CN114399251B - 基于语义网和簇偏好的冷链物流推荐方法及装置 - Google Patents
基于语义网和簇偏好的冷链物流推荐方法及装置 Download PDFInfo
- Publication number
- CN114399251B CN114399251B CN202111667360.3A CN202111667360A CN114399251B CN 114399251 B CN114399251 B CN 114399251B CN 202111667360 A CN202111667360 A CN 202111667360A CN 114399251 B CN114399251 B CN 114399251B
- Authority
- CN
- China
- Prior art keywords
- user
- semantic
- cluster
- vehicle
- similarity
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于语义网和簇偏好的冷链物流推荐方法及装置,首先对用户、车源和历史订单信息进行数据清洗和整理,按照其原有结构构建冷链物流知识图谱;接着使用知识表示的TransR算法将知识图谱的实体和关系嵌入到低维向量,并计算用户间的语义相似度;再利用社区发现算法对用户进行聚类获得用户簇;然后根据聚类结果构建用户簇偏好矩阵和偏好子图,利用余弦相似度计算出用户簇和各用户对应的相似度,取最相似的TopN为邻近集,依据邻近集中用户对车源的评分预测出用户簇对车源的评分,按降序排列得到评分推荐列表,同时计算用户簇偏好子图中车源实体和其他车源实体的相似度,按降序排列得到语义推荐列表;最后取语义推荐列表和评分推荐列表的交集作为最终推荐列表。该方法充分利用语义网的语义关系,深层次地挖掘用户兴趣,并利用用户簇偏好进行推荐,可以有效应对一车多单的情况,增加车辆满载率。
Description
技术领域
本发明涉及冷链物流推荐技术领域,特别涉及一种基于语义网和簇偏好的冷链物流推荐方法及装置。
背景技术
在低碳经济时代,绿色可持续性发展不仅符合国家发展国情,且发展绿色冷链对推动低碳经济高效发展有着重要作用。目前,冷链运输过程中常有满载率较低的情况,同时无车承运平台的应用积累了大量的用户和车源数据,但是这些数据隐含的信息并没有被充分挖掘利用,挖掘相似偏好的用户并对其进行车源推荐符合绿色冷链物流的理念。本文提出一种基于语义网和簇偏好的冷链物流推荐方法及装置,根据用户语义信息进行聚类,并利用用户簇偏好进行推荐,可以有效增加车辆满载率。
文献“申请公布号是CN109783734B的中国发明专利”公开了一种基于项目属性的混合协同过滤推荐算法。该方法根据用户评分信息和项目信息产生用户-项目评分矩阵及项目-属性矩阵,根据项目-属性矩阵和用户-项目评分矩阵分别计算项目相似度和用户评分相似度,利用项目相似度对用户评分相似度进行修正来计算用户相似度,计算共同评分奖励因子,项目属性偏好因子和用户置信度因子,以修正用户相似度,得到用户最终相似度,根据最终相似度选取目标用户的最近邻,基于最近邻中所有用户的评分信息预测目标用户对各个项目的评分,将评分最高的N个项目推荐给目标用户。该方法主要通过项目相似度对用户评分相似度进行修正来计算用户相似度,没有充分考虑到项目的语义关系。
文献“申请公布号是CN110362755A的中国发明专利”公开了一种基于物品协同过滤与关联规则的混合算法的推荐方法。该方法通过构建用户行为的历史记录数据集,获取物品的关联规则,再构建用户-物品评分矩阵,以计算物品相似度,然后构建物品-内容属性矩阵,计算基于物品属性的相似度,最后根据相似度预测物品评分,并生成相应的推荐列表。该方法主要通过关联规则来获取物品之间的关联规则,可以有效解决协同过滤推荐算法中遇到的数据稀疏性问题,但没有考虑物品本身内涵特性。
推荐技术现在已经广泛运用到各大领域,如电子商务、在线视频、新闻头条、自媒体短视频等领域,有效的解决了各大领域的信息过载问题。对于冷链物流领域方面存在的问题,已有论文主要通过用户选择车源的历史数据分析进行推荐,虽然推荐结果也较为实用,但并未充分挖掘文本之间的语义关系并将其融入至推荐中,并且没有考虑到实际问题中一车多单的情况。
发明内容
发明目的:目前冷链物流推荐方法主要是协同过滤推荐算法,依据评分矩阵计算用户或车源的相似度,进而实现车源推荐,没有考虑大规模的语义网络,而实际情况下用户和车源存在一定的关联关系,这些语义关系鲜有被利用;同时,冷链物流推荐中大部分主要是个性化推荐,没有考虑到一车多单的情况,进而进行推荐,有效降低车辆空载率。针对以上方法所存在的问题,本发明利用知识图谱中的语义关系和用户簇偏好,采用一种基于语义网和簇偏好的冷链物流推荐方法及装置。
本发明通过以下技术方案实现:
本发明提出基于语义网和簇偏好的冷链物流推荐方法及装置,包括如下步骤:
步骤1:对用户、车源和历史订单信息进行数据清洗和整理,按照数据其原有结构构建冷链物流知识图谱,具体方法为:
步骤1.1:从无车承运平台获取用户、车源和历史订单信息,对其进行数据清洗和整理,确保数据的完整性;
步骤1.2:将用户和车源数据中的实体导入Neo4j图数据库,并按照原有实体之间的关系属性,构成冷链物流知识图谱,得到结构化知识的三元组;
步骤2:利用知识表示的TransR算法将知识图谱的实体和关系嵌入到低维向量,并计算用户间的语义相似度,具体方法为:
步骤2.1:使用TransR知识表示算法将实体和关系嵌入到一个R维的语义空间,每个用户语义向量表示为Ui=(e1i,e2i,…,eni)T,Ui表示用户i的语义向量,eki为语义向量第k维上的值,其中,变量k∈[1,n];
步骤3:利用社区发现算法对用户进行聚类获得用户簇,具体方法为:
步骤3.1:将每个用户实体作为一个社区节点,用户间的语义相似度作为两个节点间的连边的权重,Louvain算法的模块度计算公式为 其中,Q表示模块度,m表示所有连边的权重之和,Ai,j表示用户实体i和实体j之间连边的权重,ki表示与用户实体i连边的权重之和,δ(ci,cj)函数表示,若用户实体i和实体j被划分在同一社区时其值为1,若不在同一社区值为0;
步骤3.2:利用Louvain算法对社区进行聚类,依次将每个用户实体与之相邻实体合并在一起,计算它们的模块度增益,将最大的正ΔQ的实体合并到社区C,当实体不移动时,算法结束,输出分类用户簇集合为C={c1,c2,...,cl},模块度增益计算公式为其中ki代表用户实体i的连边权重之和,ki,in表示社区C内实体与用户实体i的权重之和,∑tot表示社区C的用户实体相连的边的权重之和,m为社区C中所有连边的权重和;
步骤4:构建车源评分矩阵,对评分矩阵进行聚合获取整个簇的评分矩阵,利用余弦相似度计算用户簇和用户间的相似度,依据最相似的TopN用户对车源的评分计算用户簇对车源的预测评分,同时统计相似簇中子节点频数,构建用户簇偏好子图,计算用户簇偏好车源和车源的语义相似度,具体方法为:
步骤4.1:根据历史订单信息,整理出用户对于车源的评分数据,用户集合U=(u1,u2,...,um),m为用户个数,车源集合I=(i1,i2,...,in),n为车源个数,构建m×n的用户-车源评分矩阵;
步骤4.3:利用余弦相似度计算用户簇和用户间相似度,St和Sj分别为用户簇和用户j对车源的评分向量,取相似度最高的TopN作为用户簇的邻近集合Vn,根据邻近用户对车源的评分预测用户簇对车源的评分,计算公式为其中sim(St,Sj)为用户簇与邻近用户之间的相似度值,Rk,j为邻近用户给车源j的评分,/>为用户簇对车源的平均评分,/>为用户对车源的平均评分,Pt,j为用户簇对车源的预测评分;
步骤4.4:统计相似簇中用户每个子节点标签的频数,获取最大频数子节点标签,按照原有冷链物流知识图谱结构构建用户簇偏好子图;
步骤4.5:按照步骤2.1对偏好子图进行知识表示学习,获得的语义向量为Uti=(e1ti,e2ti,…,emti)T,Uti表示第i个用户簇偏好车源语义向量;
步骤5:依据用户簇对车源的预测评分和车源语义相似度按降序排序得到评分推荐列表和语义推荐列表,取其交集作为最终推荐列表,具体方法为:
步骤5.1:将预测评分按分值降序排序,选取分值最高的TopN作为用户簇评分推荐列表Ls,同样将偏好车源语义相似度按照降序排序,选取相似度最高的TopN作为用户簇语义推荐列表Ll;
步骤5.2:取评分推荐列表和语义推荐列表的交集Lf=Ls∩Ll为最终的推荐列表。
本发明通过以下技术方案实现:
基于语义网和簇偏好的冷链物流推荐装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现步骤1-5任一项的基于语义网和簇偏好的冷链物流推荐方法。
本发明采用上述技术方案,具有以下有益效果:
1、本发明通过构建冷链物流知识图谱,将该领域中的数据进行知识结构化,可以更准确的显示出用户间丰富的语义关系;
2、本发明将冷链物流知识图谱中的多维数据通过TransR模型嵌入到低维稠密向量,可以有效降低计算的复杂度,提升计算效率,同时可以将复杂关系准确地表示出来,为聚类提供有效支持;
3、本发明利用用户语义相似度和实体构建社区网络,每个用户实体为社区中的一个节点,对相似用户进行聚类,最终相似用户在同一个社区中,使得用户集群具有良好的社区结构;
4、本发明依据原有冷链物流知识图谱结构和聚类结果构建用户簇偏好子图,计算车源间的语义相似度并作为推荐依据,可以解决单一依靠评分矩阵不具有可解性问题,有效改善推荐效果;
5、本发明通过聚类相似偏好的用户,对相似用户进行车源推荐,可以解决冷链物流中一车多单的问题,提高车辆满载率。
附图说明
图1为构建知识图谱流程图;
图2为计算用户间语义相似度方法流程图;
图3为社区发现算法聚类流程图;
图4为预测用户簇对车源的评分流程图;
图5为计算车源语义相似度流程图;
图6为车源推荐流程图。
具体实施方式
下面结合附图1-6进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
步骤1:对用户、车源和历史订单信息进行数据清洗和整理,按照数据其原有结构构建冷链物流知识图谱,具体如图1所示:
步骤1.1:从无车承运平台获取用户、车源和历史订单信息,对其进行数据清洗和整理,确保数据的完整性;
步骤1.2:将用户和车源数据中的实体导入Neo4j图数据库,并按照原有实体之间的关系属性,构成冷链物流知识图谱,得到结构化知识的三元组;
步骤2:利用知识表示的TransR算法将知识图谱的实体和关系嵌入到低维向量,并计算用户间的语义相似度,具体如图2所示:
步骤2.1:使用TransR知识表示算法将实体和关系嵌入到一个R维的语义空间,每个用户语义向量表示为Ui=(e1i,e2i,…,eni)T,Ui表示用户i的语义向量,eki为语义向量第k维上的值,其中,变量k∈[1,n];
步骤3:利用社区发现算法对用户进行聚类获得用户簇,具体如图3所示:
步骤3.1:将每个用户实体作为一个社区节点,用户间的语义相似度作为两个节点间的连边的权重,Louvain算法的模块度计算公式为 其中,Q表示模块度,m表示所有连边的权重之和,Ai,j表示用户实体i和实体j之间连边的权重,ki表示与用户实体i连边的权重之和,δ(ci,cj)函数表示,若用户实体i和实体j被划分在同一社区时其值为1,若不在同一社区值为0;
步骤3.2:利用Louvain算法对社区进行聚类,依次将每个用户实体与之相邻实体合并在一起,计算它们的模块度增益,将最大的正ΔQ的实体合并到社区C,当实体不移动时,算法结束,输出分类用户簇集合为C={c1,c2,...,cl},模块度增益计算公式为其中ki代表用户实体i的连边权重之和,ki,in表示社区C内实体与用户实体i的权重之和,∑tot表示社区C的用户实体相连的边的权重之和,m为社区C中所有连边的权重和;
步骤4:构建车源评分矩阵,对评分矩阵进行聚合获取整个簇的评分矩阵,利用余弦相似度计算用户簇和用户间的相似度,依据最相似的TopN用户对车源的评分计算用户簇对车源的预测评分,同时统计相似簇中子节点频数,构建用户簇偏好子图,计算用户簇偏好车源和车源的语义相似度,具体如图4、5所示:
步骤4.1:根据历史订单信息,整理出用户对于车源的评分数据,用户集合U=(u1,u2,...,um),m为用户个数,车源集合I=(i1,i2,...,in),n为车源个数,构建m×n的用户-车源评分矩阵;
步骤4.3:利用余弦相似度计算用户簇和用户间相似度,St和Sj分别为用户簇和用户j对车源的评分向量,取相似度最高的TopN作为用户簇的邻近集合Vn,根据邻近用户对车源的评分预测用户簇对车源的评分,计算公式为其中sim(St,Sj)为用户簇与邻近用户之间的相似度值,Rk,j为邻近用户给车源j的评分,/>为用户簇对车源的平均评分,/>为用户对车源的平均评分,Pt,j为用户簇对车源的预测评分;
步骤4.4:统计相似簇中用户每个子节点标签的频数,获取最大频数子节点标签,按照原有冷链物流知识图谱结构构建用户簇偏好子图;
步骤4.5:按照步骤2.1对偏好子图进行知识表示学习,获得的语义向量为Uti=(e1ti,e2ti,…,emti)T,Uti表示第i个用户簇偏好车源语义向量;
步骤5:依据用户簇对车源的预测评分和车源语义相似度按降序排序得到评分推荐列表和语义推荐列表,取其交集作为最终推荐列表,具体如图6所示:
步骤5.1:将预测评分按分值降序排序,选取分值最高的TopN作为用户簇评分推荐列表Ls,同样将偏好车源语义相似度按照降序排序,选取相似度最高的TopN作为用户簇语义推荐列表Ll;
步骤5.2:取评分推荐列表和语义推荐列表的交集Lf=Ls∩Ll为最终的推荐列表。
本发明可与计算机系统结合成为基于语义网和簇偏好的冷链物流推荐装置,该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被加载至处理器时实现上述基于语义网和簇偏好的冷链物流推荐方法。
Claims (5)
1.基于语义网和簇偏好的冷链物流推荐方法,其特征在于,包括如下步骤:
步骤1:对用户、车源和历史订单信息进行数据清洗和整理,按照数据其原有结构构建冷链物流知识图谱;
步骤2:利用知识表示的TransR算法将知识图谱的实体和关系嵌入到低维向量,并计算用户间的语义相似度;
步骤3:利用社区发现算法对用户进行聚类获得用户簇;
步骤4:构建车源评分矩阵,对评分矩阵进行聚合获取整个簇的评分矩阵,利用余弦相似度计算用户簇和用户间的相似度,依据最相似的TopN用户对车源的评分计算用户簇对车源的预测评分,同时统计相似簇中子节点频数,构建用户簇偏好子图,计算用户簇偏好车源和车源的语义相似度;
步骤5:依据用户簇对车源的预测评分和车源语义相似度按降序排序得到评分推荐列表和语义推荐列表,取其交集作为最终推荐列表;
所述步骤2的具体方法为:
步骤2.1:使用TransR知识表示算法将实体和关系嵌入到一个R维的语义空间,每个用户语义向量表示为Ui=(e1i,e2i,…,eni)T,Ui表示用户i的语义向量,eki为语义向量第k维上的值,其中,变量k∈[1,n];
所述步骤4的具体方法为:
步骤4.1:根据历史订单信息,整理出用户对于车源的评分数据,用户集合U=(u1,u2,…,um),m为用户个数,车源集合I=(i1,i2,…,in),n为车源个数,构建m×n的用户-车源评分矩阵;
步骤4.3:利用余弦相似度计算用户簇和用户间相似度,St和Sj分别为用户簇和用户j对车源的评分向量,取相似度最高的TopN作为用户簇的邻近集合Vn,根据邻近用户对车源的评分预测用户簇对车源的评分,计算公式为其中sim(St,Sj)为用户簇与邻近用户之间的相似度值,Rk,j为Vn中邻近用户给车源j的评分,/>为用户簇对车源的平均评分,/>为用户对车源的平均评分,Pt,j为用户簇对车源的预测评分;
步骤4.4:统计相似簇中用户每个子节点标签的频数,获取最大频数子节点标签,按照原有冷链物流知识图谱结构构建用户簇偏好子图;
步骤4.5:按照步骤2.1对偏好子图进行知识表示学习,获得的语义向量为Uti=(e1ti,e2ti,…,emti)T,Uti表示第i个用户簇偏好车源语义向量;
2.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法,其特征在于,所述步骤1的具体方法为:
步骤1.1:从无车承运平台获取用户、车源和历史订单信息,对其进行数据清洗和整理,确保数据的完整性;
步骤1.2:将用户和车源数据中的实体导入Neo4j图数据库,并按照原有实体之间的关系属性,构成冷链物流知识图谱,得到结构化知识的三元组。
3.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法,其特征在于,所述步骤3的具体方法为:
步骤3.1:将每个用户实体作为一个社区节点,用户间的语义相似度作为两个节点间的连边的权重,Louvain算法的模块度计算公式为 其中,Q表示模块度,m表示所有连边的权重之和,Ai,j表示用户实体i和实体j之间连边的权重,ki表示与用户实体i连边的权重之和,δ(ci,cj)函数表示,若用户实体i和实体j被划分在同一社区时其值为1,若不在同一社区值为0;
4.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法,其特征在于,所述步骤5的具体方法为:
步骤5.1:将预测评分按分值降序排序,选取分值最高的TopN作为用户簇评分推荐列表Ls,同样将偏好车源语义相似度按照降序排序,选取相似度最高的TopN作为用户簇语义推荐列表Ll;
步骤5.2:取评分推荐列表和语义推荐列表的交集Lf=Ls∩Ll为最终的推荐列表。
5.基于语义网和簇偏好的冷链物流推荐装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于语义网和簇偏好的冷链物流推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667360.3A CN114399251B (zh) | 2021-12-30 | 2021-12-30 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667360.3A CN114399251B (zh) | 2021-12-30 | 2021-12-30 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399251A CN114399251A (zh) | 2022-04-26 |
CN114399251B true CN114399251B (zh) | 2023-05-30 |
Family
ID=81229800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111667360.3A Active CN114399251B (zh) | 2021-12-30 | 2021-12-30 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399251B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618098B (zh) * | 2022-09-08 | 2023-07-04 | 淮阴工学院 | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 |
CN115618108B (zh) * | 2022-10-24 | 2023-05-26 | 云南中烟工业有限责任公司 | 新零售模式下基于知识图谱的品牌推荐方法 |
CN116628228B (zh) * | 2023-07-19 | 2023-09-19 | 安徽思高智能科技有限公司 | 一种rpa流程推荐方法以及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933156A (zh) * | 2015-06-25 | 2015-09-23 | 西安理工大学 | 一种基于共享近邻聚类的协同过滤方法 |
CN108205682A (zh) * | 2016-12-19 | 2018-06-26 | 同济大学 | 一种用于个性化推荐的融合内容和行为的协同过滤方法 |
CN112667877A (zh) * | 2020-12-25 | 2021-04-16 | 陕西师范大学 | 一种基于旅游知识图谱的景点推荐方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106471491A (zh) * | 2015-05-29 | 2017-03-01 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN105654267A (zh) * | 2016-03-01 | 2016-06-08 | 淮阴工学院 | 一种基于谱聚类的冷链物流配载智能推荐方法 |
CN106886872A (zh) * | 2017-01-20 | 2017-06-23 | 淮阴工学院 | 一种基于聚类和余弦相似度的物流推荐方法 |
CN109918562B (zh) * | 2019-01-18 | 2022-10-18 | 重庆邮电大学 | 一种基于用户社区和评分联合社区的推荐方法 |
CN111813955B (zh) * | 2020-07-01 | 2021-10-19 | 浙江工商大学 | 一种基于知识图谱表示学习的服务聚类方法 |
-
2021
- 2021-12-30 CN CN202111667360.3A patent/CN114399251B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933156A (zh) * | 2015-06-25 | 2015-09-23 | 西安理工大学 | 一种基于共享近邻聚类的协同过滤方法 |
CN108205682A (zh) * | 2016-12-19 | 2018-06-26 | 同济大学 | 一种用于个性化推荐的融合内容和行为的协同过滤方法 |
CN112667877A (zh) * | 2020-12-25 | 2021-04-16 | 陕西师范大学 | 一种基于旅游知识图谱的景点推荐方法及设备 |
Non-Patent Citations (1)
Title |
---|
郭弘毅 ; 刘功申 ; 苏波 ; 孟魁 ; .融合社区结构和兴趣聚类的协同过滤推荐算法.计算机研究与发展.2016,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114399251A (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399251B (zh) | 基于语义网和簇偏好的冷链物流推荐方法及装置 | |
Konstas et al. | On social networks and collaborative recommendation | |
CN110162706B (zh) | 一种基于交互数据聚类的个性化推荐方法及系统 | |
CN110674407B (zh) | 基于图卷积神经网络的混合推荐方法 | |
Salehi et al. | Hybrid attribute-based recommender system for learning material using genetic algorithm and a multidimensional information model | |
CN106548255A (zh) | 一种基于海量用户行为的商品推荐方法 | |
Lingras et al. | Temporal analysis of clusters of supermarket customers: conventional versus interval set approach | |
CN109903138B (zh) | 一种个性化商品推荐方法 | |
CN109947987B (zh) | 一种交叉协同过滤推荐方法 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN110990670B (zh) | 一种成长激励型图书推荐方法及推荐系统 | |
CN112765480A (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
CN113268667B (zh) | 一种基于中文评论情感引导的序列推荐方法及系统 | |
CN112102029A (zh) | 一种基于知识图谱的长尾推荐计算方法 | |
CN111191099A (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
CN106651461A (zh) | 基于灰理论的电影个性化推荐方法 | |
Borges et al. | A survey on recommender systems for news data | |
CN115795036A (zh) | 一种实时对长文本去重聚类的方法 | |
Wang et al. | Using incremental clustering technique in collaborative filtering data update | |
CN113705217A (zh) | 一种面向电力领域知识学习的文献推荐方法及装置 | |
Zarzour et al. | An Efficient Recommender System Based on Collaborative Filtering Recommendation and Cluster Ensemble | |
Qader et al. | Dual-stage social friend recommendation system based on user interests | |
CN114693404A (zh) | 一种基于协同度量的商品个性化推荐方法及系统 | |
Bhopale et al. | Novel hybrid feature selection models for unsupervised document categorization | |
CN110727876A (zh) | 一种用于智能零售系统的个性推荐算法 |
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 |