CN116089712A - 基于数据挖掘与分析的热门会议推荐方法及系统 - Google Patents

基于数据挖掘与分析的热门会议推荐方法及系统 Download PDF

Info

Publication number
CN116089712A
CN116089712A CN202211728269.2A CN202211728269A CN116089712A CN 116089712 A CN116089712 A CN 116089712A CN 202211728269 A CN202211728269 A CN 202211728269A CN 116089712 A CN116089712 A CN 116089712A
Authority
CN
China
Prior art keywords
user
conference
analysis
module
hot
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.)
Granted
Application number
CN202211728269.2A
Other languages
English (en)
Other versions
CN116089712B (zh
Inventor
张正荣
汪军宝
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.)
Wuxi Oriental Health Technology Co ltd
Original Assignee
Wuxi Oriental Health 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 Wuxi Oriental Health Technology Co ltd filed Critical Wuxi Oriental Health Technology Co ltd
Priority to CN202211728269.2A priority Critical patent/CN116089712B/zh
Publication of CN116089712A publication Critical patent/CN116089712A/zh
Application granted granted Critical
Publication of CN116089712B publication Critical patent/CN116089712B/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
    • G06F16/9535—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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • 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
    • G06F16/90—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
    • G06F16/9538—Presentation of query results
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出一种基于数据挖掘与分析的热门会议推荐方法，属于大数据处理分析的技术领域，方法包括：步骤1、读取当前登录用户的历史行为信息；步骤2、构建用户偏好分析模型；步骤3、基于用户的历史行为，采用用户偏好分析模型执行用户画像，获得用户主题偏好；步骤4、根据用户主题偏好获取相关主题内的会议简介；步骤5、构建热门会议分析模型，并接收会议简介；步骤6、利用热门分析模型对会议简介进行分析，获得用户偏好更贴近的会议主题集；步骤7、将分析结果按照热度大小进行按序排列；步骤8、通过可视化界面，按序呈现会议主题集。通过对用户行为数据的分析，获得用户的情感偏好，可以推荐更贴合用户偏好的数据，提高个性化的体验感。

Description

基于数据挖掘与分析的热门会议推荐方法及系统
技术领域
本发明属于大数据处理分析的技术领域，特别涉及一种基于数据挖掘与分析的热门会议推荐方法及系统。
背景技术
学术会议作为公开的学术资源，能够清晰、完整的传播科学成果，促进行业发展。随着互联网技术的发展，会议的存在形式不再局限于线下的组织会议，为了便于学术交流以及行业发展探讨，线上会议逐渐囊括各个行业。
现有的会议推荐系统常常是根据用户输入关键的方式实现针对性的会议内容查询，系统首界面的推荐也都仅仅是根据统计算法，获取的当前热度较高的会议内容，仅作为会议存储查询的工具，导致用户个性化的体验感不足，无法针对性的贴合用户所在领域的偏好推荐。
发明内容
发明目的：提出一种基于数据挖掘与分析的热门会议推荐方法及系统，以解决现有技术存在的上述问题。通过对用户的偏好画像分析，生成用户的兴趣向量，同时结合热门会议的综合分析，构建会议推荐模型，生成针对使用用户的个性化会议推荐，并通过可视化的界面进行会议推送，从而提高用户体验。
技术方案：第一方面，提出了一种基于数据挖掘与分析的热门会议推荐方法，该方法包括以下步骤：
步骤1、读取当前登录用户的历史行为信息；
步骤2、构建用户偏好分析模型；
步骤3、基于用户的历史行为，采用用户偏好分析模型执行用户画像，获得用户主题偏好；
进一步的，获取用户主题偏好的过程中，包括以下步骤：
步骤3.1、构建用户集合和会议主题集合；
步骤3.2、基于用户集合中的用户，读取当前待分析用户的历史操作序列；
步骤3.3、对读取到的历史操作序列执行预处理操作；
进一步的，预处理的过程中，通过添加分割符的方式，将操作序列进行连接；其中，采用的分隔符包括：分隔符[CLS]和分隔符[SEP]。在实际操作的过程中，分隔符[CLS]添加在输入数据的头部；分隔符[SEP]添加在输入数据的尾部。
步骤3.4、将经过预处理操作后的数据输入用户偏好分析模型中进行分析，获得用户偏好向量；
步骤3.5、输出用户偏好向量。
步骤4、根据用户主题偏好获取相关主题内的会议简介；
步骤5、构建热门会议分析模型，并接收会议简介；
步骤6、利用热门分析模型对会议简介进行分析，获得用户偏好更贴近的会议主题集；其中，利用热门会议分析模型生成推荐数据集的表达式为：
Figure BDA0004027292540000021
式中，式中，performance(u，item)表示当前用户u对选中会议item的感兴趣程度；pu，t表示当前用户u对第t个主题的感兴趣程度；qt，i表示当前会议内容item与主题t的相关性得分；N表示总得主题数量。
步骤7、将分析结果按照热度大小进行按序排列；
步骤8、通过可视化界面，按序呈现会议主题集。
在第一方面的一些可实现方式中，利用用户偏好分析模型执行分析的过程中，还包括结合相邻用户的偏好进行分析，并将分析结果作为空间上的参考依据；随后，通过结合当前用户自身的历史操作的时间特征以及相邻用户偏好的空间特征，获得当前用户在执行会议推荐过程中，用户偏好分析模型的输入偏好特征。
为了获得准确度更好的用户偏好，构建的用户偏好分析模型包括以下模块：输入模块、字符嵌入模块、主题嵌入模块、位置嵌入模块、预测模块、输出模块、分类模块。其中，预测模块包括：Transformer模块、数据融合层和预测层；Transformer模块包括时间Transformer模块和空间Transformer模块，时间Transformer模块用于获取当前待分析用户的历史操作之间的时间依赖关系；空间Transformer模块用于获得当前待分析用户与邻近用户在属性偏好上的空间依赖关系。
在第一方面的一些可实现方式中，计算会议内容与会议主题相似程度的过程中，包括以下步骤：
步骤1、构建会议内容集合I；
步骤2、构建能表达会议内容所属的主题集合T；
步骤3、构建相关性分析模型；
步骤4、利用相关性分析模块计算选中的会议内容item与主题之间的相关性，对应的相关性表达式为：
Figure BDA0004027292540000031
式中，ki表示能表述会议内容所属主题的关键词；Wi表示描述主题的关键词所拥有权重；R(ki，item)表示关键词与当前会议内容的相关性得分；item表示当前待分析的会议内容，包含于集合I；
步骤5、输出步骤4中获得的相关性数值。
第二方面，提出一种基于数据挖掘与分析的热门会议推荐系统，用于实现一种基于数据挖掘与分析的热门会议推荐方法，该系统包括以下模块：数据采集模块、模型构建模块、数据分析模块、数据输出模块、可视化模块。
其中，数据采集模块用于采集用户在当前客户端中执行的点击操作行为；模型构建模块用于根据需求构建用户偏好分析模型，以及热门会议分析模型；数据分析模块用于根据模型构建模块构建的模型执行数据分析，生成主题会议集；数据输出模块用于输出数据分析模块生成的主题会议集；可视化模块用于将主题会议集呈现至用户客户端的界面。
在第二方面的一些可实现方式中，执行会议推荐的过程中，首先根据需求通过数据采集模块获取用户历史行为操作信息；随后通过模型构建模块构建用于数据分析的用户偏好分析模型和热门会议分析模型；然后，根据构建好的分析模型对数据进行分析，生成主题会议推荐集，并通过数据输出模块将生成的主题会议推荐集，传输至可视化模块，通过web前端技术，将主题会议集进行可视化呈现，从而便于用户对主题会议推荐的查看。其中，用户偏好分析模型用于执行用户画像，获得用户主题偏好；热门会议推荐模块用于对会议简介进行分析，获得与用户偏好更贴近的会议主题集。
第三方面，提出一种基于数据挖掘与分析的热门会议推荐设备，该设备包括：处理器以及存储有计算机程序指令的存储器；其中，处理器读取并执行计算机程序指令，以实现热门会议推荐方法。
第四方面，提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；其中，计算机程序指令被处理器执行时，以实现热门会议推荐方法。
有益效果：本发明提出了一种基于数据挖掘与分析的热门会议推荐方法及系统，通过对用户的历史行为分析，以及邻近用户的偏好属性分析，完成对用户的偏好画像，从而获得用户对不同主题会议的偏好，随后，对会议内容进行分析，实现会议关键词的提取，从而获得与用户偏好更为贴近的会议内容，提高用户的个性化体验。
附图说明
图1为本发明的数据处理流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
实施例一
在一个实施例中，针对实际过程中的个性化需求，提出一种基于数据挖掘与分析的热门会议推荐方法，如图1所示，该方法包括以下步骤：
步骤1、读取当前登录用户的历史行为信息；
步骤2、构建用户偏好分析模型；
步骤3、基于用户的历史行为，采用用户偏好分析模型执行用户画像，获得用户主题偏好；
步骤4、根据用户主题偏好获取热门主题内的会议简介；
步骤5、构建热门会议分析模型，并接收会议简介；
步骤6、利用热门分析模型对会议简介进行分析，获得用户偏好更贴近的会议主题集；
步骤7、将分析结果按照热度大小进行按序排列；
步骤8、通过可视化界面，按序呈现会议主题集。
在进一步的实施例中，利用热门会议分析模型生成推荐数据集的表达式为：
Figure BDA0004027292540000041
式中，performance(u，item)表示当前用户u对选中会议item的感兴趣程度；P表示当前用户u对不同主题的偏好向量；Q表示当前会议item与会议所属主题的相关程度；pu，t表示当前用户u对第t个主题的感兴趣程度；qt，i表示当前会议内容item与主题t的相关性得分；N表示总得主题数量。
本实施例通过对用户的历史行为分析，完成对用户的偏好画像，从而获得用户对不同主题会议的偏好，随后，对会议内容进行分析，实现会议关键词的提取，从而获得与用户偏好更为贴近的会议内容，同时对会议的热度进行分析，通过构建的会议推荐模型，生成推荐会议结果集，并通过web可视化界面实现，将结果集呈现给用户。
实施例二
在实施例一基础上的进一步实施例中，为了提高对用户偏好分析准确率，利用用户偏好分析模型执行用户画像的过程中，包括以下步骤：首选，构建用户集合和会议主题集合；其次，基于用户集合中的用户，读取当前待分析用户的历史操作序列；再次，对读取到的历史操作序列执行预处理操作；从次，将经过预处理操作后的数据输入用户偏好分析模型中进行分析，获得用户偏好向量；最后，输出用户偏好向量。例如，在热门会议的可视化推荐界面包含：天文、航天、娱乐、动漫、彩妆、游戏等主题会议推荐界面，假设当前用户在历史时间段内关注的主题依次为：航天、天文、彩妆、天文、游戏、天文、游戏，从历史的点击数据可以看出，当前用户的属性为“航天爱好者”，在关注天文数据之后，会倾向于采用航天或游戏进行知识面的拓展或放松，而不是户外运动，因此在推荐页中则会优先呈现航天领域的文章，或者游戏类的测评从而更好吸引用户的注意，从而增加用户在会议推荐网页的留存时间，提高用户体验感。
在进一步的实施例中，为了更好的提高后续会议推荐结果，本实施例在对用户偏好分析的过程中，除了分析当前用户的历史操作行为，还进一步引入对相邻用户的分析，通过将相似用户的偏好属性分析，提高当前用户预测下一步操作的准确率。例如，将临近用户历史偏好分析结果，作为当前用户实时偏好的分析的参考数据之一。由于每个用户的偏好是在不断变化的，因此，在分析当前偏好的过程中，对于生成的偏好预测分析，除了基于用户历史操作行为，还包括临近用户的偏好特征。
具体的，用户偏好分析模型包括：输入模块、字符嵌入模块、主题嵌入模块、位置嵌入模块、预测模块、输出模块、分类模块。在数据处理的过程中，通过预测模块捕捉时间上，以及与近邻用户的依赖关系，从而提高后续的预测准确率。其中，预测模块包括：位置嵌入层、Transformer模块、数据融合层和预测层。
在用户偏好分析的过程中，由于用户个人点击不同主题会议之间存在特殊性，例如当用户需要查询某个特定专题时，操作行为则会过于靠近该主题的特征，但是用户实际偏好未必局限于特定时间下的查询操作，因此，为了提高用户的偏好分析，基于前期对不同用户之间的偏好属性归类，进一步引入对相邻用户的属性分析，并将分析结果定义为空间维度上的特征。
为了获取当前用户在不同维度上的依赖关系，Transformer模块包括时间Transformer模块和空间Transformer模块。时间Transformer模块用于获取当前用户历史操作行为之间的时间特征；空间Transformer模块用于获取当前用户与近邻用户之间的空间特征，该空间特征用于增强对用户偏好属性分析的准确度。
其中，利用空间Transformer模块获得空间依赖关系的数据流程包括：首先，计算每个近邻用户集中所对应的属性值向量；其次，计算获取空间自注意力的权重；再次，通过计算自注意力权重与值向量的加权和，得到近邻用户空间Transformer中每一个头部的编码；从次，将头部编码串联起来并输入前馈网络进行特征提取；最后，加入残差连接，并在整合前馈网络输出值后输出最终获得的空间张量；其中，空间属性值向量包括：query空间向量、key空间向量和value空间向量。
时间Transformer模块对数据处理的步骤进一步包括：首先，根据时空Transformer模块输出的空间张量计算每个近邻用户中所对应的时间属性值向量；其次，计算获取时间自注意力的权重；再次，通过计算自注意力权重与值向量的加权和，得到每个用户时间Transformer中每一个头部的编码；从次，将头部编码串联起来并输入前馈网络进行特征提取；最后，加入残差连接，并在整合前馈网络输出值后输出最终获得的时间张量；其中，时间属性值向量包括：query时间向量、key时间向量和value时间向量。
基于获得的时间以及空间上的特征，通过融合层获得融合后的数据张量，最后，基于融合层的输出进行预测，并输出预测的结果。
在用户偏好模型执行数据分析的过程中，在执行数据处理时，通过添加分隔符的方式，执行不同操作序列之间的连接。其中，分隔符包括：添加在输入数据列头部的分隔符[CLS]和添加在输入数据的头部分隔符[SEP]。
实施例三
在实施例一基础上的进一步实施例中，基于获得的用户的主题偏好，计算会议内容与用户偏好属性相似程度的过程中，包括以下步骤：
步骤1、构建会议内容集合I，即：I＝{item1，item2，…，itemi，…，itemn}；
步骤2、构建能表达会议内容所属的主题集合T，即：T＝{t1，t2，…，tt，…，tm}；
步骤3、构建相关性分析模型；
步骤4、利用相关性分析模块获取选中的会议内容与主题之间的相关性，对应的相关性表达式为：
Figure BDA0004027292540000071
式中，ki表示能表述会议内容所属主题的关键词；Wi表示描述主题的关键词所拥有权重；R(ki，item)表示关键词与当前会议内容的相关性得分。
在进一步的实施例中，获得Wi的表达式为：
Figure BDA0004027292540000072
式中，|I|表示所有会议的数量；n(ki)表示包含关键词ki的会议数量。
获得R(ki，item)的表达式为：
Figure BDA0004027292540000073
式中，fi表示关键词ki在主题中出现的频率；Leni(item)表示第i个会议内容的长度；avgl(I)表示待分析会议内容的平均长度；b1和b2表示预设的调节因子。
在进一步的实施例中，为了紧跟信息的迭代更新速度，用于呈现在热门会议推荐界面的会议内容，主要根据时间的更新程度，基于会议上传的时间，从最新往前推，读取预设时间范围内的会议内容进行分析。
实施例四
在一个实施例中，提出一种基于数据挖掘与分析的热门会议推荐，用于实现一种基于数据挖掘与分析的热门会议推荐方法，该系统具体包括以下模块：数据采集模块、模型构建模块、数据分析模块、数据输出模块、可视化模块。
其中，数据采集模块用于采集用户在当前客户端中执行的点击操作行为；模型构建模块用于根据需求构建用户偏好分析模型，以及热门会议分析模型；数据分析模块用于根据模型构建模块构建的模型执行数据分析，生成主题会议集；数据输出模块用于输出数据分析模块生成的主题会议集；可视化模块用于将主题会议集呈现至用户客户端的界面。
在进一步的实施例中，执行会议推荐的过程中，首先根据需求通过数据采集模块获取用户历史行为操作信息；随后通过模型构建模块构建用于数据分析的用户偏好分析模型和热门会议分析模型；然后，根据构建好的分析模型对数据进行分析，生成主题会议推荐集，并通过数据输出模块将生成的主题会议推荐集，传输至可视化模块，利用web前端技术，将结果进行呈现，从而便于用户对主题会议推荐的查看。
在进一步的实施例中，由于实际的线上会议处理电子版的会议整理文章，也包括视频会议内容，为了提高对视频会议内容的分析，以及推荐，本实施例提出的热门会议推荐系统中还包括数据存储模块，用于作为数据采集模块读取会议数据的源头。为了提高对视频会议的存储，数据库存储模块在存储视频会议的同时，进一步包括输入对视频会议内容的简介存储，将简介作为对视频会议内容的概述。
在实际视频会议内容的分析过程，通过对概述的分析，实现对会议关键词的提取，以及所述会议主题归类的分析。
其中，用户偏好分析模型用于执行用户画像，获得用户主题偏好；热门会议推荐模块用于对会议简介进行分析，获得与用户偏好更贴近的会议主题集。
实施例五
在一个实施例中，提出一种基于数据挖掘与分析的热门会议推荐设备，该设备包括：处理器以及存储有计算机程序指令的存储器。
其中，处理器读取并执行计算机程序指令，以实现热门会议推荐方法。
实施例六
在一个实施例中，提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令。其中，计算机程序指令被处理器执行时，以实现热门会议推荐方法。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，包括以下步骤：
步骤1、读取当前登录用户的历史行为信息；
步骤2、构建用户偏好分析模型；
步骤3、基于用户的历史行为，采用用户偏好分析模型执行用户画像，获得用户主题偏好；
步骤4、根据用户主题偏好获取相关主题内的会议简介；
步骤5、构建热门会议分析模型，并接收会议简介；
步骤6、利用热门分析模型对会议简介进行分析，获得用户偏好更贴近的会议主题集；
步骤7、将分析结果按照热度大小进行按序排列；
步骤8、通过可视化界面，按序呈现会议主题集。
2.根据权利要求1所述的一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，通过用户偏好分析模型执行用户画像的过程中，包括以下步骤：
步骤3.1、构建用户集合和会议主题集合；
步骤3.2、基于用户集合中的用户，读取当前待分析用户的历史操作序列；
步骤3.3、对读取到的历史操作序列执行预处理操作；
步骤3.4、将经过预处理操作后的数据输入用户偏好分析模型中进行分析，获得用户偏好向量；
步骤3.5、输出用户偏好向量。
3.根据权利要求2所述的一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，所述用户偏好分析模型包括：输入模块、字符嵌入模块、主题嵌入模块、位置嵌入模块、预测模块、输出模块、分类模块；
所述预测模块包括：Transformer模块、数据融合层和预测层。
4.根据权利要求2所述的一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，所述步骤3.3执行数据处理的过程中，通过添加分隔符的方式，执行不同操作序列之间的连接；
所述分隔符包括：分隔符[CLS]和分隔符[SEP]；
所述分隔符[CLS]添加在输入数据的头部；所述分隔符[SEP]添加在输入数据的尾部。
5.根据权利要求2所述的一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，利用用户偏好分析模型执行分析的过程中，还包括结合相邻用户的偏好进行分析，并将分析结果作为空间上的参考依据；
通过结合当前用户自身的历史操作的时间特征以及相邻用户偏好的空间特征，获得当前用户在执行会议推荐过程中，用户偏好分析模型的输入偏好特征。
6.根据权利要求1所述的一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，计算会议内容与会议主题相似程度的过程中，包括以下步骤：
步骤①、构建会议内容集合I；
步骤②、构建能表达会议内容所属的主题集合T；
步骤③、构建相关性分析模型；
步骤④、利用相关性分析模块计算选中的会议内容item与主题之间的相关性，对应的相关性表达式为：
Figure FDA0004027292530000021
式中，ki表示能表述会议内容所属主题的关键词；Wi表示描述主题的关键词所拥有权重；R(ki，item)表示关键词与当前会议内容的相关性得分；item表示当前待分析的会议内容，包含于集合I；
步骤⑤、输出步骤④中获得的相关性数值。
7.根据权利要求1所述的一种基于数据挖掘与分析的热门会议推荐方法，其特征在于，利用热门会议分析模型生成推荐数据集的表达式为：
Figure FDA0004027292530000022
式中，式中，performance(u，item)表示当前用户u对选中会议item的感兴趣程度；pu，t表示当前用户u对第t个主题的感兴趣程度；qt，i表示当前会议内容item与主题t的相关性得分；N表示总得主题数量。
8.一种基于数据挖掘与分析的热门会议推荐系统，用于实现如权利要求书1-7任意一项所述的热门会议推荐系统，其特征在于，包括以下模块：
数据采集模块，被设置为根据分析需求读取待分析的数据；
模型构建模块，被设置为根据分析需求，构建用户偏好分析模型和热门会议推荐模块；所述用户偏好分析模型用于执行用户画像，获得用户主题偏好；所述热门会议推荐模块用于对会议简介进行分析，获得与用户偏好更贴近的会议主题集；
数据分析模块，被设置为利用所述模型构建模块构建的模型执行数据分析；
数据输出模块，被设置为输出数据分析模块的分析结果；
可视化模块，被设置为将数据输出模块输出的数据呈现至用户可视化端。
9.一种基于数据挖掘与分析的热门会议推荐设备，其特征在于，所述设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-7任意一项所述的热门会议推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的热门会议推荐方法。
CN202211728269.2A 2022-12-29 2022-12-29 基于数据挖掘与分析的热门会议推荐方法及系统 Active CN116089712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211728269.2A CN116089712B (zh) 2022-12-29 2022-12-29 基于数据挖掘与分析的热门会议推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211728269.2A CN116089712B (zh) 2022-12-29 2022-12-29 基于数据挖掘与分析的热门会议推荐方法及系统

Publications (2)

Publication Number Publication Date
CN116089712A true CN116089712A (zh) 2023-05-09
CN116089712B CN116089712B (zh) 2024-03-29

Family

ID=86211468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211728269.2A Active CN116089712B (zh) 2022-12-29 2022-12-29 基于数据挖掘与分析的热门会议推荐方法及系统

Country Status (1)

Country Link
CN (1) CN116089712B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110302117A1 (en) * 2007-11-02 2011-12-08 Thomas Pinckney Interestingness recommendations in a computing advice facility
US20130268516A1 (en) * 2012-04-06 2013-10-10 Imran Noor Chaudhri Systems And Methods For Analyzing And Visualizing Social Events
CN103425799A (zh) * 2013-09-04 2013-12-04 北京邮电大学 基于主题的个性化研究方向推荐系统和推荐方法
CN106802915A (zh) * 2016-12-09 2017-06-06 宁波大学 一种基于用户行为的学术资源推荐方法
US20180077099A1 (en) * 2016-09-14 2018-03-15 International Business Machines Corporation Electronic meeting management
US20190279164A1 (en) * 2018-03-12 2019-09-12 International Business Machines Corporation Cognitive-based enhanced meeting recommendation
CN110457575A (zh) * 2019-07-08 2019-11-15 视联动力信息技术股份有限公司 文件推送方法、装置及存储介质
CN111428127A (zh) * 2020-01-21 2020-07-17 江西财经大学 融合主题匹配与双向偏好的个性化事件推荐方法及系统
CN113420058A (zh) * 2021-07-01 2021-09-21 宁波大学 一种基于结合用户历史行为的对话式学术会议推荐方法
CN113516539A (zh) * 2021-07-29 2021-10-19 中移（杭州）信息技术有限公司 商品推荐方法、装置及计算机可读存储介质
CN114880310A (zh) * 2022-05-10 2022-08-09 杭州城市大脑技术与服务有限公司 一种用户行为分析方法、装置、计算机设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110302117A1 (en) * 2007-11-02 2011-12-08 Thomas Pinckney Interestingness recommendations in a computing advice facility
US20130268516A1 (en) * 2012-04-06 2013-10-10 Imran Noor Chaudhri Systems And Methods For Analyzing And Visualizing Social Events
CN103425799A (zh) * 2013-09-04 2013-12-04 北京邮电大学 基于主题的个性化研究方向推荐系统和推荐方法
US20180077099A1 (en) * 2016-09-14 2018-03-15 International Business Machines Corporation Electronic meeting management
CN106802915A (zh) * 2016-12-09 2017-06-06 宁波大学 一种基于用户行为的学术资源推荐方法
US20190279164A1 (en) * 2018-03-12 2019-09-12 International Business Machines Corporation Cognitive-based enhanced meeting recommendation
CN110457575A (zh) * 2019-07-08 2019-11-15 视联动力信息技术股份有限公司 文件推送方法、装置及存储介质
CN111428127A (zh) * 2020-01-21 2020-07-17 江西财经大学 融合主题匹配与双向偏好的个性化事件推荐方法及系统
CN113420058A (zh) * 2021-07-01 2021-09-21 宁波大学 一种基于结合用户历史行为的对话式学术会议推荐方法
CN113516539A (zh) * 2021-07-29 2021-10-19 中移（杭州）信息技术有限公司 商品推荐方法、装置及计算机可读存储介质
CN114880310A (zh) * 2022-05-10 2022-08-09 杭州城市大脑技术与服务有限公司 一种用户行为分析方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾子明;孙守强;: "基于用户画像的智慧图书馆个性化移动视觉搜索研究", 图书与情报, no. 04 *

Also Published As

Publication number Publication date
CN116089712B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN110046304B (zh) 一种用户推荐方法和装置
CN111581510B (zh) 分享内容处理方法、装置、计算机设备和存储介质
CN112214685B (zh) 一种基于知识图谱的个性化推荐方法
Hidasi et al. Parallel recurrent neural network architectures for feature-rich session-based recommendations
CN108304439B (zh) 一种语义模型优化方法、装置及智能设备、存储介质
US11188831B2 (en) Artificial intelligence system for real-time visual feedback-based refinement of query results
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
EP1995669A1 (en) Ontology-content-based filtering method for personalized newspapers
CN111931062A (zh) 一种信息推荐模型的训练方法和相关装置
US11860928B2 (en) Dialog-based image retrieval with contextual information
CN112966091B (zh) 一种融合实体信息与热度的知识图谱推荐系统
US20160125028A1 (en) Systems and methods for query rewriting
CN110069713B (zh) 一种基于用户上下文感知的个性化推荐方法
CN113641811B (zh) 促进购买行为的会话推荐方法、系统、设备及存储介质
CN111159242B (zh) 一种基于边缘计算的客户端重排序方法及系统
JP2022035314A (ja) 情報処理装置及びプログラム
Umaashankar et al. Atlas: A dataset and benchmark for e-commerce clothing product categorization
CN113344648A (zh) 一种基于机器学习的广告推荐方法及系统
CN110851694A (zh) 基于用户记忆网络和树形结构的深度模型的个性化推荐系统
CN117574915A (zh) 基于多方数据源的公共数据平台及其数据分析方法
CN114741587A (zh) 一种物品推荐方法、装置、介质及设备
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
Ntalianis et al. Social relevance feedback based on multimedia content power
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN116089712B (zh) 基于数据挖掘与分析的热门会议推荐方法及系统

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
GR01 Patent grant
GR01 Patent grant