CN111984873A - 一种服务推荐系统和方法 - Google Patents
一种服务推荐系统和方法 Download PDFInfo
- Publication number
- CN111984873A CN111984873A CN202010998242.XA CN202010998242A CN111984873A CN 111984873 A CN111984873 A CN 111984873A CN 202010998242 A CN202010998242 A CN 202010998242A CN 111984873 A CN111984873 A CN 111984873A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- information
- user
- service
- recommendation result
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种服务推荐系统和方法，包括信息采集收集器、信息处理器和推荐处理器，所述信息采集收集器用于收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到所述信息处理器，所述信息处理器用于接收来自所述信息采集收集器的所述用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至所述推荐处理器，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。本发明构建的服务推荐系统和方法，可以针对复杂的需求进行精准的推送，更好的满足用户的需求。
Description
技术领域
本发明属于互联网平台检验检测技术领域，具体设计一种服务推荐系统和方法。
背景技术
检验检测服务业是高技术服务业、生产性服务业和科技服务业的重要发展业态，已被纳入我国的战略新兴产业规划，是国家提升服务质量、增强国家质量技术基础、建设质量强国的重要基本保障。随着全社会对企业生产安全、人民生命健康以及环境保护等各个方面的认识和要求不断深化和提高，环境保护检验检测市场的活力得到有效地激发。当前我国的环境保护检验检测服务业发展迅速，市场规模不断扩大，技术资源优化组合，呈现出集成化服务的发展趋势。
对于一些领域的检验检测存在起步晚、区域发展不均衡、市场服务资源分散、服务标准规范涉及领域复杂、服务协同平台缺失等原因，导致某些领域的整体能力水平不高，难以有效满足全社会对其检验检测服务需求，并且现有的检验检测平台基于用户的检验检测需求并不能有效推荐准确的服务方。
发明内容
本发明的目的在于提供一种服务推荐系统和方法，该方法基于用户的检验检测需求能有效推荐准确的服务方。
为实现上述目的，本发明采取如下技术方案：
一种服务推荐系统，包括信息采集收集器、信息处理器和推荐处理器，所述信息采集收集器用于收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到所述信息处理器，所述信息处理器用于接收来自所述信息采集收集器的所述用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至所述推荐处理器，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。
所述用户动态行为信息包括购买记录、浏览记录、收藏记录、加购记录；所述用户静态基本属性信息包括类别、领域、所在地域、消费水平、地理层级；所述任务需求信息包括位置、周期、检验检测标准、检测物品描述。
所述同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果具体包括：
1)构建用户动态行为评分矩阵，将每个用户动态行为0-1矩阵，赋权转化为0-5伪评分矩阵，0-5的评分是代表用户对某一个检验检测服务的喜欢程度；
2)计算用户动态行为相似度，利用皮尔逊相似度计算方法计算用户之间的动态行为伪评分矩阵，得到动态行为相似度A；
3)基于所述用户静态基本属性信息，利用属性相似度测算方法，计算得到静态属性相似度B；
4)基于所述动态行为相似度和静态属性相似度，确定A与B权重；并按照与目标用户相似度大小排序；
5)使用试探法取5-50个最近邻居数，以确定用户最近的相似集合；
6)基于所述最近的相似集合，利用预测评分公式计算目标用户对未评分物品的预测评分，将预测评分按照从大到小的方式进行排序，为目标用户选取最靠前的N个物品形成目标用户的TOP-N推荐集，产生推荐；
7)以所述预测评分与实际用户评分的差值MAE对推荐算法进行准确度评价，基于最小MAE误差，调整所述A与B权重以及所述最近邻居数，从而得到最优推荐。
所述实际用户评分是用户在实际使用中反馈的评分。
所述分析所述任务需求信息生成第二推荐结果具体包括：
1)整理服务资源库，根据检验检测服务资源库中检验检测机构的名称、地区、资质、检验检测对象、检验检测项目类别、检验检测设备，构建检验检测知识图谱；
2)基于历史服务需求与所述检验检测知识图谱，建立历史服务需求与所述检验检测知识图谱的关联网络；
3)基于所述历史服务需求与所述检验检测知识图谱的关联网络，匹配与所述任务需求信息关联的服务资源；
4)基于多维QoS数据的服务资源描述动态更新算法，保持所述服务需求与所述检验检测知识图谱的关联网络的动态更新。
所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果，具体包括：
1)确定处理后的所述第一推荐结果和第二推荐结果的权重，对处理后的所述第一推荐结果和第二推荐结果进行0-5评分排序，并基于所述第一推荐结果和第二推荐结果的权重，计算所有推荐结果的评分并排序，生成所述第三推荐结果。
基于客户反馈，利用机器学习方法，优化所述第一推荐结果和第二推荐结果的权重。
一种服务推荐方法，包括步骤A：信息采集收集器收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到信息处理器；步骤B：所述信息处理器接收来自所述信息采集收集器的用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至推荐处理器；步骤C：所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。
本发明具有如下优点：
本发明构建了一种服务推荐系统，包括信息采集收集器、信息处理器和推荐处理器，所述信息采集收集器用于收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到所述信息处理器，所述信息处理器用于接收来自所述信息采集收集器的所述用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至所述推荐处理器，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。本发明构建的服务推荐系统，可以针对复杂的需求进行精准的推送，更好的满足用户的需求。
附图说明
图1是本发明一种服务推荐系统示意图；
图2是第一推荐结果生成流程图；
图3是第二推荐结果生成流程图；
图4是构建检验检测知识图谱示意图；
图5是第三推荐结果生成流程图。
具体实施方式
下面将通过具体实施例对本发明进行详细的描述。提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
实施例1
参见图1，一种服务推荐系统，包括信息采集收集器、信息处理器和推荐处理器，所述信息采集收集器用于收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到所述信息处理器，所述信息处理器用于接收来自所述信息采集收集器的所述用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至所述推荐处理器，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。
所述用户动态行为信息包括但不限于购买记录、浏览记录、收藏记录、加购记录；所述用户静态基本属性信息包括但不限于类别、领域、所在地域、消费水平、地理层级；所述任务需求信息包括但不限于位置、周期、检验检测标准、检测物品描述。
如图2所示，所述同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果具体包括：
1)构建用户动态行为评分矩阵，将每个用户动态行为0-1矩阵，赋权转化为0-5伪评分矩阵，0-5的评分是代表用户对某一个检验检测服务的喜欢程度；
2)计算用户动态行为相似度，利用皮尔逊相似度计算方法计算用户之间的动态行为伪评分矩阵，得到动态行为相似度A；
3)基于所述用户静态基本属性信息，利用属性相似度测算方法，计算得到静态属性相似度B；
4)基于所述动态行为相似度和静态属性相似度，确定A与B权重；并按照与目标用户相似度大小排序；
5)使用试探法取5-50个最近邻居数，以确定用户最近的相似集合；计算出目标用户与其他用户的相似度，相似度按大小排序，用试探法，取5个邻居数确定误差多少，10个邻居数误差多少，一直到50个邻居数，基于误差MAE最小，确定用户的邻居数，邻居数就是相似度从大到小排序的范围，范围内的用户为目标用户的相似集合；
6)基于所述最近的相似集合，利用预测评分公式计算目标用户对未评分物品的预测评分，将预测评分按照从大到小的方式进行排序，为目标用户选取最靠前的N个物品形成目标用户的TOP-N推荐集，产生推荐；
7)以所述预测评分与实际用户评分的差值MAE对推荐算法进行准确度评价，基于最小MAE误差，调整所述A与B权重以及所述最近邻居数，从而得到最优推荐。
所述实际用户评分是用户在实际使用中反馈的评分。
如图3所示，所述分析所述任务需求信息生成第二推荐结果具体包括：
1)整理服务资源库，根据检验检测服务资源库中检验检测机构的名称、地区、资质、检验检测对象、检验检测项目类别、检验检测设备，构建检验检测知识图谱；
如图4所示，知识图谱的构建，第一步数据获取，基于检验检测企业能力清单数据进行数据处理，借助于自然语言处理等技术来提取出结构化信息，包括命名实体抽取、关系抽取和属性抽取。通过指代消解、实体消歧、实体链接完成知识融合。海量数据在经信息抽取、知识融合之后得到一系列基本的事实表达，但这并不等同于知识，要想获得结构化，网络化的知识体系，还需要经过质量评估之后(部分需要人工参与甄别)，才能将合格的部分纳入知识体系中以确保知识库的质量，这就是知识加工的过程。知识加工主要包括3方面内容：本体构建、知识推理和质量评估。
2)基于历史服务需求与所述检验检测知识图谱，建立历史服务需求与所述检验检测知识图谱的关联网络；
基于检索搜索引擎的服务器日志，事先并不给出实体分类等信息，而是基于实体的语义特征从搜索日志中识别出命名实体，然后采用聚类算法对识别出的实体对象进行聚类，将聚类的命名实体与知识图谱中的命名实体进行一一对应，建立对应的关联网络，实习从检验检测需求检索到知识图谱内容调用的关联。
3)基于所述历史服务需求与所述检验检测知识图谱的关联网络，匹配与所述任务需求信息关联的服务资源；基于双边匹配服务发现算法，结合检验检测服务需求与本体标签的关联，实现检验检测服务资源与需求的动态精准匹配。
4)基于多维QoS数据的服务资源描述动态更新算法，保持所述服务需求与所述检验检测知识图谱的关联网络的动态更新。
如图5所示，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果，具体包括：
1)确定处理后的所述第一推荐结果和第二推荐结果的权重，对处理后的所述第一推荐结果和第二推荐结果进行0-5评分排序，并基于所述第一推荐结果和第二推荐结果的权重，计算所有推荐结果的评分并排序，生成所述第三推荐结果。
2)基于客户反馈，利用机器学习方法，优化所述第一推荐结果和第二推荐结果的权重。客户反馈中如对第一推荐结果的选择频次高，则可考虑提高第一推荐结果的权值，在长期的不同客户反馈中得到第一推荐结果和第二推荐结果的适当权重。
实施例2
一种服务推荐方法，包括步骤A：信息采集收集器收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到信息处理器；步骤B：所述信息处理器接收来自所述信息采集收集器的用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至推荐处理器；步骤C：所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。
所述用户动态行为信息包括但不限于购买记录、浏览记录、收藏记录、加购记录；所述用户静态基本属性信息包括但不限于类别、领域、所在地域、消费水平、地理层级；所述任务需求信息包括但不限于位置、周期、检验检测标准、检测物品描述。
所述同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果具体包括：
1)构建用户动态行为评分矩阵，将每个用户动态行为0-1矩阵，赋权转化为0-5伪评分矩阵，0-5的评分是代表用户对某一个检验检测服务的喜欢程度；
2)计算用户动态行为相似度，利用皮尔逊相似度计算方法计算用户之间的动态行为伪评分矩阵，得到动态行为相似度A；
3)基于所述用户静态基本属性信息，利用属性相似度测算方法，计算得到静态属性相似度B；
4)基于所述动态行为相似度和静态属性相似度，确定A与B权重；并按照与目标用户相似度大小排序；
5)使用试探法取5-50个最近邻居数，以确定用户最近的相似集合；
6)基于所述最近的相似集合，利用预测评分公式计算目标用户对未评分物品的预测评分，将预测评分按照从大到小的方式进行排序，为目标用户选取最靠前的N个物品形成目标用户的TOP-N推荐集，产生推荐；
7)以所述预测评分与实际用户评分的差值MAE对推荐算法进行准确度评价，基于最小MAE误差，调整所述A与B权重以及所述最近邻居数，从而得到最优推荐。
所述实际用户评分是用户在实际使用中反馈的评分。
所述分析所述任务需求信息生成第二推荐结果具体包括：
1)整理服务资源库，根据检验检测服务资源库中检验检测机构的名称、地区、资质、检验检测对象、检验检测项目类别、检验检测设备，构建检验检测知识图谱；
2)基于历史服务需求与所述检验检测知识图谱，建立历史服务需求与所述检验检测知识图谱的关联网络；
3)基于所述历史服务需求与所述检验检测知识图谱的关联网络，匹配与所述任务需求信息关联的服务资源；
4)基于多维QoS数据的服务资源描述动态更新算法，保持所述服务需求与所述检验检测知识图谱的关联网络的动态更新。
所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果，具体包括：
1)确定处理后的所述第一推荐结果和第二推荐结果的权重，对处理后的所述第一推荐结果和第二推荐结果进行0-5评分排序，并基于所述第一推荐结果和第二推荐结果的权重，计算所有推荐结果的评分并排序，生成所述第三推荐结果。
基于客户反馈，利用机器学习方法，优化所述第一推荐结果和第二推荐结果的权重。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (8)
1.一种服务推荐系统，其特征在于，包括信息采集收集器、信息处理器和推荐处理器，所述信息采集收集器用于收集用户动态行为信息，用户静态基本属性信息和任务需求信息，并将收集的所述用户动态行为信息，用户静态基本属性信息和任务需求信息分别发送到所述信息处理器，所述信息处理器用于接收来自所述信息采集收集器的所述用户动态行为信息，用户静态基本属性信息和任务需求信息，同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果，分析所述任务需求信息生成第二推荐结果，并将所述第一推荐结果和第二推荐结果发送至所述推荐处理器，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果。
2.根据权利要求1所述的服务推荐系统，其特征在于，所述用户动态行为信息包括购买记录、浏览记录、收藏记录、加购记录；所述用户静态基本属性信息包括类别、领域、所在地域、消费水平、地理层级；所述任务需求信息包括位置、周期、检验检测标准、检测物品描述。
3.根据权利要求2所述的服务推荐系统，其特征在于，所述同时分析所述用户动态行为信息和用户静态基本属性信息生成第一推荐结果具体包括：
1)构建用户动态行为评分矩阵，将每个用户动态行为0-1矩阵，赋权转化为0-5伪评分矩阵，0-5的评分是代表用户对某一个检验检测服务的喜欢程度；
2)计算用户动态行为相似度，利用皮尔逊相似度计算方法计算用户之间的动态行为伪评分矩阵，得到动态行为相似度A；
3)基于所述用户静态基本属性信息，利用属性相似度测算方法，计算得到静态属性相似度B；
4)基于所述动态行为相似度和静态属性相似度，确定A与B权重；并按照与目标用户相似度大小排序；
5)使用试探法取5-50个最近邻居数，以确定用户最近的相似集合；
6)基于所述最近的相似集合，利用预测评分公式计算目标用户对未评分物品的预测评分，将预测评分按照从大到小的方式进行排序，为目标用户选取最靠前的N个物品形成目标用户的TOP-N推荐集，产生推荐；
7)以所述预测评分与实际用户评分的差值MAE对推荐算法进行准确度评价，基于最小MAE误差，调整所述A与B权重以及所述最近邻居数，从而得到最优推荐。
4.根据权利要求2所述的服务推荐系统，其特征在于，所述实际用户评分是用户在实际使用中反馈的评分。
5.根据权利要求2所述的服务推荐系统，其特征在于，所述分析所述任务需求信息生成第二推荐结果具体包括：
1)整理服务资源库，根据检验检测服务资源库中检验检测机构的名称、地区、资质、检验检测对象、检验检测项目类别、检验检测设备，构建检验检测知识图谱；
2)基于历史服务需求与所述检验检测知识图谱，建立历史服务需求与所述检验检测知识图谱的关联网络；
3)基于所述历史服务需求与所述检验检测知识图谱的关联网络，匹配与所述任务需求信息关联的服务资源；
4)基于多维QoS数据的服务资源描述动态更新算法，保持所述服务需求与所述检验检测知识图谱的关联网络的动态更新。
6.根据权利要求2所述的服务推荐系统，其特征在于，所述推荐处理器接收并处理来自所述信息处理器的所述第一推荐结果和第二推荐结果，并生成第三推荐结果,具体包括：
1)确定处理后的所述第一推荐结果和第二推荐结果的权重，对处理后的所述第一推荐结果和第二推荐结果进行0-5评分排序，并基于所述第一推荐结果和第二推荐结果的权重，计算所有推荐结果的评分并排序，生成所述第三推荐结果。
7.根据权利要求6所述的服务推荐系统，其特征在于，基于客户反馈，利用机器学习方法，优化所述第一推荐结果和第二推荐结果的权重。
8.一种服务推荐方法，其特征在于，利用权利要求1-7所述的服务推荐系统进行服务推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010998242.XA CN111984873B (zh) | 2020-09-21 | 2020-09-21 | 一种服务推荐系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010998242.XA CN111984873B (zh) | 2020-09-21 | 2020-09-21 | 一种服务推荐系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111984873A true CN111984873A (zh) | 2020-11-24 |
| CN111984873B CN111984873B (zh) | 2023-04-25 |
Family
ID=73449519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010998242.XA Active CN111984873B (zh) | 2020-09-21 | 2020-09-21 | 一种服务推荐系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111984873B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417304A (zh) * | 2020-12-10 | 2021-02-26 | 北方工业大学 | 一种用于构建数据分析流程的数据分析服务推荐方法及系统 |
| CN112541072A (zh) * | 2020-12-08 | 2021-03-23 | 成都航天科工大数据研究院有限公司 | 一种基于知识图谱的供需信息推荐方法及系统 |
| CN112765492A (zh) * | 2020-12-31 | 2021-05-07 | 浙江省方大标准信息有限公司 | 一种检验检测机构排序方法 |
| CN112800333A (zh) * | 2021-02-04 | 2021-05-14 | 北京信息科技大学 | 企业用户服务的推荐方法、装置、设备及存储介质 |
| CN112925723A (zh) * | 2021-04-02 | 2021-06-08 | 上海复深蓝软件股份有限公司 | 测试服务推荐方法、装置、计算机设备及存储介质 |
| CN113204577A (zh) * | 2021-04-15 | 2021-08-03 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008117122A (ja) * | 2006-11-02 | 2008-05-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦情報検出提供装置および推薦情報検出提供方法ならびにそのプログラム |
| US20100306146A1 (en) * | 2009-05-29 | 2010-12-02 | International Business Machines Corporation | Non-subscription based service for providing contextually-preferred new content to information system users |
| CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
| CN103049865A (zh) * | 2012-12-17 | 2013-04-17 | 中国农业大学 | 主动推荐产品信息服务的方法及系统 |
| CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
| CN106202331A (zh) * | 2016-07-01 | 2016-12-07 | 中国传媒大学 | 分层次隐私保护的推荐系统及基于该推荐系统的作业方法 |
| CN108509466A (zh) * | 2017-04-14 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法和装置 |
| CN109102357A (zh) * | 2018-06-15 | 2018-12-28 | 深圳市轱辘汽车维修技术有限公司 | 一种基于物品检测的推送方法、装置及终端 |
| CN109492153A (zh) * | 2018-10-18 | 2019-03-19 | 平安科技（深圳）有限公司 | 一种产品推荐方法和装置 |
| CN109684538A (zh) * | 2018-12-03 | 2019-04-26 | 重庆邮电大学 | 一种基于用户个人特征的推荐方法及推荐系统 |
| CN110148043A (zh) * | 2019-03-01 | 2019-08-20 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱的招标采购信息推荐系统及推荐方法 |
| CN111079009A (zh) * | 2019-12-11 | 2020-04-28 | 中国地质大学（武汉） | 一种用于政务地图服务的用户兴趣检测方法及系统 |
| CN111310032A (zh) * | 2020-01-21 | 2020-06-19 | 北京健康之家科技有限公司 | 资源推荐方法、装置、计算机设备及可读存储介质 |
-
2020
- 2020-09-21 CN CN202010998242.XA patent/CN111984873B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008117122A (ja) * | 2006-11-02 | 2008-05-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦情報検出提供装置および推薦情報検出提供方法ならびにそのプログラム |
| US20100306146A1 (en) * | 2009-05-29 | 2010-12-02 | International Business Machines Corporation | Non-subscription based service for providing contextually-preferred new content to information system users |
| CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
| CN103049865A (zh) * | 2012-12-17 | 2013-04-17 | 中国农业大学 | 主动推荐产品信息服务的方法及系统 |
| CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
| CN106202331A (zh) * | 2016-07-01 | 2016-12-07 | 中国传媒大学 | 分层次隐私保护的推荐系统及基于该推荐系统的作业方法 |
| CN108509466A (zh) * | 2017-04-14 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法和装置 |
| CN109102357A (zh) * | 2018-06-15 | 2018-12-28 | 深圳市轱辘汽车维修技术有限公司 | 一种基于物品检测的推送方法、装置及终端 |
| CN109492153A (zh) * | 2018-10-18 | 2019-03-19 | 平安科技（深圳）有限公司 | 一种产品推荐方法和装置 |
| CN109684538A (zh) * | 2018-12-03 | 2019-04-26 | 重庆邮电大学 | 一种基于用户个人特征的推荐方法及推荐系统 |
| CN110148043A (zh) * | 2019-03-01 | 2019-08-20 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱的招标采购信息推荐系统及推荐方法 |
| CN111079009A (zh) * | 2019-12-11 | 2020-04-28 | 中国地质大学（武汉） | 一种用于政务地图服务的用户兴趣检测方法及系统 |
| CN111310032A (zh) * | 2020-01-21 | 2020-06-19 | 北京健康之家科技有限公司 | 资源推荐方法、装置、计算机设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| HSIAO-TIEH PU 等: "User navigation behavior of a selective dissemination of web information service" * |
| 王斌 等: "智能推荐系统在铁路客运延伸服务中应用研究" * |
| 马建威 等: "基于混合推荐和隐马尔科夫模型的服务推荐方法" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541072A (zh) * | 2020-12-08 | 2021-03-23 | 成都航天科工大数据研究院有限公司 | 一种基于知识图谱的供需信息推荐方法及系统 |
| CN112541072B (zh) * | 2020-12-08 | 2022-12-02 | 成都航天科工大数据研究院有限公司 | 一种基于知识图谱的供需信息推荐方法及系统 |
| CN112417304A (zh) * | 2020-12-10 | 2021-02-26 | 北方工业大学 | 一种用于构建数据分析流程的数据分析服务推荐方法及系统 |
| CN112417304B (zh) * | 2020-12-10 | 2023-06-23 | 北方工业大学 | 一种用于构建数据分析流程的数据分析服务推荐方法及系统 |
| CN112765492A (zh) * | 2020-12-31 | 2021-05-07 | 浙江省方大标准信息有限公司 | 一种检验检测机构排序方法 |
| CN112800333A (zh) * | 2021-02-04 | 2021-05-14 | 北京信息科技大学 | 企业用户服务的推荐方法、装置、设备及存储介质 |
| CN112800333B (zh) * | 2021-02-04 | 2023-10-27 | 北京信息科技大学 | 企业用户服务的推荐方法、装置、设备及存储介质 |
| CN112925723A (zh) * | 2021-04-02 | 2021-06-08 | 上海复深蓝软件股份有限公司 | 测试服务推荐方法、装置、计算机设备及存储介质 |
| CN113204577A (zh) * | 2021-04-15 | 2021-08-03 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111984873B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111984873B (zh) | 一种服务推荐系统和方法 | |
| US8583571B2 (en) | Facility for reconciliation of business records using genetic algorithms | |
| CN110555717A (zh) | 基于用户行为特征挖掘用户潜在购买商品和品类的方法 | |
| CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
| US20080097937A1 (en) | Distributed method for integrating data mining and text categorization techniques | |
| CN112632405B (zh) | 一种推荐方法、装置、设备及存储介质 | |
| CN105069470A (zh) | 分类模型训练方法及装置 | |
| CN111931069B (zh) | 用户兴趣确定方法、装置及计算机设备 | |
| CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
| CN105740434A (zh) | 网络信息评分方法及装置 | |
| Kumar et al. | A novel fuzzy rough sets theory based CF recommendation system | |
| JP4891638B2 (ja) | 目的データをカテゴリに分類する方法 | |
| Law et al. | Modeling tourism demand: A decision rules based approach | |
| US10210528B2 (en) | Method and system for assessing and improving individual customer profitability for a profit-making organization | |
| CN112506930A (zh) | 一种基于机器学习技术的数据洞察平台 | |
| CN113887994A (zh) | 基于互联网评论挖掘的失效模式风险评估方法及系统 | |
| JP4176691B2 (ja) | 問題作成プログラムおよび問題作成装置 | |
| KR100700376B1 (ko) | 실시간 서지데이터베이스 평가 방법 | |
| Romeu | On operations research and statistics techniques: Keys to quantitative data mining | |
| JP2010165166A (ja) | グラフ構造推定システム、グラフ構造推定方法、およびプログラム | |
| CN118012921B (zh) | 一种用于知识产权虚拟实验的人机交互数据处理系统 | |
| CN117196399B (zh) | 一种基于数据分析的客服中台运行监管优化系统 | |
| CN117974399B (zh) | 基于lca实现跨价值链协作供应商的碳足迹分析系统及方法 | |
| Zarmehri et al. | Improving data mining results by taking advantage of the data warehouse dimensions: a case study in outlier detection | |
| WO2008042264A2 (en) | Distributed method for integrating data mining and text categorization techniques |
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 |