CN110134861A - 一种基于项目类别和用户偏好的推荐方法 - Google Patents

一种基于项目类别和用户偏好的推荐方法 Download PDF

Info

Publication number
CN110134861A
CN110134861A CN201910294763.4A CN201910294763A CN110134861A CN 110134861 A CN110134861 A CN 110134861A CN 201910294763 A CN201910294763 A CN 201910294763A CN 110134861 A CN110134861 A CN 110134861A
Authority
CN
China
Prior art keywords
tensor
user
scoring
dimensional
preference
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
Application number
CN201910294763.4A
Other languages
English (en)
Other versions
CN110134861B (zh
Inventor
熊智
徐恺
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN201910294763.4A priority Critical patent/CN110134861B/zh
Publication of CN110134861A publication Critical patent/CN110134861A/zh
Application granted granted Critical
Publication of CN110134861B publication Critical patent/CN110134861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于项目类别和用户偏好的推荐方法，根据用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B，对三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’，根据三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q，最后根据填补后的评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O，再根据推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。采用本发明实施例，不仅考虑了项目的类别信息，也考虑了用户的偏好信息，有助于提升推荐质量，具有更好的推荐效果。

Description

一种基于项目类别和用户偏好的推荐方法
技术领域
本发明涉及智能推荐技术领域，尤其涉及一种基于项目类别和用户偏好的推荐方法。
背景技术
传统的推荐方法主要是依据用户对项目的评分来进行推荐，而在实际的推荐系统中，所能获得的数据除了用户对项目的评分，通常还包括项目的分类情况。譬如，小说可以分为科幻、历史、言情等类别，电影可以分为喜剧、战争、动画等类别。传统的推荐方法仅仅依据评分数据进行推荐，而忽略了项目的类别信息，推荐效果不佳。
现有技术都是采用一些算法对空缺的评分数据进行预测或估计(通常，项目数量巨大，用户只对很少的项目有评分，因此评分数据是很稀疏的)，然后直接依据预测或估计的评分进行推荐，并没有结合或考虑用户的偏好信息。以书籍推荐为例，如果某用户从未接触过历史类型的书籍，但在填补后的评分数据中，可能出现某些历史类型的书籍被该用户评了高分(不是该用户评的，而是被填补的)而被推荐，因为有一些与他相似的用户给历史类型书籍评了高分。如果某用户特别偏爱历史类型的书籍，对历史类型书籍的评分明显高于其他用户，那么有可能因为其他用户对历史类型书籍的评分过低，而导致历史类型的书籍被该用户评分(不是该用户评的，而是被填补的)过低而不被推荐。可见，现有技术直接依据填补后的评分数据进行推荐，而没有考虑用户的偏好信息，推荐效果不佳。
发明内容
本发明实施例提出一种基于项目类别和用户偏好的推荐方法，不仅考虑了项目的类别信息，也考虑了用户的偏好信息，有助于提升推荐质量，具有更好的推荐效果。
本发明实施例提供一种基于项目类别和用户偏好的推荐方法，包括：
获取所有的用户评分信息和项目类别信息，并根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B；
对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’；
根据所述三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q；
根据预设的权重，结合所述填补后的三维评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O；
根据在所述推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。
进一步的，所述根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B，具体为：
三维评分张量A中的元素为Auic；三维兴趣张量B中的元素为Buic；
若用户u对项目i有评分，且项目i属于类别c，则Auic为评分值，Buic为1；否则，Auic和Buic均为0，其中，u，i和c分别表示用户、项目和类别的编号。进一步的，所述对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’，具体为：
设置张量填补的秩约束τ和最大迭代次数T；
初始化一个与所述三维评分张量A具有相同维度的临时张量X；
迭代计算，直到达到最大迭代次数T，每次迭代首先计算所述临时张量X的可行下降方向S，然后更新所述临时张量X的值；
将所述临时张量X的最终值作为所述填补后的三维评分张量A’，其中，所述填补后的三维评分张量A’的秩不超过所述秩约束τ。
进一步的，所述每次迭代首先计算所述临时张量X的可行下降方向S，然后更新所述临时张量X的值，具体为：
将三维张量ΩA(X-A)分别沿着第1维、第2维和第3维展开后得到三个矩阵(ΩA(X-A))<1>、(ΩA(X-A))<2>和(ΩA(X-A))<3>，其中，ΩA(M)表示一个张量，如果Auic≠0，则(ΩA(M))uic＝Muic，如果Auic＝0，则(ΩA(M))uic＝0；A为所述所述三维评分张量；
分别计算所述三个矩阵(ΩA(X-A))<1>、(ΩA(X-A))<2>和(ΩA(X-A))<3>的最大奇异值σ1、σ2和σ3，将和三者中的最大值记为则可行下降方向S为其中，U、I和C分别表示用户、项目和类别的数量；k的取值为1、2或3；当k＝1时，K＝U；当k＝2时，K＝I；当k＝3时，K＝C；τ为所述张量填补的秩约束；g和h分别为矩阵(ΩA(X-A))<k>的最大奇异值σk对应的左右奇异列向量；(ghT)<k>表示一个三维张量，其沿第k维展开得到的矩阵为ghT；
判断-(<ΩA(X-A)，ΩA(S-X)＞/<ΩA(S-X)，ΩA(S-X)＞)的取值范围，对所述临时张量X的值进行相应的更新，其中，符号<M，N>表示张量M与张量N的内积，具体地，
如果该值大于等于0且小于等于1，那么
X＝X-(<ΩA(X-A)，ΩA(S-X)＞/＜ΩA(S-X)，ΩA(S-X)＞)(S-X)；
如果该值小于0，那么X＝X+10-6(S-X)；
如果该值大于1，那么X＝S。
进一步的，所述根据所述三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q，具体为：
根据用户u对类别c的评分次数和用户u对所有类别的总评分次数，计算用户u对类别c的类别偏好Puc，计算出每个用户对每个类别的类别偏好，构建类别偏好矩阵P；
根据用户u对类别c的平均评分以及除用户u外的其他用户对类别c的平均评分，计算用户u对类别c的评分偏好Quc，计算出每个用户对每个类别的评分偏好，构建评分偏好矩阵Q。
进一步的，所述根据预设的权重，结合所述填补后的三维评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O，具体为：
判断用户u对项目i是否评过分；
若是，则向用户u推荐项目i的推荐程度Oui等于零，
否则，采用下述方法计算向用户u推荐项目i的推荐程度Oui：
设置介于0和1之间的三个权重：wa、wp和wq，满足wa+wp+wq＝1；
根据所述填补后的三维评分张量A’中用户u和项目i对应的向量、所述类别偏好矩阵P中用户u对应的向量、以及所述评分偏好矩阵Q中用户u对应的向量，分别用所述权重wa、wp和wq进行加权求和，获得中间向量Y；
将中间向量Y中的最大元素值作为向用户u推荐项目i的推荐程度Oui；
