CN108765042A - 一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法 - Google Patents
一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法 Download PDFInfo
- Publication number
- CN108765042A CN108765042A CN201810241563.8A CN201810241563A CN108765042A CN 108765042 A CN108765042 A CN 108765042A CN 201810241563 A CN201810241563 A CN 201810241563A CN 108765042 A CN108765042 A CN 108765042A
- Authority
- CN
- China
- Prior art keywords
- retail shop
- user
- vertex
- shop
- attribute
- 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
-
- 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于用户与商铺网络‑物理空间交互行为的商铺推荐算法,包括:1)离线学习用户与商户偏好关系阶段:首先利用现有的WLAN设施,从用户产生的Wifi日志提取用户与商铺在物理空间的交互行为,通过Wifi日志得到User‑Store的偏好关系;对商铺与商铺属性的关系建模;2)基于三部图及偏好关系的商户推荐阶段:构建一个关于用户、商铺和商铺属性的三部图;为预测用户u3与未访问过的商铺s1之间的关系强度。本发明的有益效果是:本发明所提出的商铺推荐模型对于所有类别商店推荐都能获得最好的推荐性能,综合考虑用户与商铺在物理空间和网络空间的交互行为,对于挖掘用户购物偏好更有优势。
Description
技术领域
本发明涉及一种基于用户对商铺的访问情况向其推荐k个商铺的算法,具体涉及一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法。
背景技术
在线商店能够从顾客点击日志和交易记录中挖掘出用户购物偏好及习惯,而实体商店的零售商仍然缺乏深入用户购物偏好的有效方法。传统实体商店的零售商了解用户购物偏好习惯的方法主要是人工调查问卷,这些人工调查问卷由于需要劳动密集型的人力物力,从而缺乏可扩展性。
为了在这种情况下挖掘用户与商铺之间的偏好关系,已经有了基于位置同现的用户协同过滤(UCF-LC);基于矩阵因子分解的推荐算法(MFRA);基于规则的推荐方法(RBCA);基于时间的商铺推荐方法(TSO)等四种方法。但是,这些方法都只考虑了用户是否访问了商店,或者用户在商店中的停留时间,仅仅考虑了用户与商铺在物理空间的交互,且这种考虑并不全面。因此,需要一种同时考虑用户与商铺在物理空间和网络空间交互行为挖掘用户与商铺偏好关系的新方法。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法。
这种基于用户与商铺网络-物理空间交互行为的商铺推荐算法,包括以下步骤:
1)离线学习用户与商户偏好关系阶段
1.1)首先利用现有的WLAN设施,从用户产生的Wifi日志提取用户与商铺在物理空间的交互行为,由手机广播Wifi探测器请求,Wifi访问接入点则把相应的Wifi日志进行记录,用户对商店访问的频率、停留时长与其对商店的偏好是正相关的关系,通过Wifi日志得到User-Store的偏好关系;
1.2)对商铺与商铺属性的关系建模
1.2.1)使用ASUM模型分析用户对商铺的情感倾向;用户对商铺的评论会被ASUM模型分割为一系列的属性-情感的二元组(A,O);
1.2.2)聚合所有的属性-情感二元组中的商铺属性A为AS={a1,a2,······};根据用户的每一条评论,从中提取出属性-情感二元组,并建立为属性-情感矩阵;根据属性-情感矩阵得到用户对商铺的属性偏好排序;
1.2.3)根据Elo评级方案对Store-Aspect关系强度进行计算;将Elo方案参数设置为:
∑E={αE=10,βE=400,KE=32};
2)基于三部图及偏好关系的商户推荐阶段
2.1)构建一个关于用户、商铺和商铺属性的三部图,U、S、A分别代表用户、商铺和商铺属性;每条边分别代表两个连接定点之间的关系强度;User-Store和Store-Aspect的关系强度计算方法如步骤1.2.3)所述;
2.2)为预测用户u3与未访问过的商铺s1之间的关系强度,基于Store-Aspect关系发现传播途径u3→s2→a2→s1,基于User-Store发现传播途径u3→s2→u2→s1和u3→s2→u1→s1;得到用户、商铺、商铺属性之间的转移概率,其中X、Y分别为User-Store和Store-Aspect强度关系,状态转移矩阵(TU、TS、TA)表示允许顶点通过随机游走以一定概率回到原顶点,以对角矩阵表示,三部图邻接矩阵E的元素Ei,j表示顶点i到顶点j的转移概率;
对三部图的每一列归一化得到状态转移概率矩阵:
其中 的计算过程类似;
