CN113538090B - 基于dikw图谱的虚拟社区人员性格分析及内容推送方法 - Google Patents
基于dikw图谱的虚拟社区人员性格分析及内容推送方法 Download PDFInfo
- Publication number
- CN113538090B CN113538090B CN202110788578.8A CN202110788578A CN113538090B CN 113538090 B CN113538090 B CN 113538090B CN 202110788578 A CN202110788578 A CN 202110788578A CN 113538090 B CN113538090 B CN 113538090B
- Authority
- CN
- China
- Prior art keywords
- user
- dik
- commodity
- commodities
- map
- 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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,判断用户为新用户还是老用户,对新用户采用标签和热销榜方法进行内容推送,采集老用户的类型化数据,并以此构建DIKW图谱模型,DIKW图谱模型中包含用户数据图谱、用户信息图谱以及用户知识图谱,DIKW图谱模型根据类型化资源进行处理获得用户历史行为记录、用户购买转化率、选购商品占比、高频交互商品类目集合,并以此获得用户偏好的商品,然后进行推送,不仅可以解决用户为新用户时的冷启动问题,还可以针对老用户在购物网站中的历史数据进行相对应的商品推送,保证推送的商品符合用户的性格、兴趣以及习惯等,并且可以兼容各大购物网站使用。
Description
技术领域
本发明涉及内容推送技术领域,特别涉及一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法。
背景技术
随着网络的迅速发展,各购物网站/购物APP的竞争越来越激烈,进行网上购物的用户的数量也在飞速地增长,各购物网站/购物APP为提供其竞争力,通过采用特定的算法为用户推荐感兴趣的商品,虽商品推荐系统所采用的各项技术都相对较成熟,并且给各个购物网站/购物APP带来日趋增大地收益,但是商品推荐系统仍然面临着各种挑战,第一个是冷启动问题,新用户在相应的购物网站/购物APP上没有相关的可以供商品推荐系统利用的行为信息,因此很难给用户提供较为精准的商品推荐,另一方面,刚上架进行销售的商品由于被选取的次数较少,也很难对其进行推送;第二是目前的推荐方法大多根据用户的浏览以及收藏记录进行商品的推送,无法针对用户的性格特点、行为习惯进行深入挖掘、分析以及利用,推荐的方法不够人性化,并且各个购物网站/购物APP之间的推荐算法都有不同的适用环境,不具备统一性。
公开号为CN109816482A的发明专利(以下简称D1)中,公开了使用通过用户的历史浏览数据来获取关键字段,对关键段进行处理后构建知识图谱,用于解决商品推荐的精确度和成功率较低的问题,D1仅是通过用户的历史浏览数据来解决商品推荐精确度和成功率的问题,并未提到如何解决冷启动的问题。
公开号为CN112100513A的发明专利(以下简称D2)中,获取目标对象的历史行为数据,历史行为数据是目标对象在互联网平台上的操作生成的;利用历史行为数据生成目标数据集,目标数据集中的数据用于指示实体以及实体之间的关联关系,实体为多个平台采集得到的;以目标数据集为样本数据,根据实体和关联关系构建知识图谱;向目标对象推荐利用所述知识图谱确定的目标产品,从而解决推荐结果不准确、可解释性不强的问题,D2中公开了应用知识图谱来解决推荐问题,但是其也仅仅考虑的是目标对象的历史行为数据,并没有根据用户的性格特点、行为习惯等进行深入挖掘分析,无法保证推荐的商品是否真切符合用户需求。
发明内容
鉴以此,本发明提出一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,采用DIKW图谱模型根据用户的类型化资源进行商品的推荐,所推荐的商品更加符合用户的喜好、性格以及习惯等。
本发明的技术方案是这样实现的:
基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,包括以下步骤:
步骤S1、判断用户为新用户还是老用户,若用户为新用户,则采用标签和热销榜方法进行内容推送,若用户为老用户,则转步骤S2;
步骤S2、采集用户的类型化资源,并根据类型化资源构建DIKW图谱模型,所述DIKW图谱模型包含用户数据图谱、用户信息图谱以及用户知识图谱;
步骤S3、用户数据图谱根据类型化资源建立用户属性库,用户信息图谱根据用户属性库中的用户属性进行处理并获得用户信息,所述用户信息包括用户历史行为记录、用户购买转化率以及选购商品占比;
步骤S4、用户信息图谱计算用户和商品之间不同的关系的发生频率,获得与用户存在高级别关系的商品以及商品的所属商品类目,并组成高频交互商品类目集合;
步骤S5、用户知识图谱根据用户历史行为记录、用户购买转化率以及选购商品占比、高频交互商品类目集合,获得用户偏好的商品,并进行推送。
优选的,所述步骤S1中的新用户包括未注册用户以及注册了但并未进行使用的新注册用户。
优选的,所述步骤S1中采用标签和热消榜方法进行内容推送的具体步骤为:
当用户为未注册用户时,判断其进入购物网站和/或购物APP的途径,若用户为通过在浏览器中输入网站链接进入购物网站的,将一段时间内的热销榜中的商品以及与热销榜中的商品属于同一商品类目的商品推荐给用户;若用户为通过搜索引擎中输入关键词进入购物网站的,则将与该关键词具有相关性的商品推荐给用户;
当用户为新注册用户时,根据其注册标签,采用solr全站搜索推荐进行商品内容的推荐。
优选的,所述步骤S2中的类型化资源由用户在购物网站和/或购物APP中对商品进行浏览、收藏、加入购物车、与其他用户进行的商品分享推荐以及与具有相近兴趣爱好的用户之间的交互所留下的痕迹内容组成,所述类型化资源包括数据DDIK、信息IDIK以及知识KDIK,其中所述数据DDIK存储在用户数据图谱中,所述信息IDIK存储在用户信息图谱中,所述知识KDIK存储在用户知识图谱中,所述数据DDIK、信息IDIK、知识KDIK之间相互转换后更新对应的图谱。
优选的,所述数据DDIK、信息IDIK、知识KDIK之间的转换过程为:
所述数据DDIK通过分析以及统计分别得到信息IDIK和知识KDIK;
所述信息IDIK通过总结以及推理分别得到数据DDIK和知识KDIK;
所述知识KDIK通过预测分别得到数据DDIK和信息IDIK。
优选的,所述步骤S3中的用户历史行为记录包括行为类别以及各行为发生的频率,所述行为类别包括点击商品、购买商品、将商品加入购物车以及收藏商品。
优选的,所述用户购买转化率包括用户在购物网站和/或购物APP中通过不同的行为类别的组合进行购物的不同路径所对应的转化率,所述路径包括:购买商品;收藏商品-购买商品;将商品加入购物车-购买商品;收藏商品-将商品加入购物车-购买商品。
优选的,所述用户知识图谱中设定有转化率阈值,当某一路径的转化率大于转化率阈值时,用户知识图谱将该路径所对应的商品以及类别推送给用户。
优选的,所述步骤S4的具体步骤为:
步骤S41、设定交互阈值;
步骤S42、获取用于与商品之间关系,并计算用户与商品不同关系的发生频率;
步骤S43、若用户与商品不同关系的发生频率大于交互阈值时,将对应的商品列为一级关系,将所有属于一级关系的商品及其所属商品类目组成高频交互商品类目集合。
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DIKW图谱的虚拟社区人员性格分析及内容推送方法,在判断用户为老用户时,采集用户的资源化数据,并建立DIKW图谱模型,通过DIKW图谱模型中的用户数据图谱、用户信息图谱以及用户知识图谱对用户与商品之间的关系进行处理,以此获取用户历史行为记录、用户购买转化率、选购商品占比以及高频交互商品类目集合,最后可以根据用户历史行为记录、用户购买转化率、选购商品占比以及高频交互商品类目集合来进行商品的推送,可以为用户推荐符合其性格、兴趣的商品,同时在判断用户为新用户后,可以采用标签和热销榜的方式进行推荐,从而解决冷启动的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法的流程图;
图2为本发明一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法的DIKW图谱模型的示意图;
图3为本发明一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法的推送框架图。
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
参见图1至图3,本发明提供的一种基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,包括以下步骤:
步骤S1、判断用户为新用户还是老用户,若用户为新用户,则采用标签和热销榜方法进行内容推送,若用户为老用户,则转步骤S2。
新用户包括未注册用户以及注册了但并未进行使用的新注册用户。
当用户为未注册用户时,判断其进入购物网站和/或购物APP的途径,若用户为通过在浏览器中输入网站链接进入购物网站的,将一段时间内的热销榜中的商品以及与热销榜中的商品属于同一商品类目的商品推荐给用户;若用户为通过搜索引擎中输入关键词进入购物网站的,则将与该关键词具有相关性的商品推荐给用户;
当用户为新注册用户时,根据其注册标签,采用solr全站搜索推荐进行商品内容的推荐。
由于本发明的内容推荐方法主要针对的是具有浏览记录的老用户,因此在识别到用户为新用户时,由于无法使用DIKW图谱模型进行内容的推送,因此会涉及到冷启动的问题,对于用户为新用户的情况下,本发明通过使用标签和热销榜方式来进行内容推送,而对于新用户而言,分为未注册用户和已注册但并未使用的新注册用户,针对不同类别的新用户采用不同的方式进行内容推荐,用以解决冷启动的问题。
步骤S2、采集用户的类型化资源,并根据类型化资源构建DIKW图谱模型,所述DIKW图谱模型包含用户数据图谱、用户信息图谱以及用户知识图谱。
类型化资源由用户在购物网站和/或购物APP中对商品进行浏览、收藏、加入购物车、与其他用户进行的商品分享推荐以及与具有相近兴趣爱好的用户之间的交互所留下的痕迹内容组成,所述类型化资源包括数据DDIK、信息IDIK以及知识KDIK,其中所述数据DDIK存储在用户数据图谱中,所述信息IDIK存储在用户信息图谱中,所述知识KDIK存储在用户知识图谱中,所述数据DDIK、信息IDIK、知识KDIK之间相互转换后更新对应的图谱。
优选的,所述数据DDIK、信息IDIK、知识KDIK之间的转换过程为:
所述数据DDIK通过分析以及统计分别得到信息IDIK和知识KDIK;
所述信息IDIK通过总结以及推理分别得到数据DDIK和知识KDIK;
所述知识KDIK通过预测分别得到数据DDIK和信息IDIK。
当用户为老用户时,其在购物网站和/或购物APP中会留下痕迹内容等,包括浏览、收藏、加入购物车、分享推荐、交互内容等等,这些痕迹内容共同组成了用户的类型化数据,通过对这些类型化数据进行分析以及处理后,可以得到三种用于构建DIKW图谱模型的资源,分别为数据DDIK、信息IDIK以及知识KDIK,这三种资源会分别存储在对应的用户数据图谱、用户信息图谱以及用户知识图谱中,并且数据DDIK、信息IDIK以及知识KDIK之间可以相互转换,从而可以达到动态平衡,最终构成了包含用户数据图谱、用户信息图谱以及用户知识图谱的DIKW图谱模型。
步骤S3、用户数据图谱根据类型化资源建立用户属性库,用户信息图谱根据用户属性库中的用户属性进行处理并获得用户信息,所述用户信息包括用户历史行为记录、用户购买转化率以及选购商品占比。
用户属性库定义了用户所有的基本属性,有一个一个的围绕在中心节点之外的离散集合组成,相应的节点的数值可以通过数据训练途径、调查问卷的方式或者通过可以提供可靠数据的网站获取,例如阿里云池,一定数量的类型化资源中存在一定数量的重复数据,统计类型化资源中的额各个属性的出现频率,并将其存储到用户数据图谱中。
对于用户信息图谱而言,其内部存储的是用户本身所拥有的,可以将输入的数据转化为向用户输出的相应的数据,可以用C(in)=out来进行表示,其集合则可以用Self(Cneed)来表示,用户的属性能够在一定程度上反映出用户所具有的部分自我能力,将用户属性库中的所有属性代入到C(in)=out中进行计算,可以得到用户相对应的用户信息,并将这些用户信息存储到用户信息图谱中。
对于用户信息而言,其包括了用户历史行为记录、用户购买转化率以及选购商品占比,用户历史行为记录包括行为类别以及各行为发生的频率,所述行为类别包括点击商品、购买商品、将商品加入购物车以及收藏商品,用户购买转化率包括用户在购物网站和/或购物APP中通过不同的行为类别的组合进行购物的不同路径所对应的转化率,所述路径包括:购买商品;收藏商品-购买商品;将商品加入购物车-购买商品;收藏商品-将商品加入购物车-购买商品。
不同的路径所对应的最终结果不同,通过统计不同路径下的转化率可以作为判断商品是否为用户喜好的依据之一,另外的用户历史行为记录里面包括了四个类别,每个类别的发生频率也不相同,统计不同类别发生的频率也可以作为商品推荐的依据之一。
步骤S4、用户信息图谱计算用户和商品之间不同的关系的发生频率,获得与用户存在高级别关系的商品以及商品的所属商品类目,并组成高频交互商品类目集合,其具体步骤为:
步骤S41、设定交互阈值;
步骤S42、获取用于与商品之间关系,并计算用户与商品不同关系的发生频率;
步骤S43、若用户与商品不同关系的发生频率大于交互阈值时,将对应的商品列为一级关系,将所有属于一级关系的商品及其所属商品类目组成高频交互商品类目集合。
由于本发明是商品的推荐方法,因此针对的两个主体为用户以及商品,而用户在购物网站和/或购物APP中的社交行为均是发生在用户和对应的商品之间,因此要想进行具有较高准确度的商品推送,需要关注用户和商品之间的关系,用户与商品类目之间关系可以用R(Ua,Pa)表示,其中Ua为用户,Pa为商品,并计算二者之间不同的关系的发生频率,R(Ua,Pa)freq,并将用户与商品之间的关系以及不同关系的发生频率存储在用户信息图谱中。
在用户信息图谱中设定好交互阈值,当用户与某一商品的某一关系的发生频率大于交互阈值时,将对应的商品定义为一级关系,所有的一级关系的商品以及商品对应的商品类目即组成高频交互商品类目集合。
步骤S5、用户知识图谱根据用户历史行为记录、用户购买转化率以及选购商品占比、高频交互商品类目集合,获得用户偏好的商品,并进行推送。
在进行商品的推送时,由用户知识图谱根据相对应的内容获取用户偏好的商品,其中主要依据的是四部分的内容,第一部分是用户历史行为记录,包括四个行为类别的点击频率,依据用户点击商品频率的大小来进行商品推荐,第二部分为用户购买转化率,其包括了不同路径下的转化率,通过对转化率进行统计后,与用户知识图谱中的转化率阈值进行比较,然后选取大于转化率阈值的路径所对应的商品以及类别作为推荐内容推荐给用户;第三部分为选购商品占比,以占比最多的部分作为用户感兴趣的商品,并进行推荐;第四个为高频交互商品类目集合,将集合中的一级关系的商品进行推荐。
通过多种渠道依据来进行商品的推荐,可以保证推荐的商品符合用户在购网网站上的历史记录所对应的兴趣范围,从而最终推荐的商品可以符合用户的兴趣、性格、需求等等。
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.基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,其特征在于,包括以下步骤:
步骤S1、判断用户为新用户还是老用户,若用户为新用户,则采用标签和热销榜方法进行内容推送,若用户为老用户,则转步骤S2;
步骤S2、采集用户的类型化资源,并根据类型化资源构建DIKW图谱模型,所述DIKW图谱模型包含用户数据图谱、用户信息图谱以及用户知识图谱;
步骤S3、用户数据图谱根据类型化资源建立用户属性库,用户信息图谱根据用户属性库中的用户属性进行处理并获得用户信息,所述用户信息包括用户历史行为记录、用户购买转化率以及选购商品占比;
步骤S4、用户信息图谱计算用户和商品之间不同的关系的发生频率,获得与用户存在高级别关系的商品以及商品的所属商品类目,并组成高频交互商品类目集合;
步骤S5、用户知识图谱根据用户历史行为记录、用户购买转化率以及选购商品占比、高频交互商品类目集合,获得用户偏好的商品,并进行推送;
所述步骤S3中的用户历史行为记录包括行为类别以及各行为发生的频率,所述行为类别包括点击商品、购买商品、将商品加入购物车以及收藏商品;
所述用户购买转化率包括用户在购物网站和/或购物APP中通过不同的行为类别的组合进行购物的不同路径所对应的转化率,所述路径包括:购买商品;收藏商品-购买商品;将商品加入购物车-购买商品;收藏商品-将商品加入购物车-购买商品;
所述用户知识图谱中设定有转化率阈值,当某一路径的转化率大于转化率阈值时,用户知识图谱将该路径所对应的商品以及类别推送给用户;
所述步骤S4的具体步骤为:
步骤S41、设定交互阈值;
步骤S42、获取用于与商品之间关系,并计算用户与商品不同关系的发生频率;
步骤S43、若用户与商品不同关系的发生频率大于交互阈值时,将对应的商品列为一级关系,将所有属于一级关系的商品及其所属商品类目组成高频交互商品类目集合。
2.根据权利要求1所述的基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,其特征在于,所述步骤S1中的新用户包括未注册用户以及注册了但并未进行使用的新注册用户。
3.根据权利要求2所述的基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,其特征在于,所述步骤S1中采用标签和热消榜方法进行内容推送的具体步骤为:
当用户为未注册用户时,判断其进入购物网站和/或购物APP的途径,若用户为通过在浏览器中输入网站链接进入购物网站的,将一段时间内的热销榜中的商品以及与热销榜中的商品属于同一商品类目的商品推荐给用户;若用户为通过搜索引擎中输入关键词进入购物网站的,则将与该关键词具有相关性的商品推荐给用户;
当用户为新注册用户时,根据其注册标签,采用solr全站搜索推荐进行商品内容的推荐。
4.根据权利要求1所述的基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,其特征在于,所述步骤S2中的类型化资源由用户在购物网站和/或购物APP中对商品进行浏览、收藏、加入购物车、与其他用户进行的商品分享推荐以及与具有相近兴趣爱好的用户之间的交互所留下的痕迹内容组成,所述类型化资源包括数据DDIK、信息IDIK以及知识KDIK,其中所述数据DDIK存储在用户数据图谱中,所述信息IDIK存储在用户信息图谱中,所述知识KDIK存储在用户知识图谱中,所述数据DDIK、信息IDIK、知识KDIK之间相互转换后更新对应的图谱。
5.根据权利要求4所述的基于DIKW图谱的虚拟社区人员性格分析及内容推送方法,其特征在于,所述数据DDIK、信息IDIK、知识KDIK之间的转换过程为:
所述数据DDIK通过分析以及统计分别得到信息IDIK和知识KDIK;
所述信息IDIK通过总结以及推理分别得到数据DDIK和知识KDIK;
所述知识KDIK通过预测分别得到数据DDIK和信息IDIK。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110788578.8A CN113538090B (zh) | 2021-07-13 | 2021-07-13 | 基于dikw图谱的虚拟社区人员性格分析及内容推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110788578.8A CN113538090B (zh) | 2021-07-13 | 2021-07-13 | 基于dikw图谱的虚拟社区人员性格分析及内容推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538090A CN113538090A (zh) | 2021-10-22 |
CN113538090B true CN113538090B (zh) | 2022-09-23 |
Family
ID=78098779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110788578.8A Active CN113538090B (zh) | 2021-07-13 | 2021-07-13 | 基于dikw图谱的虚拟社区人员性格分析及内容推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538090B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569411A (zh) * | 2019-09-20 | 2019-12-13 | 海南大学 | 基于类型化知识图谱的虚拟社区人员性格分类及性格转换方法 |
CN112669096A (zh) * | 2021-03-16 | 2021-04-16 | 蚂蚁智信(杭州)信息技术有限公司 | 对象推荐模型训练方法以及装置 |
CN113010701A (zh) * | 2021-02-25 | 2021-06-22 | 北京四达时代软件技术股份有限公司 | 以视频为中心的融媒体内容推荐方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6851092B2 (en) * | 2001-10-29 | 2005-02-01 | Sony Corporation | System and method for establishing viewer shopping preferences based on viewing and listening preferences |
CN110110896A (zh) * | 2019-04-09 | 2019-08-09 | 海南大学 | 面向遮阳、避雨、选风、看景的个性化路线推荐系统 |
CN111028087B (zh) * | 2019-12-05 | 2023-09-22 | 中国银行股份有限公司 | 信息展示方法、装置和设备 |
CN111858960B (zh) * | 2020-07-23 | 2021-09-10 | 海南大学 | 面向本质计算的跨dikw图谱的虚拟社区资源处理方法及组件 |
CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
CN112307974B (zh) * | 2020-10-31 | 2022-02-22 | 海南大学 | 跨数据信息知识模态的用户行为内容编解码方法 |
-
2021
- 2021-07-13 CN CN202110788578.8A patent/CN113538090B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569411A (zh) * | 2019-09-20 | 2019-12-13 | 海南大学 | 基于类型化知识图谱的虚拟社区人员性格分类及性格转换方法 |
CN113010701A (zh) * | 2021-02-25 | 2021-06-22 | 北京四达时代软件技术股份有限公司 | 以视频为中心的融媒体内容推荐方法及装置 |
CN112669096A (zh) * | 2021-03-16 | 2021-04-16 | 蚂蚁智信(杭州)信息技术有限公司 | 对象推荐模型训练方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113538090A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aggarwal | Recommender systems | |
Xu et al. | A novel POI recommendation method based on trust relationship and spatial–temporal factors | |
Mahajan et al. | Parameter estimation in marketing models in the presence of multicollinearity: An application of ridge regression | |
Kumar et al. | Stages of user engagement on social commerce platforms: analysis with the navigational clickstream data | |
CN107077486A (zh) | 情感评价系统和方法 | |
US10163117B2 (en) | System, method, and computer program product for model-based data analysis | |
Huseynov et al. | The influence of knowledge-based e-commerce product recommender agents on online consumer decision-making | |
Zhu et al. | A graph-oriented model for hierarchical user interest in precision social marketing | |
Ambulgekar et al. | A survey on collaborative filtering: tasks, approaches and applications | |
Poirson et al. | A recommender approach based on customer emotions | |
Zhang et al. | Day-to-day rerouting modeling and analysis with absolute and relative bounded rationalities | |
Kim et al. | Discovering online shopping preference structures in large and frequently changing store assortments | |
Bansal et al. | Clickstream & behavioral analysis with context awareness for e-commercial applications | |
Hruschka | Comparing Small‐and Large‐Scale Models of Multicategory Buying Behavior | |
Meng et al. | Impact of online word-of-mouth on sales: The moderating role of product review quality | |
CN113538090B (zh) | 基于dikw图谱的虚拟社区人员性格分析及内容推送方法 | |
Jain et al. | Identification of opinion leader in online social network using fuzzy trust system | |
Minjing et al. | Recognizing intentions of E-commerce consumers based on ant colony optimization simulation | |
Raeesi Vanani et al. | Using text mining algorithms in identifying emerging trends for recommender systems | |
TWM634531U (zh) | 目標客群消費偏好行為觀察伺服器 | |
Gao et al. | [Retracted] Construction of Digital Marketing Recommendation Model Based on Random Forest Algorithm | |
Liu et al. | Research on assistant decision-makings of E-commerce platform with refinement tools | |
Li et al. | Improving recommendation by connecting user behavior in temporal and topological dimensions | |
KR20220036190A (ko) | 상품 추천 방법 및 상품 추천 장치 | |
Mouchart et al. | Controlling variables in social systems-A structural modelling approach |
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 |