CN112955883B - 应用推荐方法、装置、服务器和计算机可读存储介质 - Google Patents
应用推荐方法、装置、服务器和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112955883B CN112955883B CN201880099097.2A CN201880099097A CN112955883B CN 112955883 B CN112955883 B CN 112955883B CN 201880099097 A CN201880099097 A CN 201880099097A CN 112955883 B CN112955883 B CN 112955883B
- Authority
- CN
- China
- Prior art keywords
- class
- application
- matrix
- scoring matrix
- 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.)
- Active
Links
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种应用推荐方法,包括:获取用户标识对应各个应用的评分矩阵;根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度;及根据类感兴趣度确定各个用户标识对应的目标推荐应用。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种应用推荐方法、装置、服务器和非易失性计算机可读存储介质。
背景技术
随着计算机技术的发展,越来越多的不同类型的应用出现,如即时通信应用、图像处理应用、视频播放应用等,给人们的生活带来便捷。
传统的应用推荐方法根据用户当时下载应用进行推荐,推荐的应用的类别和功能都是和用户要下载的应用具有较高的相似性,这种推荐方式单一,很容易导致无效的推荐,推荐转化率很低。
发明内容
本申请实施例提供一种应用推荐方法、装置、服务器和非易失性计算机可读存储介质,可以通过自构建聚类算法进行应用推荐,推荐的应用的种类和功能多样化,提高推荐转化率。
一种应用推荐方法,包括:
获取用户标识对应各个应用的评分矩阵;
根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将所述评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;
根据所述扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将所述对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;
根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;
根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;及
根据所述类感兴趣度确定各个用户标识对应的目标推荐应用。
一种应用推荐装置,包括:
评分矩阵获取模块,用于获取用户标识对应各个应用的评分矩阵;
扩展评分矩阵模块,用于根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将所述评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;
类评分矩阵转化模块,用于根据所述扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将所述对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;
类关联矩阵确定模块,用于根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;
类感兴趣度确定模块,用于根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;
推荐应用模块,用于根据所述类感兴趣度确定各个用户标识对应的目标推荐应用。
一种服务器,包括存储器和处理器,所述存储器中储存有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行以下步骤:
获取用户标识对应各个应用的评分矩阵;
根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将所述评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;
根据所述扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将所述对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;
根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;
根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;
根据所述类感兴趣度确定各个用户标识对应的目标推荐应用。
一种非易失性计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令被处理器执行时,使得所述处理器执行以下步骤:
获取用户标识对应各个应用的评分矩阵;
根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将所述评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;
根据所述扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将所述对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;
根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;
根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;
根据所述类感兴趣度确定各个用户标识对应的目标推荐应用。
上述应用推荐方法、装置、服务器和非易失性计算机可读存储介质,获取用户标识对应各个应用的评分矩阵,根据评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与各个用户标识对应的用户类标签组合形成扩展评分矩阵,根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵,根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度,根据类感兴趣度确定各个用户标识对应的目标推荐应用,通过自构建聚类算法进行应用推荐,生成的聚类里面应用的种类和功能多样化,推荐的应用的种类和功能更加丰富,提高推荐转化率。
附图说明
为了更好地描述和说明这里公开的那些申请的实施例和/或示例,可以参考一幅或多幅附图。用于描述附图的附加细节或示例不应当被认为是对所公开的发明、目前描述的实施例和/或示例以及目前理解的这些申请的最佳模式中的任何一者的范围的限制。
图1为一个实施例中应用推荐方法的应用环境示意图。
图2为一个实施例中应用推荐方法的流程图。
图3为一个实施例中应用推荐装置的结构框图。
图4为一个实施例中类评分矩阵转化模块的结构框图。
图5为一个实施例中服务器的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请实施例中所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一控件称为第二控件,第一控件和第二控件两者都是控件,但其不是同一控件。
图1为一个实施例中应用推荐方法的应用环境图。如图1所示,该应用环境包括移动设备110和服务器120,移动设备110从服务器120下载各个应用,并对各个应用进行评分,服务器记录用户标识对应各个应用的评分矩阵,根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;根据类感兴趣度确定各个用户标识对应的目标推荐应用,获取移动设备110对应的当前用户标识,获取当前用户标识对应的当前目标推荐应用,从而将当前目标推荐应用推荐至移动设备110。其中移动设备110可为智能手机、平板电脑、穿戴式设备、个人数字助理等。服务器可以是单个服务器也可以是服务器集群,移动设备110和服务器120通过网络进行通信。
图2为一个实施例中应用推荐方法的流程图。如图2所示,一种应用推荐方法,以应用于图1中的服务器上为例进行说明,具体包括:
操作202,获取用户标识对应各个应用的评分矩阵。
其中,评分矩阵中的元素是用户标识对应的各个用户对各个应用的评分。通过以下表示:
矩阵R的行数代表用户的数量,共N个用户,矩阵R的列数代表应用的个数,共M个应用。
具体地,各个用户对各个应用的评分是用户下载应用后,根据对应用的使用等进行的评分,如根据应用商店中用户下载评价应用的行为得到的,体现了用户对应用的感兴趣度和满意度。随着用户对应用评分的行为的更新,评分矩阵也会对应更新。
操作204,根据评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与各个用户标识对应的用户类标签组合形成扩展评分矩阵。
其中,自构建聚类不需要提前输入生成聚类的数目。每个聚类的特征通过一个衡量均值和标准差的隶属度函数来体现,当处理完所有待聚类对象后,会自动得到聚类数目,不需要用户提前规定聚类的数目,很大程度上减少了试错的成本,准确度高,根据用户对应用的评分来确定用户之间的相似性。用户类标签是用户对应的聚类对应的标签,相同用户类标签的用户具有一定的相似性。
设Ri=ri1,ri2,…,riM,1≤i≤N,R={Ri|1≤i≤N},我们对评分矩阵R运用自构建聚类算法,假设得到z个聚类,分别记为G1,G2,…,Gz,每个聚类标记为一个独特的用户类标签,分别标记为c1,c2,…,cz。对所有属于聚类Gj的用户,我们为其标记的用户类标签为cj。处理完类标签后,我们将原始数据集合评分矩阵R扩展为扩展评分矩阵R′,它有N个条目,分别是(R1,y1),(R2,y2),…(RN,yN),yi∈{c1,c2,…,cz},1≤i≤N。
操作206,根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵。
具体地,根据扩展评分矩阵构造出适用于自构建聚类算法的特征模式,然后根据特征模式利用自构建聚类算法对应用进行聚类得到目标聚类集合,以降低维度。不同聚类中的应用差异较大,同一聚类中的应用相似。
根据各个应用与目标聚类集合中各个应用聚类的关系,计算得到类转化矩阵,从而将评分矩阵与类转化矩阵进行矩阵运算得到用户标识对应于各个应用聚类的类评分矩阵。利用应用聚类来降低原始数据集评分矩阵R的维度,从而降低算法的时间复杂度,并且利用降维后的矩阵为下一步运算做准备。
操作208,根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵。
具体地,类关联矩阵的元素是任意两个应用聚类之间的传播影响度,传播影响度是指从一个应用关联到另一个应用的影响力大小,如从一个应用有向转移使用另一个应用的可能度,从一个应用跳转到另一个应用的可能度等。可以根据用户对不同应用聚类的类评分大小关系计算应用聚类之间的转移关系,具体的计算方法可自定义。传播影响度的值大,表明鼓励用户从不太有利的节点转到更有利的节点,其中节点指应用聚类。类关联矩阵又可以称为类关联图。在一个实施例中,应用聚类为商品类,类关联矩阵为商品类关联图。
操作210,根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度。
具体地,类感兴趣度是指用户标识对应的用户对某个应用聚类的感兴趣程度,感兴趣程度越大,越容易使用这个应用聚类对应的应用。可通过迭代的方式根据类关联矩阵和类评分矩阵不断更新初始类感兴趣度,直到满足收敛条件,得到各个用户标识对应的目标类感兴趣度。在一个实施例中,利用随机游走策略来预测用户对应用聚类的感兴趣度。
操作212,根据类感兴趣度确定各个用户标识对应的目标推荐应用。
具体地,通过类感兴趣度确定各个用户对不同应用聚类的感兴趣度,然后获取各个应用相对于不同应用聚类的贡献值,计算用户在各个不同的应用聚类中对某个应用的喜好程度,从而根据喜好程度的大小为用户确定对应的目标推荐应用。
上述应用推荐方法,通过获取用户标识对应各个应用的评分矩阵,根据评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与各个用户标识对应的用户类标签组合形成扩展评分矩阵,根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵,根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度,根据类感兴趣度确定各个用户标识对应的目标推荐应用,通过自构建聚类算法进行应用推荐,生成的聚类里面应用的种类和功能多样化,推荐的应用的种类和功能更加丰富,提高了推荐转化率。
在一个实施例中,操作206包括:根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵。对特征模式矩阵采用强连通分量算法对各个应用进行聚类,得到目标聚类集合。计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵。根据类转化矩阵对评分矩阵进行转化得到类评分矩阵。
Bi=[bi1 bi2 … biq],1≤i≤N (4.16)
我们将B中的每一列称为一个应用聚类,分别记为g1,g2,…,gq。由此,原来具有M个应用评分的用户记录降维成对q个应用聚类的评分。
在一个实施例中,操作208包括:根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度;各个有向转移度组成类关联矩阵。
具体地,根据用户对应用聚类的不同的类评分的大小,确定任意两个应用聚类之间的有向转移度,可自定义算法,有向转移度是指从一个应用转移至另一个应用的可能度,这种可能度是有方向的。可以设置有向转移度较大来鼓励用户从不太有利的应用聚类转到更有利的应用聚类,但是,如果wij太大,那么一些应用聚类就占据了主导地位,它会阻碍其他应用聚类的推荐,所以为了防止其他应用聚类受到歧视和得到更正确推荐,为有向转移度设定上限值。各个有向转移度组成类关联矩阵,可以通过归一化算法对类关联矩阵的列进行归一化。
在一个实施例中,根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度通过以下公式计算得到:
其中wij表示从i应用聚类转移至j应用聚类的有向转移度,bki表示第k个用户对i应用聚类的评分,bkj表示第k个用户对j应用聚类的评分,N表示用户总数量,其中a1、a2表示变量。当任意两个应用聚类之间的有向转移度计完毕后,我们得到类关联矩阵W:
矩阵W为q×q矩阵。
在一个实施例中,操作210包括:确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量,根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛,得到各个用户标识对应的目标类感兴趣度向量,根据目标类感兴趣度向量得到各个用户标识对应各个应用聚类的类感兴趣度。
具体地,用户标识对应各个应用聚类的初始类感兴趣度可自定义,可以为相同或不同的常量。根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新时,可以设置类评分矩阵对应的更新权重α,类关联矩阵对应的更新权重(1-α),更新权重代表了对初始类感兴趣度向量进行更新的影响度大小。初始类感兴趣度向量Vi(t)更新后得到Vi(t+1),直至各个用户标识对应的类感兴趣度向量收敛,收敛条件可自定义。目标类感兴趣度向量的各个元素就是各个用户标识对应各个应用聚类的类感兴趣度。
在一个实施例中,确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量,包括:
对任一用户标识ui,1≤i≤N,通过vi(0)=[1/q 1/q … 1/q]T得到用户标识ui对应的初始类感兴趣度向量vi(0),其中q为目标聚类的类别总数目。
根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛包括:
执行如下迭代步骤,直至vi收敛;
Vi(t+1)=αWVi(t)+(1-α)Bi T,t=0,1,2,…其中t表示迭代次数,为整数,W表示类关联矩阵,Bi表示用户标识ui对应各个应用聚类的类评分组成的应用聚类评分向量,α∈[0,1]是自定义的一个常数。在一个实施例中,α取0.85。
在一个实施例中,操作212,包括:根据类转化矩阵确定各个应用xj对目标聚类集合中的各个目标聚类Gm的隶属度tjm,其中q为目标聚类的类别总数目,其中1≤m≤q,根据公式计算得到用户标识ui对应应用xj的喜好程度Si[j],其中Vi[m]表示用户标识ui对应应用聚类m的类感兴趣度;根据Si[j]确定各个用户标识对应的目标推荐应用。
具体的,类转化矩阵的元素就是各个应用xj对目标聚类集合中的各个应用聚类Gm的隶属度tjm,隶属度tjm是应用xj对应用聚类gm的贡献值,tjmVi[m]表示用户标识ui在应用聚类gm中对应用xj的喜好程度,累加得出用户标识ui对应应用xj的喜好程度,根据用户标识ui对应应用xj的喜好程度大小,得到各个用户标识ui对应的目标推荐应用。
在一个实施例中,根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵,包括:每个应用pj,1≤j≤M,构造一个特征模式Xj=xj1,xj2,…,xjz,其中 M为应用的总数目,z为用户标识聚类后的聚类总数,每个特征模式具有z个分量;
在一个实施例中,计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵包括:通过计算第i个应用对目标聚类集合中的第j个应用聚类的隶属度tij,其中1≤i≤M,1≤j≤q,M为应用的总数目,q为应用聚类的类别总数目;其中
其中mjc表示Gj的平均值,σjc表示Gj的标准差。如果隶属度不小于预定义的阈值σ,我们就说Xi通过了聚类Gj的相似度检测。较大的σ导致较小的聚类,较小的σ导致较大的聚类。随着σ的增加,聚类的数目也会增加。
在一个实施例中,获取用户标识对应各个应用的评分矩阵之后,还包括:对所述评分矩阵进行归一化处理。
具体地,根据用户对商品的评分来确定用户之间的相似性。但是,不同的用户个体有着不同的个性,他们在对商品进行评分的时候有着不同的个性表现。有的用户对商品的打分往往比较偏高;有的用户对商品的打分往往比较偏低。把用户的评分看做为一个波形,此时如果两个用户的波形整体比较紧密匹配,除了两个波形之间的某个偏移之处,就认为这两个用户是相似的。因此,对评分矩阵中用户对各个应用的评分先利用以下公式进行归一化,消除用户评分尺度不同的问题:
其中M表示应用总数目,N表示用户标识总数目。xij为归一化后的评分矩阵中的各个元素,rij为归一化前评分矩阵中的各个元素。
在一个实施例中,方法还包括:获取当前用户标识对应的输入的搜索应用,计算搜索应用对应各个应用聚类的隶属度;根据隶属度大小确定目标应用聚类,从目标应用聚类中获取对应的第一推荐应用集合;获取当前用户标识对应的当前目标推荐应用;将第一推荐应用集合和当前目标推荐应用推荐至当前用户标识对应的终端。
具体地,根据隶属度大小确定目标应用聚类,可以将隶属度进行排序,从中选出隶属度最高的前预设数目的应用聚类作为目标应用聚类,如5个。从每个目标应用聚类中选择一个或多个目标应用作为第一推荐应用集合中的应用,如从5个目标应用聚类中,每个目标应用聚类选取1个应用。因为得到的应用聚类中的应用不是按种类分别,是按关联性,如照片应用-视频剪辑应用-社交平台应用,可能在一个应用聚类中,因此得到的第一推荐应用集合中的应用的种类和功能都具有多样性。获取当前用户标识对应的根据上述任一实施例得到的当前目标推荐应用,可以直接将第一推荐应用集合和当前目标推荐应用推荐至当前用户标识对应的终端,也可以将第一推荐应用集合和从当前目标推荐应用中选择预设数目个,如前5个和目前用户搜索应用所属聚类标签最接近的应用推荐至当前用户标识对应的终端,进一步提高推荐转化率。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例还提供了一种服务器。该服务器,包括存储器和处理器,该存储器中储存有计算机可读指令,该计算机可读指令被该处理器执行时,使得该处理器执行以下步骤:获取用户标识对应各个应用的评分矩阵;根据评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与各个用户标识对应的用户类标签组合形成扩展评分矩阵;根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度;根据类感兴趣度确定各个用户标识对应的目标推荐应用。
在一个实施例中,根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,包括:根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵,对特征模式矩阵采用强连通分量算法对各个应用进行聚类,得到目标聚类集合;计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵;根据类转化矩阵对评分矩阵进行转化得到类评分矩阵。
在一个实施例中,根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵,包括:根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度;各个有向转移度组成类关联矩阵。
在一个实施例中,根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度通过以下公式计算得到:
其中wij表示从i应用聚类转移至j应用聚类的有向转移度,bki表示第k个用户对i应用聚类的评分,bkj表示第k个用户对j应用聚类的评分,N表示用户总数量,其中a1、a2表示变量。
在一个实施例中,根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度,包括:确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量;根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛,得到各个用户标识对应的目标类感兴趣度向量;根据目标类感兴趣度向量得到各个用户标识对应各个应用聚类的类感兴趣度。
在一个实施例中,确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量,包括:对任一用户标识ui,1≤i≤N,通过vi(0)=[1/q 1/q … 1/q]T得到用户标识ui对应的初始类感兴趣度向量vi(0),其中q为目标聚类的类别总数目。
根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛包括:
执行如下迭代步骤,直至vi收敛;
Vi(t+1)=αWVi(t)+(1-α)Bi T,t=0,1,2,…其中t表示迭代次数,为整数,W表示类关联矩阵,Bi表示用户标识ui对应各个应用聚类的类评分组成的应用聚类评分向量,α∈[0,1]是自定义的一个常数。
在一个实施例中,根据类感兴趣度确定各个用户标识对应的目标推荐应用,包括:根据类转化矩阵确定各个应用xj对目标聚类集合中的各个应用聚类Gm的隶属度tjm,其中q为目标聚类的类别总数目,其中1≤m≤q;根据公式计算得到用户标识ui对应应用xj的喜好程度Si[j],其中Vi[m]表示用户标识ui对应应用聚类m的类感兴趣度;根据Si[j]确定各个用户标识对应的目标推荐应用。
在一个实施例中,根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵,包括:每个应用pj,1≤j≤M,构造一个特征模式Xj=xj1,xj2,…,xjz,其中 M为应用的总数目,z为用户标识聚类后的聚类总数,每个特征模式具有z个分量;
在一个实施例中,计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵包括:通过计算第i个应用对目标聚类集合中的第j个应用聚类的隶属度tij,其中1≤i≤M,1≤j≤q,M为应用的总数目,q为应用聚类的类别总数目;
在一个实施例中,处理器执行以下步骤:对所述评分矩阵进行归一化处理。
在一个实施例中,处理器执行以下步骤:获取当前用户标识对应的输入的搜索应用;计算搜索应用对应所述各个应用聚类的隶属度;根据隶属度大小确定目标应用聚类,从目标应用聚类中获取对应的第一推荐应用集合;获取当前用户标识对应的当前目标推荐应用;将第一推荐应用集合和当前目标推荐应用推荐至当前用户标识对应的终端。
图3为一个实施例中应用推荐装置的结构框图。如图3所示,一种应用推荐装置,包括评分矩阵获取模块302、扩展评分矩阵模块304、类评分矩阵转化模块306、类关联矩阵确定模块308、类感兴趣度确定模块310和推荐应用模块312。其中:
评分矩阵获取模块302,用于获取用户标识对应各个应用的评分矩阵。
扩展评分矩阵模块304,用于根据评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与各个用户标识对应的用户类标签组合形成扩展评分矩阵。
类评分矩阵转化模块306,用于根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵。
类关联矩阵确定模块308,用于根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵。
类感兴趣度确定模块310,用于根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度。
推荐应用模块312,用于根据类感兴趣度确定各个用户标识对应的目标推荐应用。
在一个实施例中,如图4所示,类评分矩阵转化模块306包括:
特征模式矩阵形成单元306A,用于根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵。
聚类单元306B,用于对特征模式矩阵采用强连通分量算法对各个应用进行聚类,得到目标聚类集合。
类转化矩阵单元306C,用于计算各个应用对目标聚类集合中的各个目标聚类的隶属度,组成类转化矩阵。
类评分矩阵单元306D,用于根据类转化矩阵对评分矩阵进行转化得到类评分矩阵。
在一个实施例中,类关联矩阵确定模块308还用于根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度;各个有向转移度组成类关联矩阵。
在一个实施例中,类关联矩阵确定模块308用于通过以下公式计算得到有向转移度:
其中wij表示从i应用聚类转移至j应用聚类的有向转移度,bki表示第k个用户对i应用聚类的评分,bkj表示第k个用户对j应用聚类的评分,N表示用户总数量,其中a1、a2表示变量。
在一个实施例中,类感兴趣度确定模块310还用于确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量,根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛,得到各个用户标识对应的目标类感兴趣度向量,根据目标类感兴趣度向量得到各个用户标识对应各个应用聚类的类感兴趣度。
在一个实施例中,类感兴趣度确定模块310还用于对任一用户标识ui,1≤i≤N,通过vi(0)=[1/q 1/q … 1/q]T得到用户标识ui对应的初始类感兴趣度向量vi(0),其中q为目标聚类的类别总数目;执行如下迭代步骤,直至vi收敛;Vi(t+1)=αWVi(t)+(1-α)Bi T,t=0,1,2,…其中t表示迭代次数,为整数,W表示类关联矩阵,Bi表示用户标识ui对应各个应用聚类的类评分组成的应用聚类评分向量,α∈[0,1]是自定义的一个常数。
在一个实施例中,推荐应用模块312还用于根据类转化矩阵确定各个应用xj对目标聚类集合中的各个应用聚类Gm的隶属度tjm,其中q为目标聚类的类别总数目,其中1≤m≤q;根据公式计算得到用户标识ui对应应用xj的喜好程度Si[j],其中Vi[m]表示用户标识ui对应应用聚类m的类感兴趣度;根据Si[j]确定各个用户标识对应的目标推荐应用。
在一个实施例中,特征模式矩阵形成单元306A还用于每个应用pj,1≤j≤M,构造一个特征模式Xj=xj1,xj2,…,xjz,其中 M为应用的总数目,z为用户标识聚类后的聚类总数,每个特征模式具有z个分量;其中yd表示第d个用户标识对应的用户类标签,ck表示对用户标识进行聚类得到的用户类标签,1≤d≤N,N为用户标识总数目。
在一个实施例中,评分矩阵获取模块302还用于对评分矩阵进行归一化处理。
在一个实施例中,装置还包括:
搜索推荐模块,用于获取当前用户标识对应的输入的搜索应用,计算搜索应用对应各个应用聚类的隶属度;根据隶属度大小确定目标应用聚类,从所述目标应用聚类中获取对应的第一推荐应用集合,获取当前用户标识对应的当前目标推荐应用,将第一推荐应用集合和当前目标推荐应用推荐至当前用户标识对应的终端。
本申请实施例中提供的应用推荐装置中的各个模块的实现可为计算机可读指令的形式。该计算机可读指令可在终端或服务器上运行。该计算机可读指令构成的程序模块可存储在终端或服务器的存储器上。该计算机可读指令被处理器执行时,实现本申请实施例中所描述方法的步骤。
图5为一个实施例中服务器的内部结构示意图。如图5所示,该服务器包括通过系统总线连接的处理器和存储器。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机可读指令。该计算机可读指令可被处理器所执行,以用于实现以上各个实施例所提供的一种应用推荐方法。内存储器为非易失性存储介质中的操作系统计算机可读指令提供高速缓存的运行环境。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请实施例中,该服务器所包括的处理器执行存储在存储器上的计算机可读指令时实现应用推荐方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可读指令的非易失性计算机可读存储介质,该计算机可读指令被处理器执行时实现以下步骤:获取用户标识对应各个应用的评分矩阵;根据评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将评分矩阵与各个用户标识对应的用户类标签组合形成扩展评分矩阵;根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵;根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;根据类关联矩阵和类评分矩阵确定各个用户标识对应的类感兴趣度;根据类感兴趣度确定各个用户标识对应的目标推荐应用。
在一个实施例中,根据扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,包括:根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵,对特征模式矩阵采用强连通分量算法对各个应用进行聚类,得到目标聚类集合;计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵;根据类转化矩阵对评分矩阵进行转化得到类评分矩阵。
在一个实施例中,根据类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵,包括:根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度;各个有向转移度组成类关联矩阵。
在一个实施例中,根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度通过以下公式计算得到:
其中wij表示从i应用聚类转移至j应用聚类的有向转移度,bki表示第k个用户对i应用聚类的评分,bkj表示第k个用户对j应用聚类的评分,N表示用户总数量,其中a1、a2表示变量。
在一个实施例中,根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度,包括:确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量;根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛,得到各个用户标识对应的目标类感兴趣度向量;根据目标类感兴趣度向量得到各个用户标识对应各个应用聚类的类感兴趣度。
在一个实施例中,确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量,包括:对任一用户标识ui,1≤i≤N,通过vi(0)=[1/q 1/q … 1/q]T得到用户标识ui对应的初始类感兴趣度向量vi(0),其中q为目标聚类的类别总数目。
根据类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛包括:
执行如下迭代步骤,直至vi收敛;
Vi(t+1)=αWVi(t)+(1-α)Bi T,t=0,1,2,…其中t表示迭代次数,为整数,W表示类关联矩阵,Bi表示用户标识ui对应各个应用聚类的类评分组成的应用聚类评分向量,α∈[0,1]是自定义的一个常数。
在一个实施例中,根据类感兴趣度确定各个用户标识对应的目标推荐应用,包括:根据类转化矩阵确定各个应用xj对目标聚类集合中的各个应用聚类Gm的隶属度tjm,其中q为目标聚类的类别总数目,其中1≤m≤q;根据公式计算得到用户标识ui对应应用xj的喜好程度Si[j],其中Vi[m]表示用户标识ui对应应用聚类m的类感兴趣度;根据Si[j]确定各个用户标识对应的目标推荐应用。
在一个实施例中,根据扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵,包括:每个应用pj,1≤j≤M,构造一个特征模式Xj=xj1,xj2,…,xjz,其中 M为应用的总数目,z为用户标识聚类后的聚类总数,每个特征模式具有z个分量;
在一个实施例中,计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵包括:通过计算第i个应用对目标聚类集合中的第j个应用聚类的隶属度tij,其中1≤i≤M,1≤j≤q,M为应用的总数目,q为应用聚类的类别总数目;
在一个实施例中,该计算机可读指令被处理器执行:对所述评分矩阵进行归一化处理。
在一个实施例中,该计算机可读指令被处理器执行:获取当前用户标识对应的输入的搜索应用;计算搜索应用对应所述各个应用聚类的隶属度;根据隶属度大小确定目标应用聚类,从目标应用聚类中获取对应的第一推荐应用集合;获取当前用户标识对应的当前目标推荐应用;将第一推荐应用集合和当前目标推荐应用推荐至当前用户标识对应的终端。
本申请实施例还提供一种计算机可读指令产品。一种包含指令的计算机可读指令产品,当其在计算机上运行时,使得计算机执行应用推荐方法。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的程序可存储于一非易失性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,本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种应用推荐方法,其特征在于,包括:
获取用户标识对应各个应用的评分矩阵;
根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将所述评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;
根据所述扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将所述对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,包括:根据所述扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵;对所述特征模式矩阵采用强连通分量算法对各个应用进行聚类,得到目标聚类集合;计算各个应用对目标聚类集合中的各个应用聚类的隶属度,组成类转化矩阵;根据所述类转化矩阵对所述评分矩阵进行转化得到所述类评分矩阵;
根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;
根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;及
根据所述类感兴趣度确定各个用户标识对应的目标推荐应用。
2.根据权利要求1所述的方法,其特征在于,所述构建的算法自定义。
3.根据权利要求1所述的方法,其特征在于,所述根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵,包括:
根据应用聚类对应的类评分计算任意两个应用聚类之间的有向转移度;
各个有向转移度组成所述类关联矩阵。
5.根据权利要求1所述的方法,其特征在于,所述根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度,包括:
确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量;
根据所述类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛,得到各个用户标识对应的目标类感兴趣度向量;
根据所述目标类感兴趣度向量得到各个用户标识对应各个应用聚类的类感兴趣度。
6.根据权利要求5所述的方法,其特征在于,所述确定各个用户标识对应各个应用聚类的初始类感兴趣度,形成各个用户标识对应的初始类感兴趣度向量,包括:
对任一用户标识ui,1≤i≤N,通过vi(0)=[1/q 1/q … 1/q]T得到用户标识ui对应的初始类感兴趣度向量vi(0),其中q为目标聚类的类别总数目;
所述根据所述类评分矩阵和类关联矩阵对各个用户标识对应的初始类感兴趣度向量进行更新,直至各个用户标识对应的类感兴趣度向量收敛包括:
执行如下迭代步骤,直至vi收敛;
vi(t+1)=αWvi(t)+(1-α)Bi T,t=0,1,2,…其中t表示迭代次数,为整数,W表示类关联矩阵,Bi表示用户标识ui对应各个应用聚类的类评分组成的应用聚类评分向量,α∈[0,1]是自定义的一个常数。
10.根据权利要求1所述的方法,其特征在于,所述获取用户标识对应各个应用的评分矩阵之后,还包括:对所述评分矩阵进行归一化处理。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取当前用户标识对应的输入的搜索应用;
计算所述搜索应用对应所述各个应用聚类的隶属度;
根据隶属度大小确定目标应用聚类,从所述目标应用聚类中获取对应的第一推荐应用集合;
获取所述当前用户标识对应的当前目标推荐应用;
将所述第一推荐应用集合和所述当前目标推荐应用推荐至所述当前用户标识对应的终端。
12.一种应用推荐装置,其特征在于,包括:
评分矩阵获取模块,用于获取用户标识对应各个应用的评分矩阵;
扩展评分矩阵模块,用于根据所述评分矩阵利用自构建聚类算法对用户标识进行聚类,得到各个用户标识对应的用户类标签,将所述评分矩阵与所述各个用户标识对应的用户类标签组合形成扩展评分矩阵;
类评分矩阵转化模块,用于根据所述扩展评分矩阵利用自构建聚类算法对各个应用进行聚类,将所述对应各个应用的评分矩阵转化为对应各个应用聚类的类评分矩阵,类评分矩阵转化模块包括:特征模式矩阵形成单元,用于根据所述扩展评分矩阵构建各个应用对应的特征模式组成特征模式矩阵;聚类单元,用于对所述特征模式矩阵采用强连通分量算法对各个应用进行聚类,得到目标聚类集合;类转化矩阵单元,用于计算各个应用对目标聚类集合中的各个目标聚类的隶属度,组成类转化矩阵;类评分矩阵单元,用于根据所述类转化矩阵对所述评分矩阵进行转化得到所述类评分矩阵;
类关联矩阵确定模块,用于根据所述类评分矩阵计算应用聚类之间的转移关系得到类关联矩阵;
类感兴趣度确定模块,用于根据所述类关联矩阵和所述类评分矩阵确定各个用户标识对应的类感兴趣度;
推荐应用模块,用于根据所述类感兴趣度确定各个用户标识对应的目标推荐应用。
13.根据权利要求12所述的装置,其特征在于,所述特征模式矩阵形成单元中构建的算法自定义。
14.一种服务器,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行权利要求1至11中任一项权利要求所述方法的步骤。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时,使得所述处理器执行权利要求1至11中任一项权利要求所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/125553 WO2020133398A1 (zh) | 2018-12-29 | 2018-12-29 | 应用推荐方法、装置、服务器和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112955883A CN112955883A (zh) | 2021-06-11 |
CN112955883B true CN112955883B (zh) | 2023-03-21 |
Family
ID=71126150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880099097.2A Active CN112955883B (zh) | 2018-12-29 | 2018-12-29 | 应用推荐方法、装置、服务器和计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112955883B (zh) |
WO (1) | WO2020133398A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633977A (zh) * | 2020-12-22 | 2021-04-09 | 苏州斐波那契信息技术有限公司 | 一种基于用户行为的评分方法、装置计算机设备及存储介质 |
CN113704608A (zh) * | 2021-08-26 | 2021-11-26 | 武汉卓尔数字传媒科技有限公司 | 个性化项目推荐方法、装置、电子设备及存储介质 |
CN113674065B (zh) * | 2021-08-30 | 2023-09-22 | 中国平安人寿保险股份有限公司 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
WO2023096501A1 (en) * | 2021-11-24 | 2023-06-01 | Xero Limited | Methods and systems for building and/or using a graph data structure |
CN114417138B (zh) * | 2021-12-27 | 2024-04-02 | 海信集团控股股份有限公司 | 一种健康信息推荐方法和设备 |
CN114970775B (zh) * | 2022-07-29 | 2023-04-18 | 国家国防科技工业局军工项目审核中心 | 基于聚类的军工集团人员信息标签化方法 |
WO2024130551A1 (en) * | 2022-12-20 | 2024-06-27 | Siemens Aktiengesellschaft | Method, apparatus, electronic device, and storage medium for recommending an application |
CN116089732B (zh) * | 2023-04-11 | 2023-07-04 | 江西时刻互动科技股份有限公司 | 基于广告点击数据的用户偏好识别方法及系统 |
CN117078359B (zh) * | 2023-10-16 | 2024-01-12 | 山东大学 | 基于用户群分类的产品推荐方法、系统、设备及介质 |
CN117892010B (zh) * | 2024-03-14 | 2024-05-24 | 江西省博库信息技术有限公司 | 一种基于大数据的科普知识精准推送方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
CN108647724A (zh) * | 2018-05-11 | 2018-10-12 | 国网电子商务有限公司 | 一种基于模拟退火算法的用户推荐方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140379516A1 (en) * | 2013-06-19 | 2014-12-25 | Thomson Licensing | Context based recommender system |
CN103678618B (zh) * | 2013-12-17 | 2017-01-25 | 南京大学 | 一种基于社交网络平台的Web服务推荐方法 |
CN104050258B (zh) * | 2014-06-15 | 2017-02-15 | 中国传媒大学 | 一种基于兴趣群组的群体推荐方法 |
EP2960849A1 (en) * | 2014-06-26 | 2015-12-30 | Deutsche Telekom AG | Method and system for recommending an item to a user |
CN106326297B (zh) * | 2015-07-01 | 2020-12-29 | 北京搜狗科技发展有限公司 | 一种应用程序推荐方法及装置 |
CN105095477A (zh) * | 2015-08-12 | 2015-11-25 | 华南理工大学 | 一种基于多指标评分的推荐算法 |
CN108984551A (zh) * | 2017-05-31 | 2018-12-11 | 广州智慧城市发展研究院 | 一种基于多类别联合软聚类的推荐方法及系统 |
CN107944485B (zh) * | 2017-11-17 | 2020-03-06 | 西安电子科技大学 | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 |
CN108197215A (zh) * | 2017-12-28 | 2018-06-22 | 努比亚技术有限公司 | 一种推荐方法、服务器及计算机可读存储介质 |
CN108197285A (zh) * | 2018-01-15 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法以及装置 |
CN108776919B (zh) * | 2018-05-31 | 2021-07-20 | 西安电子科技大学 | 基于聚类及进化算法构建信息核的物品推荐方法 |
-
2018
- 2018-12-29 CN CN201880099097.2A patent/CN112955883B/zh active Active
- 2018-12-29 WO PCT/CN2018/125553 patent/WO2020133398A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
CN108647724A (zh) * | 2018-05-11 | 2018-10-12 | 国网电子商务有限公司 | 一种基于模拟退火算法的用户推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112955883A (zh) | 2021-06-11 |
WO2020133398A1 (zh) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112955883B (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
CN108304847B (zh) | 图像分类方法及装置、个性化推荐方法及装置 | |
CN108510402A (zh) | 险种信息推荐方法、装置、计算机设备及存储介质 | |
CN108304429B (zh) | 信息推荐方法、装置和计算机设备 | |
CN108491511B (zh) | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 | |
CN109063108B (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN109271917B (zh) | 人脸识别方法、装置、计算机设备和可读存储介质 | |
CN110555164B (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
CN111178949B (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
CN111553390A (zh) | 用户分类方法、装置、计算机设备和存储介质 | |
CN110942012A (zh) | 图像特征提取方法、行人重识别方法、装置和计算机设备 | |
CN111400615B (zh) | 一种资源推荐方法、装置、设备及存储介质 | |
CN110765286A (zh) | 跨媒体检索方法、装置、计算机设备和存储介质 | |
CN116597384B (zh) | 基于小样本训练的空间目标识别方法、装置及计算机设备 | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN112131471B (zh) | 基于无权无向图进行关系推荐的方法、装置、设备及介质 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN116186326A (zh) | 视频推荐方法、模型训练方法、电子设备及存储介质 | |
CN110213660B (zh) | 节目的分发方法、系统、计算机设备和存储介质 | |
CN115062501A (zh) | 一种基于自适应子问题选择策略的芯片封装设计优化方法 | |
CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN111552810B (zh) | 实体抽取与分类方法、装置、计算机设备和存储介质 | |
CN116956081A (zh) | 面向异构社交网络分布外泛化的社交标签预测方法及系统 | |
CN110727840A (zh) | 车辆问询标签推送方法、装置、计算机设备和存储介质 |
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 |