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 PDF

Info

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
Application number
CN202210406163.4A
Other languages
English (en)
Other versions
CN114491296A (zh
Inventor
刘跃华
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.)
Hunan Zhengyu Software Technology Development Co ltd
Original Assignee
Hunan Zhengyu Software Technology Development Co ltd
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 Hunan Zhengyu Software Technology Development Co ltd filed Critical Hunan Zhengyu Software Technology Development Co ltd
Priority to CN202210406163.4A priority Critical patent/CN114491296B/zh
Publication of CN114491296A publication Critical patent/CN114491296A/zh
Application granted granted Critical
Publication of CN114491296B publication Critical patent/CN114491296B/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
    • G06F16/9536—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

提案联名人推荐方法、系统、计算机设备及可读存储介质
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：
Figure 299312DEST_PATH_IMAGE001
式中，
Figure 607934DEST_PATH_IMAGE002
表示同时对新闻i和新闻j感兴趣的用户，
Figure 823015DEST_PATH_IMAGE003
表示提案用户u感兴趣的新闻话题集合；
得到提案用户u对新闻j的兴趣度为
Figure 974510DEST_PATH_IMAGE004
为：
Figure 566029DEST_PATH_IMAGE005
式中，
Figure 260315DEST_PATH_IMAGE006
是和新闻j最相似的K条新闻的集合，
Figure 646297DEST_PATH_IMAGE007
为新闻i中的热点词条数跟兴趣模型相关的条数。
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：
Figure 426034DEST_PATH_IMAGE008
其中：
Figure 692017DEST_PATH_IMAGE009
式中，
Figure 975231DEST_PATH_IMAGE010
表示当前鲸鱼位置，
Figure 797693DEST_PATH_IMAGE011
表示迭代后更新的位置，
Figure 799147DEST_PATH_IMAGE012
表示当前时间的最优位置，
Figure 857102DEST_PATH_IMAGE013
和
Figure 994822DEST_PATH_IMAGE014
为系数向量，
Figure 988186DEST_PATH_IMAGE015
为(0,1)之间的随机数，
Figure 476936DEST_PATH_IMAGE016
表示从2到0线性递减的收敛因子，
Figure 73003DEST_PATH_IMAGE017
表示最优解；
为提高算法的全局搜索能力和局部搜索能力，对收敛因子
Figure 596388DEST_PATH_IMAGE018
作非线性处理，为：
Figure 760653DEST_PATH_IMAGE019
其中，
Figure 471120DEST_PATH_IMAGE020
和
Figure 746243DEST_PATH_IMAGE021
分别为
Figure 983190DEST_PATH_IMAGE022
的初始值和终止值，
Figure 52777DEST_PATH_IMAGE023
为最大迭代次数，
Figure 781699DEST_PATH_IMAGE024
为当前迭代次数；
由此，包围阶段公式中
Figure 453988DEST_PATH_IMAGE025
和
Figure 686387DEST_PATH_IMAGE014
可以写成：
Figure 192454DEST_PATH_IMAGE026
其中，
Figure 143093DEST_PATH_IMAGE027
和
Figure 760019DEST_PATH_IMAGE028
为（0，1）之间的随机数；
引入自适应惯性权重
Figure 971557DEST_PATH_IMAGE029
，改进传统鲸鱼算法包围猎物阶段公式，自适应惯性权重
Figure 648526DEST_PATH_IMAGE029
为：
Figure 820882DEST_PATH_IMAGE030
改进之后的位置向量更新为：
Figure 975919DEST_PATH_IMAGE031
根据系数向量
Figure 307544DEST_PATH_IMAGE032
的大小确定猎物包围策略，搜索猎物：
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：
Figure 889835DEST_PATH_IMAGE033
其中
Figure 549486DEST_PATH_IMAGE034
表示当前为止得到的最优解，b为常数，l为[−1,1]中的随机数，e是自然对数函数的底数；
判断
Figure 508215DEST_PATH_IMAGE035
的大小，当
Figure 694346DEST_PATH_IMAGE036
>1时，执行全局搜索，为：
Figure 713117DEST_PATH_IMAGE037
其中，
Figure 125644DEST_PATH_IMAGE038
是从当前种群中选择的随机位置向量，即随机鲸鱼；
引入量子旋转门操作，对最终鲸鱼位置进行更新，公式为：
Figure 622484DEST_PATH_IMAGE039
其中，
Figure 538488DEST_PATH_IMAGE040
表示更新后的鲸鱼位置，
Figure 852795DEST_PATH_IMAGE041
为(0,π/2)的随机数；
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：
设新闻事件X 1···X n 为总体分布X的独立分布，X的密度函数
Figure 487038DEST_PATH_IMAGE042
定义如下：
Figure 787570DEST_PATH_IMAGE043
其中核函数K定义为：
Figure 558079DEST_PATH_IMAGE044
代入
Figure 43287DEST_PATH_IMAGE045
中，得到提案用户u对第j条新闻的兴趣密度函数
Figure 430406DEST_PATH_IMAGE046
，为：
Figure 269049DEST_PATH_IMAGE047
式中，n为并集U中的新闻事件数，
Figure 159645DEST_PATH_IMAGE048
代表提案用户u对新闻i的兴趣度，
Figure 691121DEST_PATH_IMAGE049
代表新闻与新闻之间的相似度结果，z为密度函数中对应的
Figure 159011DEST_PATH_IMAGE050
，h表示核窗宽，
Figure 66924DEST_PATH_IMAGE051
代表提案用户u兴趣话题新闻的集合。
在其中一个实施例，步骤6具体为：
将并集U的每一条新闻的时效性值标记为
Figure 812026DEST_PATH_IMAGE052
，其中m为并集U中新闻总数，提案用户u对并集U每条新闻的感兴趣程度标记为
Figure 514403DEST_PATH_IMAGE053
，加权得到提案推荐值
Figure 610535DEST_PATH_IMAGE054
，为：
Figure 915614DEST_PATH_IMAGE055
将
Figure 780802DEST_PATH_IMAGE056
值从大到小排序，选取前5个
Figure 654080DEST_PATH_IMAGE057
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。
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；
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，比如，
Figure 971929DEST_PATH_IMAGE058
词条在新闻
Figure 80699DEST_PATH_IMAGE059
中的TF值为：
Figure 800394DEST_PATH_IMAGE060
式中，Y是数据集中的新闻文件总数，
Figure 844573DEST_PATH_IMAGE061
表示
Figure 649718DEST_PATH_IMAGE062
词条在新闻
Figure 703125DEST_PATH_IMAGE063
中出现的次数，
Figure 401959DEST_PATH_IMAGE064
是
Figure 617040DEST_PATH_IMAGE065
词条在所有新闻中出现的次数；
计算每个词条的IDF值：
Figure 643902DEST_PATH_IMAGE066
其中，
Figure 235420DEST_PATH_IMAGE067
是数据集中的文件总数，
Figure 788761DEST_PATH_IMAGE068
表示包含词条
Figure 174743DEST_PATH_IMAGE069
的文档数。
相乘得到TF-IDF值：
Figure 220060DEST_PATH_IMAGE070
采用负指数模型计算每条新闻的时效性：
Figure 349690DEST_PATH_IMAGE071
式中，
Figure 632904DEST_PATH_IMAGE072
表示新闻发布的时间，
Figure 580000DEST_PATH_IMAGE073
表示当前时间，
Figure 581454DEST_PATH_IMAGE074
表示新闻在
Figure 514775DEST_PATH_IMAGE073
时刻的影响力大小，
Figure 918074DEST_PATH_IMAGE075
代表信息的老化率系数，
Figure 911438DEST_PATH_IMAGE076
为自然对数函数的底数：
Figure 259243DEST_PATH_IMAGE077
式中，
Figure 996255DEST_PATH_IMAGE078
表示半衰期：
Figure 519640DEST_PATH_IMAGE079
式中，
Figure 418326DEST_PATH_IMAGE080
表示信息发布时刻与当前点击时刻的中间时刻；
综合加权得到某一词条的权值
Figure 394372DEST_PATH_IMAGE081
为：
Figure 794129DEST_PATH_IMAGE082
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：
在步骤1对数据集中的新闻进行热点词条进行提取后，随机选取K个中心，标记为
Figure 906442DEST_PATH_IMAGE083
；
定义损失函数为：
Figure 507187DEST_PATH_IMAGE084
式中，
Figure 704951DEST_PATH_IMAGE085
为
Figure 783765DEST_PATH_IMAGE086
所选的簇，
Figure 140797DEST_PATH_IMAGE087
为中心点，
Figure 646865DEST_PATH_IMAGE088
为样本总数，
Figure 597503DEST_PATH_IMAGE089
为步骤1中第
Figure 214429DEST_PATH_IMAGE090
个样本的加权值，
Figure 301334DEST_PATH_IMAGE091
为簇
Figure 837358DEST_PATH_IMAGE092
对应的中心点；
令
Figure 275292DEST_PATH_IMAGE093
···为迭代步数，重复如下过程直至
Figure 695909DEST_PATH_IMAGE094
收敛：
将每一个样本分配到距离最近的中心：
Figure 637320DEST_PATH_IMAGE095
对于每一个类中心k，重新计算该类的中心；
Figure 485191DEST_PATH_IMAGE096
式中，
Figure 410421DEST_PATH_IMAGE097
为簇的个数，
Figure 493784DEST_PATH_IMAGE098
为第
Figure 555281DEST_PATH_IMAGE099
次迭代对应的簇，
Figure 574052DEST_PATH_IMAGE100
为第
Figure 721000DEST_PATH_IMAGE101
次迭代的最优中心点，
Figure 483420DEST_PATH_IMAGE102
为第
Figure 524057DEST_PATH_IMAGE103
次迭代的最优中心点，
Figure 713730DEST_PATH_IMAGE104
为第
Figure 347973DEST_PATH_IMAGE105
次迭代的最佳聚类簇；
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：
Figure 648505DEST_PATH_IMAGE106
式中，
Figure 543648DEST_PATH_IMAGE107
表示同时对新闻i和新闻j感兴趣的用户，
Figure 169802DEST_PATH_IMAGE108
表示提案用户u感兴趣的新闻话题集合；
得到提案用户u对新闻j的兴趣度为
Figure 25762DEST_PATH_IMAGE109
为：
Figure 129985DEST_PATH_IMAGE110
式中，
Figure 20580DEST_PATH_IMAGE111
是和新闻j最相似的Z条新闻的集合，
Figure 817635DEST_PATH_IMAGE112
为新闻i中的热点词条数跟兴趣模型相关的条数（此处的兴趣模型为步骤2确定的三个兴趣话题）。
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：
Figure 285525DEST_PATH_IMAGE113
其中，n和d分别为鲸鱼的数量和维度，
Figure 662280DEST_PATH_IMAGE114
表示第n条鲸鱼，
Figure 672961DEST_PATH_IMAGE115
为第n条鲸鱼的当前位置；
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：
Figure 375338DEST_PATH_IMAGE116
适应度函数可写为：
Figure 330525DEST_PATH_IMAGE117
其中，
Figure 776550DEST_PATH_IMAGE118
为第n条鲸鱼适应度评估；
根据传统鲸鱼算法包围猎物阶段公式为：
Figure 907317DEST_PATH_IMAGE119
其中：
Figure 780595DEST_PATH_IMAGE120
式中，
Figure 832864DEST_PATH_IMAGE121
表示当前鲸鱼位置，
Figure 207214DEST_PATH_IMAGE122
表示迭代后更新的位置，
Figure 192487DEST_PATH_IMAGE123
表示当前时间的最优位置，
Figure 236667DEST_PATH_IMAGE124
和
Figure 776233DEST_PATH_IMAGE125
为系数向量，
Figure 564060DEST_PATH_IMAGE126
为(0,1)之间的随机数，
Figure 262895DEST_PATH_IMAGE127
表示从2到0线性递减的收敛因子，
Figure 743554DEST_PATH_IMAGE128
表示最优解；
为提高算法的全局搜索能力和局部搜索能力，对收敛因子
Figure 35996DEST_PATH_IMAGE129
作非线性处理，为：
Figure 361935DEST_PATH_IMAGE130
其中，
Figure 56221DEST_PATH_IMAGE131
和
Figure 566837DEST_PATH_IMAGE132
分别为
Figure 346574DEST_PATH_IMAGE133
的初始值和终止值，
Figure 476204DEST_PATH_IMAGE134
为最大迭代次数，
Figure 24997DEST_PATH_IMAGE135
为当前迭代次数；
由此，包围阶段公式中
Figure 581880DEST_PATH_IMAGE136
和
Figure 848914DEST_PATH_IMAGE137
可以写成：
Figure 906868DEST_PATH_IMAGE138
其中，
Figure 310168DEST_PATH_IMAGE139
和
Figure 37953DEST_PATH_IMAGE140
为（0，1）之间的随机数；
引入自适应惯性权重
Figure 526703DEST_PATH_IMAGE141
，改进传统鲸鱼算法包围猎物阶段公式，自适应惯性权重
Figure 388348DEST_PATH_IMAGE141
为：
Figure 911734DEST_PATH_IMAGE142
改进之后的位置向量更新为：
Figure 810419DEST_PATH_IMAGE143
根据系数向量
Figure 786466DEST_PATH_IMAGE144
的大小确定猎物包围策略，搜索猎物：
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：
Figure 61589DEST_PATH_IMAGE145
其中
Figure 298536DEST_PATH_IMAGE146
表示当前为止得到的最优解，b为常数，l为[−1,1]中的随机数，
Figure 899281DEST_PATH_IMAGE147
为自然对数函数的底数；
判断
Figure 97044DEST_PATH_IMAGE148
的大小，当
Figure 175859DEST_PATH_IMAGE149
>1时，执行全局搜索，为：
Figure 142678DEST_PATH_IMAGE150
其中，
Figure 914325DEST_PATH_IMAGE151
是从当前种群中选择的随机位置向量，即随机鲸鱼；
引入量子旋转门操作，对最终鲸鱼位置进行更新，为：
Figure 724018DEST_PATH_IMAGE152
其中，
Figure 340944DEST_PATH_IMAGE153
表示更新后的鲸鱼位置，
Figure 427849DEST_PATH_IMAGE154
为(0,π/2)的随机数；
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：
设新闻事件
Figure 370397DEST_PATH_IMAGE155
为总体分布X的独立分布，X的密度函数
Figure 542752DEST_PATH_IMAGE156
定义如下：
Figure 99722DEST_PATH_IMAGE157
其中核函数K定义为：
Figure 41133DEST_PATH_IMAGE158
代入
Figure 889003DEST_PATH_IMAGE159
中，得到提案用户u对第j条新闻的兴趣密度函数
Figure 814234DEST_PATH_IMAGE160
，为：
Figure 772963DEST_PATH_IMAGE161
式中，n为并集U中的新闻事件数，
Figure 959093DEST_PATH_IMAGE162
代表提案用户u对新闻i的兴趣度，
Figure 712286DEST_PATH_IMAGE163
代表新闻与新闻之间的相似度结果，
Figure 859233DEST_PATH_IMAGE164
为密度函数中对应的
Figure 887232DEST_PATH_IMAGE165
，
Figure 803235DEST_PATH_IMAGE166
表示核窗宽，
Figure 117542DEST_PATH_IMAGE167
代表提案用户u兴趣话题新闻的集合。
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：
将并集U的每一条新闻的时效性值标记为
Figure 486207DEST_PATH_IMAGE168
，其中m为并集U中新闻总数，提案用户u对并集U每条新闻的兴趣程度（即步骤5中的兴趣分布）标记为
Figure 52317DEST_PATH_IMAGE169
，加权得到提案推荐值
Figure 88406DEST_PATH_IMAGE170
，为：
Figure 448980DEST_PATH_IMAGE171
将
Figure 429575DEST_PATH_IMAGE172
值从大到小排序，选取前5个
Figure 533797DEST_PATH_IMAGE172
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：
Figure 604930DEST_PATH_IMAGE001
Figure 232220DEST_PATH_IMAGE002
其中：
Figure 615928DEST_PATH_IMAGE003
Figure 12274DEST_PATH_IMAGE004
式中，
Figure 885552DEST_PATH_IMAGE005
表示当前鲸鱼位置，
Figure 872575DEST_PATH_IMAGE006
表示迭代后更新的位置，
Figure 919029DEST_PATH_IMAGE007
表示当前时间的最优位置，
Figure 638723DEST_PATH_IMAGE008
和
Figure 355006DEST_PATH_IMAGE009
为系数向量，
Figure 222468DEST_PATH_IMAGE010
为(0,1)之间的随机数，
Figure 10296DEST_PATH_IMAGE011
表示从2到0线性递减的收敛因子，
Figure 522180DEST_PATH_IMAGE012
表示最优解；
为提高算法的全局搜索能力和局部搜索能力，对收敛因子
Figure 533998DEST_PATH_IMAGE013
作非线性处理，为：
Figure 560860DEST_PATH_IMAGE014
其中，
Figure 90061DEST_PATH_IMAGE015
和
Figure 315506DEST_PATH_IMAGE016
分别为
Figure 701488DEST_PATH_IMAGE017
的初始值和终止值，
Figure 418908DEST_PATH_IMAGE018
为最大迭代次数，
Figure 345276DEST_PATH_IMAGE019
为当前迭代次数；
由此，包围阶段公式中
Figure 628490DEST_PATH_IMAGE020
和
Figure 388636DEST_PATH_IMAGE021
可以写成：
Figure 186827DEST_PATH_IMAGE022
Figure 120148DEST_PATH_IMAGE023
其中，
Figure 195552DEST_PATH_IMAGE024
和
Figure 985653DEST_PATH_IMAGE025
为（0，1）之间的随机数；
引入自适应惯性权重
Figure 474403DEST_PATH_IMAGE026
，改进传统鲸鱼算法包围猎物阶段公式，自适应惯性权重
Figure 883519DEST_PATH_IMAGE026
为：
Figure 938063DEST_PATH_IMAGE027
改进之后的位置向量更新为：
Figure 102328DEST_PATH_IMAGE028
根据系数向量
Figure 505406DEST_PATH_IMAGE029
的大小确定猎物包围策略，搜索猎物：
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：
Figure 842847DEST_PATH_IMAGE030
其中
Figure 220739DEST_PATH_IMAGE031
表示当前为止得到的最优解，b为常数，l为[−1,1]中的随机数，e是自然对数函数的底数；
判断
Figure 962430DEST_PATH_IMAGE032
的大小，当
Figure 488089DEST_PATH_IMAGE033
>1时，执行全局搜索，为：
Figure 301324DEST_PATH_IMAGE034
Figure 471405DEST_PATH_IMAGE035
其中，
Figure 508632DEST_PATH_IMAGE036
是从当前种群中选择的随机位置向量，即随机鲸鱼；
引入量子旋转门操作，对最终鲸鱼位置进行更新，公式为：
Figure 459270DEST_PATH_IMAGE037
其中，
Figure 748300DEST_PATH_IMAGE038
表示更新后的鲸鱼位置，
Figure 897522DEST_PATH_IMAGE039
为(0,π/2)的随机数；
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。
3.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3中，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：
Figure 574491DEST_PATH_IMAGE040
式中，
Figure 418950DEST_PATH_IMAGE041
表示同时对新闻i和新闻j感兴趣的用户，
Figure 636305DEST_PATH_IMAGE042
表示提案用户u感兴趣的新闻话题集合；
得到提案用户u对新闻j的兴趣度为
Figure 843295DEST_PATH_IMAGE043
为：
Figure 97690DEST_PATH_IMAGE044
式中，
Figure 819658DEST_PATH_IMAGE045
是和新闻j最相似的K条新闻的集合，
Figure 450491DEST_PATH_IMAGE046
为新闻i中的热点词条数跟兴趣模型相关的条数。
4.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：
设新闻事件X 1···X n 为总体分布X的独立分布，X的密度函数
Figure 511988DEST_PATH_IMAGE047
定义如下：
Figure 593076DEST_PATH_IMAGE048
其中核函数K定义为：
Figure 412128DEST_PATH_IMAGE049
代入
Figure 908968DEST_PATH_IMAGE050
中，得到提案用户u对第j条新闻的兴趣密度函数
Figure 887289DEST_PATH_IMAGE051
，为：
Figure 746136DEST_PATH_IMAGE052
式中，n为并集U中的新闻事件数，
Figure 380379DEST_PATH_IMAGE053
代表提案用户u对新闻i的兴趣度，
Figure 477648DEST_PATH_IMAGE054
代表新闻与新闻之间的相似度结果，
Figure 185841DEST_PATH_IMAGE055
为密度函数中对应的
Figure 546415DEST_PATH_IMAGE056
，h表示核窗宽，
Figure 464693DEST_PATH_IMAGE057
代表提案用户u兴趣话题新闻的集合。
5.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6具体为：
将并集U的每一条新闻的时效性值标记为
Figure 241019DEST_PATH_IMAGE058
，其中m为并集U中新闻总数，提案用户u对并集U每条新闻的感兴趣程度标记为
Figure 131615DEST_PATH_IMAGE059
，加权得到提案推荐值
Figure 459828DEST_PATH_IMAGE060
，为：
Figure 740768DEST_PATH_IMAGE061
将
Figure 445418DEST_PATH_IMAGE062
值从大到小排序，选取前5个
Figure 190520DEST_PATH_IMAGE062
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。
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。
CN202210406163.4A 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 Active CN114491296B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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