CN112667923A - 基于大数据的智能推荐方法及装置 - Google Patents
基于大数据的智能推荐方法及装置 Download PDFInfo
- Publication number
- CN112667923A CN112667923A CN202110056302.0A CN202110056302A CN112667923A CN 112667923 A CN112667923 A CN 112667923A CN 202110056302 A CN202110056302 A CN 202110056302A CN 112667923 A CN112667923 A CN 112667923A
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation
- calculation
- model
- user
- 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 50
- 238000004364 calculation method Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 235000013405 beer Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于大数据的智能推荐方法及装置,所述方法包括获取相关数据;相关数据包括用户数据和物品数据;根据数据中的字段解析规则对相关数据进行配置,得到多个标签字段;根据标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;根据计算结果生成推荐列表。本申请通过设置万能模型,获取用户数据进行处理在训练好的模型中进行训练,得到推荐结果,本申请将配置、生成、训练、监控以及误差集合在一体,可以分布式计算,操作简单方便。
Description
技术领域
本发明属于大数据分析技术领域,具体涉及一种基于大数据的智能推荐方法及装置。
背景技术
现如今,伴随互联网的普及性,用户收到的信息球正在不断的涨大。随着信息量的增长,用户在面对海量信息时无法从中获取对自己真正有用的信息,使用信息的效率反而降低了,形成了信息超载问题。为了深挖数据价值,提升用户对产品的好感度,基于个人喜好进行推荐的产品应运而生。且产品涉及的生活领域越来越丰富,如:视频、电商、招聘等等...,由此推荐系统的技术领域得到了发展。
推荐系统通过研究用户的喜好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生依赖。几乎所有互联网巨头都会涉及到推荐相关方向,通过个性化推荐,提升用户粘性。因此推荐系统具有重要意义。
相关技术中,伴随着许多中小型企业的数据量的增大,推荐系统的需求也越来越多。但是,因为开发的难度、成本等因素,无法形成自己的体系。陷入开发瓶颈,因此迫切需要一个开发简化的流程。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种基于大数据的智能推荐方法及装置,以解决现有技术中推荐系统开发难度大、成本高的问题。
为实现以上目的,本发明采用如下技术方案:一种基于大数据的智能推荐方法,包括:
获取相关数据;所述相关数据包括用户数据和物品数据;
根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;
根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;
根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
进一步的,在根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练时,
实时监测并获取日志数据;
将所述日志数据在管理界面进行展示。
进一步的,所述用户数据包括:用户ID、用户对物品的喜爱程度指数;
所述物品数据包括:物品ID、物品画像数据、物品画像特征。
进一步的,在得到多个标签字段后,还包括:
判断所述标签字段是否需要拆分,并在需要拆分时对所述标签字段进行拆分处理以及对得到的标签字段进行保存。
进一步的,当所述推荐模型为基于内容的推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
将所述标签字段转化为标签向量;其中,标签向量为多个;
计算每个标签向量的权重值;
根据所述权重值通过余弦相似度计算公式计算所述标签向量的相似度;
将所述相似度输入到训练好的基于内容的推荐模型中进行计算,生成结果向量。
进一步的,当所述推荐模型为基于协同过滤的推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
配置数据集和相关参数;所述相关参数包括正则化参数、alpha值、特征数、迭代次数;
将所述数据集按照预设比例划分为训练集和测试集;
采用梯度下降法和训练集对所述基于协同过滤的推荐模型进行训练,得到模型包,采用所述测试集对所述模型包进行测试得到误差值,完成模型训练;
采用TF-IDF算法评估标签字段的重要程度,将重要程度大于预设值的标签字段数值化;
通过余弦相似度计算公式计算数值化的标签字段的相似度;
将所述相似度输入到训练好的模型中计算得到结果向量。
进一步的,所述基于协同过滤的推荐模型包括:
基于用户的协同过滤推荐模型,用于计算用户与用户之间的相似度,推荐与用户有相似行为的其他用户;
基于物品的协同过滤推荐模型,用于计算物品与物品之间的相似度,推荐用户喜欢的物品的相似物品。
进一步的,当所述推荐模型为基于关联规则推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
配置解析规则和计算参数;所述计算参数包括最小支持度和最小置信度;
通过所述解析规则对所述标签字段中的订单数据进行解析,获取同一个订单数据中的商品构成集合;
通过所述计算参数计算所述商品构成集合,得到频繁项集;
将所述频繁项集输入到基于关联规则推荐模型中进行计算,获取关联关系。
进一步的,还包括:
采用误差计算方法评估模型的预测偏差并根据偏差值的大小,对参数进行调整;
所述误差计算方法包括:均方误差计算方法、均方根误差计算方法和平均绝对误差计算方法。
本申请实施例提供一种基于大数据的智能推荐装置,包括:
获取模块,用于获取相关数据;所述相关数据包括用户数据和物品数据;
配置模块,用于根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;
计算模块,用于根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;
生成模块,用于根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
本发明采用以上技术方案,能够达到的有益效果包括:
本发明所述方法提供的基于大数据的智能推荐方法及装置,所述方法包括获取相关数据;相关数据包括用户数据和物品数据;根据数据中的字段解析规则对相关数据进行配置,得到多个标签字段;根据标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;根据计算结果生成推荐列表。本申请通过设置万能模型,获取用户数据进行处理在训练好的模型中进行训练,得到推荐结果,本申请将配置、生成、训练、监控以及误差集合在一体,可以分布式计算,操作简单方便。
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为本发明一种基于大数据的智能推荐方法的步骤示意图;
图2为本发明一种基于大数据的智能推荐方法的流程示意图;
图3为本发明一种基于大数据的智能推荐装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的基于大数据的智能推荐方法。
如图1所示,本申请实施例中提供的基于大数据的智能推荐方法包括:
S101,获取相关数据;所述相关数据包括用户数据和物品数据;
其中,所述用户数据包括:用户ID、用户对物品的喜爱程度指数;
所述物品数据包括:物品ID、物品画像数据、物品画像特征(即标签,如电影的导演、风格等等)。
S102,根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;
优选的,在得到多个标签字段后,还包括:
判断所述标签字段是否需要拆分,并在需要拆分时对所述标签字段进行拆分处理以及对得到的标签字段进行保存。
具体的,如图2所示,采用分隔符对用户数据、物品数据进行配置,可以理解的是,还要判断标签是否需要拆分,最后得到多个标签字段。标签字段包括用户字段、评分字段或标签等。
S103,根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;
本申请中预设有三个推荐模型,分别是基于内容的推荐模型、基于协同过滤的推荐模型和基于关联规则推荐模型。
分布式计算框架可以为Spark+MongoDB或Spark+HDFS或Spark+Redis或Fink+MongoDB。需要说明的是,本申请中的推荐模型或分布式计算框架不限于上述推荐模型后计算框架还可以为其他,本申请在此不做限定。
S104,根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
可以理解的是,最后生成的推荐列表可以为具有用户ID的推荐物品ID的集合。
基于大数据的智能推荐方法的工作原理为:首先获取用户数据和物品数据,对数据进行配置,得到标签字段,根据标签字段选择预设的推荐模型和计算框架进行训练、以及计算,可以理解的是,将训练过程或者计算过程在管理界面记性展示,方便查看进度。得到键值对,键为用户ID,值为推荐的物品ID的集合,从而生成推荐列表。
一些实施例中,如图2所示,在根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练时,
实时监测并获取日志数据;
将所述日志数据在管理界面进行展示。
本申请中可以实时监测推荐模型和分布式计算框架在进行训练或是计算时的日志数据,并在管理界面进行展示。
一些实施例中,当所述推荐模型为基于内容的推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
将所述标签字段转化为标签向量;其中,标签向量为多个;
计算每个标签向量的权重值;
根据所述权重值通过余弦相似度计算公式计算所述标签向量的相似度;
将所述相似度输入到训练好的基于内容的推荐模型中进行计算,生成结果向量。
具体的,首先将用户配置的字段转换成向量形式,(数值型可以直接使用,文本类特征采用NLP中的TF-IDF进行转换),通过余弦相似度计算出相似度,形成结果向量。将结果输出到配置的存储路径下。使用基于内容推荐计算结果较为准确,依赖于物品特征值,可解释性强。其中,余弦相似度的计算公式为:
一些实施例中,当所述推荐模型为基于协同过滤的推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
配置数据集和相关参数;所述相关参数包括正则化参数、alpha值、特征数、迭代次数;
将所述数据集按照预设比例划分为训练集和测试集;
采用梯度下降法和训练集对所述基于协同过滤的推荐模型进行训练,得到模型包,采用所述测试集对所述模型包进行测试得到误差值,完成模型训练;
采用TF-IDF算法评估标签字段的重要程度,将重要程度大于预设值的标签字段数值化;
通过余弦相似度计算公式计算数值化的标签字段的相似度;
将所述相似度输入到训练好的模型中计算得到结果向量。
优选的,所述基于协同过滤的推荐模型包括:
基于用户的协同过滤推荐模型,用于计算用户与用户之间的相似度,推荐与用户有相似行为的其他用户;
基于物品的协同过滤推荐模型,用于计算物品与物品之间的相似度,推荐用户喜欢的物品的相似物品。
具体的,基于协同过滤的推荐分为两种:
基于用户的协同过滤推荐模型(User-CF);
基于物品的协同过滤推荐模型(Item-CF);
两种推荐模型分别为计算用户与用户之间、物品与物品之间的相似度进行推荐。
User-CF:将用户上传的用户行为数据,通过用户配置的解析规则进行解析,获取相应的行为字段,系统将用户的行为特征进行数值化,进行相似度计算。即计算用户的”邻居用户”(有类似行为的其他用户)。
Item-CF:将用户上传的物品数据,通过用户配置的解析规则进行解析,获取物品相关的特征字段(标签),计算物品之间的相似度,推荐用户喜欢物品的相似物品
需要配置项:首先根据需要选择使用哪种协同过滤(Item-CF、User-CF),配置相关参数(是否正则化、alpha值、特征数、迭代次数...),是否需要使用TF-IDF算法评估标签重要程度,确定后将数据集进行向量化,并将数据切分为训练集,测试集。训练集用于模型训练,测试集用于模型的误差计算,然后通过LFM计算数值化的标签字段的相似度,得到结果向量;可以理解的是,在进行模型训练时,通过梯度下降法进行模型训练,评估误差值,完成模型训练,将结果向量和模型jar包输出到用户配置路径。
一些实施例中,当所述推荐模型为基于关联规则推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
配置解析规则和计算参数;所述计算参数包括最小支持度和最小置信度;
通过所述解析规则对所述标签字段中的订单数据进行解析,获取同一个订单数据中的商品构成集合;
通过所述计算参数计算所述商品构成集合,得到频繁项集;
将所述频繁项集输入到基于关联规则推荐模型中进行计算,获取关联关系。
具体的,通过配置相关数据、解析规则,配置计算参数(最小支持度、最小置信度),求解频繁项集获取关联关系并存储到相关存储系统。将用户传入的订单数据,通过配置的解析规则进行解析,将同一个订单的商品构成集合,通过系统计算出频繁项集(如:购买啤酒的人一同购买了尿布,就认定啤酒和尿布具有关联性)。频繁项集输入到基于关联规则推荐模型中进行计算,获取关联关系,根据关联关系可以得到推荐物品。
优选的,基于协同过滤的推荐模型和基于关联规则推荐模型在训练得到优化后,采用误差计算方法评估模型的预测偏差并根据偏差值的大小,对参数进行调整;
所述误差计算方法包括:均方误差计算方法、均方根误差计算方法和平均绝对误差计算方法。
根据偏差值的大小,提醒用户进行参数调整,用户可以根据相关图表查看调整后的误差变化。从而优化模型。
如图3所示,本申请实施例提供一种基于大数据的智能推荐装置,包括:
获取模块301,用于获取相关数据;所述相关数据包括用户数据和物品数据;
配置模块302,用于根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;
计算模块303,用于根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;
生成模块304,用于根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
本申请提供的基于大数据的智能推荐装置的工作原理为,获取模块301获取相关数据;所述相关数据包括用户数据和物品数据;配置模块302根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;计算模块303根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;生成模块304根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
综上所述,本发明提供一种基于大数据的智能推荐方法及装置,所述方法包括获取相关数据;相关数据包括用户数据和物品数据;根据数据中的字段解析规则对相关数据进行配置,得到多个标签字段;根据标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;根据计算结果生成推荐列表。本申请通过设置万能模型,获取用户数据进行处理在训练好的模型中进行训练,得到推荐结果,本申请将配置、生成、训练、监控以及误差集合在一体,可以分布式计算,操作简单方便。
可以理解的是,上述提供的方法实施例与上述的装置实施例对应,相应的具体内容可以相互参考,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的基于大数据的智能推荐方法。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令基于大数据的智能推荐方法的制造品,该指令基于大数据的智能推荐方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的智能推荐方法,其特征在于,包括:
获取相关数据;所述相关数据包括用户数据和物品数据;
根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;
根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;
根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
2.根据权利要求1所述的基于大数据的智能推荐方法,其特征在于,在根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练时,
实时监测并获取日志数据;
将所述日志数据在管理界面进行展示。
3.根据权利要求1所述的基于大数据的智能推荐方法,其特征在于,
所述用户数据包括:用户ID、用户对物品的喜爱程度指数;
所述物品数据包括:物品ID、物品画像数据、物品画像特征。
4.根据权利要求1所述的基于大数据的智能推荐方法,其特征在于,在得到多个标签字段后,还包括:
判断所述标签字段是否需要拆分,并在需要拆分时对所述标签字段进行拆分处理以及对得到的标签字段进行保存。
5.根据权利要求1所述的基于大数据的智能推荐方法,其特征在于,当所述推荐模型为基于内容的推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
将所述标签字段转化为标签向量;其中,标签向量为多个;
计算每个标签向量的权重值;
根据所述权重值通过余弦相似度计算公式计算所述标签向量的相似度;
将所述相似度输入到训练好的基于内容的推荐模型中进行计算,生成结果向量。
6.根据权利要求1所述的基于大数据的智能推荐方法,其特征在于,当所述推荐模型为基于协同过滤的推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
配置数据集和相关参数;所述相关参数包括正则化参数、alpha值、特征数、迭代次数;
将所述数据集按照预设比例划分为训练集和测试集;
采用梯度下降法和训练集对所述基于协同过滤的推荐模型进行训练,得到模型包,采用所述测试集对所述模型包进行测试得到误差值,完成模型训练;
采用TF-IDF算法评估标签字段的重要程度,将重要程度大于预设值的标签字段数值化;
通过余弦相似度计算公式计算数值化的标签字段的相似度;
将所述相似度输入到训练好的模型中计算得到结果向量。
7.根据权利要求6所述的基于大数据的智能推荐方法,其特征在于,所述基于协同过滤的推荐模型包括:
基于用户的协同过滤推荐模型,用于计算用户与用户之间的相似度,推荐与用户有相似行为的其他用户;
基于物品的协同过滤推荐模型,用于计算物品与物品之间的相似度,推荐用户喜欢的物品的相似物品。
8.根据权利要求1所述的基于大数据的智能推荐方法,其特征在于,当所述推荐模型为基于关联规则推荐模型时,所述根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练,得到计算结果;包括:
配置解析规则和计算参数;所述计算参数包括最小支持度和最小置信度;
通过所述解析规则对所述标签字段中的订单数据进行解析,获取同一个订单数据中的商品构成集合;
通过所述计算参数计算所述商品构成集合,得到频繁项集;
将所述频繁项集输入到基于关联规则推荐模型中进行计算,获取关联关系。
9.根据权利要求6或8所述的基于大数据的智能推荐方法,其特征在于,还包括:
采用误差计算方法评估模型的预测偏差并根据偏差值的大小,对参数进行调整;
所述误差计算方法包括:均方误差计算方法、均方根误差计算方法和平均绝对误差计算方法。
10.一种基于大数据的智能推荐装置,其特征在于,包括:
获取模块,用于获取相关数据;所述相关数据包括用户数据和物品数据;
配置模块,用于根据数据中的字段解析规则对所述相关数据进行配置,得到多个标签字段;
计算模块,用于根据所述标签字段选择预设的推荐模型和分布式计算框架进行训练并在管理界面实时展示计算进度,得到计算结果;
生成模块,用于根据所述计算结果生成推荐列表;其中,所述计算结果为键值对,键为用户ID,值为推荐的物品ID的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056302.0A CN112667923A (zh) | 2021-01-15 | 2021-01-15 | 基于大数据的智能推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056302.0A CN112667923A (zh) | 2021-01-15 | 2021-01-15 | 基于大数据的智能推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112667923A true CN112667923A (zh) | 2021-04-16 |
Family
ID=75415283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056302.0A Pending CN112667923A (zh) | 2021-01-15 | 2021-01-15 | 基于大数据的智能推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112667923A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099642A (zh) * | 2022-06-29 | 2022-09-23 | 北京斗米优聘科技发展有限公司 | 一种用工管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011141666A (ja) * | 2010-01-06 | 2011-07-21 | Nippon Telegr & Teleph Corp <Ntt> | 興味情報推薦装置、興味情報推薦方法および興味情報推薦プログラム |
CN110750653A (zh) * | 2019-10-22 | 2020-02-04 | 中国工商银行股份有限公司 | 信息处理方法、装置、电子设备及介质 |
CN110929136A (zh) * | 2018-08-30 | 2020-03-27 | 北京京东尚科信息技术有限公司 | 一种个性化推荐方法和装置 |
CN111008321A (zh) * | 2019-11-18 | 2020-04-14 | 广东技术师范大学 | 基于逻辑回归推荐方法、装置、计算设备、可读存储介质 |
CN111680217A (zh) * | 2020-05-27 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及存储介质 |
CN112015736A (zh) * | 2020-08-21 | 2020-12-01 | 广州欢网科技有限责任公司 | 基于Spark Mllib实现的多功能推荐方法及装置 |
CN112200601A (zh) * | 2020-09-11 | 2021-01-08 | 深圳市法本信息技术股份有限公司 | 物品推荐方法、装置及可读存储介质 |
-
2021
- 2021-01-15 CN CN202110056302.0A patent/CN112667923A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011141666A (ja) * | 2010-01-06 | 2011-07-21 | Nippon Telegr & Teleph Corp <Ntt> | 興味情報推薦装置、興味情報推薦方法および興味情報推薦プログラム |
CN110929136A (zh) * | 2018-08-30 | 2020-03-27 | 北京京东尚科信息技术有限公司 | 一种个性化推荐方法和装置 |
CN110750653A (zh) * | 2019-10-22 | 2020-02-04 | 中国工商银行股份有限公司 | 信息处理方法、装置、电子设备及介质 |
CN111008321A (zh) * | 2019-11-18 | 2020-04-14 | 广东技术师范大学 | 基于逻辑回归推荐方法、装置、计算设备、可读存储介质 |
CN111680217A (zh) * | 2020-05-27 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及存储介质 |
CN112015736A (zh) * | 2020-08-21 | 2020-12-01 | 广州欢网科技有限责任公司 | 基于Spark Mllib实现的多功能推荐方法及装置 |
CN112200601A (zh) * | 2020-09-11 | 2021-01-08 | 深圳市法本信息技术股份有限公司 | 物品推荐方法、装置及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099642A (zh) * | 2022-06-29 | 2022-09-23 | 北京斗米优聘科技发展有限公司 | 一种用工管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Member contribution-based group recommender system | |
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
Nilashi et al. | Clustering-and regression-based multi-criteria collaborative filtering with incremental updates | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
Adomavicius et al. | Multi-criteria recommender systems | |
WO2019029046A1 (zh) | 一种视频推荐方法及系统 | |
AU2015246423A1 (en) | Method and apparatus for judging age brackets of users | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN107833117A (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
US20230066853A1 (en) | Method and apparatus for training information prediction models, method and apparatus for predicting information, and storage medium and device thereof | |
CN103886486A (zh) | 一种基于支持向量机svm的电子商务推荐方法 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
KR102368043B1 (ko) | 사용자 정의 토픽 모델링을 활용한 사용자 관심 뉴스 추천 장치 및 그 방법 | |
CN112667923A (zh) | 基于大数据的智能推荐方法及装置 | |
Fareed et al. | A collaborative filtering recommendation framework utilizing social networks | |
Insuwan et al. | Improving missing values imputation in collaborative filtering with user-preference genre and singular value decomposition | |
Han et al. | Developing smart service concepts: morphological analysis using a Novelty-Quality map | |
He et al. | Attribute Reduction with Rough Set in Context‐Aware Collaborative Filtering | |
Behera et al. | A rule-based automated machine learning approach in the evaluation of recommender engine | |
Li et al. | Crowdfunding platform recommendation algorithm based on collaborative filtering | |
Wang et al. | Collaborative filtering enhanced by user free-text reviews topic modelling | |
Tanaka et al. | Automatic generation method to derive for the design variable spaces for interactive genetic algorithms | |
CN109325186B (zh) | 一种用户偏好与地理特征融合的行为动机推断算法 | |
CN117076962B (zh) | 应用于人工智能领域的数据分析方法、装置及设备 | |
Hao et al. | Apriori Algorithm Based Exam Information Service Web App Design |
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 |