CN108804517A - 冷启动方法、装置、计算设备及计算机可读存储介质 - Google Patents
冷启动方法、装置、计算设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108804517A CN108804517A CN201810385025.6A CN201810385025A CN108804517A CN 108804517 A CN108804517 A CN 108804517A CN 201810385025 A CN201810385025 A CN 201810385025A CN 108804517 A CN108804517 A CN 108804517A
- Authority
- CN
- China
- Prior art keywords
- content
- category attribute
- attribute
- category
- mapped
- 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.)
- Granted
Links
Abstract
本发明公开了一种冷启动方法、装置、计算设备及计算机可读存储介质,其中,该方法包括:根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;根据映射到的第二内容的类别属性,确定冷启动的推荐内容。本方案使用的信息容易采集、推荐内容丰富、以及计算量小,由此解决了对没有资讯行为的用户进行个性化资讯推荐的技术问题,并取得了积极的技术效果。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种冷启动方法、装置、计算设备及计算机可读存储介质。
背景技术
个性化资讯推荐系统,通常的做法是通过用户对资讯的阅读行为和转发、分享、点赞、点踩等互动行为,来建立用户的资讯兴趣模型,使用基于内容的推荐和基于协同过滤的推荐算法计算出用户感兴趣的内容。然而对于没有访问过资讯的用户,我们没有这些用户对资讯的阅读、转发、点赞、等等行为,所以无法用常规方法给这种用户建立兴趣模型和更新兴趣模型,因此给这种没有资讯行为的用户进行个性化资讯推荐就变成了个性化资讯推荐系统的一个难题。这个难题就是个性化资讯推荐中的冷启动问题。
现有解决冷启动问题的主要方法主要分两种:一,根据一些用户的固有属性,比如手机型号、性别、年龄等固有信息,来进行资讯的推荐;二,根据用户的非资讯行为计算用户的相似性,来推荐相似用户看过的资讯。
以上现有的方法,各有各的缺陷,按照用户的固有属性来推荐,会出现固有属性较少,固有属性不容易获得,推荐结果较单一的情况。按照用户相似性计算,则当用户数量多时会产生计算量增长非常快,通常成平方增长或其他非线性的方式增长。
所以,如何解决现有技术中冷启动内容推荐存在的缺陷,成为目前亟待解决的技术问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种解决上述问题的冷启动方法、装置、计算设备及计算机可读存储介质。
依据本发明的一个方面,提供一种冷启动方法,包括:
根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;
利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;
根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
可选的,在训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系之前,还包括:
获取每个用户在浏览第一内容或第二内容时记录的内容的类别属性日志;
按照用户,对日志进行聚合处理,并剔除无效日志,得到内容样本。
可选的,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系,包括:
根据内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
可选的,权重算法包括:
Wij=log(N*Pij/(Pi*Pj));
式中,Wij表示第一内容的类别属性i到第二内容的类别属性j的权重;N表示既浏览过第一内容又浏览过第二内容的用户数;Pij表示浏览过类别属性为类别属性i的第一内容并且浏览过类别属性为类别属性j的第二内容的用户数;Pi表示浏览过类别属性为类别属性i的第一内容并且浏览过任意类别属性的第二内容的用户数;Pj表示浏览过类别属性为类别属性j的第二内容并且浏览过任意类别属性的第一内容的人数。
可选的,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性,包括:
确定目标用户浏览的第一内容的类别属性;
求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,n;
根据求取的n个和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
可选的,根据求取的n个和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性,包括:
在求取的n个和值中,取出和值最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性;其中,K为小于等于n的正整数。
可选的,根据映射到的第二内容的类别属性,确定冷启动推荐内容,包括:
根据映射到的类别属性,确定该类别属性下的第二内容;
按照设定的内容选取规则,在确定的第二内容中,选取若干内容作为冷启动的推荐内容。
依据本发明实施例的第二个方面,提供了一种冷启动装置,包括:
训练模块,用于根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;
映射模块,用于利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;
推荐模块,用于根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
可选的,装置还包括:
信息收集模块,用于获取每个用户在浏览第一内容或第二内容时记录的内容的类别属性日志;按照用户,对日志进行聚合处理,并剔除无效日志,得到内容样本。
可选的,训练模块,具体用于根据内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
可选的,训练模块所采用的权重算法包括:
Wij=log(N*Pij/(Pi*Pj));
式中,Wij表示第一内容的类别属性i到第二内容的类别属性j的权重;N表示既浏览过第一内容又浏览过第二内容的用户数;Pij表示浏览过类别属性为类别属性i的第一内容并且浏览过类别属性为类别属性j的第二内容的用户数;Pi表示浏览过类别属性为类别属性i的第一内容并且浏览过任意类别属性的第二内容的用户数;Pj表示浏览过类别属性为类别属性j的第二内容并且浏览过任意类别属性的第一内容的人数。
可选的,映射模块,具体包括:
属性确定子模块,用于确定目标用户浏览的第一内容的类别属性;
计算子模块,用于求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,n;
映射处理子模块,用于根据求取的n个和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
可选的,映射处理子模块,具体用于在求取的n个和值中,取出和值最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性;其中,K为小于等于n的正整数。
可选的,推荐模块,具体用于根据映射到的类别属性,确定该类别属性下的第二内容;按照设定的内容选取规则,在确定的第二内容中,选取若干内容作为冷启动的推荐内容。
依据本发明实施例的第三个方面,提供了一种计算设备,计算设备包括:存储器、处理器及通信总线;通信总线用于实现处理器和存储器之间的连接通信;
处理器用于执行存储器中存储的冷启动程序,以实现本发明实施例提供的冷启动方法的步骤。
依据本发明实施例的第四个方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本发明实施例提供的冷启动方法的步骤。
根据本发明实施例的一种冷启动方法、装置、计算设备及计算机可读存储介质,通过训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性,并根据映射到的第二内容的类别属性,确定冷启动的推荐内容。本方案使用的信息容易采集、推荐内容丰富、以及计算量小,由此解决了对没有资讯行为的用户进行个性化资讯推荐的技术问题,并取得了积极的技术效果。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明第一实施例提供的一种冷启动方法的流程图;
图2为本发明第二实施例提供的一种冷启动方法的流程图;
图3为本发明第三实施例提供的一种冷启动方法的流程图;
图4为本发明第三实施例提供的非资讯帖子类别属性映射到资讯类帖子类别属性的示意图;
图5为本发明第四实施例提供的一种冷启动方法的流程图;
图6为本发明第五实施例提供的一种冷启动方法的流程图;
图7为本发明第六实施例提供的一种冷启动方法的流程图;
图8为本发明第七实施例和第十二实施例提供的一种冷启动装置的功能模块示意图;
图9为本发明第八实施例和第九实施例提供的一种冷启动装置的功能模块示意图;
图10为本发明第十实施例和第十一实施例提供的一种冷启动装置的功能模块示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
请参阅图1,为本发明第一实施提供的一种冷启动方法的流程图。本实施例中,所述冷启动方法包括如下步骤:
步骤S101,根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系。
在本发明的一个示例性实施例中,第一内容可以为非资讯类帖子;第二内容可以为资讯类帖子。
进一步地,当第一内容可以为非资讯类帖子、第二内容可以为资讯类帖子时,收集的多个用户浏览的内容样本包括:租房、二手房、仓库、二手车、手机等属性的非资讯类帖子;健康、装修、房市、居家等属性的资讯类帖子。
具体实施时,在收集到的用户群体中,包括:看过非资讯类帖子的用户,看过资讯类帖子的用户,以及既看过非资讯类帖子又看过资讯类帖子的用户。获取既看过非资讯类帖子又看过资讯类帖子的用户,根据该用户浏览的非资讯帖子的类别属性和资讯帖子的类别属性,训练出非资讯帖子类别属性到资讯帖子类别属性的映射关系。
步骤S102,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性。
具体实施时,目标用户为没看过资讯类帖子但看过非资讯类帖子的用户,获取该用户看过的非资讯类帖子的类别属性。根据建立好的映射关系,通过该用户看到过的非资讯类帖子的类别属性映射得到资讯类帖子的类别属性。
步骤S103,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
具体的,根据映射得到的资讯类帖子的类别属性,确定冷启动的推荐内容。如,目标用户没有看过资讯类帖子,但是看过非资讯类帖子,该资讯类帖子的类别属性为租房,通过建立好的映射关系,该映射关系对应的资讯类帖子的类别属性为居家。根据映射到的资讯类帖子的类别属性,如居家,在居家对应的资讯类帖子中选取若干内容,作为冷启动的推荐内容。以解决现有技术中对没有资讯行为的用户进行个性化资讯推荐的问题。
请参阅图2,为本发明第二实施提供的一种冷启动方法的流程图。本实施例中,所述冷启动方法包括如下步骤:
步骤S201,获取每个用户在浏览第一内容或第二内容时记录的内容的类别属性日志。
下面以第一内容为非资讯类帖子、第二内容为资讯类帖子为例进行详细说明。具体实施时,记录每一用户在浏览非资讯类帖子或资讯类帖子的类别属性日志。如,资讯类属性有n个:用zixun_cate_1…zixun_cate_n表示;非资讯的帖子的属性有m个:用cate_1…cate_m表示。
每一用户访问了资讯或非资讯类帖子,会把对应资讯的类别属性或非资讯帖子的类别属性记一条日志。如(uid,zixun_cate_k)…(uid,cate_q),其中uid表示唯一表示用户的uid,比如手机imei。
步骤S202,按照用户,对日志进行聚合处理,并剔除无效日志,得到内容样本。
具体实施时,扫描一遍得到的日志,按照用户uid,聚合日志生成如下中间结果,每条中间结果如:
(uid1,(zixun_cate_k1,zixun_cate_k2,…),(cate_l1,cate_l2…))…
把只包含zixun_cate或只包含cate的行删除,得到此步的结果。并得到结果条数为N,其中,得到的结果为内容样本。
步骤S203,根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系。
步骤S204,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性。
步骤S205,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
其中,步骤S203至步骤S205已在第一实施例中进行了详细说明,在此不做赘述。
请参阅图3,为本发明第三实施提供的一种冷启动方法的流程图,本实施例中,所述冷启动方法包括如下步骤:
步骤S301,根据在先收集的多个用户浏览的内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;
其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
下面以第一内容为非资讯类帖子、第二内容为资讯类帖子为例进行详细说明。其中,资讯类帖子的属性有n个:用zixun_cate_1…zixun_cate_n表示;非资讯帖子的属性有m个:用cate_1…cate_m表示。
参照附图4,为本发明第三实施例提供的非资讯帖子类别属性映射到资讯类帖子类别属性的示意图。求取非资讯帖子的类别属性i到资讯帖子的类别属性j的权重,将求取的权重作为非资讯帖子的类别属性i到资讯帖子的类别属性j的映射关系训练结果。以便于获取到目标用户浏览的非资讯帖子时,根据非资讯帖子对应的类别属性,求取映射到资讯帖子的各类别属性的权重。
在本发明的一个可选的实施例中,所述的权重算法包括:
Wij=log(N*Pij/(Pi*Pj));
式中,Wij表示第一内容的类别属性i到第二内容的类别属性j的权重;N表示既浏览过第一内容又浏览过第二内容的用户数;Pij表示浏览过类别属性为类别属性i的第一内容并且浏览过类别属性为类别属性j的第二内容的用户数;Pi表示浏览过类别属性为类别属性i的第一内容并且浏览过任意类别属性的第二内容的用户数;Pj表示浏览过类别属性为类别属性j的第二内容并且浏览过任意类别属性的第一内容的人数。
具体实施时,每个用户访问了资讯或非资讯类帖子,会把对应资讯的类别属性或非资讯帖子的类别属性记一条日志。如(uid,zixun_cate_k)…(uid,cate_q),其中uid表示唯一表示用户的id,比如手机imei。
扫描一遍所有的日志,按照用户uid,聚合日志生成如下中间结果,每条中间结果如:
(uid1,(zixun_cate_k1,zixun_cate_k2,…),(cate_l1,cate_l2…))…
把只包含zixun_cate或只包含cate的行删除,得到此步的结果。该结果为内容样本,并得到内容样本条数为N。
扫描内容样本,每一行中如果出现了cate_i则把Pi加一,如果出现了zixun_cate_j则把Pj加一,如果同时出现了cate_i和zixun_cate_j则把Pij加一。最终得到所有的Pij,Pi,Pj。
按照计算Wij的公式,计算出所有的Wij作为最终训练出来的映射关系对应的权重。
步骤S302,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性。
步骤S303,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
请参阅图5,为本发明第四实施提供的一种冷启动方法的流程图,本实施例中,所述冷启动方法包括如下步骤:
步骤S401,根据在先收集的多个用户浏览的内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;
其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
在本发明的一个示例性实施例中,第一内容为非资讯类帖子、第二内容为资讯类帖子。
步骤S402,确定目标用户浏览的第一内容的类别属性。
具体实施时,取出没有浏览资讯帖子行为的用户所访问过的非资讯帖子,并确定该非资讯帖子对应的类别属性。
步骤S403,求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,n。
具体实施时,获取没有浏览资讯帖子行为的用户所访问过的非资讯帖子对应的类别属性,如,该用户浏览过q个非资讯帖子,其类别属性是(cate_o1,cate_o2,cate_o3…cate_oq)。则,该用户对资讯帖子类别属性j的兴趣和值score_j为Wo1j+Wo2j+…Woqj。其中,Wo1j,Wo2j,…,Woqj为非资讯帖子类别属性1,2,…,q到资讯帖子类别属性j的权重,score_j为兴趣和值。
步骤S404,根据求取的n个和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
具体实施时,根据求取的n个和值的大小,如zixun_cate的兴趣score_1,score_2,…score_n,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
步骤S405,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
具体实施时,根据映射到的多个类别属性,找到该类别属性下对应的资讯帖子作为用户推荐内容。
请参阅图6,为本发明第五实施提供的一种冷启动方法的流程图,本实施例中,所述冷启动方法包括如下步骤:
步骤S501,根据在先收集的多个用户浏览的内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
步骤S502,确定目标用户浏览的第一内容的类别属性;
步骤S503,求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,n;
步骤S504,在求取的n个和值中,取出和值最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性;其中,K为小于等于n的正整数。
具体实施时,获取没有浏览资讯帖子行为的用户所访问过的非资讯帖子,根据获取到的非资讯帖子对应的类别属性,求出映射到第二内容的类别属性j的映射权重的和值,在和值中取出最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性,以精确选取要推荐的资讯内容的范围。
步骤S505,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
其中,步骤S501至步骤S503、以及步骤S505已在第四实施例中进行了详细说明,在此不做赘述。
请参阅图7,为本发明第六实施提供的一种冷启动方法的流程图,本实施例中,所述冷启动方法包括如下步骤:
步骤S601,根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系。
步骤S602,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性。
其中,步骤S601至步骤S602已在第一实施例中进行了详细说明,在此不做赘述。
步骤S603,根据映射到的类别属性,确定该类别属性下的第二内容;
步骤S604,按照设定的内容选取规则,在确定的第二内容中,选取若干内容作为冷启动的推荐内容。
具体实施时,按照预设的内容选取规则可以是,按照点击率选取规则,选举点击率最高的若干内容作为冷启动的推荐内容。其中,该选举规则还可以是该类别属性对应的热门资讯。
为了更清楚的阐述本发明,下面结合一具体应用示例,对本发明实施例提供的冷启动方法进行更详尽的说明。
本实施例所述方法的技术构思在于:在所有用户中有的用户看过资讯,有的用户看过非资讯的帖子,本发明实施例中,用即看过资讯又看过非资讯帖子的用户的行为,训练出非资讯的帖子的类别属性到资讯类别属性的映射。对于没有看过资讯但是看过非资讯的帖子的用户,用训练好的映射,把这个用户看过的非资讯的帖子的类别属性映射为资讯的类别属性,然后用这个映射出的资讯类别属性作为预测的这个用户的资讯兴趣。最后,根据映射得到用户兴趣,按比例推荐相应兴趣属性下的热门资讯。
本发明实施例所述方法,包括以下步骤:
步骤一,训练过程:通过预先训练,得到一个非资讯属性集合到资讯属性集合的映射W,其中每个映射的权重用Wij表示。
在训练过程中,
<1>,设资讯属性有n个:用zixun_cate_1…zixun_cate_n表示;
<2>,非资讯的帖子的属性有m个:用cate_1…cate_m表示;
<3>,每个非资讯属性cate_i映射到资讯属性zixun_cate_j属性的权重用Wij表示;
<4>,定义Wij的计算公式如下:Wij=log(N*Pij/(Pi*Pj));
计算所有Wij的实现过程如下:
(1)每个用户访问了资讯或非资讯类帖子,会把对应资讯的类别属性或非资讯帖子的类别属性记一条日志。如(uid,zixun_cate_k)…(uid,cate_q),其中uid表示唯一表示用户的id,比如手机imei
(2)扫描一遍所有的日志,按照用户uid,聚合日志生成如下中间结果,每条中间结果如:
(uid1,(zixun_cate_k1,zixun_cate_k2,…),(cate_l1,cate_l2…))…
把只包含zixun_cate或只包含cate的行删除,得到此步的结果。并得到结果条数为N。
(3)扫描用一遍(2)中的结果,每一行中如果出现了cate_i则把Pi加一,如果出现了zixun_cate_j则把Pj加一,如果同时出现了cate_i和zixun_cate_j则把Pij加一,最终得到所有的Pij,Pi,Pj。
(4)按照计算Wij的公式,用(2)和(3)得到的N,Pij,Pi,Pj计算出所有的Wij作为最终训练出来的映射。
步骤二,映射过程:取出没有资讯行为的人的访问过的非资讯帖子类别属性,通过第一步训练的映射,把非资讯帖子类别属性映射成资讯类型属性,得到这个用户映射的资讯类型属性兴趣。
<1>设某没有看过资讯的用户看过的q个非资讯帖子类别属性是(cate_o1,cate_o2,cate_o3…cate_oq)
那么这个用户对zixun_cate_j的兴趣得分score_j为Wo1j+Wo2j+…Woqj。
<2>按照上述方法,计算这个用户对所有zixun_cate的兴趣score_1,score_2,…score_m。
<3>取出分值最大的k个zixun_cate,作为这个用户的资讯类别属性兴趣。
步骤三,产生推荐:根据映射的资讯类别属性兴趣,按比例推荐对应类别属性的热门资讯。
按照k个资讯类别属性的得分比例,在k个类型的资讯下取点击率最高的若干资讯作为这个用户的冷启动推荐结果。
本发明实施例所述方案,在服务端采集用户访问的非资讯帖子的类别比采集用户的性别、年龄、手机型号等固有信息容易。而且通常非资讯帖子类别属性在十万的数量级,资讯类别属性在千数量级,因此可以容易产生丰富的冷启动推荐集。
在计算复杂度上,训练过程包含的两次全扫描,加一次汇总计算,时间的消耗随用户量的增多成线性增长,为O(n)。通常按照用户相似的计算的时间复杂度,随着用户量增长是O(n^2)或O(n*logn),所以本发明实施例所述方案的计算复杂度优于按照相似度计算的方法的复杂度。
请参阅图8,为本发明第七实施例提供的一种冷启动装置100的功能模块示意图。应用于计算机设备,该冷启动装置100包括训练模块110、映射模块120、以及推荐模块130。该装置主要用来实现本发明实施例提供的冷启动方法,该方法主要用来解决现有技术中对没有资讯行为的用户进行个性化资讯推荐的问题。
其中,该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备。
训练模块110,用于根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系。
在本发明的一个示例性实施例中,第一内容可以为非资讯类帖子;第二内容可以为资讯类帖子。
进一步地,当第一内容可以为非资讯类帖子、第二内容可以为资讯类帖子时,收集的多个用户浏览的内容样本包括:租房、二手房、仓库、二手车、手机等属性的非资讯类帖子;健康、装修、房市、居家等属性的资讯类帖子。
具体实施时,在收集到的用户群体中,包括:看过非资讯类帖子的用户,看过资讯类帖子的用户,以及既看过非资讯类帖子又看过资讯类帖子的用户。获取既看过非资讯类帖子又看过资讯类帖子的用户,根据该用户浏览的非资讯帖子的类别属性和资讯帖子的类别属性,训练出非资讯帖子类别属性到资讯帖子类别属性的映射关系。
映射模块120,用于利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性。
具体实施时,目标用户为没看过资讯类帖子但看过非资讯类帖子的用户,获取该用户看过的非资讯类帖子的类别属性。根据建立好的映射关系,通过该用户看到过的非资讯类帖子的类别属性映射得到资讯类帖子的类别属性。
推荐模块130,用于根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
