WO2016191959A1 - 一种时变的协同过滤推荐方法 - Google Patents

一种时变的协同过滤推荐方法 Download PDF

Info

Publication number
WO2016191959A1
WO2016191959A1 PCT/CN2015/080355 CN2015080355W WO2016191959A1 WO 2016191959 A1 WO2016191959 A1 WO 2016191959A1 CN 2015080355 W CN2015080355 W CN 2015080355W WO 2016191959 A1 WO2016191959 A1 WO 2016191959A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
time
score
users
similarity
Prior art date
Application number
PCT/CN2015/080355
Other languages
English (en)
French (fr)
Inventor
游海鹏
吉中军
胡仲强
李挥
汪允敏
赵庆壮
Original Assignee
深圳市汇游智慧旅游网络有限公司
深圳市旅游发展有限公司
北京大学深圳研究生院
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 深圳市汇游智慧旅游网络有限公司, 深圳市旅游发展有限公司, 北京大学深圳研究生院 filed Critical 深圳市汇游智慧旅游网络有限公司
Priority to PCT/CN2015/080355 priority Critical patent/WO2016191959A1/zh
Priority to CN201580001469.XA priority patent/CN106471491A/zh
Publication of WO2016191959A1 publication Critical patent/WO2016191959A1/zh

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

Definitions

  • the present invention relates to the field of Internet, and in particular, to a time-varying collaborative filtering recommendation method.
  • Search engine and recommendation system are the two main tools to solve information overload.
  • Search engine organizes and organizes information according to certain strategies, and provides search service to users according to organizational keywords. Now it is represented by Baidu and Google.
  • the information retrieval technology can no longer meet the needs of users.
  • search engines use keyword matching to find information. There are often thousands of pieces of information that match the keywords. It is still difficult for users to quickly find the information they are satisfied with.
  • Search engines require users to explicitly give one or more keywords explicitly, but in some cases users cannot accurately express their needs into appropriate keywords. Therefore, the recommendation system came into being, it can collect the user's historical behavior and feedback information, find resources that meet the user's interests based on the information, and then make personalized recommendations for the user.
  • the personalized recommendation system collects the user's favorite characteristics by collecting the behavior data of the user and the media interaction process, and then extracts the potential or interested resources of the user from the massive media information according to the features, and provides corresponding recommendations.
  • the essence of the recommendation is to predict the user's preference for unused resources by analyzing the resources used by the user in the past, and present the predicted results to the user in an effective form, such as recommending resources with high similarity to the user.
  • the typical collaborative filtering recommendation system must implement the recommendation through four steps: firstly, the system organizes the data according to the user's scoring record to form a user-commodity scoring matrix; secondly, the similarity between users is calculated according to the scoring matrix, and the comparison is used.
  • Many similarity calculation methods include correcting cosine similarity, Pearson correlation coefficient, Euclidean distance, etc.; again, selecting K as the nearest neighbor from the current user similarity, and predicting the scores of these products by these nearest neighbors The current user's rating of an item; finally, several items with the highest predicted score are selected as recommended results to the target user.
  • the classic collaborative filtering recommendation technology is widely used, but it is still the first flaw.
  • the most important part of a typical collaborative filtering recommendation is to find the nearest neighbor user of K, and the search of K nearest neighbor users is based on user similarity.
  • there are still some problems in the calculation process of similarity In reality, users will not evaluate all products, but only some products, so there will be no target or other users with other users. In the case where there is little common scoring, in this case, the similarity between users cannot be calculated, so it is impossible to predict the scores of the products that the target user has not purchased, and the recommendation cannot be generated.
  • the system does not consider user interest changes over time.
  • the present invention provides a time-varying collaborative filtering recommendation method, which solves the problem that the similarity between users cannot be calculated in the prior art and the user does not change with time.
  • the present invention provides a time-varying collaborative filtering recommendation method, comprising the steps of: (A) collating data to form a user-item scoring matrix; (B) filling a scoring matrix; (C) calculating a weight corresponding to the scoring and calculating a user similarity Degree; (D) rating the unused items of the target user; (E) recommending the output.
  • the step (A) further comprises: the system collects the score records of the m users for the n items and stores them in the database; scans each piece of data and forms a user of B(m, n) - Product rating matrix.
  • step (B) in the step (B), a similar linear regression Slope One is used.
  • the algorithm fills in the scoring matrix; the missing user data is calculated and the similarity between users is calculated by the similarity calculation method.
  • the weight corresponding to the score is calculated according to the time of the score, and the influence of the user's interest preference on the recommendation result decreases with time, and the corresponding time weight function is A monotonically decreasing function; sorting the calculated similarities yields a K nearest neighbor.
  • the interest value of the user u for the unpurchased item i is calculated, and the user score is normalized to offset the prediction deviation caused by the different rating hobbies, and the user a pairs any item i
  • the rating is predicted as follows:
  • sim(a, u) represents the similarity between the user a and any user u; r u,i represents the evaluation of the product i by the user u; Indicates the average rating of user u for all items; W u,i represents the time weight of user u for item i; N represents N nearest neighbor user.
  • the item with the most interest is selected to form a recommendation list for the user to make a personalized recommendation.
  • the invention has the beneficial effects that by filling the sparse matrix and introducing the time weight, the purpose of providing users with better personalized recommendation in the field of e-commerce is realized, and on the one hand, the personalized development is provided, and the user is provided with a better Service, on the other hand, good recommendation will attract more users and improve economic efficiency.
  • FIG. 1 is a schematic diagram of a time varying collaborative filtering recommendation method according to the present invention.
  • a time-varying collaborative filtering recommendation method comprising the steps of: (A) collating data to form a user-item scoring matrix; (B) filling a scoring matrix; (C) calculating a weight corresponding to the scoring and calculating a user similarity; ) rating the products that are not used by the target user; (E) recommending the output.
  • the step (A) further includes: the system collects the score records of the m users by n items and stores them in the database; scans each piece of data and forms a user-commodity score matrix of B(m, n).
  • the scoring matrix is filled using a linear regression Slope One algorithm;
