CN109684548A - 一种基于用户图谱的数据推荐方法 - Google Patents
一种基于用户图谱的数据推荐方法 Download PDFInfo
- Publication number
- CN109684548A CN109684548A CN201811582358.4A CN201811582358A CN109684548A CN 109684548 A CN109684548 A CN 109684548A CN 201811582358 A CN201811582358 A CN 201811582358A CN 109684548 A CN109684548 A CN 109684548A
- Authority
- CN
- China
- Prior art keywords
- user
- map
- recommended models
- recommendation
- behavior
- 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 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户图谱的数据推荐方法,属于大数据分析及推荐方法领域;其包括步骤1:根据用户行为对应的标签和标签对应的内容构建用户图谱,将用户图谱存储至推荐数据库;步骤2:根据用户图谱构建、训练至少两个推荐模型,将已训练的推荐模型存储至推荐数据库;步骤3:用户再次行为时根据环境特征和用户图谱从推荐数据库中选择一个推荐模型进行更新,根据更新后的推荐模型进行内容推荐;本发明解决了现有推荐方法无法随用户特征改变实时更新推荐内容和推荐内容匹配度不佳的问题,达到了快速匹配推荐内容、实时更新推荐内容和提高推荐内容匹配度的效果。
Description
技术领域
本发明属于大数据分析及推荐方法领域,尤其是一种基于用户图谱的数据推荐方法。
背景技术
随着互联网技术的发展,海量信息时代已经来临,各类信息充斥于互联网,然而每个人感兴趣的信息只是其中很少的一部分,寻找感兴趣的资讯变得越来越困难。目前的推荐技术主要分为两大类:基于内容的推荐技术和基于协同过滤的推荐技术;基于内容的推荐技术是查询与用户喜欢或关注过的文章的内容相似的文章,根据兴趣进行信息推荐;基于协同过滤的推荐技术是查询与用户具有相似兴趣的其他用户,把这些其他用户喜欢或关注过的信息推荐给该用户。虽然,现有技术通过推荐,用户可以避免从海量信息中寻找自己感兴趣的信息耗时长的缺点,但是用户兴趣更改时,需要重新进行推荐时,需要重新进行用户兴趣捕获,重新从海量信息库中进行推荐,耗时长;现有信息种类繁多,采用现有方式进行推荐,推荐内容定位不准,导致推荐效果不佳;因此,需要一种推荐方法可以实现根据用户的环境特征等实时更新推荐内容和提高推荐内容的匹配度。
发明内容
本发明的目的在于:本发明提供了一种基于用户图谱的数据推荐方法,解决了现有推荐方法无法随用户特征改变实时更新推荐内容和推荐内容匹配度不佳的问题。
本发明采用的技术方案如下:
一种基于用户图谱的数据推荐方法,包括如下步骤:
步骤1:根据用户行为对应的标签和标签对应的内容构建用户图谱,将用户图谱存储至推荐数据库;
步骤2:根据用户图谱构建、训练至少两个推荐模型,将已训练的推荐模型存储至推荐数据库;
步骤3:用户再次行为时根据环境特征和用户图谱从推荐数据库中选择一个推荐模型进行更新,根据更新后的推荐模型进行内容推荐。
优选地,所述步骤1包括如下步骤:
步骤1.1:根据用户行为提取行为特征,根据行为特征记录用户标签和用户标签对应的内容;
步骤1.2:将用户作为用户图谱的主节点,用户标签作为用户图谱的第一级从节点,将用户标签对应内容作为第一级从节点的子节点,完成构建用户图谱;
步骤1.3:将用户图谱存储至推荐数据库。
优选地,所述步骤2包括如下步骤:
步骤2.1:建立至少两个推荐模型;
步骤2.2:将用户图谱的主节点和第一级从节点作为测试数据输入推荐模型,将用户图谱的第一级从节点的子节点的作为测试数据的输出训练推荐模型,获取推荐模型输入输出的映射关系;
步骤2.3:将已训练的推荐模型储存至推荐数据库。
优选地,所述推荐模型包括监督学习模型和/或深度学习模型和/或协同过滤模型。
优选地,所述步骤3包括如下步骤:
步骤3.1:用户再次行为时,判断行为对应的标签是否改变,若改变,则跳至步骤3.2;若未改变,则选择推荐数据库中的一个推荐模型进行推荐;
步骤3.2:根据改变的用户行为记录新用户标签和新用户标签对应的内容,并根据标签及其内容构建新用户图谱,将新用户图谱存储至推荐数据库;
步骤3.3:检测用户环境获取环境特征,基于环境特征和用户图谱选择符合已改变行为的推荐模型;
步骤3.4:将环境特征、新用户图谱作为步骤3.3选择的推荐模型的测试数据,将测试数据输入步骤3.3选择的推荐模型进行训练,并将已训练的更新后的推荐模型存储至推荐数据库和根据更新后的推荐模型进行内容推荐。
优选地,所述环境特征包括地理位置和时间。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明通过将用户行为进行特征提取获取用户图谱,基于用户图谱进行数据存储增加推荐数据库数据,同时根据用户图谱建立多个模型,用户行为改变后根据环境特征和用户图谱选择符合的模型进行重新训练更新推荐模型,解决了现有推荐方法无法随用户特征改变实时更新推荐内容和推荐内容匹配度不佳的问题,达到了快速匹配推荐内容、实时更新推荐内容和提高推荐内容匹配度的效果;
2.本发明根据行为特征构建用户图谱并存储至推荐数据库,将数据库进行分层后分类优化,防止数据倾斜,便于提高推荐速度和推荐效果;根据用户图谱建立模型结构,更加准确表达用户兴趣,进一步提高推荐的匹配度;
3.本发明用户行为改变时,建立并存储改变行为后的用户图谱,便于优化用户数据;再根据环境特征和用户图谱选择符合改变行为的推荐模型进行重新训练和更新,避免了从头建立的耗时长的缺点,更新快且准,利于提高推荐内容的匹配度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明的方法流程图;
图2为本发明的用户图谱示意图;
图3为本发明的模型训练流程图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
技术问题:解决了现有推荐方法无法随用户特征改变实时更新推荐内容和推荐内容匹配度不佳的问题。
技术手段:
一种基于用户图谱的数据推荐方法,包括如下步骤:
步骤1:根据用户行为对应的标签和标签对应的内容构建用户图谱,将用户图谱存储至推荐数据库;
步骤2:根据用户图谱构建、训练至少两个推荐模型,将已训练的推荐模型存储至推荐数据库;
步骤3:用户再次行为时根据环境特征和用户图谱从推荐数据库中选择一个推荐模型进行更新,根据更新后的推荐模型进行内容推荐。
步骤1包括如下步骤:
步骤1.1:根据用户行为提取行为特征,根据行为特征记录用户标签和用户标签对应的内容;
步骤1.2:将用户作为用户图谱的主节点,用户标签作为用户图谱的第一级从节点,将用户标签对应内容作为第一级从节点的子节点,完成构建用户图谱;
步骤1.3:将用户图谱存储至推荐数据库。
步骤2包括如下步骤:
步骤2.1:建立至少两个推荐模型;
步骤2.2:将用户图谱的主节点和第一级从节点作为测试数据输入推荐模型,将用户图谱的第一级从节点的子节点的作为测试数据的输出训练推荐模型,获取推荐模型输入输出的映射关系;
步骤2.3:将已训练的推荐模型储存至推荐数据库。
推荐模型包括监督学习模型和/或深度学习模型和/或协同过滤模型。
步骤3包括如下步骤:
步骤3.1:用户再次行为时,判断行为对应的标签是否改变,若改变,则跳至步骤3.2;若未改变,则选择推荐数据库中的一个推荐模型进行推荐;
步骤3.2:根据改变的用户行为记录新用户标签和新用户标签对应的内容,并根据标签及其内容构建新用户图谱,将新用户图谱存储至推荐数据库;
步骤3.3:检测用户环境获取环境特征,基于环境特征和用户图谱选择符合已改变行为的推荐模型;
步骤3.4:将环境特征、新用户图谱作为步骤3.3选择的推荐模型的测试数据,将测试数据输入步骤3.3选择的推荐模型进行训练,并将已训练的更新后的推荐模型存储至推荐数据库和根据更新后的推荐模型进行内容推荐。
环境特征包括地理位置和时间。
技术效果:本发明通过将用户行为进行特征提取获取用户图谱,基于用户图谱进行数据存储增加推荐数据库数据,同时根据用户图谱建立多个模型,用户行为改变后根据环境特征和用户图谱选择符合的模型进行重新训练更新推荐模型,解决了现有推荐方法无法随用户特征改变实时更新推荐内容和推荐内容匹配度不佳的问题,达到了快速匹配推荐内容、实时更新推荐内容和提高推荐内容匹配度的效果。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
如图1-3所示,一种基于用户图谱的数据推荐方法,包括如下步骤:
步骤1:根据用户行为对应的标签和标签对应的内容构建用户图谱,将用户图谱存储至推荐数据库;
步骤2:根据用户图谱构建、训练至少两个推荐模型,将已训练的推荐模型存储至推荐数据库;
步骤3:用户再次行为时根据环境特征和用户图谱从推荐数据库中选择一个推荐模型进行更新,根据更新后的推荐模型进行内容推荐。
步骤1包括如下步骤:
步骤1.1:根据用户行为提取行为特征,根据行为特征记录用户标签和用户标签对应的内容;
步骤1.2:将用户作为用户图谱的主节点,用户标签作为用户图谱的第一级从节点,将用户标签对应内容作为第一级从节点的子节点,完成构建用户图谱;
步骤1.3:将用户图谱存储至推荐数据库。
用户行为对应的特征分为相关性特征、热度特征和协同特征,所述相关性特征用于评估内容的属性与用户是否匹配,包括关键词匹配、分类匹配、主题匹配和来源匹配;热度特征包括全局热度、分类热度、主题热度和关键词热度;协同特征通过用户行为分析不同用户间相似性,包括点击相似、兴趣分类相似、主题相似、兴趣词相;如图2所示,用户作为主节点,用户浏览了足球视频和羽毛球视频,将用户图谱的第一级从节点记录为运动或者体育,运动节点的子节点包括羽毛球和足球,羽毛球节点和足球节点存储相关内容链接;同时记录用户行为对应的特征,比如羽毛球是通过热度特征获取的,足球视频是通过主题相似获取的;除了浏览用户行为,还包括收藏、分享和浏览时间等特征进行记录;用户图谱将用户行为和内容推荐进行关联,可实现快速推荐和优化数据库储存,利于数据库中的数据进行分类存储,利于提高推荐的准确度和速度。
实施例2
基于实施例1,如图1-3所示,步骤2包括如下步骤:
步骤2.1:建立至少两个推荐模型;
步骤2.2:将用户图谱的主节点和第一级从节点作为测试数据输入推荐模型,将用户图谱的第一级从节点的子节点的作为测试数据的输出训练推荐模型,获取推荐模型输入输出的映射关系;
步骤2.3:将已训练的推荐模型储存至推荐数据库。
推荐模型包括监督学习模型和/或深度学习模型和/或协同过滤模型。模型的结构与现有的基础结构一致,在此不进行赘述,本申请的训练方式区别于现有训练方式,训练过程如图3所示,线上服务器记录实时特征,导入到Kafka文件队列中,然后进一步导入Storm集群消费Kafka数据,客户端回传推荐的label构造训练样本,随后根据最新样本、环境特征和用户图谱进行在线训练更新模型参数,最终线上模型得到更新;
步骤3包括如下步骤:
步骤3.1:用户再次行为时,判断行为对应的标签是否改变,若改变,则跳至步骤3.2;若未改变,则选择推荐数据库中的一个推荐模型进行推荐;
步骤3.2:根据改变的用户行为记录新用户标签和新用户标签对应的内容,并根据标签及其内容构建新用户图谱,将新用户图谱存储至推荐数据库;
步骤3.3:检测用户环境获取环境特征,基于环境特征和用户图谱选择符合已改变行为的推荐模型;
步骤3.4:将环境特征、新用户图谱作为步骤3.3选择的推荐模型的测试数据,将测试数据输入步骤3.3选择的推荐模型进行训练,并将已训练的更新后的推荐模型存储至推荐数据库和根据更新后的推荐模型进行内容推荐。环境特征包括地理位置和时间;比如检测到用户使用地点为家庭住址,时间为非工作时间,那么若用户行为与上次行为不一致,环境特征也改变后,则需要考虑更换推荐模型,需要推荐选择偏向于娱乐多些的内容。
本发明用户行为改变时,建立并存储改变行为后的用户图谱,再根据环境特征和用户图谱选择符合改变行为的推荐模型进行重新训练和更新,避免了从头建立的耗时长的缺点,更新快且准,利于提高推荐内容的匹配度;一方面在线训练,提高推荐的实时性;另一方面,根据图谱和最新样本重新训练,流程简便,训练耗时短,通过更新模型提高推荐更新的速度和准确度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于用户图谱的数据推荐方法,其特征在于:包括如下步骤:
步骤1:根据用户行为对应的标签和标签对应的内容构建用户图谱,将用户图谱存储至推荐数据库;
步骤2:根据用户图谱构建、训练至少两个推荐模型,将已训练的推荐模型存储至推荐数据库;
步骤3:用户再次行为时根据环境特征和用户图谱从推荐数据库中选择一个推荐模型进行更新,根据更新后的推荐模型进行内容推荐。
2.根据权利要求1所述的一种基于用户图谱的数据推荐方法,其特征在于:所述步骤1包括如下步骤:
步骤1.1:根据用户行为提取行为特征,根据行为特征记录用户标签和用户标签对应的内容;
步骤1.2:将用户作为用户图谱的主节点,用户标签作为用户图谱的第一级从节点,将用户标签对应内容作为第一级从节点的子节点,完成构建用户图谱;
步骤1.3:将用户图谱存储至推荐数据库。
3.根据权利要求1或者2所述的一种基于用户图谱的数据推荐方法,其特征在于:所述步骤2包括如下步骤:
步骤2.1:建立至少两个推荐模型;
步骤2.2:将用户图谱的主节点和第一级从节点作为测试数据输入推荐模型,将用户图谱的第一级从节点的子节点的作为测试数据的输出训练推荐模型,获取推荐模型输入输出的映射关系;
步骤2.3:将已训练的推荐模型储存至推荐数据库。
4.根据权利要求3所述的一种基于用户图谱的数据推荐方法,其特征在于:所述推荐模型包括监督学习模型和/或深度学习模型和/或协同过滤模型。
5.根据权利要求1或者2所述的一种基于用户图谱的数据推荐方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:用户再次行为时,判断行为对应的标签是否改变,若改变,则跳至步骤3.2;若未改变,则选择推荐数据库中的一个推荐模型进行推荐;
步骤3.2:根据改变的用户行为记录新用户标签和新用户标签对应的内容,并根据标签及其内容构建新用户图谱,将新用户图谱存储至推荐数据库;
步骤3.3:检测用户环境获取环境特征,基于环境特征和用户图谱选择符合已改变行为的推荐模型;
步骤3.4:将环境特征、新用户图谱作为步骤3.3选择的推荐模型的测试数据,将测试数据输入步骤3.3选择的推荐模型进行训练,并将已训练的更新后的推荐模型存储至推荐数据库和根据更新后的推荐模型进行内容推荐。
6.根据权利要求5所述的一种基于用户图谱的数据推荐方法,其特征在于:所述环境特征包括地理位置和时间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459119 | 2018-11-30 | ||
CN201811459119X | 2018-11-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109684548A true CN109684548A (zh) | 2019-04-26 |
CN109684548B CN109684548B (zh) | 2024-02-09 |
Family
ID=66189105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811582358.4A Active CN109684548B (zh) | 2018-11-30 | 2018-12-24 | 一种基于用户图谱的数据推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684548B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348895A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户标签的个性化推荐方法、装置和电子设备 |
CN112100333A (zh) * | 2020-09-17 | 2020-12-18 | 上海银行股份有限公司 | 基于深度学习与知识图谱融合的在线推荐系统 |
CN112765465A (zh) * | 2021-01-15 | 2021-05-07 | 电子科技大学 | 一种基于用户图谱的推荐方法 |
KR20220030760A (ko) * | 2020-09-03 | 2022-03-11 | 단국대학교 산학협력단 | 가상현실(vr)/증강현실(ar) 환경에서 협업 딥러닝을 활용한 개인 맞춤형 항공 조종사 훈련시스템 및 그 방법 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537115A (zh) * | 2015-01-21 | 2015-04-22 | 北京字节跳动科技有限公司 | 用户兴趣的探索方法和装置 |
CN105045907A (zh) * | 2015-08-10 | 2015-11-11 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法 |
CN105913273A (zh) * | 2015-12-14 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 智能推荐的全端显示方法及装置 |
US20170093934A1 (en) * | 2014-03-03 | 2017-03-30 | Google Inc. | Entity page recommendation based on post content |
CN107247751A (zh) * | 2017-05-26 | 2017-10-13 | 武汉大学 | 基于lda主题模型的内容推荐方法 |
CN107665230A (zh) * | 2017-06-21 | 2018-02-06 | 海信集团有限公司 | 用于智能家居控制的用户行为预测模型的训练方法及装置 |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
US20180292221A1 (en) * | 2017-04-05 | 2018-10-11 | International Business Machines Corporation | Deep learning allergen mapping |
US20190079977A1 (en) * | 2016-05-12 | 2019-03-14 | Alibaba Group Holding Limited | Method for determining user behavior preference, and method and device for presenting recommendation information |
-
2018
- 2018-12-24 CN CN201811582358.4A patent/CN109684548B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170093934A1 (en) * | 2014-03-03 | 2017-03-30 | Google Inc. | Entity page recommendation based on post content |
CN104537115A (zh) * | 2015-01-21 | 2015-04-22 | 北京字节跳动科技有限公司 | 用户兴趣的探索方法和装置 |
CN105045907A (zh) * | 2015-08-10 | 2015-11-11 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法 |
CN105913273A (zh) * | 2015-12-14 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 智能推荐的全端显示方法及装置 |
US20190079977A1 (en) * | 2016-05-12 | 2019-03-14 | Alibaba Group Holding Limited | Method for determining user behavior preference, and method and device for presenting recommendation information |
US20180292221A1 (en) * | 2017-04-05 | 2018-10-11 | International Business Machines Corporation | Deep learning allergen mapping |
CN107247751A (zh) * | 2017-05-26 | 2017-10-13 | 武汉大学 | 基于lda主题模型的内容推荐方法 |
CN107665230A (zh) * | 2017-06-21 | 2018-02-06 | 海信集团有限公司 | 用于智能家居控制的用户行为预测模型的训练方法及装置 |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
Non-Patent Citations (4)
Title |
---|
NEN-FU HUANG; CHIA-CHI CHEN; JIAN-WEI TZENG; TUNG- TE FANG; CHIA-AN LEE: "Concept Assessment System Integrated with a Knowledge Map Using Deep Learning", 《2018 LEARNING WITH MOOCS (LWMOOCS)》 * |
张召: "在线论坛用户兴趣图谱发现与个性化信息推荐", 《中国博士学位论文全文数据库(电子期刊)》 * |
张召: "在线论坛用户兴趣图谱发现与个性化信息推荐", 《中国博士学位论文全文数据库(电子期刊)》, 15 July 2013 (2013-07-15) * |
武慧娟 周兰萍 辛跃: "基于知识图谱的国内外个性化推荐比较研究", 《东北电力大学学报》, no. 5 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348895A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户标签的个性化推荐方法、装置和电子设备 |
KR20220030760A (ko) * | 2020-09-03 | 2022-03-11 | 단국대학교 산학협력단 | 가상현실(vr)/증강현실(ar) 환경에서 협업 딥러닝을 활용한 개인 맞춤형 항공 조종사 훈련시스템 및 그 방법 |
KR102419667B1 (ko) * | 2020-09-03 | 2022-07-11 | 단국대학교 산학협력단 | 가상현실(vr)/증강현실(ar) 환경에서 협업 딥러닝을 활용한 개인 맞춤형 항공 조종사 훈련시스템 및 그 방법 |
CN112100333A (zh) * | 2020-09-17 | 2020-12-18 | 上海银行股份有限公司 | 基于深度学习与知识图谱融合的在线推荐系统 |
CN112765465A (zh) * | 2021-01-15 | 2021-05-07 | 电子科技大学 | 一种基于用户图谱的推荐方法 |
CN112765465B (zh) * | 2021-01-15 | 2023-04-14 | 电子科技大学 | 一种基于用户图谱的推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109684548B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Academic social networks: Modeling, analysis, mining and applications | |
Miah et al. | A big data analytics method for tourist behaviour analysis | |
Chu et al. | A hybrid recommendation system considering visual information for predicting favorite restaurants | |
Min et al. | Cross-platform multi-modal topic modeling for personalized inter-platform recommendation | |
JP2021108183A (ja) | 意図推薦方法、装置、機器及び記憶媒体 | |
Lian et al. | Learning location naming from user check-in histories | |
CN109684548A (zh) | 一种基于用户图谱的数据推荐方法 | |
CN107800801A (zh) | 一种基于用户学习偏好的学习资源推送方法及系统 | |
Xiong et al. | Where to go: An effective point-of-interest recommendation framework for heterogeneous social networks | |
JP2011154668A (ja) | ウェブページの主意,およびユーザの嗜好を適切に把握して,最善の情報をリアルタイムに推奨する方法 | |
Adams et al. | Sensing and using social context | |
Xie et al. | Graph-based metric embedding for next poi recommendation | |
Ying et al. | Semantic trajectory-based high utility item recommendation system | |
CN110110218B (zh) | 一种身份关联方法及终端 | |
Xiong et al. | Affective impression: Sentiment-awareness POI suggestion via embedding in heterogeneous LBSNs | |
Kashian et al. | Automatic analysis of positional plausibility for points of interest in OpenStreetMap using coexistence patterns | |
KR20210065773A (ko) | 빅데이터 기반의 감성정보 분석평가 시스템 및 그 구동방법 | |
Chu et al. | TRSO: A tourism recommender system based on ontology | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
Chang et al. | Using heterogeneous social media as auxiliary information to improve hotel recommendation performance | |
Li et al. | Big data in China tourism research: A systematic review of publications from english journals | |
CN109885748A (zh) | 基于语意特征的优化推荐方法 | |
ElGindy et al. | Enriching user profiles using geo-social place semantics in geo-folksonomies | |
CN110928920B (zh) | 一种基于改进位置社交的知识推荐方法、系统及存储介质 | |
Gang | Personalized Recommendation of Tourist Attractions Based on Collaborative Filtering |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240109 Address after: 518000, Building 6, Building 1204, Hongchuang Technology Center, Qiankeng Community, Fucheng Street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Soxinda (Shenzhen) Software Technology Co.,Ltd. Applicant after: Zhang Hui Address before: 641000 room 1907-1, 19th floor, unit 3, No. 377, langui Avenue, Dongxing District, Neijiang City, Sichuan Province Applicant before: NEIJIANG YICHENG NETWORK TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |