CN114491296B - 提案联名人推荐方法、系统、计算机设备及可读存储介质 - Google Patents
提案联名人推荐方法、系统、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN114491296B CN114491296B CN202210406163.4A CN202210406163A CN114491296B CN 114491296 B CN114491296 B CN 114491296B CN 202210406163 A CN202210406163 A CN 202210406163A CN 114491296 B CN114491296 B CN 114491296B
- Authority
- CN
- China
- Prior art keywords
- news
- proposal
- user
- interest
- users
- 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
- 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
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Abstract
本发明公开了一种提案联名人推荐方法、系统、计算机设备及可读存储介质,属于信息处理技术领域。该提案联名人推荐方法首先是用户兴趣建模,采用TF‑IDF逆文档权重算法并结合信息时效性,提取各文档关键词,通过K‑means算法进行文本聚类,获取提案热点,完成兴趣建模;然后,通过改进鲸鱼优化算法得到提案用户的TopN最近邻用户;最后,根据提案用户的N近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法对U中所有的新闻进行兴趣分布计算,即提案用户的兴趣偏好,结合新闻的时效性值加权得到提案推荐值,根据提案推荐值的大小完成提案联名人推荐。
Description
技术领域
本发明涉及计算机技术领域,具体是一种提案联名人推荐方法、系统、计算机设备及可读存储介质。
背景技术
随着计算机技术的发展,传统人工作业逐渐被计算机给替代,在会议开展时,提案是参与人员履行职责最重要也是最有效的形式,这些提案代表了人员的心声,也反应了人员对热点话题、机构制度的发声最直观的方式。
参会人员在提交提案时,为了增加提案的关注度,往往会邀请其他参会人员一起作为联名人提交提案。联名提案,反映出参会人员们的共同关注与期待,让建言的呼声更响亮。然而现实中,很多参会人员在邀请联名人时,往往忽视了联名提案的真实目的,通常是邀请自己最熟悉的其他参会人员作为联名人,邀请的联名人往往对当前提案并不关注,显然不能提高联名的作用。
发明内容
针对上述现有技术中的不足,本发明提供一种提案联名人推荐方法、系统、计算机设备及可读存储介质,通过一系列的数据分析、精准推荐服务,帮助参会人员履职更精准和高效,而且利用计算机平台精准推荐与当前提案相关的参会人员作为联名人,显然比个人主观邀请的方式,更能提高联名提案的效果。
本发明的创新性主要体现在:将信息时效性应用在关键词权重计算和用户对新闻的兴趣度计算上;改进了传统鲸鱼优化算法,并将其应用在提案联名推荐当中,增强了整体算法的收敛性,实现了更加精准的提案联名人推荐。
为实现上述目的,本发明提供一种提案联名人推荐方法,包括如下步骤:
步骤1,以各类新闻数据库为基础建立数据集,应用TF-IDF逆文档权重算法并结合新闻时效性,综合加权,提取数据集中各条新闻的关键词;
步骤2,采用K-means算法对步骤1提取的文本聚类,并基于提案用户的提案主题完成兴趣建模;
步骤3,计算提案用户对包含提案主题的各条新闻文档的兴趣度;
步骤4,选取N条提案用户的感兴趣新闻,将所有用户对此N条新闻的隐反馈行为(即用户点击数,浏览时间等网上公开数据集)和提案用户对此N条新闻的兴趣度分别作为鲸鱼算法的输入,得到提案用户的TopN最近邻用户;
步骤5,根据提案用户的N个近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布;
步骤6,将并集U中每一条新闻的时效性与提案用户对并集U中每一条新闻的感兴趣程度加权得到各条新闻的提案推荐值,将提案推荐值从大到小排序,选取前M个提案推荐值所对应的新闻,将N个近邻用户中对所选取新闻感兴趣的用户标记为提案联名人,推荐给提案用户,完成提案联名人推荐。
在其中一个实施例,步骤1具体包括:
收集各类新闻数据库的新闻数据,创建数据集;
切分新闻词条,确定类别标签向量,应用TF-IDF逆文档权重算法做总词频统计,计算每个词条的TF值和IDF值,相乘得到TF-IDF值,并按从大到小排序;
采用负指数模型计算每条新闻的时效性;
将每条新闻中各词条的TF-IDF值与该新闻的时效性进行加权,得到每条新闻中各词条的权值,并基于各词条的权值提取各新闻的关键词。
在其中一个实施例,所述计算提案用户对包含提案主题的各条新闻文档的兴趣度,具体为:
设定新闻i为提案用户u已经选取的兴趣新闻,新闻j为兴趣待判别新闻,新闻i和新闻j之间的相似度为:
在其中一个实施例,步骤4中,采用改进后的鲸鱼算法得到提案用户的TopN最近邻用户。
在其中一个实施例,步骤4具体包括:
传统鲸鱼算法包围猎物阶段公式为:
其中:
改进之后的位置向量更新为:
引入一个随机数p,p在(0,1)之间取值,当p<0.5时,选择收缩包围策略;当p≥0.5时,选择螺旋更新策略,为:
引入量子旋转门操作,对最终鲸鱼位置进行更新,公式为:
判断是否达到最大迭代次数,如果是,即为最优解;否则继续搜索。
在其中一个实施例,步骤5中,所述采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布,具体为:
其中核函数K定义为:
在其中一个实施例,步骤6具体为:
为实现上述目的,本发明还提供一种提案联名人推荐系统,包括:
数据集构建模块,用于以各类新闻数据库为基础建立数据集,应用TF-IDF逆文档权重算法并结合新闻时效性,综合加权,提取数据集中各条新闻的关键词;
兴趣建模模块,用于对新闻进行聚类,并基于提案用户的提案主题完成兴趣建模;
兴趣度计算模块,用于计算提案用户对包含提案主题的各条新闻文档的兴趣度;
近邻用户提取模块,用于选取N条提案用户的感兴趣新闻,将所有用户对此N条新闻的隐反馈行为和提案用户对此N条新闻的兴趣度分别作为鲸鱼算法的输入,得到提案用户的TopN最近邻用户;
兴趣分布计算模块,用于根据提案用户的N个近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布;
联名人推荐模块,用于将并集U中每一条新闻的时效性与提案用户对并集U中每一条新闻的感兴趣程度加权得到各条新闻的提案推荐值,将提案推荐值从大到小排序,选取前M个提案推荐值所对应的新闻,将N个近邻用户中对所选取新闻感兴趣的用户标记为提案联名人,推荐给提案用户,完成提案联名人推荐。
为实现上述目的,本发明还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的部分或全部步骤。
为实现上述目的,本发明还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的部分或全部步骤。
本发明提供的一种提案联名人推荐方法、系统、计算机设备及可读存储介质,较现有技术相比,本发明融合了时效性特征、兴趣特征,在这些特征的基础上结合基于用户以及基于项目的协同过滤方法,能够有效的在稀疏数据的情况下提高推荐效果,同时解决了协同过滤的冷启动问题以及高复杂度问题。
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,下面将对实施例或现有技术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示出的结构获得其他的附图。
图1为本发明实施例中提案联名人推荐方法的流程图;
图2为本发明实施例中改进鲸鱼优化算法实现流程图;
图3为本发明实施例中提案联名人推荐系统的结构框图;
图4为本发明实施例中计算机设备的内部结构图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接,还可以是物理连接或无线通信连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本实施例公开了一种提案联名人推荐方法,该方法将信息时效性应用在关键词权重计算和用户对新闻的兴趣度计算上;改进了传统鲸鱼优化算法,并将其应用在提案联名推荐当中,增强了整体算法的收敛性,实现了更加精准的提案联名人推荐。参考图1,本实施例中的提案联名人推荐方法具体包括如下步骤1-步骤6。
步骤1,以各类新闻数据库为基础建立数据集,应用TF-IDF逆文档权重算法并结合新闻时效性,综合加权,提取数据集中各条新闻的关键词。其具体实施过程为:
首先,从主流媒体平台或各类新闻数据库中爬取无标签的相关新闻,构建一个新闻数据集;
计算每个词条的IDF值:
相乘得到TF-IDF值:
采用负指数模型计算每条新闻的时效性:
对每条新闻,选取权值较大的10个词条作为该新闻的热点。
步骤2,采用K-means算法对步骤1提取的文本聚类,并基于提案用户的提案主题完成兴趣建模。采用K-means算法对步骤1提取的文本聚类的具体实施过程为:
定义损失函数为:
将每一个样本分配到距离最近的中心:
对于每一个类中心k,重新计算该类的中心;
本实施例中,基于提案用户的提案主题完成兴趣建模中,兴趣模型设置为3个兴趣话题,每个话题代表一个或多个新闻词条(比如话题—教育:新闻词条—双减、教育惩戒权、高考改革等)。
步骤3,计算提案用户对包含提案主题的各条新闻文档的兴趣度,其具体实施过程为:
设定新闻i为提案用户u已经选取的兴趣新闻,新闻j为兴趣待判别新闻,新闻i和新闻j之间的相似度为:
步骤4,选取步骤3中兴趣度最大的N条提案用户的感兴趣新闻,将所有用户对此N条新闻的隐反馈行为(即用户点击数,浏览时间等网上公开数据集)和提案用户对此N条新闻的兴趣度分别作为鲸鱼算法的输入,得到提案用户的TopN最近邻用户。
本实施例中,采用改进后的鲸鱼算法得到提案用户的TopN最近邻用户,参考图2,其具体实施过程为:
初始化鲸鱼种群:
选择提案用户u与其他用户的最小距离作为适应度评估标准,评估每条鲸鱼适应度,为:
适应度函数可写为:
根据传统鲸鱼算法包围猎物阶段公式为:
其中:
改进之后的位置向量更新为:
引入一个随机数p,p在(0,1)之间取值,当p<0.5时,选择收缩包围策略;当p≥0.5时,选择螺旋更新策略,为:
引入量子旋转门操作,对最终鲸鱼位置进行更新,为:
检查搜索鲸鱼是否超出搜索空间,是否达到最大迭代次数,如果超出搜索空间或未达到最大迭代次数,则进行修改,重新计算已更新数据的适应度函数;否则,输出即为最优解。
步骤5,根据提案用户的N个近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布,即提案用户u的兴趣偏好。
本实施例中,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布的具体实施方式为:
其中核函数K定义为:
步骤6,将并集U中每一条新闻的时效性与提案用户对并集U中每一条新闻的感兴趣程度加权得到各条新闻的提案推荐值,将提案推荐值从大到小排序,选取前M个提案推荐值所对应的新闻,将N个近邻用户中对所选取新闻感兴趣的用户标记为提案联名人,推荐给提案用户,完成提案联名人推荐。其具体实施过程为:
将值从大到小排序,选取前5个值对应的新闻并集U中的新闻,把N近邻用户中对所选取新闻感兴趣(根据步骤4中改进鲸鱼优化算法的输入(即所有用户对此N条新闻的隐反馈行为)来判别)的用户标记为提案联名人,推荐给提案用户u,完成提案联名人推荐。
基于上述提案联名人推荐方法,本实施例还公开了一种提案联名人推荐系统,参考图3,该提案联名人推荐系统主要包括数据集构建模块、兴趣建模模块、兴趣度计算模块、近邻用户提取模块、兴趣分布计算模块、联名人推荐模块。
具体地:
数据集构建模块用于以各类新闻数据库为基础建立数据集,应用TF-IDF逆文档权重算法并结合新闻时效性,综合加权,提取数据集中各条新闻的关键词;
兴趣建模模块用于对新闻进行聚类,并基于提案用户的提案主题完成兴趣建模;
兴趣度计算模块用于计算提案用户对包含提案主题的各条新闻文档的兴趣度;
近邻用户提取模块用选取N条提案用户的感兴趣新闻,将所有用户对此N条新闻的隐反馈行为和提案用户对此N条新闻的兴趣度分别作为鲸鱼算法的输入,得到提案用户的TopN最近邻用户;
兴趣分布计算模块用于根据提案用户的N个近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布;
联名人推荐模块用于将并集U中每一条新闻的时效性与提案用户对并集U中每一条新闻的感兴趣程度加权得到各条新闻的提案推荐值,将提案推荐值从大到小排序,选取前M个提案推荐值所对应的新闻,将N个近邻用户中对所选取新闻感兴趣的用户标记为提案联名人,推荐给提案用户,完成提案联名人推荐。
关于提案联名人推荐系统中各模块的具体限定可以参见上文中对于提案联名人推荐方法的限定,在此不再赘述。上述提案联名人推荐系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本实施例还公开了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种提提案联名人推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种提案联名人推荐方法,其特征在于,包括如下步骤:
步骤1,以各类新闻数据库为基础建立数据集,应用TF-IDF逆文档权重算法并结合新闻时效性,综合加权,提取数据集中各条新闻的关键词;
步骤2,采用K-means算法对步骤1提取的文本聚类,并基于提案用户的提案主题完成兴趣建模;
步骤3,计算提案用户对包含提案主题的各条新闻文档的兴趣度;
步骤4,选取N条提案用户的感兴趣新闻,将所有用户对此N条新闻的隐反馈行为和提案用户对此N条新闻的兴趣度分别作为鲸鱼算法的输入,得到提案用户的TopN最近邻用户;
步骤5,根据提案用户的N个近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布;
步骤6,将并集U中每一条新闻的时效性与提案用户对并集U中每一条新闻的感兴趣程度加权得到各条新闻的提案推荐值,将提案推荐值从大到小排序,选取前M个提案推荐值所对应的新闻,将N个近邻用户中对所选取新闻感兴趣的用户标记为提案联名人,推荐给提案用户,完成提案联名人推荐;
步骤4中,采用改进后的鲸鱼算法得到提案用户的TopN最近邻用户,步骤4具体包括:
传统鲸鱼算法包围猎物阶段公式为:
其中:
改进之后的位置向量更新为:
引入一个随机数p,p在(0,1)之间取值,当p<0.5时,选择收缩包围策略;当p≥0.5时,选择螺旋更新策略,为:
引入量子旋转门操作,对最终鲸鱼位置进行更新,公式为:
判断是否达到最大迭代次数,如果是,即为最优解;否则继续搜索。
2.根据权利要求1所述提案联名人推荐方法,其特征在于,步骤1具体包括:
收集各类新闻数据库的新闻数据,创建数据集;
切分新闻词条,确定类别标签向量,应用TF-IDF逆文档权重算法做总词频统计,计算每个词条的TF值和IDF值,相乘得到TF-IDF值,并按从大到小排序;
采用负指数模型计算每条新闻的时效性;
将每条新闻中各词条的TF-IDF值与该新闻的时效性进行加权,得到每条新闻中各词条的权值,并基于各词条的权值提取各新闻的关键词。
6.一种提案联名人推荐系统,其特征在于,采用权利要求1至5任一项所述的方法进行提案联名人推荐,所述提案联名人推荐系统包括:
数据集构建模块,用于以各类新闻数据库为基础建立数据集,应用TF-IDF逆文档权重算法并结合新闻时效性,综合加权,提取数据集中各条新闻的关键词;
兴趣建模模块,用于对新闻进行聚类,并基于提案用户的提案主题完成兴趣建模;
兴趣度计算模块,用于计算提案用户对包含提案主题的各条新闻文档的兴趣度;
近邻用户提取模块,用于选取N条提案用户的感兴趣新闻,将所有用户对此N条新闻的隐反馈行为和提案用户对此N条新闻的兴趣度分别作为鲸鱼算法的输入,得到提案用户的TopN最近邻用户;
兴趣分布计算模块,用于根据提案用户的N个近邻用户,计算所有近邻用户感兴趣新闻的并集U,采用核密度估计法,计算提案用户对并集U中所有新闻的兴趣分布;
联名人推荐模块,用于将并集U中每一条新闻的时效性与提案用户对并集U中每一条新闻的感兴趣程度加权得到各条新闻的提案推荐值,将提案推荐值从大到小排序,选取前M个提案推荐值所对应的新闻,将N个近邻用户中对所选取新闻感兴趣的用户标记为提案联名人,推荐给提案用户,完成提案联名人推荐。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的部分或全部步骤。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的部分或全部步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406163.4A CN114491296B (zh) | 2022-04-18 | 2022-04-18 | 提案联名人推荐方法、系统、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406163.4A CN114491296B (zh) | 2022-04-18 | 2022-04-18 | 提案联名人推荐方法、系统、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114491296A CN114491296A (zh) | 2022-05-13 |
CN114491296B true CN114491296B (zh) | 2022-07-12 |
Family
ID=81489355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210406163.4A Active CN114491296B (zh) | 2022-04-18 | 2022-04-18 | 提案联名人推荐方法、系统、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491296B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470414B (zh) * | 2022-11-03 | 2023-05-12 | 安徽商信政通信息技术股份有限公司 | 一种联名人推荐方法及推荐系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639386B1 (en) * | 2005-07-01 | 2009-12-29 | Amazon Technologies, Inc. | Automated creation of printed works having customized and/or personalized content |
CN102073704A (zh) * | 2010-12-24 | 2011-05-25 | 华为终端有限公司 | 文本分类处理方法和系统以及设备 |
CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
CN109145960A (zh) * | 2018-07-27 | 2019-01-04 | 山东大学 | 基于改进粒子群算法的数据特征选择方法及系统 |
CN109753604A (zh) * | 2018-12-20 | 2019-05-14 | 东软集团股份有限公司 | 群组推荐方法、装置、可读存储介质及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9734220B2 (en) * | 2012-12-04 | 2017-08-15 | Planet Os Inc. | Spatio-temporal data processing systems and methods |
CN112434151A (zh) * | 2020-11-26 | 2021-03-02 | 重庆知识产权大数据研究院有限公司 | 一种专利推荐方法、装置、计算机设备及存储介质 |
-
2022
- 2022-04-18 CN CN202210406163.4A patent/CN114491296B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639386B1 (en) * | 2005-07-01 | 2009-12-29 | Amazon Technologies, Inc. | Automated creation of printed works having customized and/or personalized content |
CN102073704A (zh) * | 2010-12-24 | 2011-05-25 | 华为终端有限公司 | 文本分类处理方法和系统以及设备 |
CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
CN109145960A (zh) * | 2018-07-27 | 2019-01-04 | 山东大学 | 基于改进粒子群算法的数据特征选择方法及系统 |
CN109753604A (zh) * | 2018-12-20 | 2019-05-14 | 东软集团股份有限公司 | 群组推荐方法、装置、可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
"基于融合偏好的新闻推荐算法研究";李琳等;《辽宁大学学报》;20201231;451-456 * |
Also Published As
Publication number | Publication date |
---|---|
CN114491296A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061856B (zh) | 一种基于知识感知的新闻推荐方法 | |
Ahmadian et al. | A deep learning based trust-and tag-aware recommender system | |
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
CN111061962B (zh) | 一种基于用户评分分析的推荐方法 | |
Zhang et al. | User community discovery from multi-relational networks | |
CN111753044B (zh) | 一种基于正则化的去社会偏见的语言模型及应用 | |
WO2021135562A1 (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
CN112800344B (zh) | 一种基于深度神经网络的电影推荐方法 | |
CN115048586B (zh) | 一种融合多特征的新闻推荐方法及系统 | |
CN110069713B (zh) | 一种基于用户上下文感知的个性化推荐方法 | |
CN111523055A (zh) | 一种基于农产品特征属性评论倾向的协同推荐方法及系统 | |
CN110110218B (zh) | 一种身份关联方法及终端 | |
JP2022035314A (ja) | 情報処理装置及びプログラム | |
CN114491296B (zh) | 提案联名人推荐方法、系统、计算机设备及可读存储介质 | |
CN112215629B (zh) | 基于构造对抗样本的多目标广告生成系统及其方法 | |
Zhu | Network course recommendation system based on double-layer attention mechanism | |
CN112559895B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN108304568B (zh) | 一种房地产公众预期大数据处理方法及系统 | |
Zhang et al. | An interpretable and scalable recommendation method based on network embedding | |
CN111400483B (zh) | 基于时间加权的三部图新闻推荐方法 | |
CN114281976A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
Ravanifard et al. | Content-aware listwise collaborative filtering | |
Zhao et al. | A hierarchical attention recommender system based on cross-domain social networks | |
CN116010696A (zh) | 融合知识图谱和用户长短期兴趣的新闻推荐方法、系统及介质 | |
KR102454261B1 (ko) | 사용자 정보 기반 협업 파트너 추천 시스템 및 그 방법 |
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 |