CN112069390B - 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 - Google Patents
一种基于时空维度用户图书借阅行为分析及兴趣预测方法 Download PDFInfo
- Publication number
- CN112069390B CN112069390B CN202010680649.8A CN202010680649A CN112069390B CN 112069390 B CN112069390 B CN 112069390B CN 202010680649 A CN202010680649 A CN 202010680649A CN 112069390 B CN112069390 B CN 112069390B
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- borrowing
- space
- book
- 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 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000007619 statistical method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 48
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 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
- G06F16/9535—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空维度用户图书借阅行为分析及兴趣预测方法,具体为,首先利用图书馆平台采集用户借阅行为数据,并对用户借阅行为数据进行预处理,从半结构化的数据抽象为结构化数据;其次,对结构化的用户数据进行细分挖掘及统计分析,并基于统计分析结果,构建基于时空双维度的用户借阅行为分析模型,对单个用户的兴趣进行分类及评分;最后,对基于时空双维度的用户借阅行为分析模型得到的兴趣评分进行归一化排序,从而得到最终的用户兴趣推荐顺序及推荐比例。本发明加入时间维度信息,对用户兴趣标签进行基于时空双维度的评价。
Description
技术领域
本发明属于大数据研究技术领域,涉及一种基于时空维度用户图书借阅行为分析及兴趣预测方法。
背景技术
随着科技力量的快速发展及大数据时代的到来,基于大数据“赋能”与“媒体大脑”等新技术的支撑,针对网络上爆炸式增长的用户行为进行挖掘和分析,提取出其中有价值、有意义的信息,从而为用户提供个性化、精准化的推荐和服务,这种新的服务模式已在电商网购、社交媒体、公共文化等领域得到广泛应用。在公共文化研究领域,图书馆作为承载记录大量用户图书借阅行为数据的主体,随着互联网的广泛应用,图书馆所提供的服务逐渐从传统的单一模式向多样化、精准化、主动化的模式发展,如何借助于大数据分析与挖掘方法从海量的用户借阅行为数据中,快速有效地提取出有价值的内容,精准分析用户兴趣所在,主动推荐相关内容,提升用户使用体验,为实现精准推荐具有重要的研究意义。
发明内容
本发明的目的是提供一种基于时空维度用户图书借阅行为分析及兴趣预测方法,具有针对用户借阅行为产生的数据进行挖掘和分析,为用户兴趣预测及推荐提供解决方法的特点。
本发明所采用的技术方案是,一种基于时空维度用户图书借阅行为分析及兴趣预测方法,具体按照以下步骤实施:
步骤1、对图书借阅行为原始数据预处理,得到结构化的用户借阅行为数据;
步骤2、对结构化的用户借阅行为进行统计分析;
步骤3、构建基于时空维度用户借阅行为分析模型,对单个用户的借阅行为进行兴趣分类,并从时空维度的角度对用户兴趣进行评分;
步骤4、对步骤3得到的用户兴趣评分进行归一化排序,得到最终的兴趣推荐顺序及推荐比例。
本发明的特点还在于:
步骤1中对图书借阅行为原始数据预处理具体为,针对图书馆业务管理系统中导出的用户借阅行为数据从用户基本信息、群体数量、借阅时间、归还时间、索书号、图书类型方面进行数据整合。
步骤3具体包括以下步骤:
步骤3.1、根据中国图书馆图书分类词表对用户感兴趣的图书类型进行层次化的规则分类;
步骤3.2、对用户兴趣标签进行基于时空双维度的评分。
步骤3.1具体按照以下步骤实施:
步骤3.1.1、对中国图书馆图书分类词表进行分析总结,建立用户兴趣分类规则;
步骤3.1.2、再根据用户兴趣分类规则,对用户的每一条借阅数据,进行自顶向下的规则分类。
步骤3.1.1中分类规则的定义公式为:
Ri:(ci)→yi(1)
其中,Ri表示规则序号,ci为规则前件,yi为分类标签。
