CN111681084A - 一种基于社交关系影响因素的电商平台推荐方法 - Google Patents
一种基于社交关系影响因素的电商平台推荐方法 Download PDFInfo
- Publication number
- CN111681084A CN111681084A CN202010521153.6A CN202010521153A CN111681084A CN 111681084 A CN111681084 A CN 111681084A CN 202010521153 A CN202010521153 A CN 202010521153A CN 111681084 A CN111681084 A CN 111681084A
- Authority
- CN
- China
- Prior art keywords
- user
- social
- matrix
- information
- commodities
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于社交关系影响因素的电商平台推荐方法,具体包括:步骤一:统计目标用户有行为记录的商品及其相关度高于设定阈值的无行为记录的商品集合,建立用户‑产品评分矩阵,步骤二:搜集目标用户的社交关系信息,计算用户之间相似度从而得到用户的最近邻集合,然后通过运算得到目标用户的社交邻近度,步骤三:利用社交关系信息、近邻信息和社交邻近度对评分矩阵建立分解模型,步骤四:利用随机梯度下降法训练用户、项目隐含特征向量矩阵,形成最终的预测评分,步骤五:根据计算结果向用户评分最高的前N个无行为记录商品。本发明提高了推荐的准确度,提升了用户的信任度和体验感,有效增加各类商品的推广度,提高电商平台的收益。
Description
技术领域
本发明属于个性化产品推荐领域,特别是涉及一种基于社交关系影响因素的电商平台推荐方法。
背景技术
随着电子商务的不断发展,网络购物用户规模会一直呈增长态势,致使购物网站中的推荐技术得到应用,带来的效果越来越明显。对于个性化推荐系统的探索,不论电商平台还是学者,都在不断增大投入并进行深入探索。为了满足用户需求并增强购买意愿,各大电商平台已经研发并应用了基于用户的浏览与购买、收藏行为的电商推荐系统。
在面对电商平台中大量的产品信息,如何根据不同的用户筛选、过滤出其感兴趣的信息,做到个性化,精准化推荐产品,使得用户的操作更加高效,增强用户的使用感和体验感,是当前该领域的推荐系统需要解决、优化的核心问题。目前,电商平台现有的推荐方法主要为协同过滤推荐方法,基于项目的协同过滤推荐其核心思想是给用户推荐那些和他们之前喜欢的物品相似的物品,但是基于项目的协同过滤推荐并不利用物品的内容属性计算物品的相似度,它主要通过分析用户的行为记录计算物品的相似度。此外,现有技术的协同过滤推荐没有区分用户之间的差异性,只是单一的考虑了用户的主观评分或评价等显式反馈数据(即它可以直接反映用户的兴趣偏好)。因此这类方法适用于用户有行为记录的项目推荐。
但是对于用户没有浏览过的物品,这类物品项目的反馈数据较少,数据稀疏较严重,因此现有的主要方法对于用户没有行为记录的物品的推荐效果并不是很好,一方面会导致用户体验性降低,另一方面也不利于电商平台中对商品全面有效的推广。
发明内容
本发明提出了一种基于社交关系影响因素的电商平台推荐方法,用于解决现有的电商平台推荐方式的推荐结果准确率不高,容易因为数据稀疏性导致的用户体验度降低的问题。可以使用户快速的在大量的产品中挑选出自己感兴趣的产品,使得用户的操作更加高效便捷,提升用户的体验感。
为达到上述目的,本发明是通过以下技术方案来实现的:
本发明是一种基于社交关系影响因素的电商平台推荐方法,包括:
步骤一,将用户有行为记录的商品作为集合P1,计算P1中的商品与没有行为记录的商品之间的相关度,将相关度高于阈值R的商品作为集合P2,令P1与P2的并集为目标用户推荐项目的集合,并根据目标用户行为建立相应的评分矩阵;步骤二,搜集目标用户的社交关系信息N(v),目标用户的社交关系信息是指和目标用户有过互动的其他用户集合,并统计社交关系信息中好友的个数num(N(v)),计算用户与同区域所有用户之间的相似度,并取前ψ*num(N(v)个最邻近用户的集合作为目标用户的邻近信息N(u),其中ψ为一个统计值,然后统计目标用户的社交关系信息N(v)与邻近信息N(u)的交集中用户个数K,即K=num(N(u)∩N(v)),将K与邻近信息中用户个数的比值作为目标用户的社交邻近度;
步骤三,利用社交关系信息、近邻信息和社交邻近度对评分矩阵建立分解模型,在该分解模型中引入权重参数来表示用户自己的偏好和社交网络中的朋友偏好对推荐效果的影响力度,取值范围为0到1,其中,权重参数取0时,表示忽略用户自己的偏好信息,仅仅考虑社交网络中的朋友偏好信息,取1时表示忽略社交网络中的朋友偏好信息,仅仅考虑用户自己的偏好信息;
步骤四,利用随机梯度下降法训练用户、项目隐含特征向量矩阵,对目标函数中的用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数求偏导数,然后迭代的沿着当前点的负梯度方向搜索下一个点,使得目标函数值逐步减小,从而得到目标函数的最小值,在目标函数取得最小值的时候得到最终的预测评分;步骤五,根据步骤三的结果获取用户-产品评分矩阵R中目标用户没有行为记录的产品的预测评分,根据输入的Top-N,将预测评分中Top-N项产品推荐给用户。
