CN111859163B - 基于用户兴趣主题的微博网络链路预测方法、装置及介质 - Google Patents
基于用户兴趣主题的微博网络链路预测方法、装置及介质 Download PDFInfo
- Publication number
- CN111859163B CN111859163B CN202010548003.4A CN202010548003A CN111859163B CN 111859163 B CN111859163 B CN 111859163B CN 202010548003 A CN202010548003 A CN 202010548003A CN 111859163 B CN111859163 B CN 111859163B
- Authority
- CN
- China
- Prior art keywords
- microblog
- user
- topic
- document
- users
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000009193 crawling Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于用户兴趣主题的微博网络链路预测方法、装置及介质,本发明的技术方案通过爬取微博网络数据并建立用户网络拓扑,将所爬取的用户微博内容汇集成语料文档;通过社会三元关系理论筛选二级好友,得到拥有共同关注的微博用户;对所述语料文本进行文本建模,通过LDA聚类用户语料文档词汇及主题特征;算所述主题特征的概率分布,并构建用户兴趣主题模型;通过KL距离计算所述二级好友的集合间的兴趣主题相似度,并按比例取相似用户作为预测结果。本发明的有益效果为:借助真实微博语料库在潜在好友中依据微博内容提取用户兴趣主题,发现相似用户,并进一步预测用户网络的未来连接,针对微博网络下具有更好的预测效果。
Description
技术领域
本发明涉及社交网络及数据分析领域,具体涉及了一种基于用户兴趣主题的微博网络链路预测方法、装置及介质。
背景技术
微博是近些年来迅速发展壮大的在线社交分享平台,因其内容分享迅速、便捷的特点吸引了大量活跃用户。用户之间的关注、转发、点赞等交互行为组建了极具价值的微博网络。面向微博网络的舆情分析、热点推送、好友推荐等技术为运营者提供了众多服务手段用以改善用户体验,也成为数据分析行业人员研究分析的得力工具。链路预测技术是网络科学之重要分支,其旨在通过网络已知信息预测尚未发现或即将产生的连边。微博网络的预测即指借助用户关注、微博转发等数据预知下一时刻可能发生关注行为的用户对,为用户推荐具有相同兴趣的相似好友。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供了一种基于用户兴趣主题的微博网络链路预测方法、装置及介质,预测效果更好。
本发明的技术方案包括一种基于用户兴趣主题的微博网络链路预测方法,其特征在于,该方法包括:S100,爬取微博网络数据并建立用户网络拓扑,将所爬取的用户微博内容汇集成语料文档;S200,通过社会三元关系理论筛选二级好友,得到拥有共同关注的微博用户;S300,对所述语料文本进行文本建模,通过LDA聚类用户语料文档词汇及主题特征;S400,计算所述主题特征的概率分布,并构建用户兴趣主题模型;S500,通过KL距离计算所述二级好友的集合间的兴趣主题相似度,并按比例取相似用户作为预测结果。
根据所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,其中S100包括:爬取微博网络数据并建立用户网络拓扑G(V,E),以邻接矩阵A表示;同时将用户微博内容汇集成语料文档D(U,B),其中U=(u1,u2,…,un)表示用户集合,每个用户ui的微博内容按时序汇集为语料库(bu,1,bu,2,…,bu,M),每条微博内容bu,i来自用户ui分享或转发。
根据所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,其中S200包括:应用社会三元关系理论在网络拓扑内筛选二级好友,即获取拥有共同关注的微博用户,通过矩阵运算操作为A·A,通过aih表示用户i与用户h存在共同关注好友数量,矩阵运算的行向量即表示该用户的二级好友集合。
根据所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,其中S300包括:进行文本建模,利用LDA提取用户语料文档的词袋向量d=(ω1,ω2,…,ωn),具体包括:S301,计算文档的词汇矩阵,对每个用户微博文档内容进行词汇统计,词wj在文档bu,i中出现的频率填充到对应的矩阵位置;S302,计算主题的词汇矩阵,在语料库中随机指定主题编号zi,计算每个zi下出现的词汇频率;S303,计算文档的主题矩阵,统计每个词代表的主题在每一个文档中出现的次数,得出用户的微博文档的对应主题矩阵。
根据所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,其中S400包括:S401,分别对每个预先给定的主题zk(k=1,…,K)下所包括的单词概率进行多项采样,其中主题zk(k=1,…,K),K为正整数,单词概率多项采样为S42:对每个用户ui下的主题概率进行采样,采样方式为θu~Dir(a),并进一步计算构建用户兴趣主题模型。
根据所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,其中S500包括:使用KL距离计算二级好友集合间的兴趣主题相似度,得到计算结果,其中度量计算公式为
pj和qj表示两个用户在第j个主题下的概率分布。
根据所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,其中S500还包括:根据所述计算结果按DKL值降序排序,并按设定比例取前L对用户作为预测结果。
本发明的技术方案还包括一种基于用户兴趣主题的微博网络链路预测装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一的方法步骤。
本发明的技术方案还包括一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一的方法步骤。
本发明的有益效果为:借助真实微博语料库在潜在好友中依据微博内容提取用户兴趣主题,发现相似用户,并进一步预测用户网络的未来连接,针对微博网络下具有更好的预测效果。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1是根据本发明实施方式的总体流程图。
图2为筛选微博二级好友示意图。
图3为LDA主题模型三层结构示意图。
图4是根据本发明实施方式的用户兴趣主题模型生成流程示意图。
图5是根据本发明实施方式的装置示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
术语解释:
Perplexity,困惑度,用于是衡量语言模型好坏的指标。
Dirichlet分布,狄利克雷函数。
图1是根据本发明实施方式的总体流程图。该流程包括以下步骤:100,爬取微博网络数据并建立用户网络拓扑,将所爬取的用户微博内容汇集成语料文档;S200,通过社会三元关系理论筛选二级好友,得到拥有共同关注的微博用户;S300,对语料文本进行文本建模,通过LDA聚类用户语料文档词汇及主题特征;S400,计算主题特征的概率分布,并构建用户兴趣主题模型;S500,通过KL距离计算二级好友的集合间的兴趣主题相似度,并按比例取相似用户作为预测结果。
图2是根据本发明实施方式的筛选微博二级好友示意图。如附图2,同时关注了某个用户的人将可能发展成未来好友关系,这在社交网络内寻求潜在好友具有指导意义。其次,微博分享内容通常包含了该用户一定的情感、兴趣特征,微博双方相互关注通常是二者具有相似兴趣爱好,主题模型则是面向内容的统计分析工具,是对文字隐含主题进行建模的方法,常被用在机器学习和自然语言处理当中。
图3是LDA主题模型三层结构示意图。如图3,提取主题用以反映文档内容的中心特征,主流方案包括LDA、LSA、LSI、TF-IDF等。
图4是根据本发明实施方式的用户兴趣主题模型生成流程示意图。从左至依次具有以下步骤:
步骤一:爬取微博网络数据并建立用户网络拓扑G(V,E),以邻接矩阵A表示;同时将用户微博内容汇集成语料文档D(U,B),U=(u1,u2,…,un)表示用户集合,每个用户ui的微博内容按时序汇集为语料库(bu,1,bu,2,…,bu,M),每条微博内容bu,i来自用户ui分享或转发;步骤二:应用社会三元关系理论在网络拓扑内筛选二级好友,即获取拥有共同关注的微博用户,矩阵运算操作为A·A,元素aih表示用户i同用户h存在共同关注好友数量,行向量即表示该用户的二级好友集合,如附图2示例,用户a和用户c为相互二级好友;
步骤三:文本建模,利用LDA提取用户语料文档的词袋向量d=(ω1,ω2,…,ωn),具体包括以下子步骤:
(1)计算文档-词汇矩阵,对每个用户微博文档内容进行词汇统计,词wj在文档bu,i中出现的频率填充到对应的矩阵位置;
(2)计算主题-词汇矩阵,在语料库中随机指定主题编号zi,计算每个zi下出现的词汇频率;
(3)计算文档-主题矩阵,统计每个词代表的主题在每一个文档中出现的次数,得出用户的微博文档-主题矩阵;
步骤四:计算得到每个主题单词的概率分布,具体包括以下子步骤:
(1)预先给定的主题zk(k=1,…,K),分别对每个主题下所包含的单词概率多项采样:
(2)对每个用户ui下的主题概率进行采样:θu~Dir(a),并进一步计算
构建用户兴趣主题模型;
步骤五:使用KL距离计算二级好友集合间的兴趣主题相似度,度量计算公式为
pj和qj表示两个用户在第j个主题下的概率分布。计算结果按DKL值降序排序,并按设定比例取前L对用户作为预测结果。
图5是根据本发明实施方式的装置示意图。图5所示为根据本发明实施方式的装置示意图。装置包括存储器100及处理器200,其中处理器200存储有计算机程序,计算机程序用于执行:通过爬取微博网络数据并建立用户网络拓扑,将所爬取的用户微博内容汇集成语料文档;通过社会三元关系理论筛选二级好友,得到拥有共同关注的微博用户;对所述语料文本进行文本建模,通过LDA聚类用户语料文档词汇及主题特征;算所述主题特征的概率分布,并构建用户兴趣主题模型;通过KL距离计算所述二级好友的集合间的兴趣主题相似度,并按比例取相似用户作为预测结果。其中,存储器100用于存储数据。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种基于用户兴趣主题的微博网络链路预测方法,其特征在于,该方法包括:
S100,爬取微博网络数据并建立用户网络拓扑,将所爬取的用户微博内容汇集成语料文档;
S200,筛选二级好友,得到拥有共同关注的微博用户;
S300,对所述语料文档进行文本建模,通过LDA聚类用户语料文档词汇及主题特征;
S400,计算所述主题特征的概率分布,并构建用户兴趣主题模型;
S500,通过KL距离计算所述二级好友的集合间的兴趣主题相似度,并按比例取相似用户作为预测结果,所述S500包括:
使用KL距离计算二级好友集合间的兴趣主题相似度,得到计算结果,其中度量计算公式为
pj和qj表示两个用户在第j个主题下的概率分布。
2.根据权利要求1所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,所述S100包括:
爬取微博网络数据并建立用户网络拓扑G(V,E),以邻接矩阵A表示;
同时将用户微博内容汇集成语料文档D(U,B),其中U=(u1,u2,…,un)表示用户集合,每个用户ui的微博内容按时序汇集为语料库(bu,1,bu,2…,bu,M),每条微博内容bu,i来自用户ui分享或转发。
3.根据权利要求2所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,所述S200包括:
应用社会三元关系理论在网络拓扑内筛选二级好友,即获取拥有共同关注的微博用户,通过矩阵运算操作为A·A,通过aih表示用户i与用户h存在共同关注好友数量,矩阵运算的行向量即表示该用户的二级好友集合。
4.根据权利要求3所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,所述S300包括:
进行文本建模,利用LDA提取用户语料文档的词袋向量d=(ω1,ω2,…,ωn),具体包括:
S301,计算文档的词汇矩阵,对每个用户微博文档内容进行词汇统计,词wj在文档bu,i中出现的频率填充到对应的矩阵位置;
S302,计算主题的词汇矩阵,在语料库中随机指定主题编号zi,计算每个zi下出现的词汇频率;
S303,计算文档的主题矩阵,统计每个词代表的主题在每一个文档中出现的次数,得出用户的微博文档的对应主题矩阵。
5.根据权利要求4所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,所述S400包括:
S401,分别对每个预先给定的主题zk(k=1,…,K)下所包括的单词概率进行多项采样,其中主题zk(k=1,…,K),K为正整数,单词概率多项采样为
S42:对每个用户ui下的主题概率进行采样,采样方式为θu~Dir(a),并进一步计算构建用户兴趣主题模型。
6.根据权利要求1所述的基于用户兴趣主题的微博网络链路预测方法,其特征在于,所述S500还包括:
根据所述计算结果按DKL值降序排序,并按设定比例取前L对用户作为预测结果。
7.一种基于用户兴趣主题的微博网络链路预测装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6任一所述的方法步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548003.4A CN111859163B (zh) | 2020-06-16 | 2020-06-16 | 基于用户兴趣主题的微博网络链路预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548003.4A CN111859163B (zh) | 2020-06-16 | 2020-06-16 | 基于用户兴趣主题的微博网络链路预测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859163A CN111859163A (zh) | 2020-10-30 |
CN111859163B true CN111859163B (zh) | 2023-09-29 |
Family
ID=72987567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010548003.4A Active CN111859163B (zh) | 2020-06-16 | 2020-06-16 | 基于用户兴趣主题的微博网络链路预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859163B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012088720A1 (en) * | 2010-12-31 | 2012-07-05 | Yahoo! Inc. | Behavioral targeted social recommendations |
CN103488678A (zh) * | 2013-08-05 | 2014-01-01 | 北京航空航天大学 | 一种基于用户签到相似度的好友推荐系统 |
CN105740342A (zh) * | 2016-01-22 | 2016-07-06 | 天津中科智能识别产业技术研究院有限公司 | 一种基于社会关系主题模型的社交网络朋友推荐方法 |
CN106649659A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 一种面向社交网络的链接预测系统及方法 |
CN107767279A (zh) * | 2017-10-12 | 2018-03-06 | 燕山大学 | 一种基于lda的加权平均的个性化好友推荐方法 |
CN108460153A (zh) * | 2018-03-27 | 2018-08-28 | 广西师范大学 | 一种混合博文与用户关系的社交媒体好友推荐方法 |
CN109766431A (zh) * | 2018-12-24 | 2019-05-17 | 同济大学 | 一种基于词义主题模型的社交网络短文本推荐方法 |
CN110929172A (zh) * | 2019-11-27 | 2020-03-27 | 中科曙光国际信息产业有限公司 | 信息选择方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9466071B2 (en) * | 2011-11-16 | 2016-10-11 | Yahoo! Inc. | Social media user recommendation system and method |
-
2020
- 2020-06-16 CN CN202010548003.4A patent/CN111859163B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012088720A1 (en) * | 2010-12-31 | 2012-07-05 | Yahoo! Inc. | Behavioral targeted social recommendations |
CN103488678A (zh) * | 2013-08-05 | 2014-01-01 | 北京航空航天大学 | 一种基于用户签到相似度的好友推荐系统 |
CN105740342A (zh) * | 2016-01-22 | 2016-07-06 | 天津中科智能识别产业技术研究院有限公司 | 一种基于社会关系主题模型的社交网络朋友推荐方法 |
CN106649659A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 一种面向社交网络的链接预测系统及方法 |
CN107767279A (zh) * | 2017-10-12 | 2018-03-06 | 燕山大学 | 一种基于lda的加权平均的个性化好友推荐方法 |
CN108460153A (zh) * | 2018-03-27 | 2018-08-28 | 广西师范大学 | 一种混合博文与用户关系的社交媒体好友推荐方法 |
CN109766431A (zh) * | 2018-12-24 | 2019-05-17 | 同济大学 | 一种基于词义主题模型的社交网络短文本推荐方法 |
CN110929172A (zh) * | 2019-11-27 | 2020-03-27 | 中科曙光国际信息产业有限公司 | 信息选择方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
Improving user recommendation by extracting social topics and interest topics of users in uni-directional social networks;Ke Xu等;Knowledge-Based Systems;第140卷;120-133 * |
基于信任模型与主题模型的好友过滤系统的研究与实现;王欢宇;中国优秀硕士学位论文全文数据库(信息科技辑)(第12期);I139-197 * |
基于社交关系和时序主题的微博好友推荐算法研究;程转丽;中国优秀硕士学位论文全文数据库 (信息科技辑)(第1期);I138-2110 * |
社交网络的好友推荐算法研究;奉珊;中国优秀硕士学位论文全文数据库(信息科技辑)(第8期);I138-1644 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859163A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neogi et al. | Sentiment analysis and classification of Indian farmers’ protest using twitter data | |
Mena‐Chalco et al. | Brazilian bibliometric coauthorship networks | |
Buntain et al. | Identifying social roles in reddit using network structure | |
CN108073568A (zh) | 关键词提取方法和装置 | |
Alamsyah et al. | Dynamic large scale data on twitter using sentiment analysis and topic modeling | |
Hitesh et al. | Real-time sentiment analysis of 2019 election tweets using word2vec and random forest model | |
CN110990683B (zh) | 一种基于地域与情感特征的微博谣言集成识别方法及装置 | |
Liao et al. | Coronavirus pandemic analysis through tripartite graph clustering in online social networks | |
Khun et al. | Visualization of Twitter sentiment during the period of US banned huawei | |
Shukla et al. | Role of hybrid optimization in improving performance of sentiment classification system | |
Samat et al. | The comparison of pooling functions in convolutional neural network for sentiment analysis task | |
Biswas et al. | Sentiment analysis on user reaction for online food delivery services using bert model | |
Wei et al. | Analysis of information dissemination based on emotional and the evolution life cycle of public opinion | |
Hossein et al. | Predicting motion picture box office performance using temporal tweet patterns | |
Rizk et al. | 280 characters to the White House: predicting 2020 US presidential elections from twitter data | |
CN111859163B (zh) | 基于用户兴趣主题的微博网络链路预测方法、装置及介质 | |
Kaur et al. | A Review on Sentimental Analysis on Facebook Comments by using Data Mining Technique | |
Mozafari et al. | Content similarity analysis of written comments under posts in social media | |
Lee et al. | A tool for spatio-temporal analysis of social anxiety with twitter data | |
Angdresey et al. | Classification and Sentiment Analysis on Tweets of the Ministry of Health Republic of Indonesia | |
Abdullah et al. | Reputation measurement based on a hybrid sentiment analysis approach for Saudi telecom companies | |
Altinel et al. | Identifying topic-based opinion leaders in social networks by content and user information | |
Arisha et al. | Text Preprocessing Approaches in CNN for Disaster Reports Dataset | |
Tiwary et al. | Determination Of Category–Wise Influential Users Using Information Retrieval Technique from Twitter | |
Wandabwa et al. | Follow-back Recommendations for Sports Bettors: A Twitter-based 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231222 Address after: 519060 No.1, Pingdong 1st Road, Nanping Science and Technology Industrial Park, Zhuhai City, Guangdong Province Patentee after: ZHUHAI COMLEADER INFORMATION TECHNOLOGY Co.,Ltd. Patentee after: HENAN XINDA WANGYU TECHNOLOGY Co.,Ltd. Address before: 519060 No.1, Pingdong 1st Road, Nanping Science and Technology Industrial Park, Zhuhai City, Guangdong Province Patentee before: ZHUHAI COMLEADER INFORMATION TECHNOLOGY Co.,Ltd. |