CN111639268B - 一种用户相似度计算方法 - Google Patents

一种用户相似度计算方法 Download PDF

Info

Publication number
CN111639268B
CN111639268B CN202010487360.4A CN202010487360A CN111639268B CN 111639268 B CN111639268 B CN 111639268B CN 202010487360 A CN202010487360 A CN 202010487360A CN 111639268 B CN111639268 B CN 111639268B
Authority
CN
China
Prior art keywords
user
similarity
time
representing
product
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
CN202010487360.4A
Other languages
English (en)
Other versions
CN111639268A (zh
Inventor
王斌
张克
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 Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010487360.4A priority Critical patent/CN111639268B/zh
Publication of CN111639268A publication Critical patent/CN111639268A/zh
Application granted granted Critical
Publication of CN111639268B publication Critical patent/CN111639268B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

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

Abstract

本发明提供了一种用户相似度计算方法，步骤包括：S1根据用户属性进行聚类分组，计算基于静态属性的相似度simattr；S2根据用户相似度与登录时间成正比，但又受时间衰减效应计算出相似度simtime；S3根据用户相似度与用户的操作行为频率呈负相关的关系计算出相似度simfre；S4通过用户被产品吸引的不确定性，为用户增加自信息量得出相似度siminf；S5将S1‑S4计算得出的各相似度进行叠加和归一化处理，得出最终的用户相似度。

Description

一种用户相似度计算方法
技术领域
本发明涉及推荐算法技术，尤其涉及一种用户相似度计算方法
背景技术
传统的协同过滤推荐算法中，用户相似度计算比较简单，一般直接根据用户历史行为判断相似性，因此准确性不高。
为此，现有技术曾经提出了，一种《融合惩罚因子和时间权重的协同过滤推荐算法》，DOI为10.19358/j.issn.2096-5133.2020.05.004。但该传统的协同过滤算法中存在一些问题，如冷启动，数据稀疏和马太效应。兰艳等人利用衰减因子建立非线性时间加权函数，赋予评分不同的时间权重，提高了推荐的准确性。上述文献虽考虑到了用户相似度与时间之间的关系，但是却孤立的计算和登录时间的正相关以及和随时间而衰减的负相关关系，没有将用户相似度与时间的两种关系进行融合考虑。
而现有技术《基于用户模糊聚类的综合信任推荐算法》，DOI为10.19678/j.issn.1000-3428.0057930。该传统的协同过滤推荐算法在遇到数据量很大的情况下，推荐时间会增加，准确率也有所降低。此文献中考虑了对用户进行聚类来缩小用户范围。但是它只单一的考虑了聚类对相似度的积极影响，没有考虑影响相似度的其他因子如用户使用频率，操作行为的时间差，位置距离等对相似度的影响。
因此目前亟待一种技术来进一步提高相似度计算的准确性。
发明内容
本发明的主要目的在于提供一种用户相似度计算方法，以较为全面的提高相似度计算的准确性。
为了实现上述目的，本发明的一个方面，提供了一种用户相似度计算方法，步骤包括：
S1根据用户属性进行聚类分组，计算基于静态属性的相似度simattr；
S2根据用户相似度与登录时间成正比，但又受时间衰减效应计算出相似度simtime；
S3根据用户相似度与用户的操作行为频率呈负相关的关系计算出相似度simfre；
S4通过用户被产品吸引的不确定性，为用户增加自信息量得出相似度siminf；
S5将S1-S4计算得出的各相似度进行叠加和归一化处理，得出最终的用户相似度；其中：
Figure BDA0002518016340000021
其中
Figure BDA0002518016340000024
表示用户u1对产品y的评分情况；
Figure BDA0002518016340000022
其中ρ是归一化系数，t1-t2表示登录时间差，σ是时间衰减指数，T1-T2表示操作行为时间差；
Figure BDA0002518016340000023
其中
Figure BDA0002518016340000031
表示产品y的权值，
Figure BDA0002518016340000032
表示产品y的自信息量；
Figure BDA0002518016340000033
其中λy表示与频率相关的权值；
为了实现上述目的，根据本发明的另一方面，还提供了一种用户相似度计算方法，步骤包括：
S1根据用户属性进行聚类分组，计算基于静态属性的相似度simattr；
S2根据用户相似度与登录时间成正比，但又受时间衰减效应计算出相似度simtime；
S3根据用户相似度与用户的操作行为频率呈负相关的关系计算出相似度simfre；
S4通过用户被产品吸引的不确定性，为用户增加自信息量得出相似度siminf；
S5定位用户当前位置，根据距离长短给用户相似度加权值得出相似度simpos；
S6将S1-S5计算得出的各相似度进行叠加和归一化处理，得出最终的用户相似度；其中：
Figure BDA0002518016340000034
其中
Figure BDA00025180163400000410
表示用户u1对产品y的评分情况；
Figure BDA0002518016340000041
其中ρ是归一化系数，t1-t2表示登录时间差，σ是时间衰减指数，T1-T2表示操作行为时间差；
Figure BDA0002518016340000042
其中
Figure BDA0002518016340000043
表示产品y的权值，
Figure BDA0002518016340000044
表示产品y的自信息量；
Figure BDA0002518016340000045
其中λy表示与频率相关的权值；
Figure BDA0002518016340000046
其中
Figure BDA0002518016340000047
表示两个用户根据位置关系确定的相似度的权值大小。
优选地，其中
Figure BDA0002518016340000048
u和uy分别表示用户总操作行为的频率和对产品y的频率。
优选地，其中
Figure BDA0002518016340000049
本发明提供的该用户相似度计算方法，和传统技术相比，具有以下技术优点：首先对获取到的用户信息基于属性进行聚类，实现用户分组，确定相似度计算的大致范围，避免多次从原始数据中进行繁琐且冗余的计算。同时考虑到用户相似度和用户的登陆时间成正比，但关系又会随着时间延长而衰减，因此用一个公式将相似度与时间的两种关系结合起来。对于不活跃的用户，其行为应更具有可信度，因此将用户行为频率和相似度之间的关系考虑为负相关，同时获取用户的位置信息，将距离远近也作为衡量相似度的一个方面。籍此使得本发明可以从多个方面考虑了影响用户相似度的因素，提高了计算结果的准确性和普适性，时间更短，效率更高，推荐结果更准确，能提供更好的个性化推荐服务。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明的用户相似度计算方法的架构图；
图2是本发明的用户相似度计算方法的计算流程图；
图3是本发明包括位置距离计算相似度的流程图。
具体实施方式
下面对本发明的具体实施方式进行详细地说明。以下示例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为了使本领域的技术人员更好的理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“S1”、“S2”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
实施例1
传统的协同过滤推荐算法中，用户相似度计算比较简单，一般直接根据用户历史行为判断相似性，本发明的该用户相似度计算方法，能够更加全面的考虑影响用户相似度的因子。首先通过对用户信息进行简单聚类分组，来降低时间复杂度，将相似度和登录时间的正相关关系和随时间而衰减的负相关关系同时考虑进一个公式，并在分母进行了归一化处理；通过对用户分别增加自信息量的权值和频率负相关的权值，从而即可够较为全面的提高相似度计算的准确性。
具体来说，该用户相似度计算方法主要包括：根据用户属性进行简单聚类分组，得出基于静态属性的相似度simattr；根据用户相似度与登录时间成正比，但又受时间衰减效应计算出simtime；根据用户相似度与用户的操作行为频率负相关的关系计算出simfre；通过用户被产品吸引的不确定性，为用户增加自信息量得出siminf；最终将上述计算得出的各相似度进行叠加和归一化处理，即可得出最终的用户相似度。
如：
Figure BDA0002518016340000071
其中
Figure BDA0002518016340000072
表示用户u1对产品y的评分情况。
Figure BDA0002518016340000073
其中ρ是归一化系数，t1-t2表示登录时间差，σ是时间衰减指数，T1-T2表示操作行为时间差。
Figure BDA0002518016340000074
其中
Figure BDA0002518016340000075
表示产品y的权值，
Figure BDA0002518016340000076
表示产品y的自信息量。
Figure BDA0002518016340000077
其中λy表示与频率相关的权值。
实施例2
在另一较佳实施方式下，本发明提供的该用户相似度计算方法，首先通过对用户信息进行简单聚类分组，来降低时间复杂度，将相似度和登录时间的正相关关系和随时间而衰减的负相关关系同时考虑进一个公式，并在分母进行了归一化处理；通过对用户分别增加自信息量的权值和频率负相关的权值，并在此基础上通过获取用户位置信息，将距离权值也考虑进用户相似度中，能够较为全面的提高相似度计算的准确性。
具体来说，该用户相似度计算方法主要包括：
S1根据用户属性进行聚类分组，计算基于静态属性的相似度simattr；
S2根据用户相似度与登录时间成正比，但又受时间衰减效应计算出相似度simtime；
S3根据用户相似度与用户的操作行为频率呈负相关的关系计算出相似度simfre；
S4通过用户被产品吸引的不确定性，为用户增加自信息量得出相似度siminf；
S5定位用户当前位置，根据距离长短给用户相似度加权值得出相似度simpos；
S6将S1-S5计算得出的各相似度进行叠加和归一化处理，得出最终的用户相似度；其中：
Figure BDA0002518016340000081
其中
Figure BDA0002518016340000082
表示用户u1对产品y的评分情况；
Figure BDA0002518016340000083
其中ρ是归一化系数，t1-t2表示登录时间差，σ是时间衰减指数，T1-T2表示操作行为时间差；
Figure BDA0002518016340000084
其中
Figure BDA0002518016340000091
表示产品y的权值，
Figure BDA0002518016340000092
表示产品y的自信息量；
Figure BDA0002518016340000093
其中λy表示与频率相关的权值；
Figure BDA0002518016340000094
其中
Figure BDA0002518016340000095
表示两个用户根据位置关系确定的相似度的权值大小。
其中举例来说，本算法所使用的业务可大致分为以下几类：1.用户基本信息。该类信息在用户首次访问系统时进行注册登录所得。如果是个人，则包括用户姓名，性别，联系方式，联系地址。如果是企业，则包括企业运营信息、人员信息、财务信息、知识产权信息等。2.用户历史数据。该类数据由用户的历史行为记录，如对某种业务产品的浏览时长，加购次数等组成。
其中关键技术主要包括：根据用户属性进行简单聚类分组，得出基于静态属性的相似度simattr；根据用户相似度与登录时间成正比，但又受时间衰减效应计算出simtime；根据用户相似度与用户的操作行为频率负相关的关系计算出simfre；通过用户被产品吸引的不确定性，为用户增加自信息量得出siminf；定位用户当前位置，根据距离长短给用户相似度加权值得出simpos。
图1是本发明的用户相似度计算方法的架构图，通过图1可知首先需要获取数据，此处的数据就是前面提到的用户基本数据和历史信息。然后对数据进行预处理，可分为三个步骤：两步聚类，把获取到的初始信息类型分开，然后再将结果进行k-均值聚类，最后通过系统聚类，对分类结果进行判别分析。简单分类后将处理结果转化为特征向量以便进行相似度的计算。
具体的相似度计算过程如图2所示。将经过预处理获取到的特征向量输入，分别得到每一个用户的向量信息。首先使用用户对产品的评分信息，通过simattr的相关公式，计算出关于用户评分的相似度情况；然后使用用户的登陆时间和对产品进行操作的具体时间，利用与登陆时间正相关，但随时间延长而衰减的关系，通过simtime的相关公式计算出关于时间的相似度情况；接下来根据分类结果，对每个产品增加由自信息量确定的权值，再结合用户评分信息，通过siminf计算出关于自信息量的相似度情况；然后通过用户的操作频率，利用操作频率越低，操作行为所占权值越重的关系，通过simfre确定频率与用户相似度的关系；最后，根据图3的位置距离计算相似度流程图，通过获取到用户的位置信息，根据位置的距离关系确定相似度之间的权值，将前面四个相似度结果进行叠加平均，并对分母进行归一化处理，利用距离权值计算出最终的用户相似度。
如现在获取到两组聚类后的用户A和B的基本信息，包括姓名，性别，联系方式，联系地址，历史行为记录表等。那么根据两者历史行为表中对产品的喜爱程度，若用户A对产品a、b、c、d的喜爱程度分别为2、4、0、0；用户B对四个产品的喜爱程度分别为1、0、0、24，则根据公式可得出simattr为0.018。根据两者登录时间和具体操作行为的时间差，利用线性函数归一化方法
Figure BDA0002518016340000101
计算出归一化系数ρ和σ，得出wy的值，进而得出simtime为0.352。再通过自信息量计算公式
Figure BDA0002518016340000102
对每个产品进行自信息量的权值附加，其中p(a)是从表中收集到的用户对产品a的评分比平均评分高的次数，f(a)是该产品被评分的次数，然后可得出基于自信息量的相似度siminf为0.103。
利用记录表中用户的登录次数和对产品的操作次数，通过
Figure BDA0002518016340000111
计算出反频率公式中的权值，其中u和uy分别表示用户总操作行为的频率和对产品y的频率，代入simfre得出关于频率的相似度0.473。
最后通过获取用户实时位置，将两者之间的位置距离映射进距离权值二维矩阵中，此处二维矩阵可以自定义，只需满足距离和权值的一一映射关系即可。再将前面计算得出的相似度进行叠加和归一化处理，得出最终的用户相似度为0.403。
通过结果可以明显看出，如果只考虑用户属性之间的联系，那么两者相似度极低；若只考虑频率带来的影响，那么相似度相对较高。而本发明考虑到多种情况后进行融合平均，能得出较为客观全面的相似度结果。
综上所述，本发明提供的该用户相似度计算方法，更加全面的考虑影响用户相似度的因子。首先通过对用户信息进行简单聚类分组，来降低时间复杂度，将相似度和登录时间的正相关关系和随时间而衰减的负相关关系同时考虑进一个公式，并在分母进行了归一化处理；通过对用户分别增加自信息量的权值和频率负相关的权值，并在此基础上通过获取用户位置信息，将距离权值也考虑进用户相似度中，从而能够较为全面的提高相似度计算的准确性。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制，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保护范围之内。
本领域技术人员可以理解，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。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)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (4)

1.一种用户相似度计算方法，步骤包括：
S1根据用户属性进行聚类分组，计算基于静态属性的相似度simattr；
S2根据用户相似度与登录时间成正比，但又受时间衰减效应计算出相似度simtime；
S3根据用户相似度与用户的操作行为频率呈负相关的关系计算出相似度simfre；
S4通过用户被产品吸引的不确定性，为用户增加自信息量得出相似度siminf；
S5将S1-S4计算得出的各相似度进行叠加和归一化处理，得出最终的用户相似度；其中：
Figure FDA0002518016330000011
其中
Figure FDA0002518016330000012
表示用户u1对产品y的评分情况；
Figure FDA0002518016330000013
其中ρ是归一化系数，t1-t2表示登录时间差，σ是时间衰减指数，T1-T2表示操作行为时间差；
Figure FDA0002518016330000014
其中
Figure FDA0002518016330000021
表示产品y的权值，
Figure FDA0002518016330000022
表示产品y的自信息量；
Figure FDA0002518016330000023
其中λy表示与频率相关的权值。
2.一种用户相似度计算方法，步骤包括：
S1根据用户属性进行聚类分组，计算基于静态属性的相似度simattr；
S2根据用户相似度与登录时间成正比，但又受时间衰减效应计算出相似度simtime；
S3根据用户相似度与用户的操作行为频率呈负相关的关系计算出相似度simfre；
S4通过用户被产品吸引的不确定性，为用户增加自信息量得出相似度siminf；
S5定位用户当前位置，根据距离长短给用户相似度加权值得出相似度simpos；
S6将S1-S5计算得出的各相似度进行叠加和归一化处理，得出最终的用户相似度；其中：
Figure FDA0002518016330000031
其中
Figure FDA0002518016330000032
表示用户u1对产品y的评分情况；
Figure FDA0002518016330000033
其中ρ是归一化系数，t1-t2表示登录时间差，σ是时间衰减指数，T1-T2表示操作行为时间差；
Figure FDA0002518016330000034
其中
Figure FDA0002518016330000035
表示产品y的权值，
Figure FDA0002518016330000036
表示产品y的自信息量；
Figure FDA0002518016330000037
其中λy表示与频率相关的权值；
Figure FDA0002518016330000038
其中
Figure FDA0002518016330000039
表示两个用户根据位置关系确定的相似度的权值大小。
3.根据权利要求2所述的用户相似度计算方法，其中
Figure FDA00025180163300000310
u和uy分别表示用户总操作行为的频率和对产品y的频率。
4.根据权利要求3所述的用户相似度计算方法，其中
Figure FDA0002518016330000041
CN202010487360.4A 2020-06-01 2020-06-01 一种用户相似度计算方法 Active CN111639268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010487360.4A CN111639268B (zh) 2020-06-01 2020-06-01 一种用户相似度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010487360.4A CN111639268B (zh) 2020-06-01 2020-06-01 一种用户相似度计算方法

Publications (2)

Publication Number Publication Date
CN111639268A CN111639268A (zh) 2020-09-08
CN111639268B true CN111639268B (zh) 2023-02-17

Family

ID=72328624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010487360.4A Active CN111639268B (zh) 2020-06-01 2020-06-01 一种用户相似度计算方法

Country Status (1)

Country Link
CN (1) CN111639268B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570090A (zh) * 2016-10-20 2017-04-19 杭州电子科技大学 基于兴趣变化和信任关系的协同过滤推荐方法
CN106682152A (zh) * 2016-12-23 2017-05-17 西安电子科技大学 一种个性化消息推荐方法
CN108205775A (zh) * 2016-12-20 2018-06-26 阿里巴巴集团控股有限公司 一种业务对象的推荐方法、装置和客户端
CN109783734A (zh) * 2019-01-17 2019-05-21 湖南大学 一种基于项目属性的混合协同过滤推荐算法
CN110569444A (zh) * 2019-08-13 2019-12-13 北京工业大学 一种融合相似度与时间衰减的改进slope one算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10824660B2 (en) * 2015-11-24 2020-11-03 Adobe Inc. Segmenting topical discussion themes from user-generated posts

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570090A (zh) * 2016-10-20 2017-04-19 杭州电子科技大学 基于兴趣变化和信任关系的协同过滤推荐方法
CN108205775A (zh) * 2016-12-20 2018-06-26 阿里巴巴集团控股有限公司 一种业务对象的推荐方法、装置和客户端
CN106682152A (zh) * 2016-12-23 2017-05-17 西安电子科技大学 一种个性化消息推荐方法
CN109783734A (zh) * 2019-01-17 2019-05-21 湖南大学 一种基于项目属性的混合协同过滤推荐算法
CN110569444A (zh) * 2019-08-13 2019-12-13 北京工业大学 一种融合相似度与时间衰减的改进slope one算法

Also Published As

Publication number Publication date
CN111639268A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN107146089B (zh) 一种刷单识别方法及装置，电子设备
US8032448B2 (en) Detecting and measuring risk with predictive models using content mining
US11593847B2 (en) Unsupervised embeddings disentanglement using a GAN for merchant recommendations
WO2007106786A2 (en) Methods and systems for multi-credit reporting agency data modeling
US11562262B2 (en) Model variable candidate generation device and method
US20190392295A1 (en) Information processing device, method, and program that use deep learning
Artasanchez et al. Artificial Intelligence with Python: Your complete guide to building intelligent apps using Python 3. x
US20210103925A1 (en) Feature subspace isolation and disentanglement in merchant embeddings
CN107622197A (zh) 设备识别方法及装置、用于设备识别的权重计算方法及装置
TW201539214A (zh) 用以找出複雜二元或多重交易方關係之多維遞迴學習方法和系統
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
Zhou et al. Personal credit default prediction model based on convolution neural network
Xu Machine Learning for Flavor Development
CN113688906A (zh) 基于量子K-means算法的客户细分方法和系统
Datta et al. Detecting suspicious timber trades
CN111639268B (zh) 一种用户相似度计算方法
Nikitin et al. Evolutionary ensemble approach for behavioral credit scoring
EP3418916A1 (en) Method and apparatus for determining peak sale and one year sale prediction for hardcover first releases
CN113706258B (zh) 基于组合模型的产品推荐方法、装置、设备及存储介质
CN112328799B (zh) 问题分类方法和装置
JP2018067215A (ja) データ分析システム、その制御方法、プログラム、及び、記録媒体
CN111598256B (zh) 目标客户的默搭购买行为的处理方法和装置
Chogugudza The classification performance of ensemble decision tree classifiers: A case study of detecting fraud in credit card transactions
Cherkaoui et al. A comparison of machine learning algorithms for credit card fraud detection
Melleng et al. Ranking Online Reviews Based on Their Helpfulness: An Unsupervised Approach

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