CN110347935A - 基于用户兴趣变化的个性化影视项目推荐方法及系统 - Google Patents
基于用户兴趣变化的个性化影视项目推荐方法及系统 Download PDFInfo
- Publication number
- CN110347935A CN110347935A CN201910651919.XA CN201910651919A CN110347935A CN 110347935 A CN110347935 A CN 110347935A CN 201910651919 A CN201910651919 A CN 201910651919A CN 110347935 A CN110347935 A CN 110347935A
- Authority
- CN
- China
- Prior art keywords
- user
- project
- film
- target user
- television
- 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.)
- Pending
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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—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
- G06F16/9536—Search customisation based on social or collaborative filtering
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)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户兴趣变化的个性化影视项目推荐方法及系统,包括:通过数据集获取用户的评分记录信息以及用户特征信息;选用K‑近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别;选用改进的余弦相似度计算目标用户与用户所属类别内的每一个用户之间的相似性;引入时间惩罚函数,计算目标用户对每一个目标影视项目的评分;根据评分值的大小,输出最终的影视项目推荐结果。本发明有益效果:本发明方法在一定程度上缓解了用户兴趣变化问题,提高了推荐质量。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种基于用户兴趣变化的个性化影视项目推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着网络的迅速发展,互联网与人们的生活越来越紧密。网上的信息不断增多,人们需要花费大量的时间找到自己真正需要的信息。个性化推荐技术可以通过分析用户的行为,主动为用户推荐其可能感兴趣的信息或者产品。
协同过滤算法是个性化推荐技术的核心算法,协同过滤算法通过分析目标用户的评分记录,找到与其兴趣爱好相似的用户,从而为目标用户做出推荐。
发明人发现,用户的兴趣可能会随着时间的增长而发生改变,但是传统的个性化推荐方法仅依据用户过去的评分信息,无法具体准确地反映出用户目前的兴趣变化,主要表现为存在以下问题:
1)在用户评分数据极端稀疏的情况下,传统的大相似性度量方法导致用户最近邻居集不准确;
2)在计算目标用户对项目的评分时,忽略了用户兴趣随时间的变化,导致推荐结果存在误差。
发明内容
为了解决上述问题,本发明提出基于用户兴趣变化的个性化影视项目推荐方法及系统,在预测目标用户对目标项目的评分时引入时间惩罚函数,适应用户兴趣的改变,预测出目标用户对项目的最终评分,产生推荐。
在一些实施方式中,采用如下技术方案:
基于用户兴趣变化的个性化影视项目推荐方法,包括:
通过数据集获取用户的评分记录信息以及用户特征信息;
选用K-近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别;
选用改进的余弦相似度计算目标用户与用户所属类别内的每一个用户之间的相似性;
引入时间惩罚函数,计算目标用户对每一个目标影视项目的评分;
根据评分值的大小,输出最终的影视项目推荐结果。
在另一些实施方式中,采用如下技术方案:
基于用户兴趣变化的个性化影视项目推荐系统,包括:
用于通过数据收集获取目标用户的偏好、评分记录信息以及用户特征的模块;
用于选用K-近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别的模块;
用于选用改进的余弦相似度计算目标用户与用户所属类别内的每一个用户之间的相似性的模块;
用于引入时间惩罚函数,计算目标用户对目标项目的评分的模块;
用于根据评分值的大小,输出最终的影视项目推荐结果的模块。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的基于用户兴趣变化的个性化影视项目推荐方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于用户兴趣变化的个性化影视项目推荐方法。
与现有技术相比,本发明的有益效果是:
用户对项目的评分时间不同,反映的用户兴趣也会存在差异;本发明利用KNN算法找出近邻用户集合,再用改进的相似性度量方法计算目标用户与用户所属类别内的每一个用户之间相似项目的相似性,确定目标用户的最近邻居集;在预测目标用户对目标影视项目的评分时引入时间惩罚函数,适应用户兴趣的改变,预测出目标用户对影视项目的最终评分,产生推荐。实验结果表明,本发明方法在一定程度上缓解了用户兴趣变化问题,提高了推荐质量。
附图说明
图1为实施例一中参数β对RMSE的影响示意图;
图2为实施例一中三种算法的RMSE比较示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
针对背景技术中指出的问题,在一个或多个实施方式中,公开了一种基于用户兴趣变化的个性化影视项目推荐方法,综合考虑用户对项目的评分时间不同的问题,在计算目标用户最近邻居集时时使用KNN算法进行分类,进一步提高用户与目标用户间的相似度;最终在为目标用户产生推荐时引入时间惩罚函数,为用户做出更精准的推荐。
本实施例基于用户兴趣变化的个性化影视项目推荐方法主要包括如下步骤:
(1)数据收集,通过数据集获取用户评分信息及用户特征信息等;
数据集采用MovieLens数据集,其中,评分记录信息以及用户特征在MovieLens数据集中均有记录,评分记录信息包括用户对电影的打分信息(1-5分),用户特征信息包括用户的职业、年龄、性别等信息。
(2)寻找最近邻居集,用KNN算法进行分类;
KNN(K-nearest neighbor)算法,即K-近邻算法。KNN算法的基本思想是:根据距离函数计算待分类目标用户x和MovieLens数据集中每个用户的距离,选择与待分类目标用户距离最小K个用户作为x的K个最近邻,最后根据x的K个最近邻判断x的类别。x的类别根据KNN算法的距离公式计算确定。比如我们要为目标用户A做出推荐,首先利用KNN算法确定用户喜欢什么类别的电影,喜剧片还是恐怖片。可以根据目标用户A的最近邻的喜欢类型判断A的喜欢类型。
本文选用经典的欧氏距离公式为用户或者项目完成分类。
Ri表示用户i对其所有影视项目的评分结果组成的n维向量,Ri={Ri1,Ri2,......,Rin};
Rj表示用户j对其所有影视项目的评分结果组成的n维向量,Rj={Rj1,Rj2,......,Rjn};
两个用户之间的距离用d(i,j)表示,如公式(1)所示。
其中,Rik表示用户i对第k个电影项目的评分、Rjk表示用户j对第k个电影项目的评分。
(3)使用改进的余弦相似度计算相似性;
本实施例中,为了更准确地描述用户最近邻居集的相似性,选用改进的余弦相似度作为相似性度量方法计算用户之间的相似性。余弦相似度又称余弦相似性,是通过计算两个向量的夹角余弦值来评估他们的相似度。相似度的取值范围为[-1,1],1表示完全相关,0的含义是不相关,-1代表完全负相关。
相似度的度量方法为:设经用户i和用户j共同评分的项目集合用Iij表示,用户i和用户j共同评分的项目集合指的是用户i和用户j有过共同评分的电影集合。例如:小王和小李共同评分过《泰坦尼克号》、《冰雪奇缘》、《战狼》等;
则用户i和用户j之间的相似性sim′(i,j)通过改进的余弦相似度如式(2)度量:
其中,Ri,c表示用户i对项目c的评分,Rj,c表示用户j对项目c的评分,d(i,j)表示用户i和用户j之间的距离。
(4)根据最近邻居集合结合时间惩罚函数计算目标用户对目标项目的评分;
结合公式(2)改进的余弦相似度的相似性计算公式,计算目标用户对目标项目的最终评分。用户的兴趣可能会随着时间而发生变化,用户对项目的评分时间越接近当前时间,则越能反映用户真实的兴趣。所以本实施例在预测评分时引入时间惩罚函数f(ti),解决用户因兴趣变化导致的评分不准确问题。
时间惩罚函数,即用户对项目的不同评分时间问题赋予不同的权重,更好地适应用户兴趣变化问题。时间惩罚函数公式如式(3):
其中,f(ti)是时间惩罚函数,β是惩罚因子,ti是用户对项目的评分时间。
动态惩罚因子β是本实施例提出的改进的协同过滤算法的影响因子,影响了推荐结果的准确性。按照改进的算法进行预测,查看惩罚因子β对RMSE的影响,图1表示了RMSE随着β的变化情况。从图1中可以看出,惩罚因子β对RMSE的影响,当β=0.6时,RMSE最小,推荐效果最好。
结合时间惩罚函数预测出目标用户i对项目u最终评分,最后根据评分大小产生推荐。预测评分公式如式(4):
其中,Rju表示目标用户最近邻居j对项目v的评分值,KNN(i)表示目标用户i的k个最近邻居集合,和分别表示用户i和用户j对项目的平均评分。
(5)根据评分值的大小,输出最终的影视项目推荐结果。
影视项目推荐结果指的是根据目标用户与最近邻居集用户之间的相似性做出推荐。例如:要为A用户做出推荐,与其相似性比较高的用户B用户C用户D等(也就是最近邻居集),对电影《蜘蛛侠》的评分比较高,可以为用户A推荐项目蜘蛛侠。
假如有ABC三部电影为目标用户推荐,根据公式算出目标用户对ABC三部电影的评分数值,我们选取预测评分数值最高的那部为用户做出推荐。
为了验证本实施例方法的性能,采用豆瓣网提供的数据集。豆瓣数据集包括电影和图书两部分,本文选取电影数据集作为实验数据集。数据集中每个用户对电影进行评分的数量都超过了20部,评分值分为(1,2,3,4,5)五个数值。数值越大,说明用户喜爱程度越高。实验过程中,将数据集按80%和20%的比例分为训练集和测试集。实验数据分析如表1所示。
表1实验数据分析
预测准确度是用来衡量推荐算法推荐能力的重要指标,本实施例采用均方根误差(RMSE)来度量推荐结果的准确度。RMSE对应的是平均方差的平方,RMSE反映了预测值和真实值之间的差距,其值越小越。RMSE将惩罚那些偏差相对较小的系统,而不是那些偏差较大的系统。
假设原始评分集合为R={r1,r2,…,rn},预测评分集合为P={p1,p2,…,pn},RMSE的计算公式如式(5):
本实施例通过实验与传统的基于项目的协同过滤算法(Item-based CF)和传统的基于用户的协同过滤算法(User-based CF)两种算法进行了比较,实验结果如图2所示,从图2能够明显的看出本实施例提出的改进的协同过滤算法在不同的邻居数目下的RMSE都明显优于其它两种算法,从而验证了本实施例提出的改进算法的可行性。本实施例算法有效的解决了用户兴趣变化问题,提高了推荐算法的准确性。在豆瓣公开数据集上的实验结果表明,本实施例算法在一定程度上缓解了用户兴趣随时间发生变化的问题,能够准确的为用户做出推荐。
实施例二
在一个或多个实施例中,公开了一种基于用户兴趣变化的个性化影视项目推荐系统,包括:
用于通过数据收集获取目标用户的偏好、评分记录信息以及用户特征的模块;
用于选用K-近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别的模块;
用于选用改进的余弦相似度计算用户之间的相似性的模块;
用于引入时间惩罚函数,计算目标用户对目标项目的评分的模块;
用于根据评分值的大小,输出最终的项目推荐结果的模块。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于用户兴趣变化的个性化影视项目推荐方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于用户兴趣变化的个性化影视项目推荐方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,包括:
通过数据集获取用户的评分记录信息以及用户特征信息;
选用K-近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别;
选用改进的余弦相似度计算目标用户与用户所属类别内的每一个用户之间的相似性;
引入时间惩罚函数,计算目标用户对每一个目标影视项目的评分;
根据评分值的大小,输出最终的影视项目推荐结果。
2.如权利要求1所述的基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,所述用户的评分记录信息包括用户对不同影视项目的打分信息;所述用户特征信息包括用户的职业、年龄以及性别信息。
3.如权利要求1所述的基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,选用K-近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别,具体为:
根据距离函数计算待分类目标用户和数据集中每个用户之间的距离,选择与待分类目标用户距离最小的K个用户作为待分类目标用户的K个最近邻,根据待分类目标用户的K个最近邻判断待分类目标用户的类别。
4.如权利要求1所述的基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,选用改进的余弦相似度计算目标用户与用户所属类别内的每一个用户之间的相似性,具体为:
设经用户i和用户j共同评分的项目集合用Iij表示,则用户i和用户j之间的相似性sim′(i,j)为:
Ri,c表示用户i对项目c的评分,Rj,c表示用户j对项目c的评分,d(i,j)表示用户i和用户j之间的距离。
5.如权利要求1所述的基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,引入时间惩罚函数,计算目标用户对目标项目的评分,具体为:
其中,Rju表示目标用户最近邻居j对项目v的评分值,KNN(i)表示目标用户i的k个最近邻居集合,sim′(i,j)表示目标用户i和最近邻居j之间的相似性,和分别表示目标用户i和最近邻居j对项目的平均评分;f(ti)为时间惩罚函数。
6.如权利要求5所述的基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,所述的时间惩罚函数f(ti)具体为:
其中,β是惩罚因子,ti是目标用户i对项目的评分时间。
7.如权利要求1所述的基于用户兴趣变化的个性化影视项目推荐方法,其特征在于,根据评分值的大小,输出最终的影视项目推荐结果,具体为:选取评分值最高的影视项目作为最终的影视项目推荐结果。
8.基于用户兴趣变化的个性化影视项目推荐系统,其特征在于,包括:
用于通过数据收集获取目标用户的偏好、评分记录信息以及用户特征的模块;
用于选用K-近邻算法寻找目标用户的最近邻居集,进而确定用户所属类别的模块;
用于选用改进的余弦相似度计算目标用户与用户所属类别内的每一个用户之间的相似性的模块;
用于引入时间惩罚函数,计算目标用户对目标项目的评分的模块;
用于根据评分值的大小,输出最终的影视项目推荐结果的模块。
9.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于用户兴趣变化的个性化影视项目推荐方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于用户兴趣变化的个性化影视项目推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910651919.XA CN110347935A (zh) | 2019-07-18 | 2019-07-18 | 基于用户兴趣变化的个性化影视项目推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910651919.XA CN110347935A (zh) | 2019-07-18 | 2019-07-18 | 基于用户兴趣变化的个性化影视项目推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347935A true CN110347935A (zh) | 2019-10-18 |
Family
ID=68179268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910651919.XA Pending CN110347935A (zh) | 2019-07-18 | 2019-07-18 | 基于用户兴趣变化的个性化影视项目推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347935A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933726A (zh) * | 2019-03-22 | 2019-06-25 | 江西理工大学 | 基于用户平均加权兴趣向量聚类的协同过滤电影推荐方法 |
CN112365447A (zh) * | 2020-10-20 | 2021-02-12 | 四川长虹电器股份有限公司 | 一种多维度影视评分方法 |
CN113032675A (zh) * | 2021-03-26 | 2021-06-25 | 李蕊男 | 个性化推荐中的用户相似性多因素评定方法 |
CN113256387A (zh) * | 2021-06-15 | 2021-08-13 | 杭州魔点科技有限公司 | 项目物品的个性化推荐方法、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957950A (zh) * | 2012-07-23 | 2013-03-06 | 华东师范大学 | 一种用于视频推荐的用户隐式评分方法 |
WO2015024427A1 (en) * | 2013-08-19 | 2015-02-26 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for recommending buddies to client user |
CN108256093A (zh) * | 2018-01-29 | 2018-07-06 | 华南理工大学 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
-
2019
- 2019-07-18 CN CN201910651919.XA patent/CN110347935A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957950A (zh) * | 2012-07-23 | 2013-03-06 | 华东师范大学 | 一种用于视频推荐的用户隐式评分方法 |
WO2015024427A1 (en) * | 2013-08-19 | 2015-02-26 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for recommending buddies to client user |
CN108256093A (zh) * | 2018-01-29 | 2018-07-06 | 华南理工大学 | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933726A (zh) * | 2019-03-22 | 2019-06-25 | 江西理工大学 | 基于用户平均加权兴趣向量聚类的协同过滤电影推荐方法 |
CN109933726B (zh) * | 2019-03-22 | 2022-04-12 | 江西理工大学 | 基于用户平均加权兴趣向量聚类的协同过滤电影推荐方法 |
CN112365447A (zh) * | 2020-10-20 | 2021-02-12 | 四川长虹电器股份有限公司 | 一种多维度影视评分方法 |
CN112365447B (zh) * | 2020-10-20 | 2022-08-19 | 四川长虹电器股份有限公司 | 一种多维度影视评分方法 |
CN113032675A (zh) * | 2021-03-26 | 2021-06-25 | 李蕊男 | 个性化推荐中的用户相似性多因素评定方法 |
CN113256387A (zh) * | 2021-06-15 | 2021-08-13 | 杭州魔点科技有限公司 | 项目物品的个性化推荐方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977322B2 (en) | Systems and methods for recommending temporally relevant news content using implicit feedback data | |
CN110347935A (zh) | 基于用户兴趣变化的个性化影视项目推荐方法及系统 | |
Shi et al. | Getjar mobile application recommendations with very sparse datasets | |
WO2017121251A1 (zh) | 一种信息推送方法及装置 | |
CN107330750B (zh) | 一种推荐产品配图方法及装置,电子设备 | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
TWI554895B (zh) | Search results sorting methods and systems, search results sorting optimization methods and systems | |
TWI512653B (zh) | Information providing method and apparatus, method and apparatus for determining the degree of comprehensive relevance | |
CN104679771B (zh) | 一种个性化数据搜索方法和装置 | |
CN103678518B (zh) | 一种推荐列表调整方法和装置 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
US9959563B1 (en) | Recommendation generation for infrequently accessed items | |
CN111461841B (zh) | 物品推荐方法、装置、服务器及存储介质 | |
KR101098871B1 (ko) | 랭크된 사용자의 피드백 정보에 기반한 컨텐츠 유사도 측정 장치, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 | |
CN108509466A (zh) | 一种信息推荐方法和装置 | |
CN109409928A (zh) | 一种素材推荐方法、装置、存储介质、终端 | |
Aiolli | A Preliminary Study on a Recommender System for the Million Songs Dataset Challenge. | |
CN109447729A (zh) | 一种产品的推荐方法、终端设备及计算机可读存储介质 | |
CN107402961B (zh) | 一种推荐方法及装置,电子设备 | |
Yang et al. | Prototype-based image search reranking | |
CN104615741B (zh) | 一种基于云计算的冷启动项目推荐的方法及装置 | |
CN103383702A (zh) | 一种基于用户投票排名的个性化新闻推荐的方法及系统 | |
CN110990695A (zh) | 推荐系统内容召回方法及装置 | |
CN110134783A (zh) | 个性化推荐的方法、装置、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |