CN111127139A - 一种基于ProbS与HeatS计算模式改进的混合推荐算法 - Google Patents
一种基于ProbS与HeatS计算模式改进的混合推荐算法 Download PDFInfo
- Publication number
- CN111127139A CN111127139A CN201911240464.9A CN201911240464A CN111127139A CN 111127139 A CN111127139 A CN 111127139A CN 201911240464 A CN201911240464 A CN 201911240464A CN 111127139 A CN111127139 A CN 111127139A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- algorithm
- probs
- heats
- optimal
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 66
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000013468 resource allocation Methods 0.000 claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000006872 improvement Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ProbS与HeatS计算模式改进的混合推荐算法,包括:S1、根据加权方法ProbS与HeatS混合计算得到两个事物的资源分配和资源分配权重;S2、根据统计学中的数据缩放重新设定两个事物的参数限定;S3、基于粒子群优化算法求解S2中重新设定两个事物的参数限定,并得到最优参数;S4、根据得到的最优参数进行资源分配,利用新的资源分配过程得到最后的推荐值。本发明在现有的基础上重新定义混合算法的参数,对整体参数进行了非线性的限制,即在推荐过程中对物品的度进行了非线性限制,从而实现更加准确和多样的推荐,提高推荐效率和精度,增强用户和电商网站上的商品的相互联系,解决由于信息量大而给用户带来的选择难问题。
Description
技术领域
本发明属于物品推荐的技术领域,具体涉及一种基于ProbS与HeatS计算模式改进的混合推荐算法。
背景技术
在“互联网+”的大背景下,电子商务获得蓬勃发展。同时,国家也大力支持电商的发展,解决了很多人的就业问题。最初投身电商的人较少,所以可提供的数据也较少,这对于用户来说虽然选择性少,但选择目的性很明确。现在越来越多的人投身电商,使得电商业大力发展,但对于用户来说,信息过载就是最大的问题。很多人都是电子商务发展中的一员,最明显的表现就是网购。以淘宝为例:当用户在网购过程中输入需要的商品进行搜索时,会出现大量的同一商品供用户选择。这时用户可能会遇到选择难的问题,通常会出现的情况如:便宜但担心质量;既担心质量又觉得贵等问题。这也就是信息过载带来的问题。如何在大量数据中找到用户需要的信息,这是一个难题。为了解决这个问题,已经有很多人提出了基于各种技术的推荐算法,给用户推荐商品,如协同过滤[2]等。
二部图普遍被用于研究推荐问题,它的特点很明显,对于两类事物,同一类之间没有关系,两类之间通过连线代表它们的相互作用。如附图1所示,用二部图作为基本模型来研究推荐问题[1]。圆圈代表用户,正方形代表物品,用户与用户之间,商品与商品之间没有联系,用户和商品的连线,表示用户已经买了该商品,黑色圆圈代表一个目标用户。并根据点的相似性来给用户推荐商品。该推荐方法建立在用户-物品网络的随机游走过程之上,提出了一种基于资源分配过程的加权方法ProbS。该方法有两个突出的特点。首先,加权矩阵是不对称的,二部图中节点度数较大的节点通常对其入射边赋予较小的权重。第二,加权矩阵中的对角元素为正,使得加权的单模投影信息更丰富。Probs倾向于推荐流行性物品,即度较大的物品,其准确性较好,但是多样性较差。
为了解决多样性差的问题,又提出了混合算法[2]。在这篇文章中,作者介绍了ProbS算法的变体HeatS算法,HeatS算法能提供较好的多样性。考虑到两种不同算法的优点提出了一个带参数的混合算法。但是在混合算法的参数设置成了一般的线性混合算法,不符合推荐算法中的资源分配过程。所以该混合算法存在着参数设置不合理的问题。
参考文献:
[1]Zhou T,Ren J,Medo M,Zhang Y.Bipartite network projection andpersonal recommendation.Phys Rev E.2007;76(4):046115.
[2]Zhou T,Kuscsik Z,Liu J,Medo M,Wakeling JR,Zhang Y.Solving theapparent diversity-accuracy dilemma of recommender systems.Proceedings of theNational Academy of Sciences of the United States of America.2010;107(10):4511-5.
[3]Wang X,Luo F,Sang C,Zeng J,Hirokawa S.Personalized MovieRecommendation System Based on Support Vector Machine and Improved ParticleSwarm Optimization.IEICE Transactions on Information and Systems.2017(2):285-93.
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种基于ProbS与HeatS计算模式改进的混合推荐算法,以解决混合算法存在着参数设置不合理的问题。
为达到上述目的,本发明采取的技术方案是:
一种基于ProbS与HeatS计算模式改进的混合推荐算法,其包括:
S1、根据加权方法ProbS与HeatS计算得到两个事物的资源分配和资源分配权重;
S2、根据统计学中的数据缩放重新设定两个事物的参数限定;
S3、基于粒子群优化算法求解S2中重新设定两个事物的参数限定,并得到最优参数;
S4、根据得到的最优参数进行资源分配,利用新的资源分配过程得到最后的推荐值。
优选地,步骤S1根据加权方法ProbS与HeatS计算得到事物的资源分配和资源分配权重为:
资源初始化为:
资源分配及其权重为:
其中,α、β表示同一类的两个事物,ki表示二部图中类节点i的度,为资源分配过程,1-λ和λ为分别限制两个物品的度,kα为节点α的度,kβ为节点的β度,λ为一个可变动的参数,i为用户,aiα为用户i对事物α所拥有的资源量,aiβ为用户i对事物β所拥有的资源量;
进而得到最后的分配资源为:
优选地,步骤S2根据统计学中的数据缩放重新设定两个事物的参数x和y限定为:
优选地,步骤S3的具体步骤包括:
当重新设定了参数及其范围,基于粒子群优化算法求解重新设定两个事物的参数限定,以算法性能为标准确定参数x和y的值,并将确定参数x和y确定值的过程抽象成函数f(x,y):
F=f(x,y)x,y∈[0,1]
其中,函数值F就代表算法所期望的性能。
优选地,基于粒子群优化算法求解重新设定两个事物的参数限定的方法包括:
S3.1、读取样本数据,准备训练集和测试集,对样本数据进行预处理;
S3.2、初始化每个粒子的速度和位置向量,设置控制参数值;
S3.3、设pi和pg值,设第i个粒子当前最优位置为Xi=(xi1,xi2,...,xid),组内最优个体为当前pg;
S3.4、将算法性能作为适应度函数值,计算每个粒子当前的适应度函数值,根据适应度函数值、粒子的历史最优值和全局最优值确定个体最优的适应位置pi和pg;
S3.5、更新每个粒子的速度和位置,根据速度和位置更新公式寻找更好的x和y;
S3.6、更新迭代次数,令l=l+1;
S3.7、判断停止条件,若l>Tmax,则停止迭代,pg为最优解,代表算法的最佳参数;否则,返回步骤步骤S3.4;
S3.8、对得到的最优解进行解码,得到最优参数。
优选地,步骤S4得到最优解时再采用f'(i)=Wαβ f(i)进行资源分配,利用新的资源分配过程得到最后的推荐值。
本发明提供的一种基于ProbS与HeatS计算模式改进的混合推荐算法,具有以下有益效果:
本发明从统计学的思想,即简单的数据缩放应用到推荐过程中对节点度数影响的控制,同时设定两个参数,并单独为每个参数限定范围,使得解空间增大,可以挖掘可能存在的更好的推荐结果;且算法具有灵活性,使得推荐算法能够更好的应用于实际中,在实际中,可以根据的需求来确定具体的参数值,例如要求推荐准确性好或者多样性好,那么参数的值也就不一样,这有利于在实际情况下推动推荐系统的发展,也能推动电商行业的竞争力,且可有效地解决混合算法存在着参数设置不合理的问题。
附图说明
图1为一种基于ProbS与HeatS计算模式改进的混合推荐算法的ProbS计算图。
图2为一种基于ProbS与HeatS计算模式改进的混合推荐算法参数求解范围示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例,参考图1和图2,本方案的一种基于ProbS与HeatS计算模式改进的混合推荐算法,包括:
S1、根据加权方法ProbS与HeatS计算得到两个事物的资源分配和资源分配权重;
S2、根据统计学中的数据缩放重新设定两个事物的参数限定;
S3、基于粒子群优化算法求解S2中重新设定两个事物的参数限定,并得到最优参数;
S4、根据得到的最优参数进行资源分配,利用新的资源分配过程得到最后的推荐值。
本发明在现有的基础上重新定义混合算法的参数,对整体参数进行了非线性的限制,即在推荐过程中对物品的度进行了非线性限制。从而实现更加准确和多样的推荐,提高推荐效率和精度,增强用户和电商网站上的商品的相互联系,解决由于信息量大而给用户带来的选择难问题。
以下将对上述步骤进行详细说明
本发明通过重新设定参数以及参数的范围,可以把参数的解空间跳出线性关系的限制,以寻求可能存在的更优解,如附图2所示,在原始的混合算法中,相当于把求参的过程看成了一个一阶线性方程求解的过程,而将参数范围改变后,求参的过程就变成了在一个平面解空间内求解的过程,扩大了解的范围,也就扩大了算法性能改善的可能性。
在一般的混合计算中,采用线性组合的方式,即各自占比的问题,在最开始的混合算法中同样采用了1-λ和λ来分别来限制两个物品的度,这里包含了一个条件,就是两个物品度的限制参数和必为1,即依旧采用线性组合的方式来限制两个物品度对推荐过程中资源分配的影响。在推荐系统中应该考虑两方面,第一,在计算相似度时应同时考虑两个对象的度,并限制受欢迎对象的影响。第二,需要增强小度用户的影响,降低网络中大度节点的优势。在推荐系统的混合算法中是采用幂次来处理物品或者用户度对推荐过程的影响,在用户之间或者物品之间各自度对推荐过程的影响不属于一般线性组合的方式,而是应该采用对自身度的限制来控制自身对推荐过程的影响。所以本发明利用统计学中思想,采用数学变换方式,将推荐过程中,对度的限制程度同样可以放在同一数量级上,即将物品的度的缩放限制统一的标准,即将物品的度得缩放都限制到了[0,1]。目的是消除不同物品之间特性,数量级等特征属性的差异,转化为一个无量纲的相对数值。当重新设定参数以及参数范围以后,可以根据期望混合算法能提供的特殊性能(例如算法的准确性,多样性等),利用粒子群优化算法[3]在实际的数据集来确定不同的参数以得到所期望的推荐效果。本发明通过重新为混合算法设定参数,并利用粒子群优化算法根据算法的性能去求得最优解;其具体步骤如下:
步骤S1、资源初始化:
资源分配及其权重为:
其中,α、β表示同一类的两个事物,ki表示二部图中类节点i的度,为资源分配过程,1-λ和λ为分别限制两个物品的度,kα为节点α的度,kβ为节点的β度,λ为一个可变动的参数,i为用户,aiα为用户i对事物α所拥有的资源量,aiβ为用户i对事物β所拥有的资源量;
进而得到最后的分配资源为:
步骤S2、根据统计学中的数据缩放重新设定两个事物的度的限定,即混合算法中的参数限定,可表示为:
步骤S3、当重新设定了参数及其范围,利用粒子群优化算法在实际情况去求解,可以以算法性能为标准来确定x和y的值。此时可以将确定参数x和y确定值的过程抽象成一个函数f(x,y):
F=f(x,y)x,y∈[0,1]
其中,函数值F就代表算法所期望的性能。
步骤S4、粒子群中粒子的速度和位置矢量的更新是基于下列公式:
ω的值决定了粒子的全局勘探和局部勘探能力,广泛采用线性递减惯性权重来调整ω的值,这种更新过程可描述为:
其中,Tmax是迭代的最大次数;ωstart和ωend分别是惯性权重的最大值和最小值。
基于粒子群优化算法求解重新设定两个事物的参数限定的方法包括:
S3.1、读取样本数据,准备训练集和测试集,对样本数据进行预处理;
S3.2、初始化每个粒子的速度和位置向量,设置控制参数值;
S3.3、设pi和pg值,设第i个粒子当前最优位置为Xi=(xi1,xi2,...,xid)(即Pi=Xi(i=1,2,...,n),组内最优个体为当前pg;
S3.4、将算法性能作为适应度函数值,计算每个粒子当前的适应度函数值,根据适应度函数值、粒子的历史最优值和全局最优值确定个体最优的适应位置pi和pg;
S3.5、更新每个粒子的速度和位置,根据速度和位置更新公式寻找更好的x和y;
S3.6、更新迭代次数,令l=l+1;
S3.7、判断停止条件,若l>Tmax,则停止迭代,pg为最优解,代表算法的最佳参数;否则,返回步骤步骤S3.4;
S3.8、对得到的最优解进行解码,得到最优参数。
步骤S4、得到最优解时再采用f′(i)=Wαβ f(i)进行资源分配,利用新的资源分配过程得到最后的推荐值。
相对于现有技术,本发明从统计学的思想,即简单的数据缩放应用到推荐过程中对节点度数影响的控制,同时设定两个参数,并单独为每个参数限定范围,使得解空间增大,可以挖掘可能存在的更好的推荐结果;且算法具有灵活性,使得推荐算法能够更好的应用于实际中,在实际中,可以根据的需求来确定具体的参数值,例如要求推荐准确性好或者多样性好,那么参数的值也就不一样,这有利于在实际情况下推动推荐系统的发展,也能推动电商行业的竞争力,且可有效地解决混合算法存在着参数设置不合理的问题。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (6)
1.一种基于ProbS与HeatS计算模式改进的混合推荐算法,其特征在于,包括:
S1、根据加权方法ProbS与HeatS计算得到两个事物的资源分配和资源分配权重;
S2、根据统计学中的数据缩放重新设定两个事物的参数限定;
S3、基于粒子群优化算法求解S2中重新设定两个事物的参数限定,并得到最优参数;
S4、根据得到的最优参数进行资源分配,利用新的资源分配过程得到最后的推荐值。
2.根据权利要求1所述的基于ProbS与HeatS计算模式改进的混合推荐算法,其特征在于,所述步骤S1根据加权方法ProbS与HeatS计算得到事物的资源分配和资源分配权重为:
资源初始化为:
资源分配及其权重为:
其中,α、β表示同一类的两个事物,ki表示二部图中类节点i的度,为资源分配过程,1-λ和λ为分别限制两个物品的度,kα为节点α的度,kβ为节点的β度,λ为一个可变动的参数,i为用户,aiα为用户i对事物α所拥有的资源量,aiβ为用户i对事物β所拥有的资源量;
进而得到最后的分配资源为:
4.根据权利要求1所述的基于ProbS与HeatS计算模式改进的混合推荐算法,其特征在于,所述步骤S3的具体步骤包括:
当重新设定了参数及其范围,基于粒子群优化算法求解重新设定两个事物的参数限定,以算法性能为标准确定参数x和y的值,并将确定参数x和y确定值的过程抽象成函数f(x,y):
F=f(x,y)x,y∈[0,1]
其中,函数值F就代表算法所期望的性能。
5.根据权利要求4所述的基于ProbS与HeatS计算模式改进的混合推荐算法,其特征在于,基于粒子群优化算法求解重新设定两个事物的参数限定的方法包括:
S3.1、读取样本数据,准备训练集和测试集,对样本数据进行预处理;
S3.2、初始化每个粒子的速度和位置向量,设置控制参数值;
S3.3、设pi和pg值,设第i个粒子当前最优位置为Xi=(xi1,xi2,…,xid),组内最优个体为当前pg;
S3.4、将算法性能作为适应度函数值,计算每个粒子当前的适应度函数值,根据适应度函数值、粒子的历史最优值和全局最优值确定个体最优的适应位置pi和pg;
S3.5、更新每个粒子的速度和位置,根据速度和位置更新公式寻找更好的x和y;
S3.6、更新迭代次数,令l=l+1;
S3.7、判断停止条件,若l>Tmax,则停止迭代,pg为最优解,代表算法的最佳参数;否则,返回步骤步骤S3.4;
S3.8、对得到的最优解进行解码,得到最优参数。
6.根据权利要求1所述的基于ProbS与HeatS计算模式改进的混合推荐算法,其特征在于,所述步骤S4得到最优解时再采用f'(i)=Wαβf(i)进行资源分配,利用新的资源分配过程得到最后的推荐值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240464.9A CN111127139B (zh) | 2019-12-06 | 2019-12-06 | 一种基于ProbS与HeatS计算模式改进的混合推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240464.9A CN111127139B (zh) | 2019-12-06 | 2019-12-06 | 一种基于ProbS与HeatS计算模式改进的混合推荐算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127139A true CN111127139A (zh) | 2020-05-08 |
CN111127139B CN111127139B (zh) | 2023-06-27 |
Family
ID=70497627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911240464.9A Active CN111127139B (zh) | 2019-12-06 | 2019-12-06 | 一种基于ProbS与HeatS计算模式改进的混合推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127139B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980470A (zh) * | 2010-10-03 | 2011-02-23 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm系统资源分配算法 |
US20120324469A1 (en) * | 2010-03-11 | 2012-12-20 | Nec Corporation | Resource allocation apparatus, resource allocation method, and computer readable medium |
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN104346476A (zh) * | 2014-11-20 | 2015-02-11 | 西安电子科技大学 | 基于物品相似度和网络结构的个性化物品推荐方法 |
CN104899763A (zh) * | 2015-05-07 | 2015-09-09 | 西安电子科技大学 | 基于二分网络双向扩散的个性化推荐方法 |
CN106454920A (zh) * | 2016-11-02 | 2017-02-22 | 北京邮电大学 | 一种lte与d2d混合网络中基于时延保证的资源分配优化算法 |
CN107545471A (zh) * | 2017-09-19 | 2018-01-05 | 北京工业大学 | 一种基于高斯混合的大数据智能推荐方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
US20180260716A1 (en) * | 2015-11-25 | 2018-09-13 | Alibaba Group Holding Limited | Weight-coefficient-based hybrid information recommendation |
CN109379747A (zh) * | 2018-12-04 | 2019-02-22 | 北京邮电大学 | 无线网络多控制器部署和资源分配方法和装置 |
CN109831788A (zh) * | 2019-01-25 | 2019-05-31 | 北京邮电大学 | 用于边缘接入场景的网络资源动态分配方法及系统 |
-
2019
- 2019-12-06 CN CN201911240464.9A patent/CN111127139B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
US20120324469A1 (en) * | 2010-03-11 | 2012-12-20 | Nec Corporation | Resource allocation apparatus, resource allocation method, and computer readable medium |
CN101980470A (zh) * | 2010-10-03 | 2011-02-23 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm系统资源分配算法 |
CN104346476A (zh) * | 2014-11-20 | 2015-02-11 | 西安电子科技大学 | 基于物品相似度和网络结构的个性化物品推荐方法 |
CN104899763A (zh) * | 2015-05-07 | 2015-09-09 | 西安电子科技大学 | 基于二分网络双向扩散的个性化推荐方法 |
US20180260716A1 (en) * | 2015-11-25 | 2018-09-13 | Alibaba Group Holding Limited | Weight-coefficient-based hybrid information recommendation |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106454920A (zh) * | 2016-11-02 | 2017-02-22 | 北京邮电大学 | 一种lte与d2d混合网络中基于时延保证的资源分配优化算法 |
CN107545471A (zh) * | 2017-09-19 | 2018-01-05 | 北京工业大学 | 一种基于高斯混合的大数据智能推荐方法 |
CN109379747A (zh) * | 2018-12-04 | 2019-02-22 | 北京邮电大学 | 无线网络多控制器部署和资源分配方法和装置 |
CN109831788A (zh) * | 2019-01-25 | 2019-05-31 | 北京邮电大学 | 用于边缘接入场景的网络资源动态分配方法及系统 |
Non-Patent Citations (1)
Title |
---|
何磊: "基于网络结构的信息推荐算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 20 - 49 * |
Also Published As
Publication number | Publication date |
---|---|
CN111127139B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451894B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
Breuleux et al. | Quickly generating representative samples from an RBM-derived process | |
Bin et al. | Matrix factorization recommendation algorithm based on multiple social relationships | |
Liu et al. | Optimal dynamic pricing with patient customers | |
Do et al. | Dynamics of service selection and provider pricing game in heterogeneous cloud market | |
CN108446297B (zh) | 一种推荐方法及装置,电子设备 | |
CN110889747B (zh) | 商品推荐方法、装置、系统、计算机设备及存储介质 | |
CN107545471B (zh) | 一种基于高斯混合的大数据智能推荐方法 | |
US9378432B2 (en) | Hierarchy similarity measure | |
CN107590690B (zh) | 数据处理方法、装置及服务器 | |
Yun et al. | Ranking via robust binary classification | |
CN112633973A (zh) | 一种商品推荐方法及其相关设备 | |
Hashemian et al. | Simulation, model‐reduction, and state estimation of a two‐component coagulation process | |
CN110473073A (zh) | 线性加权推荐的方法及装置 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN107369069B (zh) | 一种基于三角形面积计算模式的商品推荐方法 | |
CN110210944B (zh) | 联合贝叶斯推理与加权拒绝采样的多任务推荐方法及系统 | |
Somu et al. | IBGSS: An Improved Binary Gravitational Search Algorithm based search strategy for QoS and ranking prediction in cloud environments | |
Li et al. | Probability matrix factorization algorithm for course recommendation system fusing the influence of nearest neighbor users based on cloud model | |
Barnett et al. | Stability analysis of Uzawa–Lucas endogenous growth model | |
CN111667018B (zh) | 一种对象聚类的方法、装置、计算机可读介质及电子设备 | |
CN111127139B (zh) | 一种基于ProbS与HeatS计算模式改进的混合推荐算法 | |
Scher et al. | Gated reactions in discrete time and space | |
CN116662641A (zh) | 生成推荐模型的方法、推荐方法、装置和设备 | |
Li et al. | Collaborative filtering recommendation algorithm based on KNN and Xgboost hybrid |
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 |
Effective date of registration: 20240705 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Three road 610059 Sichuan city of Chengdu Province, No. 1 East Patentee before: Chengdu University of Technology Country or region before: China |