CN110209947A - 一种基于偏好时态相关的最优选择方法 - Google Patents
一种基于偏好时态相关的最优选择方法 Download PDFInfo
- Publication number
- CN110209947A CN110209947A CN201910498501.XA CN201910498501A CN110209947A CN 110209947 A CN110209947 A CN 110209947A CN 201910498501 A CN201910498501 A CN 201910498501A CN 110209947 A CN110209947 A CN 110209947A
- Authority
- CN
- China
- Prior art keywords
- preference
- tense
- matrix
- user
- period
- 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.)
- Withdrawn
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—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
- G06F16/90—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
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)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于偏好时态相关的最优选择方法,涉及数据处理技术领域。该基于偏好时态相关的最优选择方法,其特征在于:包括如下步骤:提出平滑策略计算对象的偏好变化率;建立联合目标函数;采用高效的基于梯度的交替优化算法。该基于偏好时态相关的最优选择方法,采用新型的偏好时态相关模型确定用户最近和过去的偏好之间的相关性,从而产生准确的推荐,进行偏好时态相关分析,建立联合目标函数计算用户在最新偏好和过去所有偏好之间的相关性,最后采用一种高效的基于梯度的交替优化算法求解联合问题,很好的解决了现有基于矩阵或张量因式分解方法存在较大局限性的问题,同时可以很好的满足使用者的使用需求。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种基于偏好时态相关的最优选择方法。
背景技术
协作过滤策略在推荐系统中被广泛采用,如矩阵和张量分解技术,将数据分解为用户偏好,以揭示用户与项目之间的潜在关联。推荐系统中具有相似偏好的用户往往得到类似的建议,但在现实世界的推荐系统中,随着用户偏好的变化,用户往往会随着时间的推移而改变自己的行为。用户不断变化的偏好对推荐系统有很大的影响,由于最近用户的偏好被忽略,限制了矩阵和张量分解策略的推荐精度。
已有研究者提出各种时态相关方法获取用户的偏好动态,如时态矩阵方法TMF,贝叶斯时间矩阵分解方法BTMF,元数据相似性耦合矩阵方法CMTF,时间感知产品图嵌入方法PGE等,但这些基于矩阵或张量因式分解的方法没有考虑到基于项的元数据用户偏好可能不断变化或保持稳定的事实,虽然部分方法包含了辅助偏好信息,但这些辅助偏好信息的目的是解决推荐系统中出现的数据稀疏性,而不专注于偏好的不断变化,现有基于矩阵或张量因式分解方法存在较大的局限性,难以很好的满足使用者的使用需求。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于偏好时态相关的最优选择方法,解决了在现有技术中,基于矩阵或张量因式分解的方法没有考虑到基于项的元数据用户偏好可能不断变化或保持稳定的事实,虽然部分方法包含了辅助偏好信息,但这些辅助偏好信息的目的是解决推荐系统中出现的数据稀疏性,而不专注于偏好的不断变化,现有基于矩阵或张量因式分解方法存在较大的局限性,难以很好的满足使用者的使用需求问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于偏好时态相关的最优选择方法,包括如下步骤:
S1、提出平滑策略计算对象的偏好变化率;
S2、建立联合目标函数;
S3、采用高效的基于梯度的交替优化算法;
S4、通过相关数据集对推荐方法进行验证,得到基于偏好时态相关的最优选择方法对于具有稳定偏好的用户和倾向于经常改变其偏好的动态用户而言,都能够实现的高精度最优选择。
优选的,在步骤S1中,给定的所有k个时间段中,进行偏好时态相关分析,计算出用户在一个持续期间的最近偏好与以前的偏好之间的k-1路相关性。
设表示用户j在正在进行的时段t中表达了其偏好的项目集合,其中j=1,...,n。因此,令是过去时段t-p中相同用户j的项目集合。为了计算正在进行的时段t和过去的一个t-p之间的偏好移位率,定义平滑向量w(t-p)∈Rn,其中第j个元素的计算方法如下:
其中s(a,b)是推荐实体数据的文本相似度。Wj (t-p)的高度相似性反映了用户在过去时期t-p和持续时间t之间的稳定偏好。
优选的,在步骤S1中,考虑k=3个时间段、持续的t和p=2个过去的周期,即t-1和t-2。给定当前周期的矩阵X(t)和前两个周期的矩阵X(t-1)和X(t-2),目标是在X(t)的低秩d近似下,通过计算过去周期的p=2个过渡,在X(t)的低秩d近似下产生建议。使用相应的平滑向量w(t-1)和w(t-2),以个性化的方式对过去的偏好进行分类如下:
其中(x)*,j表示矩阵X的第j列。构造矩阵X(t)、矩阵X(t-1)和X(t-2)的以下三个最小化问题:
Z(t),V(t),Z(t-1),V(t-1),Z(t-2),V(t-2)≥0
其中||.||F表示Frobenius范数。为了捕捉时间段t和t-1之间用户偏好的演变,以及t和t-2的演化,引入p=2时态关联矩阵,时态关联矩阵由T(t-1)∈Rd×d表示,表示在时间段t和t-1中用户时态矩阵V(t)和V(t-1)之间的偏好的演变。在时间周期t和t-2中,定义了用户矩阵V(t)和V(t-2)之间的时态关联矩阵T(t-2)∈Rd×d。利用时态关联矩阵T(t-1)和T(t-2),等式(4)可以重新表示为下列极小化问题:
通过结合等式(4)、(7)和(8),定义了关于矩阵/变量Z(t),V(t),T(t-1)和T(t-2)的以下联合目标函数:
Z(t),V(t),V(t-1),V(t-2)≥0
其中,i∈Rd×d为恒等矩阵,并以l1-范数表示。
优选的,在步骤S3中,采用一种高效的基于梯度的交替优化算法求解联合问题。由于等式(10)中的联合目标函数L是关于四个变量/矩阵Z(t)、V(t)、T(t-1)和T(t-2)的非凸函数,因此提出了一种交替优化算法。对四个变量/矩阵及其对应的变量/矩阵,给出了以下不等式约束:
z(t)≥0,V(t)≥0,T(t-1)≥0,T(t-2)≥0 (10)
其中e表示推荐产品。等式(10)中关于每个变量的联合目标函数L的梯度等效于
基于等式(13)-(17)中的梯度,通过求解等式(13)相对于每个变量的条件,导出以下更新规则:
对于p=k-1的过去周期,扩展等式(10)中的联合目标函数如下:
时态关联矩阵T(t-p)的相应更新规则为:
(三)有益效果
本发明提供了一种基于偏好时态相关的最优选择方法。具备以下有益效果:该基于偏好时态相关的最优选择方法,采用新型的偏好时态相关模型确定用户最近和过去的偏好之间的相关性,从而产生准确的推荐,进行偏好时态相关分析,建立联合目标函数计算用户在最新偏好和过去所有偏好之间的相关性,最后采用一种高效的基于梯度的交替优化算法求解联合问题,很好的解决了现有基于矩阵或张量因式分解方法存在较大局限性的问题,同时可以很好的满足使用者的使用需求。
附图说明
图1为本发明所提出方法的性能优越性示意图;
图2为基于偏好时态相关的最优选择方法流程图。
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做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。
请参阅图1-2,本发明提供一种技术方案:一种基于偏好时态相关的最优选择方法,包括如下步骤:
S1、提出平滑策略计算对象的偏好变化率(给定的所有k个时间段中,进行偏好时态相关分析,计算出用户在一个持续期间的最近偏好与以前的偏好之间的k-1路相关性。
设表示用户j在正在进行的时段t中表达了其偏好的项目集合,其中j=1,...,n。因此,令是过去时段t-p中相同用户j的项目集合。为了计算正在进行的时段t和过去的一个t-p之间的偏好移位率,定义平滑向量w(t-p)∈Rn,其中第j个元素的计算方法如下:
其中s(a,b)是推荐实体数据的文本相似度。Wj (t-p)的高度相似性反映了用户在过去时期t-p和持续时间t之间的稳定偏好,考虑k=3个时间段、持续的t和p=2个过去的周期,即t-1和t-2。给定当前周期的矩阵X(t)和前两个周期的矩阵X(t-1)和X(t-2),目标是在X(t)的低秩d近似下,通过计算过去周期的p=2个过渡,在X(t)的低秩d近似下产生建议。使用相应的平滑向量w(t-1)和w(t-2),以个性化的方式对过去的偏好进行分类如下:
其中(x)*,j表示矩阵X的第j列。构造矩阵X(t)、矩阵X(t-1)和X(t-2)的以下三个最小化问题:
Z(t),V(t),Z(t-1),V(t-1),Z(t-2),V(t-2)≥0
其中||.||F表示Frobenius范数。为了捕捉时间段t和t-1之间用户偏好的演变,以及t和t-2的演化,引入p=2时态关联矩阵,时态关联矩阵由T(t-1)∈Rd×d表示,表示在时间段t和t-1中用户时态矩阵V(t)和V(t-1)之间的偏好的演变。在时间周期t和t-2中,定义了用户矩阵V(t)和V(t-2)之间的时态关联矩阵T(t-2)∈Rd×d。利用时态关联矩阵T(t-1)和T(t-2),等式(4)可以重新表示为下列极小化问题:
通过结合等式(4)、(7)和(8),定义了关于矩阵/变量Z(t),V(t),T(t-1)和T(t-2)的以下联合目标函数:
Z(t),V(t),V(t-1),V(t-2)≥0
其中,i∈Rd×d为恒等矩阵,并以l1-范数表示);
S2、建立联合目标函数;
S3、采用高效的基于梯度的交替优化算法(采用一种高效的基于梯度的交替优化算法求解联合问题。由于等式(10)中的联合目标函数L是关于四个变量/矩阵Z(t)、V(t)、T(t-1)和T(t-2)的非凸函数,因此提出了一种交替优化算法。对四个变量/矩阵及其对应的变量/矩阵,给出了以下不等式约束:
z(t)≥0,V(t)≥0,T(t-1)≥0,T(t-2)≥0 (10)
其中e表示推荐产品。等式(10)中关于每个变量的联合目标函数L的梯度等效于
基于等式(13)-(17)中的梯度,通过求解等式(13)相对于每个变量的条件,导出以下更新规则:
对于p=k-1的过去周期,扩展等式(10)中的联合目标函数如下:
时态关联矩阵T(t-p)的相应更新规则为:
S4、通过相关数据集对推荐方法进行验证,得到基于偏好时态相关的最优选择方法对于具有稳定偏好的用户和倾向于经常改变其偏好的动态用户而言,都能够实现的高精度最优选择。
其具体操作如下:
本发明分析了MovieLens-1M和Last.fm-1K公开数据集,MovieLens-1M是一组从20世纪90年末到21世纪初由MovieLens用户提供的电影评分数据。数据集包含36个月以上{用户,电影,评级,时间戳}形式的元组。总共含有来自6000名用户对4000部电影的100万条评分数据。将数据集分成对应于6个半年的k=6个时间段,Last.fm-1K包括n=992个用户的收听习惯。Last.fm由54个月的{用户,艺术家,曲目,时间戳}形式的元组组成。总共有m=176,948名艺术家和19,150,868个收听事件,将数据集分成k=9个时间段,对应于9个半年度。
计算动态用户的数量,基于等式(2),在整个数据时间跨度内的测试月份对所有用户的wj (t-p)值进行平均,平均值为l,在此基础上生成以下各组的偏好转移率:(l≤0.25),(0.25<l<0.5),(0.5≤l<0.75)和(l≥0.75)。
本发明使用基于排名的指标AveragePrecision(AP@N)和NormalizedDiscountedCumulativeGain(NDCG@N)。设r是在排序列表中的位置索引(r={1,...,N}),rel(r)表示第r项对于用户的相关性。对于AP@N,如果是用户的非相关项,则rel(r)=0,否则rel(r)=1。AP@N被定义为在用户排名列表的前N个推荐项目中的每个相关位置处计算的精确度的平均值,其中精度(P@N)等于排名前N个项目中的相关项目的分数。AP@N的计算如下:
对于NDCG@N,rel(r)等于用户从多级标度观察到的评级,DCG@N通过使用项目在排名列表中的位置折扣重要性权重来获得在较高排名项目中找到正确排序的重要性。DCG@N的计算如下:
本发明选择已有的几种方法和本发明所提出的方法MLT进行性能比较,用以说明本方法的有效性:1)时态矩阵方法TMF,该方法通过学习每个用户在连续两个时间段之间的潜在向量的转移矩阵来模拟用户的偏好动态;2)贝叶斯时间矩阵分解方法BTMF,该方法通过引入超参数的先验来扩展TMF方法,该超参数获取用户,项目和用户对项目的反馈的条件分布;3)贝叶斯概率再分配方法BPTF,改进BTMF方法的超参数,从而能获取到时间的三次相关性;4)元数据相似性耦合矩阵方法CMTF,该方法能够利用转移矩阵中项目匹配元数据相似性耦合特性;5)时间感知产品图嵌入方法PGE,该方法基于网络嵌入方法学习项目表示,利用用户之前以时间衰减函数的形式交互的项目来计算用户动态偏好的表示。
评估过程中,图2显示了在整个数据时间跨度内每个评估数据集的测试月份对AP@10的影响。根据数据可以看出,本发明所提出的方法MLT明显优于其他方法在两个数据集中的所有基线。通过建立联合目标函数计算用户在最新偏好和过去所有偏好之间的相关性,MLT可以准确地捕获用户偏好的时态过渡,从而很好地捕获偏好动态。MLT通过在计算正在进行的和过去的时段之间的用户偏好的多个时态相关性时合并项目的相似性来提高推荐准确度。
本发明的主题包括各种过程、系统和配置的所有新颖和非显而易见的组合和子组合、和此处所公开的其他特征、功能、动作、和/或特性、以及其任何和全部等效物。
综上所述,该基于偏好时态相关的最优选择方法,采用新型的偏好时态相关模型确定用户最近和过去的偏好之间的相关性,从而产生准确的推荐,进行偏好时态相关分析,建立联合目标函数计算用户在最新偏好和过去所有偏好之间的相关性,最后采用一种高效的基于梯度的交替优化算法求解联合问题,很好的解决了现有基于矩阵或张量因式分解方法存在较大局限性的问题,同时可以很好的满足使用者的使用需求。
需要说明的是,在本文中,诸如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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于偏好时态相关的最优选择方法,其特征在于:包括如下步骤:
S1、提出平滑策略计算对象的偏好变化率;
S2、建立联合目标函数;
S3、采用高效的基于梯度的交替优化算法;
S4、通过相关数据集对推荐方法进行验证,得到基于偏好时态相关的最优选择方法对于具有稳定偏好的用户和倾向于经常改变其偏好的动态用户而言,都能够实现的高精度最优选择。
2.根据权利要求1所述的一种基于偏好时态相关的最优选择方法,其特征在于:在步骤S1中,给定的所有k个时间段中,进行偏好时态相关分析,计算出用户在一个持续期间的最近偏好与以前的偏好之间的k-1路相关性。
设表示用户j在正在进行的时段t中表达了其偏好的项目集合,其中j=1,...,n。因此,令是过去时段t-p中相同用户j的项目集合。为了计算正在进行的时段t和过去的一个t-p之间的偏好移位率,定义平滑向量w(t-p)∈Rn,其中第j个元素的计算方法如下:
其中s(a,b)是推荐实体数据的文本相似度。Wj (t-p)的高度相似性反映了用户在过去时期t-p和持续时间t之间的稳定偏好。
3.根据权利要求2所述的一种基于偏好时态相关的最优选择方法,其特征在于:在步骤S1中,考虑k=3个时间段、持续的t和p=2个过去的周期,即t-1和t-2。给定当前周期的矩阵X(t)和前两个周期的矩阵X(t-1)和X(t-2),目标是在X(t)的低秩d近似下,通过计算过去周期的p=2个过渡,在X(t)的低秩d近似下产生建议。使用相应的平滑向量w(t-1)和w(t-2),以个性化的方式对过去的偏好进行分类如下:
其中(x)*,j表示矩阵X的第j列。构造矩阵X(t)、矩阵X(t-1)和X(t-2)的以下三个最小化问题:
Z(t),V(t),Z(t-1),V(t-1),Z(t-2),V(t-2)≥0
其中||.||F表示Frobenius范数。为了捕捉时间段t和t-1之间用户偏好的演变,以及t和t-2的演化,引入p=2时态关联矩阵,时态关联矩阵由T(t-1)∈Rd×d表示,表示在时间段t和t-1中用户时态矩阵V(t)和V(t-1)之间的偏好的演变。在时间周期t和t-2中,定义了用户矩阵V(t)和V(t-2)之间的时态关联矩阵T(t-2)∈Rd×d。利用时态关联矩阵T(t-1)和T(t-2),等式(4)可以重新表示为下列极小化问题:
通过结合等式(4)、(7)和(8),定义了关于矩阵/变量Z(t),V(t),T(t-1)和T(t-2)的以下联合目标函数:
Z(t),V(t),V(t-1),V(t-2)≥0
其中,i∈Rd×d为恒等矩阵,并以l1-范数表示。
4.根据权利要求1所述的一种基于偏好时态相关的最优选择方法,其特征在于:在步骤S3中,采用一种高效的基于梯度的交替优化算法求解联合问题。由于等式(10)中的联合目标函数L是关于四个变量/矩阵Z(t)、V(t)、T(t-1)和T(t-2)的非凸函数,因此提出了一种交替优化算法。对四个变量/矩阵及其对应的变量/矩阵,给出了以下不等式约束:
z(t)≥0,V(t)≥0,T(t-1)≥0,T(t-2)≥0(10)
其中e表示推荐产品。等式(10)中关于每个变量的联合目标函数L的梯度等效于
基于等式(13)-(17)中的梯度,通过求解等式(13)相对于每个变量的条件,导出以下更新规则:
对于p=k-1的过去周期,扩展等式(10)中的联合目标函数如下:
时态关联矩阵T(t-p)的相应更新规则为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498501.XA CN110209947A (zh) | 2019-06-10 | 2019-06-10 | 一种基于偏好时态相关的最优选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498501.XA CN110209947A (zh) | 2019-06-10 | 2019-06-10 | 一种基于偏好时态相关的最优选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110209947A true CN110209947A (zh) | 2019-09-06 |
Family
ID=67791611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910498501.XA Withdrawn CN110209947A (zh) | 2019-06-10 | 2019-06-10 | 一种基于偏好时态相关的最优选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209947A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111683154A (zh) * | 2020-06-17 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321370A1 (en) * | 2012-07-09 | 2016-11-03 | Facebook, Inc. | Acquiring structured user data using composer interface having input fields corresponding to acquired structured data |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
-
2019
- 2019-06-10 CN CN201910498501.XA patent/CN110209947A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321370A1 (en) * | 2012-07-09 | 2016-11-03 | Facebook, Inc. | Acquiring structured user data using composer interface having input fields corresponding to acquired structured data |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
D. RAFAILIDIS: "《A Multi-Latent Transition model for evolving preferences in recommender systems》", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111683154A (zh) * | 2020-06-17 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
CN111683154B (zh) * | 2020-06-17 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 一种内容推送的方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256093B (zh) | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 | |
CN104935963B (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
CN101162470B (zh) | 一种基于分层匹配的视频广告识别方法 | |
CN102654860B (zh) | 一种个性化音乐推荐方法及系统 | |
CN103593350B (zh) | 一种推荐推广关键词价格参数的方法和装置 | |
CN103544663B (zh) | 网络公开课的推荐方法、系统和移动终端 | |
CN103632290B (zh) | 一种基于推荐概率融合的混合推荐方法 | |
Wang et al. | Multi-objective optimization for location-based and preferences-aware recommendation | |
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 | |
CN107301247B (zh) | 建立点击率预估模型的方法及装置、终端、存储介质 | |
CN109783738A (zh) | 一种基于多相似度的双极限学习机混合协同过滤推荐方法 | |
CN109902235A (zh) | 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法 | |
CN104182517A (zh) | 数据处理的方法及装置 | |
CN105138508A (zh) | 一种基于偏好扩散的上下文推荐系统 | |
CN106951527B (zh) | 一种歌曲推荐方法及装置 | |
CN110019943A (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN108470075A (zh) | 一种面向排序预测的社会化推荐方法 | |
CN106980646A (zh) | 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN112380433A (zh) | 面向冷启动用户的推荐元学习方法 | |
CN111078859B (zh) | 一种基于引用次数的作者推荐方法 | |
CN110264284A (zh) | 新媒体营销属性分析预测方法、装置及系统 | |
Zhao et al. | A generative model approach for geo-social group recommendation | |
CN110059257B (zh) | 基于评分修正的项目推荐方法 | |
CN110209947A (zh) | 一种基于偏好时态相关的最优选择方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190906 |
|
WW01 | Invention patent application withdrawn after publication |