CN109471978A - 一种电子资源推荐方法及装置 - Google Patents
一种电子资源推荐方法及装置 Download PDFInfo
- Publication number
- CN109471978A CN109471978A CN201811401584.8A CN201811401584A CN109471978A CN 109471978 A CN109471978 A CN 109471978A CN 201811401584 A CN201811401584 A CN 201811401584A CN 109471978 A CN109471978 A CN 109471978A
- Authority
- CN
- China
- Prior art keywords
- user
- electronic
- electronic resource
- resources
- resource
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012358 sourcing Methods 0.000 title abstract 13
- 230000003993 interaction Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000005012 migration Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电子资源推荐方法及装置，属于推荐技术领域，本发明提供的方法及装置中，针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户；基于上述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定待推荐电子资源的候选推荐用户列表；将待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。由于本发明中用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的，考虑了用户与电子资源的关联信息，从而缓解了用户与电子资源之间关系稀疏的问题，进而使得基于此得到的候选推荐用户列表更准确，从而提高了推荐结果的准确性。
Description
技术领域
本发明涉及推荐技术领域，尤其涉及一种电子资源推荐方法及装置。
背景技术
在网络爆炸的年代，用户面对的是海量信息，存在信息过载问题。在网上购物、在线音乐和新闻浏览等各种场景中，用户需要从海量信息搜索感兴趣信息，为了快速从海量信息中搜索出感兴趣信息，这就需要搜索引擎和推荐系统的参与。另外，商家针对拥有的多品类产品，也需要向有相应需求或爱好的用户进行展示，促使这些用户购买。因此，如何获取精准的用户群体，向其展示感兴趣的产品是促进用户快速查看和购买到感兴趣产品必须要解决的问题之一。
而现在的推荐技术主要包括基于内容的推荐、基于模型的推荐和混合推荐技术等。这三种方法要么是单独基于用户间相似度的结果进行推荐或单独基于分析物品间相似度的结果进行推荐，或者根据这两个结果进行推荐，但是这三种方法都没有考虑用户与物品之间的关联关系，即用户与物品之间交互关系较稀疏，从而导致推荐结果效果差的问题。
因此，如何缓解用户与物品之间交互关系较稀疏的问题，进而提高推荐结果的准确性是首要考虑的问题之一。
发明内容
本发明实施例提供一种电子资源推荐方法及装置，用以缓解用户与物品之间交互关系较稀疏所导致的推荐结果准确性较低的问题。
一方面，本发明实施例提供一种电子资源推荐方法，包括：
针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户，其中，所述用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的；
基于所述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定所述待推荐电子资源的候选推荐用户列表；
将所述待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。
采用上述方法，由于在确定候选推荐用户列表时，考虑了用户与电子资源之间的关联关系，从与待推荐电子资源相关联的用户中选择出推荐上述待推荐电子资源的用户，使得将感兴趣的电子资源推荐给用户，提高了推荐结果的准确性。
另一方面，本发明实施例提供一种电子资源推荐装置，包括：
第一确定单元，用于针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户，其中，所述用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的；
第二确定单元，用于基于所述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定所述待推荐电子资源的候选推荐用户列表；
推荐单元，用于将所述待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。
本发明有益效果：
本发明实施例提供的电子资源推荐方法及装置，针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户；基于上述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定待推荐电子资源的候选推荐用户列表；将待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。由于本发明中用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的，考虑了用户与电子资源的关联信息，从而缓解了用户与电子资源之间关系稀疏的问题，进而使得基于此得到的候选推荐用户列表更准确，从而提高了推荐结果的准确性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的电子资源推荐方法的应用场景示意图；
图2为本发明实施例提供的电子资源推荐方法的流程示意图；
图3为本发明实施例提供的确定用户与电子资源之间的关联关系的流程示意图；
图4为本发明实施例提供的确定该用户的候选相似电子资源的流程示意图；
图5为本发明实施例提供的构建用户与电子资源之间的二分图的流程示意图之一；
图6a为本发明实施例提供的对候选相似电子资源进行聚类处理的流程示意图；
图6b为本发明实施例提供的Fuzzy ART算法的原理示意图；
图7a为本发明实施例提供的构建用户与电子资源之间的二分图的流程示意图之二；
图7b为本发明实施例列举的用户与电子资源之间的二分图的效果示意图；
图8为本发明实施例提供的确定所述待推荐电子资源的候选推荐用户列表的流程示意图；
图9为本发明实施例提供的电子资源推荐装置的结构示意图；
图10为本发明实施例提供的实施电子资源推荐方法的计算装置的结构示意图。
具体实施方式
本发明实施例提供的电子资源推荐方法及装置，用以缓解用户与物品之间交互关系较稀疏所导致的推荐结果准确性较低的问题。
以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为了便于理解本发明，本发明涉及的技术术语中：
1、本发明中的电子资源，可以为广告、应用程序、新闻、音乐、视频和图片等等。
2、自适应聚类算法，其常用的算法为自适应谐振理论(Adaptive ResonanceTheory，ART)神经网络克服了所谓的可塑性和稳定性难题，能够在变化的环境中学习新信息，而不会腐蚀以前已学习的信息。而ART中比较典型的网络模型和结构为模糊自适应谐振理论网络(Fuzzy ART)，Fuzzy ART网络采用隶属函数的方法表示输入特性，从而扩展了对模型属性的学习能力。本发明中采用Fuzzy ART网络对候选相似电子资源进行聚类处理，通过采用该方法使得最终得到的用户与电子资源之间的关联关系中能够覆盖不同概率分布的连接，避免出现过拟合问题，在一定程度上提升了推荐效果。
3、个性化页面排名(personal page rank)算法继承了经典page rank算法的思想，利用数据模型链接结构(二分图)来递归地计算各节点的权重，即模拟用户通过点击链接随机访问图中节点的行为(随机行走模型)计算稳定状态下各节点得到的随机访问概率。个性化page rank与page rank的最大区别在于随机行走中的跳转行为。为了保证随机行走中各节点的访问概率能够反映出用户的偏好，个性化page rank算法要求在随机行走中的每次跳转不可随机选择到任意节点，用户只能跳转到一些特定的节点，即代表用户偏好的那些节点。在将personal page rank应用到电子资源推荐方法中时，将链接替换为本发明中的电子资源。此外，本发明中由于是确定待推荐用户，故在本发明中从待推荐电子资源所在的节点开始进行随机游走。
4、终端设备，为可以安装各类应用程序，并且能够将已安装的应用程序中提供的对象进行显示的电子设备，该电子设备可以是移动的，也可以是固定的。例如，手机、平板电脑、各类可穿戴设备、车载设备、个人数字助理(personal digital assistant，PDA)、销售终端(point of sales，POS)、地铁站内的监控设备或其它能够实现上述功能的电子设备等。
5、应用程序，也称客户端，为可以完成某项或多项特定工作的计算机程序，它具有可视的显示界面，能与用户进行交互，比如天天快报、短信和微视等都可以称为应用程序。
针对现有技术中采用单一维度进行推荐，因并未考虑用户与物品之间的关联关系而导致推荐结果不准确的问题，本发明实施例给出了解决方案，参考图1所示的结构示意图，用户设备11上安装有具有展示用户10感兴趣的电子资源的功能的应用程序，为了让用户10基于上述应用程序查看到自己感兴趣的电子资源，服务器12会针对每一待推荐电子资源，基于用户与电子资源之间的关联关系，确定与该待推荐电子资源关联的用户，然后基于上述关联关系中上述关联的用户与待推荐电子资源之间的关联程度，确定待推荐电子资源的候选推荐用户列表(以候选推荐用户列表中包括用户10为例进行说明)，然后将待推荐电子资源推荐给候选推荐列表中的每一用户，由于服务器在确定待推荐电子资源的候选推荐用户列表时，考虑了用户与电子资源之间的关联关系，而上述关联关系是根据电子资源之间的相似度与用户历史交互的电子资源共同确定出的，故基于此得到的候选推荐用户准确度较高，也即提高了推荐结果的准确性。
需要说明的是，用户设备11与服务器12之间通过网络进行通信连接，该网络可以为局域网、广域网等。用户设备11可以为便携设备(例如：手机、平板、笔记本电脑等)，也可以为个人电脑(PC，Personal Computer)，服务器12可以为任何能够提供互联网服务的设备，用户设备11中的客户端可以为具有展示用户感兴趣的电子资源的功能的应用程序，可以为天天快报、微视和腾讯新闻等等。
本发明中在实际部署时可以采用调用应用程序接口(Application ProgrammingInterface，API)服务的方式结合实际场景来实现，本发明提供的电子资源推荐方法可以运行于Linux或window系统环境。
本发明实施例提供的电子资源推荐方法可以应用到游戏拉新、金融拉新和APP下载等场景，触达用户的形式可以为天天快报、短信或微视等载体，即：基于本发明提供的电子资源推荐方法确定新游戏或新APP的候选推荐用户列表，然后基于上述天天快报等应用程序向候选推荐用户列表中的每一用户推荐认为用户比较感兴趣的新游戏或新APP等。
下面结合图1和上述应用场景，参考图2-图10来描述根据本发明示例性实施方式提供的电子资源推荐方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
如图1所示，为本发明实施例提供的电子资源推荐方法的流程示意图，包括以下步骤：
S21、针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户。
本发明中用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的。
具体地，本发明中用户与电子资源之间的关联关系可以实时确定，也可以定时确定。若实时确定用户与电子资源之间的关联关系，则在实施步骤S21时先确定当前时刻下用户与电子资源之间的关联关系，然后再针对待推荐电子资源，基于当前确定出的用户与电子资源之间的关联关系，确定与待推荐电子资源关联的用户。若定时确定用户与电子资源之间的关联关系，则针对待推荐电子资源，基于存储的上一定时时间到达时确定出的用户与电子资源之间的关联关系，确定与待推荐电子资源关联的用户。
S22、基于关联关系中关联的用户与待推荐电子资源之间的关联程度，确定待推荐电子资源的候选推荐用户列表。
S23、将待推荐电子资源推荐给候选推荐用户列表中的每一用户。
通过实施上述方法，由于在确定候选推荐用户列表时，考虑了用户与电子资源之间的关联关系，从与待推荐电子资源相关联的用户中选择出推荐上述待推荐电子资源的用户，使得将感兴趣的电子资源推荐给用户，提高了推荐结果的准确性。
较佳地，步骤S21中用户与电子资源之间的关联关系可以但不限于用二分图表征，当用二分图表征时步骤S22中关联关系中用户与电子资源之间的关联程度为二分图中的连接权重；则可以按照图3所示的方法根据电子资源之间的相似度与用户历史交互的电子资源，确定用户与电子资源之间的关联关系，包括以下步骤：
S31、针对每一用户，根据电子资源之间的相似度和该用户历史交互的电子资源，确定该用户的候选相似电子资源。
具体地，可以按照下述公式确定电子资源之间的相似度：
上述公式中，Sim(Ii,Ij)为电子资源Ii与电子资源Ij之间的相似度；user_num(Ii,Ij)为同时喜欢电子资源Ii和Ij的用户的用户数量；user_num(Ii)为喜欢电子资源Ii的用户的用户数量；user_num(Ij)为喜欢电子资源Ij的用户的用户数量。
具体实施时，在确定电子资源之间的相似度时，可以统计每一用户历史交互的电子资源，然后基于上述公式确定统计的电子资源之间的相似度。
较佳地，还可以根据业务经验，人工定义上述电子资源之间的相似度等。
较佳地，本发明中用户历史交互的电子资源可以但不限于为：浏览过、点击过、安装过、评论过、购买和/或分享过的电子资源等。
具体实施时，可以按照图4所示的流程确定该用户的候选相似电子资源，包括以下步骤：
S41、针对该用户历史交互的每一电子资源，基于电子资源之间的相似度，确定与该电子资源相似的电子资源。
S42、将与历史交互的各个电子资源相似的电子资源确定为该用户的候选相似电子资源。
在基于上述公式确定出电子资源之间的相似度后，可以将电子资源之间的相似度构成相似度矩阵Sim，该矩阵中的元素为电子资源之间的相似度。
在实施图4所示的流程时，以用户历史交互的电子资源构成的列表为Item＝(I0、I1、I2、I3、……IT)为例进行说明，则针对用户历史交互的电子资源构成的列表Item中每一交互的电子资源Ik，k介于1～T之间，从上述相似度矩阵Sim中找到该电子资源，然后基于相似度矩阵中该电子资源与其他电子资源之间的相似度，取前N个(TOP-N)电子资源作为该电子资源的候选相似电子资源；同理可以得到Item列表中其他电子资源对应的候选相似电子资源，然后将该Item列表中所有电子资源对应的候选相似电子资源确定为该用户的候选相似电子资源，为了便于候选描述，将该用户的候选相似电子资源以集合的形式存储，即该用户的候选相似电子资源集合，记为Cand＝{Item|I0，I1，I2，I3，……IT}，其中，Item|Ik表示为用户历史交互的电子资源Ik的候选相似电子资源。
基于上述描述，可以确定出各个用户的候选相似电子资源，采用图4的流程可以确定出与各个用户相关的更多的电子资源，从而为密集化用户与电子资源之间的二分图提供保障。
S32、基于各个用户确定出的候选相似电子资源和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图。
具体地，可以按照图5所示的流程实施步骤S32，包括以下步骤：
S51、针对每一用户，对该用户的候选相似电子资源进行聚类处理，得到该用户的关联电子资源集合。
具体地，通过对候选相似电子资源进行聚类处理，可以进行有选择的挑选相似电子资源，能覆盖不同概率分布的电子资源连接，避免过拟合问题的发生，在一定程度上提高了推荐效果。
较佳地，可以按照图6a所示的流程对候选相似电子资源进行聚类处理，包括以下步骤：
S61、对每一候选相似电子资源进行特征提取，得到该候选相似电子资源的特征向量。
本步骤中，可以对用户的候选相似电子资源集合Cand＝{Item|I0，I1，I2，I3，……IT}中每一候选相似电子资源进行特征提取，提取出该候选相似电子资源的特征向量。具体地，历史交互的电子资源I0的候选相似电子资源与I1的候选相似电子资源可能相同，故本发明中提取的特征向量包括每一候选相似电子资源在候选相似电子资源集合Cand中的个数，记为χ，每一候选相似电子资源在候选相似电子资源集合Cand中的相似度均值，记为σ，以及每一候选相似电子资源在候选相似电子资源集合Cand中的相似度标准差υ，为了描述方便，本发明中将候选相似电子资源n的特征向量记为：Fn＝(χn,σn,υn)。
为了更好地理解上述特征向量，T为2为例进行说明，基于步骤S41确定出I0、I1、I2的候选相似电子资源分别为：Item|I0＝(I3，I4，I5)、Item|I1＝(I3，I6，I8，I9)和Item|I0＝(I5，I6，I7)，则可以确定出候选相似电子资源有：I3，I4，I5、I6，I8，I7和I9，则可以基于相似度公式已经确定出的历史交互的电子资源与候选相似电子资源之间的相似度来确定特征向量，以候选相似电子资源I3为例进行说明，由于I3在候选相似电子资源集合中出现了两次，则可以确定出候选相似电子资源I3在集合中的个数χ3＝2；假设基于上述相似度公式确定出I0与I3之间的相似度为a1，I1与I3之间的相似度为a2，则将相似度a1与相似度a2的平均值记为候选相似电子资源I3在集合中的相似度均值，即：将相似度a1与相似度a2的标准差记为候选相似电子资源I3在集合中的相似度标准差υ3。
基于上述描述，可以确定出候选相似电子资源集合中每一候选相似电子资源的特征向量。
S62、基于提取出的特征向量，采用自适应聚类算法将各个候选相似电子资源聚成多个电子资源簇。
具体地，本发明采用自适应聚类算法对各个候选相似电子资源进行聚类处理。该自适应聚类算法可以但不限于为Fuzzy ART算法等。
本步骤中，以采用Fuzzy ART算法为例进行说明，参考图6b所示的Fuzzy ART算法的原理示意图，图6b中F0层表示输入向量，F2为类别表示层，该层中的每个节点用来表示输入向量所属的类别编号，作为输入向量的分类器；F1层为比较层，F1层接收来自F0自下而上的输入和来自F2层的自上而下的输入，并在F1层中进行匹配。本发明中F2有Q个节点，即：聚类个数为Q。
利用Fuzzy ART聚类算法进行聚类的实施过程大致为：在确定出各个候选相似电子资源的特征向量后，针对每一候选相似电子资源，将该候选相似电子资源的特征向量作为输入向量a输入到图6b所示的Fuzzy ART网络结构中，输入向量a经过F0层预处理产生的信号进入F2层后，F2层进行类别选择，通过与F1层的连接权在F2中产生一个自上而下的激励信号，该激励信号与自下而上的输入(F0层预处理产生的信号)进行匹配比较后，若匹配度超过警戒线ρ，则发生共振，F2与F1之间的连接权得到加强；否则重置F2以进行新的匹配，以此循环执行最终确定出输入向量a(该候选相似电子资源对应的特征向量)属于F2层中Q个类别节点中的哪一类。
基于上述描述，可以确定出各个候选相似电子资源所属的类别，然后将每一类别中的候选相似电子资源构成该类的电子资源簇。
S63、从每个电子资源簇中抽取若干个候选相似电子资源构成该用户的关联电子资源集合。
本步骤中，在基于步骤S62确定出Q个电子资源簇后，由于每一电子资源簇中的候选相似电子资源相关度是比较大的，故可以从每个电子资源簇中随机提取出M个候选相似电子资源，然后将提取出的候选相似电子资源构成关联电子资源集合。通过采用Fuzzy ART算法有效覆盖不同概率分布的电子资源连接。具体地，由于本发明中从F2层输出候选相似电子资源的类别，故基于此得到的每一电子资源簇中候选相似电子资源构成的关联电子资源集合也可以称作第二层级关联电子资源集合。
S52、基于各个用户的关联电子资源集合和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图。
本步骤中，由于本发明中关联电子资源集合丰富了用户的候选相似电子资源，故基于此得到的用户与电子资源之间的二分图更加密集化，从而能有效缓解用户与电子资源交换关系稀疏的问题，进而使得基于密集化的二分图确定出的候选推荐用户更准确。
较佳地，可以按照图7a所示的流程实施步骤S52，包括以下步骤：
S71、将用户与历史交互的电子资源之间的连接权重设置为第一设定值。
本步骤中，本发明中的第一设定值可以但不限于为1等等。由于用户与历史交互的电子资源一般会认为，该电子资源是该用户比较感兴趣的，故可以将用户与历史交互的电子资源之间的连接权重的初始值设置为1。
S72、将用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重设置为该候选相似电子资源的相似度均值。
具体地，关联电子资源集合中的每一候选相似电子资源对于用户来说可能是用户比较感兴趣的，可以将用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重的初始值设置为该候选相似电子资源在候选相似电子资源集合中的相似度均值σ。
S73、基于各个用户历史交互的电子资源、用户与历史交互的电子资源之间的连接权重、关联电子资源集合及用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重，构建用户与电子资源之间的二分图。
本步骤中，针对每一用户，基于该用户与历史交互的电子资源及其连接权重、用户与关联电子资源集合中的每一候选相似电子资源及其连接权重，构建该用户与这些电子资源之间的二分图，基于此可以得到其他用户与相应电子资源之间的二分图，然后将基于各个用户得到的二分图组合得到用户与电子资源之间的二分图，参考图7b所示，图7b中列举了一个用户与电子资源之间的二分图，该图中包括1～H个用户，1～Ik个电子资源，从该图中可以看出用户1历史交互的电子资源有I1、I2、I3和I4，用户1的关联电子资源集合中的候选相似电子资源有I6和I7；用户2历史交互的电子资源有I1、I2和Ik，用户2的关联电子资源集合中的候选相似电子资源有I7和Ik-1；用户H历史交互的电子资源有I1、I2、I3、I4和Ik，用户H的关联电子资源集合中的候选相似电子资源有I6、I7和Ik-1。
S33、以所述待推荐电子资源为起点，采用个性化页面排名personal page rank算法对用户与电子资源之间的二分图进行迭代游走，直至确定出用户与电子资源之间的二分图中的连接权重趋于收敛。
S34、将连接权重趋于收敛的二分图确定为用户与电子资源之间的关联关系。
本步骤中，在构建出用户与电子资源之间的二分图后，以待推荐电子资源为起点，采用personal page rank进行迭代游走，其迭代公式如下述所述：
其中，PR(l)为电子资源l的访问概率；PR(m)为电子资源m的访问概率；d为用户继续访问该电子资源的概率；ln(l)表示电子资源l指向的电子资源集合，out(l)表示电子资源m指向的电子资源集合；I为候选推荐电子资源。
具体实施时，从待推荐电子资源对应的节点开始进行迭代游走，每到一个节点都以1-d的概率停止游走并从待推荐电子资源重新开始，或者以d的概率继续游走，从当前节点指向的节点中按照均有分布随机选择一个节点继续游走，这样经过多轮游走后，每个节点被访问到的概率趋于稳定，然后将趋于稳定的概率确定为连接权重，进而将趋于稳定的二分图确定为用户与电子资源之间的二分图。参考图7b所示，以I6为待推荐电子资源为例进行说明，则以I6开始进行迭代游走，直至确定出连接权重趋于稳定的二分图。
基于此，可以确定出用户与电子资源之间的关联关系，由于该关联关系以二分图表征，而关联关系中的关联程度即为二分图中用户与电子资源之间的连接权重，故在确定待推荐电子资源的候选推荐用户时，可以按照图8所示的流程实施步骤S22，包括以下步骤：
S81、按照关联程度由高到低的顺序对所述连接的用户进行排序处理。
针对待推荐电子资源，在基于用户与电子资源之间的二分图确定出与该待推荐电子资源相关联的用户后，基于待推荐电子资源与相关联的用户之间的连接权重按由高到低的顺序进行排序。
S82、将前N个用户构成的列表确定为所述待推荐电子资源的候选推荐用户列表。
基于步骤S81，将取排序结果中前N个用户构成待推荐电子资源的候选推荐用户列表，然后将该待推荐电子资源基于推荐载体向候选推荐用户列表中的每一用户推荐待推荐电子资源。
本发明提供的电子资源推荐方法，针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户；基于上述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定待推荐电子资源的候选推荐用户列表；将待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。由于本发明中用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的，考虑了用户与电子资源的关联信息，从而有效缓解了用户与电子资源之间关系稀疏的问题，进而使得基于此得到的候选推荐用户列表更准确，从而提高了推荐结果的准确性。
基于同一发明构思，本发明实施例中还提供了一种电子资源推荐装置，由于上述装置解决问题的原理与电子资源推荐方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。
如图9所示，为本发明实施例提供的电子资源推荐装置的结构示意图，包括：
第一确定单元91，用于针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户，其中，所述用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的；
第二确定单元92，用于基于所述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定所述待推荐电子资源的候选推荐用户列表；
推荐单元93，用于将所述待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。
较佳地，所述用户与电子资源之间的关联关系用二分图表征，且所述关联关系中用户与电子资源之间的关联程度为二分图中的连接权重；则
本发明提供的电子资源推荐装置，还包括：
关联关系创建单元94，用于针对每一用户，根据电子资源之间的相似度和该用户历史交互的电子资源，确定该用户的候选相似电子资源；基于各个用户确定出的候选相似电子资源和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图；以所述待推荐电子资源为起点，采用个性化页面排名personal page rank算法对用户与电子资源之间的二分图进行迭代游走，直至确定出用户与电子资源之间的二分图中的连接权重趋于收敛；将连接权重趋于收敛的二分图确定为用户与电子资源之间的关联关系。
优选地，所述关联关系创建单元94，具体用于针对每一用户，对该用户的候选相似电子资源进行聚类处理，得到该用户的关联电子资源集合；基于各个用户的关联电子资源集合和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图。
优选地，所述关联关系创建单元94，具体用于将用户与历史交互的电子资源之间的连接权重设置为第一设定值；将用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重设置为该候选相似电子资源的相似度均值；基于各个用户历史交互的电子资源、用户与历史交互的电子资源之间的连接权重、关联电子资源集合及用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重，构建用户与电子资源之间的二分图。
优选地，所述关联关系创建单元94，具体用于对每一候选相似电子资源进行特征提取，得到该候选相似电子资源的特征向量；基于提取出的特征向量，采用自适应聚类算法将各个候选相似电子资源聚成多个电子资源簇；从每个电子资源簇中抽取若干个候选相似电子资源构成该用户的关联电子资源集合。
可选地，所述关联关系创建单元，具体用于针对该用户历史交互的每一电子资源，基于电子资源之间的相似度，确定与该电子资源相似的电子资源；将与历史交互的各个电子资源相似的电子资源确定为该用户的候选相似电子资源。
可选地，所述第二确定单元92，具体用于按照关联程度由高到低的顺序对所述连接的用户进行排序处理；将前N个用户构成的列表确定为所述待推荐电子资源的候选推荐用户列表。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
在介绍了本发明示例性实施方式的电子资源推荐方法及装置之后，接下来，介绍根据本发明的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的计算装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述描述的根据本发明各种示例性实施方式的电子资源推荐方法中的步骤。例如，所述处理单元可以执行如图2所示的步骤S21～S23中电子资源推荐流程。
下面参照图10来描述根据本发明的这种实施方式的计算装置10。图10显示的计算装置10仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，计算装置10以通用计算设备的形式表现。计算装置10的组件可以包括但不限于：上述至少一个处理单元101、上述至少一个存储单元102、连接不同系统组件(包括存储单元102和处理单元101)的总线103。
总线103表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元102可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1021和/或高速缓存存储器1022，还可以进一步包括只读存储器(ROM)1023。
存储单元102还可以包括具有一组(至少一个)程序模块1024的程序/实用工具1025，这样的程序模块1024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置10也可以与一个或多个外部设备104(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置10交互的设备通信，和/或与使得该计算装置10能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口105进行。并且，计算装置10还可以通过网络适配器106与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器106通过总线103与用于计算装置10的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置10使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本发明提供的电子资源推荐方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的电子资源推荐方法中的步骤，例如，所述计算机设备可以执行如图2所示的步骤S21～S13中电子资源推荐流程。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于电子资源推荐方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种电子资源推荐方法，其特征在于，包括：
针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户，其中，所述用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的；
基于所述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定所述待推荐电子资源的候选推荐用户列表；
将所述待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。
2.如权利要求1所述的方法，其特征在于，所述用户与电子资源之间的关联关系用二分图表征，且所述关联关系中用户与电子资源之间的关联程度为二分图中的连接权重；则按照下述方法根据电子资源之间的相似度与用户历史交互的电子资源，确定用户与电子资源之间的关联关系：
针对每一用户，根据电子资源之间的相似度和该用户历史交互的电子资源，确定该用户的候选相似电子资源；
基于各个用户确定出的候选相似电子资源和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图；
以所述待推荐电子资源为起点，采用个性化页面排名personal page rank算法对用户与电子资源之间的二分图进行迭代游走，直至确定出用户与电子资源之间的二分图中的连接权重趋于收敛；
将连接权重趋于收敛的二分图确定为用户与电子资源之间的关联关系。
3.如权利要求2所述的方法，其特征在于，基于各个用户确定出的候选相似电子资源和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图，具体包括：
针对每一用户，对该用户的候选相似电子资源进行聚类处理，得到该用户的关联电子资源集合；
基于各个用户的关联电子资源集合和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图。
4.如权利要求2或3所述的方法，其特征在于，基于各个用户的关联电子资源集合和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图，具体包括：
将用户与历史交互的电子资源之间的连接权重设置为第一设定值；
将用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重设置为该候选相似电子资源的相似度均值；
基于各个用户历史交互的电子资源、用户与历史交互的电子资源之间的连接权重、关联电子资源集合及用户与关联电子资源集合中的每一候选相似电子资源之间的连接权重，构建用户与电子资源之间的二分图。
5.如权利要求3所述的方法，其特征在于，针对每一用户，对该用户的候选相似电子资源进行聚类处理，得到该用户的关联电子资源集合，具体包括：
对每一候选相似电子资源进行特征提取，得到该候选相似电子资源的特征向量；
基于提取出的特征向量，采用自适应聚类算法将各个候选相似电子资源聚成多个电子资源簇；
从每个电子资源簇中抽取若干个候选相似电子资源构成该用户的关联电子资源集合。
6.如权利要求2所述的方法，其特征在于，针对每一用户，根据电子资源之间的相似度和该用户历史交互的电子资源，确定该用户的候选相似电子资源，具体包括：
针对该用户历史交互的每一电子资源，基于电子资源之间的相似度，确定与该电子资源相似的电子资源；
将与历史交互的各个电子资源相似的电子资源确定为该用户的候选相似电子资源。
7.如权利要求1所述的方法，其特征在于，基于所述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定所述待推荐电子资源的候选推荐用户列表，具体包括：
按照关联程度由高到低的顺序对所述连接的用户进行排序处理；
将前N个用户构成的列表确定为所述待推荐电子资源的候选推荐用户列表。
8.一种电子资源推荐装置，其特征在于，包括：
第一确定单元，用于针对待推荐电子资源，基于用户与电子资源之间的关联关系，确定与所述待推荐电子资源关联的用户，其中，所述用户与电子资源之间的关联关系是根据电子资源之间的相似度与用户历史交互的电子资源确定出的；
第二确定单元，用于基于所述关联关系中所述关联的用户与待推荐电子资源之间的关联程度，确定所述待推荐电子资源的候选推荐用户列表；
推荐单元，用于将所述待推荐电子资源推荐给所述候选推荐用户列表中的每一用户。
9.如权利要求8所述的装置，其特征在于，所述用户与电子资源之间的关联关系用二分图表征，且所述关联关系中用户与电子资源之间的关联程度为二分图中的连接权重；则所述装置，还包括：
关联关系创建单元，用于针对每一用户，根据电子资源之间的相似度和该用户历史交互的电子资源，确定该用户的候选相似电子资源；基于各个用户确定出的候选相似电子资源和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图；以所述待推荐电子资源为起点，采用个性化页面排名personal page rank算法对用户与电子资源之间的二分图进行迭代游走，直至确定出用户与电子资源之间的二分图中的连接权重趋于收敛；将连接权重趋于收敛的二分图确定为用户与电子资源之间的关联关系。
10.如权利要求9所述的装置，其特征在于，
所述关联关系创建单元，具体用于针对每一用户，对该用户的候选相似电子资源进行聚类处理，得到该用户的关联电子资源集合；基于各个用户的关联电子资源集合和各个用户历史交互的电子资源，构建用户与电子资源之间的二分图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401584.8A CN109471978B (zh) | 2018-11-22 | 2018-11-22 | 一种电子资源推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401584.8A CN109471978B (zh) | 2018-11-22 | 2018-11-22 | 一种电子资源推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109471978A true CN109471978A (zh) | 2019-03-15 |
| CN109471978B CN109471978B (zh) | 2022-01-28 |
Family
ID=65673047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811401584.8A Active CN109471978B (zh) | 2018-11-22 | 2018-11-22 | 一种电子资源推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109471978B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232148A (zh) * | 2019-04-16 | 2019-09-13 | 阿里巴巴集团控股有限公司 | 项目推荐系统、方法以及装置 |
| CN110659394A (zh) * | 2019-08-02 | 2020-01-07 | 中国人民大学 | 基于双向邻近度的推荐方法 |
| CN110706772A (zh) * | 2019-10-11 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种排序方法及装置、电子设备、存储介质 |
| CN111259668B (zh) * | 2020-05-07 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 阅读任务处理方法、模型训练方法、装置和计算机设备 |
| CN111984855A (zh) * | 2019-05-24 | 2020-11-24 | 北京车和家信息技术有限公司 | 信息推荐的方法及装置 |
| CN112801191A (zh) * | 2021-02-02 | 2021-05-14 | 中国石油大学(北京) | 管道事故处置的智能推荐方法、装置及设备 |
| CN113743974A (zh) * | 2021-01-14 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种资源推荐方法及装置、设备、存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102780920A (zh) * | 2011-07-05 | 2012-11-14 | 上海奂讯通信安装工程有限公司 | 电视节目推荐方法及系统 |
| US20130117367A1 (en) * | 2009-10-26 | 2013-05-09 | Nec Corporation | Content recommendation system, recommendation method and information recording medium recording recommendation program |
| CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
| CN103440341A (zh) * | 2013-09-09 | 2013-12-11 | 广州品唯软件有限公司 | 信息推荐方法及装置 |
| 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 |
| CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
| CN104899763A (zh) * | 2015-05-07 | 2015-09-09 | 西安电子科技大学 | 基于二分网络双向扩散的个性化推荐方法 |
| CN105528379A (zh) * | 2014-10-24 | 2016-04-27 | 杭州师范大学 | 一种资源的推荐方法和装置 |
| CN105894330A (zh) * | 2016-04-01 | 2016-08-24 | 西安电子科技大学 | 基于物品相似度和二分网络的物品推荐方法 |
| CN105913296A (zh) * | 2016-04-01 | 2016-08-31 | 北京理工大学 | 一种基于图的个性化推荐方法 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN106528745A (zh) * | 2016-10-27 | 2017-03-22 | 北京奇虎科技有限公司 | 在移动终端上推荐资源的方法、装置及移动终端 |
| CN107506480A (zh) * | 2017-09-13 | 2017-12-22 | 浙江工业大学 | 一种基于评论挖掘与密度聚类的双层图结构推荐方法 |
| CN107944026A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术（北京）有限公司 | 一种图集个性化推荐的方法、装置、服务器和存储介质 |
-
2018
- 2018-11-22 CN CN201811401584.8A patent/CN109471978B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130117367A1 (en) * | 2009-10-26 | 2013-05-09 | Nec Corporation | Content recommendation system, recommendation method and information recording medium recording recommendation program |
| CN102780920A (zh) * | 2011-07-05 | 2012-11-14 | 上海奂讯通信安装工程有限公司 | 电视节目推荐方法及系统 |
| 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 |
| CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
| CN103440341A (zh) * | 2013-09-09 | 2013-12-11 | 广州品唯软件有限公司 | 信息推荐方法及装置 |
| CN105528379A (zh) * | 2014-10-24 | 2016-04-27 | 杭州师范大学 | 一种资源的推荐方法和装置 |
| CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
| CN104899763A (zh) * | 2015-05-07 | 2015-09-09 | 西安电子科技大学 | 基于二分网络双向扩散的个性化推荐方法 |
| CN105894330A (zh) * | 2016-04-01 | 2016-08-24 | 西安电子科技大学 | 基于物品相似度和二分网络的物品推荐方法 |
| CN105913296A (zh) * | 2016-04-01 | 2016-08-31 | 北京理工大学 | 一种基于图的个性化推荐方法 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN106528745A (zh) * | 2016-10-27 | 2017-03-22 | 北京奇虎科技有限公司 | 在移动终端上推荐资源的方法、装置及移动终端 |
| CN107506480A (zh) * | 2017-09-13 | 2017-12-22 | 浙江工业大学 | 一种基于评论挖掘与密度聚类的双层图结构推荐方法 |
| CN107944026A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术（北京）有限公司 | 一种图集个性化推荐的方法、装置、服务器和存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232148A (zh) * | 2019-04-16 | 2019-09-13 | 阿里巴巴集团控股有限公司 | 项目推荐系统、方法以及装置 |
| CN111984855A (zh) * | 2019-05-24 | 2020-11-24 | 北京车和家信息技术有限公司 | 信息推荐的方法及装置 |
| CN110659394A (zh) * | 2019-08-02 | 2020-01-07 | 中国人民大学 | 基于双向邻近度的推荐方法 |
| CN110659394B (zh) * | 2019-08-02 | 2023-05-02 | 中国人民大学 | 基于双向邻近度的推荐方法 |
| CN110706772A (zh) * | 2019-10-11 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种排序方法及装置、电子设备、存储介质 |
| CN111259668B (zh) * | 2020-05-07 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 阅读任务处理方法、模型训练方法、装置和计算机设备 |
| CN113743974A (zh) * | 2021-01-14 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种资源推荐方法及装置、设备、存储介质 |
| CN112801191A (zh) * | 2021-02-02 | 2021-05-14 | 中国石油大学(北京) | 管道事故处置的智能推荐方法、装置及设备 |
| CN112801191B (zh) * | 2021-02-02 | 2023-11-21 | 中国石油大学(北京) | 管道事故处置的智能推荐方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109471978B (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
| CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
| US20160170982A1 (en) | Method and System for Joint Representations of Related Concepts | |
| US10949000B2 (en) | Sticker recommendation method and apparatus | |
| CN109918662B (zh) | 一种电子资源的标签确定方法、装置和可读介质 | |
| JP7564332B2 (ja) | 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| US11386463B2 (en) | Method and apparatus for labeling data | |
| WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
| CN112100489B (zh) | 对象推荐的方法、装置和计算机存储介质 | |
| CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
| CN108959323B (zh) | 视频分类方法和装置 | |
| CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
| JP7498248B2 (ja) | コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム | |
| CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
| CN111339406A (zh) | 个性化推荐方法、装置、设备及存储介质 | |
| WO2024041483A1 (zh) | 一种推荐方法及相关装置 | |
| CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 | |
| WO2024002167A1 (zh) | 一种操作预测方法及相关装置 | |
| CN112801053B (zh) | 视频数据处理方法、装置 | |
| CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
| CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
| CN115221954B (zh) | 用户画像方法、装置、电子设备以及存储介质 | |
| WO2021204039A1 (zh) | 用于推送信息的方法和装置 | |
| CN116484085A (zh) | 一种信息投放方法、装置、设备及存储介质、程序产品 |
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 |