CN109190023B - 协同推荐的方法、装置及终端设备 - Google Patents

协同推荐的方法、装置及终端设备 Download PDF

Info

Publication number
CN109190023B
CN109190023B CN201810929836.8A CN201810929836A CN109190023B CN 109190023 B CN109190023 B CN 109190023B CN 201810929836 A CN201810929836 A CN 201810929836A CN 109190023 B CN109190023 B CN 109190023B
Authority
CN
China
Prior art keywords
user
cluster
crow
representing
items
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
Application number
CN201810929836.8A
Other languages
English (en)
Other versions
CN109190023A (zh
Inventor
马超
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.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
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 Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN201810929836.8A priority Critical patent/CN109190023B/zh
Publication of CN109190023A publication Critical patent/CN109190023A/zh
Application granted granted Critical
Publication of CN109190023B publication Critical patent/CN109190023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种协同推荐方法、装置及终端设备。其中，方法包括：获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C‑means聚类的簇中心的位置；将所述最优模糊C‑means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C‑means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。

Description

协同推荐的方法、装置及终端设备
技术领域
本发明属于计算机技术领域，尤其涉及一种协同推荐的方法、装置及终端设备。
背景技术
随着信息技术的更新、互联网技术和云计算的快速发展，数据量也呈指数级增长。这些数据在为人类提供丰富信息的同时，也产生了信息过载的问题，人们难以在海量的数据信息中找出自身感兴趣或有用的信息，搜索引擎也不能完全满足需求，有时需求不明确，针对这一问题，推荐系统应运而生，它在信息过滤、信息分类细化以及为用户提供个性化服务中起着至关重要的作用，通过对用户的行为习惯进行分析，并根据其变化实时更新，自动推荐给用户各种需求信息，能极大程度地提高用户体验度，为用户带来更为准确的信息，例如，推荐系统在各大电商平台应用非常的广泛。
目前的推荐技术中，协同过滤是应用最广泛的技术之一。推荐算法主要包括基于内容过滤推荐算法和基于协同过滤推荐算法两类。其中，基于内容过滤推荐算法主要利用信息检索或信息过滤技术，根据推荐项目的内容信息和用户配置文件的相关性向目标用户推荐相关项目。基于协同过滤推荐算法又分为基于内容的过滤推荐方法和基于模型的过滤推荐方法：其中，基于内容过滤推荐算法往往不能够灵活结合多方面的有用信息进行准确推荐，而基于模型的过滤推荐方法依赖于显式或隐式的评分数据，然而当信息量较大时，用户不可能对所有项目都进行评分，从而存在稀疏问题和实时性问题，因此进行相似度度量时易产生较大误差，准确率不高。
发明内容
有鉴于此，本发明实施例提供了一种协同推荐的方法、装置及终端设备，以解决现有技术中协同推荐的方法存在准确率不高的问题。
本发明实施例的第一方面提供了一种协同推荐的方法，包括：
获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；
基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；
将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；
基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
可选地，基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置，包括：
对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量M、感知概率AP、飞行长度fl以及最大迭代次数Maxiter；其中，在乌鸦搜索算法中，假定N只乌鸦随机分布在n维搜索空间中，xi,t＝[x1 i,t,x2 i,t,…,xn i,t](i＝1,2,…,N；t＝1,2,…,Maxiter)表示第i只乌鸦在第t次迭代时的位置，Mi,t表示乌鸦i在第t次迭代时隐藏食物的记忆值，即最优位置；APi,t表示乌鸦i在第t次迭代时的感知概率AP，fli,t表示乌鸦i在第t次迭代时的飞行长度；
根据下式对乌鸦i的位置进行更新：
Figure BDA0001766282160000021
其中，xi,t为乌鸦随机产生的位置，fli,t表示乌鸦i在第t代的飞行长度，xmax为x的最大值，xmin为x的最小值，rand为[0,1]区间随机生成数；APj,t表示乌鸦j在第t次迭代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数值；
