CN112541806A - 一种基于异质信息网络的推荐方法及装置 - Google Patents
一种基于异质信息网络的推荐方法及装置 Download PDFInfo
- Publication number
- CN112541806A CN112541806A CN202011507696.9A CN202011507696A CN112541806A CN 112541806 A CN112541806 A CN 112541806A CN 202011507696 A CN202011507696 A CN 202011507696A CN 112541806 A CN112541806 A CN 112541806A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- node
- items
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 60
- 238000001914 filtration Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
本发明公开了一种基于异质信息网络的推荐方法及装置,包括步骤:获取用户数据、物品数据、用户对物品的行为数据、物品对用户的曝光数据;据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品。本发明有效解决历史行为数据不足导致的用户冷启动问题,提升个性化推荐系统用户体验,同时通过结合用户隐式反馈信息提高推荐准确度。
Description
技术领域
本发明涉及大数据和数据挖掘推荐系统技术领域,具体来说,涉及一种基于异质信息网络的推荐方法及装置。
背景技术
随着信息互联网技术和电子商务的飞速发展, 用户面对海量的网络信息变得手足无措。 如何挖掘潜在用户,如何精准地向潜在客户推荐商品成为了电子商务平台、需要解决的首要问题。 对于用户而言,在没有明确的需求的情况下面对网络上数量庞大的商品信息时很难做出选择,信息的利用率反而降低, 这种现象被称之为信息超载. 个性化推荐被认为是当前解决信息超载问题最有效的工具之一。个性化推荐系统广泛应用于电子商务、网络视频音乐、个性化阅读、个性化邮件以及社交网络等。
推荐系统包含两个关键阶段,召回和排序。召回阶段从全量信息集合中触发尽可能多的正确结果,排序阶段则将召回阶段得到的候选集进行精准排序,推荐给用户。
推荐系统里召回阶段应用最广泛的是协同过滤技术,主要包括基于用户的协同过滤、 基于物品的协同过滤、基于模型的协同过滤,这三类方法均针对表示用户和物品之间关系的二维矩阵进行分析计算。
其中基于用户的协同过滤方法根据用户对物品的历史行为计算用户之间的相似度,然后收集和分析相似用户的感兴趣的物品作为目标用户的候选集。基于物品的协同过滤方法根据用户对物品的行为计算物品之间的相似度,根据物品的相似度和用户历史行为为用户生成召回候选集。基于模型的协同过滤方法利用矩阵分解或机器学习从历史行为数据中提取特征,计算用户和物品的向量化表示,根据用户和物品向量的点积计算用户和物品间的相关性,根据相关性高低为用户生成召回候选集。
基于图的推荐算法中,用户和物品的关系被表示为二部图的形式,通过诸如随机游走方法计算目标用户与图中所有节点的相关性,将其与物品间的相关性表示目标用户对物品的感兴趣程度,据此构造推荐物品候选集。
由于协同过滤技术和基于图的推荐技术都是根据用户的历史行为和兴趣预测用户未来的行为和兴趣,大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。对于个性化推荐系统来说,新的系统、新的用户、新的内容对推荐系统来说,需要通过累计一定的曝光量和互动量来收集相关基础数据。这个从零开始积累基础数据的过程就是冷启动,其效果的好坏关系到产品新用户的留存和转化,因此冷启动问题是推荐系统研究开发过程中备受关注的问题。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于异质信息网络的推荐方法及装置,能够解决上述问题。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于异质信息网络的推荐方法,包括步骤:
S1获取用户数据、物品数据、用户对物品的行为数据、物品对用户的曝光数据;
S2据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;
S3通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;
S4在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品;
S5过滤重复推荐和状态异常的物品,当召回和排序结果不足时,使用全局热门物品、新上架物品进行补充,合并物品基础信息,将包含完整信息的物品推荐列表返回给服务请求端。
进一步的,步骤S2中:
所述异质信息网络中包含三类节点,第一类为用户特征节点,根据用户属性数据生成用户特征节点,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
所述异质信息网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有的特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好。
进一步的,用户对物品的偏好权值为点击率CTR,即用户点击该物品的次数除以该物品对目标用户曝光的次数。
进一步的,步骤S3具体为:
对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用第一预设算法计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集;
对于无历史行为的用户,通过对第一类节点、第二类节点、以及第一类边构成的用户-特征二分网络,使用第二预设算法计算用户节点之间的相似性。
进一步的,所述取相关性最高的n个物品作为目标用户的推荐物品候选集具体包括:
根据相关性找出前 k个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集。
一种基于异质信息网络的推荐装置,包括:
数据采集模块;所述数据采集模块采集用户数据、物品数据、用户对物品的行为数据和物品对用户的曝光数据;
异质信息网络构建模块;所述异质信息网络构建模块根据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;
召回模块;所述召回模块通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;
排序模块;所述排序模块在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品;
推荐服务模块;所述推荐服务模块过滤重复推荐和状态异常的物品,当召回和排序结果不足时,使用全局热门物品、新上架物品进行补充,合并物品基础信息,将包含完整信息的物品推荐列表返回给服务请求端。
进一步的,所述异质信息网络中包含三类节点,第一类为用户特征节点,根据用户属性数据生成用户特征节点,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
所述异质信息网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有的特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好。
进一步的,用户对物品的偏好权值为点击率CTR,即用户点击该物品的次数除以该物品对目标用户曝光的次数。
进一步的,所述分别计算获取推荐候选物品集具体为:
对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用第一预设算法计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集;
对于无历史行为的用户,通过对第一类节点、第二类节点、以及第一类边构成的用户-特征二分网络,使用第二预设算法计算用户节点之间的相似性。
进一步的,所述取相关性最高的n个物品作为目标用户的推荐物品候选集具体包括:
根据相关性找出前 k个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集。
本发明的有益效果:本发明根据户对物品的行为数据、物品对用户的曝光数据、用户数据构建异质信息网络,通过预设图算法对该网络分析挖掘,有效解决历史行为数据不足导致的用户冷启动问题,提升个性化推荐系统用户体验,同时通过结合用户隐式反馈信息提高推荐准确度。
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,下面将对实施例中所需要使用的附图作简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明异质信息网络中三类节点的示意图;
图2是本发明基于异质信息网络的推荐装置的示意图。
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所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,根据本发明实施例所述的一种基于异质信息网络的推荐方法,包括步骤:
S1获取用户数据、物品数据、用户对物品的行为数据、物品对用户的曝光数据;
S2据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;
S3通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;
S4在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品;
S5过滤重复推荐和状态异常的物品,当召回和排序结果不足时,使用全局热门物品、新上架物品进行补充,合并物品基础信息,将包含完整信息的物品推荐列表返回给服务请求端。
在本发明的一个具体实施例中,所述异质信息网络中包含三类节点,第一类为用户特征节点,根据用户属性数据生成用户特征节点,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
所述异质信息网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有的特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好。
在本发明的一个具体实施例中,用户对物品的偏好权值为点击率CTR,即用户点击该物品的次数除以该物品对目标用户曝光的次数。
在本发明的一个具体实施例中,对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用第一预设算法计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集;
对于无历史行为的用户,通过对第一类节点、第二类节点、以及第一类边构成的用户-特征二分网络,使用第二预设算法计算用户节点之间的相似性。
在本发明的一个具体实施例中,根据相关性找出前 k个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集。
如图2所示,根据本发明实施例所述的一种基于异质信息网络的推荐装置,包括:
数据采集模块;所述数据采集模块采集用户数据、物品数据、用户对物品的行为数据和物品对用户的曝光数据;
异质信息网络构建模块;所述异质信息网络构建模块根据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;
召回模块;所述召回模块通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;
排序模块;所述排序模块在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品;
推荐服务模块;所述推荐服务模块过滤重复推荐和状态异常的物品,当召回和排序结果不足时,使用全局热门物品、新上架物品进行补充,合并物品基础信息,将包含完整信息的物品推荐列表返回给服务请求端。
在本发明的一个具体实施例中,所述异质信息网络中包含三类节点,第一类为用户特征节点,根据用户属性数据生成用户特征节点,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
所述异质信息网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有的特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好。
在本发明的一个具体实施例中,用户对物品的偏好权值为点击率CTR,即用户点击该物品的次数除以该物品对目标用户曝光的次数。
在本发明的一个具体实施例中,所述分别计算获取推荐候选物品集具体为:
对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用第一预设算法计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集;
对于无历史行为的用户,通过对第一类节点、第二类节点、以及第一类边构成的用户-特征二分网络,使用第二预设算法计算用户节点之间的相似性。
在本发明的一个具体实施例中,所述取相关性最高的n个物品作为目标用户的推荐物品候选集具体包括:
根据相关性找出前 k个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时,根据本发明的一种基于异质信息网络的推荐方法,
(1)对于新用户,通过要求填写或选择相关信息的方式获取所述新用户的属性信息;
(2)根据用户行为日志数据和用户属性数据构建异质信息网络,如图1所示:
1)网络中包含三类节点,第一类为用户特征节点,根据用户属性数据获取,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
该网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有某特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好,此处用点击率CTR作为偏好权值,即用户点击该物品的次数除以该物品对目标用户曝光的次数;
(3)对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用预设算法Edge-Weighted PersonalRank 计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集。
(4)对于无历史行为的用户(包含新用户),对第一类节点、第二类节点、以及第一类边构成的二分网络,使用预设算法simrank++ 计算用户节点之间的相似性;
根据步骤(3)中的相似性找出前 k(此处预设k=2*n) 个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集;
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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保护范围之内。
Claims (10)
1.一种基于异质信息网络的推荐方法,其特征在于,包括步骤:
S1获取用户数据、物品数据、用户对物品的行为数据、物品对用户的曝光数据;
S2据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;
S3通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;
S4在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品;
S5过滤重复推荐和状态异常的物品,当召回和排序结果不足时,使用全局热门物品、新上架物品进行补充,合并物品基础信息,将包含完整信息的物品推荐列表返回给服务请求端。
2.根据权利要求1所述的基于异质信息网络的推荐方法,其特征在于,步骤S2中:
所述异质信息网络中包含三类节点,第一类为用户特征节点,根据用户属性数据生成用户特征节点,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
所述异质信息网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有的特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好。
3.根据权利要求2所述的基于异质信息网络的推荐方法,其特征在于,用户对物品的偏好权值为点击率CTR,即用户点击该物品的次数除以该物品对目标用户曝光的次数。
4.根据权利要求2所述的基于异质信息网络的推荐方法,其特征在于,步骤S3具体为:
对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用第一预设算法计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集;
对于无历史行为的用户,通过对第一类节点、第二类节点、以及第一类边构成的用户-特征二分网络,使用第二预设算法计算用户节点之间的相似性。
5.根据权利要求4所述的基于异质信息网络的推荐方法,其特征在于,所述取相关性最高的n个物品作为目标用户的推荐物品候选集具体包括:
根据相关性找出前 k个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集。
6.一种基于异质信息网络的推荐装置,其特征在于,包括:
数据采集模块;所述数据采集模块采集用户数据、物品数据、用户对物品的行为数据和物品对用户的曝光数据;
异质信息网络构建模块;所述异质信息网络构建模块根据用户对物品的行为数据、物品对用户的曝光数据、用户数据构造异质信息网络;
召回模块;所述召回模块通过预设算法对有历史行为的用户和没有历史行为的用户分别计算获取推荐候选物品集;
排序模块;所述排序模块在推荐候选物品集的基础上使用分类学习算法来预测用户对物品的偏好程度,然后将用户对物品按照偏好程度从大到小依次排列,选出用户最有可能感兴趣的物品;
推荐服务模块;所述推荐服务模块过滤重复推荐和状态异常的物品,当召回和排序结果不足时,使用全局热门物品、新上架物品进行补充,合并物品基础信息,将包含完整信息的物品推荐列表返回给服务请求端。
7.根据权利要求6所述的基于异质信息网络的推荐装置,其特征在于:
所述异质信息网络中包含三类节点,第一类为用户特征节点,根据用户属性数据生成用户特征节点,其中对连续属性进行离散化,对离散属性采用one-hot编码方法进行处理;第二类为用户节点;第三类为物品节点;
所述异质信息网络中包含两类边,第一类边存在于第二类节点与第一类节点之间,表示用户具有的特征;第二类边存在于第二类节点和第三类节点之间,表示用户对物品的偏好。
8.根据权利要求7所述的基于异质信息网络的推荐装置,其特征在于:用户对物品的偏好权值为点击率CTR,即用户点击该物品的次数除以该物品对目标用户曝光的次数。
9.根据权利要求7所述的基于异质信息网络的推荐装置,其特征在于:所述分别计算获取推荐候选物品集具体为:
对于有历史行为的用户,通过对第二类节点、第三类节点、以及第二类边构成的用户-物品二分网络,使用第一预设算法计算用户节点与物品节点间的相关性,取相关性最高的n个物品作为目标用户的推荐物品候选集;
对于无历史行为的用户,通过对第一类节点、第二类节点、以及第一类边构成的用户-特征二分网络,使用第二预设算法计算用户节点之间的相似性。
10.根据权利要求9所述的基于异质信息网络的推荐装置,其特征在于:所述取相关性最高的n个物品作为目标用户的推荐物品候选集具体包括:
根据相关性找出前 k个有历史行为的最近邻用户,加权累加上述k-近邻用户点击过的物品,权值为用户对物品的点击率,累加值作为目标新用户对该物品的偏好,取偏好最高的前 n 个物品作为目标新用户的推荐物品候选集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507696.9A CN112541806A (zh) | 2020-12-18 | 2020-12-18 | 一种基于异质信息网络的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507696.9A CN112541806A (zh) | 2020-12-18 | 2020-12-18 | 一种基于异质信息网络的推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541806A true CN112541806A (zh) | 2021-03-23 |
Family
ID=75019206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507696.9A Pending CN112541806A (zh) | 2020-12-18 | 2020-12-18 | 一种基于异质信息网络的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541806A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
WO2023035506A1 (zh) * | 2021-09-07 | 2023-03-16 | 天翼电子商务有限公司 | 一种融合了序列信息的特征组合推荐算法框架 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955535A (zh) * | 2014-05-14 | 2014-07-30 | 南京大学镇江高新技术研究院 | 一种基于元路径的个性化推荐方法及系统 |
CN106934071A (zh) * | 2017-04-27 | 2017-07-07 | 北京大学 | 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置 |
CN111241311A (zh) * | 2020-01-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、电子设备及存储介质 |
CN111582992A (zh) * | 2020-05-13 | 2020-08-25 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
CN111931045A (zh) * | 2020-07-30 | 2020-11-13 | 北京邮电大学 | 一种基于元学习的异质信息网络冷启动推荐方法及装置 |
-
2020
- 2020-12-18 CN CN202011507696.9A patent/CN112541806A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955535A (zh) * | 2014-05-14 | 2014-07-30 | 南京大学镇江高新技术研究院 | 一种基于元路径的个性化推荐方法及系统 |
CN106934071A (zh) * | 2017-04-27 | 2017-07-07 | 北京大学 | 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置 |
CN111241311A (zh) * | 2020-01-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、电子设备及存储介质 |
CN111582992A (zh) * | 2020-05-13 | 2020-08-25 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
CN111931045A (zh) * | 2020-07-30 | 2020-11-13 | 北京邮电大学 | 一种基于元学习的异质信息网络冷启动推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
温玉娇: "基于异质信息网络的深度学习推荐算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 09, pages 138 - 1318 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
CN113379482B (zh) * | 2021-05-28 | 2023-12-01 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
WO2023035506A1 (zh) * | 2021-09-07 | 2023-03-16 | 天翼电子商务有限公司 | 一种融合了序列信息的特征组合推荐算法框架 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210271975A1 (en) | User tag generation method and apparatus, storage medium, and computer device | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
WO2016191959A1 (zh) | 一种时变的协同过滤推荐方法 | |
Zhang et al. | Enabling kernel-based attribute-aware matrix factorization for rating prediction | |
CN111461841B (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
Gao et al. | Hybrid personalized recommended model based on genetic algorithm | |
CN111815415A (zh) | 一种商品推荐方法、系统及设备 | |
CN107256238A (zh) | 一种多约束条件下的个性化信息推荐方法及信息推荐系统 | |
CN112541806A (zh) | 一种基于异质信息网络的推荐方法及装置 | |
CN111651678A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN110083766B (zh) | 一种基于元路径引导嵌入的查询推荐方法及装置 | |
CN113343077A (zh) | 一种融合用户兴趣时序波动的个性化推荐方法及系统 | |
Kannikaklang et al. | A hybrid recommender system for improving rating prediction of movie recommendation | |
Margaris et al. | Enhancing rating prediction quality through improving the accuracy of detection of shifts in rating practices | |
Bhargavi et al. | Comparative study of consumer purchasing and decision pattern analysis using pincer search based data mining method | |
Zhang et al. | Multi-view dynamic heterogeneous information network embedding | |
Sharma et al. | Suggestive approaches to create a recommender system for GitHub | |
Modi et al. | Enhancement of online web recommendation system using a hybrid clustering and pattern matching approach | |
Guerraoui et al. | Sequences, items and latent links: Recommendation with consumed item packs | |
Feng et al. | Retracted: Recommendation Algorithm Based on Tag Time Weighting | |
CN114329167A (zh) | 超参数学习、智能推荐、关键词和多媒体推荐方法及装置 | |
Joseph et al. | A Comparative Study of Collaborative Movie Recommendation System | |
CN111460300A (zh) | 网络内容推送方法、装置及存储介质 | |
Chauhan et al. | Customer-Aware Recommender System for Push Notifications in an e-commerce Environment |
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 |