  • the missing user data is calculated and the similarity between users is calculated by the similarity calculation method.
  • the weight corresponding to the score is calculated according to the time of the score, and the influence of the user's interest preference on the recommendation result decreases with time, and the corresponding time weight function is a monotonous decreasing function;
  • the similarity is sorted to produce K nearest neighbors.
  • the interest value of the user u for the unpurchased item i is calculated, and the user score is normalized to offset the prediction bias caused by the different rating hobbies.
  • the user a's score for any item i is predicted as follows:
  • sim(a, u) represents the similarity between the user a and any user u; r u,i represents the evaluation of the product i by the user u; Indicates the average rating of user u for all items; W u,i represents the time weight of user u for item i; N represents N nearest neighbor user.
  • step (E) selecting the item with the most interest to form a recommendation list for the user to make a personalized recommendation.
  • the recommendation method is completed as follows:
  • the system collects the score records of m users for n items and stores them in the database. Each user data is scanned to form a user-commodity score matrix of B(m, n), where m is the number of users and n is the number of items.
  • scoring matrix B(4,5) is as follows:
  • the user-commodity scoring matrix is sparse.
  • a sparse scoring matrix there are always some users who do not have a common rating or few with other users.
  • a common score without a common score or only a small common score is unable to calculate the similarity between users, which is also a problem with collaborative filtering recommendation technology.
  • This paper uses a linear regression-like algorithm, Slope One algorithm, to solve the above problem. For users with less than K common scores, the algorithm is used for data filling.
  • the formula is as follows:
  • u j represents the rating of the item j by the user u
  • u i represents the rating of the item i by the user u
  • S j,i ( ⁇ ) represents the set of ratings containing both the item i and the item j
  • card(S j,i ( ⁇ )) indicates the number of scores including both item i and item j
  • S(u) - all item collections commented by user u ⁇ j ⁇ indicates item j.
  • the K value is 2, and the necessary data padding is performed before calculating the similarity for the users with less than 2 common score records.
  • Table 1 when calculating the similarity between U1 and other users, there is only one common score between U1 and U3, so it is necessary to fill the items that U1 has scored and U3 does not have, that is, P(u3, i2) And P(u3, i4).
  • the deviation between the items is calculated according to formula (1).
  • the deviation is:
  • the similarity calculation method can be used to calculate the similarity between users.
  • ⁇ represents the decay rate
  • Vt is the interval between the user u's rating of the item i and the current time. between.
  • Table 1 has given the user-item scoring matrix. The interval between the user's rating time and the current time is given, and the time is in days.
  • the Pearson correlation coefficient is used below to calculate the similarity between users.
  • the Pearson correlation coefficient is used to measure whether two data sets are on a line and is used to measure the linear relationship between distance variables, ranging from [-1, +1]. When all the data points of the two variables fall on a straight line, the correlation coefficient is +1 or -1. When the linear relationship between the two variables is stronger, the correlation coefficient tends to be 1 or -1.
  • a key characteristic of the Pearson correlation coefficient is that it does not change with the position or size of the variable.
  • the Pearson correlation coefficient is calculated as:
  • r a,p represents the evaluation of the product p by the user a
  • r b,p represents the evaluation of the product p by the user b
  • the following also takes Table 1 as an example. First, calculate the average score of the user's score, such as user U1, and find the sum of all the scores of user U1 and then divide by the number of scores. The following is the average score of all users:
  • the K users whose target users have the greatest similarity are selected as the K nearest neighbor users.
  • the target user's rating of the item is calculated by the K nearest neighbor user.
  • the K value is 2, and the two users with the highest similarity with the user U1 are selected.
  • the similarity between U1 and U2 is 1 by the above calculation, and the similarity between U1 and U3 is 0.19.
  • the similarity between U1 and U4 is -0.71. So the two closest users to U1 are U2 and U3.
  • sim(a, u) represents the similarity between the user a and any user u; r u,i represents the evaluation of the product i by the user u; Indicates the average rating of user u for all items; W u,i represents the time weight of user u for item i; N represents N nearest neighbor user.
  • the score of the target user U1 for the unused articles I3 and I5 is calculated by the formula (4).
  • the calculation process is as follows:
  • the score prediction of the product used by the target user U1 is completed. It can be found that the predicted score U has a higher score for the product I5 than for the I3. If only one product is recommended to the user, the high score I3 will be scored. Recommended for users.
  • the entire recommended process has been completed above, but there are some issues that need to be explained.
  • Collaborative filtering recommendation method is one of the most widely used personalized recommendation methods in today.
  • Some well-known website recommendation systems such as Amazon, Douban and GroupLens adopt collaborative filtering recommendation method.
  • Amazon's 30% of its sales come from its own recommendation system, so the benefits of the recommended system in e-commerce are significant.
  • This paper proposes a time-varying collaborative filtering recommendation method, which collects user behavior data and collates data to obtain a user-item scoring matrix. Based on the matrix, the Slope One algorithm is used to fill the sparse data, and some users have fewer common scores.
  • the similarity between users cannot be calculated without common scoring, and then find the top K neighbors with the greatest similarity with the target users, and predict the scores of the products that the target users have not used by the similarity between the K-nearest neighbor users and the target users.
  • the time weight of K nearest neighbor user score is introduced in the score, which improves the recommendation accuracy of the algorithm.
  • the N items with the most interest are selected to form a recommendation list for the user to personalize.
  • This method solves the problem of data sparsity that has always existed in collaborative filtering technology, and gives more accurate prediction by weight method.
  • this method is not only applicable to the field of e-commerce.
  • the method is characterized by making predictions based on user history scores. Any field that makes recommendations based on user history scores, including video fields, music stations, personalized reading, etc. field.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及互联网领域，其公开了一种时变的协同过滤推荐方法，包括以下步骤：(A)整理数据形成用户-物品评分矩阵；(B)填充评分矩阵；(C)计算评分对应的权值并计算用户相似度；(D)对目标用户未使用的商品评分；(E)推荐输出。本发明的有益效果是：通过填充稀疏矩阵和引入时间权值，实现了在电子商务领域为用户提供更好的个性化推荐的目的，一方面符合个性化的发展，为用户提供了更好的服务，另一方面好推荐效果将会吸引更多用户，提高经济效益。

Description

一种时变的协同过滤推荐方法 【技术领域】
本发明涉及互联网领域，尤其涉及一种时变的协同过滤推荐方法。
【背景技术】
随着信息网络的飞速发展，国内外电子商务网站不断涌现，电子商务给人们带来了翻天覆地的变化，电子商务消除了地域、时间限制，消费者可以随时随地的选择自己喜欢的商品，电子商务极大的方便了人们的生活。但是在快速扩张的同时，诸多问题也随之而来，面对琳琅满目的商品、堆积如海的信息，户目接不暇，不知所从，没有足够的能力、精力和时间找到自己真正喜欢的商品。
搜索引擎和推荐系统是解决信息过载的两种主要工具，搜索引擎是按照一定的策略对信息进行处理和组织后，跟据组织的关键词向用户提供检索服务；而现在以百度和谷歌为代表的信息检索技术已无法满足用户的需求，一是搜索引擎通过关键字匹配来寻找信息，往往与关键字匹配的信息有成千上万条，用户还是很难快速找到自己满意的信息，二是搜索引擎需要用户显式的明确给出一个或多个关键词，但是，在某些情况下用户无法准确地把自己的需求表达成合适的关键词。因此，以推荐系统应运而生，它能采集用户的历史行为和反馈信息，根据这些信息找到符合用户兴趣的资源，然后为用户做出个性化推荐。
个性化推荐系统通过收集用户与媒体交互过程的行为数据来获取用户的喜好特征，进而根据这些特征从海量的媒体信息中挖掘用户潜在感兴趣的或者需要的资源，并提供相应的推荐。推荐的实质的通过分析用户过去使用的资源来预测用户对未使用资源的喜欢程度，并将预测的结果以某种有效形式展现给用户，比如将相似度高的资源推荐给用户。
目前已存在的许多典型推荐方法，协同过滤是最早提出并被广泛应用的个性化推荐技术，一些知名网站如Amzon、Douban和GroupLens都采用了协同过滤的方法，通过该方法向用户推荐有价值的信息。该方法的核心思想是具有相似评分的用户间认为是相似的，然后根据相似用户的评分来预测目标用户对未使用的商品的的评分，根据评分大小进行商品推荐。
现如今推荐技术已经应用到电子商务、视频业务、个性化阅读、社交媒体、音乐电台等多个领域。根据中国互联网信息中心最新发布的《中国互联网发展状 况统计报告》显示，截至到2014年12月底，中国网民规模达6.49亿，较上年增加了3117万人。面对如此巨大和快速增长的用户群，为其提供个性化推荐服务是意义重大的，并蕴涵着巨大的商业价值。
在电子商务领域，用户都会对购买的商品进行打分评价，这也正是典型协同过滤推荐技术所利用的用户的历史行为。典型的协同过滤推荐系统都要通过四个个步骤来实现推荐：首先系统根据用户的打分记录进行数据整理形成一个用户-商品评分矩阵；其次然后根据评分矩阵计算用户之间的相似度，使用比较多的相似度计算方法包括修正余弦相似度、皮尔森相关系数、欧氏距离等；再次，从当前用户相似度最高的用户中选取K个作为最近邻，通过这些最近邻对商品的评分来预测当前用户对某个项目的评分；最后选取预测评分最高的若干物品作为推荐结果推荐给目标用户。
经典的协同过滤推荐技术的应用领域非常广泛，但它还是最早一些缺陷。典型的协同过滤推荐最重要的环节都是找到K最近邻用户，而K最近邻用户的搜索正是根据用户相似度。但是，目前在相似度的计算过程中还存在一些问题，实际情况中，用户不会对所有商品进行评价，而是只对部分商品进行评价，因此会存在目标用户与其它用户没有共同评分或只有很少共同评分的情况，这种情况下无法计算用户间的相似度，因此无法对目标用户未购买的商品进行评分预测，无法产生推荐。
此外，系统没有考虑用户兴趣会随着时间而改变。
【发明内容】
为了解决现有技术中的问题，本发明提供了一种一种时变的协同过滤推荐方法，解决现有技术中无法计算用户间的相似度和没有考虑用户随时间而改变的问题。
本发明提供了一种时变的协同过滤推荐方法，包括以下步骤：(A)整理数据形成用户-物品评分矩阵；(B)填充评分矩阵；(C)计算评分对应的权值并计算用户相似度；(D)对目标用户未使用的商品评分；(E)推荐输出。
作为本发明的进一步改进：所述步骤(A)进一步包括：系统收集m个用户对n个商品的评分记录并存放在数据库中；对每条数据进行扫描并形成B(m,n)的用户-商品评分矩阵。
作为本发明的进一步改进：所述步骤(B)中，使用类似线性回归Slope One 算法填充评分矩阵；通过计算出缺失的用户数据并通过相似性计算方法计算用户之间的相似性。
作为本发明的进一步改进：所述步骤(C)中，根据评分的时间计算评分对应的权值，用户的兴趣偏好对推荐结果的影响随着时间的远离而减少，对应的时间权值函数为单调递减函数；对计算出的相似度进行排序产生K最近邻。
作为本发明的进一步改进：所述步骤(D)中，计算用户u对未购买商品i的兴趣值，将用户评分标准化处理以抵消因不同评分爱好带来的预测偏差，用户a对任意商品i的评分预测为如下：
Figure PCTCN2015080355-appb-000001
此处，sim(a，u)表示用户a与任一用户u之间的相似性；ru，i表示用户u对商品i的评价；
Figure PCTCN2015080355-appb-000002
表示用户u对所有商品的平均评分；Wu，i表示用户u对商品i的时间权值；N表示N最近邻用户。
作为本发明的进一步改进：所述步骤(E)中，选取兴趣度最大的商品形成推荐列表为用户做个性化推荐。
本发明的有益效果是：通过填充稀疏矩阵和引入时间权值，实现了在电子商务领域为用户提供更好的个性化推荐的目的，一方面符合个性化的发展，为用户提供了更好的服务，另一方面好推荐效果将会吸引更多用户，提高经济效益。
【附图说明】
图1为本发明一种时变的协同过滤推荐方法的示意图。
【具体实施方式】
下面结合附图及具体实施方式对本发明进一步说明。
一种时变的协同过滤推荐方法，包括以下步骤：(A)整理数据形成用户-物品评分矩阵；(B)填充评分矩阵；(C)计算评分对应的权值并计算用户相似度；(D)对目标用户未使用的商品评分；(E)推荐输出。
所述步骤(A)进一步包括：系统收集m个用户对n个商品的评分记录并存放在数据库中；对每条数据进行扫描并形成B(m,n)的用户-商品评分矩阵。
所述步骤(B)中，使用类似线性回归Slope One算法填充评分矩阵；通过 计算出缺失的用户数据并通过相似性计算方法计算用户之间的相似性。
所述步骤(C)中，根据评分的时间计算评分对应的权值，用户的兴趣偏好对推荐结果的影响随着时间的远离而减少，对应的时间权值函数为单调递减函数；对计算出的相似度进行排序产生K最近邻。
所述步骤(D)中，计算用户u对未购买商品i的兴趣值，将用户评分标准化处理以抵消因不同评分爱好带来的预测偏差，用户a对任意商品i的评分预测为如下：
Figure PCTCN2015080355-appb-000003
此处，sim(a，u)表示用户a与任一用户u之间的相似性；ru，i表示用户u对商品i的评价；
Figure PCTCN2015080355-appb-000004
表示用户u对所有商品的平均评分；Wu，i表示用户u对商品i的时间权值；N表示N最近邻用户。
所述步骤(E)中，选取兴趣度最大的商品形成推荐列表为用户做个性化推荐。
在一实施例中，按以下步骤完成该推荐方法：
整理数据形成用户-物品评分矩阵
系统收集m个用户对n个商品的评分记录，并存放在数据库中。对每条用户数据进行扫描，形成一个B(m,n)的用户-商品评分矩阵，其中m为用户数，n为商品数。
下面给出实例，假如有4个用户，5个商品，用户以Ui来表示，商品以Ii来表示。
假如评分矩阵B(4,5)如下：
表1
Figure PCTCN2015080355-appb-000005
Figure PCTCN2015080355-appb-000006
使用Slope One算法填充评分矩阵
根据经验而言，用户只一般只会对有限个商品进行购买和评分，因此用户-商品评分矩阵都是稀疏的，对于稀疏的评分矩阵，总有部分用户与其它用户没有共同评分或只有很少量共同评分，没有共同评分或只有很少的共同评分是无法计算用户间的相似度的，这也是协同过滤推荐技术所存在的问题。本文使用了一种类似线性回归的算法---Slope One算法来解决上述问题，对少于K个共同评分的用户，使用该算法进行数据填充。Slope One算法使用了一种比f(x)＝ax+b更简单、更准确、更快速的一元线性模型f(x)＝x+b，参数b表示用户对物品评分的差值，参数b的计算公式如下：
Figure PCTCN2015080355-appb-000007
下面使用如下公式，计算稀疏矩阵的缺失值。
Figure PCTCN2015080355-appb-000008
其中，uj表示用户u对物品j的评分；ui表示用户u对物品i的评分；Sj,i(χ)表示同时包含物品i和物品j的评分集合；card(Sj,i(χ))表示同时包含物品i和物品j的评分的数量；S(u)——用户u评论的所有物品集合；{j}表示物品j。
在此，假定取K值为2，对少于2个共同评分记录的用户计算相似性前先进行必要的数据填充。以表1为例，在计算U1的与其它用户之间相似度时，U1与U3之间的共同评分只有1个，因此需要填充U1有评分而U3没有的项目，即P(u3,i2)和P(u3,i4)。
首先根据公式(1)计算项目之间的偏差，对于项目I1和I2，偏差为：
Figure PCTCN2015080355-appb-000009
其余类似，为：
Figure PCTCN2015080355-appb-000010
Figure PCTCN2015080355-appb-000011
Figure PCTCN2015080355-appb-000012
Figure PCTCN2015080355-appb-000013
Figure PCTCN2015080355-appb-000014
计算完偏差后，用公式(2)计算确实用户评分得，如下：
Figure PCTCN2015080355-appb-000015
Figure PCTCN2015080355-appb-000016
计算出缺失的用户数据，下面就可以通过相似性计算方法计算用户间的相似性了。
根据评分的时间计算评分对应的权值
随着时间的推移，人的兴趣和爱好是不断变化的，用户很久以前对某个商品的评价可能与现在状况已经不相符。根据实际情况而言，用户的兴趣偏好对推荐结果的影响应该随着时间的远离而减少，因此时间权值函数应该为单调递减函数。我们假设所有的数据都是有利于推荐结果的，只不过越新的评分数据对用户兴趣的预测占的权值越高。
我们给出的时间取值函数如下：
Wu,i＝2-λVt   (3)
其中λ表示衰减速率，Vt为用户u对商品i的评分时间到当前时间的间隔时 间。
下面给出计算实例，表1已经给出用户-商品的评分矩阵，现给出用户对商品的评分时间到目前时间的间隔，时间以天为单位。
表2
Figure PCTCN2015080355-appb-000017
假设λ取0.02，则：
Wu1,i1＝2-0.02*317≈0.01，Wu1,i2＝2-0.02*17≈0.79，Wu1,i4＝2-0.02*50≈0.5，
Wu2,i2＝2-0.02*2≈0.97，Wu2,i3＝2-0.02*9≈0.88，Wu2,i4＝2-0.02*40≈0.57，
Wu2,i5＝2-0.02*100≈0.25Wu3,i1＝2-0.02*20≈0.76，Wu3,i3＝2-0.02*330≈0.01，
Wu3,i5＝2-0.02*30≈0.66，Wu4,i1＝2-0.02*14≈0.82，Wu4,i2＝2-0.02*40≈0.57，
Wu4,i3＝2-0.02*109≈0.22，Wu4,i5＝2-0.02*50≈0.5。
计算用户相似度
下面使用皮尔森相关系数来计算用户之间的相似性。皮尔森相关系数用来衡量两个数据集是否在一条线上，用来衡量定距变量之间的线性关系，取值范围在[-1,+1]之间。当两个变量的所有数据点落在一条直线上时，相关系数为+1或-1，当两个变量线性关系越强时，相关系数越趋向于1或-1。皮尔森相关系数的一个关键特性就是它并不随变量的位置或大小的变化而变化。皮尔森相关系数计算公式为：