当乌鸦i的位置发生改变时，根据下式更新乌鸦记忆值：
Figure BDA0001766282160000031
其中，Mi,t表示乌鸦记忆值，f(Mi,t)表示适应度值；
当达到最大迭代次数Maxiter时，将乌鸦的Mi(i＝1,2,…,N)中的位置作为最优解，返回值作为最优模糊C-means聚类的簇中心的位置。
可选地，将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型，包括：
根据下式分别设定n个用户对m个项目的评价结果：
Figure BDA0001766282160000032
其中，xik表示用户i对项目k的评价分数；
根据用户对各项目的评分对用户进行聚类处理，将所述用户分成C个簇，其中，聚类结果表示为矩阵U，表达式如下：
Figure BDA0001766282160000033
其中uik表示用户i对簇k的隶属度；
目标函数的表达式如下：
Figure BDA0001766282160000041
其中，uik表示用户i在簇k中的隶属度，dik表示用户i和簇k中心点的欧氏距离，c表示簇k的中心点，m表示聚类结果模糊度权重参数值；
选择簇中心，设初始簇中心为C(0)，第k次迭代的隶属度矩阵U(k)的计算公式如下：
Figure BDA0001766282160000042
其中dij和drj表示簇中用户到各簇中心的欧式距离；
根据下式计算欧式距离：
Figure BDA0001766282160000043
根据下式计算第k次迭代的簇中心C(k+1)：
Figure BDA0001766282160000044
其中，uij表示用户i在簇j中的隶属度；
计算前后两次迭代的簇中心的距离，当差值小于给定阈值ε时，则停止迭代，返回得到的簇中心矩阵C和隶属度矩阵U为最优解，否则，继续迭代优化，直到迭代次数到达给定的最大迭代次数Iter，簇中心距离计算公式如下：
|C(k-1)-C(k)||≤ε
以最小化平均绝对误差MAE、精准率Precision和召回率Recall作为推荐系统适应度函数，表达式分别如下：
Figure BDA0001766282160000045
其中，Ogh表示用户g对项目h的预期评分值，Sgh表示用户g对项目h的实际值，G表示评分项目总数；
Figure BDA0001766282160000051
Figure BDA0001766282160000052
其中Int表示用户主动做出的实际评分，TopN表示为用户推荐的前N个项目；
根据所述得到最优的隶属度矩阵U和簇中心矩阵C对用户进行分类；
构建簇
Figure BDA0001766282160000053
当ck＝{k|uik＝max(uij),1≤j≤c},xi∈ck存在时，将用户i分到簇k中。
可选地，基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户，包括：
获取所述目标用户对所有项目的评分，通过下式计算两用户之间的相似度：
Figure BDA0001766282160000054
其中，sim(i,j)表示两用户之间的相似度，i和j分别表示用户i和用户j；Ri,c和Rj,c分别表示用户i和j对项目c的评分，
Figure BDA0001766282160000055
和
Figure BDA0001766282160000056
分别表示用户i和j对项目的评分平均值；
基于所述推荐模型，对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户，预测评价的计算公式如下：
Figure BDA0001766282160000061
其中，
Figure BDA0001766282160000062
表示目标用户对评分项目的平均值，sim(u,l)表示两用户之间的相似度，Rl,j为邻居用户l对项目j的评分，
Figure BDA0001766282160000063
是用户l对评价项目的评分平均值。
本发明实施例的第二方面提供了一种协同推荐的装置，包括：
数据获取模块，用于获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；
计算模块，用于基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；
构建模块，用于将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；
评分预测模块，用于基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现第一方面中方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现第一方面中方法的步骤。
本发明实施例通过将乌鸦搜索方法融入模糊C-means聚类算法，以找到初始簇中心的最优值，并利用模糊C-means聚类算法进行协调过滤推荐，构建分类能力更强的模糊聚类推荐系统，从而提高推荐准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的协同推荐的方法的实现流程示意图；
图2是本发明实施例二提供的协同推荐的方法的实现流程示意图；
图3是本发明实施例提供的协同推荐的装置的示意图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的协同推荐的方法的实现流程示意图。如图1所示，该协同推荐的方法具体包括如下步骤S101至步骤S104。
步骤S101：获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息。
其中，项目数据集信息包括用户对所述项目数据集里面的项目的评分信息。可以理解的是，一个项目信息可以对应多个用户的评分信息。
步骤S102：基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置。
步骤S103：将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型。