本发明的进一步改进在于:在步骤三中利用社交关系信息,近邻信息和社交邻近度来建立基于社交关系与邻近信息影响度的矩阵分解模型,该矩阵分解模型的目标函数如下:
其中,β∈[0,1]为常量,表示权重参数,用来控制好友对评分的影响力度,N(u)为用户u的最近邻用户集合,sim(u,v)为用户u与他的朋友之间的影响权重,pu、pv为用户u和用户v的特征向量。
本发明的进一步改进在于:步骤四中的用户偏置项表示步骤一中的用户自身喜好因素对评分的影响,用bu表示;所述的项目偏置项表示项目因素对评分的影响,用bi表示,所述用户特征矩阵用Pu表示,所述物品特征矩阵用Qi表示,对基于社交关系与邻近信息影响度的矩阵分解模型中的Pu,Qi,bu,bi四个参数求偏导数如下:
其中λ1,λ2,λ3,λ4这四个参数用来防止过度拟合;
用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数通过各自递归学习的方法得到收敛值,其递推公式如下:
bu=bu+α(eui-λ3bu)
bi=bi+α(eui-λ4bi)
其中,α为学习速率,当各递推公式收敛,最后通过综合考虑社交好友影响权重、社交邻近度以及收敛后的用户特征矩阵、物品特征矩阵、用户偏置项、项目偏置的综合影响,来获得各商品的预测评分:
本发明的进一步改进在于:用户u与他的朋友之间的影响权重的计算公式如下:
其中,δ为常数,设为0.1。
本发明的进一步改进在于:在步骤一中商品之间的相关度计算方法如下:将各商品按照电商平台中的类别统计其属性与属性数目;并计算两个商品间的相同属性的个数;将相同属性的个数作为分子,将两个商品的最大属性数目做为分母,求其比值作为这两个商品之间的相关度。
本发明的进一步改进在于:在步骤一中的评分矩阵,录入电商平台用户行为数据经过定量化规则转换为具体的评分数值x,定量化规则包括将各种不同的用户体验结果用一定的数值进行标识,对每种用户行为设置一个权重,经过加权得到用户-产品评分矩阵,其中用户行为包括浏览详情页、收藏、加入购物车、分享、点赞、评论、晒图评价。
本发明的有益效果是:本发明提出了一种新的奇异值分解模型,将用户的社交信息与经典的隐语义模型相结合,通过引入好友与邻近用户的喜好信息结合用户自身的喜好信息建立矩阵分解模型,然后用随机梯度下降法分解矩阵。对于用户没有浏览过的物品,往往缺少相关评分信息,从而造成该类商品评分矩阵稀疏性问题。本方法通过综合考虑用户社交关系与邻近用户的影响因素,一定程度上改善了评分矩阵数据稀疏性问题,从而提高推荐效果的准确度,提升了用户的信任度和体验感,同时有效增加各类商品的推广度,进一步提高电商平台的收益。与现有技术相比本发明具有计算方法简单,步骤少,复杂度小的优点。不需要事先填充稀疏的用户评分矩阵,只需要通过梯度下降法迭代优化,一定程度上解决了稀疏性问题。可以提高推荐的速度充分挖掘用户的隐式反馈数据,将用户的社交信息与经典的奇异值分解模型相结合,通过引入好友喜好信息结合用户自身的喜好信息优化矩阵分解模型,从而提高推荐效果的准确度,提升了用户的信任度和体验感。
附图说明
图1是基于社交关系影响因素的电商平台推荐方法的总体流程示意图。
图2是用户-产品评分矩阵示意图。
具体实施方式
为了加强对本发明的理解,下面将结合实施例和附图对本发明进行详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
如图1-2所示,本发明是一种基于社交关系影响因素的电商平台推荐方法,包括:
步骤一,将用户有行为记录的商品作为集合P1,计算P1中的商品与没有行为记录的商品之间的相关度,将相关度高于阈值R的商品作为集合P2,令P1与P2的并集为目标用户推荐项目的集合,并根据目标用户行为建立相应的评分矩阵;步骤二,搜集目标用户的社交关系信息N(v),本发明中目标用户的社交关系信息是指和目标用户有过互动的其他用户集合,比如彼此之间分享过产品,在好物分享中有过互动,互相点过赞,共同玩过平台中的小游戏等;并统计社交关系信息中好友的个数num(N(v)),计算用户与同区域,例如同城,所有用户之间的相似度,并取前ψ*num(N(v))个最邻近用户的集合作为目标用户的邻近信息N(u),其中ψ为一个统计值,然后统计目标用户的社交关系信息N(v)与邻近信息N(u)的交集中用户个数K,即K=num(N(u)∩N(v)),将K与邻近信息中用户个数的比值作为目标用户的社交邻近度;
步骤三,利用社交关系信息、近邻信息和社交邻近度对评分矩阵建立分解模型,在该分解模型中引入权重参数来表示用户自己的偏好和社交网络中的朋友偏好对推荐效果的影响力度,取值范围为0到1,其中,权重参数取0时,表示忽略用户自己的偏好信息,仅仅考虑社交网络中的朋友偏好信息,取1时表示忽略社交网络中的朋友偏好信息,仅仅考虑用户自己的偏好信息;
步骤四,利用随机梯度下降法训练用户、项目隐含特征向量矩阵,对目标函数中的用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数求偏导数,然后迭代的沿着当前点的负梯度方向搜索下一个点,使得目标函数值逐步减小,从而得到目标函数的最小值,在目标函数取得最小值的时候得到最终的预测评分;步骤五,根据步骤三的结果获取用户-产品评分矩阵R中目标用户没有行为记录的产品的预测评分,根据输入的Top-N,将预测评分中Top-N项产品推荐给用户。步骤三中利用社交关系信息,近邻信息和社交邻近度来建立基于社交关系与邻近信息影响度的矩阵分解模型,该矩阵分解模型的目标函数如下:
其中,β∈[0,1]为常量,表示权重参数,用来控制好友对评分的影响力度,N(u)为用户u的最近邻用户集合,通过计算用户之间的相似度得到,sim(u,v)为用户u与他的朋友之间的影响权重,pu、pv为用户u和用户v的特征向量。用户u与他的朋友之间的影响权重的计算公式如下:其中,δ为常数,设为0.1。
步骤四中的用户偏置项表示步骤一中的用户自身喜好因素对评分的影响,用bu表示;所述的项目偏置项表示项目因素对评分的影响,用bi表示,所述用户特征矩阵用Pu表示,所述物品特征矩阵用Qi表示,对Pu,Qi,bu,bi四个参数求偏导数如下:
其中λ1,λ2,λ3,λ4这四个参数用来防止过度拟合;
用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数通过各自递归学习的方法得到收敛值,其递推公式如下:
bu=bu+α(eui-λ3bu)
bi=bi+α(eui-λ4bi)
其中,α为学习速率,当各递推公式收敛,最后通过综合考虑社交好友影响权重、社交邻近度以及收敛后的用户特征矩阵、物品特征矩阵、用户偏置项、项目偏置的综合影响,来获得各商品的预测评分:
在步骤一中所述商品之间的相关度计算方法,将各商品按照电商平台中的类别统计其属性与属性数目;并计算两个商品间的相同属性的个数;将相同属性的个数作为分子,将两个商品的最大属性数目做为分母,求其比值作为这两个商品之间的相关度。
在步骤一中的所述评分矩阵,录入电商平台用户行为数据经过定量化规则转换为具体的评分数值x,定量化规则包括将各种不同的用户体验结果用一定的数值进行标识,对每种用户行为设置一个权重,经过加权得到用户-产品评分矩阵,其中用户行为包括浏览详情页、收藏、加入购物车、分享、点赞、评论、晒图评价。比如设置权重范围为1到10,每种行为对应一个权重,在评分矩阵中,当用户i对产品j产生行为记录的评分为x时,rij=x,用户i没有对产品j产生任何行为则rij=0。
还包括实时更新用户评分矩阵的步骤。由于用户数据库会新增一些新的浏览和消费数据,根据新增的用户数据库信息不断调整用户评分矩阵,从而实现动态调整过程并提供给用户个性化推荐服务。
本发明的基于社交关系影响因素的电商平台推荐方法首先引入用户、项目偏置项建立了矩阵分解模型,利用社交信息来进一步修正矩阵分解模型,然后使用随机梯度下降法来学习用户隐含特征向量P和项目隐含特征向量Q,从而作为最终的推荐。一定程度上改善了评分矩阵数据稀疏性问题,从而提高推荐效果的准确度,提升了用户的信任度和体验感。
以上具体实施方式及实施例是对本发明提出的一种基于社交关系影响因素的电商平台推荐方法的技术思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的原理和技术思想,在本技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (6)
1.一种基于社交关系影响因素的电商平台推荐方法,其特征在于:包括:
步骤一,将用户有行为记录的商品作为集合P1,计算P1中的商品与没有行为记录的商品之间的相关度,将相关度高于阈值R的商品作为集合P2,令P1与P2的并集为目标用户推荐项目的集合,并根据目标用户行为建立相应的评分矩阵;
步骤二,搜集目标用户的社交关系信息N(v),目标用户的社交关系信息指的是和目标用户有过互动的其他用户集合,并统计社交关系信息中好友的个数num(N(v)),计算用户与同区域所有用户之间的相似度,并取前ψ*num(N(v))个最邻近用户的集合作为目标用户的邻近信息N(u),其中ψ为一个统计值,然后统计目标用户的社交关系信息N(v)与邻近信息N(u)的交集中用户个数K,即K=num(N(u)∩N(v)),将K与邻近信息中用户个数的比值作为目标用户的社交邻近度;
步骤三,利用社交关系信息、近邻信息和社交邻近度对评分矩阵建立分解模型,在该分解模型中引入权重参数来表示用户自己的偏好和社交网络中的朋友偏好对推荐效果的影响力度,取值范围为0到1,其中,权重参数取0时,表示忽略用户自己的偏好信息,仅仅考虑社交网络中的朋友偏好信息,取1时表示忽略社交网络中的朋友偏好信息,仅仅考虑用户自己的偏好信息;
步骤四,利用随机梯度下降法训练用户、项目隐含特征向量矩阵,对目标函数中的用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数求偏导数,然后迭代的沿着当前点的负梯度方向搜索下一个点,使得目标函数值逐步减小,从而得到目标函数的最小值,在目标函数取得最小值的时候得到最终的预测评分;
步骤五,根据步骤三的结果获取用户-产品评分矩阵R中目标用户没有行为记录的产品的预测评分,根据输入的Top-N,将预测评分中Top-N项产品推荐给用户。
3.根据权利要求2所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:步骤四中商品评分过程如下:首先利用随机梯度下降法训练用户、项目隐含特征向量矩阵,对基于社交关系与邻近信息影响度的矩阵分解模型中的目标函数中的用户特征矩阵、物品特征矩阵、用户偏置项、项目偏置项四个参数求偏导数,其中用户偏置项表示步骤一中的用户自身喜好因素对评分的影响,用bu表示;所述项目偏置项表示项目因素对评分的影响,用bi表示,所述用户特征矩阵用Pu表示,所述物品特征矩阵用Qi表示,对基于社交关系与邻近信息影响度的矩阵分解模型中的Pu,Qi,bu,bi四个参数求偏导数如下:
其中λ1,λ2,λ3,λ4这四个参数用来防止过度拟合;
用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数通过各自递归学习的方法得到收敛值,其递推公式如下:
Puf=Puf+α((1-β)euiQi T)-λ1Puf
bu=bu+α(eui-λ3bu)
bi=bi+α(eui-λ4bi)
其中,α为学习速率,当各递推公式收敛,最后通过综合考虑用户特征矩阵、物品特征矩阵、用户偏置项、项目偏置、社交好友影响权重和社交邻近度来获得各商品的预测评分:
5.根据权利要求1所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:在步骤一,建立商品评分矩阵过程中商品之间的相关度计算方法如下:将各商品按照电商平台中的类别统计其属性与属性数目,并计算两个商品间的相同属性的个数,将相同属性的个数作为分子,将两个商品的最大属性数目做为分母,求其比值作为这两个商品之间的相关度。
6.根据权利要求1所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:在步骤一中的评分矩阵,录入电商平台用户行为数据经过定量化规则转换为具体的评分数值x,定量化规则包括将各种不同的用户体验结果用一定的数值进行标识,对每种用户行为设置一个权重,经过加权得到用户-产品评分矩阵,其中用户行为包括浏览详情页、收藏、加入购物车、分享、点赞、评论、晒图评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521153.6A CN111681084B (zh) | 2020-06-09 | 2020-06-09 | 一种基于社交关系影响因素的电商平台推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521153.6A CN111681084B (zh) | 2020-06-09 | 2020-06-09 | 一种基于社交关系影响因素的电商平台推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681084A true CN111681084A (zh) | 2020-09-18 |
CN111681084B CN111681084B (zh) | 2022-09-06 |
Family
ID=72454479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010521153.6A Active CN111681084B (zh) | 2020-06-09 | 2020-06-09 | 一种基于社交关系影响因素的电商平台推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681084B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967101A (zh) * | 2021-04-07 | 2021-06-15 | 重庆大学 | 一种基于社交用户多交互信息的协同过滤物品推荐方法 |
CN113010796A (zh) * | 2021-04-15 | 2021-06-22 | 重庆大学 | 用于项目推荐的方法 |
CN116051241A (zh) * | 2023-02-01 | 2023-05-02 | 浙江红太阳企业管理咨询有限公司 | 一种基于大数据的电商管理平台 |
CN116957691A (zh) * | 2023-09-19 | 2023-10-27 | 翼果(深圳)科技有限公司 | 针对电商商家商品的跨平台智能广告投放方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
CN106649657A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 面向社交网络基于张量分解的上下文感知推荐系统及方法 |
CN110955829A (zh) * | 2019-11-19 | 2020-04-03 | 江西财经大学 | 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统 |
-
2020
- 2020-06-09 CN CN202010521153.6A patent/CN111681084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
CN106649657A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 面向社交网络基于张量分解的上下文感知推荐系统及方法 |
CN110955829A (zh) * | 2019-11-19 | 2020-04-03 | 江西财经大学 | 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967101A (zh) * | 2021-04-07 | 2021-06-15 | 重庆大学 | 一种基于社交用户多交互信息的协同过滤物品推荐方法 |
CN113010796A (zh) * | 2021-04-15 | 2021-06-22 | 重庆大学 | 用于项目推荐的方法 |
CN116051241A (zh) * | 2023-02-01 | 2023-05-02 | 浙江红太阳企业管理咨询有限公司 | 一种基于大数据的电商管理平台 |
CN116051241B (zh) * | 2023-02-01 | 2023-12-12 | 变购(武汉)物联网科技有限公司 | 一种基于大数据的电商管理平台 |
CN116957691A (zh) * | 2023-09-19 | 2023-10-27 | 翼果(深圳)科技有限公司 | 针对电商商家商品的跨平台智能广告投放方法及系统 |
CN116957691B (zh) * | 2023-09-19 | 2024-01-19 | 翼果(深圳)科技有限公司 | 针对电商商家商品的跨平台智能广告投放方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111681084B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681084B (zh) | 一种基于社交关系影响因素的电商平台推荐方法 | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
WO2021139164A1 (zh) | 一种基于长短期兴趣的序列化推荐方法 | |
CN102902691B (zh) | 推荐方法及系统 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN110362738B (zh) | 一种基于深度学习的结合信任和影响力的个性化推荐方法 | |
CN104063481A (zh) | 一种基于用户实时兴趣向量的电影个性化推荐方法 | |
CN108132964B (zh) | 一种基于用户对项目类评分的协同过滤方法 | |
CN112231583B (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
US20140288999A1 (en) | Social character recognition (scr) system | |
CN105809474B (zh) | 一种层次化商品信息过滤推荐方法 | |
CN107330727A (zh) | 一种基于隐语义模型的个性化推荐方法 | |
CN105787100A (zh) | 一种基于深度神经网络的用户会话推荐方法 | |
CN107545471A (zh) | 一种基于高斯混合的大数据智能推荐方法 | |
CN111324807A (zh) | 基于信任度的协同过滤推荐方法 | |
CN112396492A (zh) | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 | |
CN109190040B (zh) | 基于协同演化的个性化推荐方法及装置 | |
CN107844585B (zh) | 一种考虑重叠社区效应的推荐方法 | |
Yao et al. | User recommendation method based on joint probability matrix decomposition in CPS networks | |
CN111310029B (zh) | 一种基于用户商品画像和潜在因子特征提取的混合推荐方法 | |
CN112052995A (zh) | 基于融合情感倾向主题的社交网络用户影响力预测方法 | |
Sun | Music Individualization Recommendation System Based on Big Data Analysis | |
CN112559905B (zh) | 一种基于双模式注意力机制和社交相似度的会话推荐方法 | |
CN114461928A (zh) | 基于图神经网络的会话推荐方法 | |
CN114926208A (zh) | 一种用于产品改进策略制定的用户需求数据分析方法及系统 |
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 |