CN115344701A - 基于知识图谱的电商推荐方法 - Google Patents

基于知识图谱的电商推荐方法 Download PDF

Info

Publication number
CN115344701A
CN115344701A CN202110519636.7A CN202110519636A CN115344701A CN 115344701 A CN115344701 A CN 115344701A CN 202110519636 A CN202110519636 A CN 202110519636A CN 115344701 A CN115344701 A CN 115344701A
Authority
CN
China
Prior art keywords
preference
label
labels
client
product
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
CN202110519636.7A
Other languages
English (en)
Inventor
不公告发明人
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.)
Hangzhou Tianzhi Information Technology Co ltd
Original Assignee
Hangzhou Tianzhi Information Technology 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 Hangzhou Tianzhi Information Technology Co ltd filed Critical Hangzhou Tianzhi Information Technology Co ltd
Priority to CN202110519636.7A priority Critical patent/CN115344701A/zh
Publication of CN115344701A publication Critical patent/CN115344701A/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
    • G06F16/30—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识图谱的电商推荐方法，包括服务端和若干客户端，服务端包括知识图谱，知识图谱包括若干标签和若干关联度，标签反映产品的特征信息，关联度反映不同标签之间的关联程度；服务端还包括第一推荐策略和第二推荐策略，客户端包括闲逛模式和购买模式，当客户端选择闲逛模式时触发第一推荐策略，当客户端选择购买模式时触发第二推荐策略。用户可以根据不同需求选择闲逛模式和购买模式，闲逛模式以用户喜好为中心向外辐射较多相关产品，为用户提供较大的选择空间；购买模式以用户实际喜好为中心向外辐射较少产品，为用户提供精确的推送，以提高实际购买产品的使用率。

Description

基于知识图谱的电商推荐方法
技术领域
本发明涉及电商推荐技术领域，尤其是涉及一种基于知识图谱的电商推荐方法。
背景技术
随着电商平台的快速发展，网购成为人们日常生活中购买产品的重要途径。国内最大的电商平台淘宝网每日访问用户达6000万，每日在线商品数目已经超过了8亿件。面对急速增长的数据规模，用户正面临着“信息超载问题”，如果不借助于搜索引擎、推荐系统或者信息分类等辅助技术，用户从海量的互联网资源中找到自己真正感兴趣的信息是一件非常困难的事情,使得信息的有效利用率反而降低了。搜索引擎和个性化推荐系统是解决“信息超载”问题的两种手段。搜索引擎根据用户输入的关键字反馈给用户查询的结果，由于搜索引擎根据的是所有人的行为规律返回搜索结果，无法根据每个用户提供个性化服务，使得可能用户真正感兴趣的内容被海量的搜索结果所掩盖。个性化推荐在此问题上弥补了搜索引擎的不足，即代替用户评估其所有未看过的产品，并通过分析用户的兴趣爱好和历史行为，主动推荐符合用户喜好的项目。
在大数据时代下的推荐系统会面临海量的训练规模，传统单机环境下的推荐系统不能满足大数据时代推荐的需求。因此以分布式计算平台作为模型计算平台的推荐系统渐次诞生。进入Web2.0时代后，实时推荐的需求越来越多，而传统推荐系统，都是定期对数据进行分析，然后对模型进行更新，进而使用新的模型进行个性化推荐，训练效率低下，同时因为没有完善的机制配合对实时用户做出反馈，因此存在着推荐满意度以及交易转化率低下的问题。
发明内容
本发明的目的在于提供了一种不需要训练模型，根据客户端反馈数据即时进行个性化推荐的基于知识图谱的电商推荐方法。
为实现上述目的，本发明采取的技术方案为：基于知识图谱的电商推荐方法，包括服务端和若干客户端，所述服务端包括知识图谱，所述知识图谱包括若干标签和若干关联度，所述标签反映产品的特征信息，所述关联度反映不同标签之间的关联程度；所述服务端还包括第一推荐策略和第二推荐策略，所述客户端包括闲逛模式和购买模式，当所述客户端选择闲逛模式时触发所述第一推荐策略，当所述客户端选择购买模式时触发所述第二推荐策略；
所述第一推荐策略包括标签筛选步骤、第一索引生成步骤和第一产品推荐步骤；
所述标签筛选步骤，获得所述客户端的历史浏览记录，获得所述历史浏览记录中浏览对象的若干标签作为第一历史标签，将所述第一历史标签发送至所述客户端，获得所述客户端对所述第一历史标签的筛选结果作为第一引路标签；
所述第一索引生成步骤，在所述知识图谱中匹配到与所述第一引路标签的关联度高于预设的第一阈值的标签作为第一检索标签，所述第一检索标签作为第一索引；
所述第一产品推荐步骤，获得与所述第一索引匹配的产品链接作为闲逛产品链接，将所述闲逛产品链接推送至所述客户端；
所述第二推荐策略包括标签获取步骤、第二索引生成步骤和第二产品推荐步骤；
所述标签获取步骤，获取所述客户端历史上传的产品使用照片作为实用产品照片，识别实用产品照片中的产品并获得对应的标签作为第二历史标签，将所述第二历史标签发送至所述客户端，获得所述客户端对所述第二历史标签的筛选结果作为第二引路标签；
所述第二索引生成步骤，在所述知识图谱中匹配到与所述第二引路标签的关联度高于预设的第二阈值的标签作为第二索引；
所述第二产品推荐步骤，获得与所述第二索引匹配的产品链接作为购买产品链接，将所述购买产品链接推送至所述客户端。
作为优选，在所述第一索引生成步骤中，在所述知识图谱中匹配到与所述第一引路标签的关联度高于第三阈值且低于第四阈值的标签作为第二检索标签，所述第四阈值小于所述第一阈值，所述第一检索标签和所述第二检索标签作为所述第一索引。
作为优选，基于知识图谱的电商推荐方法还包括用户特征数据库和偏好分类数据库，所述用户特征数据库存储有若干标签和对应的用户特征信息，所述用户特征信息反映能够影响用户对具有对应标签的产品的偏好程度的因素，所述偏好分类数据库存储有若干特征关键词和对应的偏好标签；
在所述第一索引生成步骤中，根据所述第二检索标签在所述用户特征数据库中进行搜索得到对应的用户特征信息作为待填特征信息，获得所述客户端根据所述待填特征信息输入的主观特征信息，识别所述主观特征信息获得主观特征关键词，根据所述主观特征关键词在所述偏好分类数据库中进行搜索得到对应的偏好标签作为新的第二检索标签，新的所述第二检索标签和所述第一检索标签作为所述第一索引。
作为优选，所述偏好分类数据库还存储偏好值，每一所述偏好标签均对应一所述偏好值；
在所述第一索引生成步骤中，根据所述主观特征关键词在所述偏好分类数据库中进行搜索得到对应偏好值达到预设的浏览阈值的偏好标签作为新的第二检索标签。
作为优选，所述偏好分类数据库中存储的偏好值根据流逝时间和浏览量确定，所述流逝时间反映当前时间点与设立所述偏好标签的时间点之间的时间间隔，所述浏览量反映客户端浏览具有对应偏好标签的产品链接的浏览量，所述偏好值与所述流逝时间成反比，所述偏好值与所述浏览量成正比。
作为优选，根据相邻所述流逝时间的差值，所述偏好值减小预设的降量，根据相邻所述浏览量，所述偏好值根据所述浏览量预设的倍数进行变化。
作为优选，所述降量为相邻所述流逝时间的差值的1～3倍。
作为优选，所述偏好值根据所述浏览量的5～7倍进行变化。
作为优选，在所述第二索引生成步骤中，所述第一阈值小于所述第二阈值。
作为优选，所述第一阈值为所述第二阈值的0.7～0.9倍。
与现有技术相比，本发明的有益效果为：用户可以根据不同需求选择闲逛模式和购买模式，闲逛模式根据历史浏览记录推送较大范围的、关联性相对较小的产品链接，以用户喜好为中心向外辐射较多相关产品，为用户提供较大的选择空间；购买模式根据用户实际使用产品推送关联性相对较大、定位更为精确的产品链接，以用户实际喜好为中心向外辐射较少产品，为用户提供精确的推送，以提高实际购买产品的使用率。
附图说明
图1为基于知识图谱的电商推荐方法的原理图。
附图标记说明如下：010、知识图谱；020、用户特征数据库；030、偏好分类数据库；040、第一推荐策略；041、标签筛选步骤；042、第一索引生成步骤；043、第一产品推荐步骤；050、所述第二推荐策略；051、标签获取步骤；052、第二索引生成步骤；053、第二产品推荐步骤。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。
实施例1：
如图1所示，基于知识图谱的电商推荐方法，包括服务端和若干客户端，所述服务端包括知识图谱010，所述知识图谱010包括若干标签和若干关联度，所述标签反映产品的特征信息，所述关联度反映不同标签之间的关联程度；所述服务端还包括第一推荐策略040和第二推荐策略，所述客户端包括闲逛模式和购买模式，当所述客户端选择闲逛模式时触发所述第一推荐策略040，当所述客户端选择购买模式时触发所述第二推荐策略050；
所述第一推荐策略040包括标签筛选步骤041、第一索引生成步骤042和第一产品推荐步骤043；
所述标签筛选步骤041，获得所述客户端的历史浏览记录，获得所述历史浏览记录中浏览对象的若干标签作为第一历史标签，将所述第一历史标签发送至所述客户端，获得所述客户端对所述第一历史标签的筛选结果作为第一引路标签；
所述第一索引生成步骤042，在所述知识图谱010中匹配到与所述第一引路标签的关联度高于预设的第一阈值的标签作为第一检索标签，所述第一检索标签作为第一索引；
所述第一产品推荐步骤043，获得与所述第一索引匹配的产品链接作为闲逛产品链接，将所述闲逛产品链接推送至所述客户端；
所述第二推荐策略050包括标签获取步骤051、第二索引生成步骤052和第二产品推荐步骤053；
所述标签获取步骤051，获取所述客户端历史上传的产品使用照片作为实用产品照片，识别实用产品照片中的产品并获得对应的标签作为第二历史标签，将所述第二历史标签发送至所述客户端，获得所述客户端对所述第二历史标签的筛选结果作为第二引路标签；
所述第二索引生成步骤052，在所述知识图谱010中匹配到与所述第二引路标签的关联度高于预设的第二阈值的标签作为第二索引；
所述第二产品推荐步骤053，获得与所述第二索引匹配的产品链接作为购买产品链接，将所述购买产品链接推送至所述客户端。用户可以根据不同需求选择闲逛模式和购买模式，闲逛模式根据历史浏览记录推送较大范围的、关联性相对较小的产品链接，以用户喜好为中心向外辐射较多相关产品，为用户提供较大的选择空间；购买模式根据用户实际使用产品推送关联性相对较大、定位更为精确的产品链接，以用户实际喜好为中心向外辐射较少产品，为用户提供精确的推送，以提高实际购买产品的使用率。
作为另一示例，在所述第一索引生成步骤042中，在所述知识图谱010中匹配到与所述第一引路标签的关联度高于第三阈值且低于第四阈值的标签作为第二检索标签，所述第四阈值小于所述第一阈值，所述第一检索标签和所述第二检索标签作为所述第一索引。若一直推送与历史浏览记录相关性较高的产品，则用户会陷于一直浏览类似产品的困境，造成审美疲劳。本发明通过推送关联度较低的产品链接，为用户提供不一样的选择。
作为另一示例，基于知识图谱的电商推荐方法还包括用户特征数据库020和偏好分类数据库030，所述用户特征数据库020存储有若干标签和对应的用户特征信息，所述用户特征信息反映能够影响用户对具有对应标签的产品的偏好程度的因素，所述偏好分类数据库030存储有若干特征关键词和对应的偏好标签；
在所述第一索引生成步骤042中，根据所述第二检索标签在所述用户特征数据库020中进行搜索得到对应的用户特征信息作为待填特征信息，获得所述客户端根据所述待填特征信息输入的主观特征信息，识别所述主观特征信息获得主观特征关键词，根据所述主观特征关键词在所述偏好分类数据库030中进行搜索得到对应的偏好标签作为新的第二检索标签，新的所述第二检索标签和所述第一检索标签作为所述第一索引。若只根据阈值大小为用户推送关联度较低的产品链接，该产品链接很有可能不是用户的偏好，因此需要对大量的关联度较小的产品链接进行筛选。本发明先根据得到的第二检索标签匹配对应的待填特征信息，用户根据对自身的了解填写主观特征信息，为筛选用户偏好的标签提供数据支持。根据上述信息对较多的第二检索标签进行筛选，得到符合用户偏好的偏好标签作为新的第二检索标签。
作为另一示例，所述偏好分类数据库030还存储偏好值，每一所述偏好标签均对应一所述偏好值；
在所述第一索引生成步骤042中，根据所述主观特征关键词在所述偏好分类数据库030中进行搜索得到对应偏好值达到预设的浏览阈值的偏好标签作为新的第二检索标签。以众多其他用户对具有偏好标签的产品的浏览情况为依据，对偏好标签进行进一步的筛选，得到的新的第二检索标签更大可能贴合用户喜好。
作为另一示例，所述偏好分类数据库030中存储的偏好值根据流逝时间和浏览量确定，所述流逝时间反映当前时间点与设立所述偏好标签的时间点之间的时间间隔，所述浏览量反映客户端浏览具有对应偏好标签的产品链接的浏览量，所述偏好值与所述流逝时间成反比，所述偏好值与所述浏览量成正比。用户的偏好受周围人的偏好的影响较大，前段时间流行的产品，这段时间不再受到追捧。本发明同时考虑时间流逝因素与大众的偏好程度，筛选得到的第二检索标签与用户实际偏好更为贴合。
作为另一示例，根据相邻所述流逝时间的差值，所述偏好值减小预设的降量，根据相邻所述浏览量，所述偏好值根据所述浏览量预设的倍数进行变化。所述降量为相邻所述流逝时间的差值的1～3倍。所述偏好值根据所述浏览量的5～7倍进行变化。
在所述第二索引生成步骤052中，所述第一阈值小于所述第二阈值。所述第一阈值为所述第二阈值的0.7～0.9倍。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.基于知识图谱的电商推荐方法，其特征在于包括服务端和若干客户端，所述服务端包括知识图谱(010)，所述知识图谱(010)包括若干标签和若干关联度，所述标签反映产品的特征信息，所述关联度反映不同标签之间的关联程度；所述服务端还包括第一推荐策略(040)和第二推荐策略，所述客户端包括闲逛模式和购买模式，当所述客户端选择闲逛模式时触发所述第一推荐策略(040)，当所述客户端选择购买模式时触发所述第二推荐策略(050)；
所述第一推荐策略(040)包括标签筛选步骤(041)、第一索引生成步骤(042)和第一产品推荐步骤(043)；
所述标签筛选步骤(041)，获得所述客户端的历史浏览记录，获得所述历史浏览记录中浏览对象的若干标签作为第一历史标签，将所述第一历史标签发送至所述客户端，获得所述客户端对所述第一历史标签的筛选结果作为第一引路标签；
所述第一索引生成步骤(042)，在所述知识图谱(010)中匹配到与所述第一引路标签的关联度高于预设的第一阈值的标签作为第一检索标签，所述第一检索标签作为第一索引；
所述第一产品推荐步骤(043)，获得与所述第一索引匹配的产品链接作为闲逛产品链接，将所述闲逛产品链接推送至所述客户端；
所述第二推荐策略(050)包括标签获取步骤(051)、第二索引生成步骤(052)和第二产品推荐步骤(053)；
所述标签获取步骤(051)，获取所述客户端历史上传的产品使用照片作为实用产品照片，识别实用产品照片中的产品并获得对应的标签作为第二历史标签，将所述第二历史标签发送至所述客户端，获得所述客户端对所述第二历史标签的筛选结果作为第二引路标签；
所述第二索引生成步骤(052)，在所述知识图谱(010)中匹配到与所述第二引路标签的关联度高于预设的第二阈值的标签作为第二索引；
所述第二产品推荐步骤(053)，获得与所述第二索引匹配的产品链接作为购买产品链接，将所述购买产品链接推送至所述客户端。
2.根据权利要求1所述的基于知识图谱的电商推荐方法，其特征在于，在所述第一索引生成步骤(042)中，在所述知识图谱(010)中匹配到与所述第一引路标签的关联度高于第三阈值且低于第四阈值的标签作为第二检索标签，所述第四阈值小于所述第一阈值，所述第一检索标签和所述第二检索标签作为所述第一索引。
3.根据权利要求2所述的基于知识图谱的电商推荐方法，其特征在于，基于知识图谱(010)的电商推荐方法还包括用户特征数据库(020)和偏好分类数据库(030)，所述用户特征数据库(020)存储有若干标签和对应的用户特征信息，所述用户特征信息反映能够影响用户对具有对应标签的产品的偏好程度的因素，所述偏好分类数据库(030)存储有若干特征关键词和对应的偏好标签；
在所述第一索引生成步骤(042)中，根据所述第二检索标签在所述用户特征数据库(020)中进行搜索得到对应的用户特征信息作为待填特征信息，获得所述客户端根据所述待填特征信息输入的主观特征信息，识别所述主观特征信息获得主观特征关键词，根据所述主观特征关键词在所述偏好分类数据库(030)中进行搜索得到对应的偏好标签作为新的第二检索标签，新的所述第二检索标签和所述第一检索标签作为所述第一索引。
4.根据权利要求3所述的基于知识图谱的电商推荐方法，其特征在于，所述偏好分类数据库(030)还存储偏好值，每一所述偏好标签均对应一所述偏好值；
在所述第一索引生成步骤(042)中，根据所述主观特征关键词在所述偏好分类数据库(030)中进行搜索得到对应偏好值达到预设的浏览阈值的偏好标签作为新的第二检索标签。
5.根据权利要求4所述的基于知识图谱的电商推荐方法，其特征在于，所述偏好分类数据库(030)中存储的偏好值根据流逝时间和浏览量确定，所述流逝时间反映当前时间点与设立所述偏好标签的时间点之间的时间间隔，所述浏览量反映客户端浏览具有对应偏好标签的产品链接的浏览量，所述偏好值与所述流逝时间成反比，所述偏好值与所述浏览量成正比。
6.根据权利要求5所述的基于知识图谱的电商推荐方法，其特征在于，根据相邻所述流逝时间的差值，所述偏好值减小预设的降量，根据相邻所述浏览量，所述偏好值根据所述浏览量预设的倍数进行变化。
7.根据权利要求6所述的基于知识图谱的电商推荐方法，其特征在于，所述降量为相邻所述流逝时间的差值的1～3倍。
8.根据权利要求6所述的基于知识图谱的电商推荐方法，其特征在于，所述偏好值根据所述浏览量的5～7倍进行变化。
9.根据权利要求1所述的基于知识图谱的电商推荐方法，其特征在于，在所述第二索引生成步骤(052)中，所述第一阈值小于所述第二阈值。
10.根据权利要求9所述的基于知识图谱的电商推荐方法，其特征在于，所述第一阈值为所述第二阈值的0.7～0.9倍。
CN202110519636.7A 2021-05-12 2021-05-12 基于知识图谱的电商推荐方法 Pending CN115344701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519636.7A CN115344701A (zh) 2021-05-12 2021-05-12 基于知识图谱的电商推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519636.7A CN115344701A (zh) 2021-05-12 2021-05-12 基于知识图谱的电商推荐方法

Publications (1)

Publication Number Publication Date
CN115344701A true CN115344701A (zh) 2022-11-15

Family

ID=83946830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519636.7A Pending CN115344701A (zh) 2021-05-12 2021-05-12 基于知识图谱的电商推荐方法

Country Status (1)

Country Link
CN (1) CN115344701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955833A (zh) * 2023-09-20 2023-10-27 四川集鲜数智供应链科技有限公司 一种用户行为分析系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955833A (zh) * 2023-09-20 2023-10-27 四川集鲜数智供应链科技有限公司 一种用户行为分析系统及方法
CN116955833B (zh) * 2023-09-20 2023-11-28 四川集鲜数智供应链科技有限公司 一种用户行为分析系统及方法

Similar Documents

Publication Publication Date Title
US20210271975A1 (en) User tag generation method and apparatus, storage medium, and computer device
CN107562818B (zh) 信息推荐系统及方法
US10977322B2 (en) Systems and methods for recommending temporally relevant news content using implicit feedback data
US11100178B2 (en) Method and device for pushing information
CN110909182B (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
US8190556B2 (en) Intellegent data search engine
US9087332B2 (en) Adaptive targeting for finding look-alike users
WO2016191959A1 (zh) 一种时变的协同过滤推荐方法
EP1587009A2 (en) Content propagation for enhanced document retrieval
CN104679771A (zh) 一种个性化数据搜索方法和装置
CN109918563B (zh) 一种基于公开数据的图书推荐的方法
WO2003088107A2 (en) Determination of attributes based on product descriptions
CN101385018A (zh) 使用估计的广告质量来进行广告过滤、排名和提升
CN101727454A (zh) 用于对象自动分类的方法和系统
CN110717093B (zh) 一种基于Spark的电影推荐系统及方法
CN112269816B (zh) 一种政务预约事项相关性检索方法
US20100121844A1 (en) Image relevance by identifying experts
CN111428007B (zh) 基于跨平台的同步推送反馈方法
US20080082524A1 (en) Apparatus, method and computer program product for selecting instances
CN110188291B (zh) 基于代理日志的文档处理
CN115344701A (zh) 基于知识图谱的电商推荐方法
CN116431895A (zh) 安全生产知识个性化推荐方法及系统
Mirhasani et al. Alleviation of cold start in movie recommendation systems using sentiment analysis of multi-modal social networks
Tofani et al. Dynamic session-based music recommendation using information retrieval techniques
KR20230018010A (ko) 소비자 동향을 반영한 롱테일 아이템 추천 시스템 및 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