CN112200601B - 物品推荐方法、装置及可读存储介质 - Google Patents

物品推荐方法、装置及可读存储介质 Download PDF

Info

Publication number
CN112200601B
CN112200601B CN202010955136.3A CN202010955136A CN112200601B CN 112200601 B CN112200601 B CN 112200601B CN 202010955136 A CN202010955136 A CN 202010955136A CN 112200601 B CN112200601 B CN 112200601B
Authority
CN
China
Prior art keywords
user
data
matrix
article
item
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
Application number
CN202010955136.3A
Other languages
English (en)
Other versions
CN112200601A (zh
Inventor
龙榜
饶学贵
孙胜东
刘然
陈志顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Farben Information Technology Co ltd
Original Assignee
Shenzhen Farben Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Farben Information Technology Co ltd filed Critical Shenzhen Farben Information Technology Co ltd
Priority to CN202010955136.3A priority Critical patent/CN112200601B/zh
Publication of CN112200601A publication Critical patent/CN112200601A/zh
Application granted granted Critical
Publication of CN112200601B publication Critical patent/CN112200601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物品推荐方法、装置及可读存储介质，该物品推荐方法包括：收集用户数据，并获取用户的标签数据，以生成用户画像，用户数据包括用户属性数据、用户行为数据；标签数据包括：用户种类、用户对物品的评价质量、用户评价倾向、用户兴趣偏好；将用户的标签数据送入物品推荐模型，并根据物品推荐模型的输出获取用户对没购买过的物品的预测评分值，且按预测评分值由高到低的顺序，向用户推荐预设数量个物品。实施本发明的技术方案，不但可以快速地找到用户喜好的产品，满足用户的个性化需求，提升用户的购物效率，而且，提升信息分发效率，实现平台产品流量均衡。

Description

物品推荐方法、装置及可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种物品推荐方法、装置及可读存储介质。
背景技术
随着电子商务规模的不断扩大，商品的品目越来越多，顾客通常需要花费大量的时间才能找到自己想买的商品。虽然目前的电子商务平台也会基于用户的浏览记录向用户推荐商品，但这种方式只能被动地去预测用户下一次购买的商品，不能去指导或吸引用户去选择购买一些商品，因此，服务的目标用户依然不清晰，商品不能很好地做到物尽其用。对用户来讲，无法从众多商品中快速找到真正想要的商品，购物效率不高；对商家来讲，目标用户不清晰，影响产品的销售及利润；对于运营商来说，用户粘性下降必然导致消费者和商家的不断流失，影响广告和佣金的收入。
发明内容
本发明要解决的技术问题在于，现有技术存在的无法满足用户的个性化购物需求且购物效率低的缺陷。
本发明解决其技术问题所采用的技术方案是：构造一种物品推荐方法，包括：
用户画像生成步骤：收集用户数据，并根据所用户数据获取用户的标签数据，以生成用户画像，其中，所述用户数据包括用户属性数据、用户行为数据；所述标签数据包括：用户种类、用户对物品的评价质量、用户评价倾向、用户兴趣偏好；
物品推荐步骤：将用户的标签数据送入物品推荐模型，并根据所述物品推荐模型的输出获取用户对没购买过的物品的预测评分值，且按预测评分值由高到低的顺序，向用户推荐预设数量个物品，其中，所述物品推荐模型是预先根据基于物品的协同过滤算法建立的。
优选地，所述用户画像生成步骤包括：
步骤S11.收集用户数据；
步骤S12.对所收集的用户数据进行预处理；
步骤S13.对预处理后的数据进行特征分析以获取用户特征，所述用户特征包括数值型特征、类别型特征、文本型特征；
步骤S14.利用算法模型对所述用户特征进行标签化，以获取用户的标签数据。
优选地，所述预处理包括：异常数据处理；缺失值插值处理；噪声数据分箱处理；文本预处理。
优选地，在所述步骤S13和所述步骤S14之间，还包括：
对所获取的用户特征进行筛选；或者，为每个用户特征设置权重系数。
优选地，所述步骤S14包括：
利用SVM模型进行用户特征的分类，以获取用户种类；
利用Lasso回归模型获取用户对物品的评价质量；
利用LSA模型获取用户评价倾向；
利用CF ALS模型获取用户兴趣偏好。
优选地，所述物品推荐模型通过以下方式建立：
将用户的标签数据拆分为训练集和测试集；
根据所述训练集构建用户物品矩阵；
计算所述用户物品矩阵中两个物品的相似度，并构建物品相似度矩阵；
根据所述用户物品矩阵及所述物品相似度矩阵，获取评价预测矩阵；
使用所述测试集来判断所述评价预测矩阵是否满足误差允许条件。
优选地，根据以下公式计算两个物品的相似度：
其中，wij表示物品i与物品j的相似度，N(i)、N(j)分别表示偏好物品i和物品j的人数。
优选地，还包括：
测试步骤：在测试时，将用户的反馈数据送入所述物品推荐模型，并进行所述物品推荐模型的迭代优化。
本发明还构造一种物品推荐装置，包括处理器，其特征在于，所述处理器在执行所存储的计算机程序时实现以上所述的物品推荐方法。
本发明还构造一种可读存储介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现以上所述的物品推荐方法。
实施本发明的技术方案，在通过物品推荐模型预测用户想要购买的物品时，不是仅仅根据用户的浏览记录去被动预测，而是通过结合用户的属性数据和行为数据确定用户的标签数据，再根据标签数据去进行预测。这种通过提取用户标签来了解用户的总体情况，并根据用户的总体情况做进一步的营销推荐的方式，不但可以快速地找到用户喜好的产品，满足用户的个性化需求，提升用户的购物效率，而且，解决了信息过载的问题，提升信息分发效率，实现平台产品流量均衡。另外，对于运营平台，由于用户活跃度提升、重复购买概率提升，可以吸引更所卖家入住，提升广告和佣金的收入。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明物品推荐方法实施例一的流程图；
图2是图1中步骤S10实施例一的流程图；
图3是本发明物品推荐方法物品推荐模型建立方式实施例一的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明物品推荐方法实施例一的流程图，该实施例的物品推荐方法包括以下步骤：
用户画像生成步骤S10：收集用户数据，并根据所用户数据获取用户的标签数据，以生成用户画像，其中，所述用户数据包括用户属性数据、用户行为数据；所述标签数据包括：用户种类、用户对物品的评价质量、用户评价倾向、用户兴趣偏好；
在该步骤中，通过收集用户属性数据(例如注册信息)及用户行为数据(例如浏览物品信息)，并对所收集的用户数据进行分析来获取用户的特征，而用户画像是将用户的特征进行标签化，例如包括：种类、对物品的评价质量、评价倾向、兴趣偏好。
物品推荐步骤S20：将用户的标签数据送入物品推荐模型，并根据所述物品推荐模型的输出获取用户对没购买过的物品的预测评分值，且按预测评分值由高到低的顺序，向用户推荐预设数量个物品，其中，所述物品推荐模型是预先根据基于物品的协同过滤算法建立的。
在该步骤中，将前一步骤获取的用户的标签数据送入物品推荐模型，便可根据该物品推荐模型输出的用户对没购买过的物品的预测评分值，来确定该用户所对应的推荐物品。
通过该实施例的技术方案，在通过物品推荐模型预测用户想要购买的物品时，不是仅根据用户的浏览记录去预测，而是通过结合用户的属性数据和行为数据确定用户的标签数据，这种通过提取用户标签来了解用户的总体情况，并根据用户的总体情况(例如消费习惯与消费能力)做进一步的营销推荐的方式，不但可以快速地找到用户喜好的产品，满足用户的个性化需求，提升用户的购物效率，提升用户体验，而且，解决信息过载的问题，提升信息分发效率，实现平台产品流量均衡。另外，对于运营平台，由于用户活跃度提升、重复购买概率提升，可以吸引更所卖家入住，提升广告和佣金的收入。
进一步地，在一个可选实施例中，用户画像生成步骤S10具体包括：
步骤S11.收集用户数据；
在该步骤中，所收集的用户数据主要来自两方面：一、属性数据(静态数据)：该数据一般指用户的注册信息，例如包括：姓名、生日、性别、住址、专业、工作、兴趣等，这类数据自动生成标签；二、行为数据(动态数据)：该数据一般指用户访问的日志信息，例如包括：服务器端的日志数据，前端的埋点数据(如用户浏览/收藏物品数据)等。通过这两方面的数据就可以给用户贴个标签，刻画出用户画像。
步骤S12.对所收集的用户数据进行预处理；
在该步骤中，预处理包括：异常数据处理；缺失值插值处理；噪声数据分箱处理；文本处理。其中，关于异常数据的处理，首先，异常数据又称为离群点，是指在采集数据阶段时极个别数据值明显偏其余大多数的数据值。在处理时，若判断数值步骤预设范围内，则将其直接删除；关于缺失值的插值处理，可运用数据建立牛顿插值函数，用该函数计算的值来代替缺失值；关于噪声数据的分箱处理，可利用等深分箱法，将数据集按记录分箱，每箱具有相同的数据个数(权重)，然后，用距离较小的边界值代替每一个数据进行平滑处理；关于文本的处理，可利用jieba进行预处理，例如，分词、去除停用词。按照以上方式，通过偏差检测和数据变换进行填充缺失值、查找到离群点、纠正数据不一致以及噪声值。
步骤S13.对预处理后的数据进行特征分析以获取用户特征，所述用户特征包括数值型特征、类别型特征、文本型特征；
在该步骤中，按预处理后的数据类型的不同进行不同的特征分析，具体为：
关于数值型的数据处理，可通过特定的统计方法将数据转换成算法要求的数据，例如，采用归一化将数据的取值范围转换为统一的区间，一般是将数据转换至0～1区间。
关于类别型的数据处理，可采用One-Hot编码，将分类变量作为二进制向量的表示，具体地，首先，确定分类变量的特征值的种类，将分类值映射到整数值，接着将每个整数值表示为二进制向量。
关于文本型数据的处理，可采用TF-IDF算法，即在文本中提取关键词，通过分配权重来反映每个词的重要程度，根据权重对文本中的所有词语从高到低进行排序，权重越高说明重要性越高，排在前几位的词语可以作为该文本的关键词，具体地，首先统计词语出现的次数，接着计算词频(TF)，即某个词在文本中出现的次数/文本总词数，然后计算逆文档频率(IDF)，即log(文本总数/(包含该词的文本数+1))，最后，计算TF-IDF，即词频(TF)与逆文档频率(IDF)的乘积。
步骤S14.利用算法模型对所述用户特征进行标签化，以获取用户的标签数据。
在该步骤中，可利用SVM模型进行用户特征的分类，以获取用户种类；利用Lasso回归模型获取用户对物品的评价质量；利用LSA模型获取用户评价倾向；利用CF ALS模型获取用户兴趣偏好。具体地：
关于用户特征分类的SVM模型，根据获取到的特征向量，选择SVM来训练模型，找到一个最优的超平面，以两个特征分类为基准将不同的样本分开；
关于用户评价质量的Lasso回归模型，运用坐标下降法求解Lasso回归，即沿坐标轴的方向去下降。具体方法为：首先，初始化向量，随机取值即可；对第k轮的向量迭代；验证向量与迭代后的向量在各个维度上的变化情况，如果在所有维度上变化都足够小，则可确定最终的结果；否则，继续迭代。
关于语义分析的LSA模型，对一个大型的文档集合使用一个合理的维度建模，并将词和文档都利用LSA表示到该空间，进而在该空间进行信息检索。具体步骤：分析文档集合，建立用户-物品矩阵；对用户-物品矩阵进行奇异值分解；对SVD分解后的矩阵进行降维；运用降维后的矩阵构建潜在语义空间，或重建用户-物品矩阵。
关于兴趣偏好的CF ALS模型，运用协同过滤的方法，获取用户喜欢产品相似的产品。ALS指交替最小二乘的协同过滤算法，即一个m*n的用户-产品稀疏矩阵可以用两个小矩阵m*k的用户特征矩阵和k*n的产品特征矩阵的乘积来近似，交替使用最小二乘法逐步计算用户/产品特征向量，使差平方和最小通过用户/产品特征向量的矩阵来预测用户标签，从而填满稀疏矩阵。
进一步地，在步骤S13和步骤S14之间，还包括：对所获取的用户特征进行筛选；或者，为每个用户特征设置权重系数。这样，在实际应用中，可根据实际需要来选择最有用的特征集合，或者，在数据特征繁多的情况下，可以通过相关系数等方式来计算特征的重要性。
进一步地，在一个可选实施例中，物品推荐模型通过以下方式建立：
步骤S21.将用户的标签数据拆分为训练集和测试集；
在该步骤中，可将用户的标签数据集拆分为训练集70％和测试集30％，分别进行处理。通过遍历所有样本数据，查看每个物品对应用户的数量。
步骤S22.根据所述训练集构建用户物品矩阵；
在该步骤中，根据训练集中用户和物品的数据来获取矩阵行数、列数；创建一个全是0的m*n的矩阵并向矩阵中填充对应的数据，然后可通过统计矩阵中非0值的个数与矩阵总元素个数的比值来查看用户物品矩阵的稀疏性。
步骤S23.计算所述用户物品矩阵中两个物品的相似度，并构建物品相似度矩阵；
在该步骤中，在用户物品矩阵的基础上，计算用户物品矩阵中两个向量的相似性，并构建物品相似度矩阵，其中，产品相似性是通过观察对这两个产品之间评价的用户来度量的，具体可根据以下公式来计算两个物品的相似度：
其中，wij表示物品i与物品j的相似度，N(i)、N(j)分别表示偏好物品i和物品j的人数。在该公式中，分子表示同时喜欢物品i和j的用户数，而且，该公式的分母加入了惩罚了物品j的权重，因此减轻了热门物品会和很多物品相似的可能性，从而避免推荐出热门的物品。
步骤S24.根据所述用户物品矩阵及所述物品相似度矩阵，获取评价预测矩阵；
在该步骤中，例如可通过这两个矩阵的乘积得到用户对物品的评价预测矩阵。
步骤S25.使用所述测试集来判断所述评价预测矩阵是否满足误差允许条件。
在该步骤中，最终的评价预测和实际的评价指标用均方根误差RMSE来判断，若不满足误差允许条件，则增加训练集继续训练；若满足误差允许条件，则保存当前的物品推荐模型，并在实际应用中当获取了目标用户的标签数据后，送入该物品推荐模型，以获取该目标用户的推荐物品。
进一步地，本发明的物品推荐方法还包括：
测试步骤：在测试时，将用户的反馈数据送入所述物品推荐模型，并进行所述物品推荐模型的迭代优化。
本发明还构造一种物品推荐装置，包括处理器，该处理器在执行所存储的计算机程序时实现以上所述的物品推荐方法。
本发明还构造一种可读存储介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现以上所述的物品推荐方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种物品推荐方法，其特征在于，包括：
用户画像生成步骤：收集用户数据，并根据所用户数据获取用户的标签数据，以生成用户画像，其中，所述用户数据包括用户属性数据、用户行为数据；所述标签数据包括：用户种类、用户对物品的评价质量、用户评价倾向、用户兴趣偏好；
物品推荐步骤：将用户的标签数据送入物品推荐模型，并根据所述物品推荐模型的输出获取用户对没购买过的物品的预测评分值，且按预测评分值由高到低的顺序，向用户推荐预设数量个物品，其中，所述物品推荐模型是预先根据基于物品的协同过滤算法建立的；
所述用户画像生成步骤包括：
步骤S11.收集用户数据；
步骤S12.对所收集的用户数据进行预处理；
步骤S13.对预处理后的数据进行特征分析以获取用户特征，所述用户特征包括数值型特征、类别型特征、文本型特征；
步骤S14.利用算法模型对所述用户特征进行标签化，以获取用户的标签数据；
而且，所述步骤S14包括：
利用SVM模型进行用户特征的分类，以获取用户种类；
利用Lasso回归模型获取用户对物品的评价质量；
利用LSA模型获取用户评价倾向，且具体包括：建立用户-物品矩阵；对用户-物品矩阵进行奇异值分解；对奇异值分解后的矩阵进行降维；运用降维后的矩阵构建潜在语义空间，或重建用户-物品矩阵；
利用CF ALS模型获取用户兴趣偏好，且具体包括：将m*n的用户-物品矩阵用m*k的用户特征矩阵和k*n的产品特征矩阵的乘积来近似，交替使用最小二乘法逐步计算用户/产品特征向量，使差平方和最小，并通过用户/产品特征向量的矩阵来预测用户标签，从而填满m*n的用户-物品矩阵。
2.根据权利要求1所述的物品推荐方法，其特征在于，所述预处理包括：异常数据处理；缺失值插值处理；噪声数据分箱处理；文本预处理。
3.根据权利要求1所述的物品推荐方法，其特征在于，在所述步骤S13和所述步骤S14之间，还包括：
对所获取的用户特征进行筛选；或者，为每个用户特征设置权重系数。
4.根据权利要求1-3任一项所述的物品推荐方法，其特征在于，所述物品推荐模型通过以下方式建立：
将用户的标签数据拆分为训练集和测试集；
根据所述训练集构建用户物品矩阵；
计算所述用户物品矩阵中两个物品的相似度，并构建物品相似度矩阵；
根据所述用户物品矩阵及所述物品相似度矩阵，获取评价预测矩阵；
使用所述测试集来判断所述评价预测矩阵是否满足误差允许条件。
5.根据权利要求4所述的物品推荐方法，其特征在于，根据以下公式计算两个物品的相似度：
其中，wij表示物品i与物品j的相似度，N(i)、N(j)分别表示偏好物品i和物品j的人数。
6.根据权利要求4所述的物品推荐方法，其特征在于，还包括：
测试步骤：在测试时，将用户的反馈数据送入所述物品推荐模型，并进行所述物品推荐模型的迭代优化。
7.一种物品推荐装置，包括处理器，其特征在于，所述处理器在执行所存储的计算机程序时实现权利要求1-6任一项所述的物品推荐方法。
8.一种可读存储介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现权利要求1-6任一项所述的物品推荐方法。
CN202010955136.3A 2020-09-11 2020-09-11 物品推荐方法、装置及可读存储介质 Active CN112200601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010955136.3A CN112200601B (zh) 2020-09-11 2020-09-11 物品推荐方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010955136.3A CN112200601B (zh) 2020-09-11 2020-09-11 物品推荐方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN112200601A CN112200601A (zh) 2021-01-08
CN112200601B true CN112200601B (zh) 2024-05-14

Family

ID=74014770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010955136.3A Active CN112200601B (zh) 2020-09-11 2020-09-11 物品推荐方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN112200601B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112732934B (zh) * 2021-01-11 2022-05-27 国网山东省电力公司电力科学研究院 电网设备分词词典和故障案例库构建方法
CN112667923A (zh) * 2021-01-15 2021-04-16 北京金和网络股份有限公司 基于大数据的智能推荐方法及装置
CN112948677B (zh) * 2021-02-26 2023-11-03 上海携旅信息技术有限公司 基于点评美感度的推荐理由确定方法、系统、设备及介质
CN113191896A (zh) * 2021-04-27 2021-07-30 华世界数字科技(深圳)有限公司 一种招标信息的推荐方法、装置及计算机设备
CN113240465A (zh) * 2021-05-11 2021-08-10 北京沃东天骏信息技术有限公司 信息生成方法和装置
CN117726359B (zh) * 2024-02-08 2024-04-26 成都纳宝科技有限公司 一种互动营销方法、系统和设备

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093376A (zh) * 2013-01-16 2013-05-08 北京邮电大学 基于奇异值分解算法的聚类协同过滤推荐系统
CN105976161A (zh) * 2016-04-29 2016-09-28 随身云（北京）信息技术有限公司 一种基于时间轴上的智能推荐日历及基于用户的呈现方法
CN106446078A (zh) * 2016-09-08 2017-02-22 乐视控股（北京）有限公司 一种信息的推荐方法和推荐装置
CN106471491A (zh) * 2015-05-29 2017-03-01 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN106503028A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推荐方法和系统
WO2017178870A1 (en) * 2016-04-15 2017-10-19 Telefonaktiebolaget Lm Ericsson (Publ) System and method for client-side model training in recommender systems
CN108320176A (zh) * 2017-12-26 2018-07-24 爱品克科技（武汉）股份有限公司 一种基于社会化关系用户分类及推荐方法
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
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN110362755A (zh) * 2019-07-23 2019-10-22 南京邮电大学 一种基于物品协同过滤与关联规则的混合算法的推荐方法
CN110415091A (zh) * 2019-08-06 2019-11-05 重庆仙桃前沿消费行为大数据有限公司 商店及商品推荐方法、装置、设备及可读存储介质
CN110874439A (zh) * 2019-11-20 2020-03-10 电子科技大学 一种基于评论信息的推荐方法
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111414555A (zh) * 2020-01-06 2020-07-14 浙江工业大学 一种基于协同过滤的个性化推荐方法
CN111553729A (zh) * 2020-04-27 2020-08-18 广州探途网络技术有限公司 一种电商用户画像数据生成方法、装置和计算设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8676736B2 (en) * 2010-07-30 2014-03-18 Gravity Research And Development Kft. Recommender systems and methods using modified alternating least squares algorithm
US11269891B2 (en) * 2014-08-21 2022-03-08 Affectomatics Ltd. Crowd-based scores for experiences from measurements of affective response
US10949909B2 (en) * 2017-02-24 2021-03-16 Sap Se Optimized recommendation engine

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093376A (zh) * 2013-01-16 2013-05-08 北京邮电大学 基于奇异值分解算法的聚类协同过滤推荐系统
CN106471491A (zh) * 2015-05-29 2017-03-01 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN106503028A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推荐方法和系统
WO2017178870A1 (en) * 2016-04-15 2017-10-19 Telefonaktiebolaget Lm Ericsson (Publ) System and method for client-side model training in recommender systems
CN105976161A (zh) * 2016-04-29 2016-09-28 随身云（北京）信息技术有限公司 一种基于时间轴上的智能推荐日历及基于用户的呈现方法
CN106446078A (zh) * 2016-09-08 2017-02-22 乐视控股（北京）有限公司 一种信息的推荐方法和推荐装置
CN108320176A (zh) * 2017-12-26 2018-07-24 爱品克科技（武汉）股份有限公司 一种基于社会化关系用户分类及推荐方法
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
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN110362755A (zh) * 2019-07-23 2019-10-22 南京邮电大学 一种基于物品协同过滤与关联规则的混合算法的推荐方法
CN110415091A (zh) * 2019-08-06 2019-11-05 重庆仙桃前沿消费行为大数据有限公司 商店及商品推荐方法、装置、设备及可读存储介质
CN110874439A (zh) * 2019-11-20 2020-03-10 电子科技大学 一种基于评论信息的推荐方法
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111414555A (zh) * 2020-01-06 2020-07-14 浙江工业大学 一种基于协同过滤的个性化推荐方法
CN111553729A (zh) * 2020-04-27 2020-08-18 广州探途网络技术有限公司 一种电商用户画像数据生成方法、装置和计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于用户评论的深度情感分析和多视图协同融合的混合推荐方法;张宜浩;朱小飞;徐传运;董世都;;计算机学报;20190306(第06期);全文 *
安全的半监督方法的协同过滤推荐算法;王玉业;陈健美;;计算机工程与应用;20170414(第08期);全文 *

Also Published As

Publication number Publication date
CN112200601A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200601B (zh) 物品推荐方法、装置及可读存储介质
CN108959603B (zh) 基于深度神经网络的个性化推荐系统及方法
CN110222272B (zh) 一种潜在客户挖掘与推荐方法
CN105989004B (zh) 一种信息投放的预处理方法和装置
CN111709812A (zh) 基于用户动态分类的电商平台商品推荐方法及系统
CN111080398B (zh) 商品推荐方法、装置、计算机设备和存储介质
US8407104B2 (en) Catalog based price search
Bagchi Performance and quality assessment of similarity measures in collaborative filtering using mahout
US8682883B2 (en) Systems and methods for identifying sets of similar products
CN104679771A (zh) 一种个性化数据搜索方法和装置
JP7210958B2 (ja) 商品推薦装置及びプログラム
CN112070577A (zh) 一种商品推荐方法、系统、设备及介质
CN115544242B (zh) 基于大数据的同类商品选型推荐方法
CN103886486A (zh) 一种基于支持向量机svm的电子商务推荐方法
CN113837842A (zh) 一种基于用户行为数据的商品推荐方法及设备
US20110035378A1 (en) Method and system for characterizing web content
Huang et al. Feature extraction of search product based on multi-feature fusion-oriented to Chinese online reviews
CN110599281A (zh) 一种确定目标店铺的方法和装置
Pai et al. Modelling visit similarity using click-stream data: A supervised approach
Diwandari et al. Research Methodology for Analysis of E-Commerce User Activity Based on User Interest using Web Usage Mining.
US20220335331A1 (en) Method and system for behavior vectorization of information de-identification
Feng et al. Retracted: Recommendation Algorithm Based on Tag Time Weighting
Prabhu et al. FI-FCM algorithm for business intelligence
JP2009237824A (ja) 情報分析装置、情報分析方法、及び情報分析プログラム
Sudarsan et al. E-commerce Website with Image Search and Price Prediction

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