CN110188120A - 一种基于协同过滤的个性化屏幕推荐方法 - Google Patents
一种基于协同过滤的个性化屏幕推荐方法 Download PDFInfo
- Publication number
- CN110188120A CN110188120A CN201910256976.8A CN201910256976A CN110188120A CN 110188120 A CN110188120 A CN 110188120A CN 201910256976 A CN201910256976 A CN 201910256976A CN 110188120 A CN110188120 A CN 110188120A
- Authority
- CN
- China
- Prior art keywords
- screen
- user
- target user
- interest
- collaborative filtering
- 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
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于协同过滤的个性化屏幕推荐方法,包括:(1)提取数据库中的用户对屏幕的评分表、屏幕GPS定位信息表及用户信息表;(2)根据屏幕定位坐标信息通过K‑means算法对屏幕进行聚类,将屏幕分成k类(簇);(3)分别对每一类屏幕建立用户‑屏幕倒查表,建立完整的用户对屏幕的评分表;(4)分别计算出目标用户与其他用户的相似度;(5)计算用户对屏幕i的感兴趣程度,(6)设定兴趣程度阈值,将大于这个阈值的屏幕推荐给目标用户;(7)将推荐给目标用户的屏幕,根据兴趣程度进行降序排列。本发明利用K‑means聚类算法和基于用户的协同过滤算法能有效地帮助广告投放商快速准确的检索出自己想要的屏幕,提高广告的投放效率。
Description
技术领域
本发明涉及一种屏幕的推荐方法,尤其涉及一种基于协同过滤的个性化屏幕推荐方法。
背景技术
近年随着互联网广告的迅速崛起,传统广告形式电视、报纸、杂志类等广告市场份额比重逐年降低,已从2012年的接近60%的市场份额降至2016年的不足30%。屏幕类广告如户外LED广告、电梯广告、互联网广告却保持强劲的增长态势。目前已经有开发者,充分利用互联网平台,实现屏幕联网,对屏幕实时、集中管理,打造海量屏幕的交易平台,带给客户(广告投放商)更快捷、高效、优质的广告体验。
目前将屏幕联网、集中管理并提供用户(广告投放商)更快捷、高效地找到合适的屏幕(位置好、人流量大的屏幕)的技术是:基于LBS定位技术及搜索引擎查找屏幕,此技术通过在已经采集好屏幕位置信息的移动APP上直接看地图查找屏幕或搜索屏幕名称查找屏幕,然后发布需上传的(广告)信息。
由于屏幕在持续地增加,大量的屏幕让用户手足无措,单通过地图查找屏幕或搜索屏幕名称查找屏幕效率较底;另一方面用户也不知道自己所交易的屏幕是否有很好的广告效果,实地考察又不现实。因此如何高效的从繁杂的屏幕中筛选出自己感兴趣的、对自己有效的屏幕成为一个急需解决的技术问题。
发明内容
为了克服以上技术的不足,本发明的目的在于提出一种基于协同过滤的个性化屏幕推荐方法,该方法考虑了用户与用户之间的兴趣关联,并通过此关联高效地帮助用户从繁杂的屏幕中筛选出自己感兴趣的、对自己有效的屏幕。
为了达到上述目的,本发明所采用的技术方案是:一种基于协同过滤的个性化屏幕推荐方法,其特征在于,包括以下步骤:
(1)对数据库中用户信息表及屏幕评分表进行预处理,屏幕评分表是每个用户通过移动终端购买各种屏幕(户外LED屏、液晶显示屏、电梯广告屏)播放时间段后对屏幕评分后的数据表;然后将数据库中的用户对屏幕的评分表、屏幕GPS定位信息表及用户信息表提取出来;
(2)根据屏幕定位坐标信息通过K-means算法对屏幕进行聚类,将屏幕分成k类(簇);
(3)分别对每一簇屏幕建立用户-屏幕倒查表,对还没有评价行为的屏幕进行补零,建立完整的用户对屏幕的评分表;
(4)分别计算出目标用户与除目标用户外的其他用户的相似度;
(5)计算用户对屏幕i的感兴趣程度,将目标用户对未评价的屏幕感兴趣程度分别计算出来;
(6)设定兴趣程度阈值,将大于这个阈值的屏幕推荐给目标用户;
(7)将推荐给目标用户的屏幕,根据兴趣程度进行降序排列输出。
进一步的,步骤(1)中对数据预处理,将数据库中屏幕GPS定位信息表以及用户信息表和用户对屏幕的评分表提取出来,建立屏幕定位坐标信息表。
进一步的,步骤(2)包括以下子步骤:
第一步,根据屏幕定位坐标信息表及用户对屏幕的评分表提取出包含屏幕的定位信息及评分的数据集,随机在数据集D={x1,x2,…,xj}中,选取k个样本作为初始聚类中心{μ1,μ2,…,μk},其中xj代表屏幕样本,其包含两个属性:坐标及评分,μi(1≤i≤k)作为初始聚类中心的屏幕,其包含两个属性:坐标及评分;j代表屏幕数量;
第二步,根据公式计算屏幕样本xj与各个初始聚类中心的屏幕μi(1≤i≤k)的距离,Ci代表着屏幕样本间距离小的划分为一类,E代表着屏幕样本与聚类中心的距离;
第三步,将剩余屏幕样本划分至与聚类中心的距离E最小的类别中,分配完成C={C1,C2,…,Ci,Ck},采用平均值法再次计算每一类别的聚类中心,重复第二步,不断迭代更新使屏幕样本与最终的聚类中心μi的距离E最小,最后将屏幕样本划分为k类;E越小则每类屏幕间的相似度越高,减小了步骤(4)中目标用户与其他用户相似度的计算复杂度,提高了推荐精确度。
进一步的,步骤(3)和步骤(4)中将用户ID与屏幕ID关联起来,并分别建立每类屏幕完整的用户-屏幕倒查表,根据用户-屏幕倒查表计算目标用户与除目标用户外的其他用户的相似度,其公式为:u为目标用户,v为除目标用户外的某一其他用户,N(u)为目标用户曾经评价过的屏幕集合,N(v)为除目标用户外的某一其他用户曾经评价过的屏幕集合。
进一步的,为了找出用户与用户之间的关联,步骤(5)中目标用户u对物品i的感兴趣程度计算公式为:S(u,K)包含和目标用户u兴趣最接近的K个用户,N(i)是对物品i有过评价的用户集合,Wuv是目标用户u分别与除目标用户外的其他用户的兴趣相似度。
进一步的,步骤(6)和步骤(7)中将兴趣程度大于设定阈值的屏幕进行降序排列推荐给目标用户。
与现有技术相比,本发明的有益效果是:本发明提出了一种基于协同过滤的个性化屏幕推荐方法,与现有技术相比,其显著优点在于:
(1)传统的技术方法,通过地图查找屏幕或搜索屏幕名称查找屏幕,此方法遇到屏幕数量大时,不便于快速找到用户自己想要的屏幕。本发明在原有的服务器上增加了基于协同过滤的个性化屏幕推荐算法,能快速帮助用户找到对自己有效的屏幕。
(2)本发明利用了K-means聚类算法找出屏幕与屏幕之间的相似性,减少了协同过滤算法的复杂度,提高了推荐精确度;还充分考虑不同人群有不同的喜好,因此能有效的向目标用户推荐与其兴趣相似的、适合目标用户的屏幕。
(3)本发明不仅步骤简单、方便,因此能较为快速的更新推荐列表,便于用户快速筛选出有效的屏幕进行广告投放。
附图说明
图1是本发明基于屏幕物联网平台的整体流程图。
图2是基于协同过滤的个性化屏幕推荐方法的数据处理模型。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,是本发明基于屏幕物联网平台的整体流程图,在传统的技术上增加了推荐列表,用户通过移动端直接查找推荐列表的屏幕,然后发布需上传的(广告)信息至屏幕端。重要的推荐列表是所有用户交易记录在服务器中通过数据处理所得,本发明采用的是基于协同过滤的个性化屏幕推荐算法,在原服务器上增加了对用户交易的历史记录的处理,挖掘用户感兴趣的屏幕。如何获取目标用户的推荐列表,例如:某考研机构A在高校交易过[(屏幕1、4分)、(屏幕2、5分)、(屏幕4、5分)、(屏幕6、4分)];机构B交易过[(屏幕1、5分)、(屏幕2、5分)、(屏幕3、5分)];机构C交易过[(屏幕2、4分)、(屏幕3、5分)、(屏幕4、5分)、(屏幕8、4分)];机构D在其他高校交易过[(屏幕11、2分)、(屏幕12、3分),(屏幕13、4分)]其如何给机构B推荐,本发明的数据分析与处理过程,如图2基于协同过滤的个性化屏幕推荐算法的数据处理模型。如下步骤:
步骤1:对历史数据进行预处理,将三个机构交易记录提取出来,得到用户对屏幕的评分表、屏幕CPS定位信息表及用户信息表。
步骤2:根据屏幕定位坐标信息表及用户对屏幕的评分表提取出包含屏幕的定位信息及评分的数据集,若以机构B为聚类中心,由于机构D分别与A、B、C三个机构不在同一高校,并且评分上差异性较大,因此通过K-means聚类算法得到的结果是机构B与机构A、机构C的距离小、相似度高,因此A、B、C三个机构分为一类C1、机构D为另外一类C2。
步骤3:然后对C1建立用户-屏幕倒查表,根据余弦相似度公式:计算出机构B与机构A的相似度WBA=0.5,以及机构B与机构C的相似度WBC=0.5。
步骤4:上例中涉及两个相似用户,因此K=2,并且机构B对屏幕6、屏幕8、屏幕4是没有任何购买行为,可根据感兴趣程度计算公式:分别计算出机构B对屏幕6、屏幕8、屏幕4的感兴趣程度,分别为p(B,6)=WBA=0.5、p(B,8)=WBC=0.5、p(B,4)=WBA+WBC=1。
步骤5:对上述计算出来的结果,若设定阈值大于等于0.5,那么降序排列的推荐列表将包括[屏幕4、屏幕6、屏幕8],最后将此列表从服务器传输至用户端输出,用户可根据推荐列表快速找到自己感兴趣、对自己有效的屏幕。本发明不需要用户提出明确的需求信息,通过分析用户对屏幕的评分记录,主动的给用户推荐他们感兴趣的屏幕。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于协同过滤的个性化屏幕推荐方法,其特征在于,包括以下步骤:
(1)对数据库中用户信息表及屏幕评分表进行预处理,屏幕评分表是每个用户通过移动终端购买各种屏幕播放时间段后对屏幕评分后的数据表,其中各种屏幕包括户外LED屏、户外液晶显示屏、电梯广告屏;然后将数据库中的用户对屏幕的评分表、屏幕GPS定位信息表及用户信息表提取出来;
(2)根据屏幕定位坐标信息通过K-means算法对屏幕进行聚类,将屏幕分成k类/簇;
(3)分别对每一簇屏幕建立用户-屏幕倒查表,对还没有评价行为的屏幕进行补零,建立完整的用户对屏幕的评分表;
(4)分别计算出目标用户与除目标用户外的其他用户的相似度;
(5)计算用户对屏幕i的感兴趣程度,将目标用户对未评价的屏幕感兴趣程度分别计算出来;
(6)设定兴趣程度阈值,将大于这个阈值的屏幕推荐给目标用户;
(7)将推荐给目标用户的屏幕,根据兴趣程度进行降序排列输出。
2.根据权利要求1所述的基于协同过滤的个性化屏幕推荐方法,其特征在于:步骤(1)中对数据预处理,将数据库中屏幕GPS定位信息表以及用户信息表和用户对屏幕的评分表提取出来,建立屏幕定位坐标信息表。
3.根据权利要求2所述的基于协同过滤的个性化屏幕推荐方法,其特征在于:步骤(2)包括以下子步骤:
第一步,根据屏幕定位坐标信息表及用户对屏幕的评分表提取出包含屏幕的定位信息及评分的数据集,随机在数据集D={x1,x2,…,xj}中,选取k个样本作为初始聚类中心{μ1,μ2,…,μk},其中xj代表屏幕样本,其包含两个属性:坐标及评分;μi,1≤i≤k,作为初始聚类中心的屏幕,其包含两个属性:坐标及评分;j代表屏幕数量;
第二步,根据公式计算屏幕样本xj与各个初始聚类中心的屏幕μi,1≤i≤k,的距离,Ci代表着屏幕样本间距离小的划分为一类,E代表着屏幕样本与聚类中心的距离;
第三步,将剩余屏幕样本划分至与聚类中心的距离E最小的类别中,分配完成C={C1,C2,…,Ci,Ck},采用平均值法再次计算每一类别的聚类中心,重复第二步,不断迭代更新使屏幕样本与最终的聚类中心μi的距离E最小,最后将屏幕样本划分为k类。
4.根据权利要求3所述的基于协同过滤的个性化屏幕推荐方法,其特征在于:步骤(3)和步骤(4)中将用户ID与屏幕ID关联起来,并分别建立每类屏幕完整的用户-屏幕倒查表,根据用户-屏幕倒查表计算目标用户与除目标用户外的其他用户的相似度,其公式为:u为目标用户,v为除目标用户外的某一其他用户,N(u)为目标用户曾经评价过的屏幕集合,N(v)为除目标用户外的某一其他用户曾经评价过的屏幕集合。
5.根据权利要求4所述的基于协同过滤的个性化屏幕推荐方法,其特征在于:为了找出用户与用户之间的关联,步骤(5)中目标用户u对物品i的感兴趣程度计算公式为:S(u,K)包含和目标用户u兴趣最接近的K个用户,N(i)是对物品i有过评价的用户集合,Wuv是目标用户u分别与除目标用户外的其他用户的兴趣相似度。
