CN111444431A - 一种网页推荐方法及系统 - Google Patents

一种网页推荐方法及系统 Download PDF

Info

Publication number
CN111444431A
CN111444431A CN202010235102.7A CN202010235102A CN111444431A CN 111444431 A CN111444431 A CN 111444431A CN 202010235102 A CN202010235102 A CN 202010235102A CN 111444431 A CN111444431 A CN 111444431A
Authority
CN
China
Prior art keywords
webpage
profit
calculating
recommending
user
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
Application number
CN202010235102.7A
Other languages
English (en)
Other versions
CN111444431B (zh
Inventor
宿红毅
赵赫
闫波
郑宏
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010235102.7A priority Critical patent/CN111444431B/zh
Publication of CN111444431A publication Critical patent/CN111444431A/zh
Application granted granted Critical
Publication of CN111444431B publication Critical patent/CN111444431B/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

Abstract

本发明涉及一种网页推荐方法及系统。该方法包括：根据q学习建立q_table；根据q_table采取一个动作给用户推荐一个网页；计算推荐网页之前的收益；计算推荐网页之后的收益；计算即时收益；判断所述即时收益是否为零；若是，则给用户推荐这个网页；若否，更新q_table，根据更新后的q_table采取一个动作，重新给用户推荐一个网页。本发明根据即时收益来更新q_table中的q值，采用当前最大一步化收益给用户推荐网页，使当前推荐的网页更精准。而且把用户分为偏好特定专业领域的用户和偏好广泛领域的用户，网页推荐也更为精准。

Description

一种网页推荐方法及系统
技术领域
本发明涉及网页推荐技术领域，特别是涉及一种基于强化学习的网页个性化推荐方法及系统。
背景技术
随着科学技术的不断发展，机器学习时代的到来，人们已经逐渐从信息匮乏的时代走向了信息过载的时代。在互联网领域，目前的浏览器为了给用户推荐网页，会统计用户的历史浏览记录，将历史浏览记录中浏览次数较多的网页作为用户最可能访问的网页推荐给用户，方便用户从上述网页中直接选择想要浏览的网页。这样相对于用户在地址栏中输入网址或者通过搜索引擎搜索网页的方式，可以大大简化用户对于网页的访问过程，提高用户对于网页的访问效率。
然而此种推荐方案虽然能够在一定程度上预测用户欲要浏览的网页，但由于该方案未考虑到兴趣广泛涉猎各种领域的用户，也未考虑到用户在特定时间段的特定浏览习惯，网页推荐的准确度很低。
因此，如何将不同的网页精准地推荐给不同的用户，是目前亟需解决的问题。
发明内容
本发明的目的是提供一种网页推荐方法及系统，能够将不同的网页精准地推荐给不同用户。
为实现上述目的，本发明提供了如下方案：
一种网页推荐方法，包括：
利用强化学习中的q学习建立q_table；所述q_table的行代表状态，所述q_table的列代表动作，所述q_table的列数为候选推荐网页的数量，所述q_table的q值为在所述状态下采取动作时获得的最大预期奖励；
根据所述q_table采取一个动作向用户推荐一个网页；
计算推荐所述网页之前的收益；具体包括：利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之前的第一收益；利用中介中心度计算偏好广泛领域用户采用推荐所述网页之前的第二收益；根据所述第一收益和所述第二收益计算所述推荐所述网页之前的收益；
计算推荐所述网页之后的收益；
根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益；
判断所述即时收益是否为零；
若是，则给用户推荐所述网页；
若否，则根据所述即时收益和所述q_table中的q值更新q_table，然后返回根据所述q_table采取一个动作向用户推荐一个网页的步骤。
可选的，所述根据所述q_table采取一个动作向用户推荐一个网页，具体包括：
获取所述q_table采取一个动作之前产生的随机值；
判断所述随机值是否大于等于设定阈值；
若是，则向用户推荐所述q_table中q值最大值时动作所对应的网页；
若否，则随机给用户推荐网页。
可选的，所述利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之前的第一收益，具体包括:
根据公式
Figure BDA0002430695060000021
计算偏好特定专业领域用户采用推荐所述网页之前的第一收益；
其中，bou为第一收益；
Figure BDA0002430695060000022
为抽象图中第s节点的邻居节点的集合，抽象图为所述网页及所述网页之间的链接抽象成的图，所述抽象图包括节点和连边；pru为第s节点和第u节点之间的链接分数，
Figure BDA0002430695060000031
ω为重启概率，ru为从不同节点游走的概率，若从第s节点开始游走，又回到了第s节点，则ru＝1，否则ru＝0，
Figure BDA0002430695060000032
为从所有节点预期回报的向量，
Figure BDA0002430695060000033
为第u节点的邻接矩阵中的列向量，|N(u)|为第u节点的邻居节点的数量。
可选的，所述利用中介中心度计算偏好广泛领域用户采用推荐所述网页之前的第二收益，具体包括：
根据公式
Figure BDA0002430695060000034
计算偏好广泛领域用户采用推荐所述网页之前的第二收益；
其中，CB(u)为第二收益；v表示抽象图中的节点；s、u和t为所述抽象图中三个不同节点；σst为第s节点和第t节点之间最短路径的数量；σst(u)为所述最短路径中经过第u节点的数量。
可选的，所述根据所述第一收益和所述第二收益计算所述推荐所述网页之前的收益，具体包括：
根据公式R0＝βbou+(1-β)CB(u)计算所述推荐所述网页之前的收益；
其中，R0为所述推荐所述网页之前的收益，β为用户对专业领域的偏好程度。
可选的，所述计算推荐所述网页之后的收益，具体包括：
利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之后的第三收益；
利用中介中心度计算偏好广泛领域用户采用推荐所述网页之后的第四收益；
根据所述第三收益和所述第四收益计算所述推荐所述网页之后的收益。
可选的，所述根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益，具体包括：
根据公式R＝R1-R0计算即时收益；
其中，R为即时收益；R0为所述推荐所述网页之前的收益；R1为所述推荐所述网页之后的收益。
可选的，所述根据所述即时收益和所述q_table的q值更新q_table，具体包括：
根据公式q＝(1-α)qn-1+α(R+γqmax)更新q_table；
其中，α为学习因子，qn-1为q_table中的原始值，γ为折扣因子，qmax为q_table中q值的最大值。
一种网页推荐系统，所述系统包括：
q_table建立模块，用于利用强化学习中的q学习建立q_table；
网页推荐模块，用于根据所述q_table采取一个动作向用户推荐一个网页；
第一收益计算模块，用于利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之前的第一收益；
第二收益计算模块，用于利用中介中心度计算偏好广泛领域用户采用推荐所述网页之前的第二收益；
推荐之前收益计算模块，用于根据所述第一收益和所述第二收益计算所述推荐所述网页之前的收益；
推荐之后收益计算模块，用于计算推荐所述网页之后的收益；
即时收益计算模块，用于根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益；
判断模块，用于判断所述即时收益是否为零；
推荐模块，用于当所述即时收益为零时给用户推荐所述网页；
更新模块，用于当所述即时收益不为零时，根据所述即时收益和所述q_table中的q值更新q_table，并返回网页推荐模块。
可选的，所述推荐之后收益计算模块包括第三收益计算单元、第四收益计算单元和收益计算单元，其中：
所述第三收益计算单元用于利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之后的第三收益；
所述第四收益计算单元用于利用中介中心度计算偏好广泛领域用户采用推荐所述网页之后的第四收益；
所述收益计算单元用于根据所述第三收益和所述第四收益计算所述推荐所述网页之后的收益。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明根据q学习建立q_table；根据q_table采取一个动作给用户推荐一个网页；根据偏好特定专业领域用户的收益和偏好广泛领域用户的收益计算推荐所述网页之前的收益；计算推荐所述网页之后的收益；根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益；判断所述即时收益是否为零；若是，则给用户推荐所述网页；若否，则根据所述即时收益和所述q_table中的q值更新q_table，根据更新后的q_table采取一个动作，重新给用户推荐一个网页。本发明中根据推荐网页之前的收益和推荐网页之后的收益计算出的即时收益来更新q_table中的q值，只考虑了最大化一步收益，采用当前最大收益给用户推荐网页，使当前推荐的网页更精准。而且把用户分为偏好特定专业领域的用户和偏好广泛领域的用户，收益计算更为准确，网页推荐也更为精准。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，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网页推荐方法的流程图；
图2为本发明实施例提供的网页推荐系统的结构框图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种网页推荐方法及系统，能够将不同的网页精准地推荐给不同用户。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种网页推荐方法包括以下步骤：
步骤101：利用强化学习中的q学习建立q_table。本发明中将浏览器看作是代理人基模型中的代理人，使用强化学习来提升推荐网页的精准度。q学习建立的q_table的行代表状态，q_table的列代表动作，q_table的列数为候选推荐网页的数量，q_table的q值为在对应状态下采取动作时获得的最大预期奖励。
步骤102：根据q_table采取一个动作向用户推荐一个网页。具体为：获取q_table采取一个动作之前产生的随机值；然后判述随机值是否大于等于设定阈值；若是，则向用户推荐q_table中q值最大值时动作所对应的网页；若否，则随机给用户推荐网页。在本发明中阈值可设为0.7。
步骤103：计算推荐网页之前的收益。具体为：
将推荐的网页及其之间的链接抽象成图，抽象图包括节点和连边。然后把推荐网页的用户分为偏好特定专业领域的用户和偏好广泛领域的用户。其中偏好特定专业领域的用户只在特定专业领域浏览网页的信息可以看作是一种强关系，强关系所带来的收益可以通过个性化网页排名来计算。具体根据公式
Figure BDA0002430695060000061
来计算。其中，bou为偏好特定专业领域用户采用推荐网页之前的收益，
Figure BDA0002430695060000071
为抽象图中第s节点的邻居节点的集合，pru为第s节点和第u节点之间的链接分数，
Figure BDA0002430695060000072
ω为重启概率，ru为从不同节点游走的概率，若从第s节点开始游走，又回到了第s节点，则ru＝1，否则ru＝0，
Figure BDA0002430695060000073
为从所有节点预期回报的向量，
Figure BDA0002430695060000074
为第u节点的邻接矩阵中的列向量，|N(u)|为第u节点的邻居节点的数量。偏好广泛领域的用户在不同领域浏览网页的信息可以看做是一种弱关系，弱关系所带来的收益可以通过中介中心度来计算。具体根据公式
Figure BDA0002430695060000075
来计算。其中，CB(u)为偏好广泛领域用户采用推荐网页之前的收益，v表示抽象图中的节点，s、u和t为抽象图中三个不同节点，σst为第s节点和第t节点之间最短路径的数量，σst(u)为最短路径中经过第u节点的数量。
最后根据公式R0＝βbou+(1-β)CB(u)计算推荐网页之前的收益。其中R0为推荐网页之前的收益，β为用户对专业领域的偏好程度。
步骤104：计算推荐网页之后的收益。具体为：利用个性化网页排名计算偏好特定专业领域用户采用推荐网页之后的收益；利用中介中心度计算偏好广泛领域用户采用推荐网页之后的收益；根据偏好特定专业领域用户采用推荐网页之后的收益和偏好广泛领域用户采用推荐网页之后的收益计算推荐网页之后的收益。上述计算收益的方法同步骤103。
步骤105：根据推荐网页之前的收益和推荐网页之后的收益计算即时收益。具体根据公式R＝R1-R0计算即时收益。其中，R为即时收益，R1为推荐网页之后的收益。
步骤106：判断即时收益是否为零。具体为：若判断结果为即时收益不为零，则执行步骤107；若判断结果为即时收益为零，则执行步骤108。
步骤107：根据即时收益和q_table中的q值更新q_table。具体根据公式q＝(1-α)qn-1+α(R+γqmax)更新q_table。其中，α为学习因子，qn-1为q_table中的原始值，γ为折扣因子，qmax为q_table中q值的最大值。更新q_table之后返回步骤102。
步骤108：给用户推荐这个页面。
如图2所示，本发明还公开了一种网页推荐系统，系统包括：
q_table建立模块201，用于利用强化学习中的q学习建立q_table。其中q_table的行代表状态，q_table的列代表动作，q_table的列数为候选推荐网页的数量，q_table的q值为在对应状态下采取动作时获得的最大预期奖励。
网页推荐模块202，用于根据q_table采取一个动作向用户推荐一个网页。
其中网页推荐模块202还包括：
获取单元，用于获取q_table采取一个动作之前产生的随机值。
判断单元，用于判断随机值是否大于等于设定阈值。
网页推荐单元，用于当判断结果为随机值大于等于设定阈值时向用户推荐q_table中q值最大值时动作所对应的网页；网页推荐单元还用于当判断结果为随机值小于设定阈值时随机给用户推荐网页。
第一收益计算模块203，用于利用个性化网页排名计算偏好特定专业领域用户采用推荐网页之前的第一收益。
第二收益计算模块204，用于利用中介中心度计算偏好广泛领域用户采用推荐网页之前的第二收益。
推荐之前收益计算模块205，用于根据第一收益和第二收益计算推荐网页之前的收益。
推荐之后收益计算模块206，用于计算推荐网页之后的收益。
其中推荐之后收益计算模块206还包括：
第三收益计算单元，用于利用个性化网页排名计算偏好特定专业领域用户采用推荐网页之后的第三收益。
第四收益计算单元，用于利用中介中心度计算偏好广泛领域用户采用推荐网页之后的第四收益。
收益计算单元，用于根据第三收益和第四收益计算推荐网页之后的收益。
即时收益计算模块207，用于根据推荐网页之前的收益和推荐网页之后的收益计算即时收益。
判断模块208，用于判断即时收益是否为零。
推荐模块209，用于当即时收益为零时给用户推荐网页。
更新模块210，用于当即时收益不为零时，根据即时收益和q_table中的q值更新q_table，并返回网页推荐模块。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明中将推荐网页的用户分为了在偏好特定专业领域的用户和偏好广泛领域的用户，贴近现实生活，使得推荐网页的收益计算更为准确，给用户推荐的网页也就更为精准。
(2)本发明中将浏览器看作是代理人基模型中的代理人，使用强化学习来提升推荐网页的精准度。
(3)本发明中根据推荐网页之前的收益和推荐网页之后的收益计算出的即时收益来更新q_table中的q值，只考虑了最大化一步收益，采用当前最大收益给用户推荐网页，使当前推荐的网页更精准。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种网页推荐方法，其特征在于，包括：
利用强化学习中的q学习建立q_table；所述q_table的行代表状态，所述q_table的列代表动作，所述q_table的列数为候选推荐网页的数量，所述q_table的q值为在所述状态下采取动作时获得的最大预期奖励；
根据所述q_table采取一个动作向用户推荐一个网页；
计算推荐所述网页之前的收益；具体包括：利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之前的第一收益；利用中介中心度计算偏好广泛领域用户采用推荐所述网页之前的第二收益；根据所述第一收益和所述第二收益计算所述推荐所述网页之前的收益；
计算推荐所述网页之后的收益；
根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益；
判断所述即时收益是否为零；
若是，则给用户推荐所述网页；
若否，则根据所述即时收益和所述q_table中的q值更新q_table，然后返回根据所述q_table采取一个动作向用户推荐一个网页的步骤。
2.根据权利要求1所述的一种网页推荐方法，其特征在于，所述根据所述q_table采取一个动作向用户推荐一个网页，具体包括：
获取所述q_table采取一个动作之前产生的随机值；
判断所述随机值是否大于等于设定阈值；
若是，则向用户推荐所述q_table中q值最大值时动作所对应的网页；
若否，则随机给用户推荐网页。
3.根据权利要求1所述的一种网页推荐方法，其特征在于，所述利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之前的第一收益，具体包括:
根据公式
Figure FDA0002430695050000021
计算偏好特定专业领域用户采用推荐所述网页之前的第一收益；
其中，bou为第一收益；
Figure FDA0002430695050000022
为抽象图中第s节点的邻居节点的集合，抽象图为所述网页及所述网页之间的链接抽象成的图，所述抽象图包括节点和连边；pru为第s节点和第u节点之间的链接分数，
Figure FDA0002430695050000023
ω为重启概率，ru为从不同节点游走的概率，若从第s节点开始游走，又回到了第s节点，则ru＝1，否则ru＝0，
Figure FDA0002430695050000024
为从所有节点预期回报的向量，
Figure FDA0002430695050000025
为第u节点的邻接矩阵中的列向量，|N(u)|为第u节点的邻居节点的数量。
4.根据权利要求3所述的一种网页推荐方法，其特征在于，所述利用中介中心度计算偏好广泛领域用户采用推荐所述网页之前的第二收益，具体包括：
根据公式
Figure FDA0002430695050000026
计算偏好广泛领域用户采用推荐所述网页之前的第二收益；
其中，CB(u)为第二收益；v表示抽象图中的节点；s、u和t为所述抽象图中三个不同节点；σst为第s节点和第t节点之间最短路径的数量；σst(u)为所述最短路径中经过第u节点的数量。
5.根据权利要求4所述的一种网页推荐方法，其特征在于，所述根据所述第一收益和所述第二收益计算所述推荐所述网页之前的收益，具体包括：
根据公式R0＝βbou+(1-β)CB(u)计算所述推荐所述网页之前的收益；
其中，R0为所述推荐所述网页之前的收益，β为用户对专业领域的偏好程度。
6.根据权利要求1所述的一种网页推荐方法，其特征在于，所述计算推荐所述网页之后的收益，具体包括：
利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之后的第三收益；
利用中介中心度计算偏好广泛领域用户采用推荐所述网页之后的第四收益；
根据所述第三收益和所述第四收益计算所述推荐所述网页之后的收益。
7.根据权利要求1所述的一种网页推荐方法，其特征在于，所述根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益，具体包括：
根据公式R＝R1-R0计算即时收益；
其中，R为即时收益；R0为所述推荐所述网页之前的收益；R1为所述推荐所述网页之后的收益。
8.根据权利要求7所述的一种网页推荐方法，其特征在于，所述根据所述即时收益和所述q_table的q值更新q_table，具体包括：
根据公式q＝(1-α)qn-1+α(R+γqmax)更新q_table；
其中，α为学习因子，qn-1为q_table中的原始值，γ为折扣因子，qmax为q_table中q值的最大值。
9.一种网页推荐系统，其特征在于，所述系统包括：
q_table建立模块，用于利用强化学习中的q学习建立q_table；
网页推荐模块，用于根据所述q_table采取一个动作向用户推荐一个网页；
第一收益计算模块，用于利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之前的第一收益；
第二收益计算模块，用于利用中介中心度计算偏好广泛领域用户采用推荐所述网页之前的第二收益；
推荐之前收益计算模块，用于根据所述第一收益和所述第二收益计算所述推荐所述网页之前的收益；
推荐之后收益计算模块，用于计算推荐所述网页之后的收益；
即时收益计算模块，用于根据所述推荐所述网页之前的收益和所述推荐所述网页之后的收益计算即时收益；
判断模块，用于判断所述即时收益是否为零；
推荐模块，用于当所述即时收益为零时给用户推荐所述网页；
更新模块，用于当所述即时收益不为零时，根据所述即时收益和所述q_table中的q值更新q_table，并返回网页推荐模块。
10.根据权利要求9所述的一种网页推荐系统，其特征在于，所述推荐之后收益计算模块包括第三收益计算单元、第四收益计算单元和收益计算单元，其中：
所述第三收益计算单元用于利用个性化网页排名计算偏好特定专业领域用户采用推荐所述网页之后的第三收益；
所述第四收益计算单元用于利用中介中心度计算偏好广泛领域用户采用推荐所述网页之后的第四收益；
所述收益计算单元用于根据所述第三收益和所述第四收益计算所述推荐所述网页之后的收益。
CN202010235102.7A 2020-03-30 2020-03-30 一种网页推荐方法及系统 Active CN111444431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010235102.7A CN111444431B (zh) 2020-03-30 2020-03-30 一种网页推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010235102.7A CN111444431B (zh) 2020-03-30 2020-03-30 一种网页推荐方法及系统

Publications (2)

Publication Number Publication Date
CN111444431A true CN111444431A (zh) 2020-07-24
CN111444431B CN111444431B (zh) 2023-06-30

Family

ID=71649329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010235102.7A Active CN111444431B (zh) 2020-03-30 2020-03-30 一种网页推荐方法及系统

Country Status (1)

Country Link
CN (1) CN111444431B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798608A (zh) * 2017-10-19 2018-03-13 深圳市耐飞科技有限公司 一种投资产品组合推荐方法及系统
CN108133426A (zh) * 2017-12-25 2018-06-08 北京理工大学 一种社交网络链路推荐方法及网络演化模型实施设计
US20180342004A1 (en) * 2017-05-25 2018-11-29 Microsoft Technology Licensing, Llc Cumulative success-based recommendations for repeat users
CN110851699A (zh) * 2019-09-16 2020-02-28 中国平安人寿保险股份有限公司 基于深度强化学习的信息流推荐方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342004A1 (en) * 2017-05-25 2018-11-29 Microsoft Technology Licensing, Llc Cumulative success-based recommendations for repeat users
CN107798608A (zh) * 2017-10-19 2018-03-13 深圳市耐飞科技有限公司 一种投资产品组合推荐方法及系统
CN108133426A (zh) * 2017-12-25 2018-06-08 北京理工大学 一种社交网络链路推荐方法及网络演化模型实施设计
CN110851699A (zh) * 2019-09-16 2020-02-28 中国平安人寿保险股份有限公司 基于深度强化学习的信息流推荐方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋爱香，等: "基于强化学习的图书内容推荐策略研究与应用" *

Also Published As

Publication number Publication date
CN111444431B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
US8037066B2 (en) System and method for generating tag cloud in user collaboration websites
JP6511455B2 (ja) ユーザ行動の特徴を抽出して推奨を個人化する方法及びシステム
CA2490594C (en) Building and using subwebs for focused search
US7743047B2 (en) Accounting for behavioral variability in web search
US9141713B1 (en) System and method for associating keywords with a web page
US20130046584A1 (en) Page reporting
CN112632359B (zh) 信息推荐方法、装置、电子设备和存储介质
TWI522822B (zh) 互聯網營銷之優化方法
US20090132517A1 (en) Socially-derived relevance in search engine results
CN102902755A (zh) 一种对检索结果项的排序进行调整的方法及装置
JP2006323629A (ja) ウェブサーバのページ更新のための情報を解析するサーバ、ウェブサーバ及びページ更新方法
Werneck et al. Points of interest recommendations: methods, evaluation, and future directions
Shanshan et al. An improved hybrid ontology-based approach for online learning resource recommendations
Sajeev et al. Effective web personalization system based on time and semantic relatedness
Alhaidari et al. User preference based weighted page ranking algorithm
CN116701791B (zh) 基于人工智能的课程推荐方法及系统
Eirinaki et al. Web site personalization based on link analysis and navigational patterns
JP6761068B2 (ja) 決定装置、決定方法及び決定プログラム
CN117056619A (zh) 确定用户行为特征的方法和装置
CN111444431B (zh) 一种网页推荐方法及系统
CN101639856B (zh) 检测互联网信息传播的网页关联评价装置
CN112561554B (zh) 确定待展示的多媒体资源方法、装置、服务器及存储介质
Movahedian et al. A tag-based recommender system using rule-based collaborative profile enrichment
CN109074365B (zh) 使网络通信路径参数化
CN112785372A (zh) 一种基于语义关系的智能推荐方法

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