CN112861019A - 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 - Google Patents
基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 Download PDFInfo
- Publication number
- CN112861019A CN112861019A CN202110112394.XA CN202110112394A CN112861019A CN 112861019 A CN112861019 A CN 112861019A CN 202110112394 A CN202110112394 A CN 202110112394A CN 112861019 A CN112861019 A CN 112861019A
- Authority
- CN
- China
- Prior art keywords
- course
- user
- courses
- similarity
- hot strength
- 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 36
- 230000000694 effects Effects 0.000 title claims description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于数据挖掘领域,提供了一种基于惩罚课程热力度和用户活跃度的课程推荐方法及系统。其中该方法包括获取用户与课程的对应关系数据;提取课程特征和用户行为数据;基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵;根据相似度矩阵,计算用户对课程的感兴趣程度;找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
Description
技术领域
本发明属于数据挖掘领域,尤其涉及一种基于惩罚课程热力度和用户活跃度的课程推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
信息大爆炸时代来临,用户在面对大量的信息时无法从中迅速获得对自己真正有用的信息。传统的搜索系统需要用户提供明确需求,从用户提供的需求信息出发,继而给用户展现信息,无法针对不同用户的兴趣爱好提供相应的信息反馈服务。推荐系统相比于搜索系统,不需要提供明确需求,便可以为每个用户实现个性化推荐结果,让每个用户更便捷地获取信息。它是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。
智能推荐的方法有很多,常见的推荐技术主要分为两种:基于用户的协同过滤推荐和基于物品的协同过滤推荐。基于用户的协同过滤的基本思想相当简单,基于用户对物品的偏好找到邻居用户,然后将邻居用户喜欢的物品推荐给当前用户。计算上就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度,找到N个邻居后根据邻居的相似度权重以及他们对物品的偏好,预测当前用户没有偏好的未涉及物品,计算得到一个排序的物品列表作为推荐。基于物品的协同过滤推荐的原理和基于用户的原理类似,只是在计算邻居时采用物品本身,而不是从用户的角度,即基于用户对物品的偏好找到相似的物品,然后根据用户的历史偏好推荐相似的物品给他。从计算的角度看,就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度,得到物品的相似物品,根据用户历史的偏好预测当前用户还没有表示偏好的物品,计算得到一个排序的物品列表作为推荐。
相比于基于用户的协同过滤算法,基于物品的协同过滤算法在工业界应用更多,因为基于用户的协同过滤算法主要有两个缺点:随着网站的用户数目越来越大,计算用户数的相似度将会越来越困难,其运算的时间复杂度和空间复杂度基本和用户的增长数成平方关系;基于用户的协同过滤算法很难对推荐结果做出解释。
作为协同过滤算法的推荐系统的重要研究性工作,取得了重要的成果。发明人发现,目前传统协同过滤算法在实际应用中还存在一些问题:任何课程都会产生和热门的课程有很大的相似度,用户多种活动时会对课程相似度的干扰等等,这对于致力于协助用户找到推荐质量较高的课程显然效果不是很好。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种基于惩罚课程热力度和用户活跃度的课程推荐方法及系统,其基于改进的协同过滤算法来进行课程推荐,通过降低热门课程权重,减少用户活动干扰相似度影响,以有效提高推荐质量。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于惩罚课程热力度和用户活跃度的课程推荐方法。
一种基于惩罚课程热力度和用户活跃度的课程推荐方法,包括:
获取用户与课程的对应关系数据;
提取课程特征和用户行为数据;
基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵;
根据相似度矩阵,计算用户对课程的感兴趣程度;
找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
本发明的第二个方面提供一种基于惩罚课程热力度和用户活跃度的课程推荐系统。
一种基于惩罚课程热力度和用户活跃度的课程推荐系统,包括:
数据获取模块,其用于获取用户与课程的对应关系数据;
特征提取模块,其用于提取课程特征和用户行为数据;
相似度矩阵构建模块,其用于基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵;
感兴趣程度计算模块,其用于根据相似度矩阵,计算用户对课程的感兴趣程度;
课程推荐模块,其用于找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于惩罚课程热力度和用户活跃度的课程推荐方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于惩罚课程热力度和用户活跃度的课程推荐方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于惩罚课程热力度和用户活跃度的课程推荐方法及系统,其基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,构建出相似度矩阵,进而计算用户对课程的感兴趣程度,找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户,解决了用户多种活动对课程相似度的干扰的影响,对课程相似度矩阵做归一化处理来有效提高了推荐的多样性和覆盖性。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于惩罚课程热力度和用户活跃度的课程推荐方法流程图;
图2是本发明实施例的信息流转示意图;
图3是本发明实施例的用户课程信息的同现矩阵图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1和图2所示,本实施例提供了一种基于惩罚课程热力度和用户活跃度的课程推荐方法,其具体包括如下步骤:
S101:获取用户与课程的对应关系数据。
本实例包括8656名用户的课程信息构成初始数据集,数据集格式为csv格式,每位用户数据包括用户id和课程id,如表1所示。
表1用户—课程信息表
S102:提取课程特征和用户行为数据。
在本实施例中,课程特征为用户ID,用户行为数据为用户所选择的所有课程ID。
S103:基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵。
其中,传统的课程相似度公式为:
Wij表示课程i和课程j的相似度,分母|N(i)|是喜欢课程i的用户数,而分子|N(i)∩N(j)|是同时喜欢课程i和课程j的用户数。因此,上述公式可以理解为喜欢课程i的用户中有多少比例的用户也喜欢课程j。
假设用户A购买过课程a,b,d,用户B购买过课程b,c,e,用户C对课程购买过c,d课程,用户D购买过课程b,c,d,用户E购买过课程a,d。用户课程关系表,如表2。
表2用户—课程关系表
根据上面用户的行为构建:用户——课程倒排表,例如:课程a被用户A和E购买过,如表3。
表3用户—课程倒排表
根据表3用户——课程倒排表计算同现矩阵,如图3。
根据同现矩阵,结合公式(1)计算课程相似度,进而得出相似度矩阵。
上述公式(1)存在一个问题,如果课程j很热门,很多人都喜欢,那么就会造成所有课程都和j有较高的相似度,因此,为了保证课程之间具有合理的相似度,可对相似度公式(1)进行改进为如下:
通过改进相似度的计算公式,惩罚了课程j的热力度,在一定程度减少了热门课程对相似度带来的影响。
需要惩罚用户的活跃度。若用户活跃度比较低,只买了有限的几门课程,那么这几门课很可能在一个或者两个兴趣范围内,对计算物品相似度比较有用,但是如果有用户买了很多课程,导致其他用户和他的相似度都会很高,干扰算法的推荐质量,所以要降低用户活跃度的权重。
基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度如下:
其中,Wij表示课程i和课程j的相似度,|N(u)|是喜欢课程u的用户数,u是N(i)∩N(j)中的元素,N(i)∩N(j)是同时喜欢课程i和课程j的用户数。
课程相似度的归一化,归一化可以提高推荐的准确率,同时也可以提高推荐的覆盖率和多样性。归一化的课程相似度W′ij为:
使用改进后的公式(2)重新计算课程a-e之间的相似度,降低热门课程a-e的权重;
使用公式(3)降低活跃用户的影响;
结合公式(2)和公式(3)改进算法,得到改进后的相似度矩阵。
通过对相似度矩阵做归一化处理,通过公式(4)计算得到均匀分布的矩阵。
课程之间的相似度关系可以通过相似度矩阵得到,经过上述一系列的公式计算,改变了物品的相似度矩阵,由此经过改进的传统基于物品的协同过滤算法,有效提高了推荐质量。
S104:根据相似度矩阵,计算用户对课程的感兴趣程度。
在得到课程相似度之后,通过下面公式(5)计算用户u对未产生行为的课程j的感兴趣程度。
其中,S(j,k)表示与课程j最相似的k个课程的集合,N(u)表示用户u喜欢的课程集合,Wji是课程j和课程i的相似度,rui表示用户u对课程i的兴趣;若用户u对课程i有过行为,则rui=1。
S105:找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
在其他实施例中,所述基于惩罚课程热力度和用户活跃度的课程推荐方法,还包括:
将用户行为数据按照均匀分布随机划分为M份,挑选一份作为测试集,将剩下的M-1份作为训练集,共进行M次实验,每次都使用不同的测试集,然后将M次实验测出的各个评测指标对应的平均值作为最终的评测指标,通过最终的评测指标与对应设定阈值比较,来判断课程推荐结果是否达到设定要求;其中,M为大于或等于2的正整数。
其中,评测指标包括召回率、准确率和覆盖率。
召回率:描述有多少比例的用户-课程记录包含在最终的推荐列表中。
对用户u推荐N个物品(记为R(u)),令用户u在测试集上喜欢的物品集合为T(u):
准确率:描述最终的推荐列表中有多少比例是发生过的用户-课程记录
覆盖率:反映了推荐算法发掘长尾的能力,覆盖率越高,说明推荐算法越能够将长尾中的物品推荐给用户。
分子部分表示实验中所有被推荐给用户的物品数目(集合去重),分母表示数据集中所有物品的数。
实施例二
本实施例提供了一种基于惩罚课程热力度和用户活跃度的课程推荐系统,其具体包括如下模块:
数据获取模块,其用于获取用户与课程的对应关系数据;
特征提取模块,其用于提取课程特征和用户行为数据;
相似度矩阵构建模块,其用于基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵;
感兴趣程度计算模块,其用于根据相似度矩阵,计算用户对课程的感兴趣程度;
课程推荐模块,其用于找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
此处需要说明的是,本实施例的基于惩罚课程热力度和用户活跃度的课程推荐系统中的各个模块,与实施例一中的基于惩罚课程热力度和用户活跃度的课程推荐方法中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于惩罚课程热力度和用户活跃度的课程推荐方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于惩罚课程热力度和用户活跃度的课程推荐方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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。
本发明是参照根据本发明实施例的方法、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装置。
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装置的制造品,该指令装置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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
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保护范围之内。
Claims (10)
1.一种基于惩罚课程热力度和用户活跃度的课程推荐方法,其特征在于,包括:
获取用户与课程的对应关系数据;
提取课程特征和用户行为数据;
基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵;
根据相似度矩阵,计算用户对课程的感兴趣程度;
找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
2.如权利要求1所述的基于惩罚课程热力度和用户活跃度的课程推荐方法,其特征在于,所述基于惩罚课程热力度和用户活跃度的课程推荐方法,还包括:
将用户行为数据按照均匀分布随机划分为M份,挑选一份作为测试集,将剩下的M-1份作为训练集,共进行M次实验,每次都使用不同的测试集,然后将M次实验测出的各个评测指标对应的平均值作为最终的评测指标,通过最终的评测指标与对应设定阈值比较,来判断课程推荐结果是否达到设定要求;其中,M为大于或等于2的正整数。
3.如权利要求2所述的基于惩罚课程热力度和用户活跃度的课程推荐方法,其特征在于,所述评测指标包括召回率、准确率和覆盖率。
4.如权利要求1所述的基于惩罚课程热力度和用户活跃度的课程推荐方法,其特征在于,所述课程特征为用户ID,用户行为数据为用户所选择的所有课程ID。
8.一种基于惩罚课程热力度和用户活跃度的课程推荐系统,其特征在于,包括:
数据获取模块,其用于获取用户与课程的对应关系数据;
特征提取模块,其用于提取课程特征和用户行为数据;
相似度矩阵构建模块,其用于基于惩罚课程热力度和用户活跃度的协同过滤算法来计算课程相似度并进行归一化,进而构建出相似度矩阵;
感兴趣程度计算模块,其用于根据相似度矩阵,计算用户对课程的感兴趣程度;
课程推荐模块,其用于找到和目标用户历史上感兴趣的课程最相似的课程集合,再根据感兴趣程度从高到低来确定设定数量的课程推荐给用户。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于惩罚课程热力度和用户活跃度的课程推荐方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于惩罚课程热力度和用户活跃度的课程推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112394.XA CN112861019A (zh) | 2021-01-27 | 2021-01-27 | 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112394.XA CN112861019A (zh) | 2021-01-27 | 2021-01-27 | 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861019A true CN112861019A (zh) | 2021-05-28 |
Family
ID=75986015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112394.XA Pending CN112861019A (zh) | 2021-01-27 | 2021-01-27 | 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861019A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407829A (zh) * | 2021-06-16 | 2021-09-17 | 中国联合网络通信集团有限公司 | 在线学习资源推荐方法、装置、设备及存储介质 |
CN115455310A (zh) * | 2022-09-22 | 2022-12-09 | 北京道达天际科技股份有限公司 | 一种基于协同过滤算法的知识推荐方法 |
CN116992155A (zh) * | 2023-09-20 | 2023-11-03 | 江西财经大学 | 一种利用nmf的不同活跃度用户长尾推荐方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及系统 |
CN108664564A (zh) * | 2018-04-13 | 2018-10-16 | 东华大学 | 一种基于物品内容特征的改进协同过滤推荐方法 |
CN108681938A (zh) * | 2018-05-07 | 2018-10-19 | 常熟市第人民医院 | 一种基于差分隐私和用户活跃度的协同过滤Top-N方法 |
-
2021
- 2021-01-27 CN CN202110112394.XA patent/CN112861019A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及系统 |
CN108664564A (zh) * | 2018-04-13 | 2018-10-16 | 东华大学 | 一种基于物品内容特征的改进协同过滤推荐方法 |
CN108681938A (zh) * | 2018-05-07 | 2018-10-19 | 常熟市第人民医院 | 一种基于差分隐私和用户活跃度的协同过滤Top-N方法 |
Non-Patent Citations (4)
Title |
---|
JABAKJI A等: "Improving item-based recommendation accuracy", 《2016 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》 * |
川南烟雨: "推荐算法之基于物品的协调过滤", 《HTTPS://WWW.CNBLOGS.COM/RAINBOWLY/P/12128615.HTML》 * |
张智强等: "基于协同过滤算法的电子商务推荐系统", 《佳木斯大学学报(自然科学版)》 * |
王成等: "基于用户的协同过滤算法的推荐效率和个性化改进", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407829A (zh) * | 2021-06-16 | 2021-09-17 | 中国联合网络通信集团有限公司 | 在线学习资源推荐方法、装置、设备及存储介质 |
CN113407829B (zh) * | 2021-06-16 | 2023-06-27 | 中国联合网络通信集团有限公司 | 在线学习资源推荐方法、装置、设备及存储介质 |
CN115455310A (zh) * | 2022-09-22 | 2022-12-09 | 北京道达天际科技股份有限公司 | 一种基于协同过滤算法的知识推荐方法 |
CN116992155A (zh) * | 2023-09-20 | 2023-11-03 | 江西财经大学 | 一种利用nmf的不同活跃度用户长尾推荐方法与系统 |
CN116992155B (zh) * | 2023-09-20 | 2023-12-12 | 江西财经大学 | 一种利用nmf的不同活跃度用户长尾推荐方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861019A (zh) | 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 | |
Lee et al. | Improving the accuracy of top-n recommendation using a preference model | |
CN106651542B (zh) | 一种物品推荐的方法及装置 | |
CN103678672B (zh) | 一种信息推荐方法 | |
Kumar et al. | Social popularity based SVD++ recommender system | |
Kuo et al. | Application of particle swarm optimization to association rule mining | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN112488863B (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN112800334A (zh) | 一种基于知识图谱和深度学习的协同过滤推荐方法及设备 | |
CN106484777A (zh) | 一种多媒体数据处理方法以及装置 | |
CN108304853B (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN113191838B (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN106846029B (zh) | 基于遗传算法和新型相似度计算策略的协同过滤推荐算法 | |
Yuan et al. | Recommendation by mining multiple user behaviors with group sparsity | |
CN107402961B (zh) | 一种推荐方法及装置,电子设备 | |
CN106294502B (zh) | 一种电子书信息处理方法及装置 | |
CN110209946A (zh) | 基于社交和社群的产品推荐方法、系统和存储介质 | |
Liu et al. | Diverse personalized recommendations with uncertainty from implicit preference data with the Bayesian Mallows model | |
Wang et al. | Decomposition based multiobjective evolutionary algorithm for collaborative filtering recommender systems | |
Salehi | An effective recommendation based on user behaviour: a hybrid of sequential pattern of user and attributes of product | |
McNamara et al. | Predicting high impact academic papers using citation network features | |
Puntheeranurak et al. | An Item-based collaborative filtering method using Item-based hybrid similarity |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
RJ01 | Rejection of invention patent application after publication |