CN108829752A - 基于个性化的导师推荐算法 - Google Patents
基于个性化的导师推荐算法 Download PDFInfo
- Publication number
- CN108829752A CN108829752A CN201810515233.3A CN201810515233A CN108829752A CN 108829752 A CN108829752 A CN 108829752A CN 201810515233 A CN201810515233 A CN 201810515233A CN 108829752 A CN108829752 A CN 108829752A
- Authority
- CN
- China
- Prior art keywords
- tutor
- student
- feature vector
- personalized
- library
- 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
- 238000011160 research Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 17
- 230000006872 improvement Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000013065 commercial product Substances 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2053—Education institution selection, admissions, or financial aid
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于个性化的导师推荐算法,用于协助学生选择导师,包括如下步骤:S1、提供个性化问答系统,获取学生的个性化特征向量;S2、提供导师信息数据库,获取导师的特征向量库;S3、计算学生的个性化特征向量与导师的特征向量库中导师的特征向量的匹配度;S4、按照匹配度从高到低的顺序对所述导师的特征向量库中导师的特征向量进行排序,选取排序后的所述导师的特征向量库中的前k位导师的特征向量建立推荐导师库。提供了一个选择导师的衡量标准供学生参考,增加了学生选择导师的方向性。
Description
技术领域
本发明涉及推荐算法技术领域,尤其涉及一种基于个性化的导师推荐算法。
背景技术
个性化推荐系统最初起源于1992年,当时是由Bob Goldberg等人构建邮件系统Tapestry时得到了应用。随后,1995年3月,斯坦福大学的Marko Balabanovic等人在美国人工智能协会上推出了个性化推荐系统LIRA。之后,随着个性化推荐慢慢被人们所熟知并接受,于1997年,明尼苏达大学Grouplens实验室创建了movieslens站点。通过获取用户对电影的评分数据利用协同过滤和关联规则算法向用户推荐电影,并取得了显著的效果。2000年之后,互联网的快速发展,使个性化系统得到了爆炸式发展。陆续产生了大量的推荐系统。
个性化推荐是根据用户的兴趣特点和意向,向用户推荐用户感兴趣的信息和导师信息。随着考研规模的不断扩大,大学生对高学历高技术的向往,用户需要花费大量的时间才能找到自己想要选择的导师。这种浏览大量无关的信息和导师信息过程中无疑会使淹没在信息过载问题中的学生不断错过好的学校和好的导师,选择不到自己满意的导师。为了解决这些问题,个性化推荐系统应运而生。
推荐系统是数据挖掘的一个分支,是一种较为特殊的数据挖掘系统,主要体现在推荐系统的实时性和交互性上。系统根据用户的兴趣爱好,向用户推荐符合其兴趣爱好的信息,也称个性化推荐系统。它不但根据用户以往的历史纪录,更需要结合当前一段时间的行为动作做出实时的反应,并根据与用户交互的反馈结果修正和优化其推荐结果。
互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,但随着网络的迅速发展而带来的网上信息量的大幅增长,使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息,对信息的使用效率反而降低了,这就是所谓的信息超载(information overload)问题。信息超载是目前网络用户面临的一个严重问题,个性化推荐系统是解决该问题的一个有力工具,并受到了众多的关注和研究。
目前广泛使用的推荐方式主要有以下三种:
基于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上做出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中,项目或对象是通过相关的特征的属性来定义,系统基于用户评价对象的特征,学习用户的兴趣,考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法,常用的有决策树、神经网络和基于向量的表示方法等。基于内容的用户资料是需要有用户的历史数据,用户资料模型可能随着用户的偏好改变而发生变化。基于内容推荐方法的优点是:(1)不需要其它用户的数据,没有冷开始问题和稀疏问题;(2)能为具有特殊兴趣爱好的用户进行推荐;(3)能推荐新的或不是很流行的项目,没有新项目问题;(4)通过列出推荐项目的内容特征,可以解释为什么推荐那些项目。缺点是:要求内容能容易抽取成有意义的特征,要求特征内容有良好的结构性,并且用户的口味必须能够用内容特征形式来表达,不能显式地得到其它用户的判断情况。
协同过滤推荐(Collaborative Filtering Recommendation)技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度,系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优点是对推荐对象没有特殊的要求,能处理非结构化的复杂对象,如音乐、电影。协同过滤是基于这样的假设:为某一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户,然后将他们感兴趣的内容推荐给此用户。其基本思想非常易于理解,在日常生活中,我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来,基于其他用户对某一内容的评价来向目标用户进行推荐。基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的,而且是自动的,即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的,不需要用户努力地找到适合自己兴趣的推荐信息,如填写一些调查表格等。与基于内容的过滤方法相比,协同过滤具有如下的优点:(1)能够过滤难以进行机器自动内容分析的信息,如艺术品,音乐等;(2)共享其他人的经验,避免了内容分析的不完全和不精确,并且能够基于一些复杂的,难以表述的概念(如信息质量、个人品味)进行过滤;(3)有推荐新信息的能力,可以发现内容上完全不相似的信息,用户对推荐信息的内容事先是预料不到的,这也是协同过滤和基于内容的过滤一个较大的差别,基于内容的过滤推荐很多都是用户本来就熟悉的内容,而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好;(4)能够有效的使用其他相似用户的反馈信息,较少用户的反馈量,加快个性化学习的速度。虽然协同过滤作为一种典型的推荐技术有其相当的应用,但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问(Sparsity)和可扩展问题(Scalability)。
基于关联规则的推荐(Association Rule-based Recommendation)是以关联规则为基础,把已购商品作为规则头,规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性,在零售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买商品集X的交易中有多大比例的交易同时购买了商品集Y,其直观的意义就是用户在购买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。算法的第一步关联规则的发现最为关键且最耗时,是算法的瓶颈,但可以离线进行。其次,商品名称的同义性问题也是关联规则的一个难点。
基于内容的推荐系统虽然在商品推荐中有很好的效果,它可以利用用户历史购买商品记录来构建用户画像及挖掘用户潜在兴趣,但是对于导师推荐系统而言,每个学生只会选择一次导师,所以不存在之前的选择导师的记录,这就是很严重的冷启动问题,所以基于内容的推荐系统也不太适合。
协同过滤算法由于需要大量历史评分数据,而学生选择导师这个行为对于每个学生只会发生一次,而且一年只有一个时间段才会进行导师选择活动,所以历史数据很难收集而且十分稀疏,不能像商品推荐系统或音乐推荐系统那样产生大量的评分数据,因此协同过滤并不适用在导师推荐系统中。
基于关联规则的推荐则需要关联规则的发现,这对于导师推荐系统则是一件十分耗时的事情,成本过高,显然也不适用。
导师推荐系统与上述推荐系统的应用场景有显著的不同:(1)导师不同于普通商品,学生必须进行选择;(2)每个学生有且只能选择一个导师;(3)学生和导师是两个主体,有紧密的互动关系,而用户和商品是主从关系;(4)选择时,导师和学生是双向选择关系,而用户对于商品拥有绝对的选择权。导师推荐系统的目标在于如何让导师和学生双方都满意。
有鉴于此,有必要设计一种基于个性化的导师推荐算法,以解决上述问题。
发明内容
本发明的目的在于提供一种协助学生选择导师的基于个性化的导师推荐算法。
为实现上述发明目的,本发明提供了一种基于个性化的导师推荐算法,用于协助学生选择导师,包括如下步骤:
S1、提供个性化问答系统,获取学生的个性化特征向量;
S2、提供导师信息数据库,获取导师的特征向量库;
S3、计算学生的个性化特征向量与导师的特征向量库中导师的特征向量的匹配度;
S4、按照匹配度从高到低的顺序对所述导师的特征向量库中导师的特征向量进行排序,选取排序后的所述导师的特征向量库中的前k位导师的特征向量建立推荐导师库;
S5、将所述推荐导师库中的导师推荐给学生。
作为本发明的进一步改进,所述步骤S2包括如下步骤:
S21、采用爬虫技术获取网络上的导师的基本信息,形成所述导师信息数据库;
S22、提取所述导师信息数据库中导师的个人信息,所述个人信息包括若干指标;
S23、将所述若干指标的信息进行分数数值化处理,形成每个导师对应的特征向量,以形成所述导师的特征向量库。
作为本发明的进一步改进,所述步骤S2还包括如下步骤:
S24、根据导师的个人信息中导师的研究方向,将所述导师的特征向量库分类为不同的子数据集。
作为本发明的进一步改进,所述若干指标包括但不限于研究方向、年龄、职称、专利数量、论文数量、研究广度以及团队规模。
作为本发明的进一步改进,所述步骤S23中的所述分数数值化处理为对所述若干指标进行打分,分值范围为1~5。
作为本发明的进一步改进,所述步骤S1包括如下步骤:
S11、提供个性化问答系统,学生回答该系统提出的若干问题,以调查学生对导师的期望信息;
S12、根据学生对问题的回答获取一组学生的特征值,以获取学生的个性化特征向量。
作为本发明的进一步改进,所述若干问题的包括指定问题,所述指定问题是调查学生感兴趣的研究方向,以便在所述不同的子数据集中进行推荐,所述指定问题学生可单选、多选或者不选。
作为本发明的进一步改进,当学生单选或者多选时,优先在对应的单个或者多个所述子数据集中进行导师推荐,以形成所述推荐导师库;当学生不选时,在所有导师的特征向量库中进行推荐,以形成所述推荐导师库。
作为本发明的进一步改进,所述S3的具体过程为:分别计算所述学生与导师的匹配度,将得到的匹配度值及对应的导师信息存入数组中,所述数组中的每个元素包含两条信息,分别为匹配度值与对应的导师姓名。
作为本发明的进一步改进,在所述步骤S3中,设定临界匹配度值P,学生单选或者多选时,当得到的不小于所述临界匹配度值P的导师位数不小于k时,则不再计算所述学生与剩余导师的匹配度。
本发明的有益效果是:本发明基于个性化的导师推荐算法通过计算学生的个性化特征向量与导师的特征向量库中导师的特征向量的匹配度,按照匹配度从高到低的顺序对所述导师的特征向量库中导师的特征向量进行排序,选取排序后的所述导师的特征向量库中的前k位导师的特征向量建立推荐导师库推荐给学生,提供了一个选择导师的衡量标准供学生参考,增加了学生选择导师的方向性。
附图说明
图1为本发明基于个性化的导师推荐算法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
请参阅图1所示,本发明提供了一种基于个性化的导师推荐算法,用于协助学生选择导师,包括如下步骤:
S1、提供个性化问答系统,获取学生的个性化特征向量C;
S2、提供导师信息数据库,获取导师的特征向量库D(D1,D2,D3……Dn);
S3、计算学生的个性化特征向量C与导师的特征向量库D(D1,D2,D3……Dn)中导师的特征向量的匹配度;
S4、按照匹配度从高到低的顺序对所述导师的特征向量库中导师的特征向量进行排序,选取排序后的所述导师的特征向量库中的前k位导师的特征向量建立推荐导师库M(M1,M2,M3……Mk);
S5、将所述推荐导师库M(M1,M2,M3……Mk)中的k位导师推荐给学生。
所述步骤S1包括如下步骤:
S11、提供个性化问答系统,学生回答该系统提出的若干问题,以调查学生对导师的期望信息;
S12、根据学生对问题的回答获取一组学生的特征值,以获取学生的个性化特征向量。
其中,所述若干问题的包括指定问题,所述指定问题是调查学生感兴趣的研究方向,以便在所述不同的子数据集中进行推荐,所述指定问题学生可单选、多选或者不选。当学生单选或者多选时,优先在对应的单个或者多个所述子数据集中进行导师推荐,以形成所述推荐导师库;当学生不选时,在所有导师的特征向量库D(D1,D2,D3……Dn)中进行推荐,以形成所述推荐导师库M(M1,M2,M3……Mk)。剩下的问题则分别对应导师的特征向量中的其他指标因素。
所述步骤S2包括如下步骤:
S21、采用爬虫技术获取网络上的导师的基本信息,形成所述导师信息数据库;
S22、提取所述导师信息数据库中导师的个人信息,所述个人信息包括若干指标;
S23、将所述若干指标的信息进行分数数值化处理,形成每个导师对应的特征向量,以形成所述导师的特征向量库;
S24、根据导师的个人信息中导师的研究方向,将所述导师的特征向量库分类为不同的子数据集。
其中,所述若干指标包括但不限于研究方向、年龄、职称、专利数量、论文数量、研究广度以及团队规模。
其中,所述步骤S23中的所述分数数值化处理为对所述若干指标进行打分,分值范围为1~5。
所述S3的具体过程为:分别计算所述学生与导师的匹配度,将得到的匹配度值及对应的导师信息存入数组中,所述数组中的每个元素包含两条信息,分别为匹配度值与对应的导师姓名。
在所述步骤S3中,设定临界匹配度值P,学生单选或者多选时,当得到的不小于所述临界匹配度值P的导师位数不小于k时,则不再计算所述学生与剩余导师的匹配度;当得到的不小于所述临界匹配度值P的导师位数小于k时,则需要计算所述学生与剩余导师的匹配度,以保证所述推荐导师库M(M1,M2,M3……Mk)中有k位导师的信息,所述剩余导师为不在所述学生单选或者多选的研究方向对应的所述子数据集中的导师。
需要说明的是,步骤S1与步骤S2的操作顺序不限,既可以同时进行,也可以分步前后进行,前后顺序不限制。
综上所述,本发明基于个性化的导师推荐算法通过计算学生的个性化特征向量与导师的特征向量库中导师的特征向量的匹配度,按照匹配度从高到低的顺序对所述导师的特征向量库中导师的特征向量进行排序,选取排序后的所述导师的特征向量库中的前k位导师的特征向量建立推荐导师库推荐给学生,根据学生的自身情况和已获取的导师信息进行匹配度匹配,获得匹配度最高的导师信息推荐给学生。让学生在了解了学校的导师资质的基础上判断学校的研究生水平,为自己研究生生涯发展作打算,节省学生时间成本;在相对短的时间内能够对大型数据源做出可行且效果良好的结果;分类的准确度高,对信息的处理能力强,具备联想记忆的功能;搜索从群体出发,具有潜在的并行性,可以进行多个个体的同时比较;让更多考研的学生找到自己真正很感兴趣,真正想要跟随的导师,让自己在学术或者专业方向有更强的进步。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于个性化的导师推荐算法,用于协助学生选择导师,包括如下步骤:
S1、提供个性化问答系统,获取学生的个性化特征向量;
S2、提供导师信息数据库,获取导师的特征向量库;
S3、计算学生的个性化特征向量与导师的特征向量库中导师的特征向量的匹配度;
S4、按照匹配度从高到低的顺序对所述导师的特征向量库中导师的特征向量进行排序,选取排序后的所述导师的特征向量库中的前k位导师的特征向量建立推荐导师库;
S5、将所述推荐导师库中的导师推荐给学生。
2.根据权利要求1所述的基于个性化的导师推荐算法,其特征在于,所述步骤S2包括如下步骤:
S21、采用爬虫技术获取网络上的导师的基本信息,形成所述导师信息数据库;
S22、提取所述导师信息数据库中导师的个人信息,所述个人信息包括若干指标;
S23、将所述若干指标的信息进行分数数值化处理,形成每个导师对应的特征向量,以形成所述导师的特征向量库。
3.根据权利要求2所述的基于个性化的导师推荐算法,其特征在于,所述步骤S2还包括如下步骤:
S24、根据导师的个人信息中导师的研究方向,将所述导师的特征向量库分类为不同的子数据集。
4.根据权利要求2所述的基于个性化的导师推荐算法,其特征在于,所述若干指标包括但不限于研究方向、年龄、职称、专利数量、论文数量、研究广度以及团队规模。
5.根据权利要求2所述的基于个性化的导师推荐算法,其特征在于,所述步骤S23中的所述分数数值化处理为对所述若干指标进行打分,分值范围为1~5。
6.根据权利要求3所述的基于个性化的导师推荐算法,其特征在于,所述步骤S1包括如下步骤:
S11、提供个性化问答系统,学生回答该系统提出的若干问题,以调查学生对导师的期望信息;
S12、根据学生对问题的回答获取一组学生的特征值,以获取学生的个性化特征向量。
7.根据权利要求6所述的基于个性化的导师推荐算法,其特征在于,所述若干问题的包括指定问题,所述指定问题是调查学生感兴趣的研究方向,以便在所述不同的子数据集中进行推荐,所述指定问题学生可单选、多选或者不选。
8.根据权利要求7所述的基于个性化的导师推荐算法,其特征在于,当学生单选或者多选时,优先在对应的单个或者多个所述子数据集中进行导师推荐,以形成所述推荐导师库;当学生不选时,在所有导师的特征向量库中进行推荐,以形成所述推荐导师库。
9.根据权利要求8所述的基于个性化的导师推荐算法,其特征在于,所述S3的具体过程为:分别计算所述学生与导师的匹配度,将得到的匹配度值及对应的导师信息存入数组中,所述数组中的每个元素包含两条信息,分别为匹配度值与对应的导师姓名。
10.根据权利要求9所述的基于个性化的导师推荐算法,其特征在于,在所述步骤S3中,设定临界匹配度值P,学生单选或者多选时,当得到的不小于所述临界匹配度值P的导师位数不小于k时,则不再计算所述学生与剩余导师的匹配度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515233.3A CN108829752A (zh) | 2018-05-25 | 2018-05-25 | 基于个性化的导师推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515233.3A CN108829752A (zh) | 2018-05-25 | 2018-05-25 | 基于个性化的导师推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108829752A true CN108829752A (zh) | 2018-11-16 |
Family
ID=64146070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810515233.3A Pending CN108829752A (zh) | 2018-05-25 | 2018-05-25 | 基于个性化的导师推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829752A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909248A (zh) * | 2019-12-03 | 2020-03-24 | 北京明略软件系统有限公司 | 一种教师推荐方法和装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156706A (zh) * | 2011-01-28 | 2011-08-17 | 清华大学 | 一种指导者推荐系统及方法 |
CN104361102A (zh) * | 2014-11-24 | 2015-02-18 | 清华大学 | 一种基于群组匹配的专家推荐方法及系统 |
CN105243470A (zh) * | 2015-09-17 | 2016-01-13 | 中关村四方现代服务产业技术创新战略联盟 | 需求服务对接的科技成果转化系统 |
CN105512183A (zh) * | 2015-11-24 | 2016-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于用户自主选择的个性化推荐方法和系统 |
CN106250708A (zh) * | 2016-08-16 | 2016-12-21 | 广州比特软件科技有限公司 | 一种在线咨询方法及系统 |
CN106528708A (zh) * | 2016-10-26 | 2017-03-22 | 李露青 | 信息推送方法和装置 |
CN107169899A (zh) * | 2017-05-12 | 2017-09-15 | 广州阿基德米科技有限公司 | 留学智能匹配与推荐方法及系统 |
CN107910070A (zh) * | 2017-11-06 | 2018-04-13 | 广州优涵信息技术有限公司 | 一种基于专家案例库的专家推荐方法 |
CN107945839A (zh) * | 2017-10-30 | 2018-04-20 | 无锡中盛医疗设备有限公司 | 一种智能医疗系统 |
CN108319723A (zh) * | 2018-02-27 | 2018-07-24 | 百度在线网络技术(北京)有限公司 | 一种图片分享方法和装置、终端、存储介质 |
CN108460629A (zh) * | 2018-02-10 | 2018-08-28 | 深圳壹账通智能科技有限公司 | 用户营销推荐方法、装置、终端设备及存储介质 |
CN108776846A (zh) * | 2018-05-15 | 2018-11-09 | 中国平安人寿保险股份有限公司 | 推荐方法、装置、计算机设备及存储介质 |
-
2018
- 2018-05-25 CN CN201810515233.3A patent/CN108829752A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156706A (zh) * | 2011-01-28 | 2011-08-17 | 清华大学 | 一种指导者推荐系统及方法 |
CN104361102A (zh) * | 2014-11-24 | 2015-02-18 | 清华大学 | 一种基于群组匹配的专家推荐方法及系统 |
CN105243470A (zh) * | 2015-09-17 | 2016-01-13 | 中关村四方现代服务产业技术创新战略联盟 | 需求服务对接的科技成果转化系统 |
CN105512183A (zh) * | 2015-11-24 | 2016-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于用户自主选择的个性化推荐方法和系统 |
CN106250708A (zh) * | 2016-08-16 | 2016-12-21 | 广州比特软件科技有限公司 | 一种在线咨询方法及系统 |
CN106528708A (zh) * | 2016-10-26 | 2017-03-22 | 李露青 | 信息推送方法和装置 |
CN107169899A (zh) * | 2017-05-12 | 2017-09-15 | 广州阿基德米科技有限公司 | 留学智能匹配与推荐方法及系统 |
CN107945839A (zh) * | 2017-10-30 | 2018-04-20 | 无锡中盛医疗设备有限公司 | 一种智能医疗系统 |
CN107910070A (zh) * | 2017-11-06 | 2018-04-13 | 广州优涵信息技术有限公司 | 一种基于专家案例库的专家推荐方法 |
CN108460629A (zh) * | 2018-02-10 | 2018-08-28 | 深圳壹账通智能科技有限公司 | 用户营销推荐方法、装置、终端设备及存储介质 |
CN108319723A (zh) * | 2018-02-27 | 2018-07-24 | 百度在线网络技术(北京)有限公司 | 一种图片分享方法和装置、终端、存储介质 |
CN108776846A (zh) * | 2018-05-15 | 2018-11-09 | 中国平安人寿保险股份有限公司 | 推荐方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909248A (zh) * | 2019-12-03 | 2020-03-24 | 北京明略软件系统有限公司 | 一种教师推荐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Knowledge management in Malaysian banks: A new paradigm | |
Liao et al. | A rough set-based association rule approach for a recommendation system for online consumers | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
Obeidat et al. | A collaborative recommendation system for online courses recommendations | |
CN103353872B (zh) | 一种基于神经网络的教学资源个性化推荐方法 | |
CN109658206A (zh) | 信息推荐方法和装置 | |
CN106447463A (zh) | 一种基于马尔科夫决策过程模型的商品推荐方法 | |
CN107229666A (zh) | 一种基于推荐系统的兴趣探索方法及装置 | |
Wang et al. | Personalized recommendation for new questions in community question answering | |
Verma et al. | Artificial intelligence based recommendation system | |
Jayawardena et al. | Artificial intelligence (AI)-based market intelligence and customer insights | |
Ahsain et al. | Data mining and machine learning techniques applied to digital marketing domain needs | |
CN108829752A (zh) | 基于个性化的导师推荐算法 | |
Sinurat et al. | The culinary sector MSME survival strategy in effort to restore populist economy based on the creative industry during the Covid-19 pandemic | |
CN115481325A (zh) | 基于用户全局兴趣迁移感知的个性化新闻推荐方法及系统 | |
Tudor et al. | Data mining algorithms and techniques research in CRM systems | |
CN114723491A (zh) | 一种基于用户画像和数据挖掘的精准营销方法和系统 | |
Chang et al. | A stock-movement aware approach for discovering investors' personalized preferences in stock markets | |
Wan et al. | A learner’s role-based multi dimensional collaborative recommendation (LRMDCR) for group learning support | |
Karthik et al. | Target User Specific Q-Learning (TUQL) personalized product recommendation | |
Bhagat et al. | A Study on Product Recommendation System based on Deep Learning and Collaborative Filtering | |
WO2024061073A1 (zh) | 一种多媒体信息的生成方法及装置、计算机可读存储介质 | |
Satyanarayana et al. | Neighborhood algorithm for product recommendation | |
Bhagampriyal et al. | Recommendation Systems for Supermarket | |
Sawant et al. | Content-Based Filtering Using K-Nearest Neighbor |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |