CN111667298A - 用户个性化需求预测方法和系统 - Google Patents

用户个性化需求预测方法和系统 Download PDF

Info

Publication number
CN111667298A
CN111667298A CN202010297189.0A CN202010297189A CN111667298A CN 111667298 A CN111667298 A CN 111667298A CN 202010297189 A CN202010297189 A CN 202010297189A CN 111667298 A CN111667298 A CN 111667298A
Authority
CN
China
Prior art keywords
interest
user
product
distribution
hidden
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
CN202010297189.0A
Other languages
English (en)
Other versions
CN111667298B (zh
Inventor
姜元春
刘畅
梁瑞成
钱洋
刘业政
贺菲菲
陶丹丹
汪文娟
周永行
陶守正
刘心语
李怡
王俊福
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.)
Hefei University of Technology
Original Assignee
Hefei University of 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010297189.0A priority Critical patent/CN111667298B/zh
Publication of CN111667298A publication Critical patent/CN111667298A/zh
Application granted granted Critical
Publication of CN111667298B publication Critical patent/CN111667298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种用户个性化需求预测方法和系统，涉及个性化需求预测领域。包括以下步骤：本发明通过获取用户数据、产品数据和用户兴趣数据，并形成历史数据；基于历史数据得到用户隐群；基于历史数据设定用户隐群的兴趣选择器，基于用户隐群和兴趣选择器获取隐群‑兴趣分布；基于历史数据设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于目标兴趣和产品选择器获取兴趣‑产品分布；基于隐群‑兴趣分布和兴趣‑产品分布构建双稀疏模型，基于双稀疏模型获取用户个体‑兴趣分布；基于用户个体‑兴趣分布和兴趣‑产品分布获取用户对产品的偏好得分，基于偏好得分获取用户的产品推荐结果。本发明可以准确预测用户的个性化需求。

Description

用户个性化需求预测方法和系统
技术领域
本发明涉及个性化需求预测技术领域，具体涉及一种用户个性化需求预测方法和系统。
背景技术
电子商务环境下，丰富的产品选择和更强的自主意识使得消费者需求的个性化特征越来越明显。以满足消费者个性化需求为出发点拉动企业经营方式转型和商业模式创新，已经成为电子商务理论与实践创新的重要方向。由于消费者的个性化需求通常隐含在点击、购买、搜索和评论等海量行为数据中，设计有效的方法预测消费者的个性化需求是个性化实践的基础，也是个性化理论研究的热点问题。
为了分析消费者的个性化需求，现有技术一般使用需求预测方法，如矩阵分解、张量分解、深度学习等，通过生成模型预测。生成模型是假设用户浏览或发表的文本内容由其主题偏好得分生成，通过构建主题偏好得分到文本内容的生成过程，对用户的主题偏好得分进行预测。
然而本申请的发明人发现现有技术在实际应用中，消费者个体数据具有稀疏性的问题。与电商平台的海量产品相比，消费者个体往往只有极少的购买记录，用于预测个性化需求的数据集合呈现出极度的稀疏性。在消费者个体的购买记录较少时，现有技术无法准确预测其个性化需求，即现有技术存在准确性低的缺点。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种用户个性化需求预测方法和系统，解决了现有技术准确性低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明解决其技术问题所提供的一种用户个性化需求预测方法，所述预测方法由计算机执行，包括以下步骤：
获取用户数据、产品数据和用户兴趣数据，并形成历史数据；
基于所述历史数据对用户进行划分，得到用户隐群；
基于所述历史数据预先设定用户隐群的兴趣选择器，基于所述用户隐群和所述兴趣选择器获取隐群-兴趣分布；
基于所述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于所述目标兴趣和所述产品选择器获取兴趣-产品分布；
基于所述隐群-兴趣分布和所述兴趣-产品分布构建双稀疏模型，基于所述双稀疏模型获取用户个体-兴趣分布；
基于所述用户个体-兴趣分布和所述兴趣-产品分布获取用户对产品的偏好得分，基于所述用户对产品的偏好得分获取用户的产品推荐结果。
优选的，所述用户隐群的获取方法包括：
将若干个用户划分隐群，所有用户的隐群分布ψ进行狄利克雷分布建模：
ψ～Dir(λ)
其中：
λ表示超参数；
用户u所属的隐群gu服从以ψ为参数的多项式分布：
gu～Multi(ψ)
基于吉布斯采样方法，根据其他用户所属隐群采样用户u所属隐群，得到用户u分配到隐群g的概率。
优选的，所述用户u分配到种群g的概率的获取方法包括：
Figure BDA0002452626420000031
其中：
K表示兴趣的数量；U表示用户数量；G表示隐群数量；
Figure BDA0002452626420000032
表示用户u以外的用户；
Figure BDA0002452626420000033
Mg表示隐群g包含的用户数；
Nu表示用户u购买的产品数；
Figure BDA0002452626420000034
表示用户u的兴趣z包含的产品数；
Ng表示隐群g包含的产品数；
Figure BDA0002452626420000035
表示隐群g的兴趣z包含的产品数；
ag,z是隐群g的兴趣选择器，表示隐群g是否选择兴趣z，取1或0；
Ag＝{z:ag,z＝1,z∈{1,2,...K}}为隐群g选择的兴趣集合，
Figure BDA0002452626420000041
设定平滑先验α，弱平滑先验
Figure BDA0002452626420000042
使得
Figure BDA0002452626420000043
优选的，所述用户隐群的兴趣选择器为：
Figure BDA0002452626420000044
ag,z～Ber(πg)
πg～Beta(γ0,γ1)
其中：
ag,z为二元变量，服从参数为πg的伯努利分布；
πg为伯努利变量，服从参数为γ0，γ1的贝塔分布；
当ag,z＝1时，表示兴趣z被隐群g选择；当ag,z＝0时，表示兴趣未被隐群g选择；
所述隐群-兴趣分布的获取方法包括：
基于预设的辅助变量和联合条件概率分布方法，对所述兴趣选择器进行采样；
基于Spike and slab先验方法，对隐群-兴趣分布从以
Figure BDA0002452626420000045
为参数的狄利克雷分布中采样：
Figure BDA0002452626420000046
其中：
θg表示隐群g的兴趣分布。
优选的，对所述兴趣选择器进行采样，包括：
获取所述辅助变量和所述兴趣选择器的联合概率分布：
Figure BDA0002452626420000047
其中：
πg表示隐群g选择兴趣的概率；
Figure BDA0002452626420000051
为分配到隐群dg′中兴趣的集合；
Figure BDA0002452626420000052
表示指示函数，判断A′g是否是Ag的子集；
利用联合条件概率分布，根据p(πg|γ0,γ1)和p(ag,z|πg)迭代采样πg ag,z；
所述隐群-兴趣分布为：
Figure BDA0002452626420000053
其中：
θg,z表示隐群-兴趣分布；
Figure BDA0002452626420000054
表示
Figure BDA0002452626420000055
是用户u所属隐群隐群gu的兴趣选择器，表示隐群gu是否选择兴趣z，取1或0；
Figure BDA0002452626420000056
表示隐群gu选择的兴趣集合，
Figure BDA0002452626420000058
优选的，所述用户兴趣的产品选择器为：
Figure BDA0002452626420000057
bz,p～Ber(π′z)
π′z～Beta(s0,s1)
其中：
bz,p为二元变量，服从参数为πz′的伯努利分布；
πz′为伯努利变量，服从参数为s0,s1的贝塔分布；
当bz,p＝1时，表示产品p被兴趣z选择；当bz,p＝0时，表示产品p未被兴趣z选择；
设定平滑先验β，弱平滑先验
Figure BDA0002452626420000061
使得
Figure BDA0002452626420000062
所述兴趣-产品分布的获取方法包括：
基于预设的辅助变量和联合条件概率分布方法，对所述产品选择器进行采样，包括：
获取所述辅助变量和所述产品选择器的联合概率分布：
Figure BDA0002452626420000063
其中：
πz′表示兴趣z选择产品的概率；
Figure BDA0002452626420000064
为分配到兴趣z中产品的集合；
Figure BDA0002452626420000065
指示B′z是否是Bz的子集；
利用联合条件概率分布，根据p(π′z|s0,s1)和p(bz,p|π′z)迭代采样πz′和bz,p，最后得到
Figure BDA0002452626420000066
基于Spike and slab先验方法，对兴趣-产品分布从以
Figure BDA0002452626420000067
为参数的狄利克雷分布中采样：
Figure BDA0002452626420000068
其中：
φz表示兴趣z的产品分布；
根据目标兴趣和产品选择器得到兴趣-产品分布：
Figure BDA0002452626420000069
其中：
φz,p表示兴趣-产品分布；
Figure BDA0002452626420000071
表示兴趣z中包含产品p的数量；
Figure BDA0002452626420000072
表示兴趣z包含的产品的总数；
bz,p是产品选择器，表示兴趣z是否选择产品p，取1或0；
Bz＝{p:bz,p＝1,p∈{1,2,...V}}为兴趣z选择的产品集合，
Figure BDA0002452626420000073
优选的，所述目标兴趣的获取方法包括：
基于吉布斯采样方法，对用户u购买的第n个产品对应的兴趣z进行采样：
Figure BDA0002452626420000074
其中：
Figure BDA0002452626420000075
表示兴趣z中包含产品p的数量；
Figure BDA0002452626420000076
表示兴趣z包含的产品的总数；
bz,p是产品选择器，表示兴趣z是否选择产品p，取1或0；
Bz＝{p:bz,p＝1,p∈{1,2,...V}}为兴趣z选择的产品集合，
Figure BDA0002452626420000077
Rest表示除了当产品之外的产品兴趣向量；
基于吉布斯采样方法，对gu、πg、
Figure BDA0002452626420000078
z重复采样迭代预设次数至收敛。
优选的，所述用户个体-兴趣分布的获取方法包括：
Figure BDA0002452626420000079
其中：
Figure BDA00024526264200000710
表示用户u所属隐群隐群gu的兴趣选择器，表示隐群gu是否选择兴趣z，取1或0；
Figure BDA0002452626420000081
表示隐群gu选择的兴趣集合，
Figure BDA0002452626420000082
优选的，所述用户对产品的偏好得分的获取方法包括：
Pru,p＝θu,z×φz,p
其中：
Pru,p表示用户u对于产品p的偏好得分；
θu,z表示用户个体-兴趣分布；
φz,p表示兴趣-产品分布。
本发明解决其技术问题所提供的一种用户个性化需求预测系统，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
获取用户数据、产品数据和用户兴趣数据，并形成历史数据；
基于所述历史数据对用户进行划分，得到用户隐群；
基于所述历史数据预先设定用户隐群的兴趣选择器，基于所述用户隐群和所述兴趣选择器获取隐群-兴趣分布；
基于所述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于所述目标兴趣和所述产品选择器获取兴趣-产品分布；
基于所述隐群-兴趣分布和所述兴趣-产品分布构建双稀疏模型，基于所述双稀疏模型获取用户个体-兴趣分布；
基于所述用户个体-兴趣分布和所述兴趣-产品分布获取用户对产品的偏好得分，基于所述用户对产品的偏好得分获取用户的产品推荐结果。
(三)有益效果
本发明提供了一种用户个性化需求预测方法、系统和存储介质。与现有技术相比，具备以下有益效果：
本发明通过获取用户数据、产品数据和用户兴趣数据，并形成历史数据；基于历史数据对用户进行划分，得到用户隐群；基于历史数据预先设定用户隐群的兴趣选择器，基于用户隐群和兴趣选择器获取隐群-兴趣分布；基于历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于目标兴趣和产品选择器获取兴趣-产品分布；基于隐群-兴趣分布和兴趣-产品分布构建双稀疏模型，基于双稀疏模型获取用户个体-兴趣分布；基于用户个体-兴趣分布和兴趣-产品分布获取用户对产品的偏好得分，基于用户对产品的偏好得分获取用户的产品推荐结果。本发明应对个体数据的稀疏性问题，从群体兴趣到个体兴趣进行分层研究；同时面向用户-兴趣分布和兴趣-产品分布进行了双稀疏处理策略，提高个性化需求预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的用户个性化需求预测方法的整体流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本申请实施例通过提供一种用户个性化需求预测方法和系统，解决了现有技术准确性低问题，可以准确预测用户的个性化需求。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例通过本发明通过获取用户数据、产品数据和用户兴趣数据，并形成历史数据；基于历史数据对用户进行划分，得到用户隐群；基于历史数据预先设定用户隐群的兴趣选择器，基于用户隐群和兴趣选择器获取隐群-兴趣分布；基于历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于目标兴趣和产品选择器获取兴趣-产品分布；基于隐群-兴趣分布和兴趣-产品分布构建双稀疏模型，基于双稀疏模型获取用户个体-兴趣分布；基于用户个体-兴趣分布和兴趣-产品分布获取用户对产品的偏好得分，基于用户对产品的偏好得分获取用户的产品推荐结果。本发明实施例应对个体数据的稀疏性问题，从群体兴趣到个体兴趣进行分层研究；同时面向用户-兴趣分布和兴趣-产品分布进行了双稀疏处理策略，提高个性化需求预测的准确性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种用户个性化需求预测方法，该方法由计算机执行，如图1所示，包括以下步骤：
S1、获取用户数据、产品数据和用户兴趣数据，并形成历史数据；
S2、基于上述历史数据对用户进行划分，得到用户隐群；
S3、基于上述历史数据预先设定用户隐群的兴趣选择器，基于上述用户隐群和上述兴趣选择器获取隐群-兴趣分布；
S4、基于上述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于上述目标兴趣和上述产品选择器获取兴趣-产品分布；
S5、基于上述隐群-兴趣分布和上述兴趣-产品分布构建双稀疏模型，基于上述双稀疏模型获取用户个体-兴趣分布；
S6、基于上述用户个体-兴趣分布和上述兴趣-产品分布获取用户对产品的偏好得分，基于上述用户对产品的偏好得分获取用户的产品推荐结果。
本发明实施例通过本发明通过获取用户数据、产品数据和用户兴趣数据，并形成历史数据；基于历史数据对用户进行划分，得到用户隐群；基于历史数据预先设定用户隐群的兴趣选择器，基于用户隐群和兴趣选择器获取隐群-兴趣分布；基于历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于目标兴趣和产品选择器获取兴趣-产品分布；基于隐群-兴趣分布和兴趣-产品分布构建双稀疏模型，基于双稀疏模型获取用户个体-兴趣分布；基于用户个体-兴趣分布和兴趣-产品分布获取用户对产品的偏好得分，基于用户对产品的偏好得分获取用户的产品推荐结果。本发明实施例应对个体数据的稀疏性问题，从群体兴趣到个体兴趣进行分层研究；同时面向用户-兴趣分布和兴趣-产品分布进行了双稀疏处理策略，提高个性化需求预测的准确性。
下面对各步骤进行具体分析。
本发明实施例构建了群体兴趣到个体兴趣的分层生成模型。假设用户群体中包含以兴趣为纽带的隐性群体，每个隐性群体中的用户之间虽然没有类似好友、关注等形成的显性链接，但是具有相似的需求和购买行为。现有实证研究表明，将用户行为数据与兴趣近邻数据相结合，有助于提高个体需求预测的准确性。为此，本发明实施例将群体兴趣作为个体需求的先验，提出了消费者个体需求的预测方法，以此缓解消费者个体数据稀疏性的消极影响。
需要说明的是，本发明实施例为了应对个体数据的稀疏性问题，针对消费者有限兴趣和特定兴趣包含有限产品等问题，假设消费者个体的兴趣分布具有偏斜性特征，即每个消费者仅对少量主题感兴趣。同样的，假设不同兴趣的产品分布亦具有偏斜性特征，即每个兴趣仅包含有限的产品类型。通过引入Spike-and-Slab先验，设计了面向用户-兴趣分布和兴趣-产品分布的双稀疏处理策略。
在步骤S1中，获取用户数据、产品数据和用户兴趣数据，并形成历史数据。
具体的，本发明实施例设定共有U个用户，基于相似的兴趣偏好得分分为G个隐群，用户共有K种兴趣，市场上共有V种产品。
用户u购买的产品集合为
Figure BDA0002452626420000131
其中u∈{1,2,...U}，Nu为用户u购买的产品数，pui∈{1,...,V}表示用户u购买的第i件产品，用户u根据兴趣zui选择产品pui，zui∈{1,2,...K}用户u购买的第i件产品对应的兴趣，用户u所属的隐群为gu，gu∈{1,2,...G}，第g个隐群中包含的用户表示为
Figure BDA0002452626420000132
其中Mg为隐群g包含的用户数，ugj∈{1,2,...U}。
本发明实施例设定ψ为用户隐群分布，θ为隐群兴趣分布，a为兴趣选择器，φ为兴趣产品分布，b为产品选择器。
在步骤S2中，基于上述历史数据对用户进行划分，得到用户隐群。
具体的，包括以下步骤：
S201、建立用户隐群G。
本发明实施例设定用户购买记录来自隐群的购买记录且一个用户只属于一个隐群。U个用户被划分到G个隐群中，每个隐群中的用户具有相似需求或购买行为。
将若干个用户划分隐群，所有用户的隐群分布ψ进行狄利克雷分布建模：
ψ～Dir(λ)
其中：
λ表示超参数。
S202、用户u所属的隐群gu服从以ψ为参数的多项式分布：
gu～Multi(ψ)
S203、基于吉布斯采样方法，根据其他用户所属隐群采样用户u所属隐群。用户u分配到隐群g的概率如下：
Figure BDA0002452626420000141
其中：
K表示兴趣的数量；U表示用户数量；G表示隐群数量；
Figure BDA0002452626420000142
表示用户u以外的用户；
Figure BDA0002452626420000143
Mg表示隐群g包含的用户数；
Nu表示用户u购买的产品数；
Figure BDA0002452626420000144
表示用户u的兴趣z包含的产品数；
Ng表示隐群g包含的产品数；
Figure BDA0002452626420000145
表示隐群g的兴趣z包含的产品数；
ag,z是隐群g的兴趣选择器，表示隐群g是否选择兴趣z，取1或0；
Ag＝{z:ag,z＝1,z∈{1,2,...K}}为隐群g选择的兴趣集合，
Figure BDA0002452626420000146
i取值为i＝1到Nu，j取值为j＝1到
Figure BDA0002452626420000147
本发明实施例设定平滑先验α，弱平滑先验
Figure BDA0002452626420000148
使得
Figure BDA0002452626420000149
在步骤S3中，基于上述历史数据预先设定用户隐群的兴趣选择器，基于上述用户隐群和上述兴趣选择器获取隐群-兴趣分布。
在本发明实施例中，采用伯努利变量π为预设的辅助变量。
具体的，包括以下步骤：
S301、获取兴趣选择器。
本发明实施例设定G个隐群共包含K种兴趣，隐群g的兴趣分布为θg，隐群的兴趣选择器为
Figure BDA0002452626420000151
用于表示某个兴趣是否被隐群选择。
Figure BDA0002452626420000152
定义如下：
Figure BDA0002452626420000153
ag,z～Ber(πg)
πg～Beta(γ0,γ1)
其中：
ag,z为二元变量，服从参数为πg的伯努利分布；
πg为伯努利变量，服从参数为γ0,γ1的贝塔分布。具体的，γ0,γ1是Beta分布的超参数，是个常数，需要人为设定，本发明实施例中设定为0.1，0.1。
当ag,z＝1时，表示兴趣z被隐群g选择；当ag,z＝0时，表示兴趣未被隐群g选择。
S302、获取隐群-兴趣分布。具体的：
S3021、基于预设的辅助变量和联合条件概率分布方法，对上述兴趣选择器进行采样。
具体的，获取上述辅助变量和上述兴趣选择器的联合概率分布：
Figure BDA0002452626420000154
其中：
πg表示隐群g选择兴趣的概率；
Figure BDA0002452626420000168
为分配到隐群dg′中兴趣的集合；
Figure BDA0002452626420000161
表示指示函数，判断A′g是否是Ag的子集。
利用联合条件概率分布，根据p(πg|γ0,γ1)和p(ag,z|πg)迭代采样πgag,z。
S3022、基于Spike and slab先验方法，对隐群-兴趣分布从以
Figure BDA0002452626420000162
为参数的狄利克雷分布中采样：
Figure BDA0002452626420000163
其中：
θg表示隐群g的兴趣分布。
S3023、隐群-兴趣分布为：
Figure BDA0002452626420000164
其中：
θg,z表示隐群-兴趣分布；
Figure BDA0002452626420000165
是用户u所属隐群隐群gu的兴趣选择器，表示隐群gu是否选择兴趣z，取1或0；
Figure BDA0002452626420000166
表示隐群gu选择的兴趣集合，
Figure BDA0002452626420000167
本发明实施例可根据步骤S3得到隐群-兴趣稀疏性模型。
在步骤S4中，基于上述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于上述目标兴趣和上述产品选择器获取兴趣-产品分布。
具体的，包括以下步骤：
S401、获取产品选择器。
隐群包含K种兴趣
Figure BDA0002452626420000171
每种兴趣是在V个产品上的多项式分布。引入产品选择器
Figure BDA0002452626420000172
用于表示产品是否被兴趣所选择。产品选择器
Figure BDA0002452626420000173
定义如下：
Figure BDA0002452626420000174
bz,p～Ber(π′z)
π′z～Beta(s0,s1)
其中：
bz,p为二元变量，服从参数为πz′的伯努利分布；
π′z为伯努利变量，服从参数为s0,s1的贝塔分布。具体的，s0,s1是Beta分布的超参数，是个常数，需要人为设定，本发明实施例中设定为0.1，0.1。
当bz,p＝1时，表示产品p被兴趣z选择；当bz,p＝0时，表示产品p未被兴趣z选择。
本发明实施例设定平滑先验β，弱平滑先验
Figure BDA0002452626420000175
使得
Figure BDA0002452626420000176
S402、基于预设的辅助变量和联合条件概率分布方法，对上述产品选择器进行采样。
具体的，基于预设的辅助变量π′，对产品选择器
Figure BDA0002452626420000177
采样。πz′，
Figure BDA00024526264200001710
的联合概率分布为：
Figure BDA0002452626420000179
其中：
Figure BDA0002452626420000181
为分配到兴趣z中产品的集合；
Figure BDA0002452626420000182
指示B′z是否是Bz的子集。
利用联合条件概率分布，根据p(π′z|s0,s1)和p(bz,p|π′z)迭代采样πz′和bz,p，最后得到
Figure BDA0002452626420000183
S403、基于Spike and slab先验方法，对兴趣-产品分布从以
Figure BDA0002452626420000184
为参数的狄利克雷分布中采样：
Figure BDA0002452626420000185
其中：
φz表示兴趣z的产品分布。
S404、对用户兴趣进行采样，得到目标兴趣。
具体的，基于吉布斯采样方法，对用户u购买的第n个产品对应的兴趣z进行采样：
Figure BDA0002452626420000186
其中：
Figure BDA0002452626420000187
表示兴趣z中包含产品p的数量；
Figure BDA0002452626420000188
表示兴趣z包含的产品的总数；
bz,p是产品选择器，表示兴趣z是否选择产品p，取1或0；
Bz＝{p:bz,p＝1,p∈{1,2,...V}}为为兴趣z选择的产品集合，
Figure BDA0002452626420000189
Rest表示除了当产品之外的产品兴趣向量。
基于吉布斯采样方法，对gu、πg、
Figure BDA00024526264200001810
z重复采样迭代预设次数至收敛。在本发明实施例中，重复采样迭代2000次。
S405、根据目标兴趣和产品选择器得到兴趣-产品分布：
Figure BDA0002452626420000191
其中：
φz,p表示兴趣-产品分布；
Figure BDA0002452626420000192
表示兴趣z中包含产品p的数量；
Figure BDA0002452626420000193
表示兴趣z包含的产品的总数；
bz,p是产品选择器，表示兴趣z是否选择产品p，取1或0；
Bz＝{p:bz,p＝1,p∈{1,2,...V}}为兴趣z选择的产品集合，
Figure BDA0002452626420000194
本发明实施例根据步骤S3得到兴趣-产品稀疏性模型。
在步骤S5中，基于上述隐群-兴趣分布和上述兴趣-产品分布构建双稀疏模型，基于上述双稀疏模型获取用户个体-兴趣分布。
根据步骤S3和S4构建的两个稀疏性模型得到隐群-兴趣分布和兴趣-产品分布的双稀疏模型。
对于每个隐群g，根据预训练的双稀疏模型学习得到相应的兴趣分布θg，根据采样结果统计用户购买的产品，得到用户个体的兴趣分布θu,z：
Figure BDA0002452626420000195
其中：
Figure BDA0002452626420000196
表示用户u所属隐群隐群gu的兴趣选择器，表示隐群gu是否选择兴趣z，取1或0；
Figure BDA0002452626420000197
表示隐群gu选择的兴趣集合，
Figure BDA0002452626420000201
在步骤S6中，基于上述用户个体-兴趣分布和上述兴趣-产品分布获取用户对产品的偏好得分，基于上述用户对产品的偏好得分获取用户的产品推荐结果。
具体的，包括以下步骤：
S601、获取用户对产品的偏好得分：
Pru,p＝θu,z×φz,p
其中：
Pru,p表示用户u对于产品p的偏好得分；
θu,z表示用户个体-兴趣分布；
φz,p表示兴趣-产品分布。
S602、获取产品推荐结果。
具体的，得到用户对所有产品的偏好得分：
Pru＝(Pru，1,Pru，2,...,Pru,p,...,Pru,v)
由高到低排列，选取位于前TopN的产品作为用户的推荐列表。
本发明实施例还提供了一种用户个性化需求预测系统，上述系统包括计算机，上述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：
S1、获取用户数据、产品数据和用户兴趣数据，并形成历史数据；
S2、基于上述历史数据对用户进行划分，得到用户隐群；
S3、基于上述历史数据预先设定用户隐群的兴趣选择器，基于上述用户隐群和上述兴趣选择器获取隐群-兴趣分布；
S4、基于上述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于上述目标兴趣和上述产品选择器获取兴趣-产品分布；
S5、基于上述隐群-兴趣分布和上述兴趣-产品分布构建双稀疏模型，基于上述双稀疏模型获取用户个体-兴趣分布；
S6、基于上述用户个体-兴趣分布和上述兴趣-产品分布获取用户对产品的偏好得分，基于上述用户对产品的偏好得分获取用户的产品推荐结果。
可理解的是，本发明实施例提供的上述预测系统与上述预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考用户个性化需求预测方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例通过本发明通过获取用户数据、产品数据和用户兴趣数据，并形成历史数据；基于历史数据对用户进行划分，得到用户隐群；基于历史数据预先设定用户隐群的兴趣选择器，基于用户隐群和兴趣选择器获取隐群-兴趣分布；基于历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于目标兴趣和产品选择器获取兴趣-产品分布；基于隐群-兴趣分布和兴趣-产品分布构建双稀疏模型，基于双稀疏模型获取用户个体-兴趣分布；基于用户个体-兴趣分布和兴趣-产品分布获取用户对产品的偏好得分，基于用户对产品的偏好得分获取用户的产品推荐结果。本发明实施例应对个体数据的稀疏性问题，从群体兴趣到个体兴趣进行分层研究；同时面向用户-兴趣分布和兴趣-产品分布进行了双稀疏处理策略，提高个性化需求预测的准确性。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用户个性化需求预测方法，其特征在于，所述预测方法由计算机执行，包括以下步骤：
获取用户数据、产品数据和用户兴趣数据，并形成历史数据；
基于所述历史数据对用户进行划分，得到用户隐群；
基于所述历史数据预先设定用户隐群的兴趣选择器，基于所述用户隐群和所述兴趣选择器获取隐群-兴趣分布；
基于所述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于所述目标兴趣和所述产品选择器获取兴趣-产品分布；
基于所述隐群-兴趣分布和所述兴趣-产品分布构建双稀疏模型，基于所述双稀疏模型获取用户个体-兴趣分布；
基于所述用户个体-兴趣分布和所述兴趣-产品分布获取用户对产品的偏好得分，基于所述用户对产品的偏好得分获取用户的产品推荐结果。
2.如权利要求1所述的预测方法，其特征在于，所述用户隐群的获取方法包括：
将若干个用户划分隐群，所有用户的隐群分布ψ进行狄利克雷分布建模：
ψ～Dir(λ)
其中：
λ表示超参数；
用户u所属的隐群gu服从以ψ为参数的多项式分布：
gu～Multi(ψ)
基于吉布斯采样方法，根据其他用户所属隐群采样用户u所属隐群，得到用户u分配到隐群g的概率。
3.如权利要求2所述的预测方法，其特征在于，所述用户u分配到种群g的概率的获取方法包括：
Figure FDA0002452626410000021
其中：
K表示兴趣的数量；U表示用户数量；G表示隐群数量；
Figure FDA0002452626410000022
表示用户u以外的用户；
Figure FDA0002452626410000023
Mg表示隐群g包含的用户数；
Nu表示用户u购买的产品数；
Figure FDA0002452626410000024
表示用户u的兴趣z包含的产品数；
Ng表示隐群g包含的产品数；
Figure FDA0002452626410000025
表示隐群g的兴趣z包含的产品数；
ag,z是隐群g的兴趣选择器，表示隐群g是否选择兴趣z，取1或0；
Ag＝{z:ag,z＝1,z∈{1,2,...K}}为隐群g选择的兴趣集合，
Figure FDA0002452626410000026
设定平滑先验α，弱平滑先验
Figure FDA0002452626410000027
使得
Figure FDA0002452626410000028
4.如权利要求3所述的预测方法，其特征在于，所述用户隐群的兴趣选择器为：
Figure FDA0002452626410000031
ag,z～Ber(πg)
πg～Beta(γ0,γ1)
其中：
ag,z为二元变量，服从参数为πg的伯努利分布；
πg为伯努利变量，服从参数为γ0，γ1的贝塔分布；
当ag,z＝1时，表示兴趣z被隐群g选择；当ag,z＝0时，表示兴趣未被隐群g选择；
所述隐群-兴趣分布的获取方法包括：
基于预设的辅助变量和联合条件概率分布方法，对所述兴趣选择器进行采样；
基于Spike and slab先验方法，对隐群-兴趣分布从以
Figure FDA0002452626410000032
为参数的狄利克雷分布中采样：
Figure FDA0002452626410000033
其中：
θg表示隐群g的兴趣分布。
5.如权利要求4所述的预测方法，其特征在于，对所述兴趣选择器进行采样，包括：
获取所述辅助变量和所述兴趣选择器的联合概率分布：
Figure FDA0002452626410000034
其中：
πg表示隐群g选择兴趣的概率；
Figure FDA0002452626410000041
为分配到隐群dg′中兴趣的集合；
Figure FDA0002452626410000042
表示指示函数，判断A′g是否是Ag的子集；
利用联合条件概率分布，根据p(πg|γ0,γ1)和p(ag,z|πg)迭代采样πgag,z；
所述隐群-兴趣分布为：
Figure FDA0002452626410000043
其中：
θg,z表示隐群-兴趣分布；
Figure FDA0002452626410000044
表示
Figure FDA0002452626410000045
是用户u所属隐群隐群gu的兴趣选择器，表示隐群gu是否选择兴趣z，取1或0；
Figure FDA0002452626410000046
表示隐群gu选择的兴趣集合，
Figure FDA0002452626410000047
6.如权利要求5所述的预测方法，其特征在于，所述用户兴趣的产品选择器为：
Figure FDA0002452626410000048
bz,p～Ber(π′z)
π′z～Beta(s0,s1)
其中：
bz,p为二元变量，服从参数为πz′的伯努利分布；
πz′为伯努利变量，服从参数为s0,s1的贝塔分布；
当bz,p＝1时，表示产品p被兴趣z选择；当bz,p＝0时，表示产品p未被兴趣z选择；
设定平滑先验β，弱平滑先验
Figure FDA0002452626410000049
使得
Figure FDA00024526264100000410
所述兴趣-产品分布的获取方法包括：
基于预设的辅助变量和联合条件概率分布方法，对所述产品选择器进行采样，包括：
获取所述辅助变量和所述产品选择器的联合概率分布：
Figure FDA0002452626410000051
其中：
πz′表示兴趣z选择产品的概率；
Figure FDA0002452626410000052
为分配到兴趣z中产品的集合；
Figure FDA0002452626410000053
指示B′z是否是Bz的子集；
利用联合条件概率分布，根据p(π′z|s0,s1)和p(bz,p|π′z)迭代采样πz′和bz,p，最后得到
Figure FDA0002452626410000054
基于Spike and slab先验方法，对兴趣-产品分布从以
Figure FDA0002452626410000055
为参数的狄利克雷分布中采样：
Figure FDA0002452626410000056
其中：
φz表示兴趣z的产品分布；
根据目标兴趣和产品选择器得到兴趣-产品分布：
Figure FDA0002452626410000057
其中：
φz,p表示兴趣-产品分布；
Figure FDA0002452626410000058
表示兴趣z中包含产品p的数量；
Figure FDA0002452626410000061
表示兴趣z包含的产品的总数；
bz,p是产品选择器，表示兴趣z是否选择产品p，取1或0；
Bz＝{p:bz,p＝1,p∈{1,2,...V}}为兴趣z选择的产品集合，
Figure FDA0002452626410000062
7.如权利要求6所述的预测方法，其特征在于，所述目标兴趣的获取方法包括：
基于吉布斯采样方法，对用户u购买的第n个产品对应的兴趣z进行采样：
Figure FDA0002452626410000063
其中：
Figure FDA0002452626410000064
表示兴趣z中包含产品p的数量；
Figure FDA0002452626410000065
表示兴趣z包含的产品的总数；
bz,p是产品选择器，表示兴趣z是否选择产品p，取1或0；
Bz＝{p:bz,p＝1,p∈{1,2,...V}}为兴趣z选择的产品集合，
Figure FDA0002452626410000066
Rest表示除了当产品之外的产品兴趣向量；
基于吉布斯采样方法，对gu、πg、
Figure FDA0002452626410000067
z重复采样迭代预设次数至收敛。
8.如权利要求7所述的预测方法，其特征在于，所述用户个体-兴趣分布的获取方法包括：
Figure FDA0002452626410000068
其中：
Figure FDA0002452626410000071
表示用户u所属隐群隐群gu的兴趣选择器，表示隐群gu是否选择兴趣z，取1或0；
Figure FDA0002452626410000072
表示隐群gu选择的兴趣集合，
Figure FDA0002452626410000073
9.如权利要求8所述的预测方法，其特征在于，所述用户对产品的偏好得分的获取方法包括：
Pru,p＝θu,z×φz,p
其中：
Pru,p表示用户u对于产品p的偏好得分；
θu,z表示用户个体-兴趣分布；
φz,p表示兴趣-产品分布。
10.一种用户个性化需求预测系统，其特征在于，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
获取用户数据、产品数据和用户兴趣数据，并形成历史数据；
基于所述历史数据对用户进行划分，得到用户隐群；
基于所述历史数据预先设定用户隐群的兴趣选择器，基于所述用户隐群和所述兴趣选择器获取隐群-兴趣分布；
基于所述历史数据预先设定用户兴趣的产品选择器；对用户兴趣进行采样，得到目标兴趣；基于所述目标兴趣和所述产品选择器获取兴趣-产品分布；
基于所述隐群-兴趣分布和所述兴趣-产品分布构建双稀疏模型，基于所述双稀疏模型获取用户个体-兴趣分布；
基于所述用户个体-兴趣分布和所述兴趣-产品分布获取用户对产品的偏好得分，基于所述用户对产品的偏好得分获取用户的产品推荐结果。
CN202010297189.0A 2020-04-15 2020-04-15 用户个性化需求预测方法和系统 Active CN111667298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010297189.0A CN111667298B (zh) 2020-04-15 2020-04-15 用户个性化需求预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010297189.0A CN111667298B (zh) 2020-04-15 2020-04-15 用户个性化需求预测方法和系统

Publications (2)

Publication Number Publication Date
CN111667298A true CN111667298A (zh) 2020-09-15
CN111667298B CN111667298B (zh) 2022-09-30

Family

ID=72382688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010297189.0A Active CN111667298B (zh) 2020-04-15 2020-04-15 用户个性化需求预测方法和系统

Country Status (1)

Country Link
CN (1) CN111667298B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308686A (zh) * 2020-11-26 2021-02-02 江苏科源网络技术有限公司 一种智能推荐方法
CN112925980A (zh) * 2021-03-11 2021-06-08 合肥工业大学 一种基于文本和图像的用户个性化偏好挖掘方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617540A (zh) * 2013-10-17 2014-03-05 浙江大学 一种追踪用户兴趣变化的电子商务推荐方法
US20140272914A1 (en) * 2013-03-15 2014-09-18 William Marsh Rice University Sparse Factor Analysis for Learning Analytics and Content Analytics
CN104572797A (zh) * 2014-05-12 2015-04-29 深圳市智搜信息技术有限公司 基于主题模型的个性化服务推荐系统和方法
CN108256055A (zh) * 2018-01-15 2018-07-06 合肥工业大学 一种基于数据增强的主题建模方法
CN108763400A (zh) * 2018-05-22 2018-11-06 合肥工业大学 基于对象行为和主题偏好的对象划分方法及装置
CN109903099A (zh) * 2019-03-12 2019-06-18 合肥工业大学 用于评分预测的模型构建方法和系统
CN110209946A (zh) * 2019-06-10 2019-09-06 合肥工业大学 基于社交和社群的产品推荐方法、系统和存储介质
CN110209962A (zh) * 2019-06-12 2019-09-06 合肥工业大学 主题层次高影响力用户的获取方法和系统
CN110874437A (zh) * 2019-11-14 2020-03-10 重庆邮电大学 一种基于多重兴趣点对排序的个性化兴趣点推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140272914A1 (en) * 2013-03-15 2014-09-18 William Marsh Rice University Sparse Factor Analysis for Learning Analytics and Content Analytics
CN103617540A (zh) * 2013-10-17 2014-03-05 浙江大学 一种追踪用户兴趣变化的电子商务推荐方法
CN104572797A (zh) * 2014-05-12 2015-04-29 深圳市智搜信息技术有限公司 基于主题模型的个性化服务推荐系统和方法
CN108256055A (zh) * 2018-01-15 2018-07-06 合肥工业大学 一种基于数据增强的主题建模方法
CN108763400A (zh) * 2018-05-22 2018-11-06 合肥工业大学 基于对象行为和主题偏好的对象划分方法及装置
CN109903099A (zh) * 2019-03-12 2019-06-18 合肥工业大学 用于评分预测的模型构建方法和系统
CN110209946A (zh) * 2019-06-10 2019-09-06 合肥工业大学 基于社交和社群的产品推荐方法、系统和存储介质
CN110209962A (zh) * 2019-06-12 2019-09-06 合肥工业大学 主题层次高影响力用户的获取方法和系统
CN110874437A (zh) * 2019-11-14 2020-03-10 重庆邮电大学 一种基于多重兴趣点对排序的个性化兴趣点推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IWATA TOMOHARU: "Topic Tracking Model for Analyzing Consumer Purchase Behavior", 《INTERNATIONAL JONT CONFERENCE ON ARTIFICAL INTELLIGENCE》 *
张伟等: "大规模网络中基于LDA模型的重叠社区发现", 《南京邮电大学学报(自然科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308686A (zh) * 2020-11-26 2021-02-02 江苏科源网络技术有限公司 一种智能推荐方法
CN112308686B (zh) * 2020-11-26 2021-05-18 江苏科源网络技术有限公司 一种智能推荐方法
CN112925980A (zh) * 2021-03-11 2021-06-08 合肥工业大学 一种基于文本和图像的用户个性化偏好挖掘方法
CN112925980B (zh) * 2021-03-11 2022-08-19 合肥工业大学 一种基于文本和图像的用户个性化偏好挖掘方法

Also Published As

Publication number Publication date
CN111667298B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Zhao et al. Deep reinforcement learning for page-wise recommendations
US20210027160A1 (en) End-to-end deep collaborative filtering
CN110321422B (zh) 在线训练模型的方法、推送方法、装置以及设备
Zhao et al. Deep reinforcement learning for list-wise recommendations
Guan et al. Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems
CN108287857B (zh) 表情图片推荐方法及装置
Mazurowski Estimating confidence of individual rating predictions in collaborative filtering recommender systems
Wan et al. Deep matrix factorization for trust-aware recommendation in social networks
Xu et al. Graphcar: Content-aware multimedia recommendation with graph autoencoder
CN111667298B (zh) 用户个性化需求预测方法和系统
Liu et al. Deep generative ranking for personalized recommendation
CN113873330B (zh) 视频推荐方法、装置、计算机设备和存储介质
Zhang et al. A dynamic trust based two-layer neighbor selection scheme towards online recommender systems
Truyen et al. Preference networks: Probabilistic models for recommendation systems
Wang et al. A personalized electronic movie recommendation system based on support vector machine and improved particle swarm optimization
Choi et al. Quality evaluation and best service choice for cloud computing based on user preference and weights of attributes using the analytic network process
Liang et al. Measure prediction capability of data for collaborative filtering
Guan et al. Enhanced SVD for collaborative filtering
CN113051468A (zh) 一种基于知识图谱和强化学习的电影推荐方法及系统
Wasid et al. Adaptive genetic algorithm for user preference discovery in multi-criteria recommender systems
Pujahari et al. Ordinal consistency based matrix factorization model for exploiting side information in collaborative filtering
Zheng et al. Personalized recommendation based on review topics
WO2010009314A2 (en) System and method of using automated collaborative filtering for decision-making in the presence of data imperfections
JP5446788B2 (ja) 情報処理装置及びプログラム
Alghamedy et al. Enhance NMF-based recommendation systems with social information imputation

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