
根据选取的所有推荐物品生成推荐物品列表，并将推荐物品列表推送给用户。
所述基于物品序列的单类协同过滤方法，其中，所述相似度为基于时间序列的有向物品相似度，其计算公式为：
Figure BDA0001612903520000031
其中，U表示购物平台所有用户集合，u表示用户，Ui表示交互过i的用户集合，Uj表示交互过j的用户集合，i表示第二物品，j表示第一物品，Ju表示用户u交互物品的物品集合，Pu(i)表示i在物品序列中的位置，Pu(j)为j在物品序列中的位置，l是限制参数。
所述基于物品序列的单类协同过滤方法，其中，所述相似度为基于时间序列的双向物品相似度，其计算公式为：
Figure BDA0001612903520000032
其中，U表示购物平台所有用户集合，u表示用户，Ui表示交互过i的用户集合，Uj表示交互过j的用户集合，i表示第二物品，j表示第一物品，Ju表示用户u交互物品的物品集合，Pu(i)表示i在物品序列中的位置，Pu(j)为j在物品序列中的位置，l是限制参数，ρ是逆向因子，是非负实数。
所述基于物品序列的单类协同过滤方法，其中，所述单类协同过滤算法的计算公式为：
Figure BDA0001612903520000033
其中，所述
Figure BDA0001612903520000034
表示用户u对物品i的预测评分，sj→i表示i和j之间的相似度，Ju表示用户u交互物品的物品集合，Ni表示物品i的邻居的集合，w(j)表示权值函数
所述基于物品序列的单类协同过滤方法，其中，所述权值函数为用户活跃窗口函数，其表达式为：
Figure BDA0001612903520000035
其中，Ju表示用户u交互物品的物品集合，
Figure BDA0001612903520000036
表示用户u的物品列表，k表示物品列表包含的物品的数量，为常数。
一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于物品序列的单类协同过滤方法中的步骤。
一种应用服务器，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于物品序列的单类协同过滤方法中的步骤。
有益效果：与现有技术相比，本发明提供了基于物品序列的单类协同过滤方法、存储介质及服务器，所述方法包括：获取用户交互物品的物品列表，分别计算购物平台包含的所有第二物品中两两物品的相似度，并根据所述相似度确定各第二物品的邻居物品列表；根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品构成的第一物品集合为所述物品集合的补集；根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户。本发明采用基于物品序列的单类协同算法根据各物品之间的相似度计算各未交互物品的评分，再根据评分确定待推荐商品，提高商品推荐的准确性。
附图说明
图1为本发明提供的基于物品序列的单类协同过滤方法较佳实施例的流程图。
图2为本发明提供的应用服务器较佳实施例的结构原理图。
具体实施方式
本发明提供基于物品序列的单类协同过滤方法、存储介质及服务器，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图，通过对实施例的描述，对发明内容作进一步说明。
请参照图1，图1为本发明提供的基于物品序列的单类协同过滤方法的较佳实施例的流程图。所述方法包括：
S10、获取用户交互物品的物品列表，其中，所述物品列表包含第一预设数量的第一物品。
具体地，所述用户交互物品可以为用户购买过的物品、用户浏览过的物品或者用户评价过的物品等。在本实施例中，所述用户交互物品以用户购买过的物品为例加以说明。用户交互物品的物品集合可以根据用户历史购物序列得到，其中，所述历史购物序列可以是用户的历史物品列表，所述历史物品列表中包括商品、用户关注行为、关注行为发生的地点以及关注行为发生的时间等。在本实施例中，所述历史物品列表至少包括用户购买过的物品以及购买该物品的时间。相应的，所述获取用户交互物品的物品列表具体包括：
S11、当用户登录购物平台时，获取所述用户的历史购物序列；
S12、根据所述历史购物序列按照时间顺序提取第一预设数量的第一物品，并根据提取到的所有第一物品生成物品列表。
具体地，所述第一预设数量为预先设定，用于确定获取的已购买物品的数量，例如，5,10等。所述用户所述购物平台的用户，也就是说，所述用户在所述购物平台上发生过购买行为。此外，当所述用户未存在历史购物序列时，将预先设置的默认商品推荐给用户；当所述用户的历史购物序列包含的物品数量未达到第一预设数量时，可以仅选取历史购物序列包含的所有物品作为第一物品，也可以在选取第一物品后，采用预设默认商品扩充所述第一物品数量以得到第一预设数量的第一物品，再根据第一预设数量的第一物品生成物品列表。
S20、分别计算购物平台包含的所有第二物品中两两物品的相似度，并根据所述相似度确定各第二物品的邻居物品列表。
具体地，所述两两物品的相似度指的是基于时间序列的有向物品相似度。所述相似度的计算公式可以为
Figure BDA0001612903520000061
其中，U表示购物平台所有用户集合，u表示用户，Ui表示交互过i的用户集合，Uj表示交互过j的用户集合，i表示第二物品，j表示第一物品，Ju表示用户u交互物品的物品集合，Pu(i)表示i在物品序列中的位置，Pu(j)为j在物品序列中的位置，l是限制参数。
具体地，所述l为最大有效距离，用于限制i与j在用户购买的物品序列中的最大有效时间间隔，其中，所述用户购买的物品序列为用户购买过的物品按时间先后顺序排序后的物品列表。所述Pu(i)表示i在物品序列中的位置，也就是说，当Pu(i)-Pu(j)大于l时，表示j与i在所述物品序列中共现为无效共现，在相似性计算中不起作用。所述l可以预先设置，例如，其可以为5,10,20或者40等。但是，在实际应用中，其可以推荐物品数量、购买的物品列表的密集程度或者购物平台包含的所有商品数量等选取。例如，可以预先建立推荐物品数据与最大有效距离的对应关系，根据所述对应关系来确定最大有效距离。此外，所述δ(x)表示指示函数，条件x为真，输出1，否则输出为0。
进一步，所述相似度还可以是基于时间序列的双向物品相似度，所述相似度的计算公式可以为：
Figure BDA0001612903520000071
其中，U表示购物平台所有用户集合，u表示用户，Ui表示交互过i的用户集合，Uj表示交互过j的用户集合，i表示第二物品，j表示第一物品，Ju表示用户u交互物品的物品集合，Pu(i)表示i在物品序列中的位置，Pu(j)为j在物品序列中的位置，l是限制参数，ρ是逆向因子，是非负实数。
具体地，所述ρ为逆向因子，通过所述逆向因子可以确定逆向物品之间的相似性。例如，用户观看《指环王3》后，再观看《指环王1》和《指环王2》。这样通过双向物品相似度可以提高相似度的容错性，从而提高待推荐物品的准确性。
同时在本实施例中，所述邻居物品列表为根据各第二物品的与其他物品的相似度确定的物品集合，即在计算得到两两物品的相似度后，对于各第二物品，将其对应的所有相似度按照降序排列，并按照排列顺序选取第一预设数量的相似度，再根据选取到的所有相似度确定其对应的物品进而得到各第二物品对应的邻居物品列表。
S30、根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品构成的第一物品集合为所述物品集合的补集。
具体地，所述第三物品为用户未购买过的物品，也就是说，所述第三物品为用户购买过的物品集合的补集，在本实施例中，所述第三物品为第一物品构成的物品集合的补集。相应的，所述根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品构成的第一物品集合为所述物品集合的补集具体包括：
S31、根据物品列表以及所有第二物品确定第三物品的集合；
S32、根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分。
同时在本实施例中，所述基于物品序列的单类协同算法的计算公式可以为
Figure BDA0001612903520000081
其中，所述
Figure BDA0001612903520000082
用户u对物品i的预测评分，sj→i是i和j之间的相似度，Ju表示用户u交互物品的物品集合，Ni是物品i的邻居的集合，w(j)为权值函数。
进一步，所述权值函数为用户活跃窗口函数，通过将基于物品序列的有(双)向物品相似度与用户活跃会话窗函数结合而得到基于物品序列的单类协同算法公式，通过所述单类协同算法公式可以更加准确的得出各第三物品的评分(也就是用户对第三物品的喜爱程度)，从而可以更加准确的确定推荐物品。在本实施例中，所述权值函数的表达式为：
Figure BDA0001612903520000091
其中，Ju表示用户u交互物品的物品集合，而
Figure BDA0001612903520000092
表示用户u的物品列表，k表示物品列表包含的物品的数量，为常数。
此外，在本发明的变形实施例中，所述权值函数可以为其他函数，这里给出几个例子加以说明。例如：
所述权值函数为可以为时间窗函数，其表达式可以为：
Figure BDA0001612903520000093
其中，Tw是自由参数。
所述权值函数为指数衰减函数，其表达式可以为：
Figure BDA0001612903520000094
其中，Te是自由参数。
S40、根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户。
具体地，所述推荐物品列表是根据各物品的评分得到的，并根据所述评分选取第二预设数量的推荐物品，例如，20,30等。当然，所述推荐物品列表中除了根据评分确定的推荐物品外，还可以包括购物平台运营商预设设置的默认推荐商品等。
示例性，所述根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户具体包括：
S41、将各邻居物品的评分按照降序顺序排序，并按照排序顺序选取第二预设数量的推荐物品；
S42、根据选取的所有推荐物品生成推荐物品列表，并将推荐物品列表推送给用户。
基于上述基于物品序列的单类协同过滤方法，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例所述的基于物品序列的单类协同过滤方法中的步骤
基于上述基于物品序列的单类协同过滤方法，本发明还提供了一种应用服务器，如图2所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.基于物品序列的单类协同过滤方法，其特征在于，其包括：
获取用户交互物品的物品列表，其中，所述物品列表包含第一预设数量的第一物品；
分别计算购物平台包含的所有第二物品中两两物品的相似度，并根据所述相似度确定各第二物品的邻居物品列表；
根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品为所述物品集合的补集；
根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户；
所述相似度为基于时间序列的有向物品相似度或基于时间序列的双向物品相似度；
所述基于时间序列的有向物品相似度的计算公式为：
Figure FDA0003517817190000011
其中，sj→i表示i和j之间的相似度，δ(x)表示指示函数，U表示购物平台所有用户集合，u表示用户，Ui表示交互过i的用户集合，Uj表示交互过j的用户集合，i表示第二物品，j表示第一物品，Ju表示用户u交互物品的物品集合，Pu(i)表示i在物品序列中的位置，Pu(j)为j在物品序列中的位置，l是限制参数；
所述l为最大有效距离，用于限制i与j在用户购买的物品序列中的最大有效时间间隔，所述用户购买的物品序列为用户购买过的物品按时间先后顺序排序后的物品列表，所述最大有效距离根据预先建立推荐物品数据与最大有效距离的对应关系确定的；
所述基于时间序列的双向物品相似度的计算公式为：
Figure FDA0003517817190000012
其中，sj→i表示i和j之间的相似度，δ(x)表示指示函数，U表示购物平台所有用户集合，u表示用户，Ui表示交互过i的用户集合，Uj表示交互过j的用户集合，i表示第二物品，j表示第一物品，Ju表示用户u交互物品的物品集合，Pu(i)表示i在物品序列中的位置，Pu(j)为j在物品序列中的位置，l是限制参数，ρ表示逆向因子，是非负实数；
所述邻居物品列表为根据各第二物品的与其他物品的相似度确定的物品集合。
2.根据权利要求1所述基于物品序列的单类协同过滤方法，其特征在于，所述获取用户交互物品的物品列表具体包括：
当用户登录购物平台时，获取所述用户的历史购物序列；
根据所述历史购物序列按照时间顺序提取第一预设数量的第一物品，并根据提取到的所有第一物品生成物品列表。
3.根据权利要求1所述基于物品序列的单类协同过滤方法，其特征在于，所述根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分，其中，所述第三物品所述物品集合的补集具体包括：
根据物品列表以及所有第二物品确定第三物品的集合；
根据邻居物品列表以及物品列表采用基于物品序列的单类协同算法计算各第三物品的评分。
4.根据权利要求1所述基于物品序列的单类协同过滤方法，其特征在于，所述根据所述评分确定推荐物品列表，并将所述物品列表推荐给用户具体包括：
将各邻居物品的评分按照降序顺序排序，并按照排序顺序选取第二预设数量的推荐物品；
根据选取的所有推荐物品生成推荐物品列表，并将推荐物品列表推送给用户。
5.根据权利要求1-4任一所述基于物品序列的单类协同过滤方法，其特征在于，所述单类协同过滤算法的计算公式为：
Figure FDA0003517817190000021
其中，所述
Figure FDA0003517817190000022
表示用户u对物品i的预测评分，sj→i表示i和j之间的相似度，Ju表示用户u交互物品的物品集合，Ni表示物品i的邻居的集合，w(j)表示权值函数。
6.根据权利要求5所述基于物品序列的单类协同过滤方法，其特征在于，所述权值函数为用户活跃窗口函数，其表达式为：
Figure FDA0003517817190000023
其中，Ju表示用户u交互物品的物品集合，
Figure FDA0003517817190000031
表示用户u的物品列表，k表示物品列表包含的物品的数量，为常数。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～6任意一项所述的基于物品序列的单类协同过滤方法中的步骤。
8.一种应用服务器，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的基于物品序列的单类协同过滤方法中的步骤。
CN201810272567.2A 2018-03-29 2018-03-29 基于物品序列的单类协同过滤方法、存储介质及服务器 Active CN108596712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810272567.2A CN108596712B (zh) 2018-03-29 2018-03-29 基于物品序列的单类协同过滤方法、存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810272567.2A CN108596712B (zh) 2018-03-29 2018-03-29 基于物品序列的单类协同过滤方法、存储介质及服务器

Publications (2)

Publication Number Publication Date
CN108596712A CN108596712A (zh) 2018-09-28
CN108596712B true CN108596712B (zh) 2022-05-03

Family

ID=63623894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810272567.2A Active CN108596712B (zh) 2018-03-29 2018-03-29 基于物品序列的单类协同过滤方法、存储介质及服务器

Country Status (1)

Country Link
CN (1) CN108596712B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688583B (zh) * 2019-09-04 2021-09-28 杭州电子科技大学 一种基于层次化物品协同过滤推荐方法
CN112785372B (zh) * 2021-01-11 2023-09-12 北京欧拉认知智能科技有限公司 一种基于语义关系的智能推荐方法
CN113221006B (zh) * 2021-05-24 2023-12-19 北京搜狐新媒体信息技术有限公司 物品推荐方法及装置、电子设备、计算机存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976229A (zh) * 2016-05-13 2016-09-28 云南大学 一种基于用户和项目混合的协同过滤算法
CN106846029A (zh) * 2016-07-08 2017-06-13 华南师范大学 基于遗传算法和新型相似度计算策略的协同过滤推荐算法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及系统
US9916363B2 (en) * 2011-04-19 2018-03-13 Nokia Technologies Oy Method and apparatus for flexible diversification of recommendation results
CN105574216A (zh) * 2016-03-07 2016-05-11 达而观信息科技（上海）有限公司 基于概率模型和用户行为分析的个性化推荐方法、系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976229A (zh) * 2016-05-13 2016-09-28 云南大学 一种基于用户和项目混合的协同过滤算法
CN106846029A (zh) * 2016-07-08 2017-06-13 华南师范大学 基于遗传算法和新型相似度计算策略的协同过滤推荐算法

Also Published As

Publication number Publication date
CN108596712A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN109509054B (zh) 海量数据下商品推荐方法、电子装置及存储介质
CN109559208B (zh) 一种信息推荐方法、服务器及计算机可读介质
CN111815419B (zh) 游戏中虚拟商品的推荐方法、装置及电子设备
US9342791B2 (en) Systems and methods for trend aware self-correcting entity relationship extraction
CN104239338A (zh) 信息推荐方法及装置
CN108269117B (zh) 数据的推送、确定方法及装置、计算机终端
CN108596712B (zh) 基于物品序列的单类协同过滤方法、存储介质及服务器
US10789079B2 (en) Triggering user aid based on user actions at independent locations
CN111292164A (zh) 一种商品推荐方法、装置、电子设备及可读存储介质
CN103377193A (zh) 信息提供方法、网页服务器以及网页浏览器
CN104809637A (zh) 计算机实现的商品推荐方法及系统
JP2003150835A (ja) 商品推薦システム、方法及び装置、並びにプログラム
US20230093756A1 (en) Systems and methods for generating recommendations
CN111125376A (zh) 知识图谱生成方法、装置、数据处理设备及存储介质
JP2019164706A (ja) 情報処理装置、情報処理方法、およびプログラム
WO2015039004A1 (en) A system and method thereof for effectuating an electronic negotiation between a consumer device and a merchant
JPWO2016157427A1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
WO2017023862A1 (en) Alert notification based on field of view
CN103218726A (zh) 一种信息项推荐方法及系统
CN110796520A (zh) 商品推荐的方法、装置、计算设备以及介质
CN108304407B (zh) 一种进行对象排序的方法和系统
CN114331641A (zh) 基于大数据的商品推送方法及系统
CN111339434B (zh) 信息推荐方法、装置、电子设备及计算机存储介质
CN112232896A (zh) 商品推荐方法和装置
KR20210004086A (ko) 자동 가격 조정 장치

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