CN110175289B - 基于余弦相似度协同过滤的混合推荐方法 - Google Patents
基于余弦相似度协同过滤的混合推荐方法 Download PDFInfo
- Publication number
- CN110175289B CN110175289B CN201910439840.0A CN201910439840A CN110175289B CN 110175289 B CN110175289 B CN 110175289B CN 201910439840 A CN201910439840 A CN 201910439840A CN 110175289 B CN110175289 B CN 110175289B
- Authority
- CN
- China
- Prior art keywords
- document
- documents
- user
- value
- similar
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于余弦相似度协同过滤的混合推荐方法,主要解决现有技术获取用户数据单一,数据过于稀疏和推荐性能不高的问题。其步骤为:1.采集用户的信息;2.对用户历史行为数据进行数字化;3.提取出特定群体都感兴趣的文档;4.构建每篇文档与之最相似几篇文档字典;5.构建用户文档评分矩阵;6.用评分矩阵训练出最佳模型;7.根据最佳模型形成推荐列表推荐给用户;8.当用户阅读推荐列表文档到达阈值,重新开始。本发明获取多维度信息,并将其加入到推荐系统中,利用最相似关联公式对数据集进行插入操作,不仅提高了推荐系统的性能,而且缓解了矩阵稀疏性的压力,可用于从大量的数据中找到用户感兴趣的文档。
Description
技术领域
本发明属于机器学习领域。本发明可用于在大量的数据中找到用户感兴趣的新闻或文章,提高推荐系统的性能。
背景技术
推荐系统在现代生活中运用越来越广泛,扮演了越来越重要的角色,例如在电影、书籍、新闻、电商都会有推荐系统的影子。在过去的几十年,大量的信息涌入使得用户面对巨大的数据不知所措,如何准确的推荐有用的信息给用户,满足用户相应的兴趣和需求是非常重要的。手机的快速发展,使得当代网民更倾向于手机阅读新闻文章,所以在大量互联网信息中准确推荐用户喜爱的文章尤为迫切。
常用推荐算法有协同过滤和基于内容的推荐方法。协同过滤主要有矩阵分解MF,奇异值分解SVD等技术,并且需要用户主动的对物品进行打分。协同过滤方法推荐效果虽然很好,但是存在数据稀疏性问题。基于内容的推荐方法,虽然可以很好的推荐用户感兴趣的内容,但是长期来看,推荐的内容单调重复。
王冲等人公开的论文“Collaborative Topic Modeling for RecommendingScientific Articles”(《Proceedings of the 17th ACM SIGKDD internationalconference on Knowledge discovery and data mining》2011年第448-456页)提出了一种算法,以向在线社区的用户推荐科学文章。该方法结合了传统的协同过滤和概率主题建模的优点。它为用户和物品提供可解释的潜在结构,并且可以形成关于现有和新发布文章的推荐列表。该方法取得了不错的效果,其不足的是,没有考虑用户更多的隐性因素如地理位置等,使得推荐性能不高。
尤春继等人公开的论文“Regularized singular value decomposition in newsrecommendation system”(《International Conference on Computer Science&Education(ICCSE)》2016年第621-626页)提出了正则化方法,是通过对奇异值分解的学习参数进行正则化。该方法在稀疏性问题上表现出很大的优越性,且在XMU新闻数据集和电影数据集上的实验结果表明了该模型的有效性。但方法由于没有使用用户的信息和物品的信息,并且数据单一,因而不能够很好的适用某些特定的场景。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提出一种基于余弦相似度协同过滤的混合推荐方法,以获取更多用户数据,提高推荐系统的性能。
本发明的基本思路是,先采取多种方法从不同维度进行数据采集;对于收集到的数据进一步处理;然后采用数据挖掘相关方法构建相似文档列表,进而构建用户物品评分矩阵,并且根据文档的重要程度插入一定数量最相似的文档;然后利用奇异值分解SVD处理矩阵;最后形成推荐列表进行推荐。
根据上述思路,本发明的实现方案包括如下步骤:
(1)数据收集
1a)采集用户行为数据,包括:点击、点赞和转发;
1b)以软件,编程方法,采集用户的附加信息,包括:用户的位置、局域网、统一资源定位符URL和IP地址这些信息;
1c)收集相应的文档,包括新闻和文章,对这些文档进行分类并同时进行编号,即对新闻按照社会,体育,政治,科学分类并同时进行编号;对文章按照所属学科,类目进行分类并同时进行编号;
1d)将1a),1b)的数据存入Mysql数据库,将1c)中的数据存入Elasticsearch数据库中;
(2)对数据进行处理:
2a)将1a)中的历史行为数据进行数字化;
2b)根据1b)中的附加信息,提取出在相同位置,局域网和IP网段下大家都感兴趣的文档;
2c)对1c)每一篇文档,找出与之最相似的几篇文档,构建每篇文档与之最相似几篇文档字典;
2d)将2a)和2b)的结果存入Mysql数据库,将2c)结果数据存入Elasticsearch数据库;
(3)构建用户文档评分矩阵:
3a)将2a)数据集中的80%作为训练集,其余20%作为测试集;
3b)在训练集中,利用最相似关联公式,插入2c)字典中用户已经互动文档最相似的几篇文档,若每个用户互动过的文档有相同的最相似文档,则取相同文档最高的插入值;
3c)依据2b)中相同位置,局域网和IP网段下大家都感兴趣的文档,在训练集中继续插入这个群体都感兴趣的文档;
3d)由3c)中得到的训练集,建立用户文档评分矩阵;
3e)依据用户阅读文档的频繁程度,为每个用户设置周期阈值;
(4)对由3c)得到的训练集进行训练,形成文档推荐列表:
4a)对3d)中的矩阵进行奇异值分解,然后进行拟合训练,得到奇异值分解模型;
4b)使用3a)的测试集对奇异值分解模型进行验证,使用均方误差RMSE,评估该模型的性能;
4c)重复4a)和4b),根据不同参数组合,依据均方误差RMSE大小,取最好参数组合,得到最佳参数组合的模型,其中,参数组合包括特征因子和梯度下降算法SGD的迭代次数;
4d)用最佳参数组合的模型形成文档推荐列表,将列表中文档推荐给用户;
4e)当用户阅读文档的数量达到设置阈值时,返回2a)。
本发明与现有技术相比具有以下优点:
第一、由于本发明采用软件与编程的两种方法获取用户信息,克服了现有技术从单一渠道获取用户行为信息的缺陷,使得在采集用户行为数据的基础上,也可采集相同位置,局域网和IP网段下的附加信息。
第二、由于本发明引入最相似关联公式,利用每篇文档与之最相似的前k篇文档,k<=5,结合附加信息,对于训练集进行插入,可以缓解构建的用户文档评分矩阵过于稀疏的压力,同时也能提高推荐系统的性能。
附图说明
图1是本发明的实现总流程图。
图2是本发明中数据采集的子流程图。
图3是本发明中构建用户文档评分矩阵的子流程图。
具体实施方法
下面结合附图对本发明作进一步的描述。
参照附图1,本发明的具体实现步骤如下:
步骤1,数据收集。
参照图2,本步骤的具体实现如下:
1.1)采集用户的行为数据;
1.2)用软件方法和编程方法采集用户的附加信息:
所述附加信息指的是用户的位置,局域网,IP网段这些信息;
所述用软件方法,如wireshark,tcpdump,Fiddler软件;
所述编程方法,如使用C语言中winpcap库进行编程,python语言中的scapy库进行编程;
1.3)收集外网中相应的文档,包括新闻和文章,对这些文档进行分类并同时进行编号,即对新闻按照社会,体育,政治,科学分类并同时进行编号;对文章按照所属学科,类目进行分类并同时进行编号;
1.4)将1.1),1.2)结果存入Mysql数据库,将1.3)结果存入Elasticsearch数据库中。
步骤2,对历史行为数据进行数字化。
用户的行为不同对于推荐系统性能会产生不同的影响,比如,用户对文档点赞这个行为比用户只是浏览了文档这个行为重要;例如:可以将浏览打1分,点赞打2分,转发打3分,将这些用户行为进行数字化,便于后续进行运算,将数字化数据存入Mysql数据库。
步骤3,提取出特定群体都感兴趣的文档。
所述特定群体是指在相同位置,局域网和IP网段下的群体,选定这个群体阅读过的文档,按照文档点击的数量降序排列,取前N个文档,N>2,并将这些数据存入Mysql数据库。
步骤4,构建每篇文档与之最相似几篇文档字典。
本步骤的具体实现如下:
4.1)利用信息检索和文本挖掘的常用加权技术,得到一个词语在文档中的重要程度:
其中,TF表示词频,它表示第i个词语ti在文档中出现的频率,nij是第i词语在第j个文档pj中出现的次数,是在文档中所有词语出现的次数之和;IDF表示逆文档频率,N表示文档组成的语料库中文档的个数,nk表示所有文档中某个单词至少出现一次文档的个数;一个词语词频TF越大,说明这个词语在文档中出现的越频繁,即该词语在文档中就越重要;这个公式意义是一个单词在一篇文档中出现越频繁,在其他文档出现较少,说明这个词语越能代表这篇文档的主题;
4.2)依据4.1)中结果,利用余弦相似度公式求两个文档之间的相似程度:
其中文档sim(pi,pj)的值表示第i个文档pi与第j个文档pj之间的相似度,ωki表示文档pi第k个特征值,ωkj表示文档pj第k个特征值;
4.3)由4.2)中公式,得到每篇文档与之相似度最高的前k个文档,k<=5,建立字典,字典的格式为,{{i1:[i3,i4,i5],i2:[i3,i6,i8],...,im:[i6,i9,iN],...,iN:[i7,i10,im]}},其中,im表示第m个文档,列表[i6,i9,iN]表示与文档im最相似的前三个文档,它们值的大小为i6>i9>iN,N为文档库中文档的数量;
4.4)将4.3)建立的字典存入Elasticsearch数据库中。
步骤5,构建用户文档评分矩阵。
参照图3,本步骤的具体实现如下:
5.1)取出步骤2中的数据,将80%作为训练集,其余20%作为测试集;
5.2)利用最相似关联公式,将步骤4中字典中的数据插入到训练集中,最相似关联公式表示如下:
其中qj表示与第i个文档列表中第j个文档的相似值,k为最相似文档的个数,k<=3,CVui表示用户u对于第i个文档的评分,IVui(j)表示用户u对已经互动过的第i个文档,在第j个文档处要插入的值。
若每个用户互动过的文档有相同的最相似文档,则取相同文档最高的插入值;
5.3)对于5.2)中处理过的训练集,继续插入步骤3群体都感兴趣的文档;
5.4)由5.3)的结果构建用户文档评分矩阵,矩阵的形式如下:
i1 i2 i3 i4 i5 i6 … in
其中,u1,u2,u3,…,um代表用户,i1,i2,i3,…,in代表文档,矩阵中整数表示用户的行为,0表示没有互动过的文档,1代表点击,2代表点赞,3代表转发,带小数的数字代表插入值;
5.5)依据用户阅读文档的频繁程度,为每个用户设置周期阈值,通过设置这个阈值,可更加及时的推荐用户感兴趣的文档。
步骤6,训练出最佳模型。
本步骤的具体实现如下:
6.1)对步骤5得到的矩阵进行奇异值分解,然后进行拟合训练,得到奇异值分解模型;
6.2)使用均方误差RMSE,通过下式对奇异值分解模型的性能进行评估:
其中,RMSE表示均方误差的值,Ttest表示测试集,rtest,ij表示测试集的分数值,rij表示训练后对于文档的预测值,均方误差RMSE越小,则说明训练的模型越好,推荐性能越好。
6.3)重复6.1)-6.2)根据不同参数组合,求最佳参数组合的模型。
所述不同的参数组合包括特征因子n_factor和梯度下降算法SGD的迭代次数sgd_n;
选几组不同n_factor和sgd_n数值,依据均方误差RMSE大小,取RMSE最小的参数组合,得到最佳参数组合的模型。
步骤7,形成的推荐列表。
由训练形成最佳模型形成的推荐列表:设置推荐列表的长度为l,取推荐列表长度为5,则推荐列表的格式如下:
{u1:[i3,i8,i9,i6,i10],u2:[i10,i2,i1,i6,im],…um:[i2,iN,i8,i6,i7],…,uN:[i10,i2,i1,i6,im]}
其中,um:[i2,iN,i8,i6,i7],表示给第m个用户um推荐文档i2,iN,i8,i6,i7,且相似度的大小关系为i2>iN>i8>i6>i7,m<=N,N为用户的数量;
将推荐列表中的文档推荐给用户。
步骤8,为用户设置阈值。
由于用户在不断的阅读文档,所以需要根据用户阅读过的文档,动态的给用户进行推荐。设定阈值为w,w>100,当用户阅读文档的数量达到设置阈值w时,返回步骤1。重新根据收集的数据进行后续步骤。
Claims (7)
1.基于余弦相似度协同过滤的混合推荐方法,其特征在于,包括如下:
(1)数据收集:
1a)采集用户行为数据,包括:点击、点赞和转发;
1b)以软件,编程方法,采集用户的附加信息,包括:用户的位置、局域网、统一资源定位符URL和IP地址这些信息;
1c)从外网中收集相应的文档,包括新闻和文章,对这些文档进行分类并同时进行编号,即对新闻按照社会,体育,政治,科学分类并同时进行编号;对文章按照所属学科,类目进行分类并同时进行编号;
1d)将1a),1b)的数据存入Mysql数据库,将1c)中的数据存入Elasticsearch数据库中;
(2)对数据进行处理:
2a)将1a)中的历史行为数据进行数字化;
2b)根据1b)中的附加信息,提取出在相同位置,局域网和IP网段下大家都感兴趣的文档;
2c)对1c)每一篇文档,找出与之最相似的几篇文档,构建每篇文档与之最相似几篇文档字典;
2d)将2a)和2b)的结果存入Mysql数据库,将2c)结果数据存入Elasticsearch数据库;
(3)构建用户文档评分矩阵:
3a)将2a)数据集中的80%作为训练集,其余20%作为测试集;
3b)在训练集中,利用最相似关联公式,插入2c)字典中用户已经互动文档最相似的几篇文档,若每个用户互动过的文档有相同的最相似文档,则取相同文档最高的插入值;
所述中的最相似关联公式,表示如下:
其中qj表示与第i个文档中第j个文档的相似值,k为最相似文档的个数,k<=3,CVui表示用户u对于第i个文档的评分,IVui(j)表示用户u已经互动过的第i个文档,在第j个文档处要插入的值;
3c)依据2b)中相同位置,局域网和IP网段下大家都感兴趣的文档,在训练集中继续插入这个群体都感兴趣的文档;
3d)由3c)中得到的训练集,建立用户文档评分矩阵;
3e)依据用户阅读文档的频繁程度,为每个用户设置周期阈值;
(4)对由3c)得到的训练集进行训练,形成文档推荐列表:
4a)对3d)中的矩阵进行奇异值分解,然后进行拟合训练,得到奇异值分解模型;
4b)使用3a)的测试集对奇异值分解模型进行验证,使用均方误差RMSE,评估该模型的性能;
4c)重复4a)和4b),根据不同参数组合,依据均方误差RMSE大小,取最佳参数组合,得到最佳参数组合的模型,其中,参数组合包括特征因子和梯度下降算法SGD的迭代次数;
4d)用最佳参数组合的模型形成文档推荐列表,将列表中文档推荐给用户;
4e)当用户阅读文档的数量达到设置阈值时,返回2a)。
2.根据权利要求1所述的方法,其特征在于1b)中以软件,编程方法,采集用户的附加信息,是指分别用软件方法和编程方法获取用户的不同信息,其中:
软件方法是指,使用wireshark,tcpdump,Fiddler软件来获取用户的位置,局域网,URL,IP和网段相关信息;
编程方法是指,使用C语言中winpcap库进行编程,以及python语言中的scapy库进行编程,通过对包头的解析处理,获得用户的位置,局域网,URL,IP和网段相关信息。
3.根据权利要求1所述的方法,其特征在于,2a)中对历史行为数据进行数字化,是根据用户行为的重要性打分,即点击打1分,点赞打2分,转发打3分。
4.根据权利要求1所述的方法,其特征在于,2b)中提取出在相同位置,局域网和IP网段下大家都感兴趣的文档,是选定这个群体阅读过的文档,按照文档点击的数量降序排列,取前N个文档,N>2。
5.根据权利要求1所述的方法,其特征在于,2c)对1c)每一篇文档,找出与之最相似的几篇文档,构建每篇文档与之最相似几篇文档字典,其实现如下:
2c1)利用信息检索和文本挖掘的常用加权公式,得到一个词语在文档中的重要程度:其中TF表示词频,它表示一个词语在文档中出现的频率,nij是词语ti在文档pj中出现的次数,是在文档中所有词语出现的次数之和;IDF表示逆文档频率,N表示文档组成的语料库中文档的个数,nk表示所有文档中某个单词至少出现一次的文档个数;
2c2)依据2c1)结果利用余弦相似度公式求两个文档之间的相似程度:其中sim(pi,pj)的值表示第i个文档pi与第j个文档pj之间的相似度,ωki表示文档pi第k个值,ωkj表示文档pj第k个值;
2c3)依据2c2)求得每篇文档与之相似度最高的前k个文档,k<=5,来建立字典;
当k=3时,与i1最相似的前三个文档列表为[i3,i4,i5],它们值的大小为i3>i4>i5;与i2最相似的前三个文档列表为[i3,i6,i8],它们值的大小为i3>i6>i8,与im最相似的前三个文档列表为[i6,i9,iN],它们值的大小为i6>i9>iN,与iN最相似的前三个文档列表为[i7,i10,im],它们值的大小为i7>i10>im,以im类推,m从1到N,N为文档库中文档的数量,得到的字典为:{i1:[i3,i4,i5],i2:[i3,i6,i8],...,im:[i6,i9,iN],...,iN:[i7,i10,im]}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439840.0A CN110175289B (zh) | 2019-05-24 | 2019-05-24 | 基于余弦相似度协同过滤的混合推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439840.0A CN110175289B (zh) | 2019-05-24 | 2019-05-24 | 基于余弦相似度协同过滤的混合推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175289A CN110175289A (zh) | 2019-08-27 |
CN110175289B true CN110175289B (zh) | 2023-04-07 |
Family
ID=67692092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439840.0A Active CN110175289B (zh) | 2019-05-24 | 2019-05-24 | 基于余弦相似度协同过滤的混合推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175289B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163399A (zh) * | 2020-10-12 | 2021-01-01 | 北京字跳网络技术有限公司 | 在线文档推送方法、装置、电子设备及计算机可读介质 |
CN112308173B (zh) * | 2020-12-28 | 2021-04-09 | 平安科技(深圳)有限公司 | 基于多评价因子融合的多目标对象评价方法及其相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345517A (zh) * | 2013-07-10 | 2013-10-09 | 北京邮电大学 | 模拟tf-idf相似性计算的协同过滤推荐算法 |
CN106649657A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 面向社交网络基于张量分解的上下文感知推荐系统及方法 |
CN109241454A (zh) * | 2018-07-18 | 2019-01-18 | 广东工业大学 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9335818B2 (en) * | 2013-03-15 | 2016-05-10 | Pandora Media | System and method of personalizing playlists using memory-based collaborative filtering |
US20170206582A1 (en) * | 2016-01-15 | 2017-07-20 | Target Brands, Inc. | Generating a user interface for recommending products |
-
2019
- 2019-05-24 CN CN201910439840.0A patent/CN110175289B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345517A (zh) * | 2013-07-10 | 2013-10-09 | 北京邮电大学 | 模拟tf-idf相似性计算的协同过滤推荐算法 |
CN106649657A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 面向社交网络基于张量分解的上下文感知推荐系统及方法 |
CN109241454A (zh) * | 2018-07-18 | 2019-01-18 | 广东工业大学 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
Non-Patent Citations (3)
Title |
---|
A collaborative filtering recommender system for test case prioritization in web;Azizi M等;《Proceedings of the 33rd Annual ACM Symposium on Applied Computing》;20181231;全文 * |
Collaborative Filtering Recommendation System based on User Potential Associated Information;Huali Shen等;《Information Science and Cloud Computing》;20171231;全文 * |
基于地理位置的个性化新闻混合推荐研究;李俊艳;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20170215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175289A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885773B (zh) | 一种文章个性化推荐方法、系统、介质及设备 | |
CN107229668B (zh) | 一种基于关键词匹配的正文抽取方法 | |
CN109299271B (zh) | 训练样本生成、文本数据、舆情事件分类方法及相关设备 | |
CN100545847C (zh) | 一种对博客文章进行排序的方法及系统 | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
CN105045875B (zh) | 个性化信息检索方法及装置 | |
CN101814083A (zh) | 网页自动分类方法和系统 | |
CN106156372B (zh) | 一种互联网网站的分类方法及装置 | |
CN110543595B (zh) | 一种站内搜索系统及方法 | |
CN108647322B (zh) | 基于词网识别大量Web文本信息相似度的方法 | |
CN103064880B (zh) | 一种基于搜索信息向用户提供网站选择的方法、装置和系统 | |
CN108874812B (zh) | 一种数据处理方法及服务器、计算机存储介质 | |
CN104899335A (zh) | 一种对网络舆情信息进行情感分类的方法 | |
CN110175289B (zh) | 基于余弦相似度协同过滤的混合推荐方法 | |
CN108595411B (zh) | 一种同主题文本集合中多文本摘要获取方法 | |
CN109948154A (zh) | 一种基于邮箱名的人物获取及关系推荐系统和方法 | |
CN105159898B (zh) | 一种搜索的方法和装置 | |
CN116010552A (zh) | 一种基于关键词词库的工程造价数据解析系统及其方法 | |
CN111159559A (zh) | 根据用户需求和用户行为构建推荐引擎的方法 | |
CN108595466B (zh) | 一种互联网信息过滤以及互联网用户信息和网帖结构分析方法 | |
CN108509449B (zh) | 一种信息处理的方法及服务器 | |
CN115329078B (zh) | 文本数据处理方法、装置、设备以及存储介质 | |
Bhakdisuparit et al. | Understanding and clustering hashtags according to their word distributions | |
CN114282119A (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 | |
CN114610960A (zh) | 基于item2vec和向量聚类的实时推荐方法 |
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 |