CN114722288A - 一种基于机器学习的智能课程推荐方法 - Google Patents

一种基于机器学习的智能课程推荐方法 Download PDF

Info

Publication number
CN114722288A
CN114722288A CN202210392423.7A CN202210392423A CN114722288A CN 114722288 A CN114722288 A CN 114722288A CN 202210392423 A CN202210392423 A CN 202210392423A CN 114722288 A CN114722288 A CN 114722288A
Authority
CN
China
Prior art keywords
data
analysis
clustering
algorithm
prediction
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
Application number
CN202210392423.7A
Other languages
English (en)
Inventor
陆永强
刘向军
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202210392423.7A priority Critical patent/CN114722288A/zh
Publication of CN114722288A publication Critical patent/CN114722288A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于数据分析领域与机器学习领域，具体涉及一种基于机器学习的智能课程推荐方法。包括以下步骤：步骤1、数据的探索性分析：对所需分析的课程数据进行统计性分析、单数据项可视化分析以及多数据项之间的相关性分析；步骤2、构建k‑means聚类算法:构建SEE‑K图对输入的特征数据进行聚类，结果为标签数据；步骤3、基于特征数据和标签数据训练DNN分类预测模型；步骤4、基于历史特征数据预测，生成预测标签，利用可视化手段与数学评价指标评价分类模型性能；步骤5、根据预测结果与聚类结果进行课程推荐。本发明用无标签的课程数据集，经过聚类和分类算法实现了智能课程推荐功能，充分利用了k‑means算法适用性广与DNN拟合能力强的优势，提高了预测精度。

Description

一种基于机器学习的智能课程推荐方法
技术领域
本发明属于数据分析领域与机器学习领域，具体涉及一种基于机器学习的智能课程推荐方法。
背景技术
现代科技与通信技术日新月异的发展，人们可以通过各种各样便捷的方式获取多样的信息。在海量信息中，用户如何快速准确的获取所需要的信息亟待解决的问题。面向该问题，推荐算法成为一类解决方案。向用户推荐信息时，推荐系统启用了信息和用户间的交互形式，通过历史数据根据算法预测出用户可能感兴趣的内容，为用户提供针对个人的特色式推荐。
发明内容
本发明的目的在于克服现有技术的不足，提供一种利用K-means聚类算法与DNN分类模型的智能课程推荐方法。
本发明的目的是通过以下技术方案来实现的：一种基于机器学习的智能课程推荐方法，包括以下步骤：
步骤1、数据的探索性分析：对存储于sqlite数据库中的数据进行读取，并对所需分析的课程数据进行统计性分析、单数据项可视化分析以及多数据项之间的相关性分析；
步骤2、构建k-means聚类算法：构建SEE-K图对输入的特征数据进行聚类，聚类结果作为标签数据，为后续推荐算法奠基；
步骤3、基于特征数据和标签数据训练DNN分类预测模型；
步骤4、基于历史特征数据预测，生成预测标签，利用数学评价指标评价分类模型性能；
步骤5、根据预测结果与聚类结果进行课程推荐。
进一步地，所述步骤1具体实现方法为：
步骤11、该部分主要是对sqlite数据库进行加载驱动、读取、增删改查等操作以选取所需要的课程数据；
Figure BDA0003595759460000011
Figure BDA0003595759460000021
步骤12、该部分主要是利用遍历与数学统计特征，对数据中的每一项数据进行统计分析，最终生成的计数信息，主要包含数据量、数据平均值、数据标准差等指标：
Figure BDA0003595759460000022
Figure BDA0003595759460000023
式中N表示数据量，i表示索引，xi表示数值列表中的各个元素，x表示数据平均值，sN表示数据标准差。这些指标展示了各个专业、学历层次的数量分布情况；
步骤13、该部分主要是利用可视化技术，对数据中的数值类型数据进行初步的单项数据可视划分析，主要包括柱形图、扇形图以及词云等手段。其中，柱形图以宽度相等的条形高度或长度的差异来显示统计指标数值多少或大小，具有简明、醒目的特点，是一种常用的统计图形，往往用于显示一段时间内的数据变化或显示各项之间的比较情况，扇形统计图和环形图的作用与之类似，而词云是通过形成"关键词云层"或"关键词渲染"，对文本中出现频率较高的关键词的视觉上的突出，使浏览者只要一眼扫过就可以领略信息主旨；
步骤14、该部分主要是利用相关性计算以及热度图技术对数据进行多项数据之间关联性的可视划分析，主要实现手段为热度图。字段之间的相关性分析不光可以让我们发现数据中隐藏的更多信息，还可以通过相关性检测结果对数据质量进行评估与增强处理；
进一步地，所述步骤2具体实现方法为：
步骤21、该部分主要是利用SSE-k图对聚类所选的簇数进行更为科学的确定：
Figure BDA0003595759460000024
式中，wi为赋权系数，通常为1，yi为数据实际分布，yi为算法聚类后分布。SSE-k图又称肘部法则，即在一定k的取值范围内，对SSE该损失值进行进一步计算，最后得出兼具K值与SSE尽量小时的最优点；
步骤22、该部分主要是利用k-means聚类算法为无标签的初始课程数据添加聚类标签。K-means是一种无监督聚类分析的迭代算法，该算法将数据分为K组，随机选择将K组类别的中心点作为初始聚类的中心，然后计算每个对象和每个初始聚类中心的距离，并将其最近的聚类中心作为本次聚类中该点的中心。聚类中心和分配给他们的各个数据点表示一个类别。重复这个过程，直到我们分类效果达到一定预期；
进一步地，所述步骤3具体实现方法为：
步骤31、该部分主要是构建合适的神经网络分类模型，首先将分析后的初始数据整理为新的特征数据与标签数据，随后将其划分训练集与验证集，在每一个迭代次数中，80％的训练集样本用于训练，其余20％用于验证；其次，模型的训练基于Tensorflo2.0完成，设置优化器为SGD、损失函数为交叉熵、迭代次数为20、学习率为0.02、激活函数为ReLu函数以及采用传统DNN三层结构，最终，输入数据训练，保存训练好的DNN模型文件，为后续智能推荐功能做准备；
进一步地，所述步骤4具体实现方法为：
步骤41、对特征数据进行预测，得出预测标签数据并进行存储；
步骤42、利用预测标签数据与实际标签数据计算准确率与召回率：
Figure BDA0003595759460000031
Figure BDA0003595759460000032
式中，ACC表示准确率，Recall表示召回率；N表示样本总数，TP表示正类判定为正类数量；FP负类判定为正类数量；TN为负类判定为负类，FN为正类判定为负类数量。利用准确率与召回率可以比较好的评价该分类模型的性能。
进一步地，所述步骤5具体实现方法为：
步骤51、根据算法输入特征数据与实际的输出需要设置推荐交互流程；
步骤52、对输入特征数据应用DNN分类算法，得出分类结果；
步骤53、将预测结果与聚类结果作比对，为用户推荐与分类结果相同的聚类簇中的课程。
附图说明:
图1为本发明整体的推荐方法流程图；
具体实施方式:
海量的课程信息无疑会造成信息过载问题，信息过载同样也是当今互联网亟待解决的问题之一。传统手段通过分类目录及搜索引擎解决这类问题，然而分类检索技术难以向客户展示可能相关的信息，难以让客户在信息爆炸的时代迅速找到对自己有用的信息。本发明提出了数据分析与机器学习相结合的解决方案。在对数据进行清洗整理后，保留其中有价值的部分，在需要时可以进行数据的进一步增强或转化，这不仅可以帮助我们了解数据的基本信息和特点，还可以基于数据特点采用更为有效的算法。
下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种基于机器学习的智能课程推荐方法，包括以下步骤：
步骤1、数据的探索性分析：对存储于sqlite数据库中的数据进行读取，并对所需分析的课程数据进行统计性分析、单数据项可视化分析以及多数据项之间的相关性分析。
具体地说，该步对加载sqlite数据库选取所需要的课程数据，并对该部分数据使用科学计算库中的info与describe接口获取统计信息，随后利用柱形图、扇形图以及词云等可视化手段对数据分布进行分析，最后利用相关性计算以及热度图技术对数据进行多项数据之间关联性的可视划分析进一步挖掘数据信息。
步骤2、构建k-means聚类算法。
具体地说，该部分首先构建SEE-K图获取最佳的聚类簇数，随后利用k-means聚类算法为无标签的初始课程数据添加聚类标签，聚类结果作为标签数据，为后续地分类算法做出铺垫。
步骤3、基于特征数据和标签数据训练DNN分类预测模型。
具体地说，该部分首先应对筛选后的特征数据和标签数据利用机器学习开源框架中的接口函数进行训练集与验证集地划分，与此同时tensor化便于后续tensorflow平台读取，随后对DNN神经网络的网络结构、激活函数、优化器、损失函数以及迭代次数等参数进行设定，最后送入数据进行拟合训练，保存训练好的DNN分类模型后续使用。
步骤4、基于历史特征数据预测，生成预测标签，利用数学评价指标评价分类模型性能。
具体地说，该部分主要是计算准确率与召回率：
Figure BDA0003595759460000041
Figure BDA0003595759460000042
式中，ACC表示准确率，Recall表示召回率；N表示样本总数，TP表示正类判定为正类数量；FP负类判定为正类数量；TN为负类判定为负类，FN为正类判定为负类数量。实际上，ACC与Recall的数值越高表示其模型训练效果越好。
步骤5、根据预测结果与聚类结果进行课程推荐。
具体地说，该部分首先根据算法输入特征数据与实际的输出需要设置推荐交互流程，随后对输入特征数据应用DNN分类算法，得出分类结果；随后将预测结果与聚类结果作比对，为用户推荐与分类结果相同的聚类簇中的课程。
至此，已经结合附图描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本说明书发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种基于机器学习的智能课程推荐方法，其特征在于，包括以下步骤：
步骤1、数据的探索性分析：对存储于sqlite数据库中的数据进行读取，并对所需分析的课程数据进行统计性分析、单数据项可视化分析以及多数据项之间的相关性分析；
步骤2、构建k-means聚类算法：构建SEE-K图对输入的特征数据进行聚类，聚类结果作为标签数据，为后续推荐算法奠基；
步骤3、基于特征数据和标签数据训练DNN分类预测模型；
步骤4、基于历史特征数据预测，生成预测标签，利用数学评价指标评价分类模型性能；
步骤5、根据预测结果与聚类结果进行课程推荐。
2.根据上述的一种基于机器学习的智能课程推荐方法，其特征在于，所述步骤1具体实现方法为：
步骤11、该部分主要是对sqlite数据库进行加载驱动、读取、增删改查等操作以选取所需要的课程数据；
Figure FDA0003595759450000011
步骤12、该部分主要是利用遍历与数学统计特征，对数据中的每一项数据进行统计分析，最终生成的计数信息，主要包含数据量、数据平均值、数据标准差等指标：
Figure FDA0003595759450000012
Figure FDA0003595759450000013
式中N表示数据量，i表示索引，xi表示数值列表中的各个元素，
Figure FDA0003595759450000021
表示数据平均值，sN表示数据标准差，这些指标展示了各个专业、学历层次的数量分布情况；
步骤13、该部分主要是利用可视化技术，对数据中的数值类型数据进行初步的单项数据可视划分析，主要包括柱形图、扇形图以及词云等手段；其中，柱形图以宽度相等的条形高度或长度的差异来显示统计指标数值多少或大小，具有简明、醒目的特点，是一种常用的统计图形，往往用于显示一段时间内的数据变化或显示各项之间的比较情况，扇形统计图和环形图的作用与之类似，而词云是通过形成"关键词云层"或"关键词渲染"，对文本中出现频率较高的关键词的视觉上的突出，使浏览者只要一眼扫过就可以领略信息主旨；
步骤14、该部分主要是利用相关性计算以及热度图技术对数据进行多项数据之间关联性的可视划分析，主要实现手段为热度图；字段之间的相关性分析不光可以让我们发现数据中隐藏的更多信息，还可以通过相关性检测结果对数据质量进行评估与增强处理。
3.根据上述的一种基于机器学习的智能课程推荐方法，其特征在于，所述步骤2具体实现方法为：
步骤21、该部分主要是利用SSE-k图对聚类所选的簇数进行更为科学的确定：
Figure FDA0003595759450000022
式中，wi为赋权系数，通常为1，yi为数据实际分布，
Figure FDA0003595759450000023
为算法聚类后分布；SSE-k图又称肘部法则，即在一定K的取值范围内，对SSE该损失值进行进一步计算，最后得出兼具K值与SSE尽量小时的最优点；
步骤22、该部分主要是利用k-means聚类算法为无标签的初始课程数据添加聚类标签。K-means是一种无监督聚类分析的迭代算法，该算法将数据分为K组，随机选择将K组类别的中心点作为初始聚类的中心，然后计算每个对象和每个初始聚类中心的距离，并将其最近的聚类中心作为本次聚类中该点的中心；聚类中心和分配给他们的各个数据点表示一个类别；重复这个过程，直到我们分类效果达到一定预期。
4.根据上述的一种基于机器学习的智能课程推荐方法，其特征在于，所述步骤3具体实现方法为：
步骤31、该部分主要是构建合适的神经网络分类模型，首先将分析后的初始数据整理为新的特征数据与标签数据，随后将其划分训练集与验证集，在每一个迭代次数中，80％的训练集样本用于训练，其余20％用于验证；其次，模型的训练基于Tensorflo2.0完成，设置优化器为SGD、损失函数为交叉熵、迭代次数为20、学习率为0.02、激活函数为ReLu函数以及采用传统DNN三层结构，最终，输入数据训练，保存训练好的DNN模型文件，为后续智能推荐功能做准备。
5.根据上述的一种基于机器学习的智能课程推荐方法，其特征在于，所述步骤4具体实现方法为：
步骤41、对特征数据进行预测，得出预测标签数据并进行存储；
步骤42、利用预测标签数据与实际标签数据计算准确率与召回率：
Figure FDA0003595759450000031
Figure FDA0003595759450000032
式中，ACC表示准确率，Recall表示召回率；N表示样本总数，TP表示正类判定为正类数量；FP负类判定为正类数量；TN为负类判定为负类，FN为正类判定为负类数量；利用准确率与召回率可以比较好的评价该分类模型的性能。
6.根据上述的一种基于机器学习的智能课程推荐方法，其特征在于，所述步骤5具体实现方法为：
步骤51、根据算法输入特征数据与实际的输出需要设置推荐交互流程；
步骤52、对输入特征数据应用DNN分类算法，得出分类结果；
步骤53、将预测结果与聚类结果做比对，为用户推荐与分类结果相同的聚类簇中的课程。
CN202210392423.7A 2022-04-14 2022-04-14 一种基于机器学习的智能课程推荐方法 Pending CN114722288A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210392423.7A CN114722288A (zh) 2022-04-14 2022-04-14 一种基于机器学习的智能课程推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210392423.7A CN114722288A (zh) 2022-04-14 2022-04-14 一种基于机器学习的智能课程推荐方法

Publications (1)

Publication Number Publication Date
CN114722288A true CN114722288A (zh) 2022-07-08

Family

ID=82243728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210392423.7A Pending CN114722288A (zh) 2022-04-14 2022-04-14 一种基于机器学习的智能课程推荐方法

Country Status (1)

Country Link
CN (1) CN114722288A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070861A (zh) * 2023-02-08 2023-05-05 武汉博奥鹏程教育科技有限公司 一种基于动态学习目标的课程定制方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070861A (zh) * 2023-02-08 2023-05-05 武汉博奥鹏程教育科技有限公司 一种基于动态学习目标的课程定制方法和装置
CN116070861B (zh) * 2023-02-08 2023-08-04 武汉博奥鹏程教育科技有限公司 一种基于动态学习目标的课程定制方法和装置

Similar Documents

Publication Publication Date Title
US10410138B2 (en) System and method for automatic generation of features from datasets for use in an automated machine learning process
CN112085205A (zh) 用于自动训练机器学习模型的方法和系统
Liang et al. Product marketing prediction based on XGboost and LightGBM algorithm
CN109711636A (zh) 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法
CN107016068A (zh) 知识图谱构建方法及装置
EP2625628A2 (en) Probabilistic data mining model comparison engine
CN103136337A (zh) 用于复杂网络的分布式知识数据挖掘装置和挖掘方法
Xie et al. Factorization machine based service recommendation on heterogeneous information networks
CN110532429B (zh) 一种基于聚类和关联规则的线上用户群体分类方法及装置
CN115712780A (zh) 一种基于云计算和大数据的信息推送方法及装置
CN115147155A (zh) 一种基于集成学习的铁路货运客户流失预测方法
CN113407729A (zh) 一种面向司法的个性化案例推荐方法及系统
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN117557306B (zh) 一种基于行为、特征对消费者分类的管理系统
CN114722288A (zh) 一种基于机器学习的智能课程推荐方法
CN113920366A (zh) 一种基于机器学习的综合加权主数据识别方法
CN116629258B (zh) 基于复杂信息项数据的司法文书的结构化分析方法及系统
CN112506930B (zh) 一种基于机器学习技术的数据洞察系统
Díaz de la Paz et al. Weights Estimation in the Completeness Measurement of Bibliographic Metadata
Bochkaryov et al. The use of clustering algorithms ensemble with variable distance metrics in solving problems of web mining
CN117556118B (zh) 基于科研大数据预测的可视化推荐系统及方法
CN114117251B (zh) 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
WO2024113641A1 (zh) 视频推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品
CN110609961A (zh) 一种基于词嵌入的协同过滤推荐方法
CN109086321B (zh) 盲搜方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication