CN109241415B - 项目推荐方法、装置、计算机设备及存储介质 - Google Patents
项目推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109241415B CN109241415B CN201810947798.9A CN201810947798A CN109241415B CN 109241415 B CN109241415 B CN 109241415B CN 201810947798 A CN201810947798 A CN 201810947798A CN 109241415 B CN109241415 B CN 109241415B
- Authority
- CN
- China
- Prior art keywords
- target user
- user
- item
- users
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种项目推荐方法、装置、计算机设备及存储介质。该方法根据目标用户的评分向量从多个用户群中确定目标用户群,再计算目标用户与目标用户所属用户群中每个用户之间的相似度值;根据相似度值确定目标用户的相似用户;获取相似用户评分过的且目标用户未评分过的项目作为推荐项目并根据推荐项目生成第一项目推荐表;根据目标用户与相似用户之间的相似度值、相似用户对推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算每个推荐项目的项目评分值;根据项目评分值按照预设排序规则将多个推荐项目进行排序以生成第二项目推荐表并推送至目标用户。该方法可以提高项目推荐的准确性,有效避免推荐项目的滞后问题。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种项目推荐方法、装置、计算机设备及存储介质。
背景技术
推荐系统是为解决信息过载问题而提出的一种智能代理系统,其能从大量信息中向用户自动推荐出符合其兴趣偏好或需求的资源。随着互联网的飞速发展,推荐系统已被应用在各个领域,尤其是应用在电子商务网站等领域。
协同过滤算法是推荐系统常用的算法,其包括基于用户的协同过滤算法和基于项目的协同过滤算法。然而,目前无论是基于用户的还是基于项目的协同过滤算法,其均存在所推荐的项目出现过时或滞后的问题,目标用户可能曾经对所推荐的项目感兴趣,但此时已经不感兴趣了,这不但降低了推送项目的准确性,同时,也给用户带来不好的用户体验。
发明内容
本申请提供了一种项目推荐方法、装置、计算机设备及存储介质,以提高项目推荐的准确性,有效避免推荐项目出现滞后的问题。
第一方面,本申请提供了一种项目推荐方法,其包括:获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量;根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群;根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值;根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户;获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表;根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值;以及根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户。
第二方面,本申请提供了一种项目推荐装置,其包括:获取单元,用于获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量;群确定单元,用于根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群;相似度计算单元,用于根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值;用户确定单元,用于根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户;生成单元,用于获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表;评分值计算单元,用于根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值;以及推荐单元,用于根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户。
第三方面,本申请又提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面提供的所述的项目推荐方法。
第四方面,本申请还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行第一方面提供的所述的项目推荐方法。
本申请提供一种项目推荐方法、装置、计算机设备及存储介质。该项目推荐方法可以提高项目推荐的准确性,尤其对于一些新闻等对时间比较敏感的项目来说,该项目推荐方法可以有效地避免推荐项目出现时间滞后的问题,从而提高项目推荐的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种项目推荐方法的示意流程图;
图2为本申请实施例提供的一种项目推荐方法的另一示意流程图;
图3为本申请实施例提供的一种项目推荐装置的示意性框图;
图4为本申请实施例提供的一种项目推荐装置的另一示意性框图;
图5为本申请实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本申请实施例提供的一种项目推荐方法的示意流程图。该项目推荐方法应用于服务器中。如图1所示,该项目推荐方法包括步骤S101~S107。
S101、获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量。
当目标用户需要服务器进行项目推荐时,服务器先获取目标用户的评分向量。具体地,在一实施例中,获取目标用户的评分向量,具体包括获取目标用户的评论数据,其中,所述评论数据包括所述目标用户对至少一个项目的评分值;以及,根据所述目标用户对项目的评分值构建所述目标用户的评分向量。
在目标用户的评分向量中包括目标用户对至少一个项目的评分值,不同位置的评分值代表目标用户对不同项目的评分。譬如,目标用户的评分向量例如为(1,1.5,3),在该目标用户的评分向量中,包括三个元素,分别为1、1.5和3,其中,1表示目标用户对项目A的评分值,1.5表示目标用户对项目B的评分值,依次类推,也即,评分向量中元素的位置代表项目,元素的值代表项目的评分值。因此,为了方便后续的相似度值的计算等,在根据目标用户对项目的评分值构建目标用户的评分向量时,需要将目标用户所评论的项目的评分值按照一定的规则进行排序,以使得所生成的目标用户的评分向量中评分值所对应的项目的排列顺序与用户群中用户的评分向量中项目的排列顺序相同。
在获得目标用户的评分向量后,将获取预先存储的多个用户群。每个用户群包括多个用户及多个用户的评分向量,用户的评分向量为用户对至少一个项目的评分值所形成的向量。
另外,在本实施例中,评分值可能表示真实的购买,也可以是目标用户或用户对商品等项目的不同行为的量化指标。譬如,该评分值可以为目标用户或用户浏览项目的次数、向朋友推荐项目、收藏、分享、评论等等这些行为的量化指标。该评分值用于表征目标用户或用户对项目的偏好程度。
在一实施例中,如图2所示,图2为本申请实施例提供的一种项目推荐方法的另一示意流程图。在步骤S101之前,还包括步骤S101a、S101b、S101c和S101d。
S101a、获取多个用户的评论数据,其中,所述评论数据包括所述用户对至少一个项目的评分值。
在执行步骤S101之前,先获得多个用户的评论数据,该评论数据可以包括用户对每个项目的评分值。一般来说,有时多个用户的评论数据不会是很完整的数据,在获取多个用户的评论数据之前还需要对多个用户的评论数据进行预设处理。
譬如,在多个用户中,a用户未对项目A进行评分,而其他用户都对项目A进行了评分,此时a用户的评论数据就不是完整的数据,需要对多个用户的评论数据进行预设处理,比如,预设处理可以例如为:筛选出不完整的a用户的评论数据,然后,获取与a用户相似的k个相似用户,再将k个相似用户对项目A的评分值进行加权平均来预测并获得a用户对项目A的评分值,从而将a用户的评论数据补充完整。
可以理解的是,上述预设处理是对不完整的a用户的评论数据进行补全处理,补全的方式不局限于上述方式,还可以为其他方式,在此不做具体限制。另外,预设处理也不局限于对不完整数据进行补全处理,还可以为对评论数据不完整的用户进行删除,比如,将a用户以及对应的评论数据进行删除,即不采用a用户的评论数据进行相关推荐。
S101b、根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量。
在获取到多个用户的评论数据后,将根据每个用户对项目的评分值构建每个用户的评分向量。需要说明的是,评分向量中的元素的位置表征了项目,为了方便后续计算,所有用户的评分向量中评分值所对应的项目的排列顺序相同。
S101c、根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群。
具体地,在一实施例中,根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群,具体包括:根据所述评分向量,采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群。可以理解的是,在通过均值聚类算法划分出多个用户群之后,每个用户群均有一个质心以及质心对应的评分向量。该质心以及质心对应的评分向量可以用来计算并获得目标用户群。
S101d、存储多个所述用户群。
S102、根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群。
在获得目标用户的评分向量之后,需要根据目标用户的评分向量从多个用户群中找到与目标用户相似度最高的用户群作为目标用户群。
具体地,在一实施例中,由于每个用户群都有质心和质心对应的评分向量。确认目标用户群的方式具体为:计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值;以及将多个所述距离值中最小的距离值对应的用户群作为目标用户群,其中,所述距离值与相似度呈负相关。
可以理解的是,所计算出的距离值越小,说明目标用户的评分向量与对应的用户群中的用户之间的相似性更高,因此,可以通过筛选出距离值最小的用户群作为目标用户群。
S103、根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值。
在获得目标用户群后,为了提高推荐的准确率,将进一步从目标用户群中确认目标用户的相似用户。
具体地,先根据目标用户的评分向量和其所属的用户群中的用户的评分向量计算目标用户与其所属的用户群中的每个用户之间的相似度值。在一实施例中,该相似度值可以为皮尔逊相关系数(英文全称:Pearson Correlation Coefficient),也可以为欧几里德距离,在此不做具体限制。
S104、根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户。
具体地,在一实施例中,服务器预先存储有一个预设阈值,此时,根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户,具体包括获取预设阈值,以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。这样就完成了通过相似度值从目标用户群中筛选出相似用户。
S105、获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表。
具体地,在一实施例中,获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,具体为:逐一获取所述相似用户评分过的项目,并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配;以及若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配,获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
在该实施例中,逐一获取相似用户评分过的项目,然后逐一将相似用户评分过的项目与目标用户评分过的所有项目进行比对,若某个相似用户评分过的项目与目标用户评分过的所有项目均不匹配,说明目标用户未评论过该项目,此时,可以将该项目设为推荐项目。
具体地,在另一实施例中,获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,具体为:获取所述目标用户的评分向量中零元素对应的项目,并将所述零元素对应的项目作为推荐项目。
在该实施例中,由于目标用户的评分向量与用户群中用户的评分向量中评分值所对应的项目的排列顺序相同。譬如,假设用户群中的每个用户都对项目A、项目B、项目C、项目D和项目E进行评分,且对应的评分值依次表示为A1、B1、C1、D1和E1。那么每个用户的评分向量可例如为(A1,B1,C1,D1,E1)。再假设目标用户对项目A、项目C和项目E进行了评分,且对应的评分值依次表示为A2、C2和E2,那么目标用户的评分向量可例如为(A2,0,C2,0,E2)。也就是说,由于该目标用户并未对项目B和项目D进行评分,因此,目标用户的评分向量中,项目B和项目D对应的元素为0,即目标用户的评分向量中项目B和项目D对应的元素为零元素。因此,可以获取目标用户的评分向量中零元素对应的项目作为推荐项目。
S106、根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值。
在一实施例中,该预设计算公式可以为:
其中,Sci为所述第一项目推荐表中第i个推荐项目的项目评分,Simj为所述目标用户与第j个相似用户之间的相似度值,Scji为第j个相似用户对第i个推荐项目的评分值,为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间tji之间的时间衰减因子,N为所述相似用户的总数。
另外,需要说明的是,该评分时间tji可以从相似用户的评论数据中获取,即相似用户的评论数据除了包括相似用户对项目的评分值外,还包括相似用户对每个项目进行评分时的评分时间。该评分时间tji可以是相似用户进行浏览项目的时间、向朋友推荐项目的时间、收藏的时间、分享的时间、评论的时间等一种或几种时间的加权平均值。
S107、根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户。
在一实施例中,步骤S107具体为:按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目,以生成第二项目推荐表。也就是说,预设排列规则为按照项目评分值从大到小的顺序排列的规则。
在另一实施例中,步骤S107具体为:按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目,以生成第三项目推荐表;获取多个所述用户群中每个用户对所述推荐项目的评论时间;从多个所述用户群中所有所述用户对所述推荐项目的评论时间中获取评论时间较晚的预设个数的评论时间;计算所述预设个数的评论时间的平均值作为所述推荐项目的平均评论时间;从所述第三项目推荐表中筛选出所述平均评论时间满足预设时间条件的推荐项目形成第二项目推荐表。
譬如,假设步骤S106计算出10个推荐项目对应的项目评分值,然后步骤S107按照项目评分值从大到小的顺序进行排列,形成第三项目推荐表。再获取多个用户群中每个用户对第三项目推荐表中每个推荐项目的评论时间,然后筛选出评论时间较晚的前100个评论时间,并计算这100个评论时间的平均值作为推荐项目的平均评论时间。这样,可以获得每个推荐项目对应的平均评论时间,然后再从第三项目推荐表中筛选出平均评论时间较晚的前5个推荐项目并根据这5个推荐项目生成第二项目推荐表,也就是说,预设时间条件为平均评论时间较晚的前5个平均评论时间。这样可以完成根据项目评分值和项目的平均评论时间两个维度对推荐项目进行筛选,可以进一步确保筛选出的推荐项目可以满足目标用户的当前需求。
当然,在其他实施例中,除了将项目评分值和项目的平均评论时间结合进行项目筛选外,还可以将项目评分值和其他时间进行结合。譬如,可以将项目评分值和项目上线时间进行结合以筛选项目。这样,步骤S107具体为:按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目,以生成第三项目推荐表;获取所述第三项目推荐表中每个所述推荐项目对应的项目上线时间;从所述第三项目推荐表中筛选出项目上线时间满足预设时间条件的推荐项目形成第二项目推荐表。
本实施例中的项目推荐方法,在进行项目推荐时,引入目标用户的当前查询时间与相似用户对推荐项目的评分时间之间的呈指数衰减的时间衰减因子,这样可以使得所推荐的项目更准确,尤其对于一些新闻等对时间比较敏感的项目来说,该方法可以有效避免推荐项目出现时间滞后的问题,提高项目推荐的准确性。
本申请实施例还提供一种项目推荐装置,该项目推荐装置用于执行前述任一项项目推荐方法。具体地,请参阅图3,图3是本申请实施例提供的一种项目推荐装置的示意性框图。该项目推荐装置300可以安装于服务器中。
如图3所示,项目推荐装置300包括获取单元301、群确定单元302、相似度计算单元303、用户确定单元304、生成单元305、评分值计算单元306和推荐单元307。
获取单元301,用于获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量。
具体地,在一实施例中,获取单元301具体用于获取目标用户的评论数据,其中,该评论数据包括目标用户对至少一个项目的评分值;以及,根据目标用户对项目的评分值构建目标用户的评分向量。
在一实施例中,如图4所示,图4为本申请实施例提供的一种项目推荐装置的另一示意性框图。该项目推荐装置300还包括数据获取单元308、向量构建单元309、划分单元310和存储单元311。
数据获取单元308,用于获取多个用户的评论数据,其中,所述评论数据包括所述用户对至少一个项目的评分值。
向量构建单元309,用于根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量。
划分单元310,用于根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群。
在一实施例中,该划分单元310具体用于:根据所述评分向量,采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群,其中,每个所述用户群包括质心以及所述质心对应的评分向量。
存储单元311,用于存储多个所述用户群。
群确定单元302,用于根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群。
具体地,在一实施例中,该群确定单元302具体用于计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值;将多个所述距离值中最小的距离值对应的用户群作为目标用户群,其中,所述距离值与相似度呈负相关。
相似度计算单元303,用于根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值。
用户确定单元304,用于根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户。
具体地,在一实施例中,用户确定单元304具体用于获取预设阈值;以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
生成单元305,用于获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表。
具体地,在一实施例中,生成单元305具体用于逐一获取所述相似用户评分过的项目,并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配;若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配,获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
具体地,在另一实施例中,生成单元305具体用于获取所述目标用户的评分向量中零元素对应的项目,并将所述零元素对应的项目作为推荐项目。
评分值计算单元306,用于根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值。
在一实施例中,该预设计算公式为:其中,Sci为所述第一项目推荐表中第i个推荐项目的项目评分值,Simj为所述目标用户与第j个相似用户之间的相似度值,Scji为第j个相似用户对第i个推荐项目的评分值,为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间tji之间的时间衰减因子,N为所述相似用户的总数。
推荐单元307,用于根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户。
在一实施例中,推荐单元307具体用于按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目,以生成第二项目推荐表。也就是说,预设排列规则为按照项目评分值从大到小的顺序排列的规则。
在另一实施例中,推荐单元307具体用于按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目,以生成第三项目推荐表;获取多个所述用户群中每个用户对所述推荐项目的评论时间;从多个所述用户群中所有所述用户对所述推荐项目的评论时间中获取评论时间较晚的预设个数的评论时间;计算所述预设个数的评论时间的平均值作为所述推荐项目的平均评论时间;从所述第三项目推荐表中筛选出所述平均评论时间满足预设时间条件的推荐项目形成第二项目推荐表。
在又一实施例中,推荐单元307具体用于按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目,以生成第三项目推荐表;获取所述第三项目推荐表中每个所述推荐项目对应的项目上线时间;从所述第三项目推荐表中筛选出项目上线时间满足预设时间条件的推荐项目形成第二项目推荐表。
需要说明的是,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,上述描述的项目推荐装置300和各单元的具体工作过程,可以参考前述项目推荐方法实施例中的对应过程,在此不再赘述。
本实施例中的项目推荐装置300,在进行项目推荐时,引入目标用户的当前查询时间与相似用户对推荐项目的评分时间之间的呈指数衰减的时间衰减因子,这样可以使得所推荐的项目更准确,尤其对于一些新闻等对时间比较敏感的项目来说,该项目推荐装置300可以有效避免推荐项目滞后的问题,提高项目推荐的准确性。
上述项目推荐装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500设备可以是服务器。
参阅图5,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种项目推荐方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种项目推荐方法。
该网络接口505用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量;根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群;根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值;根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户;获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表;根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值;以及根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户。
在一实施例中,处理器502在执行获取目标用户的评分向量以及获取预先存储的多个用户群之前,还实现如下功能:获取多个用户的评论数据,其中,所述评论数据包括所述用户对至少一个项目的评分值;根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量;根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群;以及存储多个所述用户群。
在一实施例中,处理器502在执行根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群时,具体实现如下功能:根据所述评分向量,采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群,其中,每个所述用户群包括质心以及所述质心对应的评分向量。
相应地,处理器502在执行根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群时,具体实现如下功能:计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值;以及将多个所述距离值中最小的距离值对应的用户群作为目标用户群,其中,所述距离值与相似度呈负相关。
在一实施例中,处理器502在执行根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户时,具体实现如下功能:获取预设阈值;以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
在一实施例中,处理器502在执行获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目时,具体实现如下功能:逐一获取所述相似用户评分过的项目,并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配;以及若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配,获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
在一实施例中,处理器502在执行获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目时,具体实现如下功能:获取所述目标用户的评分向量中零元素对应的项目,并将所述零元素对应的项目作为推荐项目。
在一实施例中,所述预设计算公式为:其中,Sci为所述第一项目推荐表中第i个推荐项目的项目评分值,Simj为所述目标用户与第j个相似用户之间的相似度值,Scji为第j个相似用户对第i个推荐项目的评分值,为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间tji之间的时间衰减因子,N为所述相似用户的总数。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessingUnit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,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。其中,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。
本领域普通技术人员可以理解的是实现上述项目推荐方法实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一计算机可读存储介质中。该计算机程序被该计算机系统中的至少一个处理器执行,以实现包括如上述各项目推荐方法的实施例的流程步骤。
该存储介质可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请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,也可以是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。
该集成的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,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种项目推荐方法,其特征在于,包括:
获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量;
根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群;
根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值;
根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户;
获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表;
根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值;以及
根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户;
2.根据权利要求1所述的项目推荐方法,其特征在于,在所述获取目标用户的评分向量以及获取预先存储的多个用户群之前,还包括:
获取多个用户的评论数据,其中,所述评论数据包括所述用户对至少一个项目的评分值;
根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量;
根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群;以及
存储多个所述用户群。
3.根据权利要求2所述的项目推荐方法,其特征在于,所述根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群,包括:根据所述评分向量,采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群,其中,每个所述用户群包括质心以及所述质心对应的评分向量;
所述根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群,包括:
计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值;以及
将多个所述距离值中最小的距离值对应的用户群作为目标用户群,其中,所述距离值与相似度呈负相关。
4.根据权利要求1所述的项目推荐方法,其特征在于,所述根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户,包括:
获取预设阈值;以及
筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
5.根据权利要求1所述的项目推荐方法,其特征在于,所述获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,包括:
逐一获取所述相似用户评分过的项目,并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配;以及
若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配,获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
6.根据权利要求1所述的项目推荐方法,其特征在于,所述获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,包括:获取所述目标用户的评分向量中零元素对应的项目,并将所述零元素对应的项目作为推荐项目。
7.一种项目推荐装置,其特征在于,包括:
获取单元,用于获取目标用户的评分向量以及获取预先存储的多个用户群,其中,每个所述用户群包括多个用户及多个所述用户的评分向量,所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量;
群确定单元,用于根据所述目标用户的评分向量,从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群;
相似度计算单元,用于根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量,计算所述目标用户与所述目标用户群中的每个用户之间的相似度值;
用户确定单元,用于根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户;
生成单元,用于获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目,并根据所述推荐项目生成第一项目推荐表;
评分值计算单元,用于根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子,按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值,其中,所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值;以及
推荐单元,用于根据所述项目评分值,按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表,并将所述第二项目推荐表推送至所述目标用户;
8.一种计算机设备,包括存储器、处理器及存储在所述存储器上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6中任一项的项目推荐方法。
9.一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存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6中任一项所述的项目推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947798.9A CN109241415B (zh) | 2018-08-20 | 2018-08-20 | 项目推荐方法、装置、计算机设备及存储介质 |
PCT/CN2018/125332 WO2020037931A1 (zh) | 2018-08-20 | 2018-12-29 | 项目推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947798.9A CN109241415B (zh) | 2018-08-20 | 2018-08-20 | 项目推荐方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241415A CN109241415A (zh) | 2019-01-18 |
CN109241415B true CN109241415B (zh) | 2023-04-14 |
Family
ID=65071163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810947798.9A Active CN109241415B (zh) | 2018-08-20 | 2018-08-20 | 项目推荐方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109241415B (zh) |
WO (1) | WO2020037931A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047508A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 语音记录方法、装置、计算机设备及存储介质 |
CN110363580B (zh) * | 2019-06-28 | 2022-07-19 | 深圳新度博望科技有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN110443502A (zh) * | 2019-08-06 | 2019-11-12 | 合肥工业大学 | 基于工人能力测评的众包任务推荐方法和系统 |
CN110598092A (zh) * | 2019-08-12 | 2019-12-20 | 深圳市天天学农网络科技有限公司 | 一种内容推荐的方法 |
CN110737859B (zh) * | 2019-09-09 | 2022-09-27 | 苏宁云计算有限公司 | 一种up主匹配方法及装置 |
CN110688582B (zh) * | 2019-11-12 | 2022-10-18 | 广东小天才科技有限公司 | 一种应用推荐方法、应用推荐装置及终端设备 |
CN114303351A (zh) * | 2019-11-13 | 2022-04-08 | 深圳市欢太科技有限公司 | 推送用户确定方法、装置、服务器以及存储介质 |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
CN111652686B (zh) * | 2020-06-05 | 2024-04-19 | 京东科技控股股份有限公司 | 信息推送方法、装置及存储介质 |
CN112016979B (zh) * | 2020-09-08 | 2023-07-18 | 平安科技(深圳)有限公司 | 用户分群方法、装置、设备和计算机可读存储介质 |
CN112231586A (zh) * | 2020-12-15 | 2021-01-15 | 平安科技(深圳)有限公司 | 基于迁移学习的课程推荐方法、装置、设备及介质 |
CN112966203B (zh) * | 2021-03-12 | 2023-06-06 | 杨虡 | 一种等级确定方法、装置、电子设备及存储介质 |
CN113535790A (zh) * | 2021-07-19 | 2021-10-22 | 成都数之联科技有限公司 | 协同推荐优化方法、装置、电子设备和可读存储介质 |
CN113806636A (zh) * | 2021-09-23 | 2021-12-17 | 湖北天天数链技术有限公司 | 项目推荐方法、装置、电子设备和计算机存储介质 |
CN113868545B (zh) * | 2021-11-30 | 2022-02-22 | 武汉卓尔数字传媒科技有限公司 | 一种项目推荐方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929928A (zh) * | 2012-09-21 | 2013-02-13 | 北京格致璞科技有限公司 | 基于多维相似度的个性化新闻推荐方法 |
CN105787061A (zh) * | 2016-02-29 | 2016-07-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 信息推送方法 |
CN106570090A (zh) * | 2016-10-20 | 2017-04-19 | 杭州电子科技大学 | 基于兴趣变化和信任关系的协同过滤推荐方法 |
CN106682121A (zh) * | 2016-12-09 | 2017-05-17 | 广东工业大学 | 一种基于用户兴趣变化的时效推荐方法 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
WO2018103718A1 (zh) * | 2016-12-08 | 2018-06-14 | 广州优视网络科技有限公司 | 应用推荐的方法、装置及服务器 |
CN108197285A (zh) * | 2018-01-15 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法以及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778145A (zh) * | 2012-10-22 | 2014-05-07 | 中国移动通信集团广东有限公司 | 一种信息推荐方法和系统 |
CN107277115A (zh) * | 2017-05-27 | 2017-10-20 | 深圳大学 | 一种内容推送方法及装置 |
CN107507016A (zh) * | 2017-06-29 | 2017-12-22 | 北京三快在线科技有限公司 | 一种消息推送方法和系统 |
CN108399232A (zh) * | 2018-02-13 | 2018-08-14 | 北京奇虎科技有限公司 | 一种信息推送方法、装置及电子设备 |
-
2018
- 2018-08-20 CN CN201810947798.9A patent/CN109241415B/zh active Active
- 2018-12-29 WO PCT/CN2018/125332 patent/WO2020037931A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929928A (zh) * | 2012-09-21 | 2013-02-13 | 北京格致璞科技有限公司 | 基于多维相似度的个性化新闻推荐方法 |
CN105787061A (zh) * | 2016-02-29 | 2016-07-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 信息推送方法 |
CN106570090A (zh) * | 2016-10-20 | 2017-04-19 | 杭州电子科技大学 | 基于兴趣变化和信任关系的协同过滤推荐方法 |
WO2018103718A1 (zh) * | 2016-12-08 | 2018-06-14 | 广州优视网络科技有限公司 | 应用推荐的方法、装置及服务器 |
CN106682121A (zh) * | 2016-12-09 | 2017-05-17 | 广东工业大学 | 一种基于用户兴趣变化的时效推荐方法 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN108197285A (zh) * | 2018-01-15 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109241415A (zh) | 2019-01-18 |
WO2020037931A1 (zh) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN106651542B (zh) | 一种物品推荐的方法及装置 | |
US20180046724A1 (en) | Information recommendation method and apparatus, and server | |
US9152969B2 (en) | Recommendation ranking system with distrust | |
CN107451894B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN109118336A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
CN105144154A (zh) | 内容病毒式传播力的确定及可视化 | |
CN110046196A (zh) | 标识关联方法及装置、电子设备 | |
Zhang et al. | A trust model stemmed from the diffusion theory for opinion evaluation | |
CN110659416B (zh) | 一种浏览资源的推荐方法、推荐装置及可读存储介质 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN109255676B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
CN109558384A (zh) | 日志分类方法、装置、电子设备和存储介质 | |
CN113076416A (zh) | 信息热度评估方法、装置和电子设备 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111680165B (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
Hole et al. | The use of heuristic optimization algorithms to facilitate maximum simulated likelihood estimation of random parameter logit models | |
CN106776757B (zh) | 用户完成网银操作的指示方法及装置 | |
JP5813052B2 (ja) | 情報処理装置、方法及びプログラム | |
WO2018044955A1 (en) | Systems and methods for measuring collected content significance | |
EP3100230A1 (en) | Segments of contacts | |
KR101958555B1 (ko) | 검색 결과 제공 장치 및 방법 |
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 |