CN112102029A - 一种基于知识图谱的长尾推荐计算方法 - Google Patents
一种基于知识图谱的长尾推荐计算方法 Download PDFInfo
- Publication number
- CN112102029A CN112102029A CN202010844604.XA CN202010844604A CN112102029A CN 112102029 A CN112102029 A CN 112102029A CN 202010844604 A CN202010844604 A CN 202010844604A CN 112102029 A CN112102029 A CN 112102029A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- tail
- long
- head
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的长尾推荐计算方法,包括:首先从商品知识图谱中通过图谱表示学习方法学习待推荐商品的嵌入表示;接着依据用户和商品交互数量的多少将用户划分为头部用户以及长尾用户;然后对头部用户使用传统协同过滤方法学习其嵌入表示,并通过聚类方法学习用户群体中的原型用户的嵌入表示;最终依据长尾用户和头部用户的相似程度,找出待预测长尾用户最相近的原型用户,使用原型用户的嵌入表示作为待预测长尾用户的嵌入表示进行预测。本发明利用知识图谱中的信息以及对相似用户群体的捕捉,实现了对长尾(低资源)用户喜好的预测,解决了传统协同过滤推荐系统中固有的长尾(低资源)推荐问题。
Description
技术领域
本发明属于知识图谱与推荐系统领域,具体涉及一种基于知识图谱的长尾推荐计算方法。
背景技术
随着电子商务平台的发展,商品数量和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品的过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,推荐系统应运而生。推荐系统根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户。推荐系统中存在明显的长尾效应,即少量的用户拥有很多的购买记录,而大部分的用户仅拥有为数不多的购买记录。我们通常将拥有较多购买记录的用户称为头部用户,将拥有较少购买记录的用户称为长尾用户。从总体上看,长尾用户数量交易总量远多于头部用户,因此提高长尾用户的推荐效果对于提升整体的推荐效益是十分重要的。
推荐系统作为电商平台的核心技术工具,一直是电商行业内的研究热点。目前主流的推荐系统算法,比如MF(矩阵分解)、DeepMF(基于深度学习模型的矩阵分解)等主要针对头部用户,由于头部用户的购买交互记录数量多,推荐系统对于这些用户的学习效果也会更好,因此目前的主流推荐系统算法对于头部用户的推荐效果较好,而对于长尾用户的针对性不强,导致长尾推荐的效果弱于头部推荐效果。
如申请公布号为CN 109903117 A的专利申请公开的一种用于商品推荐的知识图谱处理方法及装置,申请公布号为CN111507796A的专利申请公开的一种基于知识图谱的网上商城商品推荐方法,这两种方法没有区分长尾用户和头部用户,因此混合推荐效果不佳。
发明内容
鉴于上述,本发明的目的是提供一种基于知识图谱的长尾推荐计算方法,利用知识图谱存储的领域内知识增强决策和推理过程,提升长尾推荐的效果。
本发明的技术方案为:
一种基于知识图谱的长尾推荐计算方法,包括以下步骤:
(1)采集一批包含用户、商品以及商品评分的商品购买记录,获取包含商品属性名和商品属性值的商品属性;
(2)根据商品属性构建商品知识图谱,以商品作为头实体,以商品属性作为关系,以商品属性值作为尾实体,构建商品知识图谱,并基于商品知识图谱学习商品的嵌入表示;
(3)根据商品购买记录和长尾比例t划分为头部用户和长尾用户;
(4)初始化头部用户的初始向量表示,并根据购买记录,基于初始向量表示学习头部用户在推荐空间的嵌入表示;
(5)根据购买记录计算得到头部用户和长尾用户在喜好空间的嵌入表示;
(6)以头部用户在推荐空间的嵌入表示作为数据基础,对头部用户进行聚类,将具有相似喜好的头部用户组成喜好群组,并将聚类中心对应的嵌入表示作为喜好群组的原型用户向量表示;
(7)针对待推荐长尾用户,根据喜好空间的嵌入表示计算长尾用户最接近的头部用户,并将该头部用户所在喜好群组的原型用户向量表示作为待推荐长尾用户在推荐空间的嵌入表示,并以待推荐长尾用户在推荐空间的嵌入表示与商品嵌入表示的内积作为商品的推荐指标。
与现有技术相比,本发明具有的有益效果至少包括:
本发明提供的基于知识图谱的长尾推荐计算方法,通过头部用户在喜好空间的嵌入表示找到长尾用户在推荐空间的嵌入表示,然后再根据长尾用户在推荐空间的嵌入表示与商品嵌入表示的内积计算商品的推荐指标以实现商品推荐,利用知识图谱存储的领域内知识增强决策和推理过程,提升了长尾用户推荐的的准确性。
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做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是本发明提供的基于知识图谱的长尾推荐计算方法的流程图;
图2是本发明提供的长尾用户匹配最相近的头部用户的过程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
传统的商品推荐系统对头部用户的推荐效果较好,而对于长尾用户的针对性不强,导致长尾推荐的效果弱于头部推荐效果。
为了提升长尾用户的商品推荐效果,实施例提供了一种基于知识图谱的长尾推荐计算方法,如图1所示,该基于知识图谱的长尾推荐计算方法包括以下步骤:
步骤1,采集一批包含用户、商品以及商品评分的商品购买记录,获取包含商品属性名和商品属性值的商品属性。
电商用户从自家电商平台获取商品购买记录和商品属性,该些商品购买记录和商品属性被处理后,作为样本集用于训练学习头部用户在推荐空间的嵌入表示。
其中,可以假设一批商品购买记录中共包含n个用户、m个商品以及k个购买记录,用户和商品的购买记录H形式为{用户i,商品j,评分r}其中,i∈[1,n],j∈[1,m],r∈[1,k],n,m,k均为大于1的自然数。
假设共有m个商品,p个属性名,q个属性值,商品的属性P形式如下{商品j,属性名s,属性值l},其中,j∈[1,m],s∈[1,p],l∈[1,q],s,l均为大于1的自然数。
步骤2,根据商品属性构建商品知识图谱,以商品作为头实体,以商品属性作为关系,以商品属性值作为尾实体,构建商品知识图谱,并基于商品知识图谱学习商品的嵌入表示。
在商品知识图谱中,商品为头实体,商品属性为关系,商品属性值为尾实体,由(商品、商品属性、商品属性值)组成一个三元组,商品与商品属性值之间通过商品属性连接,当两个商品属于同一个商品属性值时,这样商品之间通过商品属性值进行连接,形成一个网状的知识图谱。构建的商品知识图谱用作学习用户和商品的嵌入表示。
实施例中,通过知识图谱表示学习的方法,为构建好的商品知识图谱中的每个商品实体学习一个嵌入表示。具体可以采用transE对商品知识图谱进行学习获得商品的嵌入表示,该商品的嵌入表示可以用来学习用户在推荐空间和爱好空间的嵌入表示。
步骤3,根据商品购买记录和长尾比例t划分为头部用户和长尾用户。
实施例中,根据商品购买记录,统计每个用户的购买记录数量,并对购买记录数量进行降序排列,根据预设的长尾比例t,将排序序列中最后n*t个用户被认为是长尾用户,其他用户为头部用户,n为商品购买记录中获取用户总个数,t取值为[0,1]。
步骤4,初始化头部用户的初始向量表示,并根据购买记录H,基于初始向量表示学习头部用户在推荐空间的嵌入表示。
在获得头部用户和长尾用户后,初始化头部用户的初始向量表示,该初始向量表示作为学习的基础数据,然后基于始化头部用户的初始向量表示,结合商品的嵌入表示、商品评分矩阵构建损失函数,利用损失函数来学习更新头部用户的在推荐空间的嵌入表示。
具体地,在样本集上根据以下损失函数学习头部用户在推荐空间的嵌入表示:
其中,为训练头部用户时的损失函数,Uhead为头部用户在推荐空间的嵌入表示,V表示商品的嵌入表示,Rhead表示头部用户的商品评分矩阵,λ表示超参数,超参数,表示权值的惩罚系数,根据不同推荐任务会有不同的最优值,一般处于0~1之间,上标T表示转置,||·||表示矩阵的Frobenius范数。Frobenius范数是对矩阵而言的,就是对矩阵对应元素的平方和再开方。
步骤5,根据购买记录H计算得到头部用户和长尾用户在喜好空间的嵌入表示。
实施例中,针对头部用户和长尾用户均需要计算在喜好空间的嵌入表示,且计算方式一样,即根据以下公式计算头部用户和长尾用户在喜好空间的嵌入表示:
步骤6,以头部用户在推荐空间的嵌入表示作为数据基础,对头部用户进行聚类,将具有相似喜好的头部用户组成喜好群组,并将聚类中心对应的嵌入表示作为喜好群组的原型用户向量表示。
本实施例中,采用Kmeans聚类方法对头部用户进行聚类,即计算任意两个头部用户的推荐空间的嵌入表示的欧式距离,并根据欧式距离对头部用户进行聚类,每一个聚类簇表示一个相似喜好的喜好群组,将聚类簇中心作为该喜好群组的原型用户向量表示。
步骤7,针对待推荐长尾用户,根据喜好空间的嵌入表示计算长尾用户最接近的头部用户,并将该头部用户所在喜好群组的原型用户向量表示作为待推荐长尾用户在推荐空间的嵌入表示,并以待推荐长尾用户在推荐空间的嵌入表示与商品嵌入表示的内积作为商品的推荐指标。
实施例中,如图2所示,根据计算喜好空间的嵌入表示计算长尾用户与所有头部用户的欧式距离,并选择最小欧式距离对应的头部用户作为最接近的头部用户。在获得最接近的头部用户后,将将该头部用户所在喜好群组的原型用户向量表示作为待推荐长尾用户在推荐空间的嵌入表示,然后以待推荐长尾用户在推荐空间的嵌入表示与商品嵌入表示的内积作为商品的推荐指标。当获得商品的推荐指标后,根据商品的推荐指标大小进行商品推荐。
上述基于知识图谱的长尾推荐计算方法,利用知识图谱来强传统推荐系统中的商品的嵌入表示,然后利用该商品嵌入表示对长尾用户的属性进行分解和重组,可以更好地学习长尾用户的表示。对长尾用户学习群组原型的方式,来找到与长尾用户最相似的头部实体,用资源丰富的头部实体组成的喜好群组对应的原型用户向量表示来代替低资源的长尾实体在推荐空间的嵌入表示,以增强长尾用户部分的协同过滤信号,能够有效提升包含长尾用户的推荐准确率,即可以是推荐给用户时,用户的CTR(click through rate)预测的准确率。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于知识图谱的长尾推荐计算方法,其特征在于,包括以下步骤:
(1)采集一批包含用户、商品以及商品评分的商品购买记录,获取包含商品属性名和商品属性值的商品属性;
(2)根据商品属性构建商品知识图谱,以商品作为头实体,以商品属性作为关系,以商品属性值作为尾实体,构建商品知识图谱,并基于商品知识图谱学习商品的嵌入表示;
(3)根据商品购买记录和长尾比例t划分为头部用户和长尾用户;
(4)初始化头部用户的初始向量表示,并根据购买记录,基于初始向量表示学习头部用户在推荐空间的嵌入表示;
(5)根据购买记录计算得到头部用户和长尾用户在喜好空间的嵌入表示;
(6)以头部用户在推荐空间的嵌入表示作为数据基础,对头部用户进行聚类,将具有相似喜好的头部用户组成喜好群组,并将聚类中心对应的嵌入表示作为喜好群组的原型用户向量表示;
(7)针对待推荐长尾用户,根据喜好空间的嵌入表示计算长尾用户最接近的头部用户,并将该头部用户所在喜好群组的原型用户向量表示作为待推荐长尾用户在推荐空间的嵌入表示,并以待推荐长尾用户在推荐空间的嵌入表示与商品嵌入表示的内积作为商品的推荐指标。
2.如权利要求1所述的基于知识图谱的长尾推荐计算方法,其特征在于,采用transE对商品知识图谱进行学习获得商品的嵌入表示。
3.如权利要求1所述的基于知识图谱的长尾推荐计算方法,其特征在于,步骤(3)中,根据商品购买记录,统计每个用户的购买记录数量,并对购买记录数量进行降序排列,根据预设的长尾比例t,将排序序列中最后n*t个用户被认为是长尾用户,其他用户为头部用户,n为商品购买记录中获取用户总个数,t取值为[0,1]。
6.如权利要求1所述的基于知识图谱的长尾推荐计算方法,其特征在于,步骤(6)中,采用Kmeans聚类方法对头部用户进行聚类。
7.如权利要求1所述的基于知识图谱的长尾推荐计算方法,其特征在于,步骤(7)中,根据计算喜好空间的嵌入表示计算长尾用户与所有头部用户的欧式距离,并选择最小欧式距离对应的头部用户作为最接近的头部用户。
8.如权利要求1所述的基于知识图谱的长尾推荐计算方法,其特征在于,当获得商品的推荐指标后,根据商品的推荐指标大小进行商品推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010844604.XA CN112102029B (zh) | 2020-08-20 | 2020-08-20 | 一种基于知识图谱的长尾推荐计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010844604.XA CN112102029B (zh) | 2020-08-20 | 2020-08-20 | 一种基于知识图谱的长尾推荐计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102029A true CN112102029A (zh) | 2020-12-18 |
CN112102029B CN112102029B (zh) | 2022-10-14 |
Family
ID=73752682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010844604.XA Active CN112102029B (zh) | 2020-08-20 | 2020-08-20 | 一种基于知识图谱的长尾推荐计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102029B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417317A (zh) * | 2021-01-21 | 2021-02-26 | 南京烽火星空通信发展有限公司 | 一种基于知识图谱表示学习的相似人物推荐方法 |
CN112612973A (zh) * | 2020-12-31 | 2021-04-06 | 重庆邮电大学 | 结合知识图谱的个性化智能服装搭配推荐方法 |
CN112800207A (zh) * | 2021-01-13 | 2021-05-14 | 桂林电子科技大学 | 一种商品信息推荐方法、装置及存储介质 |
CN116861323A (zh) * | 2023-07-24 | 2023-10-10 | 深圳丰享信息技术有限公司 | 一种在推荐中解决长尾效应的方法和装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978437A (zh) * | 2015-07-22 | 2015-10-14 | 浙江大学 | 一种基于地理位置的推荐方法和推荐系统 |
US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
US20180052913A1 (en) * | 2016-08-16 | 2018-02-22 | Ebay Inc. | Selecting next user prompt types in an intelligent online personal assistant multi-turn dialog |
CN107748754A (zh) * | 2017-09-15 | 2018-03-02 | 广州唯品会研究院有限公司 | 一种知识图谱完善方法和装置 |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
CN109508419A (zh) * | 2018-11-23 | 2019-03-22 | 成都品果科技有限公司 | 一种基于知识学习的推荐方法和系统 |
CN109903117A (zh) * | 2019-01-04 | 2019-06-18 | 苏宁易购集团股份有限公司 | 一种用于商品推荐的知识图谱处理方法及装置 |
US20190205964A1 (en) * | 2018-01-03 | 2019-07-04 | NEC Laboratories Europe GmbH | Method and system for multimodal recommendations |
CN110275959A (zh) * | 2019-05-22 | 2019-09-24 | 广东工业大学 | 一种面向大规模知识库的快速学习方法 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
US20190392330A1 (en) * | 2018-06-21 | 2019-12-26 | Samsung Electronics Co., Ltd. | System and method for generating aspect-enhanced explainable description-based recommendations |
CN110795571A (zh) * | 2019-10-24 | 2020-02-14 | 南宁师范大学 | 基于深度学习和知识图谱的文化旅游资源推荐方法 |
CN110837567A (zh) * | 2019-11-18 | 2020-02-25 | 第四范式(北京)技术有限公司 | 实现知识图谱嵌入的方法和系统 |
CN110910207A (zh) * | 2019-10-30 | 2020-03-24 | 苏宁云计算有限公司 | 一种提升商品推荐多样性的方法及系统 |
CN111028029A (zh) * | 2018-10-10 | 2020-04-17 | 深圳云天励飞技术有限公司 | 一种线下商品推荐方法、装置和电子设备 |
CN111125376A (zh) * | 2019-12-23 | 2020-05-08 | 秒针信息技术有限公司 | 知识图谱生成方法、装置、数据处理设备及存储介质 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
CN111523010A (zh) * | 2019-02-03 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
-
2020
- 2020-08-20 CN CN202010844604.XA patent/CN112102029B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
CN104978437A (zh) * | 2015-07-22 | 2015-10-14 | 浙江大学 | 一种基于地理位置的推荐方法和推荐系统 |
US20180052913A1 (en) * | 2016-08-16 | 2018-02-22 | Ebay Inc. | Selecting next user prompt types in an intelligent online personal assistant multi-turn dialog |
CN107748754A (zh) * | 2017-09-15 | 2018-03-02 | 广州唯品会研究院有限公司 | 一种知识图谱完善方法和装置 |
US20190205964A1 (en) * | 2018-01-03 | 2019-07-04 | NEC Laboratories Europe GmbH | Method and system for multimodal recommendations |
US20190392330A1 (en) * | 2018-06-21 | 2019-12-26 | Samsung Electronics Co., Ltd. | System and method for generating aspect-enhanced explainable description-based recommendations |
CN111028029A (zh) * | 2018-10-10 | 2020-04-17 | 深圳云天励飞技术有限公司 | 一种线下商品推荐方法、装置和电子设备 |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
CN109508419A (zh) * | 2018-11-23 | 2019-03-22 | 成都品果科技有限公司 | 一种基于知识学习的推荐方法和系统 |
CN109903117A (zh) * | 2019-01-04 | 2019-06-18 | 苏宁易购集团股份有限公司 | 一种用于商品推荐的知识图谱处理方法及装置 |
CN111523010A (zh) * | 2019-02-03 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
CN110275959A (zh) * | 2019-05-22 | 2019-09-24 | 广东工业大学 | 一种面向大规模知识库的快速学习方法 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN110795571A (zh) * | 2019-10-24 | 2020-02-14 | 南宁师范大学 | 基于深度学习和知识图谱的文化旅游资源推荐方法 |
CN110910207A (zh) * | 2019-10-30 | 2020-03-24 | 苏宁云计算有限公司 | 一种提升商品推荐多样性的方法及系统 |
CN110837567A (zh) * | 2019-11-18 | 2020-02-25 | 第四范式(北京)技术有限公司 | 实现知识图谱嵌入的方法和系统 |
CN111125376A (zh) * | 2019-12-23 | 2020-05-08 | 秒针信息技术有限公司 | 知识图谱生成方法、装置、数据处理设备及存储介质 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
Non-Patent Citations (1)
Title |
---|
张宁豫等: "《基于位置的知识图谱链接预测》", 《中文信息学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612973A (zh) * | 2020-12-31 | 2021-04-06 | 重庆邮电大学 | 结合知识图谱的个性化智能服装搭配推荐方法 |
CN112612973B (zh) * | 2020-12-31 | 2022-03-22 | 重庆邮电大学 | 结合知识图谱的个性化智能服装搭配推荐方法 |
CN112800207A (zh) * | 2021-01-13 | 2021-05-14 | 桂林电子科技大学 | 一种商品信息推荐方法、装置及存储介质 |
CN112800207B (zh) * | 2021-01-13 | 2022-05-13 | 桂林电子科技大学 | 一种商品信息推荐方法、装置及存储介质 |
CN112417317A (zh) * | 2021-01-21 | 2021-02-26 | 南京烽火星空通信发展有限公司 | 一种基于知识图谱表示学习的相似人物推荐方法 |
CN112417317B (zh) * | 2021-01-21 | 2021-05-04 | 南京烽火星空通信发展有限公司 | 一种基于知识图谱表示学习的相似人物推荐方法 |
CN116861323A (zh) * | 2023-07-24 | 2023-10-10 | 深圳丰享信息技术有限公司 | 一种在推荐中解决长尾效应的方法和装置 |
CN116861323B (zh) * | 2023-07-24 | 2024-02-23 | 深圳丰享信息技术有限公司 | 一种在推荐中解决长尾效应的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112102029B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102029B (zh) | 一种基于知识图谱的长尾推荐计算方法 | |
CN105224699B (zh) | 一种新闻推荐方法及装置 | |
CN103246980B (zh) | 信息输出方法及服务器 | |
CN111177538B (zh) | 一种基于无监督权值计算的用户兴趣标签构建方法 | |
CN108334592A (zh) | 一种基于内容与协同过滤相结合的个性化推荐方法 | |
CN111553754A (zh) | 行为预测系统的更新方法及装置 | |
CN108563690B (zh) | 一种基于面向对象聚类的协同过滤推荐方法 | |
CN105159910A (zh) | 信息推荐方法和装置 | |
CN110866782B (zh) | 一种客户分类方法、系统以及电子设备 | |
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 | |
CN111310038B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN107423335B (zh) | 一种针对单类协同过滤问题的负样本选择方法 | |
Cintia Ganesha Putri et al. | Design of an unsupervised machine learning-based movie recommender system | |
CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐系统 | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
CN115062732A (zh) | 基于大数据用户标签信息的资源共享合作推荐方法及系统 | |
CN116596570A (zh) | 一种基于大数据分析算法的同产品在不同电商平台中的信息对比系统 | |
CN108920647A (zh) | 基于谱聚类的低秩矩阵填充top-n推荐方法 | |
CN108389113B (zh) | 一种协同过滤推荐方法和系统 | |
Borges et al. | A survey on recommender systems for news data | |
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 | |
CN113449200B (zh) | 物品推荐方法、装置及计算机存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN106919647B (zh) | 一种基于聚类的网络结构相似性推荐方法 | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 |
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 |