CN116595246A - 一种基于知识图谱与读者画像的图书推荐检索系统 - Google Patents

一种基于知识图谱与读者画像的图书推荐检索系统 Download PDF

Info

Publication number
CN116595246A
CN116595246A CN202310445105.7A CN202310445105A CN116595246A CN 116595246 A CN116595246 A CN 116595246A CN 202310445105 A CN202310445105 A CN 202310445105A CN 116595246 A CN116595246 A CN 116595246A
Authority
CN
China
Prior art keywords
reader
recommendation
readers
books
book
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
CN202310445105.7A
Other languages
English (en)
Inventor
潘晓华
徐晓东
张志伟
尹建伟
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.)
Binjiang Research Institute Of Zhejiang University
Original Assignee
Binjiang Research Institute Of Zhejiang 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 Binjiang Research Institute Of Zhejiang University filed Critical Binjiang Research Institute Of Zhejiang University
Priority to CN202310445105.7A priority Critical patent/CN116595246A/zh
Publication of CN116595246A publication Critical patent/CN116595246A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/30—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱与读者画像的图书推荐检索系统，包括知识图谱构建模块，读者画像模块，信息挖掘模块以及推荐检索模块；所述知识图谱构建模块，用于构建包含图书基础信息的图书馆知识图谱；所述读者画像模块，用于获取读者的借阅信息和读者属性特征进行特征融合，构建对应的读者画像；所述信息挖掘模块，针对多个读者属性特征相似的读者进行借阅信息的统计分析，构建用于借鉴推荐图书的读者关系链；所述推荐检索模块，基于读者输入的检索关键词，并结合读者画像，读者关系链以及图书馆知识图谱，以生成图书推荐结果。本发明提供的系统可以有效解决数据稀疏和冷启动问题，进一步挺体现推荐检索系统的实用性。

Description

一种基于知识图谱与读者画像的图书推荐检索系统
技术领域
本发明属于图书馆管理技术领域，尤其涉及一种基于知识图谱与读者画像的图书推荐检索系统。
背景技术
图书检索是指根据学习和工作的需要获取相关图书、文献的过程。传统图书检索方法通常利用全文索引加上关键字匹配的模式，无法通过语义理解掌握读者检索目的、反映读者本身的兴趣偏好，检索精度往往不高。近年来，国内有学者针对图书馆对于读者信息的挖掘与分析不足的问题，利用协同过滤算法全面地发掘读者信息，满足个性化推荐的需求。
近年来，基于知识图谱的检索模式已逐渐成为主流方法。基于知识图谱的推荐检索大多是通过关联推荐物品，挖掘潜在特征提升推荐检索性能。知识图谱的本质是语义网络，由谷歌于2012年推出，通过将各种实体以网络的形式连接在一起，可以从结构上描述现实世界中的实体和概念，并提供使用实体关系进行信息分析的能力，旨在改善检索结果。许多搜索引擎公司和研究机构通过建立各种知识图谱来改进搜索结果。然而，图书和读者在数量级上的差异带来的数据稀疏问题影响了推荐检索效果。同时，单纯的基于知识图谱的推荐检索在面对新图书或新读者带来的冷启动问题时难以进行精准的推荐。
用户画像的本质是用户需求描述，一种刻画用户需求的模型。用户画像在推荐系统、广告系统、商业分析、数据分析、用户增长、用户研究、产品设计、数据化运营、精准营销、量化风控等领域得到广泛应用。用户画像最初被运用在电子商务领域，通过把用户的个人信息(属性特征、历史行为记录等)抽象定义为标签，从多种层面对用户进行标记和细分，从而给用户带来个性化服务，比如推荐感兴趣的商品等。用户画像主要依靠采集使用者的静态特征和行为特征，并通过对这些特征加以分析、计算，发现其潜在价值信息，从而抽象出用户的信息全貌。用户画像能够在多维标签、分类标签以及数据变化过程中表现出的大量信息。
专利文献CN114265982A提出了一种基于知识图谱的智能推荐方法，通过基于读者协同过滤推荐方式以及基于知识图谱推荐内容方式进行推荐，在一定程度上解决了数据稀疏问题，然而冷启动问题仍然没有得到缓解。现有的方法大多通过挖掘读者与图书间的关系或进一步的挖掘读者信息来改善推荐检索效果，这类方法只关注于读者与图书以及读者自身的信息，而忽略了图书所包含的信息。
发明内容
本发明的目的是为了解决当前图书推荐检索系统普遍存在着数据稀疏和冷启动问题，从而提高推荐检索系统的实用性。
为了实现本发明的目的，本发明提供了一种基于知识图谱与读者画像的图书推荐检索系统，包括包括知识图谱构建模块，读者画像模块，信息挖掘模块以及推荐检索模块。
所述知识图谱构建模块，用于构建包含图书基础信息的图书馆知识图谱。
所述读者画像模块，用于获取读者的借阅信息和读者属性特征进行特征融合，构建对应的读者画像。
所述信息挖掘模块，针对多个读者属性特征相似的读者进行借阅信息的统计分析，构建用于借鉴推荐图书的读者关系链。
所述推荐检索模块，基于读者输入的检索关键词，并结合读者画像，读者关系链以及图书馆知识图谱，以生成图书推荐结果。
本发明为读者构建对应的读者画像与读者关系链，从而提高推荐系统的推荐质量以及解决系统冷启动的问题。
具体的，所述读者属性特征包括读者的性别，年龄段以及学历背景。
具体的，所述读者画像的构建过程如下：
步骤1-1、获取读者的借阅信息和读者属性特征；
步骤1-2、采用TF-IDF方法针对读者借阅信息计算获得读者的阅读偏好，并统计分析所述阅读偏好下所图书的属性标签；
步骤1-3、融合读者阅读偏好标签以及读者属性标签，构建对应的读者画像。
具体的，所述借阅信息包括书籍TOP，借阅与检索TOP以及包括借阅时长和来访图书馆周期的时间特征。
具体的，所述读者关系链包括针对新读者的相似读者关系链和针对老读者的老读关系链，所述老读者关系链以老读者的借阅信息为主，老读者的读者属性特征为辅，计算每个老读者之间的相似度以构建老读者关系链，所述相似读者关系链以新读者的读者属性特征与老读者的读者属性特征进行相似度计算，以模仿老读者关系链构建相似读者关系链。
具体的，所述图书推荐结果包括相关推荐，个性化推荐以及统计分析推荐；
所述相关推荐，基于图书馆知识图谱与输入的检索关键词推荐相关图书；
所述个性化推荐，根据检索关键词对应的相关图书与读者画像之间的相似度进行排序，以推荐相似度较大的图书；
所述统计分析推荐，基于读者关系链对相关推荐的结果进行统计，以提供读者特征相似的图书推荐。
具体的，所述相关推荐采用语义相似度计算检索关键词与图书馆知识图谱中标签的相似度，具体的表达式如下：
式中，FeatureA表示检索关键词的特征向量，FeatureB表示图书馆知识图谱中标签的特征向量，|·|表示向量的模；
根据相似度结果对图书进行排序，以获得图书的相关推荐。
具体的，所述个性化推荐根据相关推荐中的图书关键词与读者画像的管理标签进行相似度计算，基于相似度结果对相关推荐中的图书进行排序，以获得个性化推荐。
与现有技术相比，本发明的有益效果：
本发明通过将知识图谱、用户画像技术同时应用于图书检索推荐系统中，构建图书与拥有相同知识需求、兴趣偏好、阅读习惯的读者之间的关联关系，从而发现和预测潜在阅读需求，以改善读者访问、检索和阅读的感受，更好地解决检索推荐中的冷启动和数据稀疏问题。
附图说明
图1为本实施例提供的一种基于知识图谱与读者画像的图书推荐系统的框架图；
图2为本实施例提供的读者画像的示意图。
具体实施方式
由于数据稀疏问题往往是因为读者与书籍之间的数量不均衡导致的，以图书馆数据为例，读者阅读过的图书相对图书馆中总图书的数量可谓是冰山一角，这导致在计算读者或书籍的最近邻时准确率较低，也因此造成了推荐系统的推荐质量急剧下降；而冷启动问题主要由用户冷启动和物品冷启动组成，对于新读者或新书籍，系统难以进行准确地推荐，这主要是由于没有充分利用已有数据所造成的。
因此如图1所示，本实施例提供了一种基于知识图谱与读者画像的图书推荐检索系统，包括知识图谱构建模块，读者画像模块，信息挖掘模块以及推荐检索模块。
所述知识图谱构建模块，用于构建包含图书基础信息的图书馆知识图谱。
所述读者画像模块，用于获取读者的借阅信息和读者属性特征进行特征融合，构建对应的读者画像。
所述信息挖掘模块，针对多个读者属性特征相似的读者进行借阅信息的统计分析，构建用于借鉴推荐图书的读者关系链。
所述推荐检索模块，基于读者输入的检索关键词，并结合读者画像，读者关系链以及图书馆知识图谱，以生成图书推荐结果。
具体地，图书馆知识图谱的构建过程如下：
获取图书的标题、摘要、作者、出版社、图书类型、相似/相关图书等基础信息，以及从标题、摘要等半结构化语料库中提取的图书语义层面信息，并采用Neo4j图数据库对知识图谱进行存储。
同时，根据标题、摘要等图书文本信息语料库，构建图书主题模型，挖掘图书的主题和关键字。基于这些主题和关键字，可以快速地构建基础知识图谱中的相似图书关系。主题模型是自然语言处理技术中，对类似图书馆图书摘要等文档层级的文本信息进行分析的最有效的方式之一。其本质上是一种文档层级的语义映射——找到隐藏在文档背后的主题语义。
之后对图书中的标题、摘要等文本进行实体类的标注，然后将实体关联到知识图谱，从而获取实体的对应信息；最后对其进行概念化，理解实体背后的知识，进而理解实体之间的关系，包括实体的属性、侧面等。
本实施例提供的读者画像如图2所示，其构建过程如下：
首先是用户数据获取，图书馆读者的读者画像的构建一般是基于图书馆业务数据，如入馆记录和借阅记录等，以及读者本身所自带的一些静态特征如性别、年龄段以及学历背景等。
其次，在提取读者画像中所需的基本数据后，还需要对这部分数据行特征提取和融合，提取重要要素，从而形成可视化模式。
并对所采集到的数据进行行为建模，采用TF-IDF方法计算读者的标签，实现标签化管理。
最后，将计算结果、数据、接口形成服务，设计读者特征、时间特征、借阅TOP和数据偏好等指标项，进行读者画像可视化展示。
读者关系链包括针对新读者的相似读者关系链和针对老读者的老读者关系链。
所述老读者关系链以老读者的借阅信息为主，老读者的读者属性特征为辅，计算每个老读者之间的相似度以构建老读者关系链。
所述相似读者关系链以新读者的读者属性特征与老读者的读者属性特征进行相似度匹配，以模仿老读者关系链构建相似读者关系链。
通过对相似读者的借阅信息进行统计分析，实现统计层面的热门图书推荐。在读者进行图书检索过程中，结合检索关键字与图书知识图谱，实现相关图书推荐，能够将没有任何历史数据的新资源精准地推荐给目标读者。通过挖掘读者画像中借阅信息数据与图书知识图谱中相似作品的图书知识图谱之间的深层关系，实现精准的个性化推荐。对于新图书，利用图书的基础信息与语义信息，与现有图书构建图书知识图谱，解决图书冷启动问题。对于新读者，只有性别、年龄、专业等基础信息，本文利用这些基础信息计算新读者与老读者之间的相似度，构建相似读者关系网络，解决读者冷启动问题。
信息挖掘模块包含相关推荐、个性化推荐和统计分析推荐。
相关推荐主要面向读者检索图书阶段，通过检索关键字推荐相关图书。首先，使用余弦相似度计算检索关键字与图书知识图谱中图书关键字的相关度，在海量的图书馆图书数据中快速检索目标图书，其中，余弦相似度通过测定二个向量的夹角余弦值来衡量它们之间的相似性，是语义相似度计算的经典方法，计算公式如下：
其中，FeatureA、FeatureB表示特征向量A、B，|·|表示向量的模。然后，根据目标图书利用图书知识图谱，将排序的top-k的图书推荐给读者，从而实现相关图书推荐。
个性化推荐主要面向读者个人，根据读者的偏好图书类型，推荐相关图书。通过构建读者画像，能够清晰地发现读者的阅读偏好。一方面，在读者的检索过程中，通过计算读者的阅读偏好与检索的相关图书之间的余弦相似度，按照相似度大小进行个性化排序；另一方面，与相关推荐类似，使用余弦相似度计算读者偏好图书类型与图书知识图谱中图书关键字的相关度，并将相似度最大的top-k的图书推荐给读者，进而实现个性化推荐。
统计分析推荐是基于图书馆大数据信息的一种推荐方法。一方面，在读者的检索过程中，通过统计检索关键字相关的图书信息，对当前借阅最多的相关图书进行热度排序；另一方面主要面向检索开始阶段。一种方法是基于图书馆大数据信息对当前借阅最多的图书进行排序，从而产生推荐。然而这一方法是无法满足广大读者的个性化需求，因此，本模块采用基于用户的协同过滤方法，利用读者画像中的读者信息，挖掘读者间的深层关联，构建相似读者关系链，对相似读者群中的热门图书进行统计分析，进而产生更为精准的统计分析推荐。
为了更好体现系统的效果，本实施例还提供了相较于传统推荐系统的比对实验。
基于浙江某大学图书馆管理系统导出的借阅记录，涵盖2020年5月至2022年5月期间的借阅数据，包含220636条借阅记录，60162本图书、15916个读者。
本实施例中，采用准确率(Accuracy)、精准率(Precision)、召回率(Recall)、F1评分(F1 score)来评估我们的推荐效果。我们从借阅记录中随机抽取10000条借阅记录用于推荐效果的验证。对于每个读者，我们采用不同的方法推荐排名前10的图书给读者。在计算准确率时，当有一本图书命中时我们就认定推荐成功，因此可以看到所有方法都有着较高的准确率。此外，对比基于ALS的协同过滤算法与本文所提出的融合了知识图谱与读者画像的推荐检索方法，可以看出本文所提出的方法取得了更好的效果。在此基础上，本文还进行了冷启动实验，在计算相似度时我们去除了读者的借阅信息，来模拟新读者场景下的冷启动问题。
如表1所示为本次实验的结果：
表1推荐检索效果评估
以上应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于知识图谱与读者画像的图书推荐检索系统，其特征在于，包括知识图谱构建模块，读者画像模块，信息挖掘模块以及推荐检索模块；
所述知识图谱构建模块，用于构建包含图书基础信息的图书馆知识图谱；
所述读者画像模块，用于获取读者的借阅信息和读者属性特征进行特征融合，构建对应的读者画像；
所述信息挖掘模块，针对多个读者属性特征相似的读者进行借阅信息的统计分析，构建用于借鉴推荐图书的读者关系链；
所述推荐检索模块，基于读者输入的检索关键词，并结合读者画像，读者关系链以及图书馆知识图谱，以生成图书推荐结果。
2.根据权利要求1所述的基于知识图谱与读者画像的图书推荐检索系统，其特征在于，所述图书基础信息包括图书的标题、摘要、作者、出版社、图书类型以及相似/相关图书。
3.根据权利要求1所述的基于知识图谱与读者画像的图书推荐检索系统，其特征在于，所述读者属性特征包括读者的性别，年龄段以及学历背景。
4.根据权利要求1所述的基于知识图谱与读者画像的图像推荐检索系统，其特征在于，所述读者画像的构建过程如下：
步骤1-1、获取读者的借阅信息和读者属性特征；
步骤1-2、采用TF-IDF方法针对读者借阅信息计算获得读者的阅读偏好，并统计分析所述阅读偏好下所图书的属性标签；
步骤1-3、融合读者阅读偏好标签以及读者属性标签，构建对应的读者画像。
5.根据权利要求1或4所述的基于知识图谱与读者画像的图像推荐检索系统，其特征在于，所述借阅信息包括书籍TOP，借阅与检索TOP以及包括借阅时长和来访图书馆周期的时间特征。
6.据权利要求1所述的基于知识图谱与读者画像的图像推荐检索系统，其特征在于，所述读者关系链包括针对新读者的相似读者关系链和针对老读者的老读者关系链，所述老读者关系链以老读者的借阅信息为主，老读者的读者属性特征为辅，计算每个老读者之间的相似度以构建老读者关系链，所述相似读者关系链以新读者的读者属性特征与老读者的读者属性特征进行相似度匹配，以模仿老读者关系链构建相似读者关系链。
7.根据权利要求1所述的基于知识图谱与读者画像的图像推荐检索系统，其特征在于，所述图书推荐结果包括相关推荐，个性化推荐以及统计分析推荐；
所述相关推荐，基于图书馆知识图谱与输入的检索关键词推荐相关图书；
所述个性化推荐，根据检索关键词对应的相关图书与读者画像之间的相似度进行排序，以推荐相似度较大的图书；
所述统计分析推荐，基于读者关系链对相关推荐的结果进行统计，以提供读者特征相似的图书推荐。
8.根据权利要求7所述的基于知识图谱与读者画像的图像推荐检索系统，其特征在于，所述相关推荐采用语义相似度计算检索关键词与图书馆知识图谱中标签的相似度，具体的表达式如下：
式中，FeatureA表示检索关键词的特征向量，FeatureB表示图书馆知识图谱中标签的特征向量，|·|表示向量的模；
根据相似度结果对图书进行排序，以获得图书的相关推荐。
9.根据权利要求7所述的基于知识图谱与读者画像的图像推荐检索系统，其特征在于，所述个性化推荐根据相关推荐中的图书关键词与读者画像的管理标签进行相似度计算，基于相似度结果对相关推荐中的图书进行排序，以获得个性化推荐。
CN202310445105.7A 2023-04-24 2023-04-24 一种基于知识图谱与读者画像的图书推荐检索系统 Pending CN116595246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310445105.7A CN116595246A (zh) 2023-04-24 2023-04-24 一种基于知识图谱与读者画像的图书推荐检索系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310445105.7A CN116595246A (zh) 2023-04-24 2023-04-24 一种基于知识图谱与读者画像的图书推荐检索系统

Publications (1)

Publication Number Publication Date
CN116595246A true CN116595246A (zh) 2023-08-15

Family

ID=87606996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310445105.7A Pending CN116595246A (zh) 2023-04-24 2023-04-24 一种基于知识图谱与读者画像的图书推荐检索系统

Country Status (1)

Country Link
CN (1) CN116595246A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493646A (zh) * 2023-12-29 2024-02-02 北京华阅嘉诚科技发展有限公司 一种基于区块链技术的智能图书馆借阅跟踪系统
CN117540057A (zh) * 2024-01-10 2024-02-09 广东省电信规划设计院有限公司 基于aigc的检索引导方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493646A (zh) * 2023-12-29 2024-02-02 北京华阅嘉诚科技发展有限公司 一种基于区块链技术的智能图书馆借阅跟踪系统
CN117493646B (zh) * 2023-12-29 2024-03-29 北京华阅嘉诚科技发展有限公司 一种基于区块链技术的智能图书馆借阅跟踪系统
CN117540057A (zh) * 2024-01-10 2024-02-09 广东省电信规划设计院有限公司 基于aigc的检索引导方法及装置
CN117540057B (zh) * 2024-01-10 2024-04-30 广东省电信规划设计院有限公司 基于aigc的检索引导方法及装置

Similar Documents

Publication Publication Date Title
Chirita et al. P-tag: large scale automatic generation of personalized annotation tags for the web
Chang Mining the World Wide Web: an information search approach
US7844592B2 (en) Ontology-content-based filtering method for personalized newspapers
JP5391633B2 (ja) オントロジー空間を規定するタームの推奨
Song et al. Identification of ambiguous queries in web search
Welch et al. Search result diversity for informational queries
KR20190108838A (ko) 미술 작품 추천 큐레이션 방법 및 시스템
CN116595246A (zh) 一种基于知识图谱与读者画像的图书推荐检索系统
Tuarob et al. A generalized topic modeling approach for automatic document annotation
Nazemi et al. Visual analytics for analyzing technological trends from text
CN114254201A (zh) 一种科技项目评审专家的推荐方法
KR101088710B1 (ko) 온라인 커뮤니티 사용자 간 상호작용 기반 온라인 커뮤니티 포스트 검색 방법, 장치 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
Wong et al. Learning to extract and summarize hot item features from multiple auction web sites
Malhotra et al. A comprehensive review from hyperlink to intelligent technologies based personalized search systems
Zhang et al. A Framework for an Ontology-based E-commerce Product Information Retrieval System.
Kaur Web content classification: a survey
Kumar et al. Social book search: a survey
Park et al. Extracting search intentions from web search logs
Hybridised OntoKnowNHS: Ontology Driven Knowledge Centric Novel Hybridised Semantic Scheme for Image Recommendation Using Knowledge Graph
Du et al. Scientific users' interest detection and collaborators recommendation
Liang et al. A hybrid recommender systems based on weighted tags
Baral et al. PERS: A personalized and explainable POI recommender system
Jingli et al. Web clustering based on tag set similarity
Liu et al. Multigraph-based query-independent learning for video search
Zhang et al. Large scale incremental web video categorization

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