CN112785372B - 一种基于语义关系的智能推荐方法 - Google Patents
一种基于语义关系的智能推荐方法 Download PDFInfo
- Publication number
- CN112785372B CN112785372B CN202110032045.7A CN202110032045A CN112785372B CN 112785372 B CN112785372 B CN 112785372B CN 202110032045 A CN202110032045 A CN 202110032045A CN 112785372 B CN112785372 B CN 112785372B
- Authority
- CN
- China
- Prior art keywords
- similarity
- entity
- article
- semantic
- list
- 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
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (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)
Abstract
本发明属于购物推荐技术领域,具体公开一种基于语义关系的智能推荐方法,包括如下步骤:S1:建立语义关系的知识图谱;S2:获取物品属性类别相应的属性子图;S3:获取语义相似度,根据语义相似度获取第一物品推荐清单;S4:获取购买清单与第一物品推荐清单的相似性符合条件的用户;S5:建立物品评分矩阵,获取购买清单中物品之间的修正余弦相似度,并根据修正余弦相似度获取第二物品推荐清单;S6:将语义相似度和修正余弦相似度进行线性加权融合,得到融合相似度;S7:根据融合相似度和物品评分矩阵,获取最终推荐清单,并将最终推荐清单推荐给用户。本发明解决了现有技术存在的耗费时间久、精确度不高的问题。
Description
技术领域
本发明属于购物推荐技术领域,具体涉及一种基于语义关系的智能推荐方法。
背景技术
语义关系是指隐藏在句法结构后面由该词语的语义范畴所建立起来的关系。最为基础的语义关系有两类:上位概念和下位概念之间的关系,下位概念的出现仅仅是为了限定上位概念的外延,例如典型的宾语和动词之间的关系(“吃”和“面条”);述谓关系,这是最多最基础的关系。一个基本词汇单位对另一个基本词汇单位的陈述。最为典型的就是主谓关系,其次是状语和谓词之间的关系,大部分定语和名词之间的关系,都是述谓关系。而语法形式则大部分是为了表达这些关系而产生的。“从属语跟核心的关系”已经上升到了接近语法的层次了,作为定义可以,但不是最初始的定义,因为还需要对它进行定义。
随着互联网技术的高速发展,数据量呈现出指数级增长。对于用户而言他们需要更加符合自己爱好的结果,因此多种因素共同推动的智能推荐技术的研究进程。在传统的智能推荐研究中,多数工作根据用户历史数据基于规则推荐,预测用户兴趣,然而这就需要进行繁重的计算量,通过获取精准的用户行为特征来实现智能推荐,然而在实际应用中,这类算法存在耗费时间久,精确度不高等问题。
发明内容
本发明旨在于至少在一定程度上解决上述技术问题之一。
为此,本发明目的在于提供一种基于语义关系的智能推荐方法,用于解决现有技术存在的耗费时间久、精确度不高的问题。
本发明所采用的技术方案为:
一种基于语义关系的智能推荐方法,包括如下步骤:
S1:建立语义关系的知识图谱;
S2:基于语义关系的知识图谱,根据物品属性类别进行划分,得到物品属性类别相应的属性子图;
S3:获取属性子图中物品之间的语义相似度,根据语义相似度获取第一物品推荐清单;
S4:获取购买清单与第一物品推荐清单的相似性符合条件的用户;
S5:获取用户对相应的购买清单中物品的评分信息,根据评分信息建立物品评分矩阵,获取购买清单中物品之间的修正余弦相似度,并根据修正余弦相似度获取第二物品推荐清单;
S6:将语义相似度和修正余弦相似度进行线性加权融合,得到融合相似度;
S7:根据融合相似度和物品评分矩阵,得到第一物品推荐清单和第二物品推荐清单中所有物品的评分,根据评分获取最终推荐清单,并将最终推荐清单推荐给用户。
进一步地,步骤S3中,获取属性子图中物品之间的语义相似度的具体方法为:基于属性子图,将物品实体表示为实体向量,利用欧几里德公式获取实体向量之间的语义相似度。
进一步地,物品实体的实体向量的公式为:
Ii=(E1i,E2i,...,Edi)T
式中,Ii为物品实体的实体向量;i为物品实体指示量;Edi为第i个物品实体第d维度的值;d为维度总量。
进一步地,语义相似度的欧几里德公式为:
式中,simkg(Ii,Ij)为物品实体Ii和物品实体Ij的语义相似度;i、j为物品实体指示量;为物品实体Ii和物品实体Ij的欧几里得距离;k为维度指示量;d为维度总量;Eki、Ekj为第i个物品实体、第j个物品实体第k维度的值。
进一步地,步骤S3中,第一物品推荐清单的获取方法为:根据语义相似度将该属性子图中物品进行降序排序,选出排名前K个物品,得到第一物品推荐清单。
进一步地,步骤S4中,购买清单的物品与第一物品推荐清单的相似性超过阈值,即该购买清单对应的用户为相似性符合条件的用户。
进一步地,步骤S5中,获取第二物品推荐清单的具体方法为:根据修正余弦相似度将购买清单中物品进行降序排序,选出排名前K个物品,得到第二物品推荐清单。
进一步地,步骤S5中,修正余弦相似度的公式为:
式中,simc(Ii,Ij)为物品实体Ii和物品实体Ij的修正余弦相似度;i、j为物品实体指示量;Ui,j、Ui、Uj分别为购买过i和j商品的用户、购买过i商品的用户以及购买过j商品的用户;Cu,i、Cu,j、分别为第i个物品实体评分、第j个物品实体评分以及平均评分。
进一步地,步骤S6中,融合相似度的公式为:
sim(Ii,Ij)=α·simkg(Ii,Ij)+(1-α)simc(Ii,Ij)
式中,sim(Ii,Ij)为物品实体Ii和物品实体Ij的融合相似度;simkg(Ii,Ij)为语义相似度;simc(Ii,Ij)为修正余弦相似度;α为融合权重。
进一步地,步骤S7中,获取最终推荐清单的具体方法为:根据评分将物品进行降序排序,选出排名前N个物品,得到最终推荐清单。
本发明的有益效果为:
1)本发明利用知识图谱将实体向量化,同时完整的保留了知识图谱语义信息,将传统的协同过滤算法与知识图谱通过语义相似度计算相融合,精确地计算出用户之间,物品之间以及用户与物品之间的相关性,利用知识图谱包含的丰富语义信息作为对协同过滤算法的有益补充。图谱中的实体,不仅包含了用户搜索的内容,还包含了与该搜索相关的内容,所以知识图谱提供了一个很强大的商品信息关联网,通过该图谱,推荐系统可以很好的将用户感兴趣的商品推荐出来。
2)有效地改善了数据稀疏性问题,从多维角度刻画了用户和物品,毫秒级判断出用户的真实意图,具有实时性,使得智能推荐结果更加精准。
本发明的其他有益效果将在具体实施方式中进行详细说明。
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是基于语义关系的智能推荐方法方法流程图。
图2是知识图谱示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本发明阐述的实施例中。
应当理解,本发明使用的术语仅用于描述特定实施例,并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选实施例中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以不必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
实施例1
知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
知识图谱最早由谷歌发布,为了提升搜索引擎返回答案的质量以及用户查询的效率,在知识图谱辅助下,搜索引擎可以洞察到用户查询背后的一个语义信息,然后返回更为精准结构化的信息,从而更大可能的去满足用户的一个查询需求。当我们进行搜索时,搜索结果右侧的联想,来自于知识图谱技术的应用。我们几乎每天都会接收到各种各样的推荐信息,从新闻、购物到吃饭、娱乐。个性化推荐作为一种信息过滤的重要手段,可以依据我们的习惯和爱好推荐合适的服务,也来自于知识图谱技术的应用。搜索、地图、个性化推荐、互联网、风控、银行……越来越多的应用场景,都越来越依赖知识图谱,可以说无处不在。
一种基于语义关系的智能推荐方法,如图1所示,包括如下步骤:
S1:建立语义关系的知识图谱,如图2所示;
S2:基于语义关系的知识图谱,根据物品属性类别进行划分,得到物品属性类别相应的属性子图;
基于属性子图进行分析,提高了语义关系的准确性,能够针对某一物品属性类别进行定向分析,提高了相似度获取的效率;
S3:基于属性子图,将物品实体表示为实体向量,利用欧几里德公式获取实体向量之间的语义相似度,根据语义相似度将该属性子图中物品进行降序排序,选出排名前K个物品,得到第一物品推荐清单;
知识图谱将实体向量化,同时完整的保留了知识图谱语义信息,将传统的协同过滤算法与知识图谱通过语义相似度计算相融合,精确地计算出用户之间,物品之间以及用户与物品之间的相关性,利用知识图谱包含的丰富语义信息作为对协同过滤算法的有益补充;
物品实体的实体向量的公式为:
Ii=(E1i,E2i,...,Edi)T
式中,Ii为物品实体的实体向量;i为物品实体指示量;Edi为第i个物品实体第d维度的值;d为维度总量;
图谱中的物品实体,不仅包含了用户搜索的内容,还包含了与该搜索相关的内容,所以知识图谱提供了一个很强大的商品信息关联网,通过该图谱,推荐系统可以很好的将用户感兴趣的商品推荐出来;
语义相似度的欧几里德公式为:
式中,simkg(Ii,Ij)为物品实体Ii和物品实体Ij的语义相似度;i、j为物品实体指示量;为物品实体Ii和物品实体Ij的欧几里得距离;k为维度指示量;d为维度总量;Eki、Ekj为第i个物品实体、第j个物品实体第k维度的值;
S4:获取购买清单与第一物品推荐清单的相似性符合条件的用户;
购买清单的物品与第一物品推荐清单的相似性超过阈值,即该购买清单对应的用户为相似性符合条件的用户;
S5:获取用户对相应的购买清单中物品的评分信息,根据评分信息建立物品评分矩阵,获取购买清单中物品之间的修正余弦相似度,并根据修正余弦相似度将购买清单中物品进行降序排序,选出排名前K个物品,得到第二物品推荐清单;
修正余弦相似度的公式为:
式中,simc(Ii,Ij)为物品实体Ii和物品实体Ij的修正余弦相似度;i、j为物品实体指示量;Ui,j、Ui、Uj分别为购买过i和j商品的用户、购买过i商品的用户以及购买过j商品的用户;Cu,i、Cu,j、分别为第i个物品实体评分、第j个物品实体评分以及平均评分;
S6:将语义相似度和修正余弦相似度进行线性加权融合,得到融合相似度;
融合相似度的公式为:
sim(Ii,Ij)=α·simkg(Ii,Ij)+(1-α)simc(Ii,Ij)
式中,sim(Ii,Ij)为物品实体Ii和物品实体Ij的融合相似度;simkg(Ii,Ij)为语义相似度;simc(Ii,Ij)为修正余弦相似度;α为融合权重;
S7:根据融合相似度和物品评分矩阵,得到第一物品推荐清单和第二物品推荐清单中所有物品的评分,根据评分将物品进行降序排序,选出排名前N个物品,得到最终推荐清单,并将最终推荐清单推荐给用户;
本发明有效地改善了数据稀疏性问题,从多维角度刻画了用户和物品,毫秒级判断出用户的真实意图,具有实时性,使得智能推荐结果更加精准;根据用户历史行为,从知识库中获取物品的相关知识,构建知识图,初始化每个节点和连接的向量表示并确定节点的感受域;将感受域以及样本作为图神经网络模型输入,得到用户和物品发生交互的可能性预测值,将某一用户和所有物品发生交互的可能性预测值进行排序,获得该用户的推荐清单。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所描述的实施例仅仅是示意性的,若涉及到作为分离部件说明的单元,其可以是或者也可以不是物理上分开的;若涉及到作为单元显示的部件,其可以是或者也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域技术人员在不付出创造性的劳动的情况下,即可理解并实施。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于语义关系的智能推荐方法,其特征在于:包括如下步骤:
S1:建立语义关系的知识图谱,所述的知识图谱包括若干物品实体和若干用户实体;
S2:基于语义关系的知识图谱,根据物品属性类别进行划分,得到物品属性类别相应的属性子图;
S3:获取属性子图中物品之间的语义相似度,根据语义相似度获取第一物品推荐清单;
S4:获取购买清单与第一物品推荐清单的相似性符合条件的用户;
S5:获取用户对相应的购买清单中物品的评分信息,根据评分信息建立物品评分矩阵,获取购买清单中物品之间的修正余弦相似度,并根据修正余弦相似度获取第二物品推荐清单;
S6:将语义相似度和修正余弦相似度进行线性加权融合,得到融合相似度;
S7:根据融合相似度和物品评分矩阵,得到第一物品推荐清单和第二物品推荐清单中所有物品的评分,根据评分获取最终推荐清单,并将最终推荐清单推荐给用户。
2.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S3中,获取属性子图中物品之间的语义相似度的具体方法为:基于属性子图,将物品实体表示为实体向量,利用欧几里德公式获取实体向量之间的语义相似度。
3.根据权利要求2所述的一种基于语义关系的智能推荐方法,其特征在于:所述的物品实体的实体向量的公式为:
Ii=(E1i,E2i,...,Edi)T
式中,Ii为物品实体的实体向量;i为物品实体指示量;Edi为第i个物品实体第d维度的值;d为维度总量。
4.根据权利要求2所述的一种基于语义关系的智能推荐方法,其特征在于:所述的语义相似度的欧几里德公式为:
式中,simkg(Ii,Ij)为物品实体Ii和物品实体Ij的语义相似度;i、j为物品实体指示量;为物品实体Ii和物品实体Ij的欧几里得距离;k为维度指示量;d为维度总量;Eki、Ekj为第i个物品实体、第j个物品实体第k维度的值。
5.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S3中,第一物品推荐清单的获取方法为:根据语义相似度将该属性子图中物品进行降序排序,选出排名前K个物品,得到第一物品推荐清单。
6.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S4中,购买清单的物品与第一物品推荐清单的相似性超过阈值,即该购买清单对应的用户为相似性符合条件的用户。
7.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S5中,获取第二物品推荐清单的具体方法为:根据修正余弦相似度将购买清单中物品进行降序排序,选出排名前K个物品,得到第二物品推荐清单。
8.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S5中,修正余弦相似度的公式为:
式中,simc(Ii,Ij)为物品实体Ii和物品实体Ij的修正余弦相似度;i、j为物品实体指示量;Ui,j、Ui、Uj分别为购买过i和j商品的用户、购买过i商品的用户以及购买过j商品的用户;Cu,i、Cu,j、分别为第i个物品实体评分、第j个物品实体评分以及平均评分。
9.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S6中,融合相似度的公式为:
sim(Ii,Ij)=α·simkg(Ii,Ij)+(1-α)simc(Ii,Ij)
式中,sim(Ii,Ij)为物品实体Ii和物品实体Ij的融合相似度;simkg(Ii,Ij)为语义相似度;simc(Ii,Ij)为修正余弦相似度;α为融合权重。
10.根据权利要求1所述的一种基于语义关系的智能推荐方法,其特征在于:所述的步骤S7中,获取最终推荐清单的具体方法为:根据评分将物品进行降序排序,选出排名前N个物品,得到最终推荐清单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032045.7A CN112785372B (zh) | 2021-01-11 | 2021-01-11 | 一种基于语义关系的智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032045.7A CN112785372B (zh) | 2021-01-11 | 2021-01-11 | 一种基于语义关系的智能推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785372A CN112785372A (zh) | 2021-05-11 |
CN112785372B true CN112785372B (zh) | 2023-09-12 |
Family
ID=75756501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032045.7A Active CN112785372B (zh) | 2021-01-11 | 2021-01-11 | 一种基于语义关系的智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836310B (zh) * | 2021-08-04 | 2022-11-29 | 欧冶工业品股份有限公司 | 知识图谱驱动的工业品供应链管理方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004220152A (ja) * | 2003-01-10 | 2004-08-05 | Sharp Corp | 情報推薦装置、情報推薦先の抽出装置、コンピュータプログラム、およびコンピュータ読取可能な記録媒体 |
CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
CN108596712A (zh) * | 2018-03-29 | 2018-09-28 | 深圳大学 | 基于物品序列的单类协同过滤方法、存储介质及服务器 |
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
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 |
WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技(深圳)有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
CN110825971A (zh) * | 2019-11-11 | 2020-02-21 | 辽宁师范大学 | 融合关系挖掘与协同过滤的物品冷启动推荐算法 |
CN111310046A (zh) * | 2020-02-18 | 2020-06-19 | 苏州大学 | 对象推荐方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350832A1 (en) * | 2015-05-29 | 2016-12-01 | Ahold Licensing Sàrl | Method and system for automatically generating recommendations for a client shopping list |
-
2021
- 2021-01-11 CN CN202110032045.7A patent/CN112785372B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004220152A (ja) * | 2003-01-10 | 2004-08-05 | Sharp Corp | 情報推薦装置、情報推薦先の抽出装置、コンピュータプログラム、およびコンピュータ読取可能な記録媒体 |
CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
CN108596712A (zh) * | 2018-03-29 | 2018-09-28 | 深圳大学 | 基于物品序列的单类协同过滤方法、存储介质及服务器 |
WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技(深圳)有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
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 |
CN110825971A (zh) * | 2019-11-11 | 2020-02-21 | 辽宁师范大学 | 融合关系挖掘与协同过滤的物品冷启动推荐算法 |
CN111310046A (zh) * | 2020-02-18 | 2020-06-19 | 苏州大学 | 对象推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
融合语义相似度的协同过滤推荐算法;王根生;潘方正;;中国科学技术大学学报(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785372A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959603B (zh) | 基于深度神经网络的个性化推荐系统及方法 | |
US12032905B2 (en) | Methods and systems for summarization of multiple documents using a machine learning approach | |
Alyari et al. | Recommender systems: A systematic review of the state of the art literature and suggestions for future research | |
US10089364B2 (en) | Item recommendation device, item recommendation method, and computer program product | |
CN108287864B (zh) | 一种兴趣群组划分方法、装置、介质及计算设备 | |
Ghasemi et al. | Neural text similarity of user reviews for improving collaborative filtering recommender systems | |
CN108932342A (zh) | 一种语义匹配的方法、模型的学习方法及服务器 | |
US20210366006A1 (en) | Ranking of business object | |
Zhu et al. | Neural attentive travel package recommendation via exploiting long-term and short-term behaviors | |
Chang et al. | Integrating a semantic-based retrieval agent into case-based reasoning systems: A case study of an online bookstore | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
CN105069103A (zh) | App搜索引擎利用用户评论的方法及系统 | |
CN112948575B (zh) | 文本数据处理方法、装置和计算机可读存储介质 | |
Charron et al. | Extracting semantic information for e-commerce | |
CN113821588A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
Sulthana et al. | Context based classification of Reviews using association rule mining, fuzzy logics and ontology | |
Zhang et al. | SEMA: Deeply learning semantic meanings and temporal dynamics for recommendations | |
CN112785372B (zh) | 一种基于语义关系的智能推荐方法 | |
Nasir et al. | Semantic enhanced Markov model for sequential E-commerce product recommendation | |
Kharrat et al. | Recommendation system based contextual analysis of Facebook comment | |
Manchanda et al. | Distant-supervised slot-filling for e-commerce queries | |
Li et al. | Unsupervised keyword extraction from microblog posts via hashtags | |
Raeesi Vanani et al. | Using text mining algorithms in identifying emerging trends for recommender systems | |
Daradkeh et al. | Lifelong machine learning for topic modeling based on hellinger distance | |
Hemina et al. | A cross-validated fine-tuned gpt-3 as a novel approach to fake news detection |
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 |