CN109034866B - 一种基于购物行为的潜在好友判断方法 - Google Patents
一种基于购物行为的潜在好友判断方法 Download PDFInfo
- Publication number
- CN109034866B CN109034866B CN201810637790.2A CN201810637790A CN109034866B CN 109034866 B CN109034866 B CN 109034866B CN 201810637790 A CN201810637790 A CN 201810637790A CN 109034866 B CN109034866 B CN 109034866B
- Authority
- CN
- China
- Prior art keywords
- user
- similarity
- users
- commodity
- calculating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 54
- 230000008451 emotion Effects 0.000 claims abstract description 32
- 230000002996 emotional effect Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000001914 filtration Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
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
- G06Q30/02—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于购物行为的潜在好友判断方法,包括:数据准备及处理,是对用户的购物行为和评价信息进行数据清洗;用户购物行为相似度计算,是对每个用户计算该用户与其它用户之间的购物行为相似度;用户情感相似度计算,通过使用情感词典进行情感分析,进行用户之间特征相似度以及特征认可度的计算;用户商品选择相似度计算;计算用户评论有用性及情感强度相似度;最终相似度计算及扩大好友池;根据三元闭包原理对构建后的好友池进行了扩充。本发明通过对评论的情感分析得到用户之间的商品相似度从而在用户之间建立购物情感联系。通过提取用户行为的特征以及计算用户相似度,在相似度计算结果的基础上加入了三元闭包理论从而进一步丰富用户的好友池。
Description
技术领域
本发明涉及一种潜在好友判断方法。特别是涉及一种基于购物行为的潜在好友判断方法。
背景技术
目前在推荐方法相关技术中主要有以下两类:一种是基于协同过滤的推荐方法。协同过滤算法是目前应用较多的方法。协同过滤技术先根据用户的历史行为尤其是用户对商品做出的反馈记录对用户的个性偏好进行分析,然后找到与目标用户具有相似兴趣偏好的邻居用户,将这些相似用户对资源对象的评价综合起来形成系统对资源的喜好程度的预测,最后将这些预测提供给目标用户作为参考。协同过滤技术可以为用户发现新的资源信息,对于一些内容特征难以提取的项目也能产生较好的推荐结果。
然而,协同过滤技术适用于物品数明显小于用户数的场合,当物品很多时(例如:网页),计算物品相似度的代价变大,系统的时间和空间复杂度也会越来越大。
另一类基于内容的推荐系统进行信息过滤,然后将信息表示成一个用户模型来代表用户偏好,同时通过对资源对象的内容特征进行标注的方式生成一个对象特征向量作为资源模型。基于内容的推荐系统主要通过分析、获取及过滤对象的特征,在处理文本数据时表现良好,但图片、音频、视频等资源的特征较难处理。
发明内容
本发明所要解决的技术问题是,提供一种从购物行为角度为用户推荐好友,从而高好友识别命中率的基于购物行为的潜在好友判断方法。
本发明所采用的技术方案是:一种基于购物行为的潜在好友判断方法,包括如下步骤:
1)数据准备及处理,是对用户的购物行为和评价信息进行数据清洗,使处理后的数据符合模型的应用;数据清洗是通过数据的除重和特征提取得到有用的数据,
2)用户购物行为相似度计算,是对每个用户计算该用户与其它用户之间的购物行为相似度;
3)用户情感相似度计算,通过使用情感词典进行情感分析,进行用户之间特征相似度以及特征认可度的计算;
4)用户商品选择相似度计算;
5)计算用户评论有用性及情感强度相似度;
6)最终相似度计算及扩大好友池;
7)根据三元闭包原理对构建后的好友池进行了扩充。
步骤2)包括:
(1)计算相同购物行为的数量,是通过下式进行计算:
Vij=∑n1mod(Uin+Ujn) (1)
式中,Vij是用户i与用户j之间的相同购物行为个数,Uin与Ujn分别表是用户i和用户j是否对商品n存在购买行为,若存在则值为1,反之则为0。
(2)计算购物行为相似度的,计算公式如下,该公式是将相似度控制在0到1的范围内,
式中,UXij是用户i与用户j之间的购物行为相似度。
步骤3)包括:
(1)计算商品特征相似度:
式中,FNij为用户i与用户j之间的特征相似度,Fi与Fj分别为用户i与用户j的特征词集合;
(2)计算商品特征认可度:
式中,FEij为用户i与j之间的商品特征认可度,Gi与Gj分别是用户i与用户j共同购买的商品集合,Fim与Fjm分别是用户i与用户j对于商品m的所在意的特征的集合;Vimh与Vjmh分别是用户i与用户j对于商品m的第h个特征所具备的情感;,FEij为该公式通过计算用户对所有相同购买行为商品的特征的情感值,也就是用户i和用户j之间的商品特征的认可度。
(3)计算情感相似度:
UGij=α·FNij+β·FEij (5)
式中,UGij为用户i与用户j之间的商品相似度,FNij与FEij分别为用户i和用户j之间的商品特征相似度以及商品特征认可度,α与β为FNij与FEij两者的因子,并且α+β=1,选择α=0.4、β=0.6。
步骤4)是采用下式计算:
其中GDp为商品p的独立度,GNp为商品p被购买的次数,GMp为在所有商品中,被购买GNp次的商品的个数;
采用下式计算用户之间的商品选择性相似度:
式中,UGDij为用户i与用户j之间的商品独立性相似度,GDp为用户i与j共同购买的商品的独立度,N为相同商品的个数,Gi与Gj分别是用户i与用户j共同购买的商品集合。
步骤5)包括:
(1)用户的评论有用性是根据用户每条评论的有用性进行计算,公式如下:
式中,Hi为用户i的评论有用性,hn为该用户的第a条评论的有用性,A为该用户所有的评论数;
(2)计算情感强度,公式如下:
Eim=lenim (9)
式中,Eim表示用户i对商品m的情感强度,lenim为用户i对商品m的评论的长度,该长度是统计评论中的句子个数。
(3)使用欧式距离计算用户之间的用户评论有用性及情感强度相似度:
式中,其中d(i,j)表示用户i和j的用户评论有用性及情感强度的欧氏距离,sim(i,j)表示用户i和j的用户评论有用性及情感强度相似度,其中Eim和Ejm表示用户i和用户j对商品m的情感强度,Hi和Hj为用户i和用户j的评论有用性。
步骤6)是采用下式计算:
式中,UUij为用户i与用户j的最终相似度,UXij是用户i与用户j之间的购物行为相似度,UGij为用户i与用户j之间的商品相似度,UGDij为用户i与用户j之间的商品独立性相似度,sim(x,y)表示用户x和y的用户评论有用性及情感强度相似度。
步骤7)使用三元闭包理论扩展二的方法进行用户好友池的扩展,在原好友池中第一名是与用户相似度最高的,视为用户的好友,并以此为基础,在所述的好友的好友池中选择相似度最高用户,加入到原始用户的好友池中,这里,将好友之间的相似度视为好友之间的亲密度关系,如下公式:
本发明的一种基于购物行为的潜在好友判断方法,通过对评论的情感分析得到用户之间的商品相似度从而在用户之间建立购物情感联系。通过提取用户行为的特征以及计算用户相似度,在相似度计算结果的基础上加入了三元闭包理论从而进一步丰富用户的好友池。本发明具有如下的特点:
1、本发明对用户之间相同的购物行为进行了统计,并将相同购物行为数作为用户之间相似度计算的一个特征。同时为了避免一定的随机性,本发明中将此特征的最小值设定为2,将之作为计算用户其它特征相似度的最小条件,即该特征值小于2的用户之间将不会进行下一步的计算。
2、使用基于情感词典的方法对用户评论进行了情感分析,得到用户情感信息,并提出了用户之间的商品特征相似度以及商品特征认可度,并在此基础上计算出了用户之间的商品相似度。传统的情感分析在对评论进行分析时只是分析用户对商品的情感或者对商品某些特征的情感,然后基于此来做二分以表示用户对于商品是喜爱或是讨厌。并没有进一步提取用户对于商品的情感态度以及建立用户之间的购物情感联系。本发明通过对评论的情感分析得到用户之间的商品相似度从而在用户之间建立购物情感联系。本发明从商品销售量角度出发,考虑小众商品以及大众商品表现出的用户之间购物习性的差异,提出了商品选择性特征,并通过特定的算法在保证该差异的前提下防止差异过大的现象。
3、在计算用户相似度算法方面,本发明依据用户结交好友以及判断好友亲密度的实际情况,提出了逐点计算相似度的算法。传统的计算用户相似度的算法将用户的特征作为向量,并通过计算距离的方法计算用户之间的相似度。这种算法并没有考虑现实交友中用户可能因为某一点或者某些点决定是否愿意与陌生人交好友。所以本发明通过逐点计算用户相似度的算法进行用户之间最终相似度的计算,并在此基础上运用三元闭包理论对结果进行扩充,丰富可能成为好友的资源池。
附图说明
图1是本发明一种基于购物行为的潜在好友判断方法的流程图。
具体实施方式
下面结合实施例和附图对本发明的一种基于购物行为的潜在好友判断方法做出详细说明。
如图1所示,本发明的一种基于购物行为的潜在好友判断方法,包括如下步骤:
1)数据准备及处理,是对用户的购物行为和评价信息进行数据清洗,使处理后的数据符合模型的应用;数据清洗是通过数据的除重和特征提取得到有用的数据,
2)用户购物行为相似度计算,是对每个用户计算该用户与其它用户之间的购物行为相似度;包括:
(1)计算相同购物行为的数量,是通过下式进行计算:
Vij=∑n1mod(Uin+Ujn) (1)
式中,Vij是用户i与用户j之间的相同购物行为个数,Uin与Ujn分别表是用户i和用户j是否对商品n存在购买行为,若存在则值为1,反之则为0。
(2)计算购物行为相似度的,计算公式如下,该公式是将相似度控制在0到1的范围内,
式中,UXij是用户i与用户j之间的购物行为相似度。
3)用户情感相似度计算,通过使用情感词典进行情感分析,进行用户之间特征相似度以及特征认可度的计算;采用的情感词典是知网发布的“英文情感分析用词语集”,包括“正面情感”词语、“负面情感”词语、“正面评价”词语、“负面评价”词语、“程度级别”词语以及“主张”词语。用户情感相似度计算包括:
(1)计算商品特征相似度:
式中,FNij为用户i与用户j之间的特征相似度,Fi与Fj分别为用户i与用户j的特征词集合;商品特征相似度表明两个用户对于商品的关注点的相似程度,如果商品特征相似度值越高表明两个用户在购买商品时所关注的点以及线上线下购物聊天时所能拥有的共同话题越多,也就越可能成为线下购物逛街的好友。
(2)计算商品特征认可度:
式中,FEij为用户i与j之间的商品特征认可度,Gi与Gj分别是用户i与用户j共同购买的商品集合,Fim与Fjm分别是用户i与用户j对于商品m的所在意的特征的集合;Vimh与Vjmh分别是用户i与用户j对于商品m的第h个特征所具备的情感;FEij为该公式通过计算用户对所有相同购买行为商品的特征的情感值,也就是用户i和用户j之间的商品特征的认可度。
(3)计算情感相似度:
UGij=α·FNij+β·FEij (5)
式中,UGij为用户i与用户j之间的商品相似度,FNij与FEij分别为用户i和用户j之间的商品特征相似度以及商品特征认可度,α与β为FNij与FEij两者的因子,并且α+β=1,由于FNij以及FEij都小于1,且UGij表示的是用户之间的商品相似度,由经验可知,就算闺蜜之间的商品相似度也不可能达到或者非常接近1,所以为了对最后所得值的控制加入了两个因子。本发明选择α=0.4、β=0.6,因为特征认可度明显要比特征相似度更加重要。
4)用户商品选择相似度计算;不同的用户会购买相同或者不同的商品,他们所购买的商品的销售量以及销售范围也能够体现出用户之间对商品选择的不同或者相同或者相似。对商品的销售量使用下式的统计商品的独立度:
其中GDp为商品p的独立度,GNp为商品p被购买的次数,GMp为在所有商品中,被购买GNp次的商品的个数。
本发明是采用下式计算用户之间的商品选择性相似度:
式中,UGDij为用户i与用户j之间的商品独立性相似度,GDp为用户i与j共同购买的商品p的独立度,N为相同商品的个数,Gi与Gj分别是用户i与用户j共同购买的商品集合。
5)计算用户评论有用性及情感强度相似度;包括:
(1)用户的评论有用性是根据用户每条评论的有用性进行计算,公式如下:
式中,Hi为用户i的评论有用性,ha为该用户的第a条评论的有用性,A为该用户所有的评论数;
(2)计算情感强度,公式如下:
Eim=lenim (9)
式中,Eim表示用户i对商品m的情感强度,lenim为用户i对商品m的评论的长度,该长度是统计评论中的句子个数。
(3)使用欧式距离计算用户之间的用户评论有用性及情感强度相似度:
式中,其中d(i,j)表示用户i和j的用户评论有用性及情感强度的欧氏距离,sim(i,j)表示用户i和j的用户评论有用性及情感强度相似度,其中Eim和Ejm表示用户i和用户j对商品m的情感强度,Hi和Hj为用户i和用户j的评论有用性。
6)最终相似度计算及扩大好友池;是采用下式计算:
式中,UUij为用户i与用户j的最终相似度,UXij是用户i与用户j之间的购物行为相似度,UGij为用户i与用户j之间的商品相似度,UGDij为用户i与用户j之间的商品独立性相似度,sim(x,y)表示用户x和y的用户评论有用性及情感强度相似度。
7)为了提高好友池的命中率,根据三元闭包原理对构建后的好友池进行了扩充。本发明使用三元闭包理论扩展二的方法进行用户好友池的扩展,在原好友池中第一名是与用户相似度最高的,视为用户的好友,并以此为基础,在所述的好友的好友池中选择相似度最高用户,加入到原始用户的好友池中,这里,将好友之间的相似度视为好友之间的亲密度关系,如下公式:
本发明以购物行为为基础,使用三元闭包理论进行扩充,为用户进行潜在好友识别。通过用户对商品进行购买行为以及对商品进行评论所产生的数据,从中提取用户之间的特征以及用户本身的特征,进而依据提出的特征计算用户之间不同特征的相似度。以往的用户相似度计算方法都是提取用户本身特征构成特征向量,并通过计算距离的方法计算用户之间的相似度。分别计算用户之间每个特征的相似度,进而求得用户之间的最终相似度并以此构建用户的“好友池”。最后应用三元闭包理论对“好友池进行扩充”,从而得到扩充后的“好友池”,达到了提高潜在好友识别命中率的效果。
本发明的一种基于购物行为的潜在好友判断方法,以购物行为为基础,使用三元闭包理论进行扩充,为用户进行潜在好友识别。通过用户对商品进行购买行为以及对商品进行评论所产生的数据,从中提取用户之间的特征以及用户本身的特征,进而依据提出的特征计算用户之间不同特征的相似度。以往的用户相似度计算方法都是提取用户本身特征构成特征向量,并通过计算距离的方法计算用户之间的相似度。分别计算用户之间每个特征的相似度,进而求得用户之间的最终相似度并以此构建用户的“好友池”。最后应用三元闭包理论对“好友池进行扩充”,从而得到扩充后的“好友池”,达到了提高潜在好友识别命中率的效果。
Claims (1)
1.一种基于购物行为的潜在好友判断方法,其特征在于,包括如下步骤:
1)数据准备及处理,是对用户的购物行为和评价信息进行数据清洗,使处理后的数据符合模型的应用;数据清洗是通过数据的除重和特征提取得到有用的数据;
2)用户购物行为相似度计算,是对每个用户计算该用户与其它用户之间的购物行为相似度;包括:
(1)计算相同购物行为的数量,是通过下式进行计算:
Vij=∑n1mod(Uin+Ujn) (1)
式中,Vij是用户i与用户j之间的相同购物行为个数,Uin与Ujn分别表示用户i和用户j是否对商品n存在购买行为,若存在则值为1,反之则为0;
(2)计算购物行为相似度的,计算公式如下,该公式是将相似度控制在0到1的范围内,
式中,UXij是用户i与用户j之间的购物行为相似度;
3)用户情感相似度计算,通过使用情感词典进行情感分析,进行用户之间特征相似度以及特征认可度的计算;包括:
(1)计算商品特征相似度:
式中,FNij为用户i与用户j之间的特征相似度,Fi与Fj分别为用户i与用户j的特征词集合;
(2)计算商品特征认可度:
式中,FEij为用户i与j之间的商品特征认可度,Gi与Gj分别是用户i与用户j共同购买的商品集合,Fim与Fjm分别是用户i与用户j对于商品m的所在意的特征的集合;Vimh与Vjmh分别是用户i与用户j对于商品m的第h个特征所具备的情感;FEij为该公式通过计算用户对所有相同购买行为商品的特征的情感值,也就是用户i和用户j之间的商品特征的认可度;
(3)计算情感相似度:
UGij=α·FNij+β·FEij (5)
式中,UGij为用户i与用户j之间的商品相似度,FNij与FEij分别为用户i和用户j之间的商品特征相似度以及商品特征认可度,α与β为FNij与FEij两者的因子,并且α+β=1,选择α=0.4、β=0.6;
4)用户商品选择相似度计算;是采用下式计算:
其中GDp为商品p的独立度,GNp为商品p被购买的次数,GMp为在所有商品中,被购买GNp次的商品的个数;
采用下式计算用户之间的商品选择性相似度:
式中,UGDij为用户i与用户j之间的商品独立性相似度,GDp为用户i与j共同购买的商品的独立度,N为相同商品的个数,Gi与Gj分别是用户i与用户j共同购买的商品集合;
5)计算用户评论有用性及情感强度相似度;包括:
(1)用户的评论有用性是根据用户每条评论的有用性进行计算,公式如下:
式中,Hi为用户i的评论有用性,ha为该用户的第a条评论的有用性,A为该用户所有的评论数;
(2)计算情感强度,公式如下:
Eim=lenim (9)
式中,Eim表示用户i对商品m的情感强度,lenim为用户i对商品m的评论的长度,该长度是统计评论中的句子个数;
(3)使用欧式距离计算用户之间的用户评论有用性及情感强度相似度:
式中,其中d(i,j)表示用户i和j的用户评论有用性及情感强度的欧氏距离,sim(i,j)表示用户i和j的用户评论有用性及情感强度相似度,其中Eim和Ejm表示用户i和用户j对商品m的情感强度,Hi和Hj为用户i和用户j的评论有用性
6)最终相似度计算及扩大好友池;是采用下式计算:
式中,UUij为用户i与用户j的最终相似度,UXij是用户i与用户j之间的购物行为相似度,UGij为用户i与用户j之间的商品相似度,UGDij为用户i与用户j之间的商品独立性相似度,sim(x,y)表示用户x和y的用户评论有用性及情感强度相似度;
7)根据三元闭包原理对构建后的好友池进行了扩充,是使用三元闭包理论扩展二的方法进行用户好友池的扩展,在原好友池中第一名是与用户相似度最高的,视为用户的好友,并以此为基础,在所述的好友的好友池中选择相似度最高用户,加入到原始用户的好友池中,这里,将好友之间的相似度视为好友之间的亲密度关系,如下公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637790.2A CN109034866B (zh) | 2018-06-20 | 2018-06-20 | 一种基于购物行为的潜在好友判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637790.2A CN109034866B (zh) | 2018-06-20 | 2018-06-20 | 一种基于购物行为的潜在好友判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034866A CN109034866A (zh) | 2018-12-18 |
CN109034866B true CN109034866B (zh) | 2021-08-03 |
Family
ID=64610226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810637790.2A Active CN109034866B (zh) | 2018-06-20 | 2018-06-20 | 一种基于购物行为的潜在好友判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034866B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643108B (zh) * | 2021-10-15 | 2022-02-08 | 深圳我主良缘科技集团有限公司 | 一种基于特征识别和分析的社交交友推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636402A (zh) * | 2013-11-13 | 2015-05-20 | 阿里巴巴集团控股有限公司 | 一种业务对象的分类、搜索、推送方法和系统 |
CN104484815B (zh) * | 2014-12-18 | 2017-11-21 | 刘耀强 | 基于模糊本体面向产品方面的情感分析方法及系统 |
US9906484B2 (en) * | 2015-02-24 | 2018-02-27 | International Business Machines Corporation | Dynamic analytics controlled information dissemination in social media |
-
2018
- 2018-06-20 CN CN201810637790.2A patent/CN109034866B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636402A (zh) * | 2013-11-13 | 2015-05-20 | 阿里巴巴集团控股有限公司 | 一种业务对象的分类、搜索、推送方法和系统 |
CN104484815B (zh) * | 2014-12-18 | 2017-11-21 | 刘耀强 | 基于模糊本体面向产品方面的情感分析方法及系统 |
US9906484B2 (en) * | 2015-02-24 | 2018-02-27 | International Business Machines Corporation | Dynamic analytics controlled information dissemination in social media |
Non-Patent Citations (1)
Title |
---|
社交网络用户交互模型及行为偏好预测研究;刘海峰;《中国博士学位论文全文数据库 信息科技辑》;20150415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034866A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | MMALFM: Explainable recommendation by leveraging reviews and images | |
TWI754033B (zh) | 關注點文案的生成 | |
CN108959603B (zh) | 基于深度神经网络的个性化推荐系统及方法 | |
CN105701191B (zh) | 一种推送信息点击率估计方法和装置 | |
Sun et al. | Discovering affective regions in deep convolutional neural networks for visual sentiment prediction | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Rajeev et al. | Recommending products to customers using opinion mining of online product reviews and features | |
CN107944911B (zh) | 一种基于文本分析的推荐系统的推荐方法 | |
US10832118B2 (en) | System and method for cognitive customer interaction | |
CN110955750A (zh) | 评论区域和情感极性的联合识别方法、装置、电子设备 | |
Steven et al. | The right sentiment analysis method of Indonesian tourism in social media Twitter | |
CN111966888A (zh) | 融合外部数据的基于方面类别的可解释性推荐方法及系统 | |
CN111563373A (zh) | 聚焦属性相关文本的属性级情感分类方法 | |
CN111460819A (zh) | 基于细粒度情感分析的个性化评论文本推荐系统及推荐方法 | |
Tareaf et al. | Facial-based personality prediction models for estimating individuals private traits | |
Rani et al. | Study and comparision of vectorization techniques used in text classification | |
Gandhi et al. | Multimodal sentiment analysis: review, application domains and future directions | |
CN109933793B (zh) | 文本极性识别方法、装置、设备及可读存储介质 | |
CN113641811B (zh) | 促进购买行为的会话推荐方法、系统、设备及存储介质 | |
Bența et al. | Towards real-life facial expression recognition systems | |
CN109034866B (zh) | 一种基于购物行为的潜在好友判断方法 | |
CN110851694A (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
Joung et al. | Importance-performance analysis of product attributes using explainable deep neural network from online reviews | |
Kundu et al. | Deep multi-modal networks for book genre classification based on its cover | |
Sayal et al. | Visual sentiment analysis using machine learning for entertainment Applications |
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 |