CN113360632B - 一种用于众包软件测试的多路召回推荐方法 - Google Patents

一种用于众包软件测试的多路召回推荐方法 Download PDF

Info

Publication number
CN113360632B
CN113360632B CN202110641238.2A CN202110641238A CN113360632B CN 113360632 B CN113360632 B CN 113360632B CN 202110641238 A CN202110641238 A CN 202110641238A CN 113360632 B CN113360632 B CN 113360632B
Authority
CN
China
Prior art keywords
user
users
items
item
project
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
CN202110641238.2A
Other languages
English (en)
Other versions
CN113360632A (zh
Inventor
王崇骏
张锐汀
何强强
陈英豪
资帅
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 University
Original Assignee
Nanjing University
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 University filed Critical Nanjing University
Priority to CN202110641238.2A priority Critical patent/CN113360632B/zh
Publication of CN113360632A publication Critical patent/CN113360632A/zh
Application granted granted Critical
Publication of CN113360632B publication Critical patent/CN113360632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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

Abstract

一种用于众包软件测试的多路召回推荐方法，S1，进行数据采集，获取用于多路召回的数据集，该数据集包括用户信息、用户社交信息、项目信息、项目文本描述和用户历史完成项目情况；S2，对数据进行预处理，计算用于多路召回模型的输入数；S3，进行项目多路召回，通过计算用户相似度找到目标用户的相似用户，通过用户‑项目交互矩阵找到目标用户和相似用户的历史完成项目；S4，进行用户多路召回，通过计算项目相似度和项目文本嵌入相似度找到目标项目的相似项目，通过用户‑项目交互矩阵找到完成过目标项目和相似项目的用户，通过计算用户相似度和用户关系矩阵找到用户的相似用户，从而完成对于众包测试用户的多路召回。

Description

一种用于众包软件测试的多路召回推荐方法
技术领域
本发明涉及计算机技术的技术领域，尤其涉及一种用于众包软件测试的多路召回推荐方法。
背景技术
在众包软件测试的任务推荐中，众测任务推荐由于任务类别繁多复杂，众测人员难以获取合适的任务而得到关注。传统的推荐系统和深度推荐系统需要复杂度较高，在推荐过程中需要消耗大量的计算资源，对于大批量的数据来说，系统承担了较大负担。因此，如何解决信息过载问题，是一个需要重点研究的问题。
在数据量相对较大的条件下，面对大量的任务数据和人员信息，如何能够快速准确地将类别繁多的众测任务推荐给合适的众测人员，也是急需解决的问题。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种用于众包软件测试的多路召回推荐方法，该发明能够提升众测任务推荐过程的速度和效率，提高推荐的时效性。
技术方案：为了实现上述发明目的，本发明提供了一种用于众包软件测试的多路召回推荐方法，包括以下步骤，
S1，进行数据采集，获取用于多路召回的数据集，该数据集包括用户信息、用户社交信息、项目信息、项目文本描述和用户历史完成项目情况；
S2，对数据进行预处理，计算用于多路召回模型的输入数据，输入数据包括用户特征、用户关系矩阵、项目特征、项目文本嵌入和用户-项目交互矩阵；
S3，进行项目多路召回，通过计算用户相似度找到目标用户的相似用户，通过用户-项目交互矩阵找到目标用户和相似用户的历史完成项目，通过计算项目相似度和项目文本嵌入相似度找到历史完成项目的相似任务，从而完成对于众包测试项目的多路召回；
S4，进行用户多路召回，通过计算项目相似度和项目文本嵌入相似度找到目标项目的相似项目，通过用户-项目交互矩阵找到完成过目标项目和相似项目的用户，通过计算用户相似度和用户关系矩阵找到用户的相似用户，从而完成对于众包测试用户的多路召回。
进一步的，在本发明中：所述用户关系矩阵通过用户的社交网络获取。
进一步的，在本发明中：所述项目文本嵌入通过BERT模型获取。
进一步的，在本发明中：所述项目多路召回还包括以下步骤，
S31，根据用户的嵌入向量进行相似度计算，得到目标用户的相似用户，获取用户嵌入向量的方式包括根据用户特征获取和根据关系矩阵获取，可分为两条路径；
S32，根据目标用户、相似用户与项目的历史交互数据得到目标用户、相似用户的项目偏好，从而得到目标用户喜好的项目列表，可分为三条路径；
S33，根据项目的嵌入向量进行相似度计算，得到目标用户喜好项目列表的相似项目列表，获取项目嵌入向量的方式包括根据项目特征获取和根据项目文本描述获取，因此共可分为六条路径；
S34，根据得到的目标用户喜好的项目列表和目标用户喜好项目列表的相似项目列表，并去除已交互的项目和重复项目，汇总得到对于众包测试项目的多路召回推荐。
进一步的，在本发明中：所述用户多路召回还包括以下步骤，
S41，根据项目的嵌入向量进行相似度计算，得到目标项目的相似项目，获取项目嵌入向量的方式包括根据项目特征获取和根据项目文本描述获取，可分为两条路径；
S42，根据目标项目、相似项目与用户的历史交互数据得到目标项目、相似项目被哪些用户完成过，从而得到目标项目被完成过的用户列表，可分为三条路径；
S43，根据用户的嵌入向量进行相似度计算，得到目标项目被完成过用户的相似用户列表，获取用户嵌入向量的方式包括根据用户特征和根据关系矩阵两种，因此共可分为六条路径；
S44，根据得到目标项目被完成过的用户列表和目标项目被完成过用户的相似用户列表，并去除已交互的用户和重复用户，汇总得到对于众包测试用户的多路召回推荐。
进一步的，在本发明中：所述相似度的计算为计算余弦相似度。
有益效果：本发明与现有技术相比，其有益效果是：
面对众包软件测试推荐任务中数据过载、计算量大、推荐耗时较多等问题，传统的深度学习推荐系统并不具体优势，而单路召回的方法也有信息损耗的问题，不能得到比较好的推荐效果，而本发明提出的一种用于众包软件测试的多路召回推荐方法，使得推荐过程的计算量得到大幅降低，同时能够作为信息融合器，解决单路召回的特征单一、信息量小、多样性差的问题，从而更好的完成众测领域的推荐任务。
附图说明
图1为本发明提出的用于众包软件测试的多路召回推荐方法的整体流程示意图；
图2为本发明进行项目多路召回的流程示意图；
图3为本发明进行项目多路召回的数据流示意图；
图4为本发明进行用户多路召回的流程示意图；
图5为本发明进行用户多路召回的数据流示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
众测平台是包含大量数据的软件测试任务平台，具有数据过载的问题。如图1所示，为本发明提出的一种用于众包软件测试的多路召回推荐方法的整体流程示意图，该方法具体包括以下步骤，
S1，进行数据采集，获取用于多路召回的数据集，该数据集包括用户信息、用户社交信息、项目信息、项目文本描述和用户历史完成项目情况；
S2，对数据进行预处理，计算用于多路召回模型的输入数据，输入数据包括用户特征、用户关系矩阵、项目特征、项目文本嵌入和用户-项目交互矩阵；其中，所述用户关系矩阵通过用户的社交网络获取，所述项目文本嵌入通过BERT模型获取。
具体的，所述数据预处理还包括以下步骤，
S21，根据用户信息提取连续特征和离散特征，并对连续特征进行合理归一化，然后对特征进行合适地筛选，得到用户特征Uvec；
S22，根据用户社交信息提取用户关系矩阵，根据用户间的好友关系、共事关系、聊天情况等信息计算出用户间的亲密度Ub，将其作为用户关系指标；
S23，根据项目信息提取连续特征和离散特征，并对连续特征进行合理归一化，然后对特征进行合适地筛选，得到项目特征Ivec；
S24，根据项目的文本描述，利用BERT模型进行处理，得到项目文本信息的嵌入向量Iemb；
S25，根据用户历史完成项目情况，主要以最后得分的形式，得到用户-项目交互矩阵AU*I，这里的U为用户数量，I为项目数量，矩阵中的每个元素AU0,I0表示用户U0完成项目I0后得到的评分。
S3，进行项目多路召回，通过计算用户相似度找到目标用户的相似用户，通过用户-项目交互矩阵找到目标用户和相似用户的历史完成项目，通过计算项目相似度和项目文本嵌入相似度找到历史完成项目的相似任务，从而完成对于众包测试项目的多路召回；
具体的，所述项目多路召回还包括以下步骤，
S31，根据用户的嵌入向量进行相似度计算，得到目标用户的相似用户，获取用户嵌入向量的方式包括根据用户特征获取和根据关系矩阵获取，可分为两条路径；具体的，此处相似度计算为计算USij1＝Uvec i*Uvec j，USij2＝Ub i*Ub j，j不等于i的其他用户，对USij排序即可找到目标用户的相似用户。
S32，根据目标用户、相似用户与项目的用户-项目交互矩阵AU*I得到目标用户、相似用户的项目偏好，从而得到目标用户喜好的项目列表，可分为三条路径；
S33，根据项目的嵌入向量进行相似度计算，得到目标用户喜好项目列表的相似项目列表，获取项目嵌入向量的方式包括根据项目特征获取和根据项目文本描述获取，因此共可分为六条路径；
具体的，此处相似度计算为计算ISij1＝Ivec i*Ivec j，ISij2＝Iemb i*Iemb j，j不等于i的其他用户，对ISij排序即可找到目标用户喜好项目列表的相似项目列表，
S34，根据得到的目标用户喜好的项目列表和目标用户喜好项目列表的相似项目列表，并去除已交互的项目和重复项目，汇总得到对于众包测试项目的多路召回推荐。
S4，进行用户多路召回，通过计算项目相似度和项目文本嵌入相似度找到目标项目的相似项目，通过用户-项目交互矩阵找到完成过目标项目和相似项目的用户，通过计算用户相似度和用户关系矩阵找到用户的相似用户，从而完成对于众包测试用户的多路召回。
具体的，所述用户多路召回还包括以下步骤，
S41，根据项目的嵌入向量进行相似度计算，得到目标项目的相似项目，获取项目嵌入向量的方式包括根据项目特征获取和根据项目文本描述获取，可分为两条路径；其中，此处相似度计算为计算ISij1＝Ivec i*Ivec j，ISij2＝Iemb i*Iemb j，j不等于i的其他用户，对ISij排序即可找到目标项目的相似项目。
S42，根据目标项目、相似项目与用户的历史交互数据AU*I得到目标项目、相似项目被哪些用户完成过，从而得到目标项目被完成过的用户列表，可分为三条路径；
S43，根据用户的嵌入向量进行相似度计算，得到目标项目被完成过用户的相似用户列表，获取用户嵌入向量的方式包括根据用户特征和根据关系矩阵两种，因此共可分为六条路径；其中，此处相似度计算为计算USij1＝Uvec i*Uvec j，USij2＝Ub i*Ub j，j不等于i的其他用户，对USij排序即可找到目标项目被完成过用户的相似用户列表。
S44，根据得到目标项目被完成过的用户列表和目标项目被完成过用户的相似用户列表，并去除已交互的用户和重复用户，汇总得到对于众包测试用户的多路召回推荐。
本实施例中，所述相似度的计算为计算余弦相似度，即为S41、S43中所述相似度计算方法。
综上所述，本发明提出的方法充分利用众包测试平台中各个层级的数据，通过多路召回推荐算法，解决了众包软件测试领域数据过载、数据计算量大，推荐过程耗时较大的问题，在得到更加完善的推荐信息的同时，也为后续精细推荐排序过程提供支持。多路召回推荐在众包测试平台的应用，也为众测任务推荐提供了一类新的范式。
应说明的是，以上所述实施例仅表达了本发明的部分实施方式，其描述并不能理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些均应落入本发明的保护范围。

Claims (3)

1.一种用于众包软件测试的多路召回推荐方法，其特征在于：包括以下步骤，
S1，进行数据采集，获取用于多路召回的数据集，该数据集包括用户信息、用户社交信息、项目信息、项目文本描述和用户历史完成项目情况；
S2，对数据进行预处理，计算用于多路召回模型的输入数据，输入数据包括用户特征、用户关系矩阵、项目特征、项目文本嵌入和用户-项目交互矩阵；
S3，进行项目多路召回，通过计算用户相似度找到目标用户的相似用户，通过用户-项目交互矩阵找到目标用户和相似用户的历史完成项目，通过计算项目相似度和项目文本嵌入相似度找到历史完成项目的相似任务，从而完成对于众包测试项目的多路召回；
S4，进行用户多路召回，通过计算项目相似度和项目文本嵌入相似度找到目标项目的相似项目，通过用户-项目交互矩阵找到完成过目标项目和相似项目的用户，通过计算用户相似度和用户关系矩阵找到用户的相似用户，从而完成对于众包测试用户的多路召回；
所述用户关系矩阵通过用户的社交网络获取；
所述项目文本嵌入通过BERT模型获取；
S3所述项目多路召回还包括以下步骤，
S31，根据用户的嵌入向量进行相似度计算，得到目标用户的相似用户，获取用户嵌入向量的方式包括根据用户特征获取和根据关系矩阵获取，可分为两条路径；
S32，根据目标用户、相似用户与项目的历史交互数据得到目标用户、相似用户的项目偏好，从而得到目标用户喜好的项目列表，可分为三条路径；
S33，根据项目的嵌入向量进行相似度计算，得到目标用户喜好项目列表的相似项目列表，获取项目嵌入向量的方式包括根据项目特征获取和根据项目文本描述获取，因此共可分为六条路径；
S34，根据得到的目标用户喜好的项目列表和目标用户喜好项目列表的相似项目列表，并去除已交互的项目和重复项目，汇总得到对于众包测试项目的多路召回推荐；
S4，进行用户多路召回还包括以下步骤，
S41，根据项目的嵌入向量进行相似度计算，得到目标项目的相似项目，获取项目嵌入向量的方式包括根据项目特征获取和根据项目文本描述获取，可分为两条路径；
S42，根据目标项目、相似项目与用户的历史交互数据得到目标项目、相似项目被哪些用户完成过，从而得到目标项目被完成过的用户列表，可分为三条路径；
S43，根据用户的嵌入向量进行相似度计算，得到目标项目被完成过用户的相似用户列表，获取用户嵌入向量的方式包括根据用户特征和根据关系矩阵两种，因此共分为六条路径；
S44，根据得到目标项目被完成过的用户列表和目标项目被完成过用户的相似用户列表，并去除已交互的用户和重复用户，汇总得到对于众包测试用户的多路召回推荐。
2.如权利要求1所述的用于众包软件测试的多路召回推荐方法，其特征在于：所述相似度的计算为计算余弦相似度。
3.如权利要求1所述的用于众包软件测试的多路召回推荐方法，其特征在于：S2中对数据进行预处理，计算用于多路召回模型的输入数据，输入数据包括用户特征、用户关系矩阵、项目特征、项目文本嵌入和用户-项目交互矩阵；其中，所述用户关系矩阵通过用户的社交网络获取，所述项目文本嵌入通过BERT模型获取；
所述数据预处理还包括以下步骤，
S21，根据用户信息提取连续特征和离散特征，并对连续特征进行合理归一化，然后对特征进行合适地筛选，得到用户特征Uvec；
S22，根据用户社交信息提取用户关系矩阵，根据用户间的好友关系、共事关系、聊天情况信息计算出用户间的亲密度Ub，将其作为用户关系指标；
S23，根据项目信息提取连续特征和离散特征，并对连续特征进行合理归一化，然后对特征进行合适地筛选，得到项目特征Ivec；
S24，根据项目的文本描述，利用BERT模型进行处理，得到项目文本信息的嵌入向量Iemb；
S25，根据用户历史完成项目情况，以最后得分的形式，得到用户-项目交互矩阵AU*I，这里U为用户数量，I为项目数量，矩阵中的每个元素AU0,I0表示用户U0完成项目I0后得到的评分。
CN202110641238.2A 2021-06-09 2021-06-09 一种用于众包软件测试的多路召回推荐方法 Active CN113360632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110641238.2A CN113360632B (zh) 2021-06-09 2021-06-09 一种用于众包软件测试的多路召回推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110641238.2A CN113360632B (zh) 2021-06-09 2021-06-09 一种用于众包软件测试的多路召回推荐方法

Publications (2)

Publication Number Publication Date
CN113360632A CN113360632A (zh) 2021-09-07
CN113360632B true CN113360632B (zh) 2023-08-25

Family

ID=77533392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110641238.2A Active CN113360632B (zh) 2021-06-09 2021-06-09 一种用于众包软件测试的多路召回推荐方法

Country Status (1)

Country Link
CN (1) CN113360632B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649657A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐系统及方法
CN110046304A (zh) * 2019-04-18 2019-07-23 腾讯科技（深圳）有限公司 一种用户推荐方法和装置
CN111125460A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 信息推荐方法及装置
CN111259232A (zh) * 2019-12-03 2020-06-09 江苏艾佳家居用品有限公司 一种基于个性化召回的推荐系统优化方法
CN111400612A (zh) * 2020-03-11 2020-07-10 重庆邮电大学 一种融合社交影响和项目关联的个性化推荐方法
CN112785397A (zh) * 2021-03-09 2021-05-11 中国工商银行股份有限公司 一种产品推荐方法、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
US20190182059A1 (en) * 2017-12-12 2019-06-13 Facebook, Inc. Utilizing machine learning from exposed and non-exposed user recall to improve digital content distribution

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649657A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐系统及方法
CN110046304A (zh) * 2019-04-18 2019-07-23 腾讯科技（深圳）有限公司 一种用户推荐方法和装置
CN111259232A (zh) * 2019-12-03 2020-06-09 江苏艾佳家居用品有限公司 一种基于个性化召回的推荐系统优化方法
CN111125460A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 信息推荐方法及装置
CN111400612A (zh) * 2020-03-11 2020-07-10 重庆邮电大学 一种融合社交影响和项目关联的个性化推荐方法
CN112785397A (zh) * 2021-03-09 2021-05-11 中国工商银行股份有限公司 一种产品推荐方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于知识图谱的个性化新闻推荐系统的设计与实现;甄玉敏;《中国优秀硕士学位论文全文数据库 信息科技辑》(第03期);I138-885 *

Also Published As

Publication number Publication date
CN113360632A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN104778173B (zh) 目标用户确定方法、装置及设备
CN105824911B (zh) 基于lda用户主题模型的视频推荐方法
CN106407349A (zh) 一种产品推荐方法及装置
CN103761237A (zh) 一种基于用户特征及其信任度的协同过滤推荐方法
CN105678590B (zh) 一种面向社交网络基于云模型的topN推荐方法
CN109726747A (zh) 基于社交网络推荐平台的数据融合排序方法
Lin et al. Sparse online learning for collaborative filtering
CN108932646A (zh) 基于运营商的用户标签验证方法、装置和电子设备
Shafqat et al. A hybrid GAN-based approach to solve imbalanced data problem in recommendation systems
WO2015153240A1 (en) Directed recommendations
CN103353865A (zh) 一种基于位置的易货电子交易商品推荐方法
CN109272312A (zh) 用于交易风险实时侦测的方法和装置
CN113360632B (zh) 一种用于众包软件测试的多路召回推荐方法
CN111652269B (zh) 一种基于群智交互的主动机器学习方法及装置
CN107395447A (zh) 模块检测方法、系统容量预估方法及相应的设备
CN103077469A (zh) 推荐装置、推荐系统、推荐方法以及程序
CN110505276A (zh) 对象匹配方法、装置及系统、电子设备及存储介质
Cucus et al. Selection of Prospective Workers Using Profile Matching Algorithm on Crowdsourcing Platform
Meng et al. A generalized fuzzy data envelopment analysis with restricted fuzzy sets and determined constraint condition 1
Li et al. Leveraging reconstructive profiles of users and items for tag-aware recommendation
Zhen et al. Lean production and technological innovation in manufacturing industry based on SVM algorithms and data mining technology
Yan et al. Artificial Intelligence Enterprise Service Quality Evaluation System
Zhao et al. Loss Curve Approximations for Fast Neural Architecture Ranking & Training Elasticity Estimation
Wang Fuzzy quantitative evaluation on tourist scenic spot service quality in the perspective of Wechat marketing
CN113723008B (zh) 基于几何非纠缠变分自动编码器学习几何解耦表示的方法

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