CN114021020B - 一种基于用户偏好修正的智能推荐方法及系统 - Google Patents

一种基于用户偏好修正的智能推荐方法及系统 Download PDF

Info

Publication number
CN114021020B
CN114021020B CN202111358835.0A CN202111358835A CN114021020B CN 114021020 B CN114021020 B CN 114021020B CN 202111358835 A CN202111358835 A CN 202111358835A CN 114021020 B CN114021020 B CN 114021020B
Authority
CN
China
Prior art keywords
user
product
scoring
matrix
score
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
CN202111358835.0A
Other languages
English (en)
Other versions
CN114021020A (zh
Inventor
易辉
田磊
陈晨子
缪小冬
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 Tech University
Original Assignee
Nanjing Tech 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 Tech University filed Critical Nanjing Tech University
Priority to CN202111358835.0A priority Critical patent/CN114021020B/zh
Publication of CN114021020A publication Critical patent/CN114021020A/zh
Application granted granted Critical
Publication of CN114021020B publication Critical patent/CN114021020B/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
    • G06F16/90—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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于用户偏好修正的智能推荐系统,依据用户对产品的评价来对用户进行用户偏好分析，并设计评分映射算法将有不同评价偏好的用户进行评价的平均分布化处理，使不同评价偏好的用户的评价情况以打分的形式投影到固定的分值区间，使得用户的评分喜好与产品的综合评价更好的对应起来，做到“用户—产品”的合理化匹配。然后将处理后的打分特征与用户特征共同形成用户画像矩阵，实现“用户—产品”的个性化推荐。本发明解决了在工业上“用户—产品”双向匹配的问题。本发明可用于工业上针对产品推荐用户以及针对用户推荐产品的场景。

Description

一种基于用户偏好修正的智能推荐方法及系统
技术领域
本发明涉及一种基于用户偏好修正的智能推荐系统及方法，属于智能推荐技术领域。
背景技术
近年来信息技术和互联网的发展，信息呈现几何级的爆炸式增长状态，人们所面临的问题已经从信息匮乏转变成了如何从海量数据中筛选出有用的信息。这是一个生活被推荐系统处处影响的时代，推荐系统以海量的数据作为基础，根据用户行为产生的数据对用户的不同偏好进行针对性的产品信息推荐。在工业中，推荐系统也逐步成为了研究对象之一，对于用户来说，推荐系统解决在“信息过载”的情况下，如何使其高效获得感兴趣信息的问题。对于公司来说，推荐系统则解决产品能够最大限度地吸引用户、留存用户、增加用户粘性、提高用户转化率的问题，从而达到公司商业目标连续增长的目的。
现有技术中，用户偏好推荐主要是根据用户浏览的产品以及对产品的评价来确定用户所需商品的属性偏好，比如在电商行业中，用户近段搜索羽绒服，那么就会向他推荐所有的羽绒服，包括价格，质量参差不齐的产品，使用户在浏览相关商品时还需自己去筛选符合自己心理价位与质量的产品。同时现有的推荐系统大多偏重于产品属性是否符合用户的喜好，一般通过用户对相关产品的评分来进行衡量，但是无法解决实际场景中存在评分偏好型用户的合理推荐问题，比如默认好评型用户只要商品合适就会给出五分好评，那么他的该类商品评分均值偏高，使得商品推荐趋于单一化；默认差评型用户不喜欢评价，使得感觉合适的商品就忘记评价导致该类商品评分均值偏低，达不到推荐要求，无法给该用户继续推荐类似商品。目前推荐系统只是简单的将打分值进行归一化处理，减少打分偏差较大对不同用户带来的影响，并不能更好的消除用户打分偏好的影响。
发明内容
本发明从不同用户有属于自己的个性化的产品评价偏好角度入手，解决用户打分评价偏好对推荐系统带来的影响，避免将低分产品推荐给习惯性差评型用户或者高分型产品无法被推荐给平均打分值更高的习惯性好评型用户，例如用户1为习惯性差评型用户且平均评分为1.8，那么预测得到2分的产品很可能被列入推荐列表内，而这件综合评价2分的产品在该用户的打分习惯中只是1.2左右的水平，就会无法满足该用户的需求；用户2为习惯性好评型用户且平均评分为4.5，而这时4分的产品就不会纳入推荐范畴，但这件综合评价4分的产品在该用户的打分习惯中已经是4.8或者更高的水平，那么对于产品来说则得不到这个客户，无法满足卖方的需求。因此本发明设计一种误差消除算法将所有用户的打分习惯平均投影在满意度区间内，使用户的产品推荐不受其打分偏好的影响，做到为用户推荐更合适的产品，为产品找到更多的客户。
本发明具体方案如下：
一种基于用户偏好修正的智能推荐方法，具体包括以下步骤：
步骤1、把用户集U＝{u1，u2，u3，…ui…，un}与产品集I＝{i1，i2，i3，…ii…，im}用矩阵的形式表示出“用户-产品”评分矩阵R；ui表示第i个用户，ii表示第i件产品；其中，ui＝{ID，age，gender，professional，eva1，eva2，…evam}表示第i个用户的用户特征，(用户特征包括用户ID，年龄，性别，职业，第1个产品打分，第1个产品打分……第m个产品打分)，ii＝{movieID，name，type1，type2，type3，…，score1，score2，…scoren}表示第i件产品的产品属性特征；
步骤2、通过评分矩阵R获得用户nn对产品m的打分向量
Figure GDA0003715675870000021
通过某一产品所有评价分值获得该产品打分向量
Figure GDA0003715675870000022
步骤3、通过偏好修正函数对用户的打分偏好进行修正，并进行满意度投影，生成满意度修正矩阵R′；
步骤4、将用户偏好修正后的特征与用户基本特征结合生成用户画像矩阵
Figure GDA0003715675870000023
将产品打分向量与产品属性特征结合形成产品属性矩阵
Figure GDA0003715675870000024
步骤5、通过户画像矩阵
Figure GDA0003715675870000025
和产品属性矩阵
Figure GDA0003715675870000026
基于因子分解机(FM)模型计算用户与产品之间的相关度，对用户进行产品推荐。
步骤1具体包括以下步骤：
用户集U中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}表示第i件产品的产品属性特征，用矩阵的形式表示出“用户—产品”评分矩阵R为公式(1)：
Figure GDA0003715675870000031
其中，rn,m表示用户n对产品m的打分。
步骤2具体包括以下步骤：
将用户特征中的用户对产品的打分值提取出来并向量化
Figure GDA0003715675870000032
方向为产品编号；产品编号用于表示用户属性标签和产品属性标签，将产品属性特征中所有用户对该产品的打分情况提取出来进行向量化
Figure GDA0003715675870000033
rnm表示用户n对产品m的打分向量。
步骤3具体包括以下步骤：
S301，将用户i的所有打分记录求取打分平均值
Figure GDA0003715675870000034
S302：将用户i对所有产品的打分值与他的打分平均值进行比较，获取敏感指数λi，其中，
Figure GDA0003715675870000035
Figure GDA0003715675870000036
为该用户的打分均值，rim表示用户i对产品m的打分，在矩阵R中获取，ζ为不敏感因子；
S303：计算偏差修正度ξ，
Figure GDA0003715675870000037
偏差修正度将用户的打分值消除偏好影响，将用户的打分值均匀投影满意度取值区间内；
S304：建立偏好修正函数为：
φi＝3+λiξ
φi表示用户i的打分值修正系数；
S305：基于φi，将所有产品的打分值修正后重新生成均匀投影到投影区间上，建立满意度修正矩阵R'，满意度修正矩阵R'是把原来的评分矩阵R中的所有打分值rn,m换做用户偏好修正后的打分值r'n,m，
Figure GDA0003715675870000041
步骤4中将用户偏好修正后的满意度修正矩阵R’与用户基本特征结合生成用户画像矩阵，根据用户对应的用户特征，加上打分偏好修正后的特征，构建用户画像矩阵
Figure GDA0003715675870000042
其中
Figure GDA0003715675870000043
表示第n个用户的用户属性特征；根据产品对应的属性特征与产品的被评价打分值构建产品属性矩阵
Figure GDA0003715675870000044
其中，
Figure GDA0003715675870000045
表示第m件产品的产品属性特征。
步骤5具体包括以下步骤，
将用户画像矩阵
Figure GDA0003715675870000046
和产品属性矩阵
Figure GDA0003715675870000047
输入到因子分解机(FM)模型,基于因子分解机(FM)模型进行推荐结果的预测，输出用户与产品之间的相关度yFM，将相关度yFM最高的产品推荐给用户；
Figure GDA0003715675870000048
其中ω0为FM模型的全局偏置，ω0根据实际情况进行调整以修正推荐结果，ωu∈R'为用户打分的权重，
Figure GDA0003715675870000051
为FM模型的二阶权重参数。
因子分解机(FM)模型输出为用户与产品之间的相关度yFM，作为向用户推荐产品的推荐依据，将相关度最高的产品推荐给用户。
一种基于用户偏好修正的智能推荐系统，具体包括用户产品评分矩阵建立单元、打分向量生成单元、满意度修正矩阵生成单元、用户画像和产品属性矩阵生成单元和相关度计算单元；
用户产品评分矩阵建立单元把用户集U＝{u1,u2u,3…,ui…un,与产品集I＝{i1,i2,i3,…ii…,im}用矩阵的形式表示出“用户—产品”评分矩阵R；其中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}，ii表示第i件产品的产品属性特征；
打分向量生成单元通过评分矩阵R获得用户n对产品m的打分向量
Figure GDA0003715675870000052
通过某一产品所有评价分值给出该产品打分向量
Figure GDA0003715675870000053
满意度修正矩阵生成单元通过偏好修正函数对用户的打分偏好进行修正，并进行满意度投影，生成满意度修正矩阵R'；
用户画像和产品属性矩阵生成单元将用户偏好修正后的特征与用户基本特征结合生成用户画像矩阵
Figure GDA0003715675870000054
将产品打分向量与产品属性特征结合形成产品属性矩阵
Figure GDA0003715675870000055
相关度计算单元通过户画像矩阵
Figure GDA0003715675870000056
和产品属性矩阵
Figure GDA0003715675870000057
基于因子分解机(FM)模型计算用户与产品之间的相关度，对用户进行产品推荐。
用户产品评分矩阵建立单元工作过程具体包括以下步骤：
用户集U中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}表示第i件产品的产品属性特征，用矩阵的形式表示出“用户—产品”评分矩阵R为公式(1)：
Figure GDA0003715675870000061
其中，rn,m表示用户n对产品m的打分；
打分向量生成单元工作过程具体包括以下步骤：
将用户特征中的用户对产品的打分值提取出来并向量化
Figure GDA0003715675870000062
方向为产品编号；产品编号用于表示用户属性标签和产品属性标签，将产品属性特征中所有用户对该产品的打分情况提取出来进行向量化
Figure GDA0003715675870000063
rnm表示用户n对产品m的打分向量。
满意度修正矩阵生成单元工作过程具体包括以下步骤：
S301，将用户i的所有打分记录求取打分平均值
Figure GDA0003715675870000064
S302：将用户i对所有产品的打分值与他的打分平均值进行比较，获取敏感指数λi，其中，
Figure GDA0003715675870000065
Figure GDA0003715675870000066
为该用户的打分均值，rim表示用户i对产品m的打分，在矩阵R中获取，ζ为不敏感因子；
S303：计算偏差修正度ξ，
Figure GDA0003715675870000067
偏差修正度将用户的打分值消除偏好影响，将用户的打分值均匀投影在满意度取值区间内；
S304：建立偏好修正函数为：
φi＝3+λiξ
φi表示用户i的打分值修正系数；
S305：基于φi，将所有产品的打分值修正后重新生成均匀投影到投影区间上，建立满意度修正矩阵R'，满意度修正矩阵R'是把原来的评分矩阵R中的所有打分值rn,m换做用户偏好修正后的打分值r'n,m，
Figure GDA0003715675870000071
用户画像和产品属性矩阵生成单元将用户偏好修正后的满意度修正矩阵R’与用户基本特征结合生成用户画像矩阵，根据用户对应的用户特征，加上打分偏好修正后的特征，构建用户画像矩阵
Figure GDA0003715675870000072
其中
Figure GDA0003715675870000073
表示第n个用户的用户属性特征；根据产品对应的属性特征与产品的被评价打分值构建产品属性矩阵
Figure GDA0003715675870000074
其中，
Figure GDA0003715675870000075
表示第m件产品的产品属性特征；
相关度计算单元工作过程具体包括以下步骤，
将用户画像矩阵
Figure GDA0003715675870000076
和产品属性矩阵
Figure GDA0003715675870000077
输入到因子分解机(FM)模型,基于因子分解机(FM)模型进行推荐结果的预测，输出用户与产品之间的相关度yFM，将相关度yFM最高的产品推荐给用户；
Figure GDA0003715675870000078
其中ω0为FM模型的全局偏置，ω0根据实际情况进行调整以修正推荐结果，ωu∈R'为用户打分的权重，
Figure GDA0003715675870000079
为FM模型的二阶权重参数。
因子分解机(FM)模型输出为用户与产品之间的相关度yFM，作为向用户推荐产品的推荐依据，将相关度最高的产品推荐给用户。
本发明最为突出的特点和显著的有益效果是：
本发明所涉及的一种基于用户偏好修正的智能推荐系统，通过设计一种偏差修正函数，通过函数修正用户的偏好并将其打分从用户的偏好区均匀投影到满意度区间，提升推荐系统的产品推荐匹配性能，具有以下优点：
本发明为更好的增强用户与产品之间的交互作用，依据用户对产品的评价来对用户进行用户偏好分析，并设计评分映射算法将有不同评价偏好的用户进行评价的平均分布化处理，使不同评价偏好的用户的评价情况以打分的形式投影到固定的分值区间，使得用户的评分喜好与产品的综合评价更好的对应起来，做到“用户—产品”的合理化匹配。然后将处理后的打分特征与用户特征共同形成用户画像矩阵，实现“用户—产品”的个性化推荐。本发明解决了在工业上“用户—产品”双向匹配的问题。本发明可用于工业上针对产品推荐用户以及针对用户推荐产品的场景。
本发明优化用户对产品的评价标准，消除打分偏好型用户对产品推荐产生的不良影响。
与传统的推荐系统模型相比,本发明采用的偏差消除函数将用户的性格特征作为推荐产品时需考虑的关键因素，可以将所有不同偏好的用户的产品打分映射到一个统一的标准上，方便用户的同时也提高了系统的场景适用性。
用户偏差消除可以更好的为用户过滤掉自己不感兴趣的产品，也可以为产品提供更多合适的客户，使系统在处理实际工业的场景中具备一定的优势。
附图说明
图1基于用户偏好修正的智能推荐方法的流程示意图
图2为基于用户偏好修正的智能推荐系统的基本框架
图3为“用户—产品”打分具体实施例；
图4为默认好评型打分(不采用修正函数)的满意度区间投影示例；
图5为默认差评型打分(不采用修正函数)的满意度区间投影示例；
图6为经修正后的满意度投影示例
具体实施方式
以下将结合附图及实施方式对本发明进一步详细地解释说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。本发明解决用户打分评价偏好对推荐系统带来的影响，避免将低分产品推荐给习惯性差评型用户或者高分型产品无法被推荐给平均打分值更高的习惯性好评型用户，例如用户1为习惯性差评型用户且平均评分为1.8，那么预测得到2分的产品很可能被列入推荐列表内，而这件综合评价2分的产品在该用户的打分习惯中只是1.2左右的水平，就会无法满足该用户的需求；用户2为习惯性好评型用户且平均评分为4.5，而这时4分的产品就不会纳入推荐范畴，但这件综合评价4分的产品在该用户的打分习惯中已经是4.8或者更高的水平，那么对于产品来说则得不到这个客户，无法满足卖方的需求。因此本发明设计一种误差消除算法将所有用户的打分习惯平均投影在[0，5]的满意度区间内，使用户的产品推荐不受其打分偏好的影响，做到为用户推荐更合适的产品，为产品找到更多的客户。
如图1所示，一种基于用户偏好修正的智能推荐方法，具体包括以下步骤：
步骤1、把用户集U＝{u1，u2，u3，…ui…，un}与产品集I＝{i1，i2，i3，…ii…，im}用矩阵的形式表示出“用户-产品”评分矩阵R；其中，ui＝{ID，age，gender，professional，eva1，eva2，…evam}表示第i个用户的用户特征，(用户特征包括用户ID，年龄，性别，职业，第1个产品打分，第1个产品打分……第m个产品打分)，ii＝{movieID，name，type1，type2，type3，…，score1，score2，…scoren}表示第i件产品的产品属性特征，在本实施例所采用Movielens数据集中具体为(电影ID，电影名，属性1，属性2……第1个用户打分，第1个用户打分……第n个用户打分)；
步骤2、通过评分矩阵R获得用户n对产品m的打分向量
Figure GDA0003715675870000091
通过某一产品所获所有评价分值给出该产品打分向量
Figure GDA0003715675870000092
步骤3、通过偏好修正函数对用户的打分偏好进行修正，并进行满意度投影，生成满意度修正矩阵R'；
步骤4、将用户偏好修正后的特征与用户基本特征结合生成用户画像矩阵
Figure GDA0003715675870000101
将产品打分向量与产品属性特征结合形成产品属性矩阵
Figure GDA0003715675870000102
步骤5、通过户画像矩阵
Figure GDA0003715675870000103
和产品属性矩阵
Figure GDA0003715675870000104
基于因子分解机(FM)模型计算用户与产品之间的相关度，对用户进行产品推荐。
步骤1中把用户集U＝{u1,u2,u3,…up…,un}与产品集I＝{i1,i2,i3,……ip...,im}用矩阵的形式表示出如图3所示，“用户—产品”评分矩阵R具体表述如下所示。
Figure GDA0003715675870000105
其中，rn,m表示用户n对产品m的打分(同样是表示为产品m的n用户所给打分值)；
步骤2中将用户特征(用户特征包括用户的用户编号，年龄，性别，职业，打分情况；本发明采用Movielens数据集作为实验数据，获取用户特征为用户编号，年龄，性别，职业，打分情况。)中的用户对产品的打分值提取出来并向量化
Figure GDA0003715675870000106
将用户n的m件产品的打分作为该用户的打分向量；方向为产品编号或者用户编号；作用是表示用户属性标签和产品属性标签，得到某一用户的产品打分情况，以便分析用户的打分习惯和进行偏好消除处理。同理，将产品属性特征(产品属性在Movie lens数据集中包括电影编号，电影名称，电影属性，得分情况)中所有用户对该产品的打分情况提取出来进行向量化
Figure GDA0003715675870000107
以便该产品在所有用户的综合评价得分，从而作为更合理的推荐给用户产品的依据。
步骤3具体包括以下步骤：
S301，将用户i的所有打分记录求取打分平均值
Figure GDA0003715675870000108
S302：将用户i对所有产品的打分值与他的打分平均值进行比较，获取敏感指数λi，
Figure GDA0003715675870000111
Figure GDA0003715675870000112
为该用户的打分均值，rim表示用户i对产品m的打分，在矩阵R中获取，ζ为不敏感因子，人为设定，当用户实际打分值与该用户的平均打分值相差不大于ζ时，满意度默认取3。
S303：计算偏差修正度ξ，在本实施例中ζ＝0.3。
Figure GDA0003715675870000113
为偏差修正度，目的是将用户的打分值消除偏好影响，均匀投影在[0，5]的满意度取值区间内。
通过偏差修正度ξ对该用户的每个打分值进行修正，以实现其在[0,5]范围内均匀分布的目的；
S304：建立偏好修正函数为：
φi＝3+λiξ
φi表示用户i的打分值修正系数；
由φi将用户的每个打分值进行修正；
在本文中ζ＝0.3。
Figure GDA0003715675870000114
为偏差修正度，公式中的中括号为将分值取整，方便后续的推荐，目的是将用户的打分值消除偏好影响，均匀投影在[0，5]的满意度取值区间内。
本申请以打分值与打分均值的差值为标准来进行打分值的降噪处理，不敏感因子为ζ，人为设定，作用是消除在打分均值附近上下浮动的样本值，以达到去噪的目的)，则默认为中间分值3分，考虑到不管是好评型偏好用户，差评型用户还是一般型用户，属于该用户的打分均值其实就一定程度上反映了他对产品的平均接受水准，在打分均值附近为用户的心里接受底线，所以综合考虑下，只有平均得分在3分以上的产品才能适合于几乎所有用户的最低接受标准，所以将中间分值设定为3分；否则判断差值的正负在中间值的基础上进行加减处理，可参见λ敏感指数；
S305：基于φi，将所有产品的打分值修正后重新生成，也就是将原来的存在偏好的打分值均匀投影到另一个区间上，比如用户1的打分值大致在[1，3]之间均匀分布，那么就通过该公式将该区间的所有打分值进行处理，使其在[0,5]区间内均匀分布，建立满意度修正矩阵R'，满意度修正矩阵R'是把原来的评分矩阵R中的所有打分值rn,m换做用户偏好修正后的打分值r'n,m，
Figure GDA0003715675870000121
步骤4中将用户偏好修正后的满意度修正矩阵R’与用户基本特征结合生成用户画像矩阵，根据用户对应的用户特征，比如用户的ID，年龄，性别，职业等，加上打分偏好修正后的特征，构建用户画像矩阵
Figure GDA0003715675870000122
其中
Figure GDA0003715675870000123
表示第n个用户的用户属性特征；根据产品对应的属性特征，比如产品ID，产品名，产品属性等，与产品的被评价情况构建产品属性矩阵
Figure GDA0003715675870000124
其中，
Figure GDA0003715675870000125
表示第m件产品的产品属性特征。
步骤5具体包括以下步骤，
将用户画像矩阵
Figure GDA0003715675870000126
和产品属性矩阵
Figure GDA0003715675870000127
输入到场杠杆嵌入网络(FLEN)的场向双向交互池(FwBI)中,基于因子分解机(FM)模型进行推荐结果的预测，其中ω0为FM模型的全局偏置，可根据实际情况进行调整以修正推荐结果，ωu∈R'为用户打分的权重，
Figure GDA0003715675870000131
为FM模型的二阶权重参数。
Figure GDA0003715675870000132
因子分解机(FM)模型输出为用户与产品之间的相关度yFM，作为向用户推荐产品的推荐依据，将相关度最高的产品推荐给用户。
如图2所示，一种基于用户偏好修正的智能推荐系统，具体包括用户产品评分矩阵建立单元、打分向量生成单元、满意度修正矩阵生成单元、用户画像和产品属性矩阵生成单元和相关度计算单元；
用户产品评分矩阵建立单元把用户集U＝{u1,u2u,3…,ui…un,与产品集I＝{i1,i2,i3,…ii…,im}用矩阵的形式表示出“用户—产品”评分矩阵R；其中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}，ii表示第i件产品的产品属性特征；
打分向量生成单元通过评分矩阵R获得用户n对产品m的打分向量
Figure GDA0003715675870000133
通过某一产品所有评价分值给出该产品打分向量
Figure GDA0003715675870000134
满意度修正矩阵生成单元通过偏好修正函数对用户的打分偏好进行修正，并进行满意度投影，生成满意度修正矩阵R'；
用户画像和产品属性矩阵生成单元将用户偏好修正后的特征与用户基本特征结合生成用户画像矩阵
Figure GDA0003715675870000135
将产品打分向量与产品属性特征结合形成产品属性矩阵
Figure GDA0003715675870000136
相关度计算单元通过户画像矩阵
Figure GDA0003715675870000137
和产品属性矩阵
Figure GDA0003715675870000138
基于因子分解机(FM)模型计算用户与产品之间的相关度，对用户进行产品推荐。
用户产品评分矩阵建立单元工作过程具体包括以下步骤：
用户集U中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}表示第i件产品的产品属性特征，用矩阵的形式表示出“用户—产品”评分矩阵R为公式(1)：
Figure GDA0003715675870000141
其中，rn,m表示用户n对产品m的打分；
打分向量生成单元工作过程具体包括以下步骤：
将用户特征中的用户对产品的打分值提取出来并向量化
Figure GDA0003715675870000142
方向为产品编号；产品编号用于表示用户属性标签和产品属性标签，将产品属性特征中所有用户对该产品的打分情况提取出来进行向量化
Figure GDA0003715675870000143
rnm表示用户n对产品m的打分向量。
满意度修正矩阵生成单元工作过程具体包括以下步骤：
S301，将用户i的所有打分记录求取打分平均值
Figure GDA0003715675870000144
S302：将用户i对所有产品的打分值与他的打分平均值进行比较，获取敏感指数λi，其中，
Figure GDA0003715675870000145
Figure GDA0003715675870000146
为该用户的打分均值，rim表示用户i对产品m的打分，在矩阵R中获取，ζ为不敏感因子；
S303：计算偏差修正度ξ，
Figure GDA0003715675870000147
偏差修正度将用户的打分值消除偏好影响，将用户的打分值均匀投影在满意度取值区间内；
S304：建立偏好修正函数为：
φi＝3+λiξ
φi表示用户i的打分值修正系数；
S305：基于φi，将所有产品的打分值修正后重新生成均匀投影到投影区间上，建立满意度修正矩阵R'，满意度修正矩阵R'是把原来的评分矩阵R中的所有打分值rn,m换做用户偏好修正后的打分值r'n,m，
Figure GDA0003715675870000151
用户画像和产品属性矩阵生成单元将用户偏好修正后的满意度修正矩阵R’与用户基本特征结合生成用户画像矩阵，根据用户对应的用户特征，加上打分偏好修正后的特征，构建用户画像矩阵
Figure GDA0003715675870000152
其中
Figure GDA0003715675870000153
表示第n个用户的用户属性特征；根据产品对应的属性特征与产品的被评价打分值构建产品属性矩阵
Figure GDA0003715675870000154
其中，
Figure GDA0003715675870000155
表示第m件产品的产品属性特征；
相关度计算单元工作过程具体包括以下步骤，
将用户画像矩阵
Figure GDA0003715675870000156
和产品属性矩阵
Figure GDA0003715675870000157
输入到因子分解机(FM)模型,基于因子分解机(FM)模型进行推荐结果的预测，输出用户与产品之间的相关度yFM，将相关度yFM最高的产品推荐给用户；
Figure GDA0003715675870000158
其中ω0为FM模型的全局偏置，ω0根据实际情况进行调整以修正推荐结果，ωu∈R'为用户打分的权重，
Figure GDA0003715675870000159
为FM模型的二阶权重参数。本实施例中，因子分解机(FM)模型同时结合场杠杆嵌入网络(FLEN)进行推荐预测。
图4为默认好评型打分(不采用修正函数)的满意度区间投影示例，图5为默认差评型打分(不采用修正函数)的满意度区间投影示例；如图4和图5所示，习惯性好评或者习惯性差评型用户投影后的满意度，使得商品评分均值偏高或者偏低，使得商品推荐趋于单一化，图6为本实施例，采用本申请基于用户偏好修正的智能推荐方法，将所有用户的打分习惯平均投影在[0,5]的满意度区间内，使用户的产品推荐不受其打分偏好的影响，做到为用户推荐更合适的产品。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
最后说明，本发明未详细解释该领域技术人员公认常识，以上所述仅为本发明的一个具体实施例，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 (8)

1.一种基于用户偏好修正的智能推荐方法，其特征在于，具体包括以下步骤：
步骤1、把用户集U＝{u1,u2,u3,…ui…,un}与产品集I＝{i1,i2,i3,…ii…,im}用矩阵的形式表示出“用户—产品”评分矩阵R；其中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}，ii表示第i件产品的产品属性特征；
其中，n表示用户的序号，m表示产品的序号；ID,age,gender,professional,eva1,eva2,…evam分别表示用户ID，年龄，性别，职业，第1个产品打分，第1个产品打分……第m个产品打分；
movieID,name,type1,type2,type3,…,score1,score2,…scoren分别表示电影ID，电影名，属性1，属性2……第1个用户打分，第1个用户打分……第n个用户打分；
步骤2、通过评分矩阵R获得用户n对产品m的打分向量
Figure FDA0003715675860000011
通过某一产品所有评价分值获得该产品打分向量
Figure FDA0003715675860000012
rnm表示用户n对产品m的打分；步骤3、通过偏好修正函数对用户的打分偏好进行修正，并进行满意度投影，生成满意度修正矩阵R'；
步骤4、将用户偏好修正后的特征与用户基本特征结合生成用户画像矩阵
Figure FDA0003715675860000013
将产品打分向量与产品属性特征结合形成产品属性矩阵
Figure FDA0003715675860000014
步骤5、通过户画像矩阵
Figure FDA0003715675860000015
和产品属性矩阵
Figure FDA0003715675860000016
基于因子分解机模型计算用户与产品之间的相关度，对用户进行产品推荐；
步骤3具体包括以下步骤：
S301，将用户i的所有打分记录求取打分平均值
Figure FDA0003715675860000017
S302：将用户i对所有产品的打分值与他的打分平均值进行比较，获取敏感指数λi，其中，
Figure FDA0003715675860000021
Figure FDA0003715675860000022
为该用户的打分均值，rim表示用户i对产品m的打分，在矩阵R中获取，ζ为不敏感因子；
S303：计算偏差修正度ξ，
Figure FDA0003715675860000023
偏差修正度将用户的打分值消除偏好影响，将用户的打分值均匀投影在满意度取值区间内；
S304：建立偏好修正函数为：
φi＝3+λiξ
φi表示用户i的打分值修正系数；
S305：基于φi，将所有产品的打分值修正后重新生成均匀投影到投影区间上，建立满意度修正矩阵R'，满意度修正矩阵R'是把原来的评分矩阵R中的所有打分值rn,m换做用户偏好修正后的打分值r'n,m，
Figure FDA0003715675860000024
2.根据权利要求1所述一种基于用户偏好修正的智能推荐方法，其特征在于，步骤1具体包括以下步骤：
用矩阵的形式表示出“用户—产品”评分矩阵R为公式(1)：
Figure FDA0003715675860000025
其中，rn,m表示用户n对产品m的打分。
3.根据权利要求1所述一种基于用户偏好修正的智能推荐方法，其特征在于，
步骤2具体包括以下步骤：
将用户特征中的用户对产品的打分值提取出来并向量化
Figure FDA0003715675860000031
方向为产品编号；产品编号用于表示用户属性标签和产品属性标签，将产品属性特征中所有用户对该产品的打分情况提取出来进行向量化
Figure FDA0003715675860000032
rnm表示用户n对产品m的打分向量。
4.根据权利要求1所述一种基于用户偏好修正的智能推荐方法，其特征在于，
步骤4中将用户偏好修正后的满意度修正矩阵R’与用户基本特征结合生成用户画像矩阵，根据用户对应的用户特征，加上打分偏好修正后的特征，构建用户画像矩阵
Figure FDA0003715675860000033
其中
Figure FDA0003715675860000034
表示第n个用户的用户属性特征；根据产品对应的属性特征与产品的被评价打分值构建产品属性矩阵
Figure FDA0003715675860000035
其中，
Figure FDA0003715675860000036
表示第m件产品的产品属性特征。
5.根据权利要求1所述一种基于用户偏好修正的智能推荐方法，其特征在于，步骤5具体包括以下步骤，
将用户画像矩阵
Figure FDA0003715675860000037
和产品属性矩阵
Figure FDA0003715675860000038
输入到因子分解机模型,基于因子分解机模型进行推荐结果的预测，输出用户与产品之间的相关度yFM，将相关度yFM最高的产品推荐给用户；
Figure FDA0003715675860000039
其中ω0为FM模型的全局偏置，ω0根据实际情况进行调整以修正推荐结果，ωu∈R'为用户打分的权重，
Figure FDA0003715675860000041
为FM模型的二阶权重参数。
6.一种基于用户偏好修正的智能推荐系统，其特征在于，具体包括用户产品评分矩阵建立单元、打分向量生成单元、满意度修正矩阵生成单元、用户画像和产品属性矩阵生成单元和相关度计算单元；
用户产品评分矩阵建立单元把用户集U＝{u1,u2u,3…,ui…un,与产品集I＝{i1,i2,i3,…ii…,im}用矩阵的形式表示出“用户—产品”评分矩阵R；其中，ui＝{ID,age,gender,professional,eva1,eva2,…evam}，ui表示第i个用户的用户特征，ii＝{movieID,name,type1,type2,type3,…,score1,score2,…scoren}，ii表示第i件产品的产品属性特征；
其中，n表示用户的序号，m表示产品的序号；ID,age,gender,professional,eva1,eva2,…evam分别表示用户ID，年龄，性别，职业，第1个产品打分，第1个产品打分……第m个产品打分；
movieID,name,type1,type2,type3,…,score1,score2,…scoren分别表示电影ID，电影名，属性1，属性2……第1个用户打分，第1个用户打分…第n个用户打分；
打分向量生成单元通过评分矩阵R获得用户n对产品m的打分向量
Figure FDA0003715675860000042
通过某一产品所有评价分值获得该产品打分向量
Figure FDA0003715675860000043
rnm表示用户n对产品m的打分；
满意度修正矩阵生成单元通过偏好修正函数对用户的打分偏好进行修正，并进行满意度投影，生成满意度修正矩阵R'；
用户画像和产品属性矩阵生成单元将用户偏好修正后的特征与用户基本特征结合生成用户画像矩阵
Figure FDA0003715675860000044
将产品打分向量与产品属性特征结合形成产品属性矩阵
Figure FDA0003715675860000045
相关度计算单元通过户画像矩阵
Figure FDA0003715675860000051
和产品属性矩阵
Figure FDA0003715675860000052
基于因子分解机模型计算用户与产品之间的相关度，对用户进行产品推荐；
满意度修正矩阵生成单元工作过程具体包括以下步骤：
S301，将用户i的所有打分记录求取打分平均值
Figure FDA0003715675860000053
S302：将用户i对所有产品的打分值与他的打分平均值进行比较，获取敏感指数λi，其中，
Figure FDA0003715675860000054
Figure FDA0003715675860000055
为该用户的打分均值，rim表示用户i对产品m的打分，在矩阵R中获取，ζ为不敏感因子；
S303：计算偏差修正度ξ，
Figure FDA0003715675860000056
偏差修正度将用户的打分值消除偏好影响，将用户的打分值均匀投影在满意度取值区间内；
S304：建立偏好修正函数为：
φi＝3+λiξ
φi表示用户i的打分值修正系数；
S305：基于φi，将所有产品的打分值修正后重新生成均匀投影到投影区间上，建立满意度修正矩阵R'，满意度修正矩阵R'是把原来的评分矩阵R中的所有打分值rn,m换做用户偏好修正后的打分值r'n,m，
Figure FDA0003715675860000057
7.根据权利要求6所述一种基于用户偏好修正的智能推荐系统，其特征在于，
用户产品评分矩阵建立单元工作过程具体包括以下步骤：
用矩阵的形式表示出“用户—产品”评分矩阵R为公式(1)：
Figure FDA0003715675860000061
其中，rn,m表示用户n对产品m的打分；
打分向量生成单元工作过程具体包括以下步骤：
将用户特征中的用户对产品的打分值提取出来并向量化
Figure FDA0003715675860000062
方向为产品编号；产品编号用于表示用户属性标签和产品属性标签，将产品属性特征中所有用户对该产品的打分情况提取出来进行向量化
Figure FDA0003715675860000063
rnm表示用户n对产品m的打分向量。
8.根据权利要求6所述一种基于用户偏好修正的智能推荐系统，其特征在于，
用户画像和产品属性矩阵生成单元将用户偏好修正后的满意度修正矩阵R’与用户基本特征结合生成用户画像矩阵，根据用户对应的用户特征，加上打分偏好修正后的特征，构建用户画像矩阵
Figure FDA0003715675860000064
其中
Figure FDA0003715675860000065
表示第n个用户的用户属性特征；根据产品对应的属性特征与产品的被评价打分值构建产品属性矩阵
Figure FDA0003715675860000066
其中，
Figure FDA0003715675860000067
表示第m件产品的产品属性特征；
相关度计算单元工作过程具体包括以下步骤，
将用户画像矩阵
Figure FDA0003715675860000068
和产品属性矩阵
Figure FDA0003715675860000069
输入到因子分解机模型,基于因子分解机模型进行推荐结果的预测，输出用户与产品之间的相关度yFM，将相关度yFM最高的产品推荐给用户；
Figure FDA0003715675860000071
其中ω0为FM模型的全局偏置，ω0根据实际情况进行调整以修正推荐结果，ωu∈R'为用户打分的权重，
Figure FDA0003715675860000072
为FM模型的二阶权重参数。
CN202111358835.0A 2021-11-17 2021-11-17 一种基于用户偏好修正的智能推荐方法及系统 Active CN114021020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111358835.0A CN114021020B (zh) 2021-11-17 2021-11-17 一种基于用户偏好修正的智能推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111358835.0A CN114021020B (zh) 2021-11-17 2021-11-17 一种基于用户偏好修正的智能推荐方法及系统

Publications (2)

Publication Number Publication Date
CN114021020A CN114021020A (zh) 2022-02-08
CN114021020B true CN114021020B (zh) 2022-08-12

Family

ID=80064732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111358835.0A Active CN114021020B (zh) 2021-11-17 2021-11-17 一种基于用户偏好修正的智能推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114021020B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844787A (zh) * 2017-03-16 2017-06-13 四川大学 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN113393306A (zh) * 2021-07-09 2021-09-14 中国建设银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040230440A1 (en) * 2002-06-21 2004-11-18 Anil Malhotra System for automating purchase recommendations
US20100306249A1 (en) * 2009-05-27 2010-12-02 James Hill Social network systems and methods
CN102262764A (zh) * 2010-05-28 2011-11-30 王希 一种基于回归模型的电子商务推荐方法
CN107256508A (zh) * 2017-05-27 2017-10-17 上海交通大学 基于时间场景的商品推荐系统及其方法
CN108960966B (zh) * 2018-06-07 2022-05-03 重庆邮电大学 一种基于用户偏好的矩阵分解推荐方法
CN110059257B (zh) * 2019-04-28 2021-02-19 东北大学 基于评分修正的项目推荐方法
CN110415024A (zh) * 2019-07-11 2019-11-05 广东奥园奥买家电子商务有限公司 一种基于用户行为的用户画像方法及装置
CN110427567A (zh) * 2019-07-24 2019-11-08 东北大学 一种基于用户偏好相似度加权的协同过滤推荐方法
CN112884551B (zh) * 2021-02-19 2023-08-18 武汉大学 一种基于近邻用户和评论信息的商品推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844787A (zh) * 2017-03-16 2017-06-13 四川大学 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN113393306A (zh) * 2021-07-09 2021-09-14 中国建设银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读介质

Also Published As

Publication number Publication date
CN114021020A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
US11120098B2 (en) Economic optimization for product search relevancy
US11100400B2 (en) Generating visually-aware item recommendations using a personalized preference ranking network
Karatzoglou et al. Multiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering
US20160364783A1 (en) Systems and methods for vehicle purchase recommendations
JP3389948B2 (ja) 表示広告選択システム
US6041311A (en) Method and apparatus for item recommendation using automated collaborative filtering
CN105868334B (zh) 一种基于特征递增型的电影个性化推荐方法及系统
CN109102127B (zh) 商品推荐方法及装置
Bauer et al. Recommender systems based on quantitative implicit customer feedback
US20110082824A1 (en) Method for selecting an optimal classification protocol for classifying one or more targets
US10949000B2 (en) Sticker recommendation method and apparatus
WO2015188349A1 (en) Recommending of an item to a user
WO2009094672A2 (en) Belief propagation for generalized matching
WO2021159894A1 (en) Recommender system using bayesian graph convolution networks
CN104620267A (zh) 用于推断用户人口统计的方法和装置
JP2020522061A (ja) サンプル重み設定方法及び装置、電子装置
US11770407B2 (en) Methods and apparatuses for defending against data poisoning attacks in recommender systems
CN112417294A (zh) 一种基于神经网络挖掘模型的业务智能推荐方法
CN113158024A (zh) 一种纠正推荐系统流行度偏差的因果推理方法
US20180005248A1 (en) Product, operating system and topic based
CN112800207A (zh) 一种商品信息推荐方法、装置及存储介质
CN109934681B (zh) 用户感兴趣商品的推荐方法
JP2010055569A (ja) 予想落札価格算出装置、予想落札価格算出方法、及びコンピュータプログラム
CN114021020B (zh) 一种基于用户偏好修正的智能推荐方法及系统
JP7441270B2 (ja) 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体

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