计算出向每个用户推荐每个项目的推荐程度，构建推荐程度矩阵O。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的基于项目类别和用户偏好的推荐方法，根据用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B，对三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’，根据三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q，最后根据填补后的评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O，再根据推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。相比于现有技术不考虑项目的类别信息或者直接依据填补后的评分数据进行推荐而没有考虑用户的偏好信息，本发明技术方案基于“用户-项目-类别”的三维评分张量进行推荐，不仅考虑了项目的类别信息，也考虑了用户的偏好信息，有助于提升推荐质量，具有更好的推荐效果。
进一步的，本发明的三维张量填补采用了Frank-Wblfe算法进行迭代计算，减小了填补空缺值的计算量，提高了填补速度。
附图说明
图1是本发明提供的基于项目类别和用户偏好的推荐方法的一种实施例的流程示意图；
图2是本发明提供的三维张量按某个维度的展开示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
参见图1，是本发明提供的基于项目类别和用户偏好的推荐方法的一种实施例的流程示意图，该方法包括步骤101至步骤105，各步骤具体如下：
步骤101：获取所有的用户评分信息和项目类别信息，并根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B。
在本实施例中，步骤101具体为：三维评分张量A中的元素为Auic；三维兴趣张量B中的元素为Buic；若用户u对项目i有评分，且项目i属于类别c，则Auic为评分值，Buic为1；否则，Auic和Buic均为0，其中，u，i和c分别表示用户、项目和类别的编号。
通常，项目数量巨大，用户只对很少的项目有评分，因此评分数据是很稀疏的，即三维评分张量A中有很多空缺值。
步骤102：对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’。
在本实施例中，步骤102具体为：
步骤1021：设置张量填补的秩约束τ和最大迭代次数T；
步骤1022：初始化一个与所述三维评分张量A具有相同维度的临时张量X；
步骤1023：迭代计算，直到达到最大迭代次数T，每次迭代首先计算所述临时张量X的可行下降方向S，然后更新所述临时张量X的值；
步骤1024：将所述临时张量X的最终值作为所述填补后的三维评分张量A’，其中，所述填补后的三维评分张量A’的秩不超过所述秩约束τ。
在本实施例中，本发明将三维张量的填补描述成带约束的非线性优化问题，并借助scaled-latent核范数来代替对张量秩的约束，然后利用Frank-Wolfe算法将非线性优化问题转换成一系列线性优化问题进行求解。相比于现有的张量填补技术，本发明减少了填补时的计算量，提高了填补效率。
在本实施例中，步骤1023具体为：
将三维张量ΩA(X-A)分别沿着第1维、第2维和第3维展开后得到三个矩阵(ΩA(X-A))<1>、(ΩA(X-A))<2>和(ΩA(X-A))<3>，其中，ΩA(M)表示一个张量，如果Auic≠0，则(ΩA(M))uic＝Muic，如果Auic＝0，则(ΩA(M))uic＝0；A为所述所述三维评分张量；
分别计算所述三个矩阵(ΩA(X-A))<1>、(ΩA(X-A))<2>和(ΩA(X-A))<3>的最大奇异值σ1、σ2和σ3，将和三者中的最大值记为则可行下降方向S为其中，U、I和C分别表示用户、项目和类别的数量；k的取值为1、2或3；当k＝1时，K＝U；当k＝2时，K＝I；当k＝3时，K＝C；τ为所述张量填补的秩约束；g和h分别为矩阵(ΩA(X-A))<k>的最大奇异值σk对应的左右奇异列向量；(ghT)<k>表示一个三维张量，其沿第k维展开得到的矩阵为ghT；
判断-(<ΩA(X-A)，ΩA(S-X)>/<ΩA(S-X)，ΩA(S-X)＞)的取值范围，对所述临时张量X的值进行相应的更新，其中，符号<M，N>表示张量M与张量N的内积，具体地，
如果该值大于等于0且小于等于1，那么
X＝X-(＜ΩA(X-A)，ΩA(S-X)＞/<ΩA(S-X)，ΩA(5-X)＞)(S-X)；
如果该值小于0，那么X＝X+10-6(S-X)；
如果该值大于1，那么X＝S。
为更好的说明本发明技术方案，参见图2，图2是本发明提供的三维张量按某个维度的展开示意图。H为如图2所示的一个3×4×2的三维张量，则三维张量H分别沿着第1维、第2维和第3维展开得到的三个矩阵分别为如图2所示的H<1>，H<2>和H<3>。
步骤103：根据所述三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q。
在本实施例中，步骤103具体为：根据用户u对类别c的评分次数和用户u对所有类别的总评分次数，计算用户u对类别c的类别偏好Pui，计算出每个用户对每个类别的类别偏好，构建类别偏好矩阵P；
根据用户u对类别c的平均评分以及除用户u外的其他用户对类别c的平均评分，计算用户u对类别c的评分偏好Quc，计算出每个用户对每个类别的评分偏好，构建评分偏好矩阵Q。
在本实施例中，类别偏好矩阵P中的元素Puc表示用户u对类别c的类别偏好，计算方法为：用户u对类别c的评分次数除以用户u对所有类别的总评分次数。评分偏好矩阵Q中的元素Quc表示用户u对类别c的评分偏好，计算方法为：用户u对类别c的平均评分减去除用户u外的其他用户对类别c的平均评分。
步骤104：根据预设的权重，结合所述填补后的三维评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O。
在本实施例中，推荐程度矩阵O中的元素Oui表示向用户u推荐项目i的推荐程度，计算出向每个用户推荐每个项目的推荐程度，构建推荐程度矩阵O，步骤104计算Oui具体包括步骤1041至步骤1043：
1041：判断用户u对项目i是否评过分；若是，则执行步骤1042，否则，执行步骤1043；
步骤1042：向用户u推荐项目i的推荐程度Oui等于0；
步骤1043：采用下述方法计算向用户u推荐项目i的推荐程度Oui：
设置介于0和1之间的三个权重：wa、wp和wq，满足wa+wp+wq＝1；
根据所述填补后的三维评分张量A’中用户u和项目i对应的向量、所述类别偏好矩阵P中用户u对应的向量、以及所述评分偏好矩阵Q中用户u对应的向量，分别用所述权重wa、wp和wq进行加权求和，获得中间向量Y；
将中间向量Y中的最大元素值作为向用户u推荐项目i的推荐程度Oui。
步骤105：根据在所述推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。
在本实施例中，对于用户u，将所有项目按照Oui值从大到小进行排序，向用户u推荐排名靠前的若干个项目。
由上可见，本发明技术方案具有以下优点：
1)相对于传统的基于“用户-项目”二维评分矩阵进行推荐，本文基于“用户-项目-类别”的三维评分张量进行推荐，三维张量利用了项目的类别信息，有助于提升推荐质量。
2)传统的推荐算法都是直接依据张量或矩阵填补后的数据进行推荐，然而，张量或矩阵填补虽然能够填补缺失的数据，但还不能就此做出推荐，因为张量填补并没有很好的考虑到用户的偏好信息。本发明基于张量数据构建了用户类别偏好矩阵和评分偏好矩阵，联合填补后的张量和两个偏好矩阵进行推荐。
3)三维的张量填补是一个复杂的优化问题，现有的填补方案计算量大，而本发明给出了一种计算量较小的填补方案。
本领域普通技术人员可以理解实现上述实施例方法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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种基于项目类别和用户偏好的推荐方法，其特征在于，包括：
获取所有的用户评分信息和项目类别信息，并根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B；
对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’；
根据所述三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q；
根据预设的权重，结合所述填补后的三维评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O；
根据在所述推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。
2.根据权利要求1所述的基于项目类别和用户偏好的推荐方法，其特征在于，所述根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B，具体为：
三维评分张量A中的元素为Auic；三维兴趣张量B中的元素为Buic；
若用户u对项目i有评分，且项目i属于类别c，则Auic为评分值，Buic为1；否则，Auic和Buic均为0，其中，u，i和c分别表示用户、项目和类别的编号。
3.根据权利要求2所述的基于项目类别和用户偏好的推荐方法，其特征在于，所述对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’，具体为：
设置张量填补的秩约束τ和最大迭代次数T；
初始化一个与所述三维评分张量A具有相同维度的临时张量X；
迭代计算，直到达到最大迭代次数T，每次迭代首先计算所述临时张量X的可行下降方向S，然后更新所述临时张量X的值；
将所述临时张量X的最终值作为所述填补后的三维评分张量A’，其中，所述填补后的三维评分张量A’的秩不超过所述秩约束τ。
4.根据权利要求3所述的基于项目类别和用户偏好的推荐方法，其特征在于，所述每次迭代首先计算所述临时张量X的可行下降方向S，然后更新所述临时张量X的值，具体为：
将三维张量ΩA(X-A)分别沿着第1维、第2维和第3维展开后得到三个矩阵(ΩA(X-A))＜1＞、(ΩA(X-A))＜2＞和(ΩA(X-A))＜3＞，其中，ΩA(M)表示一个张量，如果Auic≠0，则(ΩA(M))uic＝Muic，如果Auic＝0，则(ΩA(M))uic＝0；A为所述所述三维评分张量；
分别计算所述三个矩阵(ΩA(X-A))＜1＞、(ΩA(X-A))＜2＞和(ΩA(X-A))＜3＞的最大奇异值σ1、σ2和σ3，将和三者中的最大值记为则可行下降方向S为其中，U、I和C分别表示用户、项目和类别的数量；k的取值为1、2或3；当k＝1时，K＝U；当k＝2时，K＝I；当k＝3时，K＝C；τ为所述张量填补的秩约束；g和h分别为矩阵(ΩA(X-A))＜k＞的最大奇异值σk对应的左右奇异列向量；(ghT)＜k＞表示一个三维张量，其沿第k维展开得到的矩阵为ghT；
判断-(＜ΩA(X-A)，ΩA(S-X)＞/＜ΩA(S-X)，ΩA(S-X)＞)的取值范围，对所述临时张量X的值进行相应的更新，其中，符号＜M，N＞表示张量M与张量N的内积，具体地，
如果该值大于等于0且小于等于1，那么
X＝X-(＜ΩA(X-A)，ΩA(S-X)＞/＜ΩA(S-X)，ΩA(S-X)＞)(S-X)；
如果该值小于0，那么X＝X+10-6(S-X)；
如果该值大于1，那么X＝S。
5.根据权利要求2至4任一项所述的基于项目类别和用户偏好的推荐方法，其特征在于，所述根据所述三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q，具体为：
根据用户u对类别c的评分次数和用户u对所有类别的总评分次数，计算用户u对类别c的类别偏好Puc，计算出每个用户对每个类别的类别偏好，构建类别偏好矩阵P；
根据用户u对类别c的平均评分以及除用户u外的其他用户对类别c的平均评分，计算用户u对类别c的评分偏好Quc，计算出每个用户对每个类别的评分偏好，构建评分偏好矩阵Q。
6.根据权利要求5所述的基于项目类别和用户偏好的推荐方法，其特征在于，所述根据预设的权重，结合所述填补后的三维评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O，具体为：
判断用户u对项目i是否评过分；
若是，则向用户u推荐项目i的推荐程度Oui等于零，
否则，采用下述方法计算向用户u推荐项目i的推荐程度Oui：
设置介于0和1之间的三个权重：wa、wp和wq，满足wa+wp+wq＝1；
根据所述填补后的三维评分张量A’中用户u和项目i对应的向量、所述类别偏好矩阵P中用户u对应的向量、以及所述评分偏好矩阵Q中用户u对应的向量，分别用所述权重wa、wp和wq进行加权求和，获得中间向量Y；
将中间向量Y中的最大元素值作为向用户u推荐项目i的推荐程度Oui；
计算出向每个用户推荐每个项目的推荐程度，构建推荐程度矩阵O。
CN201910294763.4A 2019-04-12 2019-04-12 一种基于项目类别和用户偏好的推荐方法 Active CN110134861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910294763.4A CN110134861B (zh) 2019-04-12 2019-04-12 一种基于项目类别和用户偏好的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910294763.4A CN110134861B (zh) 2019-04-12 2019-04-12 一种基于项目类别和用户偏好的推荐方法

Publications (2)

Publication Number Publication Date
CN110134861A true CN110134861A (zh) 2019-08-16
CN110134861B CN110134861B (zh) 2023-01-31

Family

ID=67569947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910294763.4A Active CN110134861B (zh) 2019-04-12 2019-04-12 一种基于项目类别和用户偏好的推荐方法

Country Status (1)

Country Link
CN (1) CN110134861B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111143681A (zh) * 2019-12-27 2020-05-12 中国银行股份有限公司 一种资讯推荐装置、方法、设备及系统
CN111259255A (zh) * 2020-02-11 2020-06-09 汕头大学 一种基于三维张量迭代填补的推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014096118A (ja) * 2012-11-12 2014-05-22 Nippon Telegr & Teleph Corp <Ntt> 欠損値予測装置及び方法及びプログラム及び商品推薦装置及び方法及びプログラム
CN106960044A (zh) * 2017-03-30 2017-07-18 浙江鸿程计算机系统有限公司 一种基于张量分解及加权hits的时间感知个性化poi推荐方法
JP2017146853A (ja) * 2016-02-18 2017-08-24 日本電信電話株式会社 解析装置、方法、及びプログラム
CN108563794A (zh) * 2018-05-03 2018-09-21 广东机电职业技术学院 基于高阶奇异值分解的上下文推荐方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014096118A (ja) * 2012-11-12 2014-05-22 Nippon Telegr & Teleph Corp <Ntt> 欠損値予測装置及び方法及びプログラム及び商品推薦装置及び方法及びプログラム
JP2017146853A (ja) * 2016-02-18 2017-08-24 日本電信電話株式会社 解析装置、方法、及びプログラム
CN106960044A (zh) * 2017-03-30 2017-07-18 浙江鸿程计算机系统有限公司 一种基于张量分解及加权hits的时间感知个性化poi推荐方法
CN108563794A (zh) * 2018-05-03 2018-09-21 广东机电职业技术学院 基于高阶奇异值分解的上下文推荐方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
YUANZHE CAI: "Low-order tensor decompositions for social tagging recommendation", 《THE FORTH ACM INTERNATIONAL》 *
刘振娇等: "基于上下文学习和张量分解的个性化推荐", 《山东师范大学学报(自然科学版)》 *
张浩等: "基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用", 《科学技术与工程》 *
李聪等: "基于属性值偏好矩阵的协同过滤推荐算法", 《情报学报》 *
肖云鹏等: "一种基于动态角色标识和张量分解的推荐模型", 《电子学报》 *
陈颖等: "基于项目属性偏好挖掘的协同过滤推荐算法", 《计算机应用》 *
魏港明等: "加入用户对项目属性偏好的奇异值分解推荐算法", 《西安交通大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111143681A (zh) * 2019-12-27 2020-05-12 中国银行股份有限公司 一种资讯推荐装置、方法、设备及系统
CN111143681B (zh) * 2019-12-27 2023-10-24 中国银行股份有限公司 一种资讯推荐装置、方法、设备及系统
CN111259255A (zh) * 2020-02-11 2020-06-09 汕头大学 一种基于三维张量迭代填补的推荐方法
CN111259255B (zh) * 2020-02-11 2022-03-22 汕头大学 一种基于三维张量迭代填补的推荐方法

Also Published As

Publication number Publication date
CN110134861B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN107491813B (zh) 一种基于多目标优化的长尾群组推荐方法
CN109389168A (zh) 项目推荐模型训练方法、项目推荐方法以及装置
CN104462383B (zh) 一种基于用户多种行为反馈的电影推荐方法
CN109829775A (zh) 一种物品推荐方法、装置、设备及可读存储介质
CN112541132B (zh) 基于多视图知识表示的跨领域推荐方法
CN107341679A (zh) 获取用户画像的方法及装置
CN102214169B (zh) 关键词信息与目标信息的提供方法及装置
CN107220365A (zh) 基于协同过滤与关联规则并行处理的精准推荐系统及方法
CN105653657A (zh) 一种商品的推荐方法及装置
CN110263257A (zh) 基于深度学习的多源异构数据混合推荐模型
CN110134861A (zh) 一种基于项目类别和用户偏好的推荐方法
CN105868281A (zh) 基于非支配排序多目标方法的位置感知推荐系统
CN109242593B (zh) 一种基于案例推理的服装推荐方法、装置和存储介质
CN110188863A (zh) 一种卷积神经网络的卷积核及其压缩算法
CN108228844A (zh) 一种图片筛选方法及装置、存储介质、计算机设备
CN109190030A (zh) 融合node2vec和深度神经网络的隐式反馈推荐方法
CN106127506A (zh) 一种基于主动学习解决商品冷启动问题的推荐方法
CN109033453B (zh) 一种基于rbm与差分隐私保护的聚类的电影推荐方法及系统
CN111400615A (zh) 一种资源推荐方法、装置、设备及存储介质
Lee et al. Scaling of nestedness in complex networks
CN110473073A (zh) 线性加权推荐的方法及装置
CN109858972A (zh) 广告点击率的预测方法和装置
CN111967946A (zh) 一种基于面向用户多关系信息网络的商品推荐方法及系统
CN114925268A (zh) 基于图神经网络的推荐方法、系统、电子设备及计算机可读介质
CN111259255B (zh) 一种基于三维张量迭代填补的推荐方法

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