CN111488531B - 一种基于协同过滤算法的信息推荐方法、设备及介质 - Google Patents
一种基于协同过滤算法的信息推荐方法、设备及介质 Download PDFInfo
- Publication number
- CN111488531B CN111488531B CN202010182231.4A CN202010182231A CN111488531B CN 111488531 B CN111488531 B CN 111488531B CN 202010182231 A CN202010182231 A CN 202010182231A CN 111488531 B CN111488531 B CN 111488531B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- similarity
- browsed
- information
- 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
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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于协同过滤算法的信息推荐方法、设备及介质,应用在企业管理系统中,方法包括:根据各用户所拥有的属性和/或各用户在组织架构中的位置,得到各用户之间的相似度;根据各用户分别浏览过的信息,以及各用户之间的相似度,构造用户相似度矩阵;根据用户相似度矩阵,确定目标用户未浏览过的信息对应的兴趣程度,并根据兴趣程度向目标用户进行推荐。通过本申请提出的方法,能够准确的为用户提供相应的信息,不仅减少了用户对于时间的浪费,提高用户的工作效率。而且还可以通过用户相似度矩阵来解决稀疏问题,通过用户之间的相似度,在即使用户没有浏览过任何信息的前提下,也可以推荐相关的信息给用户。
Description
技术领域
本申请涉及协同过滤算法,具体涉及一种基于协同过滤算法的信息推荐方法、设备及介质。
背景技术
随着越来越多的企业越做越大,人员结构越来越复杂,企业管理的重要性也就越来越高。
通常情况下,在企业中的用户使用企业管理系统时,企业管理系统可以向用户推荐各式各样的信息,来节省用户的时间,提高工作效率,或者产生相应的效益。
但是现有技术中,不同的用户所感兴趣的信息也不同,因此在系统进行推荐时,难以根据不同的用户推荐相应的信息。而推荐用户不感兴趣的信息,则不仅会降低用户的工作效率,也会降低用户的好感。
发明内容
为了解决上述问题,本申请提出了一种基于协同过滤算法的信息推荐方法,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述方法包括:根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
在一个示例中,所述信息包括使用帮助,所述使用帮助包括通用使用帮助和其他使用帮助,其中,所述其他使用帮助与所述属性相关;根据所述兴趣程度向所述目标用户进行推荐之前,所述方法还包括:确定将要推荐的所述未浏览过的使用帮助为通用使用帮助;降低所述通用使用帮助对应的兴趣程度。
在一个示例中,降低所述通用使用帮助对应的兴趣程度,包括:通过pui(u,i)=p(u,i)+αi对所述通用使用帮助进行惩罚,其中,p(u,i)为用户u对使用帮助i的兴趣程度,pui(u,i)为惩罚后的所述兴趣程度。
在一个示例中,根据各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,包括:在所有用户中选取两个待确定用户;根据所述两个待确定用户在组织架构之间的节点距离,以及在所述组织架构中的最大节点距离,确定所述两个待确定用户之间的相似度,其中,所述组织架构为树形结构。
在一个示例中,根据各所述用户分别浏览过的使用帮助,以及各所述用户之间的相似度,构造用户相似度矩阵,包括:根据各所述用户分别浏览过的使用帮助,构造得分矩阵,其中,所述得分矩阵中的元素与任意两个所述用户所浏览的使用帮助相关;采用余弦相似度,根据所述得分矩阵构造基础相似度矩阵;将各所述用户之间的相似度,加权累计到所述基础相似度矩阵中,得到用户相似度矩阵。
在一个示例中,确定目标用户未浏览过的使用帮助分别对应的兴趣程度,包括:通过p(u,i)=∑u,v∈Usimatt-user(u,v)*rui来确定目标用户未浏览过的使用帮助分别对应的兴趣程度,其中,p(u,i)为用户u对使用帮助i的兴趣程度,U为在用户相似度矩阵中,与目标用户相似度大于0的用户群,rui为用户u对使用帮助i的喜欢程度,simatt-user(u,v)为用户相似度矩阵。
另一方面,本申请实施例还提出了一种基于协同过滤算法的信息推荐设备,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
另一方面,本申请还提出了一种基于协同过滤算法的信息推荐的非易失性计算机存储介质,存储有计算机可执行指令,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述计算机可执行指令设置为:根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
通过本申请提出基于协同过滤算法的信息推荐能够带来如下有益效果:
通过本申请提出的方法,能够准确的为用户提供相应的信息,不仅减少了用户对于时间的浪费,提高用户的工作效率。而且还可以通过用户相似度矩阵来解决稀疏问题,通过用户之间的相似度,在即使用户没有浏览过任何信息的前提下,也可以推荐相关的信息给用户。即使用户的数量增加,只需要计算得到用户相似度矩阵即可完成相应的计算,并且随着用户数量的增加,可以提高最终的计算结果精确程度。随着时间及其他因素的变化,即使用户的属性会发生变化,但是用户相似度矩阵也可以做相应的更改,对最终的计算结果影响并不大。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中基于协同过滤算法的信息推荐方法的流程示意图;
图2为本申请实施例中基于协同过滤算法的信息推荐的设备示意图;
图3为本申请实施例中组织架构的示意图;
图4为本申请实施例中基于协同过滤算法的信息推荐方法的具体流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请实施例提供一种基于协同过滤算法的信息推荐方法,应用在企业管理系统中,所述企业管理系统中包括多个用户。企业管理系统可以用于对企业的一些事务进行管理,其表现形式可以是软件、系统、平台等,可以管理的企业事务可以包括对于企业内部员工、资金、产品等的管理,也可以用于与其他外部企业进行对接等的管理,在此不做限定。
如图1和图4所示,方法包括:
S101、根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关。
可以根据各个用户所拥有的属性计算得到各用户之间的相似度。这里各用户拥有的属性指的是,用户在系统中进行注册后,系统会根据该用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种来为该用户生成对应的属性。由于不同的用户都拥有自己对应的属性,而具有的相同属性越多,也就说明这两个用户之间相似度越高。
其中,所属单位指用户所在的单位。该单位可以是在企业内部的不同单位,即每个企业内部拥有多个单位。当然,在企业管理系统中包括多个企业时,该单位也可以指代企业,即用户所在的企业。在此不对单位具体所对应的范围,以及内部所包括的机构等进行限定。
所属部门指用户所在的部门。通常情况下,部门为单位的下级机构,在一个单位中,可以拥有一个或者多个下属的部门。部门的划分可以根据职责职责,例如,采购部、财务部、人资部等,也可以根据顺序来划分,例如,一部、二部等,在此不对部门如何划分做限制。
所属岗位指用户所对应的岗位,岗位通常与用户所在的单位、部门有关,同一个部门中,可能存在一个岗位,也可以存在多个岗位。而不同的单位、部门中,也可以存在着相同的岗位。例如,在不同的部门中,可以分别包括不同的岗位,在采购部中可以包括采购岗位、统计岗位,而在人资部中包括人事管理岗位、面试官岗位等。当然,也可以包括相同的岗位,例如,可以包括助理岗位等多个部门都拥有的岗位,在此不做限定。
对应的职位则可以指用户所对应的的职位等级,例如,对于工程师来说,其职位可以包括:助理工程师、初级工程师、中级工程师、高级工程师等。
而拥有的操作权限则指代该用户的身份信息所对应的权限。这里的身份信息可以是岗位、部门、职位等。通常情况下,不同的身份信息拥有不同的权限。例如,当用户的部门是采购部时,其所拥有的操作权限可以是计划采购的数量、以及采购的品质等,而当用户的部门时财务部时,其所拥有的操作权限可以是资金审核、资金录入等,在此不再赘述。
当然,除了上述属性以外,用户的属性也可以包括其他属性,例如,年龄、性别、所在地等,在此不再赘述。
除了根据属性以外,还可以根据用户在组织架构中的位置,计算得到各所述用户之间的相似度。组织架构即指的企业整体所拥有的架构,在组织架构中,通常类似的部门、岗位会距离较近,因此,可以根据用户在组织架构中的位置来计算得到用户相似度。
具体地,如图3所示,组织架构可以为树形结构,可以先在所有的用户中选取两个待确定用户,根据这两个待确定用户在组织架构之间的距离,以及组织架构中的最大距离,确定两个待确定用户之间的相似度。
例如,在获取了待确定用户之间的节点距离,以及最大节点距离后,可以通过公式来确定出组织架构对应的相似度。其中,simorg(u,v)为组织架构相似度,d2为用户u和用户v之间的节点距离,max(d2)为最大节点距离。
S102、根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵。
在确定了用户之间的相似度后,可以根据各用户浏览过的信息,以及确定出的相似度,来构造用户相似度矩阵。其中,信息可以包括多种。例如,当信息包括商品信息时,企业管理系统可以是电商平台,电商平台上出售有多种类型的不同商品,根据用户浏览过的商品信息,来构造相似度矩阵。当企业是提供相应服务的企业时,例如,法律服务、物流服务等,那么信息也可以是相应的服务信息。当然,信息也可以是相应的使用帮助。在用户使用企业管理系统时,通常会遇到各种各样的问题,此时通常会点击使用帮助来获取帮助,以下实施例中,以信息为使用帮助为例进行解释说明。
接着可以通过QU来构造用户帮助对应的得分矩阵,该得分矩阵中的元素与任意两个用户浏览的使用帮助相关。得分矩阵可以为:其中,uiuj为用户ui和用户uj浏览过相同的使用帮助的个数,并且当i=j时,uiuj=0。由此可以初步的得到了不同的用户在浏览使用帮助这一方面的相关程度。
最后将上述得到的通过操作权限相似度、岗位相似度、职位相似度、组织架构相似度,使其加权累计至基础相似度矩阵中,即可得到用户相似度矩阵,可以用下式表示:simatt-user(u,v)=k*simorg(u,v)+m*simrole(u,v)+n*simpost(u,v)+s*simsta(u,v)+t*simuser(u,v),其中,simatt-user(u,v)为用户相似度矩阵,k、m、n、s、t分别为对应的系数,可以根据不同的实际情况设置相对应的值,在此不做限定。
S103、根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
在构造完用户相似度矩阵后,可以确定目标用户未浏览过的使用帮助,然后通过用户相似度矩阵来确定目标用户分别对应的兴趣程度,并进行相应的推荐。其中,这里的目标用户指的是,需要进行推荐的用户。
但是在实际的工作过程中,使用帮助通常包括两类,分别是通用使用帮助和其他使用帮助。通用使用帮助指的是,与属性没有关联的,大家在工作过程中都会遇到的一些比较通用的问题对应的使用帮助,例如,如何注册账号、如何修改密码、如何重启系统等等。而其他使用帮助,则是与属性中的至少一种相关的问题所对应的使用帮助,例如,采购部门如何制作报表、财务部门如何进行报账、助理工程师如何申请进阶等等。
在向目标用户推荐之前,如果发现将要推荐的未浏览的使用帮助为通用使用帮助,那么实际上对于目标用户的帮助意义其实并不大,这样的推荐相对来说意义也就较小,因此,可以通过降低该通用使用帮助的兴趣程度,来减少其对目标用户的推荐可能性。
具体地,可以首先通过下式计算得到各个目标用户未浏览过的使用帮助对应的兴趣程度:p(u,i)=∑u,v∈Usimatt-user(u,v)*ui,其中,p(u,i)为用户u对使用帮助i的兴趣程度,U表示与在用户相似度矩阵中,与目标用户相似度大于0的用户群,rui为用户u对使用帮助i的喜欢程度,默认为1。
如果发现推荐的使用帮助是通用使用帮助,则可以对其进行惩罚,以降低其对应的兴趣程度。可以通过pui(u,i)=p(u,i)+αi对所述通用使用帮助进行惩罚,其中,p(u,i)为用户u对使用帮助i的兴趣程度,pui(u,i)为惩罚后的所述兴趣程度,αi为对使用帮助i的惩罚,默认为p(u,i)的-0.5倍。
最终即可得到目标用户对应的使用帮助兴趣表,可以根据相应的需求,选择top-N进行输出,向用户进行推荐。
现有技术中,协同过滤算法大致分为两类,一类是基于用户的协同过滤算法,另一类是基于物品的协同过滤算法。当然,这里的物品可以是具有实体的物品,也可以是虚拟的物品,例如使用帮助等。第一类的基于用户的协同过滤算法主要是,当需要给用户A推荐物品时,可以先找到与用户A有相似兴趣的用户B,把用户B喜欢但用户A未使用过的物品推荐给A。
第一类基于用户的协同过滤算法虽然可以在一定程度上解决本申请所要解决的问题,但是还存在诸多问题:第一是稀疏问题,稀疏问题主要表现为对于一个新用户或者说没有任何喜欢的物品的用户,很难找到和他相似的用户。第二,用户数量很多的情况下,计算效率低下。第三,随着时间及其他因素的变化,人的属性会发生变化。
而通过本申请提出的基于协同过滤算法的信息推荐方法,不仅可以通过用户相似度矩阵来解决稀疏问题,通过用户之间的相似度,在即使用户没有浏览过任何使用帮助的前提下,也可以推荐相关的使用帮助给用户。即使用户的数量增加,只需要计算得到用户相似度矩阵即可完成相应的计算,并且随着用户数量的增加,可以提高最终的计算结果精确程度。随着时间及其他因素的变化,即使用户的属性会发生变化,但是用户相似度矩阵也可以做相应的更改,对最终的计算结果影响并不大。
如图2所示,本申请实施例还提供了一种基于协同过滤算法的信息推荐设备,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;
根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;
根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
本申请实施例还提供一种基于协同过滤算法的信息推荐的非易失性计算机存储介质,存储有计算机可执行指令,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述计算机可执行指令设置为:
根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;
根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;
根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于协同过滤算法的信息推荐方法,其特征在于,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述方法包括:
根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;
根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;
根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述信息包括使用帮助,所述使用帮助包括通用使用帮助和其他使用帮助,其中,所述其他使用帮助与所述属性相关;
根据所述兴趣程度向所述目标用户进行推荐之前,所述方法还包括:
确定将要推荐的所述未浏览过的使用帮助为通用使用帮助;
降低所述通用使用帮助对应的兴趣程度。
3.根据权利要求2所述的方法,其特征在于,降低所述通用使用帮助对应的兴趣程度,包括:
通过pui(u,i)=p(u,i)+αi对所述通用使用帮助进行惩罚,其中,p(u,i)为用户u对使用帮助i的兴趣程度,pui(u,i)为惩罚后的所述兴趣程度。
4.根据权利要求2所述的方法,其特征在于,根据各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,包括:
在所有用户中选取两个待确定用户;
根据所述两个待确定用户在组织架构之间的节点距离,以及在所述组织架构中的最大节点距离,确定所述两个待确定用户之间的相似度,其中,所述组织架构为树形结构。
5.根据权利要求2所述的方法,其特征在于,根据各所述用户分别浏览过的使用帮助,以及各所述用户之间的相似度,构造用户相似度矩阵,包括:
根据各所述用户分别浏览过的使用帮助,构造得分矩阵,其中,所述得分矩阵中的元素与任意两个所述用户所浏览的使用帮助相关;
采用余弦相似度,根据所述得分矩阵构造基础相似度矩阵;
将各所述用户之间的相似度,加权累计到所述基础相似度矩阵中,得到用户相似度矩阵。
8.根据权利要求5所述的方法,其特征在于,确定目标用户未浏览过的使用帮助分别对应的兴趣程度,包括:
通过p(u,i)=∑u,v∈Usimatt-user(u,v)*rui来确定目标用户未浏览过的使用帮助分别对应的兴趣程度,其中,p(u,i)为用户u对使用帮助i的兴趣程度,U为在用户相似度矩阵中,与目标用户相似度大于0的用户群,rui为用户u对使用帮助i的喜欢程度,simatt-user(u,v)为用户相似度矩阵。
9.一种基于协同过滤算法的信息推荐设备,其特征在于,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;
根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;
根据所述用户相似度矩阵,确定目标用户未浏览过的信息分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
10.一种基于协同过滤算法的信息推荐的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,应用在企业管理系统中,所述企业管理系统中包括多个用户,所述计算机可执行指令设置为:
根据各所述用户所拥有的属性和/或各所述用户在组织架构中的位置,计算得到各所述用户之间的相似度,其中,所述属性与所述用户所属单位、所属部门、所属岗位、对应的职位、拥有的操作权限中的至少一种相关;
根据各所述用户分别浏览过的信息,以及各所述用户之间的所述相似度,构造用户相似度矩阵;
根据所述用户相似度矩阵,确定目标用户未浏览过的信息助分别对应的兴趣程度,并根据所述兴趣程度向所述目标用户进行推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010182231.4A CN111488531B (zh) | 2020-03-16 | 2020-03-16 | 一种基于协同过滤算法的信息推荐方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010182231.4A CN111488531B (zh) | 2020-03-16 | 2020-03-16 | 一种基于协同过滤算法的信息推荐方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488531A CN111488531A (zh) | 2020-08-04 |
CN111488531B true CN111488531B (zh) | 2023-04-18 |
Family
ID=71813555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010182231.4A Active CN111488531B (zh) | 2020-03-16 | 2020-03-16 | 一种基于协同过滤算法的信息推荐方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434217A (zh) * | 2020-11-16 | 2021-03-02 | 广西斯达市场信息咨询有限公司 | 职位信息推荐方法、系统、计算机设备及存储介质 |
CN112989191A (zh) * | 2021-03-10 | 2021-06-18 | 北京明略软件系统有限公司 | 一种企业微信中物料推荐方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010037286A1 (zh) * | 2008-09-27 | 2010-04-08 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和系统 |
CN106933821A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 一种基于相似度计算的个性化职位推荐方法和系统 |
CN107784066A (zh) * | 2017-08-25 | 2018-03-09 | 上海壹账通金融科技有限公司 | 信息推荐方法、装置、服务器及存储介质 |
-
2020
- 2020-03-16 CN CN202010182231.4A patent/CN111488531B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010037286A1 (zh) * | 2008-09-27 | 2010-04-08 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和系统 |
CN106933821A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 一种基于相似度计算的个性化职位推荐方法和系统 |
CN107784066A (zh) * | 2017-08-25 | 2018-03-09 | 上海壹账通金融科技有限公司 | 信息推荐方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
兰小春 ; 姚树廷 ; 崔国红 ; .基于用户兴趣融合的协同过滤推荐算法.科技与管理.2018,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111488531A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9330080B2 (en) | Methods and systems to facilitate providing spreadsheet and database data to users via a social network | |
JP6843882B2 (ja) | 履歴ログからの学習と、etlツール内のデータアセットに関するデータベースオペレーションの推奨 | |
CN104866969A (zh) | 个人信用数据处理方法和装置 | |
US20110252121A1 (en) | Recommendation ranking system with distrust | |
CN105518658A (zh) | 用于将数据记录分组的设备、系统以及方法 | |
CA3069908A1 (en) | Differentially private query budget refunding | |
Ding et al. | An extended prospect theory–VIKOR approach for emergency decision making with 2-dimension uncertain linguistic information | |
EP2590088B1 (en) | Database queries enriched in rules | |
CN104376058A (zh) | 用户兴趣模型更新方法及相关装置 | |
CN108021673A (zh) | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 | |
US20230214949A1 (en) | Generating issue graphs for analyzing policymaker and organizational interconnectedness | |
CN111488531B (zh) | 一种基于协同过滤算法的信息推荐方法、设备及介质 | |
US20230214753A1 (en) | Generating issue graphs for analyzing organizational influence | |
US10643276B1 (en) | Systems and computer-implemented processes for model-based underwriting | |
CN110148028B (zh) | 向用户推荐菜单的方法、装置及计算机可读存储介质 | |
CN109242604A (zh) | 服务推荐方法、电子设备及计算机可读存储介质 | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和系统 | |
JP2015184723A (ja) | 文書作成支援システム | |
US20210097054A1 (en) | Enforcing path consistency in graph database path query evaluation | |
Ding et al. | Dynamical investigation, electronic circuit realization and emulation of a fractional-order chaotic three-echelon supply chain system | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments | |
Bóta et al. | Applications of the inverse infection problem on bank transaction networks | |
CN112364021A (zh) | 业务数据处理方法、装置及存储介质 | |
Li et al. | A differential privacy budget allocation algorithm based on out-of-bag estimation in random forest | |
JP2023029604A (ja) | 特許情報処理装置、特許情報処理方法、およびプログラム |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230324 Address after: 250101 Inspur science and Technology Park, 1036 Inspur Road, hi tech Zone, Jinan City, Shandong Province Applicant after: Inspur Genersoft Co.,Ltd. Address before: 250101 Inspur science and Technology Park, 1036 Inspur Road, hi tech Zone, Jinan City, Shandong Province Applicant before: SHANDONG INSPUR GENESOFT INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |