CN111368202B - 搜索推荐方法、装置、电子设备及存储介质 - Google Patents
搜索推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111368202B CN111368202B CN202010153114.5A CN202010153114A CN111368202B CN 111368202 B CN111368202 B CN 111368202B CN 202010153114 A CN202010153114 A CN 202010153114A CN 111368202 B CN111368202 B CN 111368202B
- Authority
- CN
- China
- Prior art keywords
- user
- search
- similarity
- influence
- calculating
- 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
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
- G06F16/90—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
-
- 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
- G06F16/9538—Presentation of query results
Abstract
本发明实施例提供一种搜索推荐方法、装置、电子设备及存储介质。方法包括:根据第一用户发起的搜索操作,获取多个搜索推荐结果;计算第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;计算第二用户的搜索偏好与第一搜索推荐结果之间的第二相似度;根据第一相似度与所述第二相似度,计算第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;为第一用户的搜索偏好与多个搜索推荐结果间各自的总计相似度排序,将多个搜索推荐结果按照排序结果推荐给所述第一用户。本发明实施例提供的搜索推荐方法、装置、电子设备及存储介质能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
Description
技术领域
本发明涉及搜索技术领域,尤其涉及一种搜索推荐方法、装置、电子设备及存储介质。
背景技术
在互联网信息的时代,网络搜索已经成为最为便捷的信息获取方法之一
网络搜索中最为常见的搜索方式是精确匹配搜索,即将搜索用的关键词与待搜索的对象进行比对,待搜索对象中的字段只有与关键词完全一致,才能作为搜索结果返回给用户。精确匹配搜索并不能满足用户所有的需求,模糊搜索是对精确匹配搜索的补充。
搜索推荐结果是基于用户提供的关键词所生成的一系列可能的搜索结果信息。搜索推荐结果有助于提高搜索效率。
但在实践中已经证明,在模糊搜索中,或精确匹配搜索的搜索结果很多时,搜索推荐结果的准确度较低,严重影响了用户的搜索效率。
现有技术中已知的提高搜索推荐结果准确性的方法是根据用户以往的搜索记录来生成搜索推荐结果。这一方法在多数情况下确实能起到良好的作用。但对于用户未搜索过的类别或者当用户行为较少时,这一方法对搜索推荐结果准确度的提高并不能起到作用。
发明内容
本发明实施例提供一种搜索推荐方法、装置、电子设备及存储介质,用以解决现有技术中的搜索推荐方法对于用户未搜索过的类别或者当用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
本发明第一方面实施例提供一种搜索推荐方法,包括:
根据第一用户发起的搜索操作,获取多个搜索推荐结果;
计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;其中,所述第一搜索推荐结果为所述多个搜索推荐结果中的任意一个;
计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;
根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;
为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
上述技术方案中,还包括:
根据用户间的关系,确定网络中所有用户的被影响用户集合;
从所述所有用户的被影响用户集合中查找包含所述第一用户的被影响用户集合,由包含所述第一用户的被影响用户集合所对应的产生影响的用户得到第二用户。
上述技术方案中,所述根据用户间的关系,确定网络中所有用户的被影响用户集合包括:
获取用户间的关系,根据用户间的关系为第三用户确定第四用户;其中,所述第三用户为网络中的任意一个用户,所述第四用户为所述第三用户的影响能传播到的用户;
计算所述第三用户对所述第四用户的影响力;
根据所述第三用户对所述第四用户的影响力确定所述第三用户的被影响用户集合;
确定网络中所有用户的被影响用户集合。
上述技术方案中,所述计算所述第三用户对所述第四用户的影响力包括:
计算所述第三用户对所述第四用户的关系影响力,所述关系影响力反映了用户间关系亲密程度所对应的影响力;
计算所述第三用户对所述第四用户的相似度影响力,所述相似度影响力反映了用户间相似程度所对应的影响力;
根据所述第三用户对所述第四用户的关系影响力与所述第三用户对所述第四用户的相似度影响力,计算所述第三用户对所述第四用户的影响力。
上述技术方案中,所述计算所述第三用户对所述第四用户的关系影响力包括:
计算所述第三用户到所述第四用户的各条传播路径的组成;
在每一条传播路径上计算相邻用户的关系影响力,根据相邻用户的关系影响力计算整条传播路径的关系影响力;
根据所述第三用户到所述第四用户的各条传播路径的关系影响力,计算所述第三用户对所述第四用户的关系影响力。
上述技术方案中,所述计算相邻用户的关系影响力包括:
计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力;
计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力;
根据所述关注影响力和所述转发评论影响力,计算相邻用户之间的关系影响力。
上述技术方案中,所述计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度包括:
根据所述第一用户的操作历史计算所述第一用户的偏好主题矩阵;
获取所述第一搜索推荐结果的主题向量;
根据所述第一用户的偏好主题矩阵与所述第一搜索推荐结果的主题向量,计算所述第一用户与第一搜索推荐结果之间的第一相似度。
本发明第二方面实施例提供一种搜索推荐装置,包括:
搜索推荐结果获取模块,用于根据第一用户发起的搜索操作,获取多个搜索推荐结果;
第一相似度计算模块,用于计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;其中,所述第一搜索推荐结果为所述多个搜索推荐结果中的任意一个;
第二相似度计算模块,用于计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;
总计相似度计算模块,用于根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;
推荐模块,用于为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
本发明第三方面实施例提供一种电子设备,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如本发明第一方面实施例所述搜索推荐方法的步骤。
本发明第四方面实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述搜索推荐方法的步骤。
本发明实施例提供的搜索推荐方法、装置、电子设备及存储介质,通过综合考虑发起搜索的用户的搜索偏好与搜索推荐结果之间的相似度以及能够影响该用户的用户的搜索偏好与搜索推荐结果之间的相似度,最终确定发起搜索的用户的搜索偏好与搜索推荐结果之间的总计相似度,根据最终确定的总计相似度为用户推荐搜索推荐结果,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的搜索推荐方法的示意图;
图2为本发明实施例提供的搜索推荐方法中根据用户间的关系确定网络中所有用户的被影响用户集合的实现过程的流程图;
图3为一个用户关系图的示例图;
图4为本发明实施例提供的搜索推荐方法中计算第三用户对第四用户的影响力的实现过程的流程图;
图5为本发明实施例提供的搜索推荐装置的示意图;
图6示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的搜索推荐方法的示意图,如图1所示,本发明实施例提供的搜索推荐方法包括:
步骤101、根据第一用户发起的搜索操作,获取多个搜索推荐结果。
在本发明实施例中,将发起搜索操作的用户记为第一用户。为了在后续的步骤中能够根据用户间的好友关系查找能够影响所述第一用户的用户,第一用户应当具有能够标识其身份的信息,包括但不限于以下信息中的任意一种:姓名、身份证号、护照号、用户ID、微博账号、手机号码、QQ号、微信号、邮箱地址。
搜索推荐结果是搜索引擎根据第一用户发起的搜索操作所返回的多个可能的结果。搜索推荐结果包括但不限于以下类型结果中的任意一种:商品信息、网页。
步骤102、计算第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度。
本发明实施例中,第一搜索推荐结果是指步骤101得到的多个搜索推荐结果中的任意一个。即:对于多个搜索推荐结果中的任意一个都可按照本步骤的描述计算其与第一用户之间的相似度。
计算第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度具体包括:
步骤102-1、根据第一用户的操作历史计算第一用户的偏好主题矩阵;
在本发明实施例中,可采用LDA(Latent Dirichlet Allocation,隐含狄利克雷分布)算法计算第一用户的偏好主题矩阵。
步骤102-2、获得第一搜索推荐结果的主题向量。
在本发明实施例中,可采用LDA算法计算第一搜索推荐结果的主题向量。
步骤102-3、根据第一用户的偏好主题矩阵与第一搜索推荐结果的主题向量,计算第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度。
在本发明实施例中,假设第一用户的偏好主题矩阵表示为(x1,x2,…,xn),第一推荐结果的主题向量表示为(z1,z2,…,zn),则第一相似度的计算公式为:
其中,d表示表示第一相似度;n表示第一用户的偏好主题矩阵以及第一推荐结果的主题向量的维数;Si表示第一用户的偏好主题矩阵与第一推荐结果的主题向量在第i维的方差,即:其中,m1为第一用户的偏好主题矩阵中的向量的平均值,m2为第一推荐结果的主题向量中的向量的平均值。
步骤103、计算第二用户的搜索偏好与第一搜索推荐结果之间的第二相似度。
在本发明实施例中,第二用户是指能够影响第一用户的用户。
第二用户可以是一个,也可以是多个。若第二用户是一个,则只需计算单个用户与第一搜索推荐结果之间的相似度,所得到的计算结果也就是所述的第二相似度。
若第二用户是多个,则需要分别计算其中一个第二用户的搜索偏好与第一搜索推荐结果之间的相似度,然后将多个第二用户的搜索偏好与第一搜索推荐结果之间的相似度计算结果相加,得到所述第二相似度。其中,多个第二用户是指所有的第二用户,也可以是根据需要从全部的第二用户中所选取的部分第二用户。
计算一个用户的搜索偏好与第一搜索推荐结果之间的相似度可参照前述计算第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度的描述。在此处不再重复说明。
在本发明实施例中,哪些用户属于第二用户是已经确定的,可从已存储的第二用户的资料信息中或从之前的第二用户确定过程的结果中直接获得第二用户的信息。在本发明的其他实施例中,将对第二用户的确定过程做进一步的说明。
步骤104、根据第一相似度与第二相似度,计算第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度。
在本发明实施例中,在考察第一用户的搜索偏好与第一搜索推荐结果之间的相似度时,并不仅仅考察第一用户本身的搜索偏好与第一搜索推荐结果之间的相似度,还要考察能够对第一用户产生影响的用户(即第二用户)的搜索偏好与第一搜索结果之间的相似度。为了区分只基于第一用户本身的相似度,将这种需要同时基于第一用户与第二用户的相似度称为总计相似度。
在本发明实施例中,在计算总计相似度时,可将之前计算得到的第一相似度与第二相似度相加,得到总计相似度。在本发明其他实施例中,在计算总计相似度时,也可采用其他的计算方法。例如,为第一相似度和第二相似度分别赋予一定的权重,然后将赋予权重后的第一相似度和第二相似度相加,得到总计相似度;所述权重根据第一相似度或第二相似度的重要程度确定。
步骤105、为第一用户的搜索偏好与多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
参照前述步骤中第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度的计算过程,可计算出第一用户的搜索偏好与所述多个搜索推荐结果中的每个搜索推荐结果之间的总计相似度。然后按照各个总计相似度的值,为各个总计相似度排序,最后按照排序结果依次将多个搜索推荐结果推荐给第一用户。
例如,所述多个搜索推荐结果包括10个搜索推荐结果,参照前述步骤可得到第一用户的搜索偏好与这10个搜索推荐结果之间各自的总计相似度,即一共有10个总计相似度。将这10个总计相似度进行大小比较,总计相似度值越大,认为对应的搜索推荐结果与第一用户的搜索偏好之间越相似。因此在将这10个搜索推荐结果推荐给第一用户时,将总计相似度值排序靠前的搜索推荐结果显示在第一用户容易观察的位置,如将总计相似度值排序靠前的搜索推荐结果靠前排列。
本发明实施例提供的搜索推荐方法通过综合考虑发起搜索的用户的搜索偏好与搜索推荐结果之间的相似度以及能够影响该用户的用户的搜索偏好与搜索推荐结果之间的相似度,最终确定发起搜索的用户的搜索偏好与搜索推荐结果之间的总计相似度,根据最终确定的总计相似度为用户推荐搜索推荐结果,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
基于上述任一实施例,在本发明实施例中,搜索推荐方法还包括:
根据用户间的关系,确定网络中所有用户的被影响用户集合;
从所述所有用户的被影响用户集合中查找包含所述第一用户的被影响用户集合,由包含所述第一用户的被影响用户集合所对应的产生影响的用户得到第二用户。
在本发明的前一实施例中,哪些用户属于第二用户被认为是已经确定的。但在实际应用中,某些情况下并不了解第一用户所对应的第二用户有哪些,因此在本发明实施例中,需要根据用户间的关系确定网络中所有用户的被影响用户集合,然后从网络中所有用户的被影响用户集合中找出第二用户。
图2为本发明实施例提供的搜索推荐方法中根据用户间的关系确定网络中所有用户的被影响用户集合的实现过程的流程图,如图2所示,根据用户间的关系,确定网络中所有用户的被影响用户集合具体包括:
步骤201、获取用户间的关系,根据用户间的关系为第三用户确定第四用户。
用户间的关系主要是指由用户间的互动行为所反映的用户之间的关联关系。例如,用户A在微博上关注了用户B,则用户A与用户B之间存在关联关系;用户C转发了用户D的评论,则用户C与用户D之间也存在关联关系。
在本发明实施例中,可通过对用户操作日志的分析获取用户间的关系。用户的操作日志包括用户通过智能设备所实现的操作,例如,用户在社交网站或社交软件上与其他用户互动的行为。具体的说,如用户在微博网站上与其他用户之间的互动行为(例如关注、转发和评论等行为),又如用户在微信上与其他用户之间的互动行为(例如聊天、同处于一个群、在朋友圈转发内容和评论等行为)。对用户操作日志的分析可采用现有技术实现。
在本发明实施例中,用户间的关系可通过用户关系图的形式表示。图3为一个用户关系图的示例图,图3反映了与用户v有关联关系(包括直接关联与间接关联)的用户以及它们之间的各种可能的关联,根据图3,与用户v有关联关系的用户包括用户e、用户d、用户a、用户f和用户c。
第三用户可以是网络中的任意一个用户。第四用户是指第三用户的影响能传播到的用户。其中,所述的影响能传播到有多种情况,包括一个用户对另一个用户的直接的影响传播行为,如用户D在微博上发表评论后,用户C阅读该评论并予以转发;还包括一个用户对另一个用户的间接的影响传播行为,如用户D在微博上发表评论后,用户C阅读该评论并予以转发,用户E看到用户C转发的评论后又予以转发。
在选定第三用户后,确定第四用户可根据能反映用户间关系的用户关系图实现。仍以图3的用户关系图为例,假设用户d是第三用户,则在图3中,根据用户d所代表的节点所能到达的路径,第四用户包括用户c、用户f以及用户v。其中,用户e和用户f是用户d直接的影响传播行为能够传播到的用户,而用户v是用户d间接的影响传播行为能够传播到的用户。在图3中,用户d无法通过路径到达的用户就不是该用户的影响能传播到的用户,如用户a和用户e。
需要特别说明的是,在本发明实施例中,第三用户的影响能传播到的用户并不意味着就能把该用户直接认定为是第三用户能够影响的用户。用户间的影响有强弱之分,在本发明实施例中,只将受到第三用户较强影响的用户认定为第三用户能够影响的用户,在后文中会有详细的描述。
步骤202、计算第三用户对第四用户的影响力。
在前一步骤中,通过用户间的关系,认定了第三用户的影响能传播到的用户,即第四用户。但第四用户还不能直接认定为是第三用户能够影响的用户。在本步骤中,计算第三用户对第四用户的影响力。
如何计算第三用户对第四用户的影响力,将在本发明其他实施例中做详细描述。
步骤203、根据第三用户对第四用户的影响力确定第三用户的被影响用户集合。
在本发明实施例中,可设置一个影响力阈值,将第三用户对第四用户的影响力与该影响力阈值进行比较,如果第三用户对第四用户的影响力高于该影响力阈值,则第四用户就是能够被第三用户影响的用户。
由于第四用户可以是第三用户的影响能传播到的所有用户中的任意一个用户,因此参照第三用户对第四用户的影响力的计算步骤,能够从第三用户的影响能传播到的所有用户中找出第三用户所能影响的全部用户,形成第三用户的被影响用户集合。
步骤204、确定网络中所有用户的被影响用户集合。
在之前的步骤中,所述第三用户是网络中的任意一个用户,因此参照第三用户的被影响用户集合的获取步骤可得到所有用户的被影响用户集合。
在确定网络中所有用户的被影响用户集合后,就可以从所述所有用户的被影响用户集合中查找包含所述第一用户的被影响用户集合,由包含所述第一用户的被影响用户集合所对应的产生影响的用户得到第二用户。
例如,假设所有用户的被影响用户集合的数目为n,在这n个被影响用户集合中,有m个被影响用户集合包含有第一用户。那么这m个被影响用户集合所对应的产生影响的m个用户就是所述的第二用户。
本发明实施例提供的搜索推荐方法通过分析用户间的关系计算出能够影响发起搜索的用户的用户,为后续的相似度计算奠定了良好的基础,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
基于上述任一实施例,图4为本发明实施例提供的搜索推荐方法中计算第三用户对第四用户的影响力的实现过程的流程图,如图4所示,计算所述第三用户对所述第四用户的影响力的实现过程具体包括:
步骤401、计算第三用户对第四用户的关系影响力。
关系影响力反映了用户间关系亲密程度所对应的影响力。由于第三用户对第四用户的影响传播方式可以有多种,如直接的影响传播行为以及间接的影响传播行为,因此在计算关系影响力时需要同时考虑多种影响传播方式。
第三用户对第四用户的关系影响力的具体计算过程将在本发明的其他实施例中做详细说明。
步骤402、计算第三用户对第四用户的相似度影响力。
相似度影响力反映了用户间相似程度所对应的影响力。用户间的相似程度高,对搜索推荐结果的选择可能会较为接近,因此在本步骤中通过对第三用户对第四用户的相似度计算来确定第三用户对第四用户的相似度影响力。
第三用户对第四用户的相似度影响力的具体计算过程将在本发明的其他实施例中做详细说明。
步骤403、根据第三用户对第四用户的关系影响力与第三用户对第四用户的相似度影响力,计算第三用户对第四用户的影响力。
在本发明实施例中,在计算第三用户对第四用户的影响力时,可将之前计算得到的第三用户对第四用户的关系影响力以及第三用户对第四用户的相似度影响力相加,得到第三用户对第四用户的影响力。在本发明其他实施例中,在计算第三用户对第四用户的影响力时,也可采用其他的计算方法。例如,为第三用户对第四用户的关系影响力以及第三用户对第四用户的相似度影响力分别赋予一定的权重,然后将赋予权重后的第三用户对第四用户的关系影响力以及第三用户对第四用户的相似度影响力相加,得到第三用户对第四用户的影响力;所述权重根据第三用户对第四用户的关系影响力或第三用户对第四用户的相似度影响力的重要程度确定。
本发明实施例提供的搜索推荐方法给出了一个用户对另一个用户的影响力的具体计算过程,有助于判别一个用户所能影响的用户,为后续的相似度计算奠定了良好的基础,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
基于上述任一实施例,在本发明实施例中,计算第三用户对第四用户的关系影响力可结合用户关系图实现,具体包括:
确定所述第三用户到所述第四用户的各条传播路径的组成;
在每一条传播路径上计算相邻用户的关系影响力,根据相邻用户的关系影响力计算整条传播路径的关系影响力;
根据所述第三用户到所述第四用户的各条传播路径的关系影响力,计算所述第三用户对所述第四用户的关系影响力。
在本发明实施例中,在计算单条传播路径的关系影响力时,将传播路径所经过的所有用户的相邻用户的关系影响力的乘积作为整条传播路径的关系影响力。在计算第三用户对所述第四用户的关系影响力时,将第三用户与第四用户间所有路径的关系影响力之和作为第三用户对所述第四用户的关系影响力。
以图3为例,假设第三用户为图3中的用户e,第四用户为用户v。根据图3所反映的用户间的关系,可以知道从用户e到用户v的传播路径有三条,分别为:路径e-a-v、路径e-v以及路径e-f-v。
分别计算路径e-a-v、路径e-v以及路径e-f-v的关系影响力,具体实现过程如下:
计算路径e-v的关系影响力。路径e-v的关系影响力按照相邻用户的关系影响力计算方法得到,而相邻用户的关系影响力计算方法会在后文中有详细描述。
计算路径e-f-v的关系影响力。路径e-f-v的关系影响力的计算方式为先计算路径e-f的关系影响力p(e,f),然后计算路径f-v的关系影响力p(f,v),则路径e-f-v的关系影响力为p(e,f)*p(f,v)。
计算路径e-a-v的关系影响力。路径e-a-v的关系影响力计算方式与路径e-f-v的关系影响力计算方式类似,具体为p(e,a)*p(a,v)。
在得到三条传播路径各自的关系影响力后,就可以进一步计算节点e对节点v的关系影响力,计算方式为:p(e,v)+p(e,f)*p(f,v)+p(e,a)*p(a,v)。即节点e和节点v所有可达路径影响力之和。
在本发明的其他实施例中,在计算单条路径关系影响力时,可以根据相邻用户的重要程度,为相邻用户的关系影响力赋予权重,进而计算出该路径中所经过的所有用户的相邻用户关系影响力的乘积。类似的,在计算两个用户间所有路径的关系影响力之和时,可以根据中间节点用户的重要程度,为单条路径的关系影响力值赋予权重,进而计算出两个用户间所有路径的关系影响力之和。
结合用户关系图计算第三用户对第四用户的关系影响力之后,可根据关系影响力计算结果为用户关系图上用户与用户之间的边赋予权重值,该权重值描述了一个用户对另一个用户的关系影响力。
在本发明实施例中,结合用户关系图计算第三用户对第四用户的关系影响力。在本发明的其他实施例中,也可采用其他方法来计算第三用户对第四用户的关系影响力。
本发明实施例提供的搜索推荐方法给出了一个用户对另一个用户的关系影响力的具体计算过程,有助于判别一个用户所能影响的用户,为后续的相似度计算奠定了良好的基础,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
基于上述任一实施例,在本发明实施例中,计算相邻用户的关系影响力包括:
计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力;
计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力;
根据所述关注影响力和所述转发评论影响力,计算相邻用户之间的关系影响力。
在计算相邻用户的关系影响力时,需要考虑用户间哪些关系对关系影响力产生了影响。
在本发明实施例中,用户间的关系选取了用户之间的关注关系,用户之间的转发评论关系。根据用户之间的关注关系可计算用户之间的关注影响力,根据用户之间的转发评论关系可计算用户之间的转发评论影响力。
在计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力时,相关的计算方法如下:
a1、如果用户u不关注用户v,则用户v对用户u的关注影响力pi(v,u)=0;
a2、如果用户u关注用户v,则用户v对用户u的关注影响力计算方法为使用威尔逊置信区间方法计算。
之所以采用威尔逊置信区间方法是因为当用户u只关注v时,根据用户u的好友数计算影响力,用户u的好友只有一个,则计算权重会有问题。使用威尔逊置信区间方法,样本数量越小,它的置信区间越大,因此能很好地解决小样本的准确性问题。
按照威尔逊置信区间方法,置信空间的计算公式为:
其中,是用户间的影响力,n是用户u的好友数,z就是“z分数”或“标准分数”,是和指定的置信度相关的一个常数。在下面的表1中描述了z的取值。
表1
在计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力时,相关的计算方法如下:
b1、如果用户u未转发与评论用户v,则用户v对用户u的转发评论影响力pc(v,u)=0;
b2、如果用户u转发与评论了用户v,则用户v对用户u的转发评论影响力其中,n表示用户u转发和评论的总数;Ti表示评论和转发已有的时间,单位为天;Pi表示第i天前当天用户u转发和评论用户v的个数;G为一个比重;t表示评论的天数;^用于表示次方。
在以上描述中,以用户v对用户u的影响为例,分别计算了用户v对用户u的关注影响力以及用户v对用户u的转发评论影响力。如果要计算用户u对用户v的关系影响力,只要从操作日志中得到用户v关注和转发的个数以及v的好友数,参照前述计算方法即可得到。
在计算得到相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力以及相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力后,可据此计算出相邻用户的关系影响力。
在本发明实施例中,计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关系影响力,可通过将相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力与相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力相加的方法得到。仍以之前的用户u和用户v为例,在计算得到用户v对用户u的关注影响力pi(v,u)以及用户v对用户u的转发评论影响力pc(v,u)后,在本发明实施例中,将用户v对用户u的关注影响力pi(v,u)与用户v对用户u的转发评论影响力pc(v,u)相加,得到用户v对用户u的关系影响力。即用户v对用户u的关系影响力的计算公式为:pi(v,u)+pc(v,u)。
在本发明其他实施例中,在计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关系影响力时,也可采用其他的计算方法。例如,为相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力与相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力分别赋予一定的权重,然后将赋予权重后的相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力与相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论关系影响力相加,得到相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关系影响力。所述权重根据关注影响力或转发评论影响力的重要程度确定。
本发明实施例提供的搜索推荐方法给出了相邻用户的关系影响力的具体计算过程,有助于判别一个用户所能影响的用户,为后续的相似度计算奠定了良好的基础,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
基于上述任一实施例,在本发明实施例中,计算第三用户对第四用户的相似度影响力具体包括:
根据用户的操作历史通过LDA算法计算一个用户的偏好主题矩阵与另一个用户的偏好主题矩阵;
根据两个用户各自的偏好主题矩阵计算两个用户之间的相似度。
在本发明实施例中,假设一个用户的偏好主题矩阵表示为(x1,x2,…,xn),另一个用户的偏好主题矩阵表示为(y1,y2,…,yn),则两个用户之间的相似度的计算公式为:
其中,d表示两个用户之间的相似度;n表示一个用户的偏好主题矩阵以及另一个用户的偏好主题矩阵的维数;Si表示一个用户的偏好主题矩阵与另一个用户的偏好主题矩阵在第i维的方差,即: 其中,m3为一个用户的偏好主题矩阵中的偏好向量的平均值,m4为另一个用户的偏好主题矩阵中的偏好向量的平均值。
本发明实施例提供的搜索推荐方法给出了一个用户对另一个用户的相似度影响力的具体计算过程,有助于判别一个用户所能影响的用户,为后续的相似度计算奠定了良好的基础,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
基于上述任一实施例,图5为本发明实施例提供的搜索推荐装置的示意图,如图5所示,本发明实施例提供的搜索推荐装置包括:
搜索推荐结果获取模块501,用于根据第一用户发起的搜索操作,获取多个搜索推荐结果;
第一相似度计算模块502,用于计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;其中,所述第一搜索推荐结果为所述多个搜索推荐结果中的任意一个;
第二相似度计算模块503,用于计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;
总计相似度计算模块504,用于根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;
推荐模块505,用于为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
本发明实施例提供的搜索推荐装置通过综合考虑发起搜索的用户的搜索偏好与搜索推荐结果之间的相似度以及能够影响该用户的用户的搜索偏好与搜索推荐结果之间的相似度,最终确定发起搜索的用户与搜索推荐结果之间的总计相似度,根据最终确定的总计相似度为用户推荐搜索推荐结果,使得搜索推荐结果准确度高,能克服当用户之前未搜索过相关类别或用户行为较少时,所生成的搜索推荐结果准确度较低的缺陷。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:根据第一用户发起的搜索操作,获取多个搜索推荐结果;计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务器,也可以为PC机,还可以为其他设备,只要其结构中包括如图6所示的处理器610、通信接口620、存储器630和通信总线640,其中处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信,且处理器610可以调用存储器630中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:根据第一用户发起的搜索操作,获取多个搜索推荐结果;计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:根据第一用户发起的搜索操作,获取多个搜索推荐结果;计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度;为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种搜索推荐方法,其特征在于,包括:
根据第一用户发起的搜索操作,获取多个搜索推荐结果;
计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;其中,所述第一搜索推荐结果为所述多个搜索推荐结果中的任意一个,所述第一相似度为所述第一用户本身的搜索偏好与第一搜索推荐结果之间的相似度;
计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;
根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度,其中,所述第一相似度与所述第二相似度之和为所述总计相似度,或,赋予权重后的第一相似度与赋予权重后的第二相似度之和为所述总计相似度;
为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
2.根据权利要求1所述的搜索推荐方法,其特征在于,还包括:
根据用户间的关系,确定网络中所有用户的被影响用户集合;
从所述所有用户的被影响用户集合中查找包含所述第一用户的被影响用户集合,由包含所述第一用户的被影响用户集合所对应的产生影响的用户得到第二用户。
3.根据权利要求2所述的搜索推荐方法,其特征在于,所述根据用户间的关系,确定网络中所有用户的被影响用户集合包括:
获取用户间的关系,根据用户间的关系为第三用户确定第四用户;其中,所述第三用户为网络中的任意一个用户,所述第四用户为所述第三用户的影响能传播到的用户;
计算所述第三用户对所述第四用户的影响力;
根据所述第三用户对所述第四用户的影响力确定所述第三用户的被影响用户集合;
确定网络中所有用户的被影响用户集合。
4.根据权利要求3所述的搜索推荐方法,其特征在于,所述计算所述第三用户对所述第四用户的影响力包括:
计算所述第三用户对所述第四用户的关系影响力,所述关系影响力反映了用户间关系亲密程度所对应的影响力;
计算所述第三用户对所述第四用户的相似度影响力,所述相似度影响力反映了用户间相似程度所对应的影响力;
根据所述第三用户对所述第四用户的关系影响力与所述第三用户对所述第四用户的相似度影响力,计算所述第三用户对所述第四用户的影响力。
5.根据权利要求4所述的搜索推荐方法,其特征在于,所述计算所述第三用户对所述第四用户的关系影响力包括:
计算所述第三用户到所述第四用户的各条传播路径的组成;
在每一条传播路径上计算相邻用户的关系影响力,根据相邻用户的关系影响力计算整条传播路径的关系影响力;
根据所述第三用户到所述第四用户的各条传播路径的关系影响力,计算所述第三用户对所述第四用户的关系影响力。
6.根据权利要求5所述的搜索推荐方法,其特征在于,所述计算相邻用户的关系影响力包括:
计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的关注影响力;
计算相邻用户中位于传播路径上游的用户对位于传播路径下游的用户的转发评论影响力;
根据所述关注影响力和所述转发评论影响力,计算相邻用户之间的关系影响力。
7.根据权利要求1或2所述的搜索推荐方法,其特征在于,所述计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度包括:
根据所述第一用户的操作历史计算所述第一用户的偏好主题矩阵;
获取所述第一搜索推荐结果的主题向量;
根据所述第一用户的偏好主题矩阵与所述第一搜索推荐结果的主题向量,计算所述第一用户与第一搜索推荐结果之间的第一相似度。
8.一种搜索推荐装置,其特征在于,包括:
搜索推荐结果获取模块,用于根据第一用户发起的搜索操作,获取多个搜索推荐结果;
第一相似度计算模块,用于计算所述第一用户的搜索偏好与第一搜索推荐结果之间的第一相似度;其中,所述第一搜索推荐结果为所述多个搜索推荐结果中的任意一个,所述第一相似度为所述第一用户本身的搜索偏好与第一搜索推荐结果之间的相似度;
第二相似度计算模块,用于计算第二用户的搜索偏好与所述第一搜索推荐结果之间的第二相似度;其中,所述第二用户为能够影响所述第一用户的用户;
总计相似度计算模块,用于根据所述第一相似度与所述第二相似度,计算所述第一用户的搜索偏好与第一搜索推荐结果之间的总计相似度,其中,所述第一相似度与所述第二相似度之和为所述总计相似度,或,赋予权重后的第一相似度与赋予权重后的第二相似度之和为所述总计相似度;
推荐模块,用于为所述第一用户的搜索偏好与所述多个搜索推荐结果间各自的总计相似度排序,将所述多个搜索推荐结果按照排序结果推荐给所述第一用户。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述搜索推荐方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述搜索推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010153114.5A CN111368202B (zh) | 2020-03-06 | 2020-03-06 | 搜索推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010153114.5A CN111368202B (zh) | 2020-03-06 | 2020-03-06 | 搜索推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368202A CN111368202A (zh) | 2020-07-03 |
CN111368202B true CN111368202B (zh) | 2023-09-19 |
Family
ID=71206552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010153114.5A Active CN111368202B (zh) | 2020-03-06 | 2020-03-06 | 搜索推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368202B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101878482A (zh) * | 2007-11-29 | 2010-11-03 | 思科技术公司 | 社交协同过滤 |
TW201312489A (zh) * | 2011-09-15 | 2013-03-16 | Tencent Tech Shenzhen Co Ltd | 資訊提供方法和系統 |
CN103258020A (zh) * | 2013-05-02 | 2013-08-21 | 华南师范大学 | 一种结合sns和搜索引擎技术的推荐系统与方法 |
CN105335391A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 基于搜索引擎的搜索请求的处理方法和装置 |
CN105589916A (zh) * | 2016-01-11 | 2016-05-18 | 西华大学 | 显式和隐式兴趣知识的提取方法 |
CN107977373A (zh) * | 2016-10-21 | 2018-05-01 | 北京酷我科技有限公司 | 一种歌曲的推荐方法 |
CN108509467A (zh) * | 2017-05-04 | 2018-09-07 | 宁波数联软件有限公司 | 一种基于用户行为日志的海运报价推荐系统与方法 |
CN108664484A (zh) * | 2017-03-28 | 2018-10-16 | 腾讯科技(北京)有限公司 | 媒体内容推荐方法及装置 |
CN109299994A (zh) * | 2018-07-27 | 2019-02-01 | 北京三快在线科技有限公司 | 推荐方法、装置、设备及可读存储介质 |
CN110309410A (zh) * | 2018-03-15 | 2019-10-08 | 中国移动通信集团有限公司 | 一种资讯推荐方法、平台及计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494978B2 (en) * | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
WO2010068931A1 (en) * | 2008-12-12 | 2010-06-17 | Atigeo Llc | Providing recommendations using information determined for domains of interest |
US20110173176A1 (en) * | 2009-12-16 | 2011-07-14 | International Business Machines Corporation | Automatic Generation of an Interest Network and Tag Filter |
US20140372425A1 (en) * | 2013-06-14 | 2014-12-18 | Microsoft Corporation | Personalized search experience based on understanding fresh web concepts and user interests |
-
2020
- 2020-03-06 CN CN202010153114.5A patent/CN111368202B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101878482A (zh) * | 2007-11-29 | 2010-11-03 | 思科技术公司 | 社交协同过滤 |
TW201312489A (zh) * | 2011-09-15 | 2013-03-16 | Tencent Tech Shenzhen Co Ltd | 資訊提供方法和系統 |
CN103258020A (zh) * | 2013-05-02 | 2013-08-21 | 华南师范大学 | 一种结合sns和搜索引擎技术的推荐系统与方法 |
CN105335391A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 基于搜索引擎的搜索请求的处理方法和装置 |
CN105589916A (zh) * | 2016-01-11 | 2016-05-18 | 西华大学 | 显式和隐式兴趣知识的提取方法 |
CN107977373A (zh) * | 2016-10-21 | 2018-05-01 | 北京酷我科技有限公司 | 一种歌曲的推荐方法 |
CN108664484A (zh) * | 2017-03-28 | 2018-10-16 | 腾讯科技(北京)有限公司 | 媒体内容推荐方法及装置 |
CN108509467A (zh) * | 2017-05-04 | 2018-09-07 | 宁波数联软件有限公司 | 一种基于用户行为日志的海运报价推荐系统与方法 |
CN110309410A (zh) * | 2018-03-15 | 2019-10-08 | 中国移动通信集团有限公司 | 一种资讯推荐方法、平台及计算机可读存储介质 |
CN109299994A (zh) * | 2018-07-27 | 2019-02-01 | 北京三快在线科技有限公司 | 推荐方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
A New Query Recommendation Method Supporting Exploratory Search Based on Search Goal Shift Graphs;Chao Ma等;《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》;第30卷(第11期);全文 * |
一种基于内容挖掘的社会网搜索框架;王文等;《微电子学与计算机》;第31卷(第6期);全文 * |
周晶等.知识图谱与数据应用——智能推荐.《电信科学》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111368202A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10936959B2 (en) | Determining trustworthiness and compatibility of a person | |
US11659050B2 (en) | Discovering signature of electronic social networks | |
US7949643B2 (en) | Method and apparatus for rating user generated content in search results | |
US10025860B2 (en) | Search of sources and targets based on relative expertise of the sources | |
US8965883B2 (en) | Ranking user generated web content | |
US9135291B2 (en) | System and method for determining similarities between online entities | |
US8645393B1 (en) | Ranking clusters and resources in a cluster | |
US9946799B2 (en) | Federated search page construction based on machine learning | |
US8032469B2 (en) | Recommending similar content identified with a neural network | |
US20160132901A1 (en) | Ranking Vendor Data Objects | |
US10311072B2 (en) | System and method for metadata transfer among search entities | |
US20190295106A1 (en) | Ranking Vendor Data Objects | |
KR101088710B1 (ko) | 온라인 커뮤니티 사용자 간 상호작용 기반 온라인 커뮤니티 포스트 검색 방법, 장치 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 | |
US8645394B1 (en) | Ranking clusters and resources in a cluster | |
US20120290552A9 (en) | System and method for search of sources and targets based on relative topicality specialization of the targets | |
US20100125630A1 (en) | Method and Device to Provide Trusted Recommendations of Websites | |
Kim et al. | Topic-Driven SocialRank: Personalized search result ranking by identifying similar, credible users in a social network | |
Cai et al. | Mining influential bloggers: From general to domain specific, from explicit to implicit | |
US11397786B2 (en) | Method and system of personalized blending for content recommendation | |
CN111368202B (zh) | 搜索推荐方法、装置、电子设备及存储介质 | |
CN112925913B (zh) | 用于匹配数据的方法、装置、设备和计算机可读存储介质 | |
US10061817B1 (en) | Social ranking for apps | |
US11113299B2 (en) | System and method for metadata transfer among search entities | |
Zhou et al. | Trust-aware collaborative filtering recommendation in reputation level | |
Ganu et al. | Personalizing forum search using multidimensional random walks |
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 |