CN111488138B - 一种基于贝叶斯算法和余弦算法的b2b推荐引擎 - Google Patents

一种基于贝叶斯算法和余弦算法的b2b推荐引擎 Download PDF

Info

Publication number
CN111488138B
CN111488138B CN202010276894.2A CN202010276894A CN111488138B CN 111488138 B CN111488138 B CN 111488138B CN 202010276894 A CN202010276894 A CN 202010276894A CN 111488138 B CN111488138 B CN 111488138B
Authority
CN
China
Prior art keywords
user
data
recommendation
content
algorithm
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
CN202010276894.2A
Other languages
English (en)
Other versions
CN111488138A (zh
Inventor
吕杨林
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.)
Hangzhou Shunteng Network Technology Co ltd
Original Assignee
Hangzhou Shunteng Network Technology Co ltd
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 Hangzhou Shunteng Network Technology Co ltd filed Critical Hangzhou Shunteng Network Technology Co ltd
Priority to CN202010276894.2A priority Critical patent/CN111488138B/zh
Publication of CN111488138A publication Critical patent/CN111488138A/zh
Application granted granted Critical
Publication of CN111488138B publication Critical patent/CN111488138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • G06F8/22—Procedural
    • 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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及信息技术领域，具体为一种基于贝叶斯算法和余弦算法的B2B推荐引擎，所述利用用户的各种数据通过贝叶斯算法和余弦算法对数据进行挖掘计算，然后针对不同用户推荐不同的数据，所述推荐引擎的模块包括推荐模块和推荐内容整合模块，所述推荐模块包括用户偏好推荐模块、基于用户属性推荐模块和系统内容配置推荐模块，所述推荐内容整合模块包括根据权重因子内容整合模块、Pylons Controller用户推荐Api接口、用户登录并查询接口、Pylons View层展示用户推荐内容。通过贝叶斯算法和余弦算法对数据进行处理，使数据更加准确和符合用户需求，并且加快用户加载推荐内容的速度，同时提高推荐数据的质量，是推荐数据能够更大概率的为用户所用。

Description

一种基于贝叶斯算法和余弦算法的B2B推荐引擎
技术领域
本发明涉及信息技术领域，具体为一种基于贝叶斯算法和余弦算法的B2B推荐引擎。
背景技术
推荐引擎，是主动发现用户当前或潜在需求的定律，并主动推送信息给用户的信息网络，挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象，推荐引擎不是被动查找，而是主动推送，不是独立媒体，而是媒体网络，不是检索机制，而是主动学习。推荐引擎利用基于内容、基于用户行为、基于社交关系网络等多种方法，为用户推荐其喜欢的商品或内容。
但是，传统的推荐引擎在推荐内容时都是系统固定设置，这样会造成用户加载推荐内容时系统加载缓慢，并且推荐内容质量差，缺少指向性，造成用户体验差，因此，本领域技术人员提供了基于贝叶斯算法和余弦算法的B2B推荐引擎，以解决上述背景技术中提出的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于贝叶斯算法和余弦算法的B2B推荐引擎，由以下具体技术手段所达成：
一种基于贝叶斯算法和余弦算法的B2B推荐引擎，一种基于贝叶斯算法和余弦算法的B2B推荐引擎，所述利用用户的各种数据通过贝叶斯算法和余弦算法对数据进行挖掘计算，然后针对不同用户推荐不同的数据，所述推荐引擎的模块包括推荐模块和推荐内容整合模块。
作为优化，所述推荐模块包括用户偏好推荐模块、基于用户属性推荐模块和系统内容配置推荐模块，所述系统根据用户的偏好数据来匹配B2B数据库内的数据并结合系统内部指向性配置的内容来为用户推荐内容，所述用户偏好推荐模块用来储存用户数据，所述基于用户属性推荐模块用来推荐内容。
作为优化，所述推荐内容整合模块包括根据权重因子内容整合模块、PylonsController用户推荐Api接口、用户登录并查询接口、Pylons View层展示用户推荐内容，所述推荐内容整合模块根据推荐模块的推荐数据进行统计，然后通过根据权重因子内容整合模块进入到Pylons Controller用户推荐Api接口，然后在户登录并查询接口通过PylonsView层展示用户推荐内容，所述权重因子内容整合模块用来对数据进行挖掘计算，所述PylonsController用户推荐Api接口用于建立推荐引擎与其它计算机软件之间的相互通信，所述用户登录并查询接口和Pylons View层展示用户推荐内容用来展示根据用户推荐的推荐内容。
作为优化，所述根据权重因子内容整合模块中的算法包括贝叶斯算法和余弦算法，所述贝叶斯算法将所有数据进行分类，所述余弦算法将所有用户喜好数据与系统数据进行相似性计算，然后为用户进行数据推荐。
贝叶斯算法：
1、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性。
2、有类别集合C＝{y1,y2,...,yn}。
3、计算P(y1|x),P(y2|x),...,P(yn|x),。
4、如果P(yk|x)＝max{P(y1|x),P(y2|x),...,P(yn|x)}，则x∈yk。
那么现在的关键就是如何计算第3步中的各个条件概率。我们可以这么做：
1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。
2、统计得到在各类别下各个特征属性的条件概率估计。即
P(a1|y1),P(a2|y2),...,P(am|y2)；P(a1|y1),P(a2|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)。
3、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：
因为分母对于所有类别为常数，因为我们只要将分子最大化皆可，又因为各特征属性是条件独立的，所以有：
第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由计算机对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。
第二阶段——分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。
第三阶段——应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成
余弦算法：
向量a和向量b的夹角的余弦计算如下：
如果向量a和b不是二维而是n维，上述余弦的计算法仍然正确。假定a和b是两个n维向量，a是，b是，则a与b的夹角的余弦等于：
余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，夹角等于0，即两个向量相等，这就叫"余弦相似性"。
本发明具备以下有益效果：
该基于贝叶斯算法和余弦算法的B2B推荐引擎，通过贝叶斯算法和余弦算法对数据进行处理，使数据更加准确和符合用户需求，并且加快用户加载推荐内容的速度，同时提高推荐数据的质量，是推荐数据能够更大概率的为用户所用，而不是使推荐数据变成让用户反感的“广告”。
附图说明
图1为本发明推荐引擎原理流程图。
图2为本发明推荐引擎各个模块结构示意图。
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。
请参阅图1-2，一种基于贝叶斯算法和余弦算法的B2B推荐引擎，利用用户的各种数据通过贝叶斯算法和余弦算法对数据进行挖掘计算，然后针对不同用户推荐不同的数据，推荐引擎的模块包括推荐模块和推荐内容整合模块。
推荐模块包括用户偏好推荐模块、基于用户属性推荐模块和系统内容配置推荐模块，系统根据用户的偏好数据来匹配B2B数据库内的数据并结合系统内部指向性配置的内容来为用户推荐内容，用户偏好推荐模块用来储存用户数据，基于用户属性推荐模块用来推荐内容，推荐内容整合模块包括根据权重因子内容整合模块、Pylons Controller用户推荐Api接口、用户登录并查询接口、Pylons View层展示用户推荐内容，推荐内容整合模块根据推荐模块的推荐数据进行统计，然后通过根据权重因子内容整合模块进入到PylonsController用户推荐Api接口，然后在户登录并查询接口通过Pylons View层展示用户推荐内容，权重因子内容整合模块用来对数据进行挖掘计算，Pylons Controller用户推荐Api接口用于建立推荐引擎与其它计算机软件之间的相互通信，用户登录并查询接口和Pylons View层展示用户推荐内容用来展示根据用户推荐的推荐内容，根据权重因子内容整合模块中的算法包括贝叶斯算法和余弦算法，贝叶斯算法将所有数据进行分类，余弦算法将所有用户喜好数据与系统数据进行相似性计算，然后为用户进行数据推荐。
在使用时，首先系统对用户行为数据、用户信息数据和用户浏览喜好数据在用户使用浏览器时进行收集，然后将这些数据和B2B系统数据进行整合，通过贝叶斯算法和余弦算法对数据进行分析计算，然后将匹配用户喜好程度高的数据通过推荐内容整合模块对用户进行推荐，在收集用户行为数据时包括用户在检索时的关键字、用户检索的内容和用户所浏览的内容，在收集用户信息数据时包括用户的性别、用户的年龄和用户在公司的职位，在收集用户浏览喜好数据时包括用户关注的话题、用户发表的话题、用户提问的问题和用户所回答的问题，将所有数据收集完毕之后通过贝叶斯算法对这些收集的数据进行整合分类，然后将这些通过贝叶斯算法：1、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性。
2、有类别集合C＝{y1,y2,...,yn}。
3、计算P(y1|x),P(y2|x),...,P(yn|x),。
4、如果P(yk|x)＝max{P(y1|x),P(y2|x),...,P(yn|x)}，则x∈yk。
在计算第3步中的各个条件概率时，可采取以下步骤：
1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。
2、统计得到在各类别下各个特征属性的条件概率估计。即
P(a1|y1),P(a2|y2),...,P(am|y2)；P(a1|y1),P(a2|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)。
4、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：
因为分母对于所有类别为常数，因为我们只要将分子最大化皆可，又因为各特征属性是条件独立的，所以有：
整合分类的数据通过余弦算法：
向量a和向量b的夹角的余弦计算如下：
如果向量a和b不是二维而是n维，上述余弦的计算法仍然正确。假定a和b是两个n维向量，a是，b是，则a与b的夹角的余弦等于：
与B2B的系统数据进行计算，然后在用户登录并查询接口通过PylonsView层向用户展示推荐内容。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种基于贝叶斯算法和余弦算法的B2B推荐引擎，其特征在于：利用用户的各种数据通过贝叶斯算法和余弦算法对数据进行挖掘计算，然后针对不同用户推荐不同的数据，所述推荐引擎的模块包括推荐模块和推荐内容整合模块；
所述推荐模块包括用户偏好推荐模块、基于用户属性推荐模块和系统内容配置推荐模块，所述系统根据用户的偏好数据来匹配B2B数据库内的数据并结合系统内部指向性配置的内容来为用户推荐内容，所述用户偏好推荐模块用来储存用户数据，所述基于用户属性推荐模块用来推荐内容；
所述推荐内容整合模块包括根据权重因子内容整合模块、Pylons Controller用户推荐Api接口、用户登录并查询接口、Pylons View层展示用户推荐内容，所述推荐内容整合模块根据推荐模块的推荐数据进行统计，然后通过根据权重因子内容整合模块进入到PylonsController用户推荐Api接口，然后在户登录并查询接口通过Pylons View层展示用户推荐内容，所述权重因子内容整合模块用来对数据进行挖掘计算，所述Pylons Controller用户推荐Api接口用于建立推荐引擎与其它计算机软件之间的相互通信，所述用户登录并查询接口和Pylons View层展示用户推荐内容用来展示根据用户推荐的推荐内容；
所述根据权重因子内容整合模块中的算法包括贝叶斯算法和余弦算法，所述贝叶斯算法将所有数据进行分类，所述余弦算法将所有用户喜好数据与系统数据进行相似性计算，然后为用户进行数据推荐；
在使用时，首先系统对用户行为数据、用户信息数据和用户浏览喜好数据在用户使用浏览器时进行收集，然后将这些数据和B2B系统数据进行整合，通过贝叶斯算法和余弦算法对数据进行分析计算，然后将匹配用户喜好程度高的数据通过推荐内容整合模块对用户进行推荐，在收集用户行为数据时包括用户在检索时的关键字、用户检索的内容和用户所浏览的内容，在收集用户信息数据时包括用户的性别、用户的年龄和用户在公司的职位，在收集用户浏览喜好数据时包括用户关注的话题、用户发表的话题、用户提问的问题和用户所回答的问题，将所有数据收集完毕之后通过贝叶斯算法对这些收集的数据进行整合分类，然后将这些通过贝叶斯算法：一、设为一个待分类项，而每个a为x的一个特征属性；
二、有类别集合；
三、计算；
四、如果，则/>；
在计算第3步中的各个条件概率时，可采取以下步骤：
一、找到一个已知分类的待分类项集合，这个集合叫做训练样本集；
二、统计得到在各类别下各个特征属性的条件概率估计；即
；
三、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：
，
因为分母对于所有类别为常数，因为我们只要将分子最大化皆可，又因为各特征属性是条件独立的，所以有：整合分类的数据通过余弦算法：
向量a和向量b的夹角 的余弦计算如下：
，
如果向量a和b不是二维而是n维，上述余弦的计算法仍然正确，假定a和b是两个n维向量，a是 ，b是 ，则a与b的夹角的余弦等于：
，
与B2B的系统数据进行计算，然后在用户登录并查询接口通过Pylons View层向用户展示推荐内容。
CN202010276894.2A 2020-04-10 2020-04-10 一种基于贝叶斯算法和余弦算法的b2b推荐引擎 Active CN111488138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010276894.2A CN111488138B (zh) 2020-04-10 2020-04-10 一种基于贝叶斯算法和余弦算法的b2b推荐引擎

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276894.2A CN111488138B (zh) 2020-04-10 2020-04-10 一种基于贝叶斯算法和余弦算法的b2b推荐引擎

Publications (2)

Publication Number Publication Date
CN111488138A CN111488138A (zh) 2020-08-04
CN111488138B true CN111488138B (zh) 2023-08-04

Family

ID=71792537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010276894.2A Active CN111488138B (zh) 2020-04-10 2020-04-10 一种基于贝叶斯算法和余弦算法的b2b推荐引擎

Country Status (1)

Country Link
CN (1) CN111488138B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013032199A1 (ko) * 2011-08-26 2013-03-07 주식회사 네오위즈인터넷 높은 연관성을 가지는 아이템을 추천하는 사용자 기반의 추천 엔진
CN103218407A (zh) * 2013-03-22 2013-07-24 南京信通科技有限责任公司 一种基于兴趣图谱的推荐引擎
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN106600369A (zh) * 2016-12-09 2017-04-26 广东奡风科技股份有限公司 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统
CN110619552A (zh) * 2018-06-19 2019-12-27 航天信息股份有限公司 会员购物数据挖掘算法综合引擎

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8255263B2 (en) * 2002-09-23 2012-08-28 General Motors Llc Bayesian product recommendation engine
US20050246307A1 (en) * 2004-03-26 2005-11-03 Datamat Systems Research, Inc. Computerized modeling method and a computer program product employing a hybrid Bayesian decision tree for classification
CN106250526A (zh) * 2016-08-05 2016-12-21 浪潮电子信息产业股份有限公司 一种基于内容及用户行为的文本类推荐方法和装置
CN106777051A (zh) * 2016-12-09 2017-05-31 重庆邮电大学 一种基于用户组的多反馈协同过滤推荐方法
CN107562818B (zh) * 2017-08-16 2020-01-24 中国工商银行股份有限公司 信息推荐系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013032199A1 (ko) * 2011-08-26 2013-03-07 주식회사 네오위즈인터넷 높은 연관성을 가지는 아이템을 추천하는 사용자 기반의 추천 엔진
CN103218407A (zh) * 2013-03-22 2013-07-24 南京信通科技有限责任公司 一种基于兴趣图谱的推荐引擎
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN106600369A (zh) * 2016-12-09 2017-04-26 广东奡风科技股份有限公司 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法
CN110619552A (zh) * 2018-06-19 2019-12-27 航天信息股份有限公司 会员购物数据挖掘算法综合引擎
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统

Also Published As

Publication number Publication date
CN111488138A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
Chu et al. A hybrid recommendation system considering visual information for predicting favorite restaurants
CN109543109B (zh) 一种融合时间窗技术和评分预测模型的推荐算法
CN102799591B (zh) 一种提供推荐词的方法及装置
CN101996191B (zh) 一种二维跨媒体元搜索方法和系统
CN106651544B (zh) 最少用户交互的会话式推荐系统
CN109840833B (zh) 贝叶斯协同过滤推荐方法
CN112100512A (zh) 一种基于用户聚类和项目关联分析的协同过滤推荐方法
US10402414B2 (en) Scalable system and method for weighted similarity estimation in massive datasets revealed in a streaming fashion
CN114691973A (zh) 一种推荐方法、推荐网络及相关设备
CN113850649A (zh) 一种基于多平台用户数据的定制化推荐方法及推荐系统
CN112256965A (zh) 一种基于lambdaMart的神经协同过滤模型推荐方法
Ma et al. Research on diversity and accuracy of the recommendation system based on multi-objective optimization
CN112380451A (zh) 一种基于大数据的喜好内容推荐方法
CN110851701B (zh) 一种基于用户上下文耦合相似度的概率矩阵分解推荐方法
CN111651678A (zh) 一种基于知识图谱的个性化推荐方法
CN113343077A (zh) 一种融合用户兴趣时序波动的个性化推荐方法及系统
Raghavendra et al. Similarity based collaborative filtering model for movie recommendation systems
CN104063555B (zh) 面向遥感信息智能分发的用户模型建模方法
Zhou et al. LsRec: Large-scale social recommendation with online update
CN111488138B (zh) 一种基于贝叶斯算法和余弦算法的b2b推荐引擎
CN110825965A (zh) 一种基于信任机制和时间加权的改进协同过滤推荐方法
Zhao et al. Folkrank++: an optimization of Folkrank tag recommendation algorithm integrating user and item information
CN109710853B (zh) 一种人工智能分类匹配方法及系统
Zafar Ali Khan et al. Hybrid collaborative fusion based product recommendation exploiting sentiments from implicit and explicit reviews
Sandhu et al. Modified Euclidean-Canberra blend distance metric for kNN classifier

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