CN111310033B - 基于用户兴趣漂移的推荐方法及推荐装置 - Google Patents

基于用户兴趣漂移的推荐方法及推荐装置 Download PDF

Info

Publication number
CN111310033B
CN111310033B CN202010076472.0A CN202010076472A CN111310033B CN 111310033 B CN111310033 B CN 111310033B CN 202010076472 A CN202010076472 A CN 202010076472A CN 111310033 B CN111310033 B CN 111310033B
Authority
CN
China
Prior art keywords
user
interest
short
term
interest preference
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.)
Active
Application number
CN202010076472.0A
Other languages
English (en)
Other versions
CN111310033A (zh
Inventor
梁吉业
刘雨璐
王智强
张凯涵
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.)
Shanxi University
Original Assignee
Shanxi University
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 Shanxi University filed Critical Shanxi University
Priority to CN202010076472.0A priority Critical patent/CN111310033B/zh
Publication of CN111310033A publication Critical patent/CN111310033A/zh
Application granted granted Critical
Publication of CN111310033B publication Critical patent/CN111310033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于用户兴趣漂移的推荐方法及推荐装置，所述方法包括：采集用户的所有评分数据及相应时间信息；根据评分数据及相应时间信息，划分为训练集和测试集；根据训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合；根据静态用户兴趣特征和用户兴趣权重矩阵得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合得到用户短期兴趣偏好特征；根据用户连续性与周期性兴趣偏好特征和用户短期兴趣偏好特征构建动态用户兴趣偏好模型；使用随机梯度下降法求解得到动态用户兴趣偏好模型的多个参数值，从而获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。本发明能够提高推荐的准确率。

Description

基于用户兴趣漂移的推荐方法及推荐装置
技术领域
本发明涉及个性化推荐技术领域，特别涉及一种基于用户兴趣漂移的推荐方法及推荐装置。
背景技术
随着信息技术和互联网的发展，信息量呈指数级增长，使得人们面临严重的信息过载问题，推荐系统作为解决信息过载问题的一种重要工具得到迅速发展。传统的静态推荐方法通常假设用户兴趣偏好是静态的，然而，在真实场景中，用户兴趣偏好在多种因素的影响下，一般会发生动态漂移，如新产品的出现、季节的交替、社区趋势的变化等均会影响用户的选择。因此，跟踪动态的用户兴趣，建立动态的推荐模型，为用户推荐恰当的产品已经成为推荐算法研究的趋势和重点。
相关技术中，动态推荐方法包括三种：第一种是在传统协同过滤推荐算法中以时间权重的形式加入时间特性。在计算时间权重因子时，假定商品被评分时间距离当前时刻越远，其对当前推荐活动影响越小，故可以用截断高斯分布密度公式或指数衰减公式等计算。第二种是将时间作为单独的一维数据进行建模，将二维的评分矩阵扩展为三维的张量，利用张量分解学习用户偏好。第三种是在矩阵分解中融入时间信息，主要包括两种方式。其一，将用户偏好表示为时间函数，使用户偏好特征成为一个随时间变化的动态特征；其二，假设用户兴趣随着时间逐渐改变，利用相邻时刻用户偏好的相似性，通过学习偏好转移矩阵，表示用户随着时间兴趣演变的模式。
然而，相关技术中的动态推荐技术虽然在一定程度上解决了静态推荐技术中用户兴趣漂移这一问题，但是仍存在诸多问题。首先，由于时间权重的使用，可能丢失用户固有偏好信息且无法有效利用周期性变化的特征。其次，基于张量分解的方法虽然可以有效利用时间信息，但是具有很高的计算复杂度，可扩展性差。最后，基于矩阵分解的方法通常只考虑部分时间因素，其他时间因素被忽略，如：用户在工作日和周末会有不同的兴趣，假设用户兴趣逐渐改变而学习到的偏好转移矩阵显然无法捕捉到这种周期性特征。
发明内容
本发明的目的在于提供一种基于用户兴趣漂移的推荐方法及推荐装置，该推荐方法及推荐装置能够更加准确地捕捉用户兴趣偏好的动态变化，从而为用户提供更加合理的推荐。
为解决上述技术问题，本发明的实施例提供如下方案：
一种基于用户兴趣漂移的推荐方法，包括以下步骤：
采集用户的所有评分数据，并获取所有评分数据的时间信息；
根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在所述训练集上切分成时间段相等的多个时间箱，按周等粒度划分为多个时间片，按一个时间窗包含预设天数等粒度划分为多个时间窗；
根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合；
根据所述静态用户兴趣特征和所述用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
使用随机梯度下降法，求解得到所述动态用户兴趣偏好模型的多个参数值；
根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
优选地，所述用户连续性与周期性兴趣偏好特征表示为：
Figure BDA0002378610750000021
其中，b为连续性的时间箱，p为周期性的时间片，
Figure BDA0002378610750000022
表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fi b，p为用户i在特定时刻的用户兴趣权重矩阵。
优选地，所述用户短期兴趣偏好特征表示为：
Figure BDA0002378610750000032
其中，s为短期的时间窗，
Figure BDA0002378610750000033
表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量。
优选地，根据所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征构建动态用户兴趣偏好模型的步骤具体如下：
Figure BDA0002378610750000034
其中，
Figure BDA0002378610750000035
表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子。
优选地，所述预设天数为20天。
一种基于用户兴趣漂移的推荐装置，包括：
采集模块，用于采集用户的所有评分数据，并获取所有评分数据的时间信息；
切分模块，用于根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在所述训练集上切分成时间段相等的多个时间箱，按周等粒度划分为多个时间片，按一个时间窗包含预设天数等粒度划分为多个时间窗；
获取模块，用于根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合，以及根据所述静态用户兴趣特征和所述用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
模型构建模块，用于将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
模型训练模块，用于使用随机梯度下降法，求解得到所述动态用户兴趣偏好模型的多个参数值；
预测模块，根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
优选地，所述用户连续性与周期性兴趣偏好特征表示为：
Figure BDA0002378610750000041
其中，b为连续性的时间箱，p为周期性的时间片，
Figure BDA0002378610750000042
表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fi b，p为用户i在特定时刻的用户兴趣权重矩阵。
优选地，所述用户短期兴趣偏好特征表示为：
Figure BDA0002378610750000044
其中，s为短期的时间窗，
Figure BDA0002378610750000045
表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量。
优选地，所述动态用户兴趣偏好模型如下：
Figure BDA0002378610750000046
其中，
Figure BDA0002378610750000047
表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子。
优选地，所述预设天数为20天。
本发明的上述方案至少包括以下有益效果：
本发明提出的基于用户兴趣漂移的推荐方法及推荐装置，通过挖掘不同时刻用户连续性、周期性及短期性兴趣的变化，能够更加准确的分析出已经评分过的物品对当前偏好的影响，能够及时捕捉到用户兴趣偏好的动态变化，提高了推荐的准确率。
附图说明
图1是本发明实施例提供的基于用户兴趣漂移的推荐方法的流程图；
图2是本发明实施例提供的基于用户兴趣漂移的推荐方法的原理示意图；
图3是本发明实施例提供的基于用户兴趣漂移的推荐装置的结构示意图。
附图标记说明：100-采集模块；200-切分模块；300-获取模块；400-模型构建模块；500-模型训练模块；600-预测模块。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明的实施例首先提供了一种基于用户兴趣漂移的推荐方法，图1和图2分别是所述推荐方法的流程图和原理示意图，所述推荐方法包括以下步骤：
S101、采集用户的所有评分数据，并获取所有评分数据的时间信息；
S102、根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在训练集上切分成时间段相等的多个时间箱，按周等粒度划分为多个时间片，按一个时间窗包含预设天数等粒度划分为多个时间窗；
S103、根据训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合；
S104、根据静态用户兴趣特征和用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
S105、将用户连续性与周期性兴趣偏好特征和用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
S106、使用随机梯度下降法，求解得到动态用户兴趣偏好模型的多个参数值；
S107、根据动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
本发明实施例提出的基于用户兴趣漂移的推荐方法，通过挖掘不同时刻用户连续性、周期性及短期性兴趣的变化，能够更加准确的分析出已经评分过的物品对当前偏好的影响，能够及时捕捉到用户兴趣偏好的动态变化，提高了推荐的准确率。
优选地，所述预设天数为20天。
具体地，在步骤S102中，获取所有评分数据Dtrain的时间信息，从而得到所有评分的起始时间tstart和终止时间tend，将tstart-tend切分成3个连续时间箱，从而得到每个时间箱上的训练数据Dtarin＝{D1,D2,D3}；按照周为周期，划分为7个离散的时间片，从而得到每个时间片上的训练数据Dtarin＝{T1,T2,T3,T4,T5,T6,T7}；按照一个时间窗数据大小为20天划分，得到每个时间窗上近20天评分过的物品集合。
在步骤S103中，在评分数据Dtrain上得到不考虑时间信息的用户i的静态兴趣pi，得到用户i在每个时刻同时考虑连续性与周期性的兴趣权重矩阵fi b,p，得到用户i在每个时刻近短期评分过的物品集合N(i)s。
在步骤S104中，用户已经评分过的所有物品都均等地反映了用户兴趣，但是在不同时间点，由于受连续性和周期性效应影响，用户具有不同的兴趣偏好。
优选地，用户连续性与周期性兴趣偏好特征表示为：
Figure BDA0002378610750000061
其中，b为连续性的时间箱，p为周期性的时间片，
Figure BDA0002378610750000062
表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fi b,p为用户i在特定时刻的用户兴趣权重矩阵。
进一步地，用户最近评分过的物品可以表示用户短期兴趣偏好。比如，某用户是一个体育迷，平时在看电视节目的时候会偏向于选择体育频道，但是在春节期间，用户可能会对春晚等晚会节目给与较大的关注。显然，观看晚会节目就是用户的短期兴趣。因此，在较短的一个时间段内，用户短期兴趣会对用户当前的兴趣偏好有影响。
因此，优选地，用户短期兴趣偏好特征表示为：
Figure BDA0002378610750000063
其中，s为短期的时间窗，
Figure BDA0002378610750000064
表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量。
进一步地，在步骤S105中，根据用户连续性与周期性兴趣偏好特征和用户短期兴趣偏好特征构建动态用户兴趣偏好模型的步骤具体如下：
Figure BDA0002378610750000071
其中，
Figure BDA0002378610750000072
表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子。
进一步地，在步骤S106-S107中，得到每个用户最优参数值后，利用最优参数值对特定时刻用户对物品的评分进行预测，并根据预测结果进行推荐。
优选地，采用随机梯度下降法对参数进行更新，从而获取多个参数的最优值，迭代过程如下：
Figure BDA0002378610750000073
Figure BDA0002378610750000074
Figure BDA0002378610750000075
Figure BDA0002378610750000076
Figure BDA0002378610750000077
相应地，本发明的实施例还提供了一种基于用户兴趣漂移的推荐装置，如图3所示，该装置包括：
采集模块100，用于采集用户的所有评分数据，并获取所有评分数据的时间信息；
切分模块200，用于根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在训练集上切分成时间段相等的多个时间箱，按周等粒度划分为多个时间片，按一个时间窗包含预设天数等粒度划分为多个时间窗；
获取模块300，用于根据训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合，以及根据静态用户兴趣特征和用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
模型构建模块400，用于将用户连续性与周期性兴趣偏好特征和用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
模型训练模块500，用于使用随机梯度下降法，求解得到动态用户兴趣偏好模型的多个参数值；
预测模块600，根据动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
本发明提出的基于用户兴趣漂移的推荐装置，通过挖掘不同时刻用户连续性、周期性及短期性兴趣的变化，能够更加准确的分析出已经评分过的物品对当前偏好的影响，能够及时捕捉到用户兴趣偏好的动态变化，提高了推荐的准确率。
优选地，所述预设天数为20天。
优选地，用户连续性与周期性兴趣偏好特征表示为：
Figure BDA0002378610750000081
其中，b为连续性的时间箱，p为周期性的时间片，
Figure BDA0002378610750000082
表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fi b,p为用户i在特定时刻的用户兴趣权重矩阵。
优选地，用户短期兴趣偏好特征表示为：
Figure BDA0002378610750000083
其中，s为短期的时间窗，
Figure BDA0002378610750000084
表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量。
优选地，动态用户兴趣偏好模型如下：
Figure BDA0002378610750000085
其中，
Figure BDA0002378610750000086
表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子。
本发明实施例所描述的步骤可以通过计算机程序来指令相关的硬件完成，所述程序可以存储在计算机可读取存储介质中。其中，随机存取存储器(RAM)、只读存储器(ROM)、光盘以及磁碟等可以作为存储程序的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于用户兴趣漂移的推荐方法，其特征在于，包括以下步骤：
采集用户的所有评分数据，并获取所有评分数据的时间信息；
根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在所述训练集上切分成时间段相等的多个时间箱，在所述训练集上按周等粒度划分为多个时间片，在所述训练集上按一个时间窗包含预设天数等粒度划分为多个时间窗；
根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合；
根据所述静态用户兴趣特征和所述用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
所述用户连续性与周期性兴趣偏好特征表示为：
Figure FDA0004134839440000011
其中，b为连续性的时间箱，p为周期性的时间片，
Figure FDA0004134839440000012
表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fi b,p为用户i在特定时刻的用户兴趣权重矩阵；
所述用户短期兴趣偏好特征表示为：
Figure FDA0004134839440000013
其中，s为短期的时间窗，
Figure FDA0004134839440000014
表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量；
将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
根据所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征构建动态用户兴趣偏好模型的步骤具体如下：
Figure FDA0004134839440000021
其中，
Figure FDA0004134839440000022
表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子；
使用随机梯度下降法，求解得到所述动态用户兴趣偏好模型的多个参数值；
根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
2.根据权利要求1所述的推荐方法，其特征在于，所述预设天数为20天。
3.一种基于用户兴趣漂移的推荐装置，其特征在于，包括：
采集模块，用于采集用户的所有评分数据，并获取所有评分数据的时间信息；
切分模块，用于根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在所述训练集上切分成时间段相等的多个时间箱，在所述训练集上按周等粒度划分为多个时间片，在所述训练集上按一个时间窗包含预设天数等粒度划分为多个时间窗；
获取模块，用于根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合，以及根据所述静态用户兴趣特征和所述用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
所述用户连续性与周期性兴趣偏好特征表示为：
Figure FDA0004134839440000023
其中，b为连续性的时间箱，p为周期性的时间片，
Figure FDA0004134839440000024
表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fi b,p为用户i在特定时刻的用户兴趣权重矩阵；
所述用户短期兴趣偏好特征表示为：
Figure FDA0004134839440000025
其中，s为短期的时间窗，
Figure FDA0004134839440000031
表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量；
模型构建模块，用于将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
所述动态用户兴趣偏好模型如下：
Figure FDA0004134839440000032
其中，
Figure FDA0004134839440000033
表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子；
模型训练模块，用于使用随机梯度下降法，求解得到所述动态用户兴趣偏好模型的多个参数值；
预测模块，根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
4.根据权利要求3所述的推荐装置，其特征在于，所述预设天数为20天。
CN202010076472.0A 2020-01-23 2020-01-23 基于用户兴趣漂移的推荐方法及推荐装置 Active CN111310033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010076472.0A CN111310033B (zh) 2020-01-23 2020-01-23 基于用户兴趣漂移的推荐方法及推荐装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076472.0A CN111310033B (zh) 2020-01-23 2020-01-23 基于用户兴趣漂移的推荐方法及推荐装置

Publications (2)

Publication Number Publication Date
CN111310033A CN111310033A (zh) 2020-06-19
CN111310033B true CN111310033B (zh) 2023-05-30

Family

ID=71145472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076472.0A Active CN111310033B (zh) 2020-01-23 2020-01-23 基于用户兴趣漂移的推荐方法及推荐装置

Country Status (1)

Country Link
CN (1) CN111310033B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11636530B2 (en) * 2021-06-28 2023-04-25 Bank Of America Corporation Recommendation engine accounting for preference drift
CN114491095B (zh) * 2022-01-18 2024-10-01 南京大学 基于时序漂移的潜在因子模型对项目的推荐方法
CN115858926B (zh) * 2022-11-29 2023-09-01 杭州电子科技大学 基于用户的复杂多模式兴趣提取与建模的序列推荐方法
CN117132356B (zh) * 2023-08-29 2024-02-13 重庆大学 基于自适应用户兴趣变化周期的推荐方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339563A (zh) * 2008-08-15 2009-01-07 北京航空航天大学 面向奇异发现推荐的兴趣模型更新方法
CN107609786A (zh) * 2017-09-26 2018-01-19 宿州学院 一种在线社会网络下构建用户行为偏好变化模型的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2083385A1 (en) * 2008-01-15 2009-07-29 Motorola, Inc. Method of adapting a user profile including user preferences and communication device
CN106503014B (zh) * 2015-09-08 2020-08-07 腾讯科技（深圳）有限公司 一种实时信息的推荐方法、装置和系统
US10516909B2 (en) * 2016-07-09 2019-12-24 N. Dilip Venkatraman Method and system for recommending dynamic, adaptive and non-sequentially assembled videos
CN107545065B (zh) * 2017-09-08 2021-08-13 北京奇艺世纪科技有限公司 一种用户兴趣校准方法、系统及个性化推荐系统
CN107562947B (zh) * 2017-09-26 2021-07-02 宿州学院 一种移动时空感知下动态即时推荐服务模型建立方法
CN109146626B (zh) * 2018-08-14 2022-05-20 中山大学 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN109543109B (zh) * 2018-11-27 2021-06-22 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN110688565B (zh) * 2019-09-04 2021-10-15 杭州电子科技大学 基于多维霍克斯过程和注意力机制的下一个物品推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339563A (zh) * 2008-08-15 2009-01-07 北京航空航天大学 面向奇异发现推荐的兴趣模型更新方法
CN107609786A (zh) * 2017-09-26 2018-01-19 宿州学院 一种在线社会网络下构建用户行为偏好变化模型的方法

Also Published As

Publication number Publication date
CN111310033A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111310033B (zh) 基于用户兴趣漂移的推荐方法及推荐装置
Manovich Cultural analytics
US20160155067A1 (en) Mapping Documents to Associated Outcome based on Sequential Evolution of Their Contents
CN111104595B (zh) 一种基于文本信息的深度强化学习交互式推荐方法及系统
JP4757016B2 (ja) 文書分類プログラム、文書分類装置、および文書分類方法
CN106503014B (zh) 一种实时信息的推荐方法、装置和系统
Boatwright et al. Reviewing the reviewers: The impact of individual film critics on box office performance
CN110309434B (zh) 一种轨迹数据处理方法、装置以及相关设备
CN111382307B (zh) 一种基于深度神经网络的视频推荐方法、系统及存储介质
US20150278350A1 (en) Recommendation System With Dual Collaborative Filter Usage Matrix
CN110287419A (zh) 一种商品推荐方法、装置、服务器及存储介质
CN106202519A (zh) 一种结合用户评论内容和评分的项目推荐方法
CN104063481A (zh) 一种基于用户实时兴趣向量的电影个性化推荐方法
CN107004006A (zh) 内容数据库的生成
CN111858969B (zh) 多媒体数据推荐方法、装置、计算机设备和存储介质
CN109684548B (zh) 一种基于用户图谱的数据推荐方法
CN110795613B (zh) 商品搜索方法、装置、系统及电子设备
CN115687786A (zh) 一种个性化推荐方法、系统以及存储介质
CN111127074B (zh) 一种数据推荐方法
CN112800270B (zh) 基于音乐标签和时间信息的音乐推荐方法及系统
Zhao et al. Application of personalized recommendation technology in MOOC system
CN117436956A (zh) 基于广告推送的智能营销管理系统
CN114329167A (zh) 超参数学习、智能推荐、关键词和多媒体推荐方法及装置
CN116541486A (zh) 一种基于数据挖掘与深度学习的新闻信息聚合方法
CN108287902B (zh) 一种基于数据非随机缺失机制的推荐系统方法

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
GR01 Patent grant
GR01 Patent grant