步骤S104：基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
本发明实施例通过将乌鸦搜索方法融入模糊C-means聚类算法，以找到初始簇中心的最优值，并利用模糊C-means聚类算法进行协调过滤推荐，构建分类能力更强的模糊聚类推荐系统，从而提高推荐准确率。
实施例二
图2示出了本发明实施例二提供的协同推荐的方法的实现流程示意图。如图2所示，所述协同推荐的方法包括如下步骤S201至步骤S210：
步骤S201：获取预定数量的项目数据集信息。
其中，项目可以为电影，书籍等。以电影为例，电影数据集信息包括电影元数据信息、用户属性信息和评分信息。具体地，数据集采用的是由美国Minnesota大学计算机科学与工程学院的GroupLens项目组提供的Movielens数据集，该数据集主要使用协同过滤Collaborative Filtering和关联规则Association Rules相结合的技术，向用户推荐他们感兴趣的电影。数据集共包含700名用户对9000部各个类别的电影的评分数据信息，以及这些用户对项目的100000次评分，评分分值分为1-5个等级，1级最低，5级最高。将所有数据集平分为5组，其中4组作为训练集，一组作为测试集。
步骤S202：对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量M、感知概率AP、飞行长度fl以及最大迭代次数Maxiter。
具体地，对乌鸦搜索算法进行初始化控制参数设置，可以但不限于包括种群群体数量M、感知概率AP、飞行长度fl以及最大迭代次数Maxiter。
假定N只乌鸦随机分布在n维搜索空间中，xi,t＝[x1i,t,x2i,t,…,xni,t](i＝1,2,…,N；t＝1,2,…,Maxiter)表示第i只乌鸦在第t次迭代时的位置。Mi,t表示乌鸦i在第t次迭代时隐藏食物的记忆值，即最优位置。APi,t表示乌鸦i在第t次迭代时的感知概率AP，fli,t表示乌鸦i在第t次迭代时的飞行长度。
步骤S203:根据如下公式(1)计算乌鸦的位置：
xi,t＝rand·(xmax-xmin)+xmin(1)
其中，xi,t为乌鸦随机产生的位置，Xmax为x的最大值，Xmin为x的最小值，rand为[0,1]区间随机生成数。
步骤S204:用感知概率来权衡算法全局搜索和局部搜索过程，并进行位置和记忆值的比较和更新。
具体地，当第t次迭代时，乌鸦i随机选择一只乌鸦j跟踪以偷窃对方的食物，而乌鸦j感知到乌鸦i跟踪的概率为AP，当乌鸦j知道乌鸦i跟踪它时，会把乌鸦i带到任意位置，当乌鸦j不知道乌鸦i跟踪它时，则乌鸦i向乌鸦j的最优位置移动，位置更新公式如下公式(2)所示：
Figure BDA0001766282160000091
其中，APi,t表示乌鸦j在t代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数值。
当乌鸦i的位置发生改变，则更新记忆值表达式如下公式(3)所示：
Figure BDA0001766282160000092
其中，M i,t表示乌鸦记忆值，f(M i,t)表示适应度值。
乌鸦搜索算法的核心思想是通过乌鸦被跟踪的感知概率来实现算法中的全局搜索和局部搜索过程，保证了算法在全局搜索的同时又具备较强的局部搜索能力。算法核心思想主要是通过公式(2)和公式(3)实现的，然后进行位置的比较和记忆值更新。
步骤S205:进入迭代循环，判断迭代次数是否达到最大迭代次数Maxiter，若达到，则执行步骤S206，否则，根据更新后的位置和记忆值返回步骤S204继续执行。
具体地，如果当期迭代次数已达到最大迭代次数Maxiter，则乌鸦搜索算法优化完成，执行步骤S206，否则，根据更新后的位置和记忆值返回步骤S204继续执行迭代。
步骤S206:输出得到位置M为问题的最优解，将所述最优解作为最优簇中心位置。
具体地，当前迭代次数已经达到最大迭代次数Maxiter时，得到的最优记忆值M数即为优化后的模糊C-means聚类的初始化簇中心。
步骤S207：基于优化后的簇中心位置进行模糊C-means聚类，计算簇中用户到各簇中心的欧式距离，从而计算得出隶属度矩阵和簇中心。
具体地，设定评分矩阵X为n个用户对m个项目的评价结果，表达式如下：
Figure BDA0001766282160000101
其中，xik表示用户i对项目k的评价分数。根据用户对各项目的评分对用户进行聚类处理，分成C个簇，其中在同个簇中用户相似度最高，聚类结果表示为矩阵U，表达式如下：
Figure BDA0001766282160000102
其中uik表示用户i对簇k的隶属度。
那么目标函数的表达式如下公式(4)所示：
Figure BDA0001766282160000111
其中uik表示用户i在簇k中的隶属度，dik表示用户i和簇k中心点的欧氏距离，c表示簇k的中心点，m表示聚类结果模糊度权重参数值，通常取值为2.5。
选择簇中心，设初始簇中心为C(0)，第k次迭代的隶属度矩阵U(k)的计算公式如下公式(5)所示：
Figure BDA0001766282160000112
其中dij和drj表示簇中用户到各簇中心的欧式距离，欧式距离的计算公式如下公式(6)所示：
Figure BDA0001766282160000113
那么第k次迭代的簇中心C(k+1)的计算公式如下公式(7)所示：
Figure BDA0001766282160000114
其中，uij表示用户i在簇j中的隶属度。
步骤S208：判断前后两次簇中心距离是否小于ε或达到最大迭代次数，若满足其中一个条件，则执行步骤S209，否则，根据返回步骤S207继续执行。
具体地，计算前后两次迭代的簇中心的距离，当差值小于给定阈值ε时，则停止迭代，返回得到的簇中心矩阵C和隶属度矩阵U为最优解，否则，继续迭代优化，直到迭代次数到达给定的最大迭代次数Iter，簇中心距离计算公式如下公式(8)所示：
|C(k-1)-C(k)||≤ε (8)
步骤S209：根据所述得到最优的隶属度矩阵U和簇中心矩阵C构建推荐系统，对用户进行分类。
具体地，根据所述得到最优的隶属度矩阵U和簇中心矩阵C对用户进行分类。构建簇
Figure BDA0001766282160000121
当ck＝{k|uik＝max(uij),1≤j≤c},xi∈ck存在时，将用户i分到簇k中。
步骤S210：根据所述得到的推荐系统，对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户。
具体地，获取用户对所有项目的评分，然后通过相似度度量计算用户与用户之间的相似度，相似度计算公式如下公式(9)所示：
Figure BDA0001766282160000122
其中，sim(i,j)表示两用户之间的相似度，i和j分别表示用户i和用户j。Ri,c和Rj,c分别表示用户i和j对项目c的评分，
Figure BDA0001766282160000123
和
Figure BDA0001766282160000124
分别表示用户i和j对项目的评分平均值。
基于所述推荐系统，对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户(n小于项目总数)。预测评价的计算公式如下公式(10)所示：
Figure BDA0001766282160000125
其中
Figure BDA0001766282160000131
表示目标用户对评分项目的平均值，sim(u,l)表示两用户之间的相似度，Rl,j为邻居用户l对项目j的评分，
Figure BDA0001766282160000132
是用户l对评价项目的评分平均值。
以最小化平均绝对误差MAE、精准率Precision和召回率Recall作为推荐系统适应度函数，表达式分别如下：
Figure BDA0001766282160000133
其中，Ogh表示用户g对项目h的预期评分值，Sgh表示用户g对项目h的实际值，G表示评分电影总数。
Figure BDA0001766282160000134
Figure BDA0001766282160000135
其中Int表示用户主动做出的实际评分，TopN表示推荐系统为用户推荐的前N个项目。
本实施例中，通过将乌鸦搜索算法融入到模糊C-means聚类方法中以确定簇中心的位置，由于乌鸦搜索算法是根据乌鸦搜索食物的行为设计出的进化算法，乌鸦能记住它们藏匿食物的最佳位置，乌鸦能跟踪其他乌鸦以窃取对方的食物，乌鸦能以一定的概率保护自己的食物以防被窃取，通过上述方式不断迭代寻优，从而获得问题的最优解，具有更强的鲁棒性和搜索能力，能够找出模糊C-means聚类的簇中心位置，然后基于获得的簇中心位置进行聚类计算，计算簇中用户到各簇中心的欧式距离，计算得出隶属度矩阵和簇中心，得到最优的隶属度矩阵U和簇中心矩阵C，从而构建出可扩展性好，推荐准确率更高的推荐系统，并对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例三
请参考图3，其示出了本发明实施例提供的协同推荐的装置的示意图。所述协同推荐的装置，包括：数据获取模块31，计算模块32，构建模块33和评分预测模块34。其中，各模块的具体功能如下：
数据获取模块31，用于获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；
计算模块32，用于基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；
构建模块33，用于将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；
评分预测模块34，用于基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
可选地，计算模块32包括：
初始化单元，用于对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量M、感知概率AP、飞行长度fl以及最大迭代次数Maxiter；其中，在乌鸦搜索算法中，假定N只乌鸦随机分布在n维搜索空间中，xi,t＝[x1 i,t,x2 i,t,…,xn i,t](i＝1,2,…,N；t＝1,2,…,Maxiter)表示第i只乌鸦在第t次迭代时的位置，Mi,t表示乌鸦i在第t次迭代时隐藏食物的记忆值，即最优位置；APi,t表示乌鸦i在第t次迭代时的感知概率AP，fli,t表示乌鸦i在第t次迭代时的飞行长度；
位置更新单元，用于根据下式对乌鸦i的位置进行更新：
Figure BDA0001766282160000151
其中，xi,t为乌鸦随机产生的位置，fli,t表示乌鸦i在第t代的飞行长度，xmax为x的最大值，xmin为x的最小值，rand为[0,1]区间随机生成数；APj,t表示乌鸦j在第t次迭代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数值；
记忆值更新单元，用于当乌鸦i的位置发生改变时，根据下式更新乌鸦记忆值：
Figure BDA0001766282160000152
其中，Mi,t表示乌鸦记忆值，f(Mi,t)表示适应度值；
判断单元，用于当达到最大迭代次数Maxiter时，将乌鸦的Mi(i＝1,2,…,N)中的位置作为最优解，返回值作为最优模糊C-means聚类的簇中心的位置。
可选地，构建模块33包括：
设定单元，用于根据下式分别设定n个用户对m个项目的评价结果：
Figure BDA0001766282160000153
其中，xik表示用户i对项目k的评价分数；
聚类处理单元，用于根据用户对各项目的评分对用户进行聚类处理，将所述用户分成C个簇，其中，聚类结果表示为矩阵U，表达式如下：
Figure BDA0001766282160000154
其中uik表示用户i对簇k的隶属度；
目标函数的表达式如下：
Figure BDA0001766282160000161
其中，uik表示用户i在簇k中的隶属度，dik表示用户i和簇k中心点的欧氏距离，c表示簇k的中心点，m表示聚类结果模糊度权重参数值；
选择簇中心，设初始簇中心为C(0)，第k次迭代的隶属度矩阵U(k)的计算公式如下：
Figure BDA0001766282160000162
其中dij和drj表示簇中用户到各簇中心的欧式距离；
根据下式计算欧式距离：
Figure BDA0001766282160000163
根据下式计算第k次迭代的簇中心C(k+1)：
Figure BDA0001766282160000164
其中，uij表示用户i在簇j中的隶属度；
计算判断单元，用于计算前后两次迭代的簇中心的距离，当差值小于给定阈值ε时，则停止迭代，返回得到的簇中心矩阵C和隶属度矩阵U为最优解，否则，继续迭代优化，直到迭代次数到达给定的最大迭代次数Iter，簇中心距离计算公式如下：
|C(k-1)-C(k)||≤ε
确定单元，用于以最小化平均绝对误差MAE、精准率Precision和召回率Recall作为推荐系统适应度函数，表达式分别如下：
Figure BDA0001766282160000165
其中，Ogh表示用户g对项目h的预期评分值，Sgh表示用户g对项目h的实际值，G表示评分项目总数；
Figure BDA0001766282160000171
Figure BDA0001766282160000172
其中Int表示用户主动做出的实际评分，TopN表示为用户推荐的前N个项目；
分类单元，用于根据所述得到最优的隶属度矩阵U和簇中心矩阵C对用户进行分类；
构建簇
Figure BDA0001766282160000173
当ck＝{k|uik＝max(uij),1≤j≤c},xi∈ck存在时，将用户i分到簇k中。
可选地，评分预测模块34包括：
获取单元，用于获取所述目标用户对所有项目的评分，通过下式计算两用户之间的相似度：
Figure BDA0001766282160000174
其中，sim(i,j)表示两用户之间的相似度，i和j分别表示用户i和用户j；Ri,c和Rj,c分别表示用户i和j对项目c的评分，
Figure BDA0001766282160000175
和
Figure BDA0001766282160000176
分别表示用户i和j对项目的评分平均值；
预测单元，用于基于所述推荐模型，对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户，预测评价的计算公式如下：
Figure BDA0001766282160000181
其中，
Figure BDA0001766282160000182
表示目标用户对评分项目的平均值，sim(u,l)表示两用户之间的相似度，Rl,j为邻居用户l对项目j的评分，
Figure BDA0001766282160000183
是用户l对评价项目的评分平均值。
本发明实施例通过将乌鸦搜索方法融入模糊C-means聚类算法，以找到初始簇中心的最优值，并利用模糊C-means聚类算法进行协调过滤推荐，构建分类能力更强的模糊聚类推荐系统，从而提高推荐准确率。
实施例四
图4是本发明实施例四提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如协同推荐的方法程序。所述处理器40执行所述计算机程序42时实现上述各个协同推荐的方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各单元的功能，例如图3所示单元31至34的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成数据获取模块，计算模块，构建模块和评分预测模块，各模块的具体功能如下：
数据获取模块，用于获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；
计算模块，用于基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；
构建模块，用于将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；
评分预测模块，用于基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种协同推荐的方法，其特征在于，包括：
获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；
基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量M、感知概率AP、飞行长度fl以及最大迭代次数Maxiter；其中，在乌鸦搜索算法中，假定N只乌鸦随机分布在n维搜索空间中，xi,t＝[x1 i,t,x2 i,t,…,xn i,t](i＝1,2,…,N；t＝1,2,…,Maxiter)表示第i只乌鸦在第t次迭代时的位置，Mi,t表示乌鸦i在第t次迭代时隐藏食物的记忆值，即最优位置；APi,t表示乌鸦i在第t次迭代时的感知概率AP，fli,t表示乌鸦i在第t次迭代时的飞行长度；
根据下式对乌鸦i的位置进行更新：
Figure FDA0002569000370000011
其中，xi,t为乌鸦随机产生的位置，fli,t表示乌鸦i在第t代的飞行长度，xmax为x的最大值，xmin为x的最小值，rand为[0,1]区间随机生成数；APj,t表示乌鸦j在第t次迭代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数值，mj,t表示乌鸦j在第t次迭代时隐藏食物的记忆值；
当乌鸦i的位置发生改变时，根据下式更新乌鸦记忆值：
Figure FDA0002569000370000012
其中，Mi,t表示乌鸦记忆值，f(Mi,t)表示适应度值；
当达到最大迭代次数Maxiter时，将乌鸦的Mi(i＝1,2,…,N)中的位置作为最优解，返回值作为最优模糊C-means聚类的簇中心的位置；
将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；
基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
2.根据权利要求1所述的协同推荐的方法，其特征在于，
将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型，包括：
根据下式分别设定n个用户对m个项目的评价结果：
Figure FDA0002569000370000021
其中，xik表示用户i对项目k的评价分数；
根据用户对各项目的评分对用户进行聚类处理，将所述用户分成C个簇，其中，聚类结果表示为矩阵U，表达式如下：
Figure FDA0002569000370000022
其中uik表示用户i对簇k的隶属度；
目标函数的表达式如下：
Figure FDA0002569000370000023
其中，uik表示用户i在簇k中的隶属度，dik表示用户i和簇k中心点的欧氏距离，c表示簇k的中心点，m表示聚类结果模糊度权重参数值；
选择簇中心，设初始簇中心为C(0)，第k次迭代的隶属度矩阵U(k)的计算公式如下：
Figure FDA0002569000370000031
其中dij和drj表示簇中用户到各簇中心的欧式距离；
根据下式计算欧式距离：
Figure FDA0002569000370000032
根据下式计算第k次迭代的簇中心C(k+1)：
Figure FDA0002569000370000033
其中，uij表示用户i在簇j中的隶属度，xj表示用户在簇j的评价分数；
计算前后两次迭代的簇中心的距离，当差值小于给定阈值ε时，则停止迭代，返回得到的簇中心矩阵C和隶属度矩阵U为最优解，否则，继续迭代优化，直到迭代次数到达给定的最大迭代次数Iter，簇中心距离计算公式如下：
|C(k-1)-C(k)||≤ε
以最小化平均绝对误差MAE、精准率Precision和召回率Recall作为推荐系统适应度函数，表达式分别如下：
Figure FDA0002569000370000034
其中，Ogh表示用户g对项目h的预期评分值，Sgh表示用户g对项目h的实际值，G表示评分项目总数；
Figure FDA0002569000370000035
Figure FDA0002569000370000041
其中Int表示用户主动做出的实际评分，TopN表示为用户推荐的前N个项目；
根据所述得到最优的隶属度矩阵U和簇中心矩阵C对用户进行分类；
构建簇
Figure FDA0002569000370000042
当ck＝{k|uik＝max(uij),1≤j≤c},xi∈ck存在时，将用户i分到簇k中。
3.根据权利要求1所述的协同推荐的方法，其特征在于，基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户，包括：
获取所述目标用户对所有项目的评分，通过下式计算两用户之间的相似度：
Figure FDA0002569000370000043
其中，sim(i,j)表示两用户之间的相似度，i和j分别表示用户i和用户j；Ri,c和Rj,c分别表示用户i和j对项目c的评分，
Figure FDA0002569000370000044
和
Figure FDA0002569000370000045
分别表示用户i和j对项目的评分平均值；
基于所述推荐模型，对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户，预测评价的计算公式如下：
Figure FDA0002569000370000046
其中，
Figure FDA0002569000370000047
表示目标用户对评分项目的平均值，sim(u,l)表示两用户之间的相似度，Rl,j为邻居用户l对项目j的评分，
Figure FDA0002569000370000051
是用户l对评价项目的评分平均值。
4.一种协同推荐的装置，其特征在于，包括：
数据获取模块，用于获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；
计算模块，用于基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量M、感知概率AP、飞行长度fl以及最大迭代次数Maxiter；其中，在乌鸦搜索算法中，假定N只乌鸦随机分布在n维搜索空间中，xi,t＝[x1 i,t,x2 i,t,…,xn i ,t](i＝1,2,…,N；t＝1,2,…,Maxiter)表示第i只乌鸦在第t次迭代时的位置，Mi,t表示乌鸦i在第t次迭代时隐藏食物的记忆值，即最优位置；APi,t表示乌鸦i在第t次迭代时的感知概率AP，fli,t表示乌鸦i在第t次迭代时的飞行长度；
位置更新单元，用于根据下式对乌鸦i的位置进行更新：
Figure FDA0002569000370000052
其中，xi,t为乌鸦随机产生的位置，fli,t表示乌鸦i在第t代的飞行长度，xmax为x的最大值，xmin为x的最小值，rand为[0,1]区间随机生成数；APj,t表示乌鸦j在第t次迭代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数值，mj,t表示乌鸦j在第t次迭代时隐藏食物的记忆值；
记忆值更新单元，用于当乌鸦i的位置发生改变时，根据下式更新乌鸦记忆值：
Figure FDA0002569000370000053
其中，Mi,t表示乌鸦记忆值，f(Mi,t)表示适应度值；
判断单元，用于当达到最大迭代次数Maxiter时，将乌鸦的Mi(i＝1,2,…,N)中的位置作为最优解，返回值作为最优模糊C-means聚类的簇中心的位置；
构建模块，用于将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；
评分预测模块，用于基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。
5.如权利要求4所述的协同推荐的装置，所述构建模块包括：
设定单元，用于根据下式分别设定n个用户对m个项目的评价结果：
Figure FDA0002569000370000061
其中，xik表示用户i对项目k的评价分数；
聚类处理单元，用于根据用户对各项目的评分对用户进行聚类处理，将所述用户分成C个簇，其中，聚类结果表示为矩阵U，表达式如下：
Figure FDA0002569000370000062
其中uik表示用户i对簇k的隶属度；
目标函数的表达式如下：
Figure FDA0002569000370000063
其中，uik表示用户i在簇k中的隶属度，dik表示用户i和簇k中心点的欧氏距离，c表示簇k的中心点，m表示聚类结果模糊度权重参数值；
选择簇中心，设初始簇中心为C(0)，第k次迭代的隶属度矩阵U(k)的计算公式如下：
Figure FDA0002569000370000071
其中dij和drj表示簇中用户到各簇中心的欧式距离；
根据下式计算欧式距离：
Figure FDA0002569000370000072
根据下式计算第k次迭代的簇中心C(k+1)：
Figure FDA0002569000370000073
其中，uij表示用户i在簇j中的隶属度，xj表示用户在簇j的评价分数；
计算判断单元，用于计算前后两次迭代的簇中心的距离，当差值小于给定阈值ε时，则停止迭代，返回得到的簇中心矩阵C和隶属度矩阵U为最优解，否则，继续迭代优化，直到迭代次数到达给定的最大迭代次数Iter，簇中心距离计算公式如下：
|C(k-1)-C(k)||≤ε
确定单元，用于以最小化平均绝对误差MAE、精准率Precision和召回率Recall作为推荐系统适应度函数，表达式分别如下：
Figure FDA0002569000370000074
其中，Ogh表示用户g对项目h的预期评分值，Sgh表示用户g对项目h的实际值，G表示评分项目总数；
Figure FDA0002569000370000075
Figure FDA0002569000370000081
其中Int表示用户主动做出的实际评分，TopN表示为用户推荐的前N个项目；
分类单元，用于根据所述得到最优的隶属度矩阵U和簇中心矩阵C对用户进行分类；
构建簇
Figure FDA0002569000370000082
当ck＝{k|uik＝max(uij),1≤j≤c},xi∈ck存在时，将用户i分到簇k中。
6.如权利要求4所述的协同推荐的装置，所述评分预测模块包括：
获取单元，用于获取所述目标用户对所有项目的评分，通过下式计算两用户之间的相似度：
Figure FDA0002569000370000083
其中，sim(i,j)表示两用户之间的相似度，i和j分别表示用户i和用户j；Ri,c和Rj,c分别表示用户i和j对项目c的评分，
Figure FDA0002569000370000084
和
Figure FDA0002569000370000085
分别表示用户i和j对项目的评分平均值；
预测单元，用于基于所述推荐模型，对目标推荐用户未评分的项目进行预测，通过相似度度量，得到评分预测，并按降序排序，将前N个项目推荐给用户，预测评价的计算公式如下：
Figure FDA0002569000370000086
其中，
Figure FDA0002569000370000087
表示目标用户对评分项目的平均值，sim(u,l)表示两用户之间的相似度，Rl,j为邻居用户l对项目j的评分，
Figure FDA0002569000370000091
是用户l对评价项目的评分平均值。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
CN201810929836.8A 2018-08-15 2018-08-15 协同推荐的方法、装置及终端设备 Active CN109190023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810929836.8A CN109190023B (zh) 2018-08-15 2018-08-15 协同推荐的方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810929836.8A CN109190023B (zh) 2018-08-15 2018-08-15 协同推荐的方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN109190023A CN109190023A (zh) 2019-01-11
CN109190023B true CN109190023B (zh) 2020-10-27

Family

ID=64918019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810929836.8A Active CN109190023B (zh) 2018-08-15 2018-08-15 协同推荐的方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN109190023B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800517B (zh) * 2019-01-24 2022-05-13 闽江学院 一种改进的磁流变阻尼器逆向建模方法
CN109933648B (zh) * 2019-02-28 2022-07-05 北京学之途网络科技有限公司 一种真实用户评论的区分方法和区分装置
CN109886353B (zh) * 2019-03-04 2021-04-23 北京工业大学 信息推荐方法和装置
CN109902235B (zh) * 2019-03-06 2023-07-07 太原理工大学 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法
CN110209928A (zh) * 2019-04-28 2019-09-06 平安科技（深圳）有限公司 一种信息推荐方法、装置及存储介质
CN110750858B (zh) * 2019-09-10 2020-07-21 太原理工大学 一种基于ecsa的高斯过程回归的4-np还原催化剂建模预测方法
CN112650940A (zh) * 2019-10-10 2021-04-13 北京多点在线科技有限公司 应用程序的推荐方法、装置、计算机设备及存储介质
CN111182354B (zh) * 2019-12-24 2022-05-10 中移（杭州）信息技术有限公司 视频评分推荐方法、装置、设备及计算机可读存储介质
CN112307324B (zh) * 2020-03-04 2024-07-16 北京字节跳动网络技术有限公司 信息处理方法、装置、设备和介质
US11269706B2 (en) * 2020-07-15 2022-03-08 Beijing Wodong Tianjun Information Technology Co., Ltd. System and method for alarm correlation and aggregation in IT monitoring
CN112233742B (zh) * 2020-09-30 2024-02-23 吾征智能技术(北京)有限公司 一种基于聚类的病历文档分类系统、设备、存储介质
CN112348151B (zh) * 2020-10-16 2023-07-28 中国联合网络通信集团有限公司 山林防火传感器的位置确定方法和装置
CN112446765A (zh) * 2020-12-01 2021-03-05 平安科技（深圳）有限公司 产品推荐方法、装置、电子设备及计算机可读存储介质
CN112862750A (zh) * 2020-12-29 2021-05-28 深圳信息职业技术学院 基于多尺度融合和元启发优化的血管影像处理方法及装置
CN112969232B (zh) * 2021-01-29 2022-06-03 北京邮电大学 一种压制式干扰源定位方法、装置及电子设备
CN113221003B (zh) * 2021-05-20 2023-05-02 北京建筑大学 一种基于对偶理论的混合过滤推荐方法及系统
CN113873434B (zh) * 2021-08-27 2022-07-26 北京邮电大学 面向通信网络热点区域容量增强的多空中基站部署方法
CN113806637A (zh) * 2021-09-23 2021-12-17 湖北天天数链技术有限公司 用户分类方法及装置、项目推荐方法及装置
CN114140299A (zh) * 2021-12-09 2022-03-04 福寿康(上海)医疗养老服务有限公司 一种护理员匹配系统及方法
CN116109176B (zh) * 2022-12-21 2024-01-05 成都安讯智服科技有限公司 一种基于协同聚类的报警异常预测方法和系统
CN117237053B (zh) * 2023-09-28 2024-05-14 朗臻(广州)信息技术有限责任公司 一种机票分销平台及其控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095477A (zh) * 2015-08-12 2015-11-25 华南理工大学 一种基于多指标评分的推荐算法
CN106779946A (zh) * 2016-12-16 2017-05-31 Tcl集团股份有限公司 一种电影推荐方法及装置
CN107944485B (zh) * 2017-11-17 2020-03-06 西安电子科技大学 基于聚类群组发现的推荐系统及方法、个性化推荐系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
协同过滤推荐算法及其改进研究;王均波;《CNKI优秀硕士学位论文全文库》;20101231;全文 *

Also Published As

Publication number Publication date
CN109190023A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190023B (zh) 协同推荐的方法、装置及终端设备
Lin et al. Multi-label feature selection with streaming labels
CN110866181B (zh) 资源推荐的方法、装置及存储介质
CN105224699B (zh) 一种新闻推荐方法及装置
CN106776673B (zh) 多媒体文档概括
Srdjevic et al. A two-phase algorithm for consensus building in AHP-group decision making
Iftikhar et al. An improved product recommendation method for collaborative filtering
CN111461637A (zh) 简历筛选方法、装置、计算机设备和存储介质
CN104750798B (zh) 一种应用程序的推荐方法和装置
Pedronette et al. Exploiting pairwise recommendation and clustering strategies for image re-ranking
CN103582884A (zh) 用于视觉搜索的稳健特征匹配
CN109886334B (zh) 一种隐私保护的共享近邻密度峰聚类方法
CN112395487B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN108427756B (zh) 基于同类用户模型的个性化查询词补全推荐方法和装置
CN113033090B (zh) 推送模型训练方法、数据推送方法、装置及存储介质
CN110825894A (zh) 数据索引建立、数据检索方法、装置、设备和存储介质
CN112131261A (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN110688565A (zh) 基于多维霍克斯过程和注意力机制的下一个物品推荐方法
CN115600017A (zh) 特征编码模型训练方法及装置、媒体对象推荐方法及装置
CN114065016A (zh) 一种推荐方法、装置、设备及计算机可读存储介质
Wang et al. scHFC: a hybrid fuzzy clustering method for single-cell RNA-seq data optimized by natural computation
CN114610859A (zh) 基于内容与协同过滤的产品推荐方法、装置及设备
CN113704617A (zh) 物品推荐方法、系统、电子设备及存储介质
Sim et al. Type-based context-aware service Recommender System for social network
Dalatu et al. Hybrid distance functions for K-Means clustering algorithms

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