2.3)令表示对商铺顶点再次访问的概率;随机游走算法进行top-k商铺推荐的方法如下:
2.3.1)从商铺顶点到用户顶点的随机游走传播算法:令VU表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量u初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下:
2.3.2)从商铺到商铺属性的随机游走传播算法:令Va表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量a初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下:
2.3.3)从用户和商铺属性到商铺的随机游走传播算法:令Vs表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量s初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下:
2.3.4)算法收敛或者达到指定迭代次数后,排序选取top-k的未访问商店作为推荐结果。
作为优选:所述步骤1.1)中,Wifi日志为三元组<u,ti,Ri>,记录在时间ti对用户u周围的Wifi加入点采集的信号强度信息Ri。
作为优选:所述步骤1.2.1)中,用户对商铺的评论被ASUM模型分割为一系列的属性-情感的二元组(A,O),根据情绪倾向性将情感O划分为1或-1。
作为优选:所述步骤2.3)中,αu、αa、αs是随机游走传播算法重新启动的概率,设置为0.05。
作为优选:所述步骤2.3.1)中,使用VU进行初始化。
作为优选:所述步骤2.3.2)中,使用Va进行初始化。
作为优选:所述步骤2.3.3)中,使用Vs进行初始化。
本发明的有益效果是:本发明所提出的商铺推荐模型对于所有类别商店推荐都能获得最好的推荐性能,综合考虑用户与商铺在物理空间和网络空间的交互行为,对于挖掘用户购物偏好更有优势。
附图说明
图1是基于多模态数据集的实体商铺推荐模型的流程图。
图2是提取商品属性偏好排序对的示意图。
图3是基于Elo算法估计商铺的属性关系强度示意图。
图4是三部图构建示意图。
图5是基于隐藏传播路径预测三部图节点对关系强度示意图。
图6是三部图的邻接矩阵示意图。
图7是对于所有用户的top-k商铺推荐性能比较图。
图8是商场1的top-8商铺对于不同商铺的推荐结果比较图。
图9是商场2的top-8商铺对于不同商铺的推荐结果比较图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法包括两个阶段:离线学习用户与商户偏好关系阶段;基于三部图及偏好关系的商户推荐阶段。
1.离线学习用户与商户偏好关系阶段,如图1所示,其步骤如下:
1)首先利用现有的WLAN设施,从用户产生的Wifi日志(三元组<u,ti,Ri>,记录在时间ti对用户u周围的Wifi加入点采集的信号强度信息Ri)提取用户与商铺在物理空间的交互行为。具体做法是由手机广播Wifi探测器请求,Wifi访问接入点则把相应的Wifi日志进行记录。参考了一些文献发现,用户对商店访问的频率、停留时长与其对商店的偏好是正相关的关系,因此可以通过Wifi日志得到User-Store的偏好关系。
2)对商铺与商铺属性的关系建模
2.1)使用ASUM模型(话题与情感统一模型)分析用户对商铺的情感倾向。用户对商铺的评论会被ASUM模型分割为一系列的属性-情感的二元组(A,O),根据情绪倾向性将情感O划分为1或-1。
2.2)聚合所有的属性-情感二元组中的商铺属性A为AS={a1,a2,······}。根据用户的每一条评论,可以从中提取出属性-情感二元组,并建立为属性-情感矩阵。根据属性-情感矩阵可以得到用户对商铺的属性偏好排序,如图2所示。
2.3)根据Elo评级方案可以对Store-Aspect关系强度进行计算。将Elo方案参数设置为:∑E={αE=10,βE=400,KE=32},Store-Aspect关系强度的更新过程如图3所示。
2.基于三部图及偏好关系的商户推荐阶段,其步骤如下:
1)如图4所示,构建了一个关于用户、商铺和商铺属性的三部图,U、S、A分别代表用户、商铺和商铺属性。每条边分别代表两个连接定点之间的关系强度。User-Store和Store-Aspect的关系强度计算方法如步骤2.3)所述。
2)如图5所示,为预测用户u3与未访问过的商铺s1之间的关系强度,基于Store-Aspect关系可以发现传播途径u3→s2→a2→s1,基于User-Store可以发现传播途径u3→s2→u2→s1和u3→s2→u1→s1。因此,可以通过如图6表示用户、商铺、商铺属性之间的转移概率。其中,X、Y分别是User-Store和Store-Aspect强度关系,状态转移矩阵(TU、TS、TA)表示允许顶点通过随机游走以一定概率回到原顶点,以对角矩阵表示。三部图邻接矩阵E的元素Ei,j表示顶点i到顶点j的转移概率。
对三部图的每一列归一化得到状态转移概率矩阵:
其中 的计算过程类似。
3)令表示对商铺顶点再次访问的概率。随机游走算法进行top-k商铺推荐的方法如下(αu、αa、αs是随机游走传播算法重新启动的概率,设置为0.05):
3.1)从商铺顶点到用户顶点的随机游走传播算法:令VU表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量u初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下(使用VU进行初始化):
3.2)从商铺到商铺属性的随机游走传播算法:令Va表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量a初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下(使用Va进行初始化):
3.3)从用户和商铺属性到商铺的随机游走传播算法:令Vs表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量s初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下(使用Vs进行初始化):
3.4)算法收敛或者达到指定迭代次数后,排序选取top-k的未访问商店作为推荐结果。
验证结果:
为了验证该方法的效果,在两个城市的购物中心进行了实验,一共包括123406个顾客和3860749条与商铺的交互行为,同时从大众点评网抓取所有商铺的评论信息作为用户与商铺网络空间的交互行为,共有186933条商铺评论。
实验与背景描述中的四种方法以及基于物理空间交互行为的用户协作过滤推荐(UCF-CA)进行了对比。让#hit@k表示单个测试用例,如果测试商铺si出现在top-k商铺推荐列表中,则其值为1,否则为0。总体Recall@k被定义为所有测试用例评价命中率,采用下述公式进行计算:
其中#hit@k表示测试集中商铺推荐命中的数目,|Dte|表示商铺推荐测试集。
六种方法的结果比较如图7所示。当k=8时,对不同种类的商铺推荐命中率结果如图8、图9所示。
实验结论:
图7报告了不同的商铺推荐模型在Mall 1和Mall 2数据集上的推荐性能。显然,这些算法针对top-k商铺推荐具有显着的性能差异。本发明所提出的商铺推荐模型显着优于其他比较推荐算法(即TSO,RBCA,MFRA,UCF-LC和UCFCA),证实了综合考虑用户与商铺在物理空间和网络空间的交互行为对于挖掘用户购物偏好的优势。
例如,对Mall 1数据集的进行top-10推荐时,本发明所提出的商铺推荐模型的Recall@k大约为32.3%,与TSO和RBCA推荐模型相比,推荐性能分别提升了15.3%和12.62%。对Mall 2数据集的进行top-10推荐时也观察到类似的结果,例如,其他比较方法的Recall@10为16%(TSO),18.87%(RBCA),23.2%(MFRA)20.4%(UCF-LC)和24.43%(UCF-CA),而本发明所提出的推荐模型在同等条件下取得30.3%的推荐召回率,再次证实本发明提出的商铺推荐模型比其他比较推荐模型更好;对于仅使用用户与商铺物理空间交互行为的推荐算法(TSO,RBCA,MFRA,UCF-LC和UCF-CA),UCF-CA取得了最好的推荐性能,说明了使用潜变量模型在挖掘用户偏好方面的优势。例如,对Mall 1数据集的进行top-12推荐时,UCF-CA的召回率约为28.4%(即UCF-CA推荐模型的推荐结果出现在目标用户商铺访问记录中前12名的概率为28.4%),TSO为18.3%,RBCA为21.2%,MFRA为27.2%,UCF-LC为23.2%;TSO在所有推荐算法中表现最差,这表明只使用用户在商铺中的访问时间不足以反映用户的购物偏好水平。类似地,UCF-LC和MFRA的结果表明,仅使用商铺访问频率也不足以反映用户对商铺的偏好水平。
为了详细评估推荐模型对于不同类别的商铺表现,本发明还在图8和图9中报告了不同推荐算法的Recall@k(由于空间限制,只显示顶top-8商铺推荐结果)。从这两个表中可以看出:1)本发明所提出的商铺推荐模型对于所有类别商店推荐都能获得最好的推荐性能,再次证实综合考虑用户与商铺在物理空间与网络空间的交互行为挖掘用户与商铺之间的偏好关系的优越性;2)考虑用户与商铺在网络空间的交互行为对不同商店类别的推荐性能带来的提升是不同的。例如,所提出的商铺推荐模型对Mall 1数据集上的Restaurant类别商铺的性能提升与TSO相比大约为17.9%,而对Jewelry的类别商铺的推荐性能提升则非常有限(仅5.5%)。这并不奇怪,因为关于Jewelry类别的商铺的网络评论较少(每个商店的平均评论仅为51),通过融合考虑用户与商铺在网络空间的交互行为的优势可以忽略不计。通过这一现象可以总结到,本文所提出的商铺推荐模型在有更多商铺在线评论的情况下可以进一步提高商铺推荐性能。3)对于仅使用用户与商铺在物理空间的交互行为的商铺推荐算法,对于两个类别(Restaurant和Education)的商铺推荐性能优于其他类别商铺。实验结果表明,用户与属于Restaurant和Education类别的商铺的交互行为蕴含较强的用户偏好模式。进一步观察发现属于Restaurant和Education类别的商铺的平均访问时间远远高于其他类型的商铺,证实用户再次访问商铺的概率与平均访问时间之间存在正相关关系。
Claims (7)