6.根据权利要求5所述的基于协同过滤的个性化屏幕推荐方法,其特征在于,步骤(6)和步骤(7)中将兴趣程度大于设定阈值的屏幕进行降序排列推荐给目标用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256976.8A CN110188120B (zh) | 2019-04-01 | 2019-04-01 | 一种基于协同过滤的个性化屏幕推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256976.8A CN110188120B (zh) | 2019-04-01 | 2019-04-01 | 一种基于协同过滤的个性化屏幕推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188120A true CN110188120A (zh) | 2019-08-30 |
CN110188120B CN110188120B (zh) | 2022-12-02 |
Family
ID=67714083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910256976.8A Active CN110188120B (zh) | 2019-04-01 | 2019-04-01 | 一种基于协同过滤的个性化屏幕推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188120B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595012A (zh) * | 2019-09-23 | 2019-12-20 | 海信(广东)空调有限公司 | 空调运行模式的推荐方法及装置 |
CN111460281A (zh) * | 2020-02-27 | 2020-07-28 | 浙江口碑网络技术有限公司 | 信息推送的优化方法及装置、存储介质、终端 |
CN114781624A (zh) * | 2022-05-23 | 2022-07-22 | 百色市恒赢电脑网络有限公司 | 基于大数据分析的用户行为意图挖掘方法及大数据系统 |
CN116051190A (zh) * | 2023-01-13 | 2023-05-02 | 深圳市易售科技有限公司 | 一种将广告投放设备转为商品的方法、计算机设备及介质 |
CN118062681A (zh) * | 2024-04-25 | 2024-05-24 | 沃克斯迅达电梯有限公司 | 基于物联网的电梯远程终端在线控制系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN108540826A (zh) * | 2018-04-17 | 2018-09-14 | 京东方科技集团股份有限公司 | 弹幕推送方法、装置、电子设备及存储介质 |
-
2019
- 2019-04-01 CN CN201910256976.8A patent/CN110188120B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
CN108540826A (zh) * | 2018-04-17 | 2018-09-14 | 京东方科技集团股份有限公司 | 弹幕推送方法、装置、电子设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595012A (zh) * | 2019-09-23 | 2019-12-20 | 海信(广东)空调有限公司 | 空调运行模式的推荐方法及装置 |
CN111460281A (zh) * | 2020-02-27 | 2020-07-28 | 浙江口碑网络技术有限公司 | 信息推送的优化方法及装置、存储介质、终端 |
CN111460281B (zh) * | 2020-02-27 | 2023-07-25 | 浙江口碑网络技术有限公司 | 信息推送的优化方法及装置、存储介质、终端 |
CN114781624A (zh) * | 2022-05-23 | 2022-07-22 | 百色市恒赢电脑网络有限公司 | 基于大数据分析的用户行为意图挖掘方法及大数据系统 |
CN116051190A (zh) * | 2023-01-13 | 2023-05-02 | 深圳市易售科技有限公司 | 一种将广告投放设备转为商品的方法、计算机设备及介质 |
CN118062681A (zh) * | 2024-04-25 | 2024-05-24 | 沃克斯迅达电梯有限公司 | 基于物联网的电梯远程终端在线控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188120B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188120A (zh) | 一种基于协同过滤的个性化屏幕推荐方法 | |
JP6757375B2 (ja) | ソーシャルネットワーキングエンジンのユーザにコンテンツを方向付けるためのシステム及び方法 | |
CN105791085B (zh) | 在位置社交网络中基于位置与时间的好友推荐方法 | |
CN110942337A (zh) | 一种基于互联网大数据的精准旅游营销方法 | |
WO2013121470A1 (ja) | コンテンツ提示装置、端末、システム、プログラム、および、方法 | |
CN108876526A (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
US8341101B1 (en) | Determining relationships between data items and individuals, and dynamically calculating a metric score based on groups of characteristics | |
CN107092629A (zh) | 推荐方法及装置 | |
US9208444B1 (en) | Determining happiness indices | |
CN109948068A (zh) | 一种兴趣点信息的推荐方法和装置 | |
CN106570008A (zh) | 推荐方法及装置 | |
JP2009511991A5 (zh) | ||
CN103617230A (zh) | 一种基于微博的广告推荐方法及系统 | |
CN108399189A (zh) | 基于社团发现的好友推荐系统及其方法 | |
CN110287419A (zh) | 一种商品推荐方法、装置、服务器及存储介质 | |
CN108334592A (zh) | 一种基于内容与协同过滤相结合的个性化推荐方法 | |
CN111291191B (zh) | 一种广电知识图谱构建方法及装置 | |
CN105528395A (zh) | 一种潜在消费者推荐方法及系统 | |
CN107357845A (zh) | 一种基于Spark的旅游兴趣推荐系统及推荐方法 | |
CN113535991B (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN106202132A (zh) | 用户定制型旅行计划生成方法及旅行计划生成服务器 | |
CN108009194A (zh) | 一种图书推送方法、电子设备、存储介质及装置 | |
CN109002583A (zh) | 一种基于用户兴趣偏好的室内设计方法及系统 | |
JP5194198B1 (ja) | コンテンツ提示装置、端末、システム、プログラム、および、方法 | |
CN111026957A (zh) | 基于多维相似度的推荐系统及其方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230331 Address after: 430000 No. 3-2, Guandong science and Technology Industrial Park, Wuhan City, Hubei Province Patentee after: SHENGLONG ELECTRIC Co.,Ltd. Address before: 430068 No. 28 Nanli Road, Hongshan District, Wuhan City, Hubei Province Patentee before: HUBEI University OF TECHNOLOGY |