规则前件ci为:
ci=(x1=v1)∧(x2=v2)∧(x3=v3)...∧(xn=vn) (2)
其中x={x1,x2,...xn}代表某图书分类号的矢量化表示,元素xi和vi均代表分类号某位的值。
步骤3.2具体按照以下步骤实施:
步骤3.2.1、根据步骤3.1对用户的每一次借阅行为进行兴趣分类,并将用户的借阅行为表示为集合U={T1,T2,...Ti},其中1≤i≤M,M表示用户兴趣标签数量;Ti表示每个兴趣标签,定义:
其中,表示Ti标签中图书的数量,/>表示Ti标签中每本图书的借阅时长,具体以天为单位;
步骤3.2.2、建立基于时空双维度的用户借阅兴趣评价模型对每个兴趣标签Ti进行评分,如公式4所示,
步骤3.2.3、对借阅时长进行回归分析使其满足连续分布,并用使得概率密度函数/>得到最大值时的变量D作为衡量用户兴趣标签时间维度的表征。
步骤4具体为,根据步骤3对用户的的每个兴趣标签从时空双维度的角度进行评价打分,得到评价集合对评价集合V进行归一化处理,得到每个兴趣标签评价值的概率质量函数/>对/>进行从大到小的排序并与兴趣标签Ti组成元组数据,得到序列/>用以表征用户图书推荐的顺序及比例。
概率质量函数为:
其中,M表示用户兴趣标签数量。
本发明的有益效果是:(1)根据中国图书馆图书分类词表建立结构化的用户兴趣规则分类表;(2)加入时间维度信息,结合空间维度信息构建了新的用户借阅行为分析模型,并对单个用户的兴趣进行分类分析;(3)预测单个用户兴趣偏好及对某类型图书资源的感兴趣程度,并依此实现用户兴趣偏好推荐。
附图说明
图1是用户借阅行为分析及兴趣预测流程图;
图2是基于时空维度用户图书借阅行为分析及兴趣预测方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于时空维度用户图书借阅行为分析及兴趣预测方法,如图1所示,具体按照以下步骤实施:
步骤1、对图书借阅行为原始数据预处理,得到结构化的用户借阅行为数据;
本实施例针对某高校图书馆2018年学生图书借阅行为数据进行预处理,将半结构化的用户借阅行为数据抽象为结构化用户借阅行为数据,具体包括:针对图书馆业务管理系统中导出的用户借阅行为数据从用户基本信息、群体数量、借阅时间、归还时间、索书号、图书类型方面进行数据整合;
步骤2、对结构化的用户借阅行为进行统计分析;
本实施例针对步骤1中得到的结构化数据,从中筛选50个用户进行借阅行为统计分析,筛选的50名用户的借阅记录在[36,217]范围之内,共计2920条借阅信息,借阅时长为147915天,平均50.65天;男女人数为2012和908,分别来自此高校各学院,如材料学院124条借阅记录、城市设计学院66条借阅记录、电子信息学院573条借阅记录、服装设计学院479条借阅记录、管理学院163条借阅记录、机电学院710条借阅记录、计算机学院414条借阅记录、理学院57条借阅记录、人文学院247条借阅记录、创新中心44条借阅记录及艺术设计学院43条借阅记录,针对某一单个用户来自电信学院,男性,2018年共计借阅30本图书,借阅时长总计为10178天,对该用户借阅行为统计分析如表2所示;
步骤3、构建基于时空维度用户借阅行为分析模型,对单个用户的借阅行为进行兴趣分类,并从时空维度的角度对用户兴趣进行评分,如图2所示;
本步骤针对单个用户的图书借阅行为,建立基于时空双维度的用户借阅行为分析模型,得到单个用户的多个兴趣标签及其评分,首先对用户借阅数据进行层次化的规则分类,得到用户感兴趣的图书类型标签;再结合时间和空间双维度对用户的每一个兴趣标签进行评价打分,用以表征用户对该类型图书的感兴趣程度,具体包括以下步骤:
步骤3.1、根据中国图书馆图书分类词表对用户感兴趣的图书类型进行层次化的规则分类:
通过步骤2对用户借阅行为数据进行结构化,可以直接抽取用户每次借阅行为的图书名称及其根据中国图书馆图书分类词表划分得到的分类号,每本图书的分类号均为采用英文字母及阿拉伯数字进行混合编码的层次结构集合,其中英文字母用来划分大类,每个大类下细分的门类用阿拉伯数字表示,如字母“I”代表文学大类,“I2”代表中国文学,“I24”代表中国小说,中国图书馆图书分类词表对图书的分类具有细致详尽的规定,从而确保图书分类的准确性及质量,然而,直接使用该分类词表标注用户兴趣却会导致标签过多,分类过细,进而难以衡量用户真正的兴趣所在,鉴于此,本发明通过对中国图书馆图书分类词表进行分析总结,建立用户兴趣分类规则,如表1所示,每条规则定义如公式(1),
Ri:(ci)→yi (1)
其中,Ri表示规则序号,ci为规则前件,yi为分类标签;
根据用户兴趣分类规则,对用户的每一条借阅数据,进行自顶向下的规则分类,规则前件ci定义如公式(2),
ci=(x1=v1)∧(x2=v2)∧(x3=v3)...∧(xn=vn) (2)
其中x={x1,x2,...xn}代表某图书分类号的矢量化表示,元素xi和vi均代表分类号某位的值,公式(1)和公式(2)所定义分类规则满足规则互斥及规则穷举性质,例如,某图书的分类号为H313/872(2),则根据表1定义的分类规则对其进行分类,第一位为“H”,第2位为“3”,应归类为“常用外国语”;某图书分类号为C8-49/5,根据表1定义的分类规则对其进行分类,第一位为“C”,可直接归类为“社会科学”;
步骤3.2、对用户兴趣标签进行基于时空双维度的评分:
根据步骤3.1,可以对用户的每一次借阅行为进行兴趣分类,并将用户的借阅行为表示为集合U={T1,T2,...Ti},其中1≤i≤M,M表示用户兴趣标签数量,Ti表示每个兴趣标签,定义如公式(3),
其中,表示Ti标签中图书的数量,/>表示Ti标签中每本图书的借阅时长(以天为单位),根据以上定义,建立基于时空双维度的用户借阅兴趣评价模型对每个兴趣标签Ti进行评分,如公式(4)所示,
为了更为准确的对用户兴趣在时间维度进行表征,本发明对借阅时长进行回归分析使其满足连续分布,并用使得概率密度函数/>得到最大值时的变量D作为衡量用户兴趣标签时间维度的表征,概率密度函数/>的参数估计步骤描述如下:
根据对用户借阅行为的分析可以假设,用户借阅时长的概率密度服从高斯分布如公式(5),
则似然函数可定义为,
对公式(6)两边取对数可得,
令,
可解得,
令,
可解得,
步骤4、对步骤3得到的用户兴趣评分进行归一化排序,得到最终的兴趣推荐顺序及推荐比例;
根据步骤3对用户的每个兴趣标签从时空双维度的角度进行评价打分,得到评价集合该评价集合可以直接用以表征用户对某类型图书Ti的感兴趣程度,此外,为根据用户感兴趣程度,实现比例化的精准图书推荐,本发明对评价集合V进行归一化处理,得到每个兴趣标签评价值的概率质量函数,定义如公式(12),
其中,M表示用户兴趣标签数量,既可以代表用户对Ti类型图书的感兴趣程度,又可以作为比例化用户兴趣偏好推荐的比例,对/>进行从大到小的排序并与兴趣标签Ti组成元组数据,得到序列/>可以用以表征用户图书推荐的顺序及比例,例如,某用户兴趣标签评价值的序列a={(T1,0.65),(T2,0.3),(T3,0.05)},即代表该用户对T1类型的图书最感兴趣,进行图书推荐时,建议T1类型的图书推荐数量在65%左右。
本发明一种基于时空维度用户图书借阅行为分析及兴趣预测方法根据中国图书馆图书分类词表建立层次化的用户兴趣规则分类表,加入时间维度对用户兴趣进行时空双维度评分,最终可以预测出用户对某类图书的感兴趣程度并进行比例化的用户兴趣偏好推荐。
表1根据中国图书馆图书分类词表建立的用户兴趣分类规则
表2某一单个用户借阅行为统计分析表
Claims (6)
1.一种基于时空维度用户图书借阅行为分析及兴趣预测方法,其特征在于,具体按照以下步骤实施:
步骤1、对图书借阅行为原始数据预处理,得到结构化的用户借阅行为数据;
步骤2、对结构化的用户借阅行为进行统计分析;
步骤3、构建基于时空维度用户借阅行为分析模型,对单个用户的借阅行为进行兴趣分类,并从时空维度的角度对用户兴趣进行评分;
步骤4、对步骤3得到的用户兴趣评分进行归一化排序,得到最终的兴趣推荐顺序及推荐比例;
所述步骤3具体包括以下步骤:
步骤3.1、根据中国图书馆图书分类词表对用户感兴趣的图书类型进行层次化的规则分类;
步骤3.2、对用户兴趣标签进行基于时空双维度的评分;
步骤3.2.1、根据步骤3.1对用户的每一次借阅行为进行兴趣分类,并将用户的借阅行为表示为集合U={T1,T2,...Ti},其中1≤i≤M,M表示用户兴趣标签数量;Ti表示每个兴趣标签,定义:
其中,表示Ti标签中图书的数量,/>表示Ti标签中每本图书的借阅时长,具体以天为单位;
步骤3.2.2、建立基于时空双维度的用户借阅兴趣评价模型对每个兴趣标签Ti进行评分,如公式4所示,
步骤3.2.3、对借阅时长进行回归分析使其满足连续分布,并用使得概率密度函数得到最大值时的变量D作为衡量用户兴趣标签时间维度的表征;
所述步骤4具体为,根据步骤3对用户的的每个兴趣标签从时空双维度的角度进行评价打分,得到评价集合对评价集合V进行归一化处理,得到每个兴趣标签评价值的概率质量函数/>对/>进行从大到小的排序并与兴趣标签Ti组成元组数据,得到序列/>用以表征用户图书推荐的顺序及比例。
2.根据权利要求1所述的一种基于时空维度用户图书借阅行为分析及兴趣预测方法,其特征在于,所述步骤1中对图书借阅行为原始数据预处理具体为,针对图书馆业务管理系统中导出的用户借阅行为数据从用户基本信息、群体数量、借阅时间、归还时间、索书号、图书类型方面进行数据整合。
3.根据权利要求1所述的一种基于时空维度用户图书借阅行为分析及兴趣预测方法,其特征在于,所述步骤3.1具体按照以下步骤实施:
步骤3.1.1、对中国图书馆图书分类词表进行分析总结,建立用户兴趣分类规则;
步骤3.1.2、再根据用户兴趣分类规则,对用户的每一条借阅数据,进行自顶向下的规则分类。
4.根据权利要求3所述的一种基于时空维度用户图书借阅行为分析及兴趣预测方法,其特征在于,所述步骤3.1.1中分类规则的定义公式为:
Ri:(ci)→yi (1)
其中,Ri表示规则序号,ci为规则前件,yi为分类标签。
5.根据权利要求4所述的一种基于时空维度用户图书借阅行为分析及兴趣预测方法,其特征在于,所述规则前件ci为:
ci=(x1=v1)∧(x2=v2)∧(x3=v3)...∧(xn=vn) (2)
其中x={x1,x2,...xn}代表某图书分类号的矢量化表示,元素xi和vi均代表分类号某位的值。
6.据权利要求1所述的一种基于时空维度用户图书借阅行为分析及兴趣预测方法,其特征在于,所述概率质量函数为:
其中,M表示用户兴趣标签数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680649.8A CN112069390B (zh) | 2020-07-15 | 2020-07-15 | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680649.8A CN112069390B (zh) | 2020-07-15 | 2020-07-15 | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069390A CN112069390A (zh) | 2020-12-11 |
CN112069390B true CN112069390B (zh) | 2023-09-26 |
Family
ID=73656190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680649.8A Active CN112069390B (zh) | 2020-07-15 | 2020-07-15 | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578726B (zh) * | 2023-07-10 | 2023-09-29 | 悦读天下(北京)国际教育科技有限公司 | 一种个性化图书推荐系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472286A (zh) * | 2018-09-30 | 2019-03-15 | 浙江工业大学 | 基于兴趣度模型与类型因子的高校图书推荐方法 |
CN110070134A (zh) * | 2019-04-25 | 2019-07-30 | 厦门快商通信息咨询有限公司 | 一种基于用户兴趣感知的推荐方法及装置 |
CN110275907A (zh) * | 2019-06-26 | 2019-09-24 | 广东工业大学 | 一种图书推荐方法、装置、设备及可读存储介质 |
CN110532309A (zh) * | 2019-07-15 | 2019-12-03 | 浙江工业大学 | 一种高校图书馆用户画像系统的生成方法 |
CN110619084A (zh) * | 2019-08-29 | 2019-12-27 | 西安工程大学 | 一种根据图书馆读者借阅行为进行图书推荐的方法 |
CN111339427A (zh) * | 2020-03-23 | 2020-06-26 | 卓尔智联(武汉)研究院有限公司 | 一种图书信息推荐方法、装置、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11675833B2 (en) * | 2015-12-30 | 2023-06-13 | Yahoo Assets Llc | Method and system for recommending content |
-
2020
- 2020-07-15 CN CN202010680649.8A patent/CN112069390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472286A (zh) * | 2018-09-30 | 2019-03-15 | 浙江工业大学 | 基于兴趣度模型与类型因子的高校图书推荐方法 |
CN110070134A (zh) * | 2019-04-25 | 2019-07-30 | 厦门快商通信息咨询有限公司 | 一种基于用户兴趣感知的推荐方法及装置 |
CN110275907A (zh) * | 2019-06-26 | 2019-09-24 | 广东工业大学 | 一种图书推荐方法、装置、设备及可读存储介质 |
CN110532309A (zh) * | 2019-07-15 | 2019-12-03 | 浙江工业大学 | 一种高校图书馆用户画像系统的生成方法 |
CN110619084A (zh) * | 2019-08-29 | 2019-12-27 | 西安工程大学 | 一种根据图书馆读者借阅行为进行图书推荐的方法 |
CN111339427A (zh) * | 2020-03-23 | 2020-06-26 | 卓尔智联(武汉)研究院有限公司 | 一种图书信息推荐方法、装置、系统及存储介质 |
Non-Patent Citations (4)
Title |
---|
Maria Soledad Pera 等.Analyzing Book-Related Features to Recommend Books for Emergent Readers.《HT '15: Proceedings of the 26th ACM Conference on Hypertext & Social Media》.2015,221–230. * |
基于用户兴趣序列相似性度量的图书协同过滤推荐方法研究;王刚 等;《新世纪图书馆》;43-48 * |
基于用户-图书资源特征的图书资源推荐技术研究;刘超慧 等;《电子世界》;86-87 * |
李澎林 等.基于兴趣度与类型因子的高校图书推荐算法.《 浙江工业大学学报》.2019,425-429. * |
Also Published As
Publication number | Publication date |
---|---|
CN112069390A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005589B (zh) | 一种文本分类的方法和装置 | |
CN107025310A (zh) | 一种自动实时新闻推荐方法 | |
CN103207913B (zh) | 商品细粒度语义关系的获取方法和系统 | |
CN111831905B (zh) | 基于团队科研影响力及可持续性建模的推荐方法和装置 | |
CN107577782B (zh) | 一种基于异质数据的人物相似度刻画方法 | |
CN110096575B (zh) | 面向微博用户的心理画像方法 | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
CN111523055B (zh) | 一种基于农产品特征属性评论倾向的协同推荐方法及系统 | |
CN106599054A (zh) | 一种题目分类及推送的方法及系统 | |
CN111401040A (zh) | 一种适用于word文本的关键词提取方法 | |
CN111177538A (zh) | 一种基于无监督权值计算的用户兴趣标签构建方法 | |
CN111353044A (zh) | 一种基于评论的情感分析方法及系统 | |
CN112115712B (zh) | 基于话题的群体情感分析方法 | |
CN111078859B (zh) | 一种基于引用次数的作者推荐方法 | |
Liu et al. | Identifying experts in community question answering website based on graph convolutional neural network | |
CN108984711A (zh) | 一种基于分层嵌入的个性化app推荐方法 | |
CN112069390B (zh) | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN113505154B (zh) | 一种基于大数据的数字阅读统计分析方法及系统 | |
CN115860283B (zh) | 基于知识工作者画像的贡献度预测方法及装置 | |
Li et al. | A personalized recommendation algorithm for college books based on user interest | |
CN115510326A (zh) | 基于文本特征和情感倾向的网络论坛用户兴趣推荐算法 | |
Jiang et al. | Network public comments sentiment analysis based on multilayer convolutional neural network | |
CN112632275B (zh) | 基于个人文本信息的人群聚类数据处理方法、装置及设备 | |
CN115269816A (zh) | 基于信息处理方法的核心人员挖掘方法、装置和存储介质 |
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 |