1.一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于,包括以下步骤:
1)离线学习用户与商户偏好关系阶段
1.1)首先利用现有的WLAN设施,从用户产生的Wifi日志提取用户与商铺在物理空间的交互行为,由手机广播Wifi探测器请求,Wifi访问接入点则把相应的Wifi日志进行记录,用户对商店访问的频率、停留时长与其对商店的偏好是正相关的关系,通过Wifi日志得到User-Store的偏好关系;
1.2)对商铺与商铺属性的关系建模
1.2.1)使用ASUM模型分析用户对商铺的情感倾向;用户对商铺的评论会被ASUM模型分割为一系列的属性-情感的二元组(A,O);
1.2.2)聚合所有的属性-情感二元组中的商铺属性A为AS={a1,a2,······};根据用户的每一条评论,从中提取出属性-情感二元组,并建立为属性-情感矩阵;根据属性-情感矩阵得到用户对商铺的属性偏好排序;
1.2.3)根据Elo评级方案对Store-Aspect关系强度进行计算;将Elo方案参数设置为:∑E={αE=10,βE=400,KE=32};
2)基于三部图及偏好关系的商户推荐阶段
2.1)构建一个关于用户、商铺和商铺属性的三部图,U、S、A分别代表用户、商铺和商铺属性;每条边分别代表两个连接定点之间的关系强度;User-Store和Store-Aspect的关系强度计算方法如步骤1.2.3)所述;
2.2)为预测用户u3与未访问过的商铺s1之间的关系强度,基于Store-Aspect关系发现传播途径u3→s2→a2→s1,基于User-Store发现传播途径u3→s2→u2→s1和u3→s2→u1→s1;得到用户、商铺、商铺属性之间的转移概率,其中X、Y分别为User-Store和Store-Aspect强度关系,状态转移矩阵(TU、TS、TA)表示允许顶点通过随机游走以一定概率回到原顶点,以对角矩阵表示,三部图邻接矩阵E的元素Ei,j表示顶点i到顶点j的转移概率;
对三部图的每一列归一化得到状态转移概率矩阵:
其中的计算过程类似;
2.3)令表示对商铺顶点再次访问的概率;随机游走算法进行top-k商铺推荐的方法如下:
2.3.1)从商铺顶点到用户顶点的随机游走传播算法:令VU表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量u初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下:
2.3.2)从商铺到商铺属性的随机游走传播算法:令Va表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量a初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下:
2.3.3)从用户和商铺属性到商铺的随机游走传播算法:令Vs表示所有用户顶点的重启动向量,所有元素初始化为0,随机游走向量s初始化为1,从商铺顶点到用户顶点的随机游走传播过程如下:
2.3.4)算法收敛或者达到指定迭代次数后,排序选取top-k的未访问商店作为推荐结果。
2.根据权利要求1所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于:所述步骤1.1)中,Wifi日志为三元组<u,ti,Ri>,记录在时间ti对用户u周围的Wifi加入点采集的信号强度信息Ri。
3.根据权利要求1所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于:所述步骤1.2.1)中,用户对商铺的评论被ASUM模型分割为一系列的属性-情感的二元组(A,O),根据情绪倾向性将情感O划分为1或-1。
4.根据权利要求1所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于:所述步骤2.3)中,αu、αa、αs是随机游走传播算法重新启动的概率,设置为0.05。
5.根据权利要求1所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于:所述步骤2.3.1)中,使用VU进行初始化。
6.根据权利要求1所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于:所述步骤2.3.2)中,使用Va进行初始化。
7.根据权利要求1所述的基于用户与商铺网络-物理空间交互行为的商铺推荐算法,其特征在于:所述步骤2.3.3)中,使用Vs进行初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241563.8A CN108765042A (zh) | 2018-03-22 | 2018-03-22 | 一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241563.8A CN108765042A (zh) | 2018-03-22 | 2018-03-22 | 一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765042A true CN108765042A (zh) | 2018-11-06 |
Family
ID=63980229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810241563.8A Pending CN108765042A (zh) | 2018-03-22 | 2018-03-22 | 一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765042A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020228A (zh) * | 2019-04-08 | 2019-07-16 | 浙江大学城市学院 | 一种用于物联网物品信息搜索排序的相关性评估方法 |
CN110110013A (zh) * | 2019-05-10 | 2019-08-09 | 成都信息工程大学 | 一种基于时空属性的实体竞争关系数据挖掘方法 |
CN110288385A (zh) * | 2019-06-10 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o用户对poi下门店的偏好计算方法 |
CN110428298A (zh) * | 2019-07-15 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 一种店铺推荐方法、装置及设备 |
CN111079004A (zh) * | 2019-12-06 | 2020-04-28 | 成都理工大学 | 一种基于word2vec标签相似性的三部图随机游走推荐方法 |
CN111400483A (zh) * | 2020-03-17 | 2020-07-10 | 重庆邮电大学 | 基于时间加权的三部图新闻推荐方法 |
CN111695928A (zh) * | 2020-04-29 | 2020-09-22 | 安徽四创电子股份有限公司 | 一种基于wifi的商业推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106506621A (zh) * | 2016-11-02 | 2017-03-15 | 广东聚联电子商务股份有限公司 | 一种根据用户位置推荐实体店铺的方法 |
CN106934652A (zh) * | 2017-01-22 | 2017-07-07 | 斑马信息科技有限公司 | 推荐商家信息的系统及其方法 |
CN107590243A (zh) * | 2017-09-14 | 2018-01-16 | 中国人民解放军信息工程大学 | 基于随机游走和多样性图排序的个性化服务推荐方法 |
CN107609945A (zh) * | 2017-09-15 | 2018-01-19 | 泾县麦蓝网络技术服务有限公司 | 一种应用于实体商店的商品推荐方法和系统 |
-
2018
- 2018-03-22 CN CN201810241563.8A patent/CN108765042A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106506621A (zh) * | 2016-11-02 | 2017-03-15 | 广东聚联电子商务股份有限公司 | 一种根据用户位置推荐实体店铺的方法 |
CN106934652A (zh) * | 2017-01-22 | 2017-07-07 | 斑马信息科技有限公司 | 推荐商家信息的系统及其方法 |
CN107590243A (zh) * | 2017-09-14 | 2018-01-16 | 中国人民解放军信息工程大学 | 基于随机游走和多样性图排序的个性化服务推荐方法 |
CN107609945A (zh) * | 2017-09-15 | 2018-01-19 | 泾县麦蓝网络技术服务有限公司 | 一种应用于实体商店的商品推荐方法和系统 |
Non-Patent Citations (1)
Title |
---|
YUANYI CHEN等: "Learning User Preference from Heterogeneous Information for Store-Type Recommendation", 《IEEE TRANSACTIONS ON SERVICES COMPUTING》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020228A (zh) * | 2019-04-08 | 2019-07-16 | 浙江大学城市学院 | 一种用于物联网物品信息搜索排序的相关性评估方法 |
CN110110013A (zh) * | 2019-05-10 | 2019-08-09 | 成都信息工程大学 | 一种基于时空属性的实体竞争关系数据挖掘方法 |
CN110110013B (zh) * | 2019-05-10 | 2020-03-24 | 成都信息工程大学 | 一种基于时空属性的实体竞争关系数据挖掘方法 |
CN110288385A (zh) * | 2019-06-10 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o用户对poi下门店的偏好计算方法 |
CN110428298A (zh) * | 2019-07-15 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 一种店铺推荐方法、装置及设备 |
CN111079004A (zh) * | 2019-12-06 | 2020-04-28 | 成都理工大学 | 一种基于word2vec标签相似性的三部图随机游走推荐方法 |
CN111079004B (zh) * | 2019-12-06 | 2023-03-31 | 成都理工大学 | 一种基于word2vec标签相似性的三部图随机游走推荐方法 |
CN111400483A (zh) * | 2020-03-17 | 2020-07-10 | 重庆邮电大学 | 基于时间加权的三部图新闻推荐方法 |
CN111400483B (zh) * | 2020-03-17 | 2022-06-21 | 重庆邮电大学 | 基于时间加权的三部图新闻推荐方法 |
CN111695928A (zh) * | 2020-04-29 | 2020-09-22 | 安徽四创电子股份有限公司 | 一种基于wifi的商业推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765042A (zh) | 一种基于用户与商铺网络-物理空间交互行为的商铺推荐算法 | |
CN110222272A (zh) | 一种潜在客户挖掘与推荐方法 | |
CN111444395B (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
CN106600302A (zh) | 基于Hadoop的商品推荐系统 | |
CN108898459A (zh) | 一种商品推荐方法及装置 | |
CN106327227A (zh) | 一种信息推荐系统及信息推荐方法 | |
Hu et al. | A graph embedding based model for fine-grained POI recommendation | |
CN107230098A (zh) | 一种业务对象的分时推荐方法和系统 | |
CN103353880B (zh) | 一种利用相异度聚类和关联的数据挖掘方法 | |
CN103106285A (zh) | 一种基于信息安全专业社交网络平台的推荐算法 | |
CN104239399A (zh) | 社交网络中的潜在好友推荐方法 | |
CN111325619A (zh) | 一种基于联合学习的信用卡欺诈检测模型更新方法及装置 | |
CN110197404A (zh) | 可降低流行度偏差的个性化长尾商品推荐方法和系统 | |
CN108572988A (zh) | 一种房产评估数据生成方法和装置 | |
CN106209959A (zh) | 基于用户需求的网络服务智能发现方法 | |
Jiang et al. | Intertemporal pricing via nonparametric estimation: Integrating reference effects and consumer heterogeneity | |
CN105654342A (zh) | 社会网络合作影响传播最大化的初始用户选择方法 | |
CN110851708A (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN109658195A (zh) | 一种商品展示决策方法 | |
Leng et al. | Geometric deep learning based recommender system and an interpretable decision support system | |
CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和系统 | |
Goldstein et al. | Are we there yet? Analyzing progress in the conversion funnel using the diversity of searched products | |
Tang et al. | Service recommendation based on dynamic user portrait: an integrated approach | |
Ding et al. | Clustering Merchants and Accurate Marketing of Products Using the Segmentation Tree Vector Space Model | |
Li | Intelligent recommendation system based on the infusion algorithms with deep learning, attention network and clustering |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |