CN111460316A - 一种面向知识系统的个性化推荐方法及计算机存储介质 - Google Patents

一种面向知识系统的个性化推荐方法及计算机存储介质 Download PDF

Info

Publication number
CN111460316A
CN111460316A CN202010199818.6A CN202010199818A CN111460316A CN 111460316 A CN111460316 A CN 111460316A CN 202010199818 A CN202010199818 A CN 202010199818A CN 111460316 A CN111460316 A CN 111460316A
Authority
CN
China
Prior art keywords
matrix
user
item
predicted
representing
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
CN202010199818.6A
Other languages
English (en)
Other versions
CN111460316B (zh
Inventor
徐小龙
孙逍
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010199818.6A priority Critical patent/CN111460316B/zh
Publication of CN111460316A publication Critical patent/CN111460316A/zh
Application granted granted Critical
Publication of CN111460316B publication Critical patent/CN111460316B/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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种面向知识系统的个性化推荐方法及计算机存储介质，首先建立初始评分矩阵，抽取数据源中的评分数据信息，并建立二维矩阵，对于二维矩阵中缺失的元素值以0进行填充；然后，基于项目的协同过滤算法对初始评分矩阵进行训练，并重新定义初始矩阵中的0元素，以此形成新矩阵A；利用矩阵分解算法对初始评分矩阵进行训练，并用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵B；最后，对比A、B矩阵中的对应元素值，将数值不同的元素进行清零，得到矩阵C并对矩阵C进行重复训练，并采用加权和的方式确定最终预测值。本发明应用在知识系统中，能够取得比较好的推荐效果，较好地缓解了知识过载的问题。

Description

一种面向知识系统的个性化推荐方法及计算机存储介质
技术领域
本发明属于数据挖掘领域，具体涉及一种面向知识系统的个性化推荐方法及计算机存储介质。
背景技术
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。
解决信息超载问题一个非常有潜力的办法是利用推荐系统，推荐系统在电子商务网站的应用最为广泛，是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。
基于用户评分的个性化知识推荐，此类问题无法用常规的推荐算法思路进行推荐。假设我们在特定应用程序中有m个不同的用户和n个不同的项目(例如，在电子商务应用程序中，我们有n个不同的潜在的客户想要购买m个不同的商业项目)，我们的问题是要根据该用户i的偏好给出项目j(j为用户i未经评分的项目)一个分值k(i∈[1，…，m]；j∈[1，…，n]；k∈[1，…，K])。以此来判断用户i对于未知项目的喜爱程度，从而做出相应的推送服务。而这也就是我们这里所说的基于用户评分的个性化推荐问题。所以对于一部分的推荐问题就转变为了评分预测的问题。然而现在的问题是，对于此类问题，往往因为数据稀疏性的原因，大部分方法无法做到一个有效的预测，结果都不够精确。
主流的基于用户评分的推荐算法主要有：平均值方法，主要包括全局平均值，用户评分平均值和物品评分平均值。这种方法最简单也最易实现，但结果往往并不理想。协同过滤推荐算法，采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度。但是很难提供令用户信服的推荐解释。矩阵分解方法通常采用梯度下降法不断拟合预测数值，以此找到最有力的数据作为预测结果。但是该方法往往计算复杂度很高，并且容易被离散程度较高的数据误导，从而出现过拟合的情况。
发明内容
发明目的：本发明提供一种面向知识系统的个性化推荐方法，能提高推荐结果的准确性，一定程度上缓解了知识过载所带来的问题。
技术方案：本发明所述的一种面向知识系统的个性化推荐方法，其特征在于，包括以下步骤：
(1)建立初始评分矩阵，抽取数据源中的评分数据信息，并建立二维矩阵，对于二维矩阵中的缺失的元素值以0进行填充；
(2)基于项目的协同过滤算法计算项目与项目间的相似度及用户u对待预测项目i的最终评分，对初始评分矩阵进行训练，并用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵A；
(3)利用矩阵分解算法计算用户u对待预测项目i的最终评分，并对初始评分矩阵进行训练，用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵B；
(4)对比A、B矩阵中的对应元素值，将数值不同的元素进行清零，得到矩阵C；重新利用基于项目的协同过滤算法与矩阵分解算法对矩阵C进行训练，并采用加权和的方式确定最终预测值；
(5)根据最终预测值，分别将评分较高的知识项目推送给对应用户。
进一步地，步骤(1)所述的二维矩阵是用户与项目之间的二维矩阵，元素值为评分信息。
进一步地，步骤(2)所述的项目与项目之间的相似性通过以下公式实现：
Figure BDA0002418980220000021
其中，sim(i,j)代表项目i与项目j之间的相似度，U是所有用户的集合，u代表其中一个用户，i、j代表两个项目的编号，Ru,i表示用户u对项目i的评分，Ru,j表示用户u对项目j的评分，
Figure BDA0002418980220000022
表示当前用户u进行过评分的平均值；两个项目的相似度大于0.3时则表示其为相似。
进一步地，步骤(2)中用户u对待预测项目i的最终评分通过以下公式实现：
Figure BDA0002418980220000031
其中，Pu,i代表用户u对项目i的最终预测值，u代表一个用户，i代表用户u的待预测项目，N代表项目i的所有相似项目集合，si,n代表项目i与项目n之间的相似性，Ru,n代表用户u对项目n的评分。
进一步地，步骤(3)所述的训练结果通过以下公式实现：
Figure BDA0002418980220000032
其中，SSE代表整个训练的误差平方和，u代表一个用户，i代表用户u待预测项目，rui代表用户u对项目i的实际值，puk代表P矩阵的第u行第k列的元素，qki代表Q矩阵的第k行第i列的元素，eui代表用户u对项目i的准确评分与预测评分的差值。
进一步地，步骤(3)中用户u对待预测项目i的最终评分通过以下公式实现：
svui＝pukqki
其中，svui是矩阵分解方法所得到的用户u对项目i的预测数据，puk代表P矩阵的第u行第k列的元素，qki代表Q矩阵的第k行第i列的元素。
进一步地，步骤(4)中采用加权值的方式来权衡出入较大的预测值：
vui＝α·svui+β·cvui
其中，vui代表用户u对项目i的最终预测值，svui是矩阵分解方法所得到的预测数据，cvui是基于项目的协同过滤算法所得到的预测数据，α、β是两个常数，取值范围[0,1]，且α+β＝1。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被计算机处理器执行时实现上述任一项所述的方法。
有益效果：1、本发明可以有效解决用户评分矩阵的稀疏性问题，通过基于项目的协同过滤算法与矩阵分解方法重复训练用户评分矩阵，并不断调整中间结果来纠正训练方向，以达到精准预测的目的；
2、本发明考虑到不同的用户具有不同的评分方案的事实，为了消除这种评分特点的差异，我们从每个用户对相关项目的评分中减去每个用户的平均评分来避免相似用户偏好影响数值预测；
3、本发明融合两种算法的优势，充分利用协同过滤方法对于稀疏矩阵的处理效果，同时利用矩阵分解的方法提高准确性；对于评测值不同的数值通过对比机制进行重新评测；最终对于仍存疑的数据采用加权和的方式进行处理。
附图说明
图1是本发明实施例的整体流程图；
图2是本实施例的架构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
知识的载体形式有很多，比如书籍、文献等都可以作为我们的推荐项目，我们这里主要是以基于用户评分的书籍数据为例，每一本书籍代表一个项目。根据图2的方案架构图，可以看到一种面向知识系统的个性化推荐方法主要包括这几个部分：数据提取，生成矩阵，通过基于项目的协同过滤算法进行训练，通过矩阵分解算法进行训练，对比机制，重复训练，产生预测结果。我们首先根据用户与项目之间的评分对应关系，建立关系矩阵；然后将建立好的关系矩阵分别通过基于项目的协同过滤算法和矩阵分解算法进行训练预测；接着将预测的结果送入对比机制，进行二次训练。将存疑的预测结果经过上述步骤重新训练后，得出最终的预测结果。如图1所示，具体包括以下步骤：
步骤1，建立初始评分矩阵，抽取数据源中的评分数据信息，并建立二维矩阵，对于二维矩阵中的缺失的元素值以0进行填充。二维矩阵是一个关于用户与项目之间的二维矩阵，元素值为评分信息。
步骤2，基于项目的协同过滤算法计算项目与项目间的相似度及用户u对待预测项目i的最终评分，对初始评分矩阵进行训练，并用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵A。
假定输入文件中共包含三个条目：user ID，item ID和rating。首先使用输入文件中的数据来创建一个二维矩阵。其次将用户平均值的计算结果保存下来以备后续使用。接下来便是通过使用余弦相似度来计算项目之间的相似度，采用如下相似性度量方案：
Figure BDA0002418980220000051
其中，sim(i,j)代表项目i与项目j之间的相似度，U是所有用户的集合，u代表其中一个用户，i、j代表两个项目的编号，Ru,i表示用户u对项目i的评分，Ru,j表示用户u对项目j的评分，
Figure BDA0002418980220000052
表示当前用户u进行过评分的平均值。
这种相似性度量是基于矢量的相似性的一种修改形式，考虑到不同的用户具有不同的评分方案的事实。换句话说，有些用户可能总体上对商品评分很高，而另一些用户可能会对商品评分较低。为了消除基于向量的相似性的缺点，从每个用户对相关项目的评分中减去每个用户的平均评分，以此来保证不让用户的评分特性来影响项目的相似性偏好。
一旦使用上述相似性度量之一来建立模型，就可以使用加权和的概念来预测任何用户项对的评级。首先，提取与目标项目相似的所有项目，然后从那些相似的项目中选择活动用户已评分的项目。通过与目标项目之间的相似性来加权用户对这些项目的评价。最后，通过相似度的总和来对预测进行缩放，以获取合理的预测等级值：
Figure BDA0002418980220000053
其中，Pu,i代表用户u对项目i的最终预测值，u代表一个用户，i代表用户u的待预测项目，N代表项目i的所有相似项目集合，si,n代表项目i与项目n之间的相似性，Ru,n代表用户u对项目n的评分。
这里使用的是调整后的余弦相似度来计算项目之间的相似度。相似度阈值的设置也极其重要，将直接影响到后续算法的相似性度量。我们这里将其设为0.3。这意味着，调整后余弦相似度大于或等于0.3的项是相似的。因此，使用HashMap数据结构来存储项和类似项的列表，这样在进行预测时，可以在时间复杂度O(1)的情况下检索到相似项的列表。对于预测计算的最后一步，使用加权和技术。在这种技术中，计算用户对与项目类似的项目的评分，该项目的值将被预测。预测值四舍五入为最接近的整数。如果此值小于或等于0，则“额定值”设置为1。如果四舍五入预测值大于5，则将额定值设置为5。此外，有一些项目与数据集中的任何项目都不相似，则用户对此类项目的评分将会被设置为1。
步骤3，利用矩阵分解算法计算用户u对待预测项目i的最终评分，并对初始评分矩阵进行训练，用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵B。
首先将数据集表示为一个矩阵R，其中用户是行，项目是列，各个条目是特定等级。而其中的空白区域也就是我们所需要预测的。对于任意一个矩阵A,都可以得到它的满秩分解。所以对于评分矩阵R，我们也可以将其表示为两个矩阵P和Q的乘积：
Rm×n＝Pm×kQk×n
其中，m表示用户数，n表示项目数，k为一个常数。
然后就是利用R中的已知评分训练P和Q使得P和Q相乘的结果最好地拟合已知的评分，那么未知的评分也就可以用P的某一行乘上Q的某一列得到了。
用户u对商品i的预测评分等于P矩阵的第u行乘上Q矩阵的第i列。这个是最基本的矩阵分解算法，如何通过已知评分训练得到P和Q的具体数值，用如下公式来表示准确值预测值之间的误差：
Figure BDA0002418980220000061
其中，eui代表用户u对项目i的准确评分与预测评分的差值，
Figure BDA0002418980220000062
代表用户u对项目i的预测值，rui代表用户u对项目i的实际值。
用户u对待预测项目i的最终评分通过以下公式实现：
svui＝pukqki
其中，svui是矩阵分解方法所得到的用户u对项目i的预测数据，puk代表P矩阵的第u行第k列的元素，qki代表Q矩阵的第k行第i列的元素。
整个训练结果的误差平方和为：
Figure BDA0002418980220000063
其中，SSE代表整个训练的误差平方和，eui代表用户u对项目i的准确评分与预测评分的差值，u代表一个用户，i代表用户u待预测项目，rui代表用户u对项目i的实际值，puk代表P矩阵的第u行第k列的元素，qki代表Q矩阵的第k行第i列的元素。
所以，当我们在训练过程中，能让SSE降到尽可能小，那么算法所取得效果也就最好。然而实际生活中，我们的训练是针对已知评分数据的，过分地拟合这部分数据有可能导致模型的测试效果很差，在测试集上面表现很糟糕。所以为了避免过拟合，我们在目标函数中加入惩罚项。
Figure BDA0002418980220000071
其中，SSE代表整个训练的误差平方和，eui代表用户u对项目i的准确评分与预测评分的差值，u代表一个用户，i代表用户u待预测项目，λ代表惩罚因子，pu代表矩阵P的第u行元素，qi代表矩阵Q的第i列元素。
步骤4，对比A、B矩阵中的对应元素值，将数值不同的元素进行清零，得到矩阵C。重新利用基于项目的协同过滤算法与矩阵分解算法对矩阵C进行训练，并采用加权和的方式确定最终预测值。
首先通过比对机制将结果中存在较大的误差的选项进行回炉进行重新再预测。对于用户u对项目i的预测结果，假设协同过滤算法的预测结果为a，矩阵分解方法的预测结果为b。如果a与b的差值大于1，则将该预测值视为无效，需要重新进行预测；如果两者之间的差值小于1，则会将其视为有效，并取其平均值存入数据库，作为下一轮预测的新数据。
从数据库中重新提取数值生成一个新的二维矩阵。将新的二维矩阵重新经过协同过滤算法与矩阵分解方法进行训练预测。因为这个时候已经将原始空白区域的大部分数据进行了填充，再预测只是针对尚未确定的数值，所以在这种情况下，出入值将会得到一个比较好的改善效果。而对于再次训练之后仍有较大出入的数值，将采用如下加权值的方式来权衡。
vui＝α·svui+β·cvui
其中，vui代表用户u对项目i的最终预测值，svui是矩阵分解算法所得到的预测数据，cvui是基于项目的协同过滤算法所得到的预测数据，α、β是两个常数，取值范围[0,1]，且α+β＝1。
步骤5，经过上述流程后，根据最终预测值，分别将评分较高的知识项目推送给对应用户。根据已获知的用户的数据信息进行选取，选取预测用户评分较高的top-n个项目进行推送。
本发明实施例如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实例不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (8)

1.一种面向知识系统的个性化推荐方法，其特征在于，包括以下步骤：
(1)建立初始评分矩阵，抽取数据源中的评分数据信息，并建立二维矩阵，对于二维矩阵中的缺失的元素值以0进行填充；
(2)基于项目的协同过滤算法计算项目与项目间的相似度及用户u对待预测项目i的最终评分，对初始评分矩阵进行训练，并用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵A；
(3)利用矩阵分解算法计算用户u对待预测项目i的最终评分，并对初始评分矩阵进行训练，用训练结果重新定义初始矩阵中的0元素，以此形成新矩阵B；
(4)对比A、B矩阵中的对应元素值，将数值不同的元素进行清零，得到矩阵C；重新利用基于项目的协同过滤算法与矩阵分解算法对矩阵C进行训练，并采用加权和的方式确定最终预测值；
(5)根据最终预测值，分别将评分较高的知识项目推送给对应用户。
2.根据权利要求1所述的一种面向个性化知识推荐方法，其特征在于，步骤(1)所述的二维矩阵是用户与项目之间的二维矩阵，元素值为评分信息。
3.根据权利要求1所述的一种面向知识系统的个性化推荐方法，其特征在于，步骤(2)所述的项目与项目之间的相似性通过以下公式实现：
Figure FDA0002418980210000011
其中，sim(i,j)代表项目i与项目j之间的相似度，U是所有用户的集合，u代表其中一个用户，i、j代表两个项目的编号，Ru,i表示用户u对项目i的评分，Ru,j表示用户u对项目j的评分，
Figure FDA0002418980210000012
表示当前用户u进行过评分的平均值；两个项目的相似度大于0.3时则表示其为相似。
4.根据权利要求1所述的面向知识系统的个性化推荐方法，其特征在于，步骤(2)中用户u对待预测项目i的最终评分通过以下公式实现：
Figure FDA0002418980210000013
其中，Pu,i代表用户u对项目i的最终预测值，u代表一个用户，i代表用户u的待预测项目，N代表项目i的所有相似项目集合，si,n代表项目i与项目n之间的相似性，Ru,n代表用户u对项目n的评分。
5.根据权利要求1所述的面向知识系统的个性化推荐方法，其特征在于，步骤(3)所述的训练结果通过以下公式实现：
Figure FDA0002418980210000021
其中，SSE代表整个训练的误差平方和，u代表一个用户，i代表用户u待预测项目，rui代表用户u对项目i的实际值，puk代表P矩阵的第u行第k列的元素，qki代表Q矩阵的第k行第i列的元素，eui代表用户u对项目i的准确评分与预测评分的差值。
6.根据权利要求1所述的面向知识系统的个性化推荐方法，其特征在于，步骤(3)中用户u对待预测项目i的最终评分通过以下公式实现：
svui＝pukqki
其中，svui是矩阵分解方法所得到的用户u对项目i的预测数据，puk代表P矩阵的第u行第k列的元素，qki代表Q矩阵的第k行第i列的元素。
7.根据权利要求1所述的面向知识系统的个性化推荐方法，其特征在于，步骤(4)中采用加权值的方式来权衡出入较大的预测值：
vui＝α·svui+β·cvui
其中，vui代表用户u对项目i的最终预测值，svui是矩阵分解方法所得到的预测数据，cvui是基于项目的协同过滤算法所得到的预测数据，α、β是两个常数，取值范围[0,1]，且α+β＝1。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序在被计算机处理器执行时实现权利要求1至7任一项所述的方法。
CN202010199818.6A 2020-03-20 2020-03-20 一种面向知识系统的个性化推荐方法及计算机存储介质 Active CN111460316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010199818.6A CN111460316B (zh) 2020-03-20 2020-03-20 一种面向知识系统的个性化推荐方法及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010199818.6A CN111460316B (zh) 2020-03-20 2020-03-20 一种面向知识系统的个性化推荐方法及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111460316A true CN111460316A (zh) 2020-07-28
CN111460316B CN111460316B (zh) 2022-08-26

Family

ID=71682930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010199818.6A Active CN111460316B (zh) 2020-03-20 2020-03-20 一种面向知识系统的个性化推荐方法及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111460316B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931075A (zh) * 2020-10-19 2020-11-13 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、计算机设备及存储介质
CN112036353A (zh) * 2020-09-08 2020-12-04 岭南师范学院 一种基于内存的协同过滤轴承电流损伤故障识别方法
CN112395499A (zh) * 2020-11-03 2021-02-23 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN112508351A (zh) * 2020-11-19 2021-03-16 山东师范大学 攻击环境下的强鲁棒性项目推荐方法、系统、设备及介质
CN112733067A (zh) * 2020-12-22 2021-04-30 上海机器人产业技术研究院有限公司 一种面向机器人目标检测算法的数据集选择方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105282616A (zh) * 2015-11-13 2016-01-27 云南大学 一种组合协同过滤iptv节目推荐方法
CN107563841A (zh) * 2017-08-03 2018-01-09 电子科技大学 一种基于用户评分分解的推荐系统
CN108509573A (zh) * 2018-03-27 2018-09-07 陕西科技大学 基于矩阵分解协同过滤算法的图书推荐方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105282616A (zh) * 2015-11-13 2016-01-27 云南大学 一种组合协同过滤iptv节目推荐方法
CN107563841A (zh) * 2017-08-03 2018-01-09 电子科技大学 一种基于用户评分分解的推荐系统
CN108509573A (zh) * 2018-03-27 2018-09-07 陕西科技大学 基于矩阵分解协同过滤算法的图书推荐方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036353A (zh) * 2020-09-08 2020-12-04 岭南师范学院 一种基于内存的协同过滤轴承电流损伤故障识别方法
CN111931075A (zh) * 2020-10-19 2020-11-13 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、计算机设备及存储介质
CN112395499A (zh) * 2020-11-03 2021-02-23 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN112395499B (zh) * 2020-11-03 2022-08-12 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN112508351A (zh) * 2020-11-19 2021-03-16 山东师范大学 攻击环境下的强鲁棒性项目推荐方法、系统、设备及介质
CN112508351B (zh) * 2020-11-19 2022-12-30 山东师范大学 攻击环境下的强鲁棒性项目推荐方法、系统、设备及介质
CN112733067A (zh) * 2020-12-22 2021-04-30 上海机器人产业技术研究院有限公司 一种面向机器人目标检测算法的数据集选择方法

Also Published As

Publication number Publication date
CN111460316B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN111460316B (zh) 一种面向知识系统的个性化推荐方法及计算机存储介质
Hu et al. Diversifying Personalized Recommendation with User-session Context.
US20210142389A1 (en) Method and System for making Recommendation from Binary Data Using Neighbor-Score Matrix and Latent Factors
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及系统
CN108665311B (zh) 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法
CN106022865A (zh) 一种基于评分和用户行为的商品推荐方法
CA3045736A1 (en) Digital banking platform and architecture
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
EP2960849A1 (en) Method and system for recommending an item to a user
Zheng et al. Deviation-based contextual SLIM recommenders
CN112380449B (zh) 信息推荐方法、模型训练方法及相关装置
CN113158024B (zh) 一种纠正推荐系统流行度偏差的因果推理方法
CN113268656A (zh) 一种用户推荐方法、装置、电子设备及计算机存储介质
CN113222711B (zh) 一种商品信息推荐方法、系统和存储介质
CN110222838B (zh) 文档排序方法、装置、电子设备及存储介质
CN110781401A (zh) 一种基于协同自回归流实现的Top-n项目推荐方法
CN110009432A (zh) 一种个人消费行为预测方法
CN113191838A (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN111127074B (zh) 一种数据推荐方法
CN112256971A (zh) 一种序列推荐方法及计算机可读存储介质
CN112800207A (zh) 一种商品信息推荐方法、装置及存储介质
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN117455687A (zh) 金融产品的推荐方法、装置、存储介质及电子设备
CN115841345B (zh) 跨境大数据智能化分析方法、系统以及存储介质
CN116957691A (zh) 针对电商商家商品的跨平台智能广告投放方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210046

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant