CN114693404A - 一种基于协同度量的商品个性化推荐方法及系统 - Google Patents
一种基于协同度量的商品个性化推荐方法及系统 Download PDFInfo
- Publication number
- CN114693404A CN114693404A CN202210373081.4A CN202210373081A CN114693404A CN 114693404 A CN114693404 A CN 114693404A CN 202210373081 A CN202210373081 A CN 202210373081A CN 114693404 A CN114693404 A CN 114693404A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- matrix
- collaborative
- commodities
- 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.)
- Pending
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于协同度量的商品个性化推荐方法及系统,包括:获取用户购买商品的历史交易记录数据;对所述交易记录数据进行数据预处理获得用户‑商品评分矩阵;将所述评分矩阵分解为用户矩阵和商品矩阵;基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。所述方案通过将协同过滤与度量学习进行结合,并通过学习一种距离公式,推测出用户对商品的预测评分,从而实现商品个性化推荐的目的,有效提高了商品个性化推荐的召回率和精准率。
Description
技术领域
本公开属于商品推荐技术领域,尤其涉及一种基于协同度量的商品个性化推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
个性化推荐系统作为一种信息过滤的重要手段,是当前解决信息超载问题的最有效的方法之一,计算机领域研究人员不断优化个性化推荐算法,力求降低用户的信息检索难度,为用户提供最优的个性化推荐结果。
发明人发现,当前已有的个性化推荐算法大致分为以下几类:协同过滤的推荐,关联规则,基于内容的推荐系统,还有混合推荐系统。其中,协同过滤系统是目前应用最为广泛的个性化推荐系统,其主要思想可以分为两个方面:一个是利用用户与项目之间的历史交互行为信息,计算用户与用户之间的相似性,然后利用目标用户相似程度较高的邻居用户对其他产品的评分来预测目标用户对特定产品的喜好程度,最后根据喜好程度来对目标用户进行个性化推荐。另一个是利用用户与项目之间的历史交互行为信息,计算商品与商品之间的相似性,然后利用目标用户对商品的喜好程度,将相似商品推荐给该目标用户。但是该算法也存在一定的缺点:矩阵稀疏问题以及冷启动问题。
关联规则也是常用的一个推荐算法,基于关联规则的推荐(Association Rule-based Recommendation)是以关联规则为基础,把已购商品作为规则,规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性,在零售业中已经得到了成功的应用。该算法的第一步关联规则的发现最为关键且最耗时,是算法的瓶颈,但可以离线进行。其次,商品名称的同义性问题也是关联规则的一个难点。
发明内容
本公开为了解决上述问题,提供了一种基于协同度量的商品个性化推荐方法及系统,所述方案通过将协同过滤与度量学习进行结合,并通过学习一种距离公式,推测出用户对商品的预测评分,从而实现商品个性化推荐的目的,有效提高了商品个性化推荐的召回率和精准率。
根据本公开实施例的第一个方面,提供了一种基于协同度量的商品个性化推荐方法,包括:
获取用户购买商品的历史交易记录数据;
对所述交易记录数据进行数据预处理获得用户-商品评分矩阵;
将所述评分矩阵分解为用户矩阵和商品矩阵;
基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;
基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。
进一步的,所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。
进一步的,所述对所述交易记录数据进行数据预处理,具体为对所述交易记录数据中的各种评价得分进行加权平均。
进一步的,所述将所述评分矩阵分解为用户矩阵和商品矩阵,具体为:基于用户矩阵和商品矩阵的点乘积与所述评分矩阵相似度最高为优化目标,将用户和商品映射到潜在的因子空间。
进一步的,基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,按照评分结果对商品进行top-N排序,将预设数量排序靠前的商品推荐给用户。
进一步的,所述协同度量学习模型中采用皮尔逊相关度评价距离公式代替了原有的马氏距离计算方法。
根据本公开实施例的第二个方面,提供了一种基于协同度量的商品个性化推荐系统,包括:
数据获取单元,其用于获取用户购买商品的历史交易记录数据;
评分矩阵获取单元,其用于对所述交易记录数据进行数据预处理获得用户-商品评分矩阵;
矩阵分解单元,其用于将所述评分矩阵分解为用户矩阵和商品矩阵;
模型训练单元,其用于基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;
推荐单元,其用于基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种基于协同度量的商品个性化推荐方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种基于协同度量的商品个性化推荐方法。
与现有技术相比,本公开的有益效果是:
(1)本公开将度量学习与协同过滤相结合,不仅优于最先进的协作过滤算法在广泛的推荐任务,而且揭示了潜在的规范用户的细粒度偏好。
(2)使用SVD矩阵分解将评分矩阵分解为用户矩阵和商品矩阵,解决了评分矩阵中存在稀疏性的问题,并且捕获到用户对商品潜在的关系。
(3)本公开采用的CML(Collaborative Metric Learning)协同度量学习模型,该模型学习马氏距离系数,而马氏距离并不适用评分矩阵,本公开通过改用皮尔逊相关度评价距离公式,对于评分数据不规范时Pearson能够给出更好的结果。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的一种基于协同度量学习的商品个性化推荐方法流程图;
图2为本公开实施例一中所述的CML协同度量学习工作原理图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种基于协同度量的商品个性化推荐方法。
一种基于协同度量的商品个性化推荐方法,包括:
获取用户购买商品的历史交易记录数据;
对所述交易记录数据进行数据预处理获得用户-商品评分矩阵;
将所述评分矩阵分解为用户矩阵和商品矩阵;
基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;
基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。
进一步的,所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。
进一步的,所述对所述交易记录数据进行数据预处理,具体为对所述交易记录数据中的各种评价得分进行加权平均。
进一步的,所述将所述评分矩阵分解为用户矩阵和商品矩阵,具体为:基于用户矩阵和商品矩阵的点乘积与所述评分矩阵相似度最高为优化目标,将用户和商品映射到潜在的因子空间。
进一步的,基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,按照评分结果对商品进行top-N排序,将预设数量排序靠前的商品推荐给用户。
进一步的,所述协同度量学习模型中采用皮尔逊相关度评价距离公式代替了原有的马氏距离计算方法。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
近年来,随着网络技术、科学技术的发展,“智慧社区”已不再是概念话题,在各方面给社区居民生活带来了巨大改善。但是随着人民生活水平的提高,基本的生活改变已不再满足人们的需求,而是更期待在日常生活上的改变,比如个性化商品推荐。本发明是以智慧社区服务平台为依托打造一款专门服务于社区用户的商品推荐方法。社区资源个性化服务是智慧社区发展的趋势,本发明切实结合这一发展现状,从个人服务的角度促进智慧社区的发展,提高社区居民生活质量,增强居民生活体验。
如图1所示,一种基于协同度量学习的商品个性化推荐方法(其数据来源为智慧社区服务平台),包括:采集数据、数据预处理、SVD矩阵分解、训练CML协同度量模型、推测用户对商品的评分、top-N排序、返回结果,具体包括如下步骤:
步骤1:在社区服务平台上,采集社区用户购买商品的历史交易记录数据,包括交互信息;
具体的,所述步骤1中包括:在社区服务平台上,采集社区用户购买商品的历史交易记录数据,包括用户id、商品id、评分、评价、星级打评等交互信息数据;
步骤2:对交易记录数据,进行加权平均数等操作进行数据预处理获得用户-商品评分矩阵;
具体的,所述步骤2中包括:对交易记录数据中的评价数据,进行加权平均数等操作进行数据预处理获得用户-商品评分矩阵。
其中,x为用户对商品的各种方式的评分,f为该评分所对应的权重。预处理后得到如下用户-商品评分矩阵:
Item1 | Item2 | ... | Itemk | |
User1 | r11 | r12 | ... | r1k |
User2 | r21 | r22 | ... | r2k |
... | ... | ... | ... | ... |
Userk | rk1 | rk2 | ... | rkk |
步骤3:将评分矩阵分解(即SVD矩阵分解)为用户矩阵和商品矩阵;
具体的,所述步骤3中,包括:
为了模拟用户的显式反馈和解决评分矩阵存在稀疏性的问题,通过将用户和商品映射到一个潜在的因子空间,这样用户-项关系(即评级)可以被它们的潜在因素的点积捕获。让rij表示用户i对商品j的评级,我们学习用户向量ui∈Rr和商品向量vj∈Rr,使得他们的点乘积uT ivj近似rij。求解公式为:
其中,K是已知额定值的集合;λu和λv是对u*和v*的L2-范数进行正则化的超参数。
步骤4:得到的用户矩阵和商品矩阵训练CML协同度量学习模型,学习Pearson距离相关系数λ;如图2所示,展示了CML协同度量学习模型的学习过程。
具体的,所述步骤4中,包括:
由步骤3得到的用户矩阵u和商品矩阵v,按照0.3的比例作为训练集和测试机,训练CML协同度量学习模型,学习Pearson距离相关系数λ,使得学习一种在相似对之间分配更小距离,在不同对之间分配更大的距离。CML度量学习模型工作原理如图2所示,对于用户喜欢的商品,它们的渐变向内移动以创建一个较小的半径,用户不喜欢的商品,而是入侵周界,他们的梯度从用户向外移动,直到安全的边缘被推出外围。
使用用户向量ui∈Rr和项向量vj∈Rr来代表每一个用户与每一个商品,我们学习这些向量的方法是他们的Pearson距离(即皮尔逊距离):
d(i,j)=||ui-vj||
CML度量学习模型原理公式:
其中,例如useri喜欢itemj,不喜欢项itemk,使用标准铰链损失函数[z]+=max(z,0),wij是等级损失权重,m>0是安全域大小。
步骤5:使用训练好的模型推测用户对未购买过的商品的评分,并进行top-N排序;
步骤6:将排序结果返回给用户终端。
实施例二:
本实施例的目的是提供根据一种基于协同度量的商品个性化推荐系统。
一种基于协同度量的商品个性化推荐系统,包括:
数据获取单元,其用于获取用户购买商品的历史交易记录数据;
评分矩阵获取单元,其用于对所述交易记录数据进行数据预处理获得用户-商品评分矩阵;
矩阵分解单元,其用于将所述评分矩阵分解为用户矩阵和商品矩阵;
模型训练单元,其用于基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;
推荐单元,其用于基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。
进一步的,所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种基于协同度量的商品个性化推荐方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于协同度量的商品个性化推荐方法,其特征在于,包括:
获取用户购买商品的历史交易记录数据;
对所述交易记录数据进行数据预处理获得用户-商品评分矩阵;
将所述评分矩阵分解为用户矩阵和商品矩阵;
基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;
基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。
2.如权利要求1所述的一种基于协同度量的商品个性化推荐方法,其特征在于,所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。
3.如权利要求1所述的一种基于协同度量的商品个性化推荐方法,其特征在于,所述将所述评分矩阵分解为用户矩阵和商品矩阵,具体为:基于用户矩阵和商品矩阵的点乘积与所述评分矩阵相似度最高为优化目标,将用户和商品映射到潜在的因子空间。
4.如权利要求1所述的一种基于协同度量的商品个性化推荐方法,其特征在于,所述对所述交易记录数据进行数据预处理,具体为对所述交易记录数据中的各种评价得分进行加权平均。
5.如权利要求1所述的一种基于协同度量的商品个性化推荐方法,其特征在于,基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,按照评分结果对商品进行top-N排序,将预设数量排序靠前的商品推荐给用户。
6.如权利要求1所述的一种基于协同度量的商品个性化推荐方法,其特征在于,所述协同度量学习模型中采用皮尔逊相关度评价距离公式代替了原有的马氏距离计算方法。
7.一种基于协同度量的商品个性化推荐系统,其特征在于,包括:
数据获取单元,其用于获取用户购买商品的历史交易记录数据;
评分矩阵获取单元,其用于对所述交易记录数据进行数据预处理获得用户-商品评分矩阵;
矩阵分解单元,其用于将所述评分矩阵分解为用户矩阵和商品矩阵;
模型训练单元,其用于基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练;
推荐单元,其用于基于训练好的协同度量学习模型预测用户对未购买过的商品的评分,并基于商品评分排序结果实现商品个性化推荐。
8.如权利要求7所述的一种基于协同度量的商品个性化推荐系统,其特征在于,所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述的一种基于协同度量的商品个性化推荐方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一项所述的一种基于协同度量的商品个性化推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373081.4A CN114693404A (zh) | 2022-04-11 | 2022-04-11 | 一种基于协同度量的商品个性化推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373081.4A CN114693404A (zh) | 2022-04-11 | 2022-04-11 | 一种基于协同度量的商品个性化推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693404A true CN114693404A (zh) | 2022-07-01 |
Family
ID=82142179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210373081.4A Pending CN114693404A (zh) | 2022-04-11 | 2022-04-11 | 一种基于协同度量的商品个性化推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076691A (zh) * | 2023-10-16 | 2023-11-17 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的商品资源知识图谱算法模型 |
-
2022
- 2022-04-11 CN CN202210373081.4A patent/CN114693404A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076691A (zh) * | 2023-10-16 | 2023-11-17 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的商品资源知识图谱算法模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2655196C (en) | System and method for generating a display of tags | |
CN103077220B (zh) | 一种基于用户群关联度的个性化推荐方法及系统 | |
US6636862B2 (en) | Method and system for the dynamic analysis of data | |
CN110969516A (zh) | 一种商品推荐方法及装置 | |
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
Nadimi-Shahraki et al. | Cold-start problem in collaborative recommender systems: Efficient methods based on ask-to-rate technique | |
CN108595533B (zh) | 一种基于协同过滤的物品推荐方法、存储介质及服务器 | |
Zuva et al. | A survey of recommender systems techniques, challenges and evaluation metrics | |
CN110263245B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN114399251B (zh) | 基于语义网和簇偏好的冷链物流推荐方法及装置 | |
CN114693404A (zh) | 一种基于协同度量的商品个性化推荐方法及系统 | |
Choudhary et al. | Handling natural noise in multi criteria recommender system utilizing effective similarity measure and particle swarm optimization | |
Hassan et al. | Performance analysis of neural networks-based multi-criteria recommender systems | |
CN110019563B (zh) | 一种基于多维数据的肖像建模方法和装置 | |
Suryana et al. | PAPER SURVEY AND EXAMPLE OF COLLABORATIVE FILTERING IMPLEMENTATION IN RECOMMENDER SYSTEM. | |
Leginus et al. | Improving tensor based recommenders with clustering | |
Vekariya et al. | Recommendation Model-Based 5G Network and Cognitive System of Cloud Data with AI Technique in IOMT Applications | |
Ifada et al. | Do-rank: DCG optimization for learning-to-rank in tag-based item recommendation systems | |
CN110069647B (zh) | 图像标签去噪方法、装置、设备及计算机可读存储介质 | |
Karlos et al. | Locally application of naive Bayes for self-training | |
Agarwal et al. | Preference‐based Learning of Ideal Solutions in TOPSIS‐like Decision Models | |
CN115601103A (zh) | 一种物品信息展示方法和装置 | |
Wang et al. | Using incremental clustering technique in collaborative filtering data update | |
CN112749343B (zh) | 资源推荐方法、装置及计算机存储介质 | |
CN111400567B (zh) | 一种基于ai的用户数据的处理方法、装置及系统 |
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 |