CN114723535A - 一种基于供应链与知识图谱的物品推荐方法、设备及介质 - Google Patents
一种基于供应链与知识图谱的物品推荐方法、设备及介质 Download PDFInfo
- Publication number
- CN114723535A CN114723535A CN202210484268.1A CN202210484268A CN114723535A CN 114723535 A CN114723535 A CN 114723535A CN 202210484268 A CN202210484268 A CN 202210484268A CN 114723535 A CN114723535 A CN 114723535A
- Authority
- CN
- China
- Prior art keywords
- similarity
- articles
- supply chain
- article
- knowledge graph
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于供应链与知识图谱的物品推荐方法、设备及介质,包括:获取样本用户和物品信息以及交互信息;从物品信息中提取供应链节点,以所有样本用户和供应链节点为实体构建供应链知识图谱;基于图谱中各实体及交互信息,使用TransHR算法对图谱进行表示学习;使用学习得到的供应链知识图谱,将每个物品均使用给定维度的向量表示,再基于物品的向量表示计算每两个物品的第一相似度;根据户对物品的历史评分,采用余弦相似度计算每两个物品的第二相似度;整合两个相似度,构建相似度矩阵;根据相似度矩阵对物品进行计算评分,按评分顺序向目标用户推荐物品。本发明可以缓解数据稀疏和冷启动对推荐的负面影响,提高推荐准确度。
Description
技术领域
本发明属于信息推荐领域,具体涉及一种基于供应链与知识图谱的物品推荐方法、设备及介质。
背景技术
目前公开的数据集对于方法设计存在一定程度上的限制和影响,基于用户的过滤推荐面临稀疏性问题,此外推荐系统大多面临数据稀疏和冷启动问题。同时,知识图谱也存在冷启动问题,不容易完整地获得新加入的实体与已有实体之间的关系。其中,用户和物品与知识图谱中的其它实体往往关系稀疏。同时,新用户和新物品等新加入的实体难以与已有的知识图谱中的实体建立链接。现有的物品推荐方法均存在推荐准确率较低。
发明内容
本发明提供一种基于供应链与知识图谱的物品推荐方法、设备及介质,缓解数据稀疏和冷启动对推荐的负面影响,进而提高推荐准确度。
为实现上述技术目的,本发明采用如下技术方案:
一种基于供应链与知识图谱的物品推荐方法,包括:
步骤1,获取m个样本用户的信息、n个物品的信息以及用户-物品交互信息;
步骤2,从物品信息中提取物品的供应链节点,以所有样本用户和供应链节点作为实体,构建供应链知识图谱;
步骤3,基于供应链知识图谱中各实体的信息及实体之间的交互信息,使用TransHR算法对构建的供应链知识图谱进行表示学习;
步骤4,使用表示学习得到的供应链知识图谱,将每个物品均使用给定维度的向量表示;然后基于物品的向量表示,计算每两个物品之间的相似度,记为第一相似度;
步骤5,根据用户-物品交互信息得到样本用户对物品的历史评分,采用余弦相似度计算每两个物品之间的相似度,记为第二相似度;
步骤6,整合第一相似度和第二相似度得到每两个物品之间的融合相似度,构建所有物品的融合相似度矩阵;
步骤7,针对目标用户,根据融合相似度矩阵对自身未曾评分的物品进行评分,并将所有物品按评分从高到低的顺序向目标用户推荐物品。
进一步的,所述使用TransHR算法对构建的供应链知识图谱进行表示学习,具体为:
进一步的,物品的供应链包括3层节点,第1层节点包括物品的供应商、分销商和零售企业,第2层节点包括物品的生产企业,第3层节点包括生产企业的原料供应商。
进一步的,步骤4中采用欧式距离计算每两个物品之间的第一相似度:
式中,Ii,Ij分别表示第i,j两个不同的物品,simg(Ii,Ij)分别表示物品Ii,Ij的第一相似度,d(Ii,Ij)分别表示物品Ii,Ij的欧式距离,Ek,i,Ek,i分别表示物品Ii,Ij的表示向量中的第k维度数据,D为物品表示向量的固定维度。
进一步的,步骤5中采用改进的余弦相似度计算每两个物品之间的第二相似度:
式中,Ii,Ij分别表示第i,j两个不同的物品,simc(Ii,Ij)分别表示物品Ii,Ij的第二相似度;Ui,j表示同时对物品Ii,Ij评分的用户集合,Ui表示对物品Ii评分的用户集合,Uj表示对物品Ij评分的用户集合,Su,i、Su,j分别表示用户i对物品Ii,Ij的评分,表示用户u对所有物品的评分均值。
进一步的,步骤6整合第一相似度和第二相似度得到融合相似度的整合方法为:
