CN113312471B - 一种基于协同过滤推荐算法用于案例推荐的方法与系统 - Google Patents

一种基于协同过滤推荐算法用于案例推荐的方法与系统 Download PDF

Info

Publication number
CN113312471B
CN113312471B CN202110867541.4A CN202110867541A CN113312471B CN 113312471 B CN113312471 B CN 113312471B CN 202110867541 A CN202110867541 A CN 202110867541A CN 113312471 B CN113312471 B CN 113312471B
Authority
CN
China
Prior art keywords
case
user
recommendation
cases
user input
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
Application number
CN202110867541.4A
Other languages
English (en)
Other versions
CN113312471A (zh
Inventor
张洁
周扬
翟铖杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhiying Artificial Intelligence Research Institute Co ltd
Nanjing Xuanying Network Technology Co ltd
Original Assignee
Nanjing Zhiying Artificial Intelligence Research Institute Co ltd
Nanjing Xuanying Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhiying Artificial Intelligence Research Institute Co ltd, Nanjing Xuanying Network Technology Co ltd filed Critical Nanjing Zhiying Artificial Intelligence Research Institute Co ltd
Priority to CN202110867541.4A priority Critical patent/CN113312471B/zh
Publication of CN113312471A publication Critical patent/CN113312471A/zh
Application granted granted Critical
Publication of CN113312471B publication Critical patent/CN113312471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06Q50/18—Legal services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Technology Law (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于协同过滤推荐算法用于案例推荐的方法与系统，该方法包括以下步骤：S1、用户输入；S2、对用户选择项进行相似度计算，发现最近邻居；S3、根据用户相似度计算产生推荐数据集；S4、构建并利用标签给用户推荐相似案例。有益效果：通过运用协同过滤算法及对其进行改进，能够提高推荐案例的准确性，在用户选择输入项后，会根据系统推荐的案例选择不相关、基本相关、非常相关，从而能够有效地提高用户对案例的理解程度，降低民众维权的专业性限制；同时本方法通过改进现有推荐算法能够根据用户的选择项直接判断是否为相似输入，甚至找到相同输入，从而减少现有算法中的数据矩阵构建，提高效率与推荐的准确率。

Description

一种基于协同过滤推荐算法用于案例推荐的方法与系统
技术领域
本发明涉及信息推荐领域，具体来说，涉及一种基于协同过滤推荐算法用于案例推荐的方法与系统。
背景技术
随着普法工作深入开展和民众法制意识的增强，遇到各种纠纷，更多的人选择运用法律武器去维护自己的合法权益。因此，法院受理的案件也越多，由于审理案件的数量日益增多，各法律相关检索网站提供了对公开的裁判文书的检索查询服务，同时，最高人民法院也在不断的发布各裁判文书中的各类典型案例作为指导性案例。但其仍需工作人员进行大量详细的阅读，才有可能得出类似的判案参考，需要耗费大量时间。而采用基于关键词的匹配技术来实现公益诉讼案例的推荐，其效果达不到要求，无法起到辅助案件审理的作用。
其中，所谓典型案例泛指法律界具有较强典型意义及较大社会影响的法律纠纷案例。发布的典型案例往往案情复杂，判案情况富有逻辑性，往往需要进行大量详细的阅读，才有可能得出类似的判案参考，即使是法律专业人士也需要大量时间，而对于非法律专业人士要想找到自己需要的典型案例则需要耗费更多的时间。所以民众在进行维权时，由于专业性的限制，如何去打官司，以自己的情况是否可以获得法律的支持成为普罗大众的痛点。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于协同过滤推荐算法用于案例推荐的方法与系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供一种基于协同过滤推荐算法用于案例推荐的方法，该方法包括以下步骤：
S1、用户输入；
S2、对用户选择项进行相似度计算，发现最近邻居；
S3、根据用户相似度计算产生推荐数据集；
S4、构建并利用标签给用户推荐相似案例。
进一步的，所述用户输入为当前用户选择案由，并对该案由内相关问题进行选择并输入。
进一步的，其特征在于，所述对用户选择项进行相似度计算，发现最近邻居包括以下步骤：
S21、若当前用户选择案由不同时，采用以下公式计算：
Figure 171374DEST_PATH_IMAGE001
；
S22、若选择案由相同时，采用以下公式计算：
Figure 415273DEST_PATH_IMAGE002
；
其中，sim（u1，u2）为用户u1与u2的相似度，s为问题总数,∇在单选选择情况下相同为1，不同为0，且在多选情况下
Figure 870525DEST_PATH_IMAGE003
，s1为多选选项数；
S23、根据上述公式判断最近邻居，并选取相似度最近的五个邻居。
进一步的，所述产生推荐数据集包括以下步骤：
S31、计算某个案例组中案例对当前用户输入的推荐值，采用以下公式计算：
Figure 770348DEST_PATH_IMAGE004
；
其中，p表示推荐值，
Figure 336459DEST_PATH_IMAGE005
表示用户输入对问题选择的平均估值，在本场景应用中
Figure 687062DEST_PATH_IMAGE005
值为0；sim(u，ui)为用户输入u和用户输入ui的相似度，ri是用户输入i对案例组的平均估值，
Figure 313215DEST_PATH_IMAGE006
为用户输入i对案例的平均估值，n表示案例的总数量；
S32、选取p值最大的五个案例推荐给当前用户，同时后台分析案例结果，进行综合司法风险评估。
进一步的，所述构建并利用标签给用户推荐相似案例包括以下步骤：
S41、用户对案例进行评价与增加标签；
S42、利用推荐算法，计算用户对案例的兴趣程度，计算公式为：
Figure 700334DEST_PATH_IMAGE007
；
其中，用户输入标签行为（u，i，b）代表用户u对i案例打上b标签，nu,b表示用户u打过标签b的次数，nb,i是案例i被打过标签b的次数，
Figure 804557DEST_PATH_IMAGE008
表示打出标签b的用户的数量，q值表示用户对案例的兴趣程度；
S43、利用领域的方法将标签扩展至其他案件。
进一步的，所述利用领域的方法为通过数据统计出标签之间的相似度，利用以下余弦相似度公式进行计算：
Figure 960731DEST_PATH_IMAGE009
；
其中，b与b′均表示标签，N(b)为有标签b的案例的集合，nb,i为案例i上打上标签b的用户数。
根据本发明的另一个方面，还提供了一种基于协同过滤推荐算法用于案例推荐的系统，该系统包括以下模块：
用户输入模块，用于收集当前用户的输入集；
相似度计算模块，用于计算与当前用户输入最相近的用户输入；
推荐值计算模块，用于计算案例推荐值并选取最大的案例给当前用户；
标签评价与计算模块，用于构建并利用标签给用户推荐相似案例。
进一步的，所述相似度计算模块，用于计算与当前用户输入最相近的用户输入，包括以下步骤：
若当前用户选择案由不同时，采用以下公式计算：
Figure 820103DEST_PATH_IMAGE001
；
若选择案由相同时，采用以下公式计算：
Figure 428939DEST_PATH_IMAGE010
；
其中，sim（u1，u2）为用户u1与u2的相似度，s为问题总数，∇在单选选择情况下相同为1，不同为0，且在多选情况下
Figure 602431DEST_PATH_IMAGE003
，s1为多选选项数；
根据上述公式判断最近邻居，并选取相似度最近的五个邻居。
进一步的，所述推荐值计算模块，用于选取推荐值最大的案例给当前用户，包括以下步骤：
计算某个案例组中案例对当前用户输入的推荐值，采用以下公式计算：
Figure 675430DEST_PATH_IMAGE011
；
其中，
Figure 82533DEST_PATH_IMAGE005
表示用户输入对问题选择的平均估值，在本场景应用中该值为0；sim(u，ui)为用户输入u和用户输入ui的相似度，ri是用户输入i对案例组的平均估值，
Figure 178665DEST_PATH_IMAGE006
为用户输入i对案例的平均估值，n表示案例的总数量；
选取p值最大的五个案例推荐给当前用户。
进一步的，所述标签评价与计算模块4，用于构建与利用标签给用户推荐相似案例，包括以下步骤：
用户对案例进行评价与增加标签；
利用推荐算法，计算用户对案例的兴趣程度，计算公式为：
Figure 811641DEST_PATH_IMAGE007
；
其中，用户输入标签行为（u，i，b）代表用户u对i案例打上b标签，nu,b表示用户u打过标签b的次数，nb,i是案例i被打过标签b的次数，
Figure 942408DEST_PATH_IMAGE008
表示打出标签b的用户的数量，q值表示用户对案例的兴趣程度；
利用领域的方法将标签扩展至其他案件。
本发明的有益效果为：通过运用协同过滤算法及对其进行改进，能够提高推荐案例的准确性，在用户选择输入项后，会根据系统推荐的案例选择不相关、基本相关、非常相关，从而能够有效地提高用户对案例的理解程度，降低民众维权的专业性限制。同时本方法通过改进现有推荐算法能够根据用户的选择项直接判断是否为相似输入，甚至找到相同输入，从而减少现有算法中的数据矩阵构建，提高效率与推荐的准确率。
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是根据本发明实施例的一种基于协同过滤推荐算法用于案例推荐的方法的流程图;
图2是根据本发明实施例的一种基于协同过滤推荐算法用于案例推荐的方法中用户根据选项进行案例推送的流程图；
图3是根据本发明实施例的一种基于协同过滤推荐算法用于案例推荐的方法中评估矩阵示意图；
图4是根据本发明实施例的一种基于协同过滤推荐算法用于案例推荐的方法中用户输入“非常相关”案例的统计数据图；
图5是根据本发明实施例的一种基于协同过滤推荐算法用于案例推荐的系统的系统框图。
图中：
1、用户输入模块；2、相似度计算模块；3、推荐值计算模块；4、标签评价与计算模块。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于协同过滤推荐算法用于案例推荐的方法与系统。
现结合附图和具体实施方式对本发明进一步说明，如图1-图4所示，根据本发明实施例的基于协同过滤推荐算法用于案例推荐的方法，该方法包括以下步骤：
S1、用户输入；
S2、对用户选择项进行相似度计算，发现最近邻居；
S3、根据用户相似度计算产生推荐数据集；
S4、构建并利用标签给用户推荐相似案例。
在一个实施例中，所述用户输入为当前用户选择案由，并对该案由内相关问题进行选择并输入。
此外，在案例推荐场景中用户输入集为用户在风险评估上选择问题的组合，例如存在有64种案由，每种案由30个问题左右的输入，其中为20个左右的单选题和10个左右的多选题所以用户输入约为
Figure 208829DEST_PATH_IMAGE012
，所以总用户输入约为14720，案例库为700万余w件。
在一个实施例中，所述对用户选择项进行相似度计算，发现最近邻居包括以下步骤：
S21、若当前用户选择案由不同时，采用以下公式计算：
Figure 854574DEST_PATH_IMAGE001
；
S22、若选择案由相同时，采用以下公式计算：
Figure 104290DEST_PATH_IMAGE002
；
其中，sim（u1，u2）为用户u1与u2的相似度，s为问题总数,∇在单选选择情况下相同为1，不同为0，且在多选情况下
Figure 89563DEST_PATH_IMAGE003
，s1为多选选项数；
S23、根据上述公式判断最近邻居，并选取相似度最近的五个邻居。
此外，在现有的协同过滤算法中，发现最近邻居就是找到与当前用户输入最相近的用户输入。而在此之前需要先进行数据表述，即构建一个m*n的“用户输入-案例”的评估矩阵，m代表用户输入，n代表案例，rij代表第i个用户输入对案例的评价（0代表不相关，1代表未评价，2代表评价基本相关，3代表非常相关），而紧接着计算相似度采用常见的向量空间余弦相似度算法:
Figure 648589DEST_PATH_IMAGE013
，通过计算两个向量的夹角的余弦值来计算相似度（夹角越小相似度越高）。在上述现有的推荐算法中，用户与用户比较不确定，但是在本方法中，只要根据用户的选择项去判断是否为相似输入，甚至可以找到相同输入。所以在本方法中，即不需要去构建数据矩阵，同时修改原有协同过滤算法中的相似度计算公式，并修改为步骤S2中的S21、S22与S23的步骤，实现用户输入与最近邻居的发现。
在一个实施例中，所述产生推荐数据集包括以下步骤：
S31、计算某个案例组中案例对当前用户输入的推荐值，采用以下公式计算：
Figure 858046DEST_PATH_IMAGE004
；
其中，p表示推荐值，
Figure 911453DEST_PATH_IMAGE005
表示用户输入对问题选择的平均估值，在本场景应用中
Figure 751233DEST_PATH_IMAGE005
值为0；sim(u，ui)为用户输入u和用户输入ui的相似度，ri是用户输入i对案例组的平均估值，
Figure 294210DEST_PATH_IMAGE006
为用户输入i对案例的平均估值，n表示案例的总数量；
S32、选取p值最大的五个案例推荐给当前用户，同时后台分析案例结果，进行综合司法风险评估。
在一个实施例中，所述构建并利用标签给用户推荐相似案例包括以下步骤：
S41、用户对案例进行评价与增加标签；
S42、利用推荐算法，计算用户对案例的兴趣程度，计算公式为：
Figure 586651DEST_PATH_IMAGE007
；
其中，用户输入标签行为（u，i，b）代表用户u对i案例打上b标签，nu,b表示用户u打过标签b的次数，nb,i是案例i被打过标签b的次数，
Figure 443748DEST_PATH_IMAGE008
表示打出标签b的用户的数量，q值表示用户对案例的兴趣程度；
S43、利用领域的方法将标签扩展至其他案件。
此外，在案例库中存在700w余件案件，用户一次使用情况最多浏览到5-10件案件，所以存在数据稀疏的问题。所以给案例增加标签，允许用户在评价案件之外，对案件打标签。例如：“有用”，“离婚相关”，“判决不合理”等标签，之后便可利用这些标签去给用户推荐相似案件。
其中，稀疏性的问题也就是系统运行初期或者案例库新增的案件，很多案件标签不足。标签扩展本质上是对每个标签找到与它相似的标签，找到相似标签后将这个标签扩展到原案件中去，在本方法中，用户的标签为用户自己定义的，因此需要用户自己输入标签，在通过系统计算标签之间的相似度。
在一个实施例中，所述利用领域的方法为通过数据统计出标签之间的相似度，利用以下余弦相似度公式进行计算：
Figure 951084DEST_PATH_IMAGE009
；
其中，b与b′均表示标签，N(b)为有标签b的案例的集合，nb,i为案例i上打上标签b的用户数。
此外，用户在实际使用过程中，利用本方法的具体运行方式与流程步骤如下：
1）每一种案由选择20种用户输入，同时选中5个基本相关案件，5个不相关案件，5个非常相关案件；
2）然后由用户自己选择，并根据算法推荐TOP5相关案件，由用户自行判断是否相关；
3）用户输入相同，案例相同时，选择次数最高的作为评价值；
4）用户选择具体案件后给用户提供相似案件选择。
而通过上述运行过程，用户的选择“非常相关”的比率越来越高，代表推荐算法在运行过程中运行良好。选择“非常相关”统计数据如图3所示。
根据本发明的另一个实施例，如图5所示，还提供了一种基于协同过滤推荐算法用于案例推荐的系统，该系统包括以下模块：
用户输入模块1，用于收集当前用户的输入集；
相似度计算模块2，用于计算与当前用户输入最相近的用户输入；
推荐值计算模块3，用于计算案例推荐值并选取最大的案例给当前用户；
标签评价与计算模块4，用于构建并利用标签给用户推荐相似案例。
在一个实施例中，所述相似度计算模块2，用于计算与当前用户输入最相近的用户输入，包括以下步骤：
若当前用户选择案由不同时，采用以下公式计算：
Figure 602646DEST_PATH_IMAGE001
；
若选择案由相同时，采用以下公式计算：
Figure 710279DEST_PATH_IMAGE010
；
其中，sim（u1，u2）为用户u1与u2的相似度，s为问题总数，∇在单选选择情况下相同为1，不同为0，且在多选情况下
Figure 105488DEST_PATH_IMAGE003
，s1为多选选项数；
根据上述公式判断最近邻居，并选取相似度最近的五个邻居。
在一个实施例中，所述推荐值计算模块3，用于选取推荐值最大的案例给当前用户，包括以下步骤：
计算某个案例组中案例对当前用户输入的推荐值，采用以下公式计算：
Figure 654281DEST_PATH_IMAGE011
；
其中，
Figure 53907DEST_PATH_IMAGE005
表示用户输入对问题选择的平均估值，在本场景应用中该值为0；sim(u，ui)为用户输入u和用户输入ui的相似度，ri是用户输入i对案例组的平均估值，
Figure 383257DEST_PATH_IMAGE006
为用户输入i对案例的平均估值，n表示案例的总数量；
选取p值最大的五个案例推荐给当前用户。
在一个实施例中，所述标签评价与计算模块4，用于构建与利用标签给用户推荐相似案例，包括以下步骤：
用户对案例进行评价与增加标签；
利用推荐算法，计算用户对案例的兴趣程度，计算公式为：
Figure 316578DEST_PATH_IMAGE007
；
其中，用户输入标签行为（u，i，b）代表用户u对i案例打上b标签，nu,b表示用户u打过标签b的次数，nb,i是案例i被打过标签b的次数，
Figure 985457DEST_PATH_IMAGE008
表示打出标签b的用户的数量，q值表示用户对案例的兴趣程度；
利用领域的方法将标签扩展至其他案件。
综上所述，借助于本发明的上述技术方案，通过运用协同过滤算法及对其进行改进，能够提高推荐案例的准确性，在用户选择输入项后，会根据系统推荐的案例选择不相关、基本相关、非常相关，从而能够有效地提高用户对案例的理解程度，降低民众维权的专业性限制。同时本方法通过改进现有推荐算法能够根据用户的选择项直接判断是否为相似输入，甚至找到相同输入，从而减少现有算法中的数据矩阵构建，提高效率与推荐的准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (5)

1.一种基于协同过滤推荐算法用于案例推荐的方法，其特征在于，该方法包括以下步骤：
S1、用户输入；
S2、对用户选择项进行相似度计算，发现最近邻居；
S3、根据用户相似度计算产生推荐数据集；
S4、构建并利用标签给用户推荐相似案例；
其中，所述用户输入为当前用户选择案由，并对该案由内相关问题进行选择并输入；
其中，所述对用户选择项进行相似度计算，发现最近邻居包括以下步骤：
S21、若当前用户选择案由不同时，采用以下公式计算：
Figure 579571DEST_PATH_IMAGE001
；
S22、若选择案由相同时，采用以下公式计算：
Figure 308493DEST_PATH_IMAGE002
；
其中，sim（u1，u2）为用户u1与u2的相似度，s为问题总数，∇在单选选择情况下相同为1，不同为0，且在多选情况下
Figure 387307DEST_PATH_IMAGE003
，s1为多选选项数；
S23、根据上述公式判断最近邻居，并选取相似度最近的五个邻居；
所述根据用户相似度计算产生推荐数据集包括以下步骤：
S31、计算某个案例组中案例对当前用户输入的推荐值，采用以下公式计算：
Figure 947602DEST_PATH_IMAGE004
；
其中，p表示推荐值，
Figure 453669DEST_PATH_IMAGE005
表示用户输入对问题选择的平均估值，在本场景应用中
Figure 669887DEST_PATH_IMAGE005
值为0；sim(u，ui)为用户输入u和用户输入ui的相似度，ri是用户输入i对案例组的平均估值，
Figure 365442DEST_PATH_IMAGE006
为用户输入i对案例的平均估值，n表示案例的总数量；
S32、选取p值最大的五个案例推荐给当前用户，同时后台分析案例结果，进行综合司法风险评估；
所述构建并利用标签给用户推荐相似案例包括以下步骤：
S41、用户对案例进行评价与增加标签；
S42、利用推荐算法，计算用户对案例的兴趣程度，计算公式为：
Figure 717926DEST_PATH_IMAGE007
；
其中，用户输入标签行为（u，i，b）代表用户u对i案例打上b标签，nu,b表示用户u打过标签b的次数，nb,i是案例i被打过标签b的次数，
Figure 660474DEST_PATH_IMAGE008
表示打出标签b的用户的数量，q值表示用户对案例的兴趣程度；
S43、利用领域的方法将标签扩展至其他案件；
其中，所述利用领域的方法为通过数据统计出标签之间的相似度，利用以下余弦相似度公式进行计算：
Figure 98409DEST_PATH_IMAGE009
；
其中，b与b′均表示标签，N(b)为有标签b的案例的集合，nb,i为案例i上打上标签b的用户数。
2.一种基于协同过滤推荐算法用于案例推荐的系统，用于执行权利要求1所述基于协同过滤推荐算法用于案例推荐的方法的步骤，其特征在于，该系统包括以下模块：
用户输入模块1，用于收集当前用户的输入集；
相似度计算模块2，用于计算与当前用户输入最相近的用户输入；
推荐值计算模块3，用于计算案例推荐值并选取最大的案例给当前用户；
标签评价与计算模块4，用于构建并利用标签给用户推荐相似案例。
3.根据权利要求2所述的一种基于协同过滤推荐算法用于案例推荐的系统，其特征在于，所述相似度计算模块2，用于计算与当前用户输入最相近的用户输入，包括以下步骤：
若当前用户选择案由不同时，采用以下公式计算：
Figure 581342DEST_PATH_IMAGE001
；
若选择案由相同时，采用以下公式计算：
Figure 53912DEST_PATH_IMAGE010
；
其中，sim（u1，u2）为用户u1与u2的相似度，s为问题总数,∇在单选选择情况下相同为1，不同为0，且在多选情况下
Figure 901782DEST_PATH_IMAGE003
，s1为多选选项数；
根据上述公式判断最近邻居，并选取相似度最近的五个邻居。
4.根据权利要求3所述的一种基于协同过滤推荐算法用于案例推荐的系统，其特征在于，所述推荐值计算模块3，用于选取推荐值最大的案例给当前用户，包括以下步骤：
计算某个案例组中案例对当前用户输入的推荐值，采用以下公式计算：
Figure 827013DEST_PATH_IMAGE011
；
其中，
Figure 354116DEST_PATH_IMAGE005
表示用户输入对问题选择的平均估值，在本场景应用中该值为0；sim(u，ui)为用户输入u和用户输入ui的相似度，ri是用户输入i对案例组的平均估值，
Figure 681193DEST_PATH_IMAGE006
为用户输入i对案例的平均估值，n表示案例的总数量；
选取p值最大的五个案例推荐给当前用户。
5.根据权利要求4所述的一种基于协同过滤推荐算法用于案例推荐的系统，其特征在于，所述标签评价与计算模块4，用于构建与利用标签给用户推荐相似案例，包括以下步骤：
用户对案例进行评价与增加标签；
利用推荐算法，计算用户对案例的兴趣程度，计算公式为：
Figure 965543DEST_PATH_IMAGE012
；
其中，用户输入标签行为（u，i，b）代表用户u对i案例打上b标签，nu,b表示用户u打过标签b的次数，nb,i是案例i被打过标签b的次数，
Figure 378070DEST_PATH_IMAGE008
表示打出标签b的用户的数量，q值表示用户对案例的兴趣程度；
利用领域的方法将标签扩展至其他案件。
CN202110867541.4A 2021-07-30 2021-07-30 一种基于协同过滤推荐算法用于案例推荐的方法与系统 Active CN113312471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110867541.4A CN113312471B (zh) 2021-07-30 2021-07-30 一种基于协同过滤推荐算法用于案例推荐的方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110867541.4A CN113312471B (zh) 2021-07-30 2021-07-30 一种基于协同过滤推荐算法用于案例推荐的方法与系统

Publications (2)

Publication Number Publication Date
CN113312471A CN113312471A (zh) 2021-08-27
CN113312471B true CN113312471B (zh) 2021-11-09

Family

ID=77382481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110867541.4A Active CN113312471B (zh) 2021-07-30 2021-07-30 一种基于协同过滤推荐算法用于案例推荐的方法与系统

Country Status (1)

Country Link
CN (1) CN113312471B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404700A (zh) * 2015-12-30 2016-03-16 山东大学 一种基于协同过滤的视频栏目推荐系统及推荐方法
CN111538827A (zh) * 2020-04-28 2020-08-14 清华大学 基于内容和图神经网络的判例推荐方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120003362A (ko) * 2010-07-02 2012-01-10 아코지토(주) 협력적 필터링 알고리즘 기반의 ｉｐｔｖ 개인별 선호프로그램 추천시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404700A (zh) * 2015-12-30 2016-03-16 山东大学 一种基于协同过滤的视频栏目推荐系统及推荐方法
CN111538827A (zh) * 2020-04-28 2020-08-14 清华大学 基于内容和图神经网络的判例推荐方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Recommended System: Attentive Neural Collaborative Filtering;GUO YANLI 等;《IEEE Access》;20161231;第1页-第8页 *
王飞.司法案例研究平台的设计与实现.《中国优秀硕士论文》.2019,第1页-第83页. *

Also Published As

Publication number Publication date
CN113312471A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
Zhou et al. Preference-based mining of top-K influential nodes in social networks
Chen et al. Sheepdog: group and tag recommendation for flickr photos by automatic search-based learning
CN100583804C (zh) 基于专家值传播算法的社会网络专家信息处理系统及方法
Li et al. Extracting the significant-rare keywords for patent analysis
CN109064285B (zh) 一种获得商品推荐序列及商品推荐方法
US8706739B1 (en) Joining user profiles across online social networks
Hung et al. Tag-based user profiling for social media recommendation
WO2007069663A1 (ja) 技術文書属性の関連性分析支援装置
Hong et al. iHR: an online recruiting system for Xiamen Talent Service Center
Zhou et al. Boosting video popularity through keyword suggestion and recommendation systems
Fraisier et al. Stance classification through proximity-based community detection
CN116629983B (zh) 基于用户偏好的跨领域商品推荐方法及系统
JPWO2007069663A1 (ja) 技術文書属性の関連性分析支援装置
Neve et al. Hybrid reciprocal recommender systems: Integrating item-to-user principles in reciprocal recommendation
Zigkolis et al. Collaborative event annotation in tagged photo collections
Moayedikia et al. Framework and literature analysis for crowdsourcing’s answer aggregation
Wu et al. Are Neighbors Alike? A Semisupervised Probabilistic Collaborative Learning Model for Online Review Spammers Detection
Liu et al. Multi-task learning based high-value patent and standard-essential patent identification model
CN113312471B (zh) 一种基于协同过滤推荐算法用于案例推荐的方法与系统
Firmino et al. Automatic and semi-automatic annotation of people in photography using shared events
Hyun et al. Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability
Liu et al. Shared-view and specific-view information extraction for recommendation
Zamani et al. Similarity-based user identification across social networks
Xue et al. An incremental group-specific framework based on community detection for cold start recommendation
Bao et al. Collaborative filtering with user ratings and tags

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