具体的,根据映射得到的资讯类帖子的类别属性,确定冷启动的推荐内容。如,目标用户没有看过资讯类帖子,但是看过非资讯类帖子,该资讯类帖子的类别属性为租房,通过建立好的映射关系,该映射关系对应的资讯类帖子的类别属性为居家。根据映射到的资讯类帖子的类别属性,如居家,在居家对应的资讯类帖子中选取若干内容,作为冷启动的推荐内容。以解决现有技术中对没有资讯行为的用户进行个性化资讯推荐的问题。
请参阅图9,为本发明第八实施例提供的冷启动装置100的功能模块示意图。应用于计算机设备,该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备,该冷启动装置100包括训练模块110、映射模块120、以及推荐模块130。在第七实施例的基础上,该装置还包括:
信息收集模块101,用于获取每个用户在浏览第一内容或第二内容时记录的内容的类别属性日志;按照用户,对日志进行聚合处理,并剔除无效日志,得到内容样本。
下面以第一内容为非资讯类帖子、第二内容为资讯类帖子为例进行详细说明。具体实施时,记录每一用户在浏览非资讯类帖子或资讯类帖子的类别属性日志。如,资讯类属性有n个:用zixun_cate_1…zixun_cate_n表示;非资讯的帖子的属性有m个:用cate_1…cate_m表示。
每一用户访问了资讯或非资讯类帖子,会把对应资讯的类别属性或非资讯帖子的类别属性记一条日志。如(uid,zixun_cate_k)…(uid,cate_q),其中uid表示唯一表示用户的uid,比如手机imei。
具体实施时,扫描一遍得到的日志,按照用户uid,聚合日志生成如下中间结果,每条中间结果如:
(uid1,(zixun_cate_k1,zixun_cate_k2,…),(cate_l1,cate_l2…))…
把只包含zixun_cate或只包含cate的行删除,得到此步的结果。并得到结果条数为N,其中,得到的结果为内容样本。
请参阅图9,为本发明第九实施例提供的冷启动装置100的功能模块示意图。应用于计算机设备,该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备。该冷启动装置100包括训练模块110、映射模块120、以及推荐模块130。在第七实施例的基础上,
该训练模块110,具体用于根据内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;其中,i=1,2,…,n;j=1,2,…,m;n为第一内容的类别属性的总个数,m为第二内容的类别属性的总个数。
下面以第一内容为非资讯类帖子、第二内容为资讯类帖子为例进行详细说明。其中,资讯类帖子的属性有n个:用zixun_cate_1…zixun_cate_n表示;非资讯帖子的属性有m个:用cate_1…cate_m表示。
参照附图4,为本发明第三实施例提供的非资讯帖子类别属性映射到资讯类帖子类别属性的示意图。求取第一内容的类别属性i到第二内容的类别属性j的权重,将求取的权重作为非资讯帖子的类别属性i到资讯帖子的类别属性j的映射关系训练结果。以便于获取到目标用户浏览的第一内容时,根据第一内容非资讯帖子对应的类别属性,即可找到与该类别属性映射的第二内容类别属性的权重。
在本发明的一个可选的实施例中,所述的权重算法包括:
Wij=log(N*Pij/(Pi*Pj));
式中,Wij表示第一内容的类别属性i到第二内容的类别属性j的权重;N表示既浏览过第一内容又浏览过第二内容的用户数;Pij表示浏览过类别属性为类别属性i的第一内容并且浏览过类别属性为类别属性j的第二内容的用户数;Pi表示浏览过类别属性为类别属性i的第一内容并且浏览过任意类别属性的第二内容的用户数;Pj表示浏览过类别属性为类别属性j的第二内容并且浏览过任意类别属性的第一内容的人数。
具体实施时,每个用户访问了资讯或非资讯类帖子,会把对应资讯的类别属性或非资讯帖子的类别属性记一条日志。如(uid,zixun_cate_k)…(uid,cate_q),其中uid表示唯一表示用户的id,比如手机imei。
扫描一遍所有的日志,按照用户uid,聚合日志生成如下中间结果,每条中间结果如:
(uid1,(zixun_cate_k1,zixun_cate_k2,…),(cate_l1,cate_l2…))…
把只包含zixun_cate或只包含cate的行删除,得到此步的结果。该结果为内容样本,并得到内容样本条数为N。
扫描内容样本,每一行中如果出现了cate_i则把Pi加一,如果出现了zixun_cate_j则把Pj加一,如果同时出现了cate_i和zixun_cate_j则把Pij加一。最终得到所有的Pij,Pi,Pj。
按照计算wij的公式,计算出所有的Wij作为最终训练出来的映射关系对应的权重。
请参阅图10,为本发明第十实施例提供的冷启动装置100的功能模块示意图。应用于计算机设备,该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备。该冷启动装置100包括训练模块110、映射模块120、以及推荐模块130。在第九实施例的基础上,映射模块120,具体包括:
属性确定子模块121,用于确定目标用户浏览的第一内容的类别属性。
具体实施时,取出没有浏览资讯帖子行为的用户所访问过的非资讯帖子,并确定该非资讯帖子对应的类别属性。
计算子模块122,用于求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,m。
具体实施时,获取没有浏览资讯帖子行为的用户所访问过的非资讯帖子对应的类别属性,如,该用户浏览过q个非资讯帖子,其类别属性是(cate_o1,cate_o2,cate_o3…cate_oq)。则,该用户对资讯帖子类别属性j的兴趣和值score_j为Wo1j+Wo2j+…Woqj。其中,Wo1j,Wo2j,…,Woqj为非资讯帖子类别属性1,2,…,q到资讯帖子类别属性j的权重,score_j为兴趣和值。
映射处理子模块123,用于根据求取的m个和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
具体实施时,根据求取的n个和值的大小,如zixun_cate的兴趣score_1,score_2,…score_n,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
请参阅图10,为本发明第十一实施例提供的冷启动装置100的功能模块示意图。应用于计算机设备,该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备。该冷启动装置100包括训练模块110、映射模块120、以及推荐模块130。在第十实施例的基础上,
映射处理子模块123,具体用于在求取的m个和值中,取出和值最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性;其中,K为小于等于m的正整数。
具体实施时,获取没有浏览资讯帖子行为的用户所访问过的非资讯帖子,根据获取到的非资讯帖子对应的类别属性,求出映射到第二内容的类别属性j的映射权重的和值,在和值中取出最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性,以精确选取要推荐的资讯内容的范围。
请参阅图8,为本发明第十二实施例提供的冷启动装置100的功能模块示意图。应用于计算机设备,该计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备。该冷启动装置100包括训练模块110、映射模块120、以及推荐模块130。在第七实施例的基础上,
推荐模块130,具体用于根据映射到的类别属性,确定该类别属性下的第二内容;按照设定的内容选取规则,在确定的第二内容中,选取若干内容作为冷启动的推荐内容。
具体实施时,按照预设的内容选取规则可以是,按照点击率选取规则,选举点击率最高的若干内容作为冷启动的推荐内容。其中,该选举规则还可以是该类别属性对应的热门资讯。
本发明实施例还提供了一种计算设备,计算设备包括:存储器、处理器及通信总线;通信总线用于实现处理器和存储器之间的连接通信;
处理器用于执行存储器中存储的冷启动程序,以实现本发明如下步骤:
步骤S101,根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;
步骤S102,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;
步骤S103,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
可选的,执行的步骤可替换为步骤S201至步骤S205、步骤S301至步骤S303、步骤S401至步骤S405、步骤S501至步骤S505、以及步骤S601至步骤S604。
由于在第一实施例至第六实施例中已经对冷启动方法实施过程进行了详细说明,本实施例在此不再重复赘述。
本实施例中计算机设备包括但不限于移动电话、手机、智能手机、平板电脑、个人电脑、个人数字助理、媒体播放器、服务器和其他电子设备。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本发明实施例提供的如下步骤:
步骤S101,根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;
步骤S102,利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;
步骤S103,根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
可选的,执行的步骤可替换为步骤S201至步骤S205、步骤S301至步骤S303、步骤S401至步骤S405、步骤S501至步骤S505、以及步骤S601至步骤S604。
由于在第一实施例至第六实施例中已经对冷启动方法实施过程进行了详细说明,本实施例在此不再重复赘述。
本实施例计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
综上所述,本发明实施例公开了一种冷启动方法、装置、计算设备及计算机可读存储介质,通过根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;利用映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;根据映射到的第二内容的类别属性,确定冷启动的推荐内容。本方案使用的信息容易采集、推荐内容丰富、以及计算量小,由此解决了对没有资讯行为的用户进行个性化资讯推荐的技术问题,并取得了积极的技术效果。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
总之,以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种冷启动方法,其特征在于,包括:
根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;
利用所述映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;
根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
2.如权利要求1所述的方法,其特征在于,在训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系之前,还包括:
获取每个用户在浏览第一内容或第二内容时记录的内容的类别属性日志;
按照用户,对所述日志进行聚合处理,并剔除无效日志,得到内容样本。
3.如权利要求1所述的方法,其特征在于,所述训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系,包括:
根据内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
4.如权利要求3所述的方法,其特征在于,所述权重算法包括:
Wij=log(N*Pij/(Pi*Pj));
式中,Wij表示第一内容的类别属性i到第二内容的类别属性j的权重;N表示既浏览过第一内容又浏览过第二内容的用户数;Pij表示浏览过类别属性为类别属性i的第一内容并且浏览过类别属性为类别属性j的第二内容的用户数;Pi表示浏览过类别属性为类别属性i的第一内容并且浏览过任意类别属性的第二内容的用户数;Pj表示浏览过类别属性为类别属性j的第二内容并且浏览过任意类别属性的第一内容的人数。
5.如权利要求3或4所述的方法,其特征在于,所述利用所述映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性,包括:
确定目标用户浏览的第一内容的类别属性;
求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,n;
根据求取的n个所述和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
6.如权利要求5所述的方法,其特征在于,根据求取的n个所述和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性,包括:
在求取的n个和值中,取出和值最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性;其中,K为小于等于n的正整数。
7.如权利要求1至4、6任意一项所述的方法,其特征在于,根据映射到的第二内容的类别属性,确定冷启动推荐内容,包括:
根据映射到的类别属性,确定该类别属性下的第二内容;
按照设定的内容选取规则,在确定的第二内容中,选取若干内容作为冷启动的推荐内容。
8.一种冷启动装置,其特征在于,包括:
训练模块,用于根据在先收集的多个用户浏览的内容样本,训练第一内容的每个类别属性到第二内容的每个类别属性的映射关系;
映射模块,用于利用所述映射关系,将目标用户浏览的第一内容的类别属性映射到第二内容的类别属性;
推荐模块,用于根据映射到的第二内容的类别属性,确定冷启动的推荐内容。
9.如权利要求8所述的装置,其特征在于,所述装置还包括:
信息收集模块,用于获取每个用户在浏览第一内容或第二内容时记录的内容的类别属性日志;按照用户,对所述日志进行聚合处理,并剔除无效日志,得到所述内容样本。
10.如权利要求8所述的装置,其特征在于,所述训练模块,具体用于根据内容样本,按照预设的权重算法,求取第一内容的类别属性i到第二内容的类别属性j的权重,并将求取的权重作为第一内容的类别属性i到第二内容的类别属性j的映射关系训练结果;其中,i=1,2,…,m;j=1,2,…,n;m为第一内容的类别属性的总个数,n为第二内容的类别属性的总个数。
11.如权利要求10所述的装置,其特征在于,所述训练模块所采用的所述权重算法包括:
Wij=log(N*Pij/(Pi*Pj));
式中,Wij表示第一内容的类别属性i到第二内容的类别属性j的权重;N表示既浏览过第一内容又浏览过第二内容的用户数;Pij表示浏览过类别属性为类别属性i的第一内容并且浏览过类别属性为类别属性j的第二内容的用户数;Pi表示浏览过类别属性为类别属性i的第一内容并且浏览过任意类别属性的第二内容的用户数;Pj表示浏览过类别属性为类别属性j的第二内容并且浏览过任意类别属性的第一内容的人数。
12.如权利要求10或11述的装置,其特征在于,所述映射模块,具体包括:
属性确定子模块,用于确定目标用户浏览的第一内容的类别属性;
计算子模块,用于求取确定的各类别属性映射到第二内容的类别属性j的映射权重的和值,j=1,2,…,n;
映射处理子模块,用于根据求取的n个所述和值的大小,确定目标用户浏览的第一内容的类别属性所映射到的第二内容的类别属性。
13.如权利要求12所述的装置,其特征在于,所述映射处理子模块,具体用于在求取的n个和值中,取出和值最大的K个第二内容的类别属性,作为映射到的第二内容的类别属性;其中,K为小于等于n的正整数。
14.如权利要求8至11、13任意一项所述的装置,其特征在于,所述推荐模块,具体用于根据映射到的类别属性,确定该类别属性下的第二内容;按照设定的内容选取规则,在确定的第二内容中,选取若干内容作为冷启动的推荐内容。
15.一种计算设备,其特征在于,所述计算设备包括:存储器、处理器及通信总线;所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的冷启动程序,以实现如权利要求1至7中任一项所述的冷启动方法的步骤。
16.一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上存储有计算机程序,该程序被处理器执行时实现如权利要求1至7中任一项所述的冷启动方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385025.6A CN108804517B (zh) | 2018-04-26 | 2018-04-26 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385025.6A CN108804517B (zh) | 2018-04-26 | 2018-04-26 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108804517A true CN108804517A (zh) | 2018-11-13 |
CN108804517B CN108804517B (zh) | 2022-05-31 |
Family
ID=64093470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810385025.6A Active CN108804517B (zh) | 2018-04-26 | 2018-04-26 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804517B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866554A (zh) * | 2015-05-15 | 2015-08-26 | 大连理工大学 | 一种基于社会化标注的个性化搜索方法及系统 |
CN106168953A (zh) * | 2016-06-02 | 2016-11-30 | 中国人民解放军国防科学技术大学 | 面向弱关系社交网络的博文推荐方法 |
CN106228386A (zh) * | 2016-07-12 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN107391713A (zh) * | 2017-07-29 | 2017-11-24 | 内蒙古工业大学 | 一种解决协同过滤推荐技术中冷启动问题的方法及系统 |
-
2018
- 2018-04-26 CN CN201810385025.6A patent/CN108804517B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866554A (zh) * | 2015-05-15 | 2015-08-26 | 大连理工大学 | 一种基于社会化标注的个性化搜索方法及系统 |
CN106168953A (zh) * | 2016-06-02 | 2016-11-30 | 中国人民解放军国防科学技术大学 | 面向弱关系社交网络的博文推荐方法 |
CN106228386A (zh) * | 2016-07-12 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN107391713A (zh) * | 2017-07-29 | 2017-11-24 | 内蒙古工业大学 | 一种解决协同过滤推荐技术中冷启动问题的方法及系统 |
Non-Patent Citations (2)
Title |
---|
ZENO GANTNER等: "Learning Attribute-to-Feature Mappings for Cold-Start Recommendations", 《2010 IEEE INTERNATIONAL CONFERENCE ON DATA MINING》 * |
罗喜军等: "基于类别的推荐_一种解决协同推荐中冷启动问题的方法", 《计算机研究与发展》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108804517B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dawson | AZ of digital research methods | |
Kim et al. | Communication research about the Internet: A thematic meta-analysis | |
Mickelson et al. | Effects of school racial composition on K–12 mathematics outcomes: A metaregression analysis | |
Crowder et al. | Neighborhood immigration and native out-migration | |
Wu | A comparative study of using grey relational analysis in multiple attribute decision making problems | |
Kao | Efficiency decomposition for parallel production systems | |
Park et al. | Does social networking service usage mediate the association between smartphone usage and social capital? | |
Hendriks et al. | Reconsidering the definition of a spatial data infrastructure | |
Copestake | Credible impact evaluation in complex contexts: Confirmatory and exploratory approaches | |
Norton | Local commitment to state-mandated planning in coastal North Carolina | |
Vraga et al. | Issue-specific engagement: How Facebook contributes to opinion leadership and efficacy on energy and climate issues | |
Gippel | A revolution in finance? | |
Fu | The persistence of power despite the changing meaning of homeownership: An age-period-cohort analysis of urban housing tenure in China, 1989–2011 | |
CN103946886A (zh) | 社交网络系统上的结构对象和动作 | |
White | Climate change and the generational timescape | |
Wessel et al. | Raising children in the inner city: still a mismatch between housing and households? | |
Willson | The politics of social filtering | |
Xiaoxin | The power of social capital in school choice in a Chinese city | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
Crowson et al. | Predicting community opposition to inclusion in schools: The role of social dominance, contact, intergroup anxiety, and economic conservatism | |
Fang et al. | Polluted online reviews: The effect of air pollution on reviewer behavior | |
US20170371869A1 (en) | Crowd-matching translators | |
Kincaid | Debating the reality of social classes | |
Kallio et al. | Social workers' attitudes to privatization in five countries | |
Chan et al. | The highs in communication research: Research topics with high supply, high popularity, and high prestige in high-impact journals |
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 |