CN108734545A - 协同过滤推荐方法及系统 - Google Patents

协同过滤推荐方法及系统 Download PDF

Info

Publication number
CN108734545A
CN108734545A CN201810322655.9A CN201810322655A CN108734545A CN 108734545 A CN108734545 A CN 108734545A CN 201810322655 A CN201810322655 A CN 201810322655A CN 108734545 A CN108734545 A CN 108734545A
Authority
CN
China
Prior art keywords
article
user
score
rating matrix
grouping
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
Application number
CN201810322655.9A
Other languages
English (en)
Inventor
张可
于敬
纪达麒
陈运文
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.)
Information Technology (shanghai) Co Ltd
Original Assignee
Information Technology (shanghai) Co Ltd
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 Information Technology (shanghai) Co Ltd filed Critical Information Technology (shanghai) Co Ltd
Priority to CN201810322655.9A priority Critical patent/CN108734545A/zh
Publication of CN108734545A publication Critical patent/CN108734545A/zh
Pending legal-status Critical Current

Links

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

本申请公开了一种协同过滤推荐方法及系统，该协同过滤推荐方法包括：生成用户‑物品评分矩阵；根据所述用户‑物品评分矩阵采用预设的分类算法对所有的用户进行分组；根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值；根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户‑物品评分矩阵；根据补全的所述用户‑物品评分矩阵进行推荐输出。本申请解决了Slope One系列的基于物品的协同过滤算法由于没有区分用户之间的差异性，导致推荐的准确性较低的问题。

Description

协同过滤推荐方法及系统
技术领域
本申请涉及一种推荐方法，具体而言，涉及一种协同过滤推荐方法及系统。
背景技术
随着互联网的发展，人们正处于一个信息爆炸的时代。面对海量的信息数据，如何筛选、过滤出用户感兴趣的信息是推荐系统需要解决、优化的核心问题。为了减少过拟合的发生，简化算法实现，基于Slope One算法的易实现的基于物品的协同过滤算法被提了出来。
但是在实施这种基于Slope One算法的协同过滤算法时发明人发现，该系列算法由于没有区分用户之间的差异性，可能会导致一些偏好不同的用户数据一同等参与了计算预测，这样会降低高相似用户的作用效果，降低了推荐的准确性。针对上述问题，发明人提出了一种解决方案。
发明内容
本申请的主要目的在于提供一种协同过滤推荐方法，以解决基于SlopeOne算法的协同过滤算法由于没有区分用户之间的差异性，导致推荐的准确性较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种协同过滤推荐方法。
根据本申请的协同过滤推荐方法包括：生成用户-物品评分矩阵；根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组；根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值；根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户-物品评分矩阵；根据补全的所述用户-物品评分矩阵进行推荐输出。
进一步的，所述根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组，包括：根据所述用户-物品评分矩阵计算用户间的相似性；根据所述用户间的相似性采用所述预设的分类算法对所有的用户进行分组。
进一步的，所述根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值，包括：获取第一分组中所有对第一物品和第二物品进行评分的用户的第一物品评分和第二物品评分；根据所述第一物品评分和所述第二物品评分计算出在第一分组中所述第一物品和所述第二物品间的用户平均评分差值。
进一步的，所述根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，包括，根据如下公式计算每个分组下用户对未评分物品的评分：
此处，uj(k)为第k分组中的用户u对未评分物品j的评分，ui(k)为第k分组中的用户u对物品i的评分，diffi,j(k)为第k分组中物品i和物品j的用户平均评分差值，|U(i)∩U(j)∩Uk|为第k分组中对物品i和物品j都评分的用户数，N(u)为第k分组中的用户u的所有评分物品。
进一步的，所述生成用户-物品评分矩阵，包括：收集用户对物品的评分数据；根据所述用户对物品的评分数据生成用户-物品评分矩阵。
为了实现上述目的，根据本申请的另一方面，提供了一种协同过滤推荐系统。
根据本申请的协同过滤推荐系统包括：
评分矩阵生成模块，用于根据用户对物品的评分数据生成用户-物品评分矩阵；
用户分组模块，用于根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组；
评分差值计算模块，用于根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值；
评分矩阵补全模块，用于根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户-物品评分矩阵；
推荐输出模块，用于根据补全的所述用户-物品评分矩阵进行推荐输出。
进一步的，所述用户分组模块包括：
第一计算模块，用于根据所述用户-物品评分矩阵计算用户间的相似性；
第二计算模块，用于根据所述用户间的相似性采用所述预设的分类算法对所有的用户进行分组。
进一步的，所述评分矩阵补全模块包括：
第三计算模块，用于根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分；
补全执行单元，用于根据通过计算得出的所述用户对未评分物品的评分补全所述用户-物品评分矩阵。
进一步的，所述协同过滤推荐系统还包括：
数据收集模块，用于收集用户对物品的评分数据。
在本申请实施例中，通过聚类算法先计算出高相似性用户组，针对高相似性用户组基于Slope One算法计算物品间的用户平均评分差值，并根据物品的用户平均评分差值在组内计算每个用户对未评分物品的打分情况，有效地解决了高相似用户的作用效果，达到了提高推荐准确率的目的，进而解决了基于Slope One算法的协同过滤算法由于没有区分用户之间的差异性，导致推荐的准确性较低的问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是第一实施例协同过滤推荐方法流程示意图；
图2是第二实施例协同过滤推荐方法流程示意图；
图3是第三实施例协同过滤推荐方法流程示意图；
图4是第一实施例协同过滤推荐系统结构示意图；
图5是第二实施例协同过滤推荐系统结构示意图；
图6是第三实施例协同过滤推荐系统结构示意图；以及
图7是第实施例用户-物品评分矩阵。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，该协同过滤推荐方法包括如下的步骤S101至步骤S105。
步骤S101，生成用户-物品评分矩阵。在本步骤中，根据用户的隐式行为反馈计算出评分矩阵。比如在视频推荐领域，常见的用户行为有点击、播放、收藏、评论、分享、点赞等，这里可以对每种行为设置一个权重，比如权重范围是1到5，点击、播放、收藏、评论、分享、点赞的权重分别为1、2、3、4、5。通过解析大量的用户行为日志即可得到用户对视频的评分矩阵。
图7为实施例用户-物品评分矩阵的部分内容，‘—’表示用户对改物品没有评分，每一行代表一个用户的行为向量。
步骤S102，根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组。在本步骤中，根据皮尔逊相关系数来计算出用户间的相似性，进而根据用户的相似性通过K-Means聚类算法对所有用户进行分组。
步骤S103，根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值。本步骤计算物品间的用户平均评分差值的方法包括：获取第一分组中所有对第一物品和第二物品进行评分的用户的第一物品评分和第二物品评分；根据所述第一物品评分和所述第二物品评分计算出在第一分组中所述第一物品和所述第二物品间的用户平均评分差值。
在本申请的一可选实施例中，物品间的用户平均评分差值可由如下公式计算：
其中，diffi,j(k)为第k分组中的用户对物品i和物品j的平均评分差值，ui为第k分组中的用户u对物品i的评分，uj为第k分组中的用户u对物品j的评分，U(i)为第k分组中对物品i评分的用户，U(j)为第k分组中对物品j评分的用户，Uk为第k分组中的所有用户，U(i)∩U(j)∩Uk为第k分组中对物品i和物品j都评分的用户，|U(i)∩U(j)∩Uk|为第k分组中对物品i和物品j都评分的用户数。
步骤S104，根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户-物品评分矩阵。在本步骤中，首先根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，其中，第k分组中的用户u对未评分物品j的评分uj(k)为：
此处，uj(k)为第k分组中的用户u对未评分物品j的评分，ui(k)为第k分组中的用户u对物品i的评分，diffi,j(k)为第k分组中物品i和物品j的用户平均评分差值，|U(i)∩U(j)∩Uk|为第k分组中对物品i和物品j都评分的用户数，N(u)为第k分组中的用户u的所有评分物品。
在用上述公式计算出每个分组下用户对未评分物品的评分后，根据计算得出的所述用户对未评分物品的评分，补全所述用户-物品评分矩阵。
步骤S105，根据补全的所述用户-物品评分矩阵进行推荐输出。在本步骤中根据补全的所述用户-物品评分矩阵，选取矩阵中每个用户的评分top N对应的物品推荐给用户。
如图2所示，所述步骤S102，根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组，具体包括如下的步骤S201至步骤S202。
步骤S201，根据所述用户-物品评分矩阵计算用户间的相似性。在本申请的一可选实施例中，可以采用皮尔逊相关系数法计算用户间的相似性。在皮尔逊相关系数法中，X和Y之间的相关系数可以用如下公式计算：
其中，X、Y分别为两个用户的行为向量，如果某个用户对某个物品没有评分，则默认使用0代替。cor(X，Y)的值在-1至1之间，1表示完全吻合，-1表示完全相悖，由此可以计算出用户之间的相似性。
步骤S202，根据所述用户间的相似性采用预设的分类算法对所有的用户进行分组。在本申请的一可选实施例中，可以采用K-Means聚类算法对所有的用户进行分组，K-Means聚类算法的具体流程为：
随机选取K个用户作为质心；
将剩余的用户分配到最近的质心，形成K个簇；
重新计算每个簇的质心；
直至簇不发生变化。
由此可以将所有的用户根据用户间的相关性分为K个分组，每个分组内的用户为高相似性用户。
如图3所示，所述步骤S101还包括如下的步骤S301至步骤S302。
步骤S301，收集用户对物品的评分数据。在本步骤中，系统收集m个用户对n个商品的评分记录并存放在数据库中。
步骤S302，根据所述用户对物品的评分数据生成用户-物品评分矩阵。在本步骤中，对每条用户对物品的评分数据进行扫描并形成B(m,n)的用户-物品评分矩阵。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请的另一方面提供了一种协同过滤推荐系统，如图4所示，该系统包括：评分矩阵生成模块1、用户分组模块2、评分差值计算模块3、评分矩阵补全模块4、和推荐输出模块5，其中：
所述评分矩阵生成模块1，用于根据用户对物品的评分数据生成用户-物品评分矩阵；
所述用户分组模块2，用于根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组；
所述评分差值计算模块3，用于根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值；
所述评分矩阵补全模块4，用于根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户-物品评分矩阵；
所述推荐输出模块5，用于根据补全的所述用户-物品评分矩阵进行推荐输出。
如图5所示，所述用户分组模块2还包括：第一计算模块201和第二计算模块202，其中：
所述第一计算模块201，用于根据所述用户-物品评分矩阵采用皮尔逊相关系数法计算用户间的相似性；
所述第二计算模块202，用于根据所述用户间的相似性采用K-Means聚类算法对所有的用户进行分组。
如图6所示，所述评分矩阵补全模块4还包括：第三计算模块401和补全执行单元402，其中：
所述第三计算模块401，用于根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分；
所述补全执行单元402，用于根据通过计算得出的所述用户对未评分物品的评分补全所述用户-物品评分矩阵。
本申请的协同过滤推荐系统还包括：用于收集用户对物品的评分数据的数据收集模块。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种协同过滤推荐方法，其特征在于，包括：
生成用户-物品评分矩阵；
根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组；
根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值；
根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户-物品评分矩阵；
根据补全的所述用户-物品评分矩阵进行推荐输出。
2.根据权利要求1所述的协同过滤推荐方法，其特征在于，所述根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组，包括：
根据所述用户-物品评分矩阵计算用户间的相似性；
根据所述用户间的相似性采用所述预设的分类算法对所有的用户进行分组。
3.根据权利要求1所述的协同过滤推荐方法，其特征在于，所述根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值，包括：
获取第一分组中所有对第一物品和第二物品进行评分的用户的第一物品评分和第二物品评分；
根据所述第一物品评分和所述第二物品评分计算出在第一分组中所述第一物品和所述第二物品间的用户平均评分差值。
4.根据权利要求1所述的协同过滤推荐方法，其特征在于，所述根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，包括，根据如下公式计算每个分组下用户对未评分物品的评分：
此处，uj(k)为第k分组中的用户u对未评分物品j的评分，ui(k)为第k分组中的用户u对物品i的评分，diffi,j(k)为第k分组中物品i和物品j的用户平均评分差值，|U(i)∩U(j)∩Uk|为第k分组中对物品i和物品j都评分的用户数，N(u)为第k分组中的用户u的所有评分物品。
5.根据权利要求1所述的协同过滤推荐方法，其特征在于，所述生成用户-物品评分矩阵，包括：
收集用户对物品的评分数据；
根据所述用户对物品的评分数据生成用户-物品评分矩阵。
6.一种协同过滤推荐系统，其特征在于，包括：
评分矩阵生成模块，用于根据用户对物品的评分数据生成用户-物品评分矩阵；
用户分组模块，用于根据所述用户-物品评分矩阵采用预设的分类算法对所有的用户进行分组；
评分差值计算模块，用于根据预设的差值计算方法计算每个分组下任意两个物品间的用户平均评分差值；
评分矩阵补全模块，用于根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分，并根据计算结果补全所述用户-物品评分矩阵；
推荐输出模块，用于根据补全的所述用户-物品评分矩阵进行推荐输出。
7.根据权利要求6所述的协同过滤推荐系统，其特征在于，所述用户分组模块包括：
第一计算模块，用于根据所述用户-物品评分矩阵计算用户间的相似性；
第二计算模块，用于根据所述用户间的相似性采用所述预设的分类算法对所有的用户进行分组。
8.根据权利要求6所述的协同过滤推荐系统，其特征在于，所述评分矩阵补全模块包括：
第三计算模块，用于根据物品间的用户平均评分差值计算每个分组下用户对未评分物品的评分；
补全执行单元，用于根据通过计算得出的所述用户对未评分物品的评分补全所述用户-物品评分矩阵。
9.根据权利要求6所述的协同过滤推荐系统，其特征在于，包括：
数据收集模块，用于收集用户对物品的评分数据。
10.一种计算机设备，包括存储器、处理器及储存在储存器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
CN201810322655.9A 2018-04-11 2018-04-11 协同过滤推荐方法及系统 Pending CN108734545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810322655.9A CN108734545A (zh) 2018-04-11 2018-04-11 协同过滤推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810322655.9A CN108734545A (zh) 2018-04-11 2018-04-11 协同过滤推荐方法及系统

Publications (1)

Publication Number Publication Date
CN108734545A true CN108734545A (zh) 2018-11-02

Family

ID=63941388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810322655.9A Pending CN108734545A (zh) 2018-04-11 2018-04-11 协同过滤推荐方法及系统

Country Status (1)

Country Link
CN (1) CN108734545A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915393A (zh) * 2020-07-04 2020-11-10 中信银行股份有限公司 产品的确定方法及装置、存储介质、电子设备
CN112860984A (zh) * 2019-11-27 2021-05-28 中移(苏州)软件技术有限公司 一种推荐方法、装置及储存介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326483A (zh) * 2016-08-31 2017-01-11 华南理工大学 一种用户上下文信息聚合的协同推荐方法
CN106777051A (zh) * 2016-12-09 2017-05-31 重庆邮电大学 一种基于用户组的多反馈协同过滤推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326483A (zh) * 2016-08-31 2017-01-11 华南理工大学 一种用户上下文信息聚合的协同推荐方法
CN106777051A (zh) * 2016-12-09 2017-05-31 重庆邮电大学 一种基于用户组的多反馈协同过滤推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860984A (zh) * 2019-11-27 2021-05-28 中移(苏州)软件技术有限公司 一种推荐方法、装置及储存介质
CN111915393A (zh) * 2020-07-04 2020-11-10 中信银行股份有限公司 产品的确定方法及装置、存储介质、电子设备

Similar Documents

Publication Publication Date Title
JP5717858B2 (ja) テキストセットの照合
CN103886047B (zh) 面向流式数据的分布式在线推荐方法
CN103678672B (zh) 一种信息推荐方法
CN107784066A (zh) 信息推荐方法、装置、服务器及存储介质
CN106570008A (zh) 推荐方法及装置
CN105247507B (zh) 用于确定品牌的影响力得分的方法、系统和存储介质
CN104462383B (zh) 一种基于用户多种行为反馈的电影推荐方法
CN102298650B (zh) 一种海量数字信息的分布式推荐方法
CN104599160A (zh) 商品推荐方法和装置
CN109360057A (zh) 信息推送方法、装置、计算机设备及存储介质
CN106777051A (zh) 一种基于用户组的多反馈协同过滤推荐方法
CN103744904B (zh) 一种提供信息的方法及装置
CN105335368B (zh) 一种产品聚类方法及装置
CN105956148A (zh) 资源信息的推荐方法和装置
CN111159549A (zh) 一种信息推荐方法及系统
CN104778237A (zh) 一种基于关键用户的个性化推荐方法和系统
CN107545471A (zh) 一种基于高斯混合的大数据智能推荐方法
CN106156351A (zh) 多媒体资源推荐信息生成方法及装置
CN108734545A (zh) 协同过滤推荐方法及系统
CN109360058A (zh) 基于信任网络的推送方法、装置、计算机设备及存储介质
WO2013029146A1 (en) System and method for identifying groups of entities
CN111797319A (zh) 推荐方法、装置、设备及存储介质
CN105260458A (zh) 一种用于显示装置的视频推荐方法及显示装置
CN103049486B (zh) 一种协同过滤距离的处理方法和系统
CN106156113A (zh) 一种视频推荐的方法、系统及电子设备

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

Application publication date: 20181102

RJ01 Rejection of invention patent application after publication