CN111160859A - 一种基于svd++和协同过滤的人力资源岗位推荐方法 - Google Patents
一种基于svd++和协同过滤的人力资源岗位推荐方法 Download PDFInfo
- Publication number
- CN111160859A CN111160859A CN201911363767.XA CN201911363767A CN111160859A CN 111160859 A CN111160859 A CN 111160859A CN 201911363767 A CN201911363767 A CN 201911363767A CN 111160859 A CN111160859 A CN 111160859A
- Authority
- CN
- China
- Prior art keywords
- user
- post
- matrix
- scoring
- score
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于SVD++和协同过滤的人力资源岗位推荐方法,首先,收集数据并对数据进行预处理,建立用户岗位评分数据表;其次,生成用户与岗位之间的评分矩阵;在此,基于SVD++模型,对未评分的岗位进行评分,得到用户和岗位的最终评分矩阵;然后,利用余弦相似度对计算岗位与岗位相似度矩阵;最后,计算出最终用户岗位评分矩阵,进行岗位推荐。本发明结合用户的隐式反馈,缓解评分数据的稀疏,得到较为贴近用户的岗位偏好评分,为用户提供准确的岗位信息,提高推荐系统的准确率。
Description
技术领域
本发明属于数据处理和推荐方法领域,特别涉及一种基于SVD++和协同过滤的人力资源岗位推荐方法。
背景技术
SVD++是一种矩阵分解方法,是在BiasSVD的基础上引入隐式参数,其中显式反馈指的是用户的评分行为,隐式反馈指的是用户与岗位交互的其它行为(在人力资源中的隐式反馈为用户浏览的岗位信息、用户收藏的岗位信息等)。在隐式反馈中,和每个用户有过隐式交互的物品集合中,也都有一个k维隐向量与之相对应。这样一来就可以将与用户有过隐式交互的物品对应的隐向量都加起来,从一个新的维度来表示用户的兴趣偏好。
随机梯度下降法(SGD)是通过每个样本来迭代更新一次,所有的样本来调整θ,对于最优化问题,虽然不是每次迭代得到的损失函数都向着全局最优方向,但是大的整体的方向是向全局最优解的,最终的结果往往是在全局最优解附近,这样的方法更快,更快收敛。余弦相似度,是通过计算两个向量的夹角余弦值来评估两者的相似度。余弦相似度在计算热门岗位时会造成误差,所以改进了余弦相似度的公式,降低热门岗位的权重。
现有的推荐方法有利用线性加权计算公式计算预测评分,但是客观性较差且计算量比较大;也有把评论加入建模,但是这种方法这种应用于有评论字段的数据,很多地方不能覆盖,且若评论数较少,依旧会造成数据的稀疏。已有论文主要基于现有的用户和岗位之间的评分数据,其次主要考虑推荐岗位的特征等,但并未充分考虑到评分数据的稀疏性,加大了计算的误差。对此,本发明结合SVD++与协同过滤,合理应用了用户的隐性反馈,降低了数据的稀疏性,在一定程度上提高了推荐系统的准确性,对传统的人力资源推荐有重要的作用和意义。
发明内容
发明目的:为了解决现有技术存在的问题,本发明提供一种基于SVD++和协同过滤的人力资源岗位推荐方法,能缓解评分数据的稀疏,得到较为贴近用户的岗位偏好评分,为用户提供准确的岗位信息,提高推荐系统的准确率。
技术方案:本发明提出一种基于SVD++和协同过滤的人力资源岗位推荐方法,包括以下步骤:
(1)对用户数据进行预处理,得到用户岗位评分数据D1;
(2)根据用户岗位评分数据D1生成用户岗位评分矩阵G1;
(3)根据SVD++模型,对隐式反馈的岗位进行评分,得到用户和岗位的最终评分矩阵G2;
(4)利用改进的余弦相似度对矩阵G2进行计算,得到岗位与岗位相似度矩阵S;
(5)计算最终评分矩阵G3,进行岗位推荐。
进一步地,所述步骤(1)包括以下步骤:
(101)定义用户求职意向数据集为D,定义处理后的用户求职意向数据集为D1,定义id,prework,rating分别为用户序号、用户求职意向和岗位评分,并且满足关系D={id,prework,rating},D1={id,prework,rating};
(102)读取数据集D;
(103)如果id=null且prework=null,执行步骤(104),否则执行步骤(105);
(104)删除此行数据;
(105)在人力资源数据中,给予所有求职意向的岗位评分为1,即岗位评分rating=1;
(106)保存处理后的用户求职意向数据集D1。
进一步地,所述步骤(2)包括以下步骤:
(201)定义新的矩阵df,定义循环变量i,循环变量i用来读取D1中数据,i∈[1,len(D1)],len(D1)为数据集D1中的用户数量;
(202)获得m个用户id,n个岗位名称,生成一个m×n的矩阵df;
(203)获取用户id,岗位的名称和评分并赋值;
(204)形成用户岗位评分矩阵记为G1并保存到本地。
进一步地,所述步骤(3)包括以下步骤:
(301)引入隐式反馈,主要包括用户点击、收藏,选用SVD++模型,具体公式为:
式中,为用户u对岗位i的预测评分,ave为所有平均分,bi为岗位i的评分相对于平均评分的偏差,bu为用户u做出的评分相对于平均评分的偏差,qi为岗位i的潜在特征因子,pu为用户u的潜在特征因子,yj为隐性反馈为隐性反馈,N(u)为用户所有交互过的岗位数目;
(302)统计矩阵G1中所有的用户和岗位数,获取评分均值ave,初始化偏移向量bi、bu,特征因子qi、pu及隐式反馈;
(303)对矩阵G1按照用户分组,定义下一个待预测用户为next_id;
(304)取出用户u,初始化该用户的隐式反馈,定义接下来的一条评分为next_rating;
(307)按照SVD++迭代求解公式更新偏移向量bi、bu,特征因子qi、pu及隐式反馈,使用相关联最小正则化的平方误差函数:
(309)计算偏移向量bu:bu←bu+γ·(eui-λ1·bu);
(310)计算偏移向量bi:bi←bi+γ·(eui-λ1·bi);
(311)计算潜在特征因子pu:pu←pu+γ·(eui-λ·pu);
(313)计算隐式反馈yj:yj←yj+γ·(eui·qi·k-λ·yj);
(314)逐条读取矩阵G1中的数据,若next_rating存在,执行(315),否则执行(316);
(315)rating=next_rating,执行(305);
(316)next_id存在,执行(317),否则执行(318);
(317)id=next_id,执行(304);
(318)计算并存储结果矩阵G2。
进一步地,所述步骤(4)包括以下步骤:
(401)确定n个最近邻岗位;
(402)选取训练数据集train与测试数据集test;
(403)利用改进的余弦相似度算法计算岗位之间相似度:
公式中wij表示岗位i与岗位j的相似度,N(i)表示对岗位i有求职意向的用户数,N(j)表示对岗位j有求职意向的用户数,N(u)为用户u的求职意向数目,此时用户u为同时对岗位i和岗位j有求职意向的用户;
(404)生成岗位之间相似度矩阵S。
进一步地,所述步骤(5)包括以下步骤:
(502)对最终评分矩阵G3中评分为1的元素置零;
(503)选取评分最高的k个岗位对用户进行推荐。
有益效果:与现有技术相比,本发明的有益效果:本发明通过SVD++对隐性反馈的预测评分,减小了评分数据稀疏在计算时带来的误差,有效提高了推荐的准确度,到较为贴近用户的岗位偏好评分,为用户提供准确的岗位信息。
附图说明
图1本发明的整体流程图;
图2为人力资源数据集预处理流程图;
图3为生成人力资源数据评分矩阵流程图;
图4为SVD++模型训练流程图;
图5为求解未知向量流程图;
图6为运用协同过滤方法得到推荐结果流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
如图1所示,本发明提出一种基于SVD++和协同过滤的人力资源岗位推荐方法,具体包括如下步骤:
步骤1:对用户数据进行预处理,得到用户岗位评分数据D1,如图2所示,具体方法为:
(101)定义用户求职意向数据集为D,定义处理后的用户求职意向数据集为D1,定义id,prework,rating分别为用户序号、用户求职意向和岗位评分,并且满足关系D={id,prework,rating},D1={id,prework,rating};
(102)源数据以文本的形式保存于本地,读取数据集D;
(103)如果id=null且prework=null,执行步骤(104),否则执行步骤(105);
(104)删除此行数据;
(105)在人力资源数据中,给予所有求职意向的岗位评分赋值为1,即岗位评分rating=1;
(106)保存处理后的用户求职意向数据集D1。
步骤2:根据用户岗位评分数据D1生成用户岗位评分矩阵G1,如图3所示,具体方法为:
(201)定义新的矩阵df,定义循环变量i,循环变量i用来读取D1中数据,i∈[1,len(D1)],len(D1)为数据集D1中的用户数量;
(202)获得m个用户id,n个岗位名称,生成一个m×n的矩阵df,矩阵df为空;
(203)获取用户id,岗位的名称和评分并赋值,如用户id位a,偏好的岗位为b,c,则此时的矩阵df中会增加一行id为a的用户,且在岗位b,c列的评分为1;
(204)形成用户岗位评分矩阵记为G1并保存到本地。
步骤3:根据SVD++模型,对隐式反馈(用户点击、收藏)的岗位进行评分,得到用户和岗位的最终评分矩阵G2,如图4所示,具体方法为:
(301)由于在推荐中矩阵G1过于稀疏,由此引入隐式反馈,选用SVD++模型,具体公式为:
式中,为用户u对岗位i的预测评分,ave为所有平均分,bi为岗位i的评分相对于平均评分的偏差,bu为用户u做出的评分相对于平均评分的偏差,qi为岗位i的潜在特征因子(每种岗位含有各种元素的成分),pu为用户u的潜在特征因子(用户对不同岗位的元素的偏好程度),yj为隐性反馈为隐性反馈,N(u)为用户所有交互过的岗位数目(包括收藏、点击和评分的岗位集合),的目的是消除用户评分个数的影响;
(302)首先统计矩阵G1中所有的用户和岗位数,获取评分均值ave,初始化偏移向量bi、bu,特征因子qi、pu,设定最大迭代次数为h;
(303)对矩阵G1按照用户分组,定义下一个待预测用户为next_id;
(304)取出用户u,初始化该用户的隐式反馈,定义接下来的一条评分为next_rating;
(307)按照SVD++迭代求解公式更新偏移向量bi、bu,特征因子qi、pu及隐式反馈,使用相关联最小正则化的平方误差函数:
公式中R是已评分的数据集,rui是训练集中用户u对i的评分,λ是控制训练过程的参数,是防止过拟合的一个正则表达式,得到上述式子中的最小值,采用梯度下降法,特征变量将沿着梯度方向进行更新,直到梯度向量接近零时特征更新结束;
(309)计算偏移向量bu:bu←bu+γ·(eui-λ1·bu),γ为步长,手动调整参数值;
(310)计算偏移向量bi:bi←bi+γ·(eui-λ1·bi);
(311)计算潜在特征因子pu:pu←pu+γ·(eui-λ·pu);
(313)计算隐式反馈yj:yj←yj+γ·(eui·qi·k-λ·yj);
(314)逐条读取矩阵G1中的数据,若next_rating存在,执行(315),否则执行(316);
(315)rating=next_rating,执行(305);
(316)next_id存在,执行(317),否则执行(318);
(317)id=next_id,执行(304);
(318)计算并存储结果矩阵G2。
步骤4:利用改进的余弦相似度对矩阵G2进行计算,得到岗位与岗位相似度矩阵S,如图5所示,具体方法为:
(401)确定n个最近邻岗位;
(402)选取训练数据集train与测试数据集test;
(403)利用改进的余弦相似度算法计算岗位之间相似度:
公式中wij表示岗位i与岗位j的相似度,N(i)表示对岗位i有求职意向的用户数,N(j)表示对岗位j有求职意向的用户数,N(u)为用户u的求职意向数目,此时用户u为同时对岗位i和岗位j有求职意向的用户;
(404)存在n个岗位,生成一个n×n的空矩阵df1,把(403)计算得到的岗位之间的相似度填入空矩阵中,生成岗位之间相似度矩阵S。
步骤5:计算最终评分矩阵G3,进行岗位推荐,如图6所示,具体方法为:
(502)对最终评分矩阵G3中评分为1的元素置零:
定义矩阵中原本评分为Rating,更新后的矩阵为NewRating。若Rating=1,NewRating=0,否则NewRating=Rating,得到更新后的评分矩阵G3;
(503)在矩阵G3选取评分最高的k个岗位对用户进行推荐。如最终需要为用户a提供5个岗位推荐,对用户a中所有的岗位评分进行排序,选取评分数前5名,推荐给用户a;
通过对54481条人力资源用户数据处理,利用SVD++模型得到用户评分预测数据集,结合协同过滤方法对用户评分预测数据集进行计算得到推荐结果。该方法通过SVD++模型对隐性反馈进行预测评分,减小了数据稀疏在计算时带来的误差,有效提高了推荐的准确度。
以上所述仅为本发明的实施例子而已,并不用于限制本发明。凡在本发明的原则之内所作的等同替换均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。
Claims (6)
1.一种基于SVD++和协同过滤的人力资源岗位推荐方法,其特征在于,包括如下步骤:
(1)对用户数据进行预处理,得到用户岗位评分数据D1;
(2)根据用户岗位评分数据D1生成用户岗位评分矩阵G1;
(3)根据SVD++模型,对隐式反馈的岗位进行评分,得到用户和岗位的最终评分矩阵G2;
(4)利用改进的余弦相似度对矩阵G2进行计算,得到岗位与岗位相似度矩阵S;
(5)计算最终评分矩阵G3,进行岗位推荐。
2.根据权利要求1所述的一种基于SVD++和协同过滤的人力资源岗位推荐方法,其特征在于,所述步骤(1)包括以下步骤:
(101)定义用户求职意向数据集为D,定义处理后的用户求职意向数据集为D1,定义id,prework,rating分别为用户序号、用户求职意向和岗位评分,并且满足关系D={id,prework,rating},D1={id,prework,rating};
(102)读取数据集D;
(103)如果id=null且prework=null,执行步骤(104),否则执行步骤(105);
(104)删除此行数据;
(105)在人力资源数据中,给予所有求职意向的岗位评分为1,即岗位评分rating=1;
(106)保存处理后的用户求职意向数据集D1。
3.根据权利要求1所述的一种基于SVD++和协同过滤的人力资源岗位推荐方法,其特征在于,所述步骤(2)包括以下步骤:
(201)定义新的矩阵df,定义循环变量i,循环变量i用来读取D1中数据,i∈[1,len(D1)],len(D1)为数据集D1中的用户数量;
(202)获得m个用户id,n个岗位名称,生成一个m×n的矩阵df;
(203)获取用户id,岗位的名称和评分并赋值;
(204)形成用户岗位评分矩阵记为G1并保存到本地。
4.根据权利要求1所述的一种基于SVD++和协同过滤的人力资源岗位推荐方法,其特征在于,所述步骤(3)包括以下步骤:
(301)引入隐式反馈,主要包括用户点击、收藏,选用SVD++模型,具体公式为:
式中,为用户u对岗位i的预测评分,ave为所有平均分,bi为岗位i的评分相对于平均评分的偏差,bu为用户u做出的评分相对于平均评分的偏差,qi为岗位i的潜在特征因子,pu为用户u的潜在特征因子,yj为隐性反馈为隐性反馈,N(u)为用户所有交互过的岗位数目;
(302)统计矩阵G1中所有的用户和岗位数,获取评分均值ave,初始化偏移向量bi、bu,特征因子qi、pu及隐式反馈;
(303)对矩阵G1按照用户分组,定义下一个待预测用户为next_id;
(304)取出用户u,初始化该用户的隐式反馈,定义接下来的一条评分为next_rating;
(307)按照SVD++迭代求解公式更新偏移向量bi、bu,特征因子qi、pu及隐式反馈,使用相关联最小正则化的平方误差函数:
(309)计算偏移向量bu:bu←bu+γ·(eui-λ1·bu);
(310)计算偏移向量bi:bi←bi+γ·(eui-λ1·bi);
(311)计算潜在特征因子pu:pu←pu+γ·(eui-λ·pu);
(313)计算隐式反馈yj:yj←yj+γ·(eui·qi·k-λ·yj);
(314)逐条读取矩阵G1中的数据,若next_rating存在,执行(315),否则执行(316);
(315)rating=next_rating,执行(305);
(316)next_id存在,执行(317),否则执行(318);
(317)id=next_id,执行(304);
(318)计算并存储结果矩阵G2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911363767.XA CN111160859A (zh) | 2019-12-26 | 2019-12-26 | 一种基于svd++和协同过滤的人力资源岗位推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911363767.XA CN111160859A (zh) | 2019-12-26 | 2019-12-26 | 一种基于svd++和协同过滤的人力资源岗位推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160859A true CN111160859A (zh) | 2020-05-15 |
Family
ID=70556795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911363767.XA Pending CN111160859A (zh) | 2019-12-26 | 2019-12-26 | 一种基于svd++和协同过滤的人力资源岗位推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160859A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724039A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 一种向电力用户推荐客服人员的推荐方法 |
CN114358657A (zh) * | 2022-03-09 | 2022-04-15 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
CN114881689A (zh) * | 2022-04-26 | 2022-08-09 | 驰众信息技术(上海)有限公司 | 基于矩阵分解的楼宇推荐方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093376A (zh) * | 2013-01-16 | 2013-05-08 | 北京邮电大学 | 基于奇异值分解算法的聚类协同过滤推荐系统 |
CN108460619A (zh) * | 2018-01-16 | 2018-08-28 | 杭州电子科技大学 | 一种融合显隐式反馈的协同推荐模型 |
-
2019
- 2019-12-26 CN CN201911363767.XA patent/CN111160859A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093376A (zh) * | 2013-01-16 | 2013-05-08 | 北京邮电大学 | 基于奇异值分解算法的聚类协同过滤推荐系统 |
CN108460619A (zh) * | 2018-01-16 | 2018-08-28 | 杭州电子科技大学 | 一种融合显隐式反馈的协同推荐模型 |
Non-Patent Citations (2)
Title |
---|
王金: "基于SVD++的协同过滤群组推荐算法研究", 《中国优秀硕士学位论文全文数据库》 * |
陈霖: "基于混合遗传集成学习的人力资源推荐算法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724039A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 一种向电力用户推荐客服人员的推荐方法 |
CN111724039B (zh) * | 2020-05-26 | 2022-08-19 | 河海大学 | 一种向电力用户推荐客服人员的推荐方法 |
CN114358657A (zh) * | 2022-03-09 | 2022-04-15 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
CN114358657B (zh) * | 2022-03-09 | 2022-08-12 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
CN114881689A (zh) * | 2022-04-26 | 2022-08-09 | 驰众信息技术(上海)有限公司 | 基于矩阵分解的楼宇推荐方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023000574A1 (zh) | 一种模型训练方法、装置、设备及可读存储介质 | |
CN110674850A (zh) | 一种基于注意力机制的图像描述生成方法 | |
CN110889747B (zh) | 商品推荐方法、装置、系统、计算机设备及存储介质 | |
CN111160859A (zh) | 一种基于svd++和协同过滤的人力资源岗位推荐方法 | |
WO2021109464A1 (zh) | 一种面向大规模用户的个性化教学资源推荐方法 | |
CN106156023B (zh) | 语义匹配的方法、装置和系统 | |
CN111582443A (zh) | 一种基于Mask机制和层次注意力机制的推荐方法 | |
CN112488133B (zh) | 一种视频/图片-文本跨模态检索方法 | |
CN106294859A (zh) | 一种基于属性耦合矩阵分解的项目推荐方法 | |
CN109471982B (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN108509573A (zh) | 基于矩阵分解协同过滤算法的图书推荐方法及系统 | |
CN104361102A (zh) | 一种基于群组匹配的专家推荐方法及系统 | |
CN107016058A (zh) | 一种基于属性信息偏好自学习的推荐预测方法 | |
CN107908669A (zh) | 一种基于并行lda的大数据新闻推荐方法、系统及装置 | |
US20150169740A1 (en) | Similar image retrieval | |
CN113127754A (zh) | 一种基于知识图谱的供应商推荐方法 | |
CN110008404B (zh) | 基于nag动量优化的隐语义模型优化方法 | |
Jiang et al. | A method for discrete stochastic MADM problems based on the ideal and nadir solutions | |
CN112085158A (zh) | 一种基于堆栈降噪自编码器的图书推荐方法 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN113343125A (zh) | 一种面向学术精准推荐的异质科研信息集成方法及系统 | |
CN107798083A (zh) | 一种基于大数据的资讯推荐方法、系统及装置 | |
CN114385930A (zh) | 一种兴趣点推荐方法及系统 | |
US10366333B2 (en) | Inference-based assignment of data type to data | |
CN114564594A (zh) | 一种基于双塔模型的知识图谱用户偏好实体召回方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |