CN110727863A - 一种基于复杂网络协同过滤的项目推荐方法 - Google Patents

一种基于复杂网络协同过滤的项目推荐方法 Download PDF

Info

Publication number
CN110727863A
CN110727863A CN201910923173.3A CN201910923173A CN110727863A CN 110727863 A CN110727863 A CN 110727863A CN 201910923173 A CN201910923173 A CN 201910923173A CN 110727863 A CN110727863 A CN 110727863A
Authority
CN
China
Prior art keywords
user
users
community
item
items
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
Application number
CN201910923173.3A
Other languages
English (en)
Inventor
于海
王敬龙
武庆斌
朱志良
王一博
吕梦晨
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910923173.3A priority Critical patent/CN110727863A/zh
Publication of CN110727863A publication Critical patent/CN110727863A/zh
Pending legal-status Critical Current

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
    • G06F16/90—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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及项目推荐技术领域，提供一种基于复杂网络协同过滤的项目推荐方法。首先构建复杂网络包括用户集合及用户之间的网络关系；然后利用基于模块度的GN社团划分算法，对复杂网络进行划分，形成社团集合；接着在每个社团中，计算被推荐用户与其他用户之间的相似度，并将被推荐用户与其他用户之间的相似度从大到小进行排序，选取前n个相似度对应的其他用户构成被推荐用户的Top‑n最近邻集合；最后计算被推荐用户对项目的预测评分，并将被推荐用户对项目的预测评分从高到低排序，选取前K*个预测评分对应的项目推荐给用户。本发明能够提升推荐精度、响应用户数据的动态变化，能够应用于不同的场景，且能够避免无效推荐、解决冷启动问题。

Description

一种基于复杂网络协同过滤的项目推荐方法
技术领域
本发明涉及项目推荐技术领域，特别是涉及一种基于复杂网络协同过滤的项目推荐方法。
背景技术
个性化推荐是根据用户过去的行为信息，利用一定的推荐算法，向用户推荐他们可能感兴趣的内容。例如根据用户点击、查看、购买商品等行为，来向用户推荐他们可能感兴趣的商品。或者根据用户对项目的评价行为，来向用户推荐他们可能感兴趣的项目。这里，所述项目可以是书籍、电影、音乐、美食、商品等。
个性化推荐技术在信息挖掘与过滤问题、不完整稀疏矩阵的重构问题上都扮演着重要的角色。它的研究意义不仅体现在学术方面，在实际应用方面也具有很高的价值。在实际应用方面，个性化推荐技术也有很多不同的应用场景，推荐系统已然成为世界各大互联网公司争相布局的重要一环。
个性化推荐方法目前有基于内容的个性化推荐方法、协同过滤推荐方法以及混合推荐方法。各个方法在各个领域发挥着不同的作用，当前研究的热点有如下几个：上下文感知推荐系统研究、实时性研究、稀疏性和冷启动研究。
尽管个性化推荐方法的研究越来越深入，应用也越来越广泛，但现有的推荐方法仍然存在如下的问题：
(1)应用范围窄：随着推荐算法的不断发展，推荐系统的准确度问题也不断得到改善，但针对不同的应用场景，系统中所应用的数据、算法的处理都有所不同。现有的推荐方法应用范围较窄，不能广泛应用于不同的场景。
(2)推荐准确性不高：网络中数据量越来越大，导致数据的冗余度越来越高，这使推荐结果与用户已选择过的物品有较高的重合性，比如说用户己经看过电影《蝙蝠侠》，则很有可能已经看过有关《蝙蝠侠》系列的所有电影，而传统推荐算法则会将与《蝙蝠侠》最为相似的《蝙蝠侠》系列都推荐给用户，但这对用户来讲就是无效推荐。另外的例子便是书籍推荐，用户喜欢或者读过一本书，那么传统的推荐就会把同一书籍但不同的出版社的书籍推送给该用户，这对用户来讲并没有获取有效信息。在推荐系统中，推荐算法不仅要删除与用户完全不相关的物品，同时也要删除掉与用户之前有关联的十分相似的物品，并提供给与用户所选择物品有一定关联性的其它物品。而现有的推荐方法的推荐准确性不高，无效推荐问题较严重。
(3)冷启动问题：推荐系统中的冷启动问题是指由于缺少历史数据而难以进行推荐的问题。冷启动问题是推荐算法一直存在的问题，在互联网中，往往存在每天有数以万计的新用户加入网络，新用户爆炸式的增长让冷启动这个问题变得日益严峻，也是推荐算法一直研究的热点。因为在互联网越来越普及的今天，每时每刻都在产生大量的新用户，如果用户不满意所推荐的内容则很有可能会离开，因此为推荐系统提供可靠的解决冷启动的方法变得越来越迫切。
(4)动态数据问题：用户的兴趣是多变的，无论是在同一时间的不同地点还是在同一地点的不同时间，数据都是动态变化的，数据层面都会产生很大的不同，因此导致用户的行为也都是不同的。传统的推荐算法无法响应用户在数据上所表现出来的动态性，更难以随着用户兴趣的变化而动态地改变推荐结果。因此，针对推荐算法中的多方面数据建模仍是推荐算法的重要挑战。
发明内容
针对现有技术存在的问题，本发明提供一种基于复杂网络协同过滤的项目推荐方法，能够提升推荐的精度、响应用户数据的动态变化，能够应用于不同的场景，且能够避免无效推荐、解决冷启动问题。
本发明的技术方案为：
一种基于复杂网络协同过滤的项目推荐方法，其特征在于，包括下述步骤：
步骤1：构建复杂网络包括用户集合
Figure BDA0002218155970000021
及用户之间的网络关系；
其中，根据用户行为建立用户之间的网络关系，所述用户行为是用户对项目的评价行为，若用户ui∈U与用户uj∈U对同一个项目vk进行过评价则对用户ui与用户uj之间建立网络联系，NU为用户总数，vk∈V＝{v1，v2，...，vk，…，vk}，V为项目集合，K为项目总数；每个用户均有R个数值型属性和T个名称型属性；
步骤2：利用基于模块度的GN社团划分算法，对所述复杂网络进行划分，形成社团集合S＝{s1，s2，...，sm，…，sM}；
其中，sm为第m个社团，m∈{1，2，...，m，...，M}，M为社团总数，
Figure BDA0002218155970000022
Figure BDA0002218155970000023
ump为社团sm中的第p个用户，
Figure BDA0002218155970000024
为社团sm中的用户总数；
步骤3：在每个社团sm∈S中，计算用户ump与用户umq∈sm之间的相似度sim(ump，umq)；
步骤4：将用户ump与其他用户之间的相似度从大到小进行排序，选取前n个相似度对应的其他用户构成用户ump的Top-n最近邻集合
Figure BDA0002218155970000039
步骤5：计算用户ump对项目vk的预测评分为
Figure BDA0002218155970000031
其中，
Figure BDA0002218155970000032
Gmpk、Gmqk分别为用户ump、用户umq对项目vk的评分；
步骤6：将用户ump对项目的预测评分{P(ump，v1)，P(ump，v2)，...，P(ump，vk)，...，P(ump，vK)}从高到低排序，选取前K*个预测评分对应的项目推荐给用户ump。
所述步骤3包括下述步骤：
步骤3.1：用户ui∈U的第r个数值型属性值为air，用户ui与用户uj之间的第r个数值型属性值差值为Xijr＝|air-ajr|，将所有的第r个数值型属性值差值去重后从小到大排序，得到第r个数值型属性值差值集合为
Figure BDA0002218155970000033
将区间
Figure BDA0002218155970000034
划分为(nr-1)个子区间
Figure BDA0002218155970000035
构建映射fr：Xr→Br；
其中，r∈{1，2，…，r，…，R}，Xr1、
Figure BDA0002218155970000036
分别为集合Xr中的最小元素、最大元素，(Xr，l，Xr，l+1]为第l个子区间，l∈{1，2，...，l，...，nr-1}；Br为第r个数值型属性值差值的函数值集合， 落在子区间(Xr，l，Xr，l+1]中的第r个数值型属性值差值的函数值为brl；
在每个社团sm中，用户ump的第r个数值型属性值为ampr，用户ump与用户umq∈sm之间的第r个数值型属性值差值为Xmpqr＝|ampr-amqr|，用户ump与用户umq之间的第r个数值型属性值差值的函数值为fr(Xmpqr)；
步骤3.2：在每个社团sm中，用户ump的第t个名称型属性值为bmpt，用户ump与用户umq之间的第t个名称型属性值差值为Ympqt；其中，若bmpt＝bmqt则Ympqt＝0，若bmpt≠bmqt则Ympqt＝1；其中，t∈{1，2，…，t，…，T}；
步骤3.3：计算用户ump与用户umq之间的属性距离为
Figure BDA0002218155970000041
其中，αr为第r个数值型属性的权重，βt为第t个名称型属性的权重，
Figure BDA0002218155970000042
步骤3.4：计算用户ump与用户umq之间的关系强度为
Figure BDA0002218155970000043
其中，hmpqk为用户ump与用户umq对项目vk的评价偏好；若用户ump与用户umq均对项目vk进行过评价且评分相同，则hmpqk＝1；若用户ump与用户umq均对项目vk进行过评价但评分不相同，则hmpqk＝0.5；若用户ump与用户umq未均对项目vk进行过评价，则hmpqk＝0；Kmpq为用户ump与用户umq共同评价过的项目总数；
步骤3.5：计算用户ump与用户umq之间的相似度为
Figure BDA0002218155970000044
其中，γ为预设的参数。
本发明的有益效果为：
本发明将被推荐对象抽象成网络中的节点，根据其对项目的评价行为构建复杂网络，结合复杂网络中的社团划分技术与协同过滤推荐算法，综合考虑用户的社会属性和行为偏好，对用户进行项目推荐，增强了推荐群体的相似性，从而提升了推荐的精度。本发明能够响应用户数据的动态变化，能够应用于不同的场景，且能够避免无效推荐、解决冷启动问题。
附图说明
图1为本发明的基于复杂网络协同过滤的项目推荐方法的流程图。
图2为本发明的基于复杂网络协同过滤的项目推荐方法中相似度计算的流程图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，本发明的基于复杂网络协同过滤的项目推荐方法，包括下述步骤：
步骤1：构建复杂网络包括用户集合及用户之间的网络关系；
其中，根据用户行为建立用户之间的网络关系，所述用户行为是用户对项目的评价行为，若用户ui∈U与用户uj∈U对同一个项目vk进行过评价则对用户ui与用户uj之间建立网络联系，NU为用户总数，vk∈V＝{v1，v2，…，vk，…，vK}，V为项目集合，K为项目总数；每个用户均有R个数值型属性和T个名称型属性。
所述项目可以是书籍、电影、音乐、美食、商品等推荐技术领域技术人员能够想到的任何项目。所述数值型属性可以是用户的年龄、身高、体重等可以用数值直接表示的属性；所述名称型属性可以是性别、职业、邮编、婚姻状况等不能直接用数值表示的属性。
本实施例中，项目为电影，将用户抽象为网络中的节点，根据用户对电影的评价行为建立用户之间的网络关系。若两个用户对同一部电影进行过评价则对该两用户建立网络联系。
步骤2：利用基于模块度的GN社团划分算法，对所述复杂网络进行划分，形成社团集合S＝{s1，s2，…，sm，…，sM}；
其中，sm为第m个社团，m∈{1，2，...，m，...，M}，M为社团总数，
Figure BDA0002218155970000051
Figure BDA0002218155970000052
ump为社团sm中的第p个用户，
Figure BDA0002218155970000054
为社团sm中的用户总数。
步骤3：在每个社团sm∈S中，计算用户ump与用户umq∈sm之间的相似度sim(ump，umq)。
本实施例中，综合用户之间的属性距离和关系强度对用户之间的相似度进行计算，具体步骤如下：
步骤3.1：用户ui∈U的第r个数值型属性值为air，用户ui与用户uj之间的第r个数值型属性值差值为Xijr＝|air-ajr|，将所有的第r个数值型属性值差值去重后从小到大排序，得到第r个数值型属性值差值集合为
Figure BDA0002218155970000055
将区间
Figure BDA0002218155970000056
划分为(nr-1)个子区间
Figure BDA0002218155970000057
构建映射fr：Xr→Br；
其中，r∈{1，2，…，r，…，R}，Xr1、
Figure BDA0002218155970000058
分别为集合Xr中的最小元素、最大元素，(Xr，l，Xr，l+1]为第l个子区间，l∈{1，2，...，l，...，nr-1}；Br为第r个数值型属性值差值的函数值集合，
Figure BDA00022181559700000510
落在子区间(Xr，l，Xr，l+1]中的第r个数值型属性值差值的函数值为brl；
在每个社团sm中，用户ump的第r个数值型属性值为ampr，用户ump与用户umq∈sm之间的第r个数值型属性值差值为Xmpqr＝|ampr-amqr|，用户ump与用户umq之间的第r个数值型属性值差值的函数值为fr(Xmpqr)；
步骤3.2：在每个社团sm中，用户ump的第t个名称型属性值为bmpt，用户ump与用户umq之间的第t个名称型属性值差值为Ympqt；其中，若bmpt＝bmqt则Ympqt＝0，若bmpt≠bmqt则Ympqt＝1；其中，t∈{1，2，...，t，...，T}；
步骤3.3：计算用户ump与用户umq之间的属性距离为
Figure BDA0002218155970000061
其中，αr为第r个数值型属性的权重，βt为第t个名称型属性的权重，
步骤3.4：计算用户ump与用户umq之间的关系强度为
Figure BDA0002218155970000063
其中，hmpqk为用户ump与用户umq对项目vk的评价偏好；若用户ump与用户umq均对项目vk进行过评价且评分相同，则hmpqk＝1；若用户ump与用户umq均对项目vk进行过评价但评分不相同，则hmpqk＝0.5；若用户ump与用户umq未均对项目vk进行过评价，则hmpqk＝0；Kmpq为用户ump与用户umq共同评价过的项目总数；
步骤3.5：计算用户ump与用户umq之间的相似度为
Figure BDA0002218155970000064
其中，γ为预设的参数。
本实施例中，每个用户均有1个数值型属性——年龄，3个名称型属性——性别、职业、邮编。其中，用户之间的年龄属性值差值对应的区间为[0，100]，将区间[0，100]划分为6个子区间——[0，20]、[21，35]、[36，50]、[51，65]、[66，80]、[81，100]，每个子区间对应的函数值分别为0、0.2、0.4、0.6、0.8、1，即
Figure BDA0002218155970000065
用户ump的名称型属性中，如性别，若性别为男则令用户ump的名称型属性值即性别值为1，反之为0。若两用户之间的名称型属性值相等则令用户之间的名称型属性值差值为0，反之为1。
分别赋予年龄、性别、职业、邮编属性以权重0.25、0.45、0.20、0.10，然后计算用户之间的属性距离。
用户对电影的评分采用1-5分制，构建用户-项目评分表。若用户ump与用户umq均对同一部电影进行过评价且评分相同，则hmpqk＝1；若用户ump与用户umq均对同一部电影进行过评价但评分不相同，则hmpqk＝0.5；若用户ump与用户umq未均对同一部电影进行过评价，则hmpqk＝0。然后计算用户之间的关系强度w(ump，umq)。w(ump，umq)处于0到1之间，且值越大表示两用户对电影的偏好越相像。
在上述基础上，综合属性距离与关系强度计算用户之间的相似度。
步骤4：将用户ump与其他用户之间的相似度从大到小进行排序，选取前n个相似度对应的其他用户构成用户ump的Top-n最近邻集合
Figure BDA0002218155970000073
步骤5：计算用户ump对项目vk的预测评分为
Figure BDA0002218155970000071
其中，
Figure BDA0002218155970000072
Gmpk、Gmqk分别为用户ump、用户umq对项目vk的评分。
步骤6：将用户ump对项目的预测评分{P(ump，v1)，P(ump，v2)，...，P(ump，vk)，...，P(ump，vK)}从高到低排序，选取前K*个预测评分对应的项目推荐给用户ump。
可见，本发明将复杂网络技术与协同过滤推荐技术有效结合，综合考虑用户的社会属性和行为偏好来计算用户之间的相似度，细化了被推荐对象群体的社会属性和行为，增强了推荐群体的相似性，从而提升了推荐的精度。本发明能够响应用户数据的动态变化，能够应用于不同的场景，且能够避免无效推荐、解决冷启动问题。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (2)

1.一种基于复杂网络协同过滤的项目推荐方法，其特征在于，包括下述步骤：
步骤1：构建复杂网络包括用户集合
Figure FDA0002218155960000011
及用户之间的网络关系；
其中，根据用户行为建立用户之间的网络关系，所述用户行为是用户对项目的评价行为，若用户ui∈U与用户uj∈U对同一个项目vk进行过评价则对用户ui与用户uj之间建立网络联系，NU为用户总数，vk∈V＝{v1，v2，…，vk，…，vK}，V为项目集合，K为项目总数；每个用户均有R个数值型属性和T个名称型属性；
步骤2：利用基于模块度的GN社团划分算法，对所述复杂网络进行划分，形成社团集合S＝{s1，s2，...，sm，...，sM}；
其中，sm为第m个社团，m∈{1，2，...，m，...，M}，M为社团总数，
Figure FDA0002218155960000012
ump为社团sm中的第p个用户，
Figure FDA0002218155960000014
为社团sm中的用户总数；
步骤3：在每个社团sm∈S中，计算用户ump与用户umq∈sm之间的相似度sim(ump，umq)；
步骤4：将用户ump与其他用户之间的相似度从大到小进行排序，选取前n个相似度对应的其他用户构成用户ump的Top-n最近邻集合
Figure FDA0002218155960000016
步骤5：计算用户ump对项目vk的预测评分为
Figure FDA0002218155960000017
其中，
Figure FDA0002218155960000018
Gmpk、Gmqk分别为用户ump、用户umq对项目vk的评分；
步骤6：将用户ump对项目的预测评分{P(ump，v1)，P(ump，v2)，...，P(ump，vk)，...，P(ump，vK)}从高到低排序，选取前K*个预测评分对应的项目推荐给用户ump。
2.根据权利要求1所述的基于复杂网络协同过滤的项目推荐方法，其特征在于，所述步骤3包括下述步骤：
步骤3.1：用户ui∈U的第r个数值型属性值为air，用户ui与用户uj之间的第r个数值型属性值差值为Xijr＝|air-ajr|，将所有的第r个数值型属性值差值去重后从小到大排序，得到第r个数值型属性值差值集合为将区间
Figure FDA00022181559600000110
划分为(nr-1)个子区间
Figure FDA0002218155960000021
构建映射fr：Xr→Br；
其中，r∈{1，2，...，r，...，R}，Xr1、分别为集合Xr中的最小元素、最大元素，(Xr，l，Xr，l+1]为第l个子区间，l∈{1，2，...，l，...，nr-1}；Br为第r个数值型属性值差值的函数值集合，
Figure FDA0002218155960000022
Figure FDA0002218155960000023
brl∈[0，1]，落在子区间(Xr，l，Xr，l+1]中的第r个数值型属性值差值的函数值为brl；
在每个社团sm中，用户ump的第r个数值型属性值为ampr，用户ump与用户umq∈sm之间的第r个数值型属性值差值为Xmpqr＝|ampr-amqr|，用户ump与用户umq之间的第r个数值型属性值差值的函数值为fr(Xmpqr)；
步骤3.2：在每个社团sm中，用户ump的第t个名称型属性值为bmpt，用户ump与用户umq之间的第t个名称型属性值差值为Ympqt；其中，若bmpt＝bmqt则Ympqt＝0，若bmpt≠bmqt则Ympqt＝1；其中，t∈{1，2，...，t，...，T}；
步骤3.3：计算用户ump与用户umq之间的属性距离为
其中，αr为第r个数值型属性的权重，βt为第t个名称型属性的权重，
步骤3.4：计算用户ump与用户umq之间的关系强度为
其中，hmpqk为用户ump与用户umq对项目vk的评价偏好；若用户ump与用户umq均对项目vk进行过评价且评分相同，则hmpqk＝1；若用户ump与用户umq均对项目vk进行过评价但评分不相同，则hmpqk＝0.5；若用户ump与用户umq未均对项目vk进行过评价，则hmpqk＝0；Kmpq为用户ump与用户umq共同评价过的项目总数；
步骤3.5：计算用户ump与用户umq之间的相似度为
Figure FDA0002218155960000027
其中，γ为预设的参数。
CN201910923173.3A 2019-09-27 2019-09-27 一种基于复杂网络协同过滤的项目推荐方法 Pending CN110727863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910923173.3A CN110727863A (zh) 2019-09-27 2019-09-27 一种基于复杂网络协同过滤的项目推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910923173.3A CN110727863A (zh) 2019-09-27 2019-09-27 一种基于复杂网络协同过滤的项目推荐方法

Publications (1)

Publication Number Publication Date
CN110727863A true CN110727863A (zh) 2020-01-24

Family

ID=69218499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910923173.3A Pending CN110727863A (zh) 2019-09-27 2019-09-27 一种基于复杂网络协同过滤的项目推荐方法

Country Status (1)

Country Link
CN (1) CN110727863A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291904A (zh) * 2020-02-06 2020-06-16 腾讯科技（深圳）有限公司 偏好预测方法、装置及计算机设备
CN112287210A (zh) * 2020-08-07 2021-01-29 北京沃东天骏信息技术有限公司 模板的推荐方法、装置、电子设备及计算机可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182268A (zh) * 2018-01-16 2018-06-19 浙江工商大学 一种基于社会网络的协同过滤推荐方法及系统
US10235452B1 (en) * 2015-03-27 2019-03-19 EMC IP Holding Company LLC Expert recommendation leveraging topic clusters derived from unstructured text data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235452B1 (en) * 2015-03-27 2019-03-19 EMC IP Holding Company LLC Expert recommendation leveraging topic clusters derived from unstructured text data
CN108182268A (zh) * 2018-01-16 2018-06-19 浙江工商大学 一种基于社会网络的协同过滤推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕梦晨: "基于复杂网络的协同过滤推荐算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291904A (zh) * 2020-02-06 2020-06-16 腾讯科技（深圳）有限公司 偏好预测方法、装置及计算机设备
CN111291904B (zh) * 2020-02-06 2023-04-18 腾讯科技（深圳）有限公司 偏好预测方法、装置及计算机设备
CN112287210A (zh) * 2020-08-07 2021-01-29 北京沃东天骏信息技术有限公司 模板的推荐方法、装置、电子设备及计算机可读介质

Similar Documents

Publication Publication Date Title
CN105224699B (zh) 一种新闻推荐方法及装置
Ahmed et al. Movie recommendation system using clustering and pattern recognition network
CN108763314A (zh) 一种兴趣推荐方法、装置、服务器及存储介质
WO2011034475A1 (en) Method and apparatus for executing a recommendation
Kumar et al. Alleviating sparsity and scalability issues in collaborative filtering based recommender systems
JP2017054214A (ja) 判定装置、学習装置、情報配信装置、判定方法及び判定プログラム
Mishra et al. Research problems in recommender systems
CN111651678A (zh) 一种基于知识图谱的个性化推荐方法
Mohamed et al. Two recommendation system algorithms used SVD and association rule on implicit and explicit data sets
Akhil et al. A survey of recommender system types and its classification.
CN110727863A (zh) 一种基于复杂网络协同过滤的项目推荐方法
Xu et al. Do adjective features from user reviews address sparsity and transparency in recommender systems?
Valois B Jr et al. Recommender systems in social networks
Zhao et al. Personalized recommendation by exploring social users’ behaviors
CN110020918B (zh) 一种推荐信息生成方法和系统
Kumar et al. Cuisine prediction based on ingredients using tree boosting algorithms
Shrivastava et al. K-means clustering based solution of sparsity problem in rating based movie recommendation system
Mohamed et al. Sparsity and cold start recommendation system challenges solved by hybrid feedback
Delimayanti et al. Web-Based Movie Recommendation System using Content-Based Filtering and KNN Algorithm
Reshma et al. Semantic based trust recommendation system for social networks using virtual groups
Nudrat et al. Users’ Rating Predictions Using Collaborating Filtering Based on Users and Items Similarity Measures
Sunitha et al. Addressing long tail problem in music recommendation systems
Ujjin et al. Building a Lifestyle Recommender System.
Rajesh An automated music recommendation system based on listener preferences
Liu et al. Using contextual information for service recommendation

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200124