CN111538913A - 一种艾滋病防控知识宣教的个性化推荐方法 - Google Patents

一种艾滋病防控知识宣教的个性化推荐方法 Download PDF

Info

Publication number
CN111538913A
CN111538913A CN202010336906.6A CN202010336906A CN111538913A CN 111538913 A CN111538913 A CN 111538913A CN 202010336906 A CN202010336906 A CN 202010336906A CN 111538913 A CN111538913 A CN 111538913A
Authority
CN
China
Prior art keywords
information
user
control knowledge
aids
recommendation method
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
CN202010336906.6A
Other languages
English (en)
Other versions
CN111538913B (zh
Inventor
刘勇国
陶文元
杨尚明
李巧勤
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010336906.6A priority Critical patent/CN111538913B/zh
Publication of CN111538913A publication Critical patent/CN111538913A/zh
Application granted granted Critical
Publication of CN111538913B publication Critical patent/CN111538913B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种艾滋病防控知识宣教的个性化推荐方法，应用于大数据处理领域，针对现有技术的推荐结果精准性不高的问题，本发明在协同过滤推荐算法基础上，利用KL散度解决由于数据稀疏性导致不同维度数据不能利用的问题，有效处理了传统推荐算法的数据稀疏性问题；在选择聚类中心时有效地区分不同的宣教内容，同时，距离模型打破了经典几何距离方法(如欧几里德距离)的对称模式，并考虑了宣教内容之间不同评级数的影响，以强调其不对称关系，相比于现有技术可提高推荐精准性。

Description

一种艾滋病防控知识宣教的个性化推荐方法
技术领域
本发明属于大数据处理领域，特别涉及一种艾滋病防控知识的个性化推荐技术。
背景技术
艾滋病作为一种目前无法治愈的慢性传染疾病，防治艾滋病任重道远。普通大众对艾滋病相关知识了解薄弱，而目前获取艾滋病健康知识的途径主要由相关部门不定期组织现场宣讲及发放宣传资料，或者借助电视广播等传统媒体，这些方式对民众而言都是被动接收，且难以跟踪学习情况。因此，艾滋病防控知识宣传需要更多的宣传手段及推广力度。
随着智能手机的普及，可以通过手机推送艾滋防控相关的文章、视频等，还可通过答题等方式检验用户学习效果，用户可随时主动获取相关宣教信息，极大地扩大宣教工作覆盖的人群范围。智能手机还可记录用户查看宣教信息的行为及相关知识掌握情况，个性化推荐不同主题的文章、视频和答题知识点，一方面提高用户学习兴趣，另一方面可跟踪用户依从性，为相关部门进一步指导工作提供参考依据。
为了满足用户个性化需求，推荐系统(RS)作为一种信息过滤技术广泛用于处理信息过滤问题，从大量数据中识别出用户感兴趣的内容，并将这些内容推荐给用户。协同过滤(CF)算法因其简单和高效而成为最广泛应用的推荐技术之一。协同过滤推荐算法将用户历史行为数据生成推荐项，根据用户之间的相似程度或可选项目之间的相似程度，按相似程度高低推荐给用户。中国专利“CN109977315A一种文章推荐方法、装置、设备及存储介质”根据用户历史浏览文章，通过对预设的栈式降噪自编码器和预设的概率矩阵分解模型进行训练，通过将上一个推荐算法得到的推荐文章列表作为下一个算法的输入，依次执行得到最终推荐文章，以此方法流水线的得到推荐文章列表。此方法较为单一，仅通过用户历史浏览文章信息作为推荐依据。
现有技术存在的缺陷：
在传统的协同过滤推荐算法中，经常使用经典距离度量(例如欧几里德或曼哈顿距离)来计算两个项目之间的相似度。然而，这些距离方法取决于用于相似性计算的共同评定项目，即用户评定的共同属性，只有包含用户共同评定属性的项目才能用作相似性度量。然而，由于互联网数据普遍存在稀疏性特点，传统的协同过滤方法无法充分利用所有用户评级信息，而只能使用一小部分用户评级数据，这会影响推荐结果的精准性。
发明内容
为解决上述技术问题，本发明提出一种艾滋病防控知识宣教的个性化推荐方法，在协同过滤(CF)推荐算法基础上，基于KL散度(Kullback-Leibler散度，又称信息散度Information Divergence)解决由于数据稀疏性导致不同维度数据不能利用的问题，提高了推荐准确性。
本发明采用的技术方案为：一种艾滋病防控知识宣教的个性化推荐方法，包括：
S1、通过终端设备收集用户个人基础信息，收集用户历史浏览信息；
S2、根据用户历史浏览信息，采用KL散度计算向用户推荐艾滋病防控知识信息。
步骤S2具体为：
S21、采用KL散度计算任意两信息之间的距离；
S22、根据步骤S21计算的两信息之间的距离，从信息概率分布角度找出所有可用信息的k个聚类中心，并生成信息聚类结果；
S23、基于Top-n进行信息推荐。
步骤S21的计算式为：
Figure BDA0002466936140000021
其中，m是相同类别的信息数量，
Figure BDA0002466936140000022
是信息i评分为r的概率，#i是为信息i评分的所有用户的数量，#r是信息i评分为r的用户数量，因子
Figure BDA0002466936140000023
表示为信息i评分用户数与为信息i和信息j评分的用户数之和的比例。
步骤S22具体为：
S221、根据步骤S21计算的两信息之间的距离，基于K-medoids确定聚类中心；
S222、根据余下的非中心信息与各中心信息之间的KL距离，对非中心信息进行分类。
步骤S23具体为：未评级信息根据其最近邻集合，计算信息在具体用户中的预测评级值；根据具体用户对未评级信息的预测评级值，选择具有最高预测评级值的前n个信息作为推荐列表。
所述最近邻集合的计算过程为：对未评级信息，在其所属类中选出与该信息KL距离最近的n个信息，将这n个信息作为该信息的最近邻集合。
步骤S2初始未采集用户历史浏览信息时，推荐最新的信息；当信息浏览量大于第一阈值，且信息浏览量大于第一阈值的信息数量大于n，则向用户推荐浏览量最高的n个信息；否则推荐最新的信息。
步骤S1所述信息包括文章或视频。
步骤S1中的终端设备为智能手机、PC、平板。
还包括根据用户对获取艾滋相关信息的感兴趣程度，进行感兴趣信息的补充推送。
本发明的有益效果：本发明在协同过滤推荐算法基础上，利用KL散度解决由于数据稀疏性导致不同维度数据不能利用的问题，有效处理了传统推荐算法的数据稀疏性问题；在选择聚类中心时有效地区分不同的宣教内容，同时，距离模型打破了经典几何距离方法(如欧几里德距离)的对称模式，并考虑了宣教内容之间不同评级数的影响，以强调其不对称关系，可提高推荐精准性。
附图说明
图1为本发明的方案流程图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
图1是本发明技术方案的主流程图，本发明方法的实现过程包括如下步骤：
S1.收集用户个人基础信息及用户类别(普通人群、稳健型人群和进取型人群)；收集用户历史浏览信息；新用户初始归为普通人群。
S2.基于用户历史浏览信息，推荐用户相关及感兴趣的浏览信息。
S3.对进取型人群推荐更多艾滋防治、艾滋治疗等内容。本实施例中还针对不同的用户对获取艾滋相关信息的感兴趣程度，进行热点艾滋信息推荐。
S11.通过智能手机(还可以是PC或平板)应用程序，提供艾滋病相关宣教知识供用户查看学习，通过应用程序获取用户个人基础信息，以及用户对各类艾滋宣教知识的浏览行为信息。
S12.本方案涉及的手机应用程序提供的艾滋宣传知识包含文章及视频形式，本方案对文章和视频的分类方法相同，推荐方法相同，以下推荐方法以文章推荐为例进行介绍。
S13.获取的用户待评定内容包含信息脱敏后隐藏用户身份关联的性别、年龄等基础信息，以及用户浏览行为信息，包含浏览信息类别、浏览时间和频次等。
S14.根据S13中产生的各维度信息，产生不同的分类。其中连续型数据根据数值范围确定评分，包含年龄、信息浏览时间、信息浏览频次；离散型数据则根据不同值设定不同分类，包含性别、信息浏览类别。如表1所示，用户评定数据通过表格对应相关分类。
表1数据分类规则
评定数据 对应分类1 对应分类2 对应分类3 对应分类4
性别 男 女 其他 —
年龄(岁) 0-18 18-45 46-69 >69
信息浏览类别 防艾基础知识 政策文件 艾滋防治 艾滋治疗
信息浏览时间(秒) 0-10 10-60 60-180 >180
信息浏览频次(次) 0-5 5-10 10-20 >20
S15.用户类别分为：普通人群、稳健型人群和进取型人群，人群划分根据用户活跃程度，即每月登录次数及信息浏览次数。普通人群无活跃要求；稳健型人群：每月登录次数大于5，或浏览信息次数大于5；进取型人群：每月登录次数大于10，或浏览信息次数大于10。重点观察进取型人群，此类人群较为主动获取艾滋病相关知识，防范意识较强。新用户初始时各类信息浏览情况为0，在次月根据各类数据情况更新用户类型。
S16.通过智能手机应用收集用户历史浏览信息，该信息随着用户浏览信息的增加而不断增加，作为个性化推荐的依据。
S21.在系统初始，未采集用户浏览信息时，推荐最新信息；在信息浏览量大于第一阈值，本实施例中第一阈值取值为10，向新用户推荐信息浏览量最高的n条信息，若信息浏览量大于10的信息数量小于n，则剩余信息推荐最新信息，进行前期数据累积。n可以根据实际应用需要进行设定，比如n设定为3。
S22.基于用户历史浏览信息，推荐用户感兴趣信息。
S221.信息相似度计算
为解决协同推荐算法面临的数据稀疏性问题，本发明使用KL散度来评估两个信息之间的距离(相似性)，无论是否存在相同评定信息此方法都充分利用所有用户评定信息。为了强调不同评级数字在信息之间的影响，信息i和j之间的KL距离计算如下：
Figure BDA0002466936140000041
其中，m是相同类别的信息数量，
Figure BDA0002466936140000042
是信息i评分为r的概率；#i是为信息i评分的所有用户的数量；#r是信息i评分为r的用户数量；因子
Figure BDA0002466936140000043
表示为信息i评分用户数与为信息i和信息j评分的用户数之和的比例。两个信息间KL距离越小，它们相似性越高。
S222.基于K-medoids的信息聚类
使用KL距离公式(1)从信息概率分布角度找出所有可用信息的k个聚类中心，并生成信息聚类结果。
(1)基于KL距离的k簇中心选择算法
假设数据集R包括N个信息，找出k个聚类中心C＝{C1,C2,…,Ck}，其中Ct代表着第t个聚类中心，初始时C为空。所述k簇中心选择算法如下：
步骤1.获取第一个聚类中心C1：(i)在i∈N中随机选择信息i作为临时聚类中心C1，j∈N\(i)表示N个信息中除i之外的信息j，计算信息j∈N\(i)和信息i之间的KL距离以获得信息i的KL距离总和∑j∈N\(i)D′(j∥i)。(ii)同样，评估各个信息的KL距离总和。(iii)所有信息中KL距离总和最小的信息作为第一个聚类中心C1，并更新C＝{C1}。表示如下：
Figure BDA0002466936140000051
步骤2：通过迭代选择找出剩余的k-1个聚类中心。
首先选择一个非聚类中心信息i∈N\{C}作为新的临时聚类中心Ci，然后计算信息j∈N\{i,C}和信息i之间的KL距离。利用公式(3)得出所有其他非中心项与临时聚类中心Ci之间的贡献之和DEC(i)，通过DEC(i)确定当前迭代的聚类中心。定义DEC(i)：对于聚类中心i，先计算其他所有非聚类中心信息j与聚类中心i以及所有其他聚类中心的KL距离的差值的非负最小值，然后将所有信息j计算得到的值求和，计算公式如下：
Figure BDA0002466936140000052
Ct表示当前C中的一个聚类中心，t∈[1,i-1]。以相同的方式，获得所有非聚类中心信息的DEC值。排除已选择的聚类中心点，选择剩余信息中DEC值最大的信息作为新的聚类中心，计算公式如下：
Figure BDA0002466936140000053
新选择的聚类中心Ci加入到C＝{C1,C2,…,Ci}。
通过步骤1的操作和步骤2的迭代选择，最终得到k个聚类中心。
(2)信息聚类
在确定了k个聚类中心之后，计算所有非中心信息j与C中各中心之间的KL距离。根据非中心点与聚类中心之间具有最小KL距离的规则，将其余非中心项信息j∈N\{C}分配到C中与它有最小KL距离的聚类中心Ct中，即
Figure BDA0002466936140000061
将信息j加入聚类中心Ct类。
S223.基于Top-n的信息推荐
(1)选择最近邻集
通过聚类中心，将类似程度高的信息聚集在一个类中。从该类中挑选信息i的最近邻集。具体选择规则如下：
假设包含信息i的聚类是Ci，通过公式(1)计算KL距离得到聚类Ci中其他信息与信息i之间的KL距离。然后根据KL距离，选择最短距离的n个信息作为为信息i设置的最近邻集，表示为Cneii。
(2)在线top-n推荐
为了产生用户u的预测信息推荐列表，对所有未评级信息i通过其最近邻居集合Cneii预测信息i在用户u中的评级值pui，计算信息i与该用户u的匹配程度。预测公式介绍如下：
Figure BDA0002466936140000062
Figure BDA0002466936140000063
其中，
Figure BDA0002466936140000064
是所有评级信息的活跃用户u的平均评分值，对于新用户该值为0；
Figure BDA0002466936140000065
和
Figure BDA0002466936140000066
分别表示信息j的平均评分值和所有信息的平均评分值；simKL(j,i)是信息j和i之间的KL相似性。
根据活动用户u对未评级信息的预测评级，选择具有最高预测值的n个信息作为推荐列表。最后，为用户生成在线前n个推荐信息，比如n取值为10。
S31.对特定人群推荐更多内容。
对于特定人群(进取型人群)，判断其感兴趣程度，增加推送相关主题信息(艾滋防治、艾滋治疗)。即在个性化推荐的基础上，补充推荐信息更多的内容，将相关主题信息(艾滋防治、艾滋治疗)中定期内浏览频次最高的前n个信息，额外推送给特定人群(进取型人群)。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，包括：
S1、通过终端设备收集用户个人基础信息，收集用户历史浏览信息；
S2、根据用户历史浏览信息，采用KL散度计算向用户推荐艾滋病防控知识信息。
2.根据权利要求1所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，步骤S2具体为：
S21、采用KL散度计算任意两信息之间的距离；
S22、根据步骤S21计算的两信息之间的距离，从信息概率分布角度找出所有可用信息的k个聚类中心，并生成信息聚类结果；
S23、基于Top-n进行信息推荐。
3.根据权利要求2所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，步骤S21的计算式为：
Figure FDA0002466936130000011
其中，m是相同类别的信息数量，
Figure FDA0002466936130000012
是信息i评分为r的概率，#i是为信息i评分的所有用户的数量，#r是信息i评分为r的用户数量，因子
Figure FDA0002466936130000013
表示为信息i评分用户数与为信息i和信息j评分的用户数之和的比例。
4.根据权利要求2所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，步骤S22具体为：
S221、根据步骤S21计算的两信息之间的距离，基于K-medoids确定聚类中心；
S222、根据余下的非中心信息与各中心信息之间的KL距离，对非中心信息进行分类。
5.根据权利要求2所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，步骤S23具体为：未评级信息根据其最近邻集合，计算信息在具体用户中的预测评级值；根据具体用户对未评级信息的预测评级值，选择具有最高预测评级值的前n个信息作为推荐列表。
6.根据权利要求5所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，所述最近邻集合的计算过程为：对未评级信息，在其所属类中选出与该信息KL距离最近的n个信息，将这n个信息作为该信息的最近邻集合。
7.根据权利要求2所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，步骤S2初始未采集用户历史浏览信息时，则推荐最新的信息；当信息浏览量大于第一阈值，且信息浏览量大于第一阈值的信息数量大于n，则向用户推荐浏览量最高的n个信息；否则推荐最新的信息。
8.根据权利要求2所述的一种艾滋病防控知识宣教的个性化推荐方法，其特征在于，还包括根据用户对获取艾滋相关信息的感兴趣程度，进行感兴趣信息的补充推送。
CN202010336906.6A 2020-04-26 2020-04-26 一种艾滋病防控知识宣教的个性化推荐方法 Active CN111538913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010336906.6A CN111538913B (zh) 2020-04-26 2020-04-26 一种艾滋病防控知识宣教的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010336906.6A CN111538913B (zh) 2020-04-26 2020-04-26 一种艾滋病防控知识宣教的个性化推荐方法

Publications (2)

Publication Number Publication Date
CN111538913A true CN111538913A (zh) 2020-08-14
CN111538913B CN111538913B (zh) 2023-07-11

Family

ID=71975562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010336906.6A Active CN111538913B (zh) 2020-04-26 2020-04-26 一种艾滋病防控知识宣教的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN111538913B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956089A (zh) * 2016-05-03 2016-09-21 桂林电子科技大学 一种针对具备项目的分类信息的推荐方法
CN106951418A (zh) * 2016-01-07 2017-07-14 广州启法信息科技有限公司 商务网站的一种个性化推荐技术
CN108205682A (zh) * 2016-12-19 2018-06-26 同济大学 一种用于个性化推荐的融合内容和行为的协同过滤方法
CN108334592A (zh) * 2018-01-30 2018-07-27 南京邮电大学 一种基于内容与协同过滤相结合的个性化推荐方法
CN109192065A (zh) * 2018-08-03 2019-01-11 电子科技大学 基于主题分类的艾滋病视频宣教方法及平台
CN110110181A (zh) * 2019-05-09 2019-08-09 湖南大学 一种基于用户风格和场景偏好的服装搭配推荐方法
US20190392924A1 (en) * 2018-06-20 2019-12-26 International Business Machines Corporation Intelligent recommendation of useful medical actions

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951418A (zh) * 2016-01-07 2017-07-14 广州启法信息科技有限公司 商务网站的一种个性化推荐技术
CN105956089A (zh) * 2016-05-03 2016-09-21 桂林电子科技大学 一种针对具备项目的分类信息的推荐方法
CN108205682A (zh) * 2016-12-19 2018-06-26 同济大学 一种用于个性化推荐的融合内容和行为的协同过滤方法
CN108334592A (zh) * 2018-01-30 2018-07-27 南京邮电大学 一种基于内容与协同过滤相结合的个性化推荐方法
US20190392924A1 (en) * 2018-06-20 2019-12-26 International Business Machines Corporation Intelligent recommendation of useful medical actions
CN109192065A (zh) * 2018-08-03 2019-01-11 电子科技大学 基于主题分类的艾滋病视频宣教方法及平台
CN110110181A (zh) * 2019-05-09 2019-08-09 湖南大学 一种基于用户风格和场景偏好的服装搭配推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YONG WANG ET AL: "A similarity measure based on Kullback–Leibler divergence for collaborative filtering in sparse data", 《JOURNAL OF INFORMATION SCIENCE》 *
YONG WANG ET AL: "A similarity measure based on Kullback–Leibler divergence for collaborative filtering in sparse data", 《JOURNAL OF INFORMATION SCIENCE》, 31 October 2018 (2018-10-31), pages 662 *
李思宇: "基于主题模型和词向量的短文本语义挖掘研究", 《中国优秀硕士论文全文数据库（电子期刊）》 *
郭慧丰: "基于用户行为关系挖掘的个性化推荐模型及算法", 《中国博士学位论文全文数据库（电子期刊）》 *

Also Published As

Publication number Publication date
CN111538913B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
WO2020228514A1 (zh) 内容推荐方法、装置、设备及存储介质
Hsu A personalized English learning recommender system for ESL students
Akehurst et al. CCR—a content-collaborative reciprocal recommender for online dating
US9442931B2 (en) Media content discovery and character organization techniques
US8145584B2 (en) Predicting user responses to invitations in a social networking system based on keywords in user profiles
CN108021568B (zh) 一种歌单推荐方法及装置
KR20050043917A (ko) 통계적 개인화된 추천 시스템
JP2015526795A (ja) ユーザの人口統計データを推定する方法と装置
CN107423335B (zh) 一种针对单类协同过滤问题的负样本选择方法
Wang et al. Cross-domain recommendation with user personality
US8838435B2 (en) Communication processing
CN106776873A (zh) 一种推荐结果生成方法以及装置
Wang et al. Movie genre preference prediction using machine learning for customer-based information
Zou et al. Exploring user engagement strategies and their impacts with social media mining: the case of public libraries
CN112102029A (zh) 一种基于知识图谱的长尾推荐计算方法
US20100125585A1 (en) Conjoint Analysis with Bilinear Regression Models for Segmented Predictive Content Ranking
Nguyen et al. Two-probabilities focused combination in recommender systems
Pathak et al. A knowledge reuse framework for improving novelty and diversity in recommendations
Badami et al. Detecting polarization in ratings: An automated pipeline and a preliminary quantification on several benchmark data sets
Suryana et al. PAPER SURVEY AND EXAMPLE OF COLLABORATIVE FILTERING IMPLEMENTATION IN RECOMMENDER SYSTEM.
Rohani et al. An enhanced content-based recommender system for academic social networks
Borges et al. A survey on recommender systems for news data
Özseyhan et al. An association rule-based recommendation engine for an online dating site
Alfarhood et al. Collaborative attentive autoencoder for scientific article recommendation
CN111538913B (zh) 一种艾滋病防控知识宣教的个性化推荐方法

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