Figure PCTCN2015080355-appb-000018
此处，ra,p表示用户a对商品p的评价；rb,p表示用户b对商品p的评价；
Figure PCTCN2015080355-appb-000019
表 示用户a对所有商品的平均评价；
Figure PCTCN2015080355-appb-000020
表示用户b对所有商品的平均评价。
下面还以表1为例，首先计算用户评分的平均评分，比如用户U1，求用户U1的所有评分的和然后除以评分个数，下面为所有用户的平均评分：
Figure PCTCN2015080355-appb-000021
Figure PCTCN2015080355-appb-000022
Figure PCTCN2015080355-appb-000023
Figure PCTCN2015080355-appb-000024
其次，计算用户评分与平均评分的差值，比如用户U1对I1评分的差值为：
Figure PCTCN2015080355-appb-000025
其余计算方法类似，计算结果如表3。
表3
Figure PCTCN2015080355-appb-000026
最后，通过公式(4)计算用户之间的相似度。比如用户U1与用户U2之间的相似度，U1与U2共同评分项目只有I2和I4，只使用这两个共同评分，计算结果如下：
Figure PCTCN2015080355-appb-000027
由于U1与U3的共同评分只有1个，小于最小共同评分阈值K，因此需要使用Slope One填充的数据，计算Slope One填充的数据与平均值之间的差值，如下：
Figure PCTCN2015080355-appb-000028
Figure PCTCN2015080355-appb-000029
然后通过公式(4)计算用户U1与U3的相似度，如下：
Figure PCTCN2015080355-appb-000030
其余计算方法类似，得到结果如下：
Figure PCTCN2015080355-appb-000031
Figure PCTCN2015080355-appb-000032
Figure PCTCN2015080355-appb-000033
Figure PCTCN2015080355-appb-000034
对相似度排序，产生K最近邻
根据上面计算用户之间的相似度，选取目标用户相似度最大的K个用户为K最近邻用户。通过K最近邻用户计算目标用户对商品的评分。
下面以U1为目标用户为例，去K值为2，选取与用户U1相似度最高的两个用户，通过上面的计算知道与U1与U2的相似度为1，U1与U3的相似度为0.19，U1与U4的相似度为-0.71。因此与U1最相近的两个用户是U2和U3.
产生K最近邻后，就可以对目标用户没有评价过的商品进行评。
对目标用户未使用的商品评分
确定相似性之后，我们就可以计算用户u对未购买商品i的兴趣值。但，对于不同的用户对商品的打分尺度并不相同，有的人倾向于给所有的物品打高分，有的倾向于给所有物品打低分，因此，本文将用户评分标准化处理，都减去其平均分，以抵消因不同评分爱好而给系统带来的预测偏差。用户a对任意商品i的评分预测为：
Figure PCTCN2015080355-appb-000035
此处，sim(a,u)表示用户a与任一用户u之间的相似性；ru,i表示用户u对商 品i的评价；
Figure PCTCN2015080355-appb-000036
表示用户u对所有商品的平均评分；Wu,i表示用户u对商品i的时间权值；N表示N最近邻用户。
上面已经得出目标用户U1的2最近临用户为U2和U3。通过公式(4)计算目标用户U1对未使用过的商品I3和I5的评分。计算过程如下：
Figure PCTCN2015080355-appb-000037
Figure PCTCN2015080355-appb-000038
上面已经完成对目标用户U1为使用的商品进行评分预测，可以发现预测的评分U对商品I5的评分高于对I3的评分，如果只需要向用户推荐1个商品的话，就将评分高的I3推荐给用户。
上面已经完成了整个推荐的流程，但有一些问题需要说明。一是实际中用户数量并不仅仅只有4个，商品也不可能只有5个，本文只是用少量的用户和商品作为例子来说明实际的推荐过程。二是上述推荐的过程中，一些参数比如K最近邻、衰减速率λ、以及向用户推荐的商品个数的取值只是为了说明推荐的过程，并不代表实际生产阶段的实际值，生产阶段阶段的实际值选取需要根据实际情况，以及推荐效果调试来确定。
协同过滤推荐方法是当今应用最广泛的个性化推荐方法之一，一些知名网站的推荐系统如Amazon、Douban、GroupLens都采用了协同过滤推荐方法。据Amazon的披露报告显示，Amazon的30％的销售额都来自于自有的推荐系统，因此推荐系统在电子商务中的效益是显著的。本文提出了一种时变的协同过滤推荐方法，该方法通过采集用户行为数据进行数据整理得到用户-物品评分矩阵，基于该矩阵使用Slope One算法对稀疏数据填充解决了部分用户因共同评分数少或无共同评分而无法计算用户间相似度的问题，然后找到与目标用户相似度最大的前K个近邻，通过K近邻用户与目标用户的相似度来预测目标用户未使用过的商品的评分，并在评分里引入K最近邻用户评分的时间权值，提高了算法的推荐准确率，最后选取兴趣度最大的N个商品形成推荐列表为用户做个性化推 荐；该方法解决了协同过滤技术中一直存在的数据稀疏问题，并通过权值的方法给出更准确的预测。但该方法不仅仅适用于电子商务领域，该方法的特点是基于用户历史评分来做出预测，凡是基于用户历史评分而做出推荐的领域都适用，包括视频领域、音乐电台、个性化阅读等领域。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

  1. 一种时变的协同过滤推荐方法，其特征在于：包括以下步骤：(A)整理数据形成用户-物品评分矩阵；(B)填充评分矩阵；(C)计算评分对应的权值并计算用户相似度；(D)对目标用户未使用的商品评分；(E)推荐输出。
  2. 根据权利要求1所述的时变的协同过滤推荐方法，其特征在于：所述步骤(A)进一步包括：系统收集m个用户对n个商品的评分记录并存放在数据库中；对每条数据进行扫描并形成B(m,n)的用户-商品评分矩阵。
  3. 根据权利要求1所述的时变的协同过滤推荐方法，其特征在于：所述步骤(B)中，使用类似线性回归Slope One算法填充评分矩阵；通过计算出缺失的用户数据并通过相似性计算方法计算用户之间的相似性。
  4. 根据权利要求1所述的时变的协同过滤推荐方法，其特征在于：所述步骤(C)中，根据评分的时间计算评分对应的权值，用户的兴趣偏好对推荐结果的影响随着时间的远离而减少，对应的时间权值函数为单调递减函数；对计算出的相似度进行排序产生K最近邻。
  5. 根据权利要求1所述的时变的协同过滤推荐方法，其特征在于：所述步骤(D)中，计算用户u对未购买商品i的兴趣值，将用户评分标准化处理以抵消因不同评分爱好带来的预测偏差，用户a对任意商品i的评分预测为如下：
    Figure PCTCN2015080355-appb-100001
    此处，sim(a，u)表示用户a与任一用户u之间的相似性；ru，i表示用户u对商品i的评价；
    Figure PCTCN2015080355-appb-100002
    表示用户u对所有商品的平均评分；Wu，i表示用户u对商品i的时间权值；N表示N最近邻用户。
  6. 根据权利要求1所述的时变的协同过滤推荐方法，其特征在于：所述步骤(E)中，选取兴趣度最大的商品形成推荐列表为用户做个性化推荐。
PCT/CN2015/080355 2015-05-29 2015-05-29 一种时变的协同过滤推荐方法 WO2016191959A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2015/080355 WO2016191959A1 (zh) 2015-05-29 2015-05-29 一种时变的协同过滤推荐方法
CN201580001469.XA CN106471491A (zh) 2015-05-29 2015-05-29 一种时变的协同过滤推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2015/080355 WO2016191959A1 (zh) 2015-05-29 2015-05-29 一种时变的协同过滤推荐方法

Publications (1)

Publication Number Publication Date
WO2016191959A1 true WO2016191959A1 (zh) 2016-12-08

Family

ID=57439939

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/080355 WO2016191959A1 (zh) 2015-05-29 2015-05-29 一种时变的协同过滤推荐方法

Country Status (2)

Country Link
CN (1) CN106471491A (zh)
WO (1) WO2016191959A1 (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491813A (zh) * 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN108270606A (zh) * 2016-12-31 2018-07-10 中国移动通信集团湖北有限公司 业务质量预测方法及业务质量预测装置
CN109064293A (zh) * 2018-08-09 2018-12-21 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及存储介质
CN109087177A (zh) * 2018-08-21 2018-12-25 北京京东尚科信息技术有限公司 向目标用户推荐商品的方法、装置及计算机可读存储介质
CN109118336A (zh) * 2018-08-24 2019-01-01 平安科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN109447713A (zh) * 2018-10-31 2019-03-08 国家电网公司 一种基于知识图谱的推荐方法及装置
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统
CN109885758A (zh) * 2019-01-16 2019-06-14 西北工业大学 一种基于二部图的新型随机游走的推荐方法
CN109948677A (zh) * 2019-03-06 2019-06-28 长安大学 一种基于混合特征值的托攻击检测方法
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN110008406A (zh) * 2019-04-04 2019-07-12 中国石油大学(华东) 一种基于相似社区的舆情个性化推荐算法
CN110083769A (zh) * 2019-04-29 2019-08-02 西北工业大学 一种面向用户偏好演化的移动应用推荐方法
CN110188120A (zh) * 2019-04-01 2019-08-30 湖北工业大学 一种基于协同过滤的个性化屏幕推荐方法
CN110209928A (zh) * 2019-04-28 2019-09-06 平安科技（深圳）有限公司 一种信息推荐方法、装置及存储介质
US10546340B1 (en) * 2015-10-06 2020-01-28 Massachusetts Mutual Life Insurance Company Systems and methods for assessing needs
CN110941762A (zh) * 2019-12-02 2020-03-31 上海麦克风文化传媒有限公司 一种个性化推荐系统排序结果的改进方法
CN111026973A (zh) * 2019-12-27 2020-04-17 支付宝(杭州)信息技术有限公司 一种商品兴趣度预测方法、装置及电子设备
CN111061962A (zh) * 2019-11-25 2020-04-24 上海海事大学 一种基于用户评分分析的推荐方法
CN111241422A (zh) * 2020-01-15 2020-06-05 杭州天宽科技有限公司 基于用户个性化需求推荐算法
CN111242729A (zh) * 2020-01-07 2020-06-05 西北工业大学 一种基于长短期兴趣的序列化推荐方法
CN111724235A (zh) * 2020-06-09 2020-09-29 清华大学深圳国际研究生院 一种基于用户新奇度的在线商品推荐方法
CN112347368A (zh) * 2019-08-07 2021-02-09 青岛海大新星软件咨询有限公司 一种推荐方法和装置
CN112395499A (zh) * 2020-11-03 2021-02-23 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN113221019A (zh) * 2021-04-02 2021-08-06 合肥工业大学 基于即时学习的个性化推荐方法和系统
CN113590935A (zh) * 2021-06-30 2021-11-02 深圳市东信时代信息技术有限公司 信息推荐方法、装置、计算机设备及存储介质
CN114117251A (zh) * 2021-11-22 2022-03-01 中南民族大学 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
CN114168465A (zh) * 2021-12-02 2022-03-11 天津大学 一种基于计算实验的推荐系统验证方法
CN114399251A (zh) * 2021-12-30 2022-04-26 淮阴工学院 基于语义网和簇偏好的冷链物流推荐方法及装置
CN115344732A (zh) * 2022-10-18 2022-11-15 北京数慧时空信息技术有限公司 基于任务驱动的遥感影像推荐方法
CN116128600A (zh) * 2023-01-31 2023-05-16 读书郎教育科技有限公司 一种基于ai的推荐信息生成方法
CN116822914A (zh) * 2023-08-31 2023-09-29 吉林电力交易中心有限公司 一种基于聚类算法改进的采暖方式混合推荐方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122407B (zh) * 2017-03-24 2020-05-12 首都师范大学 基于特征选择的多领域推荐方法
CN108198041A (zh) * 2018-01-23 2018-06-22 重庆裕嘉隆大数据产业有限公司 一种基于时间衰减器的商品推荐方法、终端和介质
CN109360057B (zh) * 2018-10-12 2023-07-25 平安科技（深圳）有限公司 信息推送方法、装置、计算机设备及存储介质
CN110580311B (zh) * 2019-06-21 2023-08-01 东华大学 动态时间感知协同过滤方法
CN112200601B (zh) * 2020-09-11 2024-05-14 深圳市法本信息技术股份有限公司 物品推荐方法、装置及可读存储介质
CN114066572B (zh) * 2021-11-17 2022-07-12 江南大学 一种电缆交易智能推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002259438A (ja) * 2001-03-05 2002-09-13 Kddi Corp 協調的フィルタリングにおけるデフォルト値設定方法及びシステム
CN102750336A (zh) * 2012-06-04 2012-10-24 电子科技大学 一种基于用户关联性的资源个性化推荐方法
CN103823908A (zh) * 2014-03-21 2014-05-28 北京飞流九天科技有限公司 基于用户偏好的内容推荐方法和服务器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814068A (zh) * 2009-02-24 2010-08-25 日电（中国）有限公司 时序控制的基于评分预测的项目推荐方法和系统
CN102541920A (zh) * 2010-12-24 2012-07-04 华东师范大学 联合基于用户和项目的协同过滤提高准确度的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002259438A (ja) * 2001-03-05 2002-09-13 Kddi Corp 協調的フィルタリングにおけるデフォルト値設定方法及びシステム
CN102750336A (zh) * 2012-06-04 2012-10-24 电子科技大学 一种基于用户关联性的资源个性化推荐方法
CN103823908A (zh) * 2014-03-21 2014-05-28 北京飞流九天科技有限公司 基于用户偏好的内容推荐方法和服务器

Cited By (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10546340B1 (en) * 2015-10-06 2020-01-28 Massachusetts Mutual Life Insurance Company Systems and methods for assessing needs
US11790432B1 (en) 2015-10-06 2023-10-17 Massachusetts Mutual Life Insurance Company Systems and methods for assessing needs
US11164236B1 (en) 2015-10-06 2021-11-02 Massachusetts Mutual Life Insurance Company Systems and methods for assessing needs
CN108270606A (zh) * 2016-12-31 2018-07-10 中国移动通信集团湖北有限公司 业务质量预测方法及业务质量预测装置
CN108270606B (zh) * 2016-12-31 2021-06-04 中国移动通信集团湖北有限公司 业务质量预测方法及业务质量预测装置
CN107491813A (zh) * 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN107491813B (zh) * 2017-08-29 2023-06-30 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN109064293B (zh) * 2018-08-09 2023-04-18 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及存储介质
CN109064293A (zh) * 2018-08-09 2018-12-21 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及存储介质
CN109087177A (zh) * 2018-08-21 2018-12-25 北京京东尚科信息技术有限公司 向目标用户推荐商品的方法、装置及计算机可读存储介质
CN109118336B (zh) * 2018-08-24 2023-04-18 平安科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN109118336A (zh) * 2018-08-24 2019-01-01 平安科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN109447713A (zh) * 2018-10-31 2019-03-08 国家电网公司 一种基于知识图谱的推荐方法及装置
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统
CN109885758A (zh) * 2019-01-16 2019-06-14 西北工业大学 一种基于二部图的新型随机游走的推荐方法
CN109885758B (zh) * 2019-01-16 2022-07-26 西北工业大学 一种基于二部图的随机游走的推荐方法
CN109948677A (zh) * 2019-03-06 2019-06-28 长安大学 一种基于混合特征值的托攻击检测方法
CN109948677B (zh) * 2019-03-06 2022-12-02 长安大学 一种基于混合特征值的托攻击检测方法
CN110188120A (zh) * 2019-04-01 2019-08-30 湖北工业大学 一种基于协同过滤的个性化屏幕推荐方法
CN110188120B (zh) * 2019-04-01 2022-12-02 湖北工业大学 一种基于协同过滤的个性化屏幕推荐方法
CN110008406A (zh) * 2019-04-04 2019-07-12 中国石油大学(华东) 一种基于相似社区的舆情个性化推荐算法
CN110209928A (zh) * 2019-04-28 2019-09-06 平安科技（深圳）有限公司 一种信息推荐方法、装置及存储介质
CN110083769A (zh) * 2019-04-29 2019-08-02 西北工业大学 一种面向用户偏好演化的移动应用推荐方法
CN110083769B (zh) * 2019-04-29 2023-04-18 西北工业大学 一种面向用户偏好演化的移动应用推荐方法
CN112347368A (zh) * 2019-08-07 2021-02-09 青岛海大新星软件咨询有限公司 一种推荐方法和装置
CN111061962B (zh) * 2019-11-25 2023-09-29 上海海事大学 一种基于用户评分分析的推荐方法
CN111061962A (zh) * 2019-11-25 2020-04-24 上海海事大学 一种基于用户评分分析的推荐方法
CN110941762B (zh) * 2019-12-02 2024-01-30 上海麦克风文化传媒有限公司 一种个性化推荐系统排序结果的改进方法
CN110941762A (zh) * 2019-12-02 2020-03-31 上海麦克风文化传媒有限公司 一种个性化推荐系统排序结果的改进方法
CN111026973A (zh) * 2019-12-27 2020-04-17 支付宝(杭州)信息技术有限公司 一种商品兴趣度预测方法、装置及电子设备
CN111026973B (zh) * 2019-12-27 2023-04-18 支付宝(杭州)信息技术有限公司 一种商品兴趣度预测方法、装置及电子设备
CN111242729A (zh) * 2020-01-07 2020-06-05 西北工业大学 一种基于长短期兴趣的序列化推荐方法
CN111241422B (zh) * 2020-01-15 2023-04-14 杭州天宽科技有限公司 基于用户个性化需求推荐方法
CN111241422A (zh) * 2020-01-15 2020-06-05 杭州天宽科技有限公司 基于用户个性化需求推荐算法
CN111724235A (zh) * 2020-06-09 2020-09-29 清华大学深圳国际研究生院 一种基于用户新奇度的在线商品推荐方法
CN112395499B (zh) * 2020-11-03 2022-08-12 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN112395499A (zh) * 2020-11-03 2021-02-23 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN113221019B (zh) * 2021-04-02 2022-10-25 合肥工业大学 基于即时学习的个性化推荐方法和系统
CN113221019A (zh) * 2021-04-02 2021-08-06 合肥工业大学 基于即时学习的个性化推荐方法和系统
CN113590935A (zh) * 2021-06-30 2021-11-02 深圳市东信时代信息技术有限公司 信息推荐方法、装置、计算机设备及存储介质
CN114117251A (zh) * 2021-11-22 2022-03-01 中南民族大学 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
CN114117251B (zh) * 2021-11-22 2022-10-04 中南民族大学 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
CN114168465B (zh) * 2021-12-02 2024-05-17 天津大学 一种基于计算实验的推荐系统验证方法
CN114168465A (zh) * 2021-12-02 2022-03-11 天津大学 一种基于计算实验的推荐系统验证方法
CN114399251A (zh) * 2021-12-30 2022-04-26 淮阴工学院 基于语义网和簇偏好的冷链物流推荐方法及装置
CN115344732A (zh) * 2022-10-18 2022-11-15 北京数慧时空信息技术有限公司 基于任务驱动的遥感影像推荐方法
CN115344732B (zh) * 2022-10-18 2022-12-13 北京数慧时空信息技术有限公司 基于任务驱动的遥感影像推荐方法
CN116128600A (zh) * 2023-01-31 2023-05-16 读书郎教育科技有限公司 一种基于ai的推荐信息生成方法
CN116822914A (zh) * 2023-08-31 2023-09-29 吉林电力交易中心有限公司 一种基于聚类算法改进的采暖方式混合推荐方法
CN116822914B (zh) * 2023-08-31 2023-12-26 吉林电力交易中心有限公司 一种基于聚类算法改进的采暖方式混合推荐方法

Also Published As

Publication number Publication date
CN106471491A (zh) 2017-03-01

Similar Documents

Publication Publication Date Title
WO2016191959A1 (zh) 一种时变的协同过滤推荐方法
Sivapalan et al. Recommender systems in e-commerce
CN110162706B (zh) 一种基于交互数据聚类的个性化推荐方法及系统
WO2020207196A1 (zh) 用户标签生成方法、装置、存储介质和计算机设备
Liang et al. Connecting users and items with weighted tags for personalized item recommendations
CN104866474B (zh) 个性化数据搜索方法及装置
CN104679771B (zh) 一种个性化数据搜索方法和装置
US20090125382A1 (en) Quantifying a Data Source's Reputation
CN102411754A (zh) 一种基于商品属性熵值的个性化推荐方法
Ba et al. Clustering collaborative filtering recommendation system based on SVD algorithm
CN105426528A (zh) 一种商品数据的检索排序方法及系统
Kommineni et al. Machine learning based efficient recommendation system for book selection using user based collaborative filtering algorithm
CN103559622A (zh) 基于特征的协同过滤推荐方法
CN108874916A (zh) 一种层叠组合协同过滤推荐方法
CN111428145B (zh) 一种融合标签数据和朴素贝叶斯分类的推荐方法及系统
CN103530416A (zh) 项目数据预测评分库的生成、项目数据的推送方法和系统
Stanescu et al. A hybrid recommender system: User profiling from keywords and ratings
CN111651678A (zh) 一种基于知识图谱的个性化推荐方法
Wang A personalized collaborative recommendation approach based on clustering of customers
Tripathi et al. Recommending restaurants: A collaborative filtering approach
US20150142782A1 (en) Method for associating metadata with images
CN112541806A (zh) 一种基于异质信息网络的推荐方法及装置
Molina et al. Recommendation system for netflix
CN114861079A (zh) 一种融合商品特征的协同过滤推荐方法和系统
CN114912031A (zh) 基于聚类和协同过滤的混合推荐方法和系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15893622

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 06/02/2018)

122 Ep: pct application non-entry in european phase

Ref document number: 15893622

Country of ref document: EP

Kind code of ref document: A1