式中,Ii,Ij分别表示第i,j两个不同的物品,simg(Ii,Ij)分别表示物品Ii,Ij的第一相似度,simc(Ii,Ij)分别表示物品Ii,Ij的第二相似度,x为权重因子,0<x<1;sim(Ii,Ij)表示物品Ii,Ij的融合相似度。
进一步的,所述针对目标用户ua,根据融合相似度矩阵对自身未曾评分的物品Ii进行评分,具体为:
一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现上述任一项技术方案所述的基于供应链与知识图谱的物品推荐方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时上述任一项技术方案所述的基于供应链与知识图谱的物品推荐方法。
与现有技术相比,本发明的有益效果为:
本发明利用以知识图谱为表示形式的附加信息的推荐方法,来考虑适用于供应链管理的最优化推荐。通过构建和学习基于物品供应链的知识图谱,可以弥补现有物品推荐算法存在的数据稀疏性干扰问题。因此,本发明可以缓解数据稀疏和冷启动带来的负面影响,进而提高推荐系统的准确度。
附图说明
图1是本申请实施例基于知识图谱的过滤推荐框架;
图2是本申请实施例基于知识图谱的供应链推荐系统框架
图3是本申请实施例的供应链知识图谱框架。
图4是本申请实施例链关系映射表示模型。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
实施例1
本实施例提供一种基于供应链与知识图谱的物品推荐方法,参考图1、2所示,包括以下步骤:
步骤1,获取m个样本用户的信息、n个物品的信息以及用户-物品交互信息。
获取的用户信息包括用户的个人信息、历史行为、社交信息,获取的物品信息包括物品的标签信息、属性信息和被用户的喜好程度、评价等其他相关信息。
其中的物品信息,可以是供应链中的供应商给生产企业提供的原材料、零部件,也可以是零售企业给消费者提供的产品。
步骤2,从物品信息中提取物品的供应链节点,以所有样本用户和供应链节点作为实体,构建供应链知识图谱。
供应链知识图谱的构建,需要将上一步得到的数据进行分析、归纳和标准化,从而构建有效且可扩展的知识图模型。本实施例中,从物品的配套零件开始,制成中间产品以及最终产品,最后由销售把产品送到消费者手中的,将供应商(供应活动)、制造商(生产者)、分销商(消费者)直到最终用户,其中所有参与供应、生产、分配和销售的公司和企业连成一个整体的链结构。供应链管理的经营理念是从用户的角度,通过企业间的协作,谋求供应链整体最佳化。
本实施例对以代理商作为核心,根据收集到的用户信息和物品信息,对物品的供应商、生产企业、分销商、零售商、最终用户等本体之间的复杂关系进行分析,确定三元组(头实体,关系,尾实体)在每一个节点和关联形成供应链管理系统。本体模型可以定义为O=<h,q,r,t>,其中各元素含义如下:O——供应链管理流程本体模型,如附图3所示即为最后构建的供应链管理流程;h——头实体,在供应链知识图谱框架中,供应商、生产企业、代理商、分销商、零售企业、用户都可以作为头实体的存在;r——关系,在供应链知识图谱框架中,供应商和生产企业存在提供原材料和零部件的供应关系、生产企业和代理商之间存在代售关系,零售企业和用户存在购买与售卖关系,用户和购买的物品存在喜好,评分关系等;q——属性,指物品的属性,比如改物品的生产时间、型号、ID、对应的供应商厂家等;t——尾实体,是与关系相连,和头实体构成三元组的后一部分,与头实体类似,在这不一一说明。实体节点关系之间的相连从而形成一条完整的供应链管理体系。知识图谱是一个网链状的结构,每一条路径相连都代表其对应的关系,供应链知识图谱见附图3。
本实施例基于步骤1获得的数据构建的供应链知识图谱结构如图3所示,包括3层节点,第1层节点包括物品的供应商、分销商和零售企业,第2层节点包括物品的生产企业,第3层节点包括生产企业的原料供应商。
步骤3,基于供应链知识图谱中各实体的信息及实体之间的交互信息,使用TransHR算法对构建的供应链知识图谱进行表示学习。
在供应链管理中,由于一堆实体间存在多重关系,而具有多个关系的供应链应该具有更高的相似度,生成的推荐列表出现在用户的列表的可能性更高。现有技术中基于TransE模型的知识图谱表示在计算相似度时只能处理实体间简单的单个关系而无法有效描述复杂的多关系,并不能真实地反映供应链的多个关系。因此本发明首先采用改进的TransHR模型来表示供应链在不同链之间的多关系,用改进了的知识图谱算法TransHR来取代TransE算法进行知识图谱的表示学习,可以提升计算出供应链在不同链间的相似度准确率,从而通过用户评分矩阵计算多关系之间的相似度,最后将2种相似度融合形成相似度矩阵运用于推荐技术中。
本实施例中使用TransHR算法对构建的供应链知识图谱进行表示学习,具体为:
本实施例基于TransHR模型可以在表示出每个实体的同时保留实体间多重关系,当知识图谱计算供应链在不同链的相似度时,可以依据多重关系加权来计算出供应链在不同链的相似度,从而做到提高计算的相似度准确率。
步骤4,使用表示学习得到的供应链知识图谱,将基于供应链知识图谱的每个物品均使用给定维度的向量表示;然后基于物品的向量表示,计算每两个物品之间的相似度,记为第一相似度。
通过步骤3对构建的知识图谱进行表示学习后,得到一个庞大的主义网络,将所有孤立的供应链节点串联起来,让所有关联的实体都有机会被推荐。因此可以充分利用基于供应链的物品语义信息和用户信息,为用户提供更加精准的基于供应链内部网络节点的物品推荐。
知识图谱中的每个节点均可使用向量表示,基于供应链节点的物品即可使用向量表示。为便于后续在推荐的相似度计算方便,本实施例对物品的表示向量的维度固定为D,即第i个物品Ii的向量表示为:
此时即可基于各物品的表示向量,计算每两个物品之间的第一相似度:
式中,Ii,Ij分别表示第i,j两个不同的物品,simg(Ii,Ij)分别表示物品Ii,Ij的第一相似度,d(Ii,Ij)分别表示物品Ii,Ij的欧式距离,Ek,i,Ek,i分别表示物品Ii,Ij的表示向量中的第k维度数据,D为物品表示向量的固定维度。
步骤5,根据用户-物品交互信息得到样本用户对物品的历史评分,基于所有历史评分计算得到m个样本用户对n个物品的评分矩阵R;再基于评分矩阵R,采用余弦相似度计算每两个物品之间的相似度,记为第二相似度。
通过分析和整理用户行为数据,完成对用户-物品评分矩阵的构建。将不同格式的数据转化成用户项目评分矩阵,即用户对每个物品的评分构成的矩阵,通过用户对供应链流程的某一项进行打分的方式收集用户的偏好,用户评分是算法的数据基础。将矩阵中的项目与实体对象进行一一对应,假设推荐系统中供应链有m个用户和n个物品,使用U={U1,U2,...,Um}来表示用户集合,用I={I1,I2,...,In}来表示物品集合。则有用户Ux对物品Iy的评分可以表示为Sx,y,故可得评分矩阵R为:
具体某个用户对某个物品的评分,可以是用户通过对物品的供应链各环节的偏好得到。
然后基于用户对物品的评分矩阵,进一步计算每两个物品之间基于用户评分的第二相似度:
式中,simc(Ii,Ij)分别表示物品Ii,Ij的第二相似度;Ui,j表示同时对物品Ii,Ij评分的用户集合,Ui表示对物品Ii评分的用户集合,Uj表示对物品Ij评分的用户集合,Su,i、Su,j分别表示用户u对物品Ii,Ij的评分,表示用户u对所有物品的评分均值。
现有技术中未改进的余弦相似度计算,不能完全考虑到用户之间对物品的喜好程度差异,这样就会导致同样评分的产品会存在不同的喜好以及评价,因此本实施例采用上述改进的余弦相似度作为每两个物品之间的第二相似度,将用户对物品的评分减去用户历史平均评分,可以有效的避免用户给出评分时存在评分标准不一致的现象发生,从而间接提高推荐系统的准确性。
步骤6,整合第一相似度和第二相似度得到每两个物品之间的融合相似度,构建所有物品的融合相似度矩阵;其中融合相似度的整合方法为:
式中,sim(Ii,Ij)表示物品Ii,Ij的融合相似度;x为权重因子,0<x<1,表示在多个关系之间的重要程度,在用户选择时更倾向于首要关系,因此首要关系的权重值要比次要关系的权重值大,假设首要关系权重值为x,次要关系权重值为x2,从而获得更好的相似度表示效果。
步骤7,针对目标用户,根据融合相似度矩阵对自身未曾评分的所有物品进行评分,并将所有物品按评分从高到低的顺序向目标用户推荐物品。
由于目标用户不一定对所有物品都曾给出自己的评分,因此需要对未评分的物品,根据其在相似度矩阵中与已评分的物品的相似度,通过计算得到这些未评分物品的计算评分值,最终再将这些计算评分值与目标用户已实际评分的评分值一起,按从高到低的顺序向目标用户推荐。
其中针对目标用户ua,根据融合相似度矩阵对自身未曾评分的物品Ii进行评分,具体为:
实施例2
本实施例提供一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现实施例1所述的方法。
实施例3
本实施例提供一种计算机可读存储介质,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实施例1所述的方法。
注:本发明对代理商、生产企业、分销商、最终用户等本体之间的复杂关系进行分析,而供应链管理把物流、信息流、资金流、业务流和价值流的管理贯穿于供应链的全过程。它覆盖了整个物流,从原材料和零部件的采购与供应、产品制造、运输与仓储到销售各种职能领域。其中:
用户:推荐系统的服务对象,即供应链中消费者概念。
物品:被推荐的对象统称为物品,即为用户提供的某种服务。
实体:知识图谱的基本元素。指某一类实体对象的集合,包括设备处理方式、单位、人员等。
关系:知识图谱的基本元素,描述了实体之间的关联关系。推荐系统要预测用户与物品之间可能的购买、点击、喜好等关系,并根据预测的结果产生推荐。
供应商:给生产企业提供原材料或零、部件的企业。
分销企业:为实现将产品送到经营地理范围每一角落而设的产品流通代理企业。
零售企业:将产品销售给消费者的企业。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种基于供应链与知识图谱的物品推荐方法,其特征在于,包括:
步骤1,获取m个样本用户的信息、n个物品的信息以及用户-物品交互信息;
步骤2,从物品信息中提取物品的供应链节点,以所有样本用户和供应链节点作为实体,构建供应链知识图谱;
步骤3,基于供应链知识图谱中各实体的信息及实体之间的交互信息,使用TransHR算法对构建的供应链知识图谱进行表示学习;
步骤4,使用表示学习得到的供应链知识图谱,将每个物品均使用给定维度的向量表示;然后基于物品的向量表示,计算每两个物品之间的相似度,记为第一相似度;
步骤5,根据用户-物品交互信息得到样本用户对物品的历史评分,采用余弦相似度计算每两个物品之间的相似度,记为第二相似度;
步骤6,整合第一相似度和第二相似度得到每两个物品之间的融合相似度,构建所有物品的融合相似度矩阵;
步骤7,针对目标用户,根据融合相似度矩阵对自身未曾评分的物品进行评分,并将所有物品按评分从高到低的顺序向目标用户推荐物品。
3.根据权利要求1所述的方法,其特征在于,物品的供应链包括3层节点,第1层节点包括物品的供应商、分销商和零售企业,第2层节点包括物品的生产企业,第3层节点包括生产企业的原料供应商。
8.一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1~7中任一项所述的方法。
9.一种计算机可读存储介质,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如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484268.1A CN114723535A (zh) | 2022-05-06 | 2022-05-06 | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484268.1A CN114723535A (zh) | 2022-05-06 | 2022-05-06 | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723535A true CN114723535A (zh) | 2022-07-08 |
Family
ID=82231532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210484268.1A Pending CN114723535A (zh) | 2022-05-06 | 2022-05-06 | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723535A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146081A (zh) * | 2022-08-31 | 2022-10-04 | 合肥中科迪宏自动化有限公司 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
CN116861077A (zh) * | 2023-06-25 | 2023-10-10 | 北京信大融金教育科技有限公司 | 基于供应链系统的产品推荐方法、装置、设备及存储介质 |
-
2022
- 2022-05-06 CN CN202210484268.1A patent/CN114723535A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146081A (zh) * | 2022-08-31 | 2022-10-04 | 合肥中科迪宏自动化有限公司 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
CN116861077A (zh) * | 2023-06-25 | 2023-10-10 | 北京信大融金教育科技有限公司 | 基于供应链系统的产品推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | An empirical study on customer segmentation by purchase behaviors using a RFM model and K-means algorithm | |
Li et al. | Hierarchical bipartite graph neural networks: Towards large-scale e-commerce applications | |
Wang et al. | A strategy-oriented operation module for recommender systems in E-commerce | |
CN114723535A (zh) | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 | |
Brintrup et al. | Predicting hidden links in supply networks | |
Chen et al. | Assessing the competitiveness of insurance corporations using fuzzy correlation analysis and improved fuzzy modified TOPSIS | |
Chitra et al. | Customer retention in banking sector using predictive data mining technique | |
CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN112633927B (zh) | 一种基于知识图谱规则嵌入的组合商品挖掘方法 | |
Yudhistyra et al. | Using big data analytics for decision making: analyzing customer behavior using association rule mining in a gold, silver, and precious metal trading company in Indonesia | |
Duarte et al. | Machine learning and marketing: A systematic literature review | |
CN112446739B (zh) | 一种基于分解机和图神经网络的点击率预测方法及系统 | |
Chou et al. | The RFM Model Analysis for VIP Customer: A case study of golf clothing brand | |
CN116523598A (zh) | 一种医疗器械推荐方法、系统、存储介质 | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
CN115034837A (zh) | 一种基于知识图谱的产品销量预测方法、设备和介质 | |
CN112784064B (zh) | 一种面向社交网络的层次化超维知识图谱构建方法 | |
CN113946745A (zh) | 通用个性化推荐方法、推荐系统及训练方法 | |
Liu | Research on E-commerce Precision Marketing Model Based on Big Data Technology | |
Nune | Characterizing and predicting early reviewers for effective product marketing on ecommerce websites | |
Jalilifard et al. | Friendship is all we need: A multi-graph embedding approach for modeling customer behavior | |
Ivanov et al. | Big Data based marketing forecasting. | |
Sharma | Classification and Regression Trees: The use and significance of Trees in analytics | |
Wu et al. | Large-Scale Group Decision-Making with Interval Type-2 Fuzzy Preferences | |
Tajuddin et al. | Impacts of consumer-brand identification for strengthening the sustainability of Malaysian fashion brands |
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 |