CN113077313B - 融合用户生成场景图像与个性化偏好的互补品推荐方法 - Google Patents
融合用户生成场景图像与个性化偏好的互补品推荐方法 Download PDFInfo
- Publication number
- CN113077313B CN113077313B CN202110394367.6A CN202110394367A CN113077313B CN 113077313 B CN113077313 B CN 113077313B CN 202110394367 A CN202110394367 A CN 202110394367A CN 113077313 B CN113077313 B CN 113077313B
- Authority
- CN
- China
- Prior art keywords
- product
- user
- complementary
- products
- 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
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合用户生成场景图像与个性化偏好的互补品推荐方法,包括以下步骤:1)通过目标检测技术来识别图像中的产品从而形成产品集合;2)利用所有用户的共同购买记录,寻找与识别产品共同出现的产品集合,对产品序列进行初步筛选后,利用CDM需求交叉弹性函数,计算互补品备选名单;3)从用户的历史购买记录中学习用户的隐特征;4)结合互补品特征与用户兴趣特征,基于协同过滤矩阵分解的思路,最终形成推荐列表。本发明结合用户生成场景图像,用户个性化偏好等信息,可应用于基于图像的用户个性化互补产品推荐。
Description
技术领域
本发明属于产品推荐领域,具体的说是一种融合用户生成场景图像与个性化偏好的互补品推荐方法。
背景技术
随着电子商务的快速发展,网络购物已经成为人们购买产品的重要渠道。信息过载已经成为电子商务平台的普遍情况,推荐系统的出现有效的缓解了这一问题。而如何通过分析用户提供的图像,来为用户合理的推荐互补产品已经成为企业关心的重要问题。合理的推荐用户所需要的互补产品,将进一步提高推荐系统推荐互补品的准确度,能够有效的带动电子商务平台的整体销量,且能够提高用户使用平台的便捷度和满意度。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种融合用户生成场景图像与个性化偏好的互补品推荐方法,以期能通过用户提供的生活场景图像为用户推荐场景中的互补产品,从而弥补目前基于图像信息为用户进行互补品推荐的空缺。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种融合用户生成场景图像与个性化偏好的互补品推荐方法的特点也在于,包括以下步骤:
S1、利用目标检测方法识别用户U的一幅场景图像中的所有产品,从而形成产品集合I={i1,i2,...,ij,...,in};其中,ij表示第j个产品,j=1,2,…,n,n表示识别产品总数;
在所有用户的购买记录中获取与第j个产品ij共同出现的所有产品的产品列表Ij={ij,1,ij,2,...,ij,k,...,ij,K},其中,ij,k表示与所述场景图像中识别出的第j个产品ij共同出现的第k个产品,k=1,2,…,K,K表示与第j个产品ij共同出现的产品数量,则所有产品的产品列表集合记为{I1,I2,...,Ij,...,In};
过滤掉所述产品列表Ij中与第j个产品ij共同出现次数低于N次且购买记录低于M次的产品,从而得到筛选后的第j个产品ij的产品列表I′j={i′j,1,i′j,2,...,i′j,|k|,...,i′j,|K|},其中,i′j,|k|表示筛选后的第j个产品ij共同出现的第|k|个产品;|k|=1,2,…,|K|,|K|表示筛选后与第j个产品ij共同出现的产品数量,则筛选后的所有产品的产品列表集合记为{I′1,I′2,…,I′j,…,I′n};
S2、利用式(1)所示的CDM需求交叉弹性函数计算第j个产品ij与产品列表I′j中每一个产品的互补程度值E(ij,Cj,m):
式(1)中,ΔQj为第j个产品ij需求的变化量;ΔQj,m为产品Cj,m的需求的变化量;Q′j为第j个产品ij开始时的需求量;Q″j为第j个产品ij结束时的需求量;Q′j,m为商品Cj,m开始时需求量;Q″j,m为商品Cj,m结束时的需求量;
根据互补程度值E(ij,Cj,m)对产品列表I′j中的产品进行降序处理,并选取前M个产品,从而得到筛选后的产品列表{I′1,I′2,…,I′j,…,I′n}的互补产品列表C={C1,C2,...,Cj,...,Cn},其中,Cj表示第j个产品ij的互补产品列表,且Cj={Cj,1,Cj,2,...,Cj,m,...,Cj,M};Cj,m表示第j个产品ij的互补产品列表中第m个产品,m=1,2,…,M,M表示第j个产品ij的互补产品总数;
S4、计算用户U的基本特征ul和用户U的近期兴趣向量us,从而得到用户U隐特征u;
S5、利用式(3)构建损失函数C(p,q,u,bu,bi,ω):
式(2)中,Train表示在所有用户所购买的产品所组成的训练集;rj,m表示训练集中产品的真实分数;表示训练集中产品的预测分数;λ代表惩罚项,a为评分的全局平均数,pU为用户U的评分习惯,pj,m为第m个互补产品Cj,m的评分特征,yj,m为用户U对第m个互补产品Cj,m的偏好特征;
S6、分别对全局平均数a、评分习惯pU、评分特征Pj,m、偏好特征yj,m进行初始化,再利用随机梯度下降法对所述损失函数C(a,qj,m,u,pU,pj,m)中各个参数进行优化迭代,从而得到训练后评分的全局平均数a'、训练后的用户U的评分习惯p'U、训练后的第m个互补产品Cj,m的评分特征P'j,m、训练后的产品特征q'j,m、训练后的用户U隐特征特征u'、为训练后的用户U对产品产品Cj,m的偏好特征y'j,m;
式(3)中,|N(U)|为用户U购买产品的数量;
S8、利用式(3)得到所有产品的预测分数,并根据预测分数对互补品产品列表Cj中所有互补品产品的进行降序处理,从而为用户U推荐前top个预测分数所对应的互补品产品构成的推荐列表。
本发明所述的融合用户生成场景图像与个性化偏好的互补品推荐方法的特点也在于,所述步骤S4包括:
S401、利用式(4)得到用户的基本特征ul:
S402、选取用户U近期购买的C个产品,且每个产品利用其隐特征向量组成一个C×F的二维矩阵,将二维矩阵输入到卷积神经网络中进行训练,并输出用户U的近期兴趣向量us;
S403、利用式(5)得到用户U的特征向量u:
u=α·ul+(1-α)·us (5)
式(5)中,α表示对用户基本特征ul的重视程度。
与现有技术相比,本发明的有益效果在于:
1、本发明结合了用户生活场景图像和用户的个性化偏好来为用户进行互补品推荐,用户生活场景图像中的产品通过YOLO技术进行识别,通过深度学习、卷积神经网络和协同过滤的方法分析用户的个性化偏好和产品特征,从而丰富了目前推荐系统关于互补品推荐的方法,提高了推荐系统在推荐互补品方面的准确率。
2、本发明通过利用CDM交叉需求函数来计算与被识别产品直接的互补程度,通过产品的需求量来反应产品之间的互补关系,能够更准确、更快速筛选出具有互补关系的产品集,从而为结合用户个性化偏好进行互补品推荐,提供备选互补产品集合。
3、本发明结合用户的长期基本特征和近期兴趣特征,通过全连接神经网络对用户的长期基本特征进行向量化,通过卷积神经网络,来对用户的近期兴趣特征向量,并将二者结合获取用户的隐特征,从而更加真实全面的反应用户的个性化偏好。
4、本发明基于协同过滤模型,并考虑产品的评分特征、用户打分习惯、用户对产品种类的偏好等因素建立损失函数,采用随机梯度下降的方式不断优化模型参数,从而能够为用户进行更加准确的推荐。
附图说明
图1为本发明所述一种基于图像物品识别与用户兴趣结合互补品推荐方法流程图。
具体实施方式
本实施例中,一种基于图像物品识别与用户兴趣结合互补品推荐方法。如图1所示,包括以下步骤:1)通过目标检测技术来识别图像中的产品从而形成产品集合;2)利用所有用户的共同购买记录,寻找与识别产品共同出现的产品集合,对产品序列进行初步筛选后,利用CDM需求交叉弹性函数,计算互补品备选名单;3)从用户的历史购买记录中学习用户的隐特征;4)结合互补品特征与用户兴趣特征,基于协同过滤矩阵分解的思路,最终形成推荐列表。具体的说,是按如下步骤进行:
S1、首先对场景图片进行缩放,即改变场景图片的大小,将场景图片缩放到固定大小,得到目标图像,其次,基于YOLO方法进行目标检测,具体方法如下所示:
A.将目标图像分成S×S个网格,如果某个产品的中心落在这个网格中,则这个网格就负责预测这个产品t。
B.每个网络需要预测B个BBox的位置信息和confidence(置信度)信息,一个BBox对应着四个位置信息和一个confidence信息。confidence代表了所预测的box中含有object的置信度和这个box预测的概率,如下式(1)所示:
C.每个boundingbox要预测(x,y,w,h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类。则S x S个网格,每个网格要预测B个boundingbox还要预测C个categories。输出就是S x S x(5*B+C)的一个tensor。
D.在test的时候,每个网格预测的class信息和bounding box预测的confidence信息相乘,就得到每个boundingbox的class-specific confidence score:
式(2)中,Pr(Classi|object)是假设boundingbox中存在产品,这种产品属于第i中产品的概率;Pr(Classi)产品属于第i中产品的概率。
E.得到每个box的class-specific confidence score以后,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,即选出设置概率阈值BBox全部删除,挑选概率最高的BBox,通过与其他BBox比对,如果IOU超过阈值则认为两个BBox识别的为同一物品即删除概率值低的BBox,便可就得到最终的检测结果。
I=YOLO(X) (3)
式(3)中,X表示被识别的图像;I={i1,i2,...,ij,...,in};其中,ij表示第j个产品,j=1,2,…,n,n表示识别产品总数;
在所有用户的购买记录中获取与第j个产品ij共同出现的所有产品的产品列表Ij={ij,1,ij,2,...,ij,k,...,ij,K},其中,ij,k表示与所述场景图像中识别出的第j个产品ij共同出现的第k个产品,k=1,2,…,K,K表示与第j个产品ij共同出现的产品数量,则所有产品的产品列表集合记为{I1,I2,...,Ij,...,In};
过滤掉所述产品列表Ij中与第j个产品ij共同出现次数低于N次且购买记录低于M次的产品,从而得到筛选后的第j个产品ij的产品列表I′j={i′j,1,i′j,2,...,i′j,|k|,...,i′j,|K|},其中,i′j,|k|表示筛选后的第j个产品ij共同出现的第|k|个产品;|k|=1,2,…,|K|,|K|表示筛选后与第j个产品ij共同出现的产品数量,则筛选后的所有产品的产品列表集合记为{I′1,I′2,…,I′j,…,I′n};
S2、利用式(4)所示的CDM需求交叉弹性函数计算第j个产品ij与产品列表I'j中的每一个产品互补程度值E(ij,Cj,m):
式(4)中,ΔQj为第j个产品ij需求的变化量;ΔQj,m为产品Cj,m的需求的变化量;Q′j为第j个产品ij开始时的需求量;Q″j为第j个产品ij结束时的需求量;Q′j,m为商品Cj,m开始时需求量;Q″j,m为商品Cj,m结束时的需求量;
计算互补程度值E(ij,Cj,m),E(ij,Cj,m)的值越大说明两者之间互补程度越强,通过计算的结果对I'j中的产品进行降序处理,并选取值最大的前M个产品,从而得到筛选后的产品列表{I′1,I′2,…,I′j,…,I′n}的互补产品列表C={C1,C2,...,Cj,...,Cn},其中,Cj表示第j个产品ij的互补产品列表,且Cj={Cj,1,Cj,2,...,Cj,m,...,Cj,M};Cj,m表示第j个产品ij的互补产品列表中第m个产品,m=1,2,…,M,M表示第j个产品ij的互补产品总数,
S4、计算用户U的基本特征ul和用户U的近期兴趣向量us,从而得到用户U隐特征u,用户U的基本特征ul和用户U的近期兴趣向量us维数相同且维数均为f;
S5、利用式(5)构建损失函数C(a,qj,m,u,pU,pj,m,yj,m):
式(5)中,Train表示在训练集中的产品集合;rj,m表示训练集中产品的真实分数;表示训练集中产品的预测分数;λ代表惩罚项,a为评分的全局平均数,pU为用户U的评分习惯,pj,m为Cj,m分数特征,yj,m为用户U对产品产品Cj,m的偏好特征;
S6、对a、pU、Pj,m、yj,m进行向量初始化,且维数均相同,其次,利用随机梯度下降法对所述损失函数C(a,qj,m,u,pU,pj,m,yj,m)中各个参数进行优化迭代,从而得到训练后的特征向量a'、p'U、P'j,m、q'j,m、u'、y'j,m,其中,a'为训练后的评分的全局平均数,p'U为训练后的用户U的评分习惯,P'j,m为训练后的Cj,m分数特征,q'j,m为训练后的产品特征,u'为训练后的用户特征,y'j,m为训练后的用户U对产品产品Cj,m的偏好特征;
式(6)中,|N(U)|为用户U购买产品的数量;
S8、利用式(6)得到产品Cj,m的预测分数,从而根据预测的分数对Cj中所有互补品产品的进行降序处理,从而为用户U推荐前top个预测分数所对应的互补品产品构成的推荐列表,每一个被识别产品ij均推荐前top个产品。
本实施例中,步骤S4包括:
S401、利用式(7)得到用户的基本特征ul:
S402、选取用户U近期购买的C个产品,每个产品用隐向量组成一个C×F的二维矩阵,将二维矩阵输入到卷积神经网络中进行训练,并输出用户U的近期兴趣向量us;
S403、利用式(8)得到用户U的特征向量u:
u=α·ul+(1-α)·us (8)
式(8)中,α表示对用户基本特征ul的重视程度,α的取值范围为[0,1]。
综上所述,本发明结合了用户生成场景图像,用户个性化偏好等信息,可应用于基于图像的用户个性化互补产品推荐。
Claims (2)
1.一种融合用户生成场景图像与个性化偏好的互补品推荐方法,其特征在于,包括以下步骤:
S1、利用目标检测方法识别用户U的一幅场景图像中的所有产品,从而形成产品集合I={i1,i2,...,ij,...,in};其中,ij表示第j个产品,j=1,2,…,n,n表示识别产品总数;
在所有用户的购买记录中获取与第j个产品ij共同出现的所有产品的产品列表Ij={ij,1,ij,2,...,ij,k,...,ij,K},其中,ij,k表示与所述场景图像中识别出的第j个产品ij共同出现的第k个产品,k=1,2,…,K,K表示与第j个产品ij共同出现的产品数量,则所有产品的产品列表集合记为{I1,I2,...,Ij,...,In};
过滤掉所述产品列表Ij中与第j个产品ij共同出现次数低于N次且购买记录低于γ次的产品,从而得到筛选后的第j个产品ij的产品列表Ij′={i′j,1,i′j,2,...,i′j,|k|,...,i′j,|K|},其中,i′j,|k|表示筛选后的第j个产品ij共同出现的第|k|个产品;|k|=1,2,…,|K|,|K|表示筛选后与第j个产品ij共同出现的产品数量,则筛选后的所有产品的产品列表集合记为{I1′,I2′,…,Ij′,…,In′};
S2、利用式(1)所示的CDM需求交叉弹性函数计算第j个产品ij与产品列表Ij′中每一个产品的互补程度值E(ij,Cj,m):
式(1)中,ΔQj为第j个产品ij需求的变化量;ΔQj,m为产品Cj,m的需求的变化量;Qj′为第j个产品ij开始时的需求量;Qj″为第j个产品ij结束时的需求量;Q′j,m为产品Cj,m开始时需求量;Q″j,m为产品Cj,m结束时的需求量;
根据互补程度值E(ij,Cj,m)对产品列表Ij′中的产品进行降序处理,并选取前M个产品,从而得到筛选后的产品列表{I1′,I2′,…,Ij′,…,In′}的互补产品列表C={C1,C2,...,Cj,...,Cn},其中,Cj表示第j个产品ij的互补产品列表,且Cj={Cj,1,Cj,2,...,Cj,m,...,Cj,M};Cj,m表示第j个产品ij的互补产品列表中第m个产品,m=1,2,…,M,M表示第j个产品ij的互补产品总数;
S4、计算用户U的基本特征ul和用户U的近期兴趣向量us,从而得到用户U隐特征u;
S5、利用式(2)构建损失函数C(a,qj,m,u,pU,pj,m,yj,m):
式(2)中,Train表示在所有用户所购买的产品所组成的训练集;rj,m表示训练集中产品的真实分数;表示训练集中产品的预测分数;λ代表惩罚项,a为评分的全局平均数,pU为用户U的评分习惯,pj,m为第m个互补产品Cj,m的评分特征,yj,m为用户U对第m个互补产品Cj,m的偏好特征;
S6、分别对全局平均数a、评分习惯pU、评分特征Pj,m、偏好特征yj,m进行初始化,再利用随机梯度下降法对所述损失函数C(a,qj,m,u,pU,pj,m,yj,m)中各个参数进行优化迭代,从而得到训练后评分的全局平均数a'、训练后的用户U的评分习惯p'U、训练后的第m个互补产品Cj,m的评分特征p'j,m、训练后的产品特征q'j,m、训练后的用户U隐特征u'、训练后的用户U对产品Cj,m的偏好特征y'j,m;
式(3)中,|N(U)|为用户U购买产品的数量;
S8、利用式(3)得到所有产品的预测分数,并根据预测分数对互补品产品列表Cj中所有互补品产品的进行降序处理,从而为用户U推荐前top个预测分数所对应的互补品产品构成的推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394367.6A CN113077313B (zh) | 2021-04-13 | 2021-04-13 | 融合用户生成场景图像与个性化偏好的互补品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394367.6A CN113077313B (zh) | 2021-04-13 | 2021-04-13 | 融合用户生成场景图像与个性化偏好的互补品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077313A CN113077313A (zh) | 2021-07-06 |
CN113077313B true CN113077313B (zh) | 2022-09-13 |
Family
ID=76617458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110394367.6A Active CN113077313B (zh) | 2021-04-13 | 2021-04-13 | 融合用户生成场景图像与个性化偏好的互补品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077313B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049736A1 (en) * | 2011-09-30 | 2013-04-04 | Bhardwaj Anurag | Image feature data extraction and use |
CN108595533A (zh) * | 2018-04-02 | 2018-09-28 | 深圳大学 | 一种基于协同过滤的物品推荐方法、存储介质及服务器 |
CN110688585A (zh) * | 2019-09-25 | 2020-01-14 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN111242729A (zh) * | 2020-01-07 | 2020-06-05 | 西北工业大学 | 一种基于长短期兴趣的序列化推荐方法 |
CN112232929A (zh) * | 2020-11-05 | 2021-01-15 | 南京工业大学 | 一种多模态下的互补物品的多样性推荐列表生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11315164B2 (en) * | 2018-05-18 | 2022-04-26 | Target Brands, Inc. | Complementary product recommendation systems |
-
2021
- 2021-04-13 CN CN202110394367.6A patent/CN113077313B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049736A1 (en) * | 2011-09-30 | 2013-04-04 | Bhardwaj Anurag | Image feature data extraction and use |
CN108595533A (zh) * | 2018-04-02 | 2018-09-28 | 深圳大学 | 一种基于协同过滤的物品推荐方法、存储介质及服务器 |
CN110688585A (zh) * | 2019-09-25 | 2020-01-14 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN111242729A (zh) * | 2020-01-07 | 2020-06-05 | 西北工业大学 | 一种基于长短期兴趣的序列化推荐方法 |
CN112232929A (zh) * | 2020-11-05 | 2021-01-15 | 南京工业大学 | 一种多模态下的互补物品的多样性推荐列表生成方法 |
Non-Patent Citations (3)
Title |
---|
A Trust-enhanced Collaborative Filtering Recommender System;LU Zhubing;《The 5th International Conference on Computer Science & Education》;20200827;全文 * |
考虑对象关联关系的多样化商品推荐方法;游运等;《计算机工程与应用》;20170803(第07期);全文 * |
融合商品潜在互补性发现的个性化推荐方法;邵英玮等;《软件学报》;20200110(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113077313A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN107861972B (zh) | 一种用户录入商品信息后显示商品全结果的方法及设备 | |
CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
CN110458627B (zh) | 一种面向用户动态偏好的商品序列个性化推荐方法 | |
JP6884116B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN106022865A (zh) | 一种基于评分和用户行为的商品推荐方法 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN111724235A (zh) | 一种基于用户新奇度的在线商品推荐方法 | |
CN110321473B (zh) | 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 | |
CN113034238B (zh) | 基于电子商务平台交易的商品品牌特征提取及智能推荐管理方法 | |
CN112101380B (zh) | 基于图文匹配的产品点击率预测方法和系统、存储介质 | |
CN116541607B (zh) | 基于商品检索数据分析的智能推荐方法 | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
CN114741603A (zh) | 基于用户聚类和商品聚类的混合协同过滤推荐算法 | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
CN111681084A (zh) | 一种基于社交关系影响因素的电商平台推荐方法 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN114840745A (zh) | 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统 | |
CN109460474A (zh) | 用户偏好趋势挖掘方法 | |
CN113077313B (zh) | 融合用户生成场景图像与个性化偏好的互补品推荐方法 | |
CN108960954B (zh) | 一种基于用户群行为反馈的内容推荐方法及推荐系统 | |
CN116523597A (zh) | 大数据云熵挖掘的电子商务定制化推荐方法 |
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 |