WO2017193323A1 - 一种基于用户偏好的个性化推荐方法及其系统 - Google Patents

一种基于用户偏好的个性化推荐方法及其系统 Download PDF

Info

Publication number
WO2017193323A1
WO2017193323A1 PCT/CN2016/081802 CN2016081802W WO2017193323A1 WO 2017193323 A1 WO2017193323 A1 WO 2017193323A1 CN 2016081802 W CN2016081802 W CN 2016081802W WO 2017193323 A1 WO2017193323 A1 WO 2017193323A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
training
behavior data
data
user behavior
Prior art date
Application number
PCT/CN2016/081802
Other languages
English (en)
French (fr)
Inventor
廖好
沈婧
吴巧云
毛睿
陆敏华
刘刚
王毅
李荣华
Original Assignee
深圳大学
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 深圳大学 filed Critical 深圳大学
Priority to PCT/CN2016/081802 priority Critical patent/WO2017193323A1/zh
Publication of WO2017193323A1 publication Critical patent/WO2017193323A1/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 computer networks, and in particular, to a personalized recommendation method based on user preferences and a system thereof.
  • the object of the present invention is to provide a personalized recommendation method based on user preference and a system thereof, aiming at solving the technical problem of how to provide accurate personalized recommendation service for users in the face of massive information in the prior art. .
  • the invention provides a personalized recommendation method based on user preference, the method comprising:
  • the filtered user behavior data is divided into a training set and a test set to perform model training;
  • the user does not select the product to be decremented, and the plurality of products in the forefront are selected and recommended to the user.
  • the user's behavior is recorded in a preset scoring system
  • the user behavior data includes the user's rating data for the product
  • the step of filtering the obtained user behavior data specifically includes:
  • User behavior data whose score data is lower than a preset value is filtered out, and user behavior data whose score data is greater than or equal to the preset value is retained.
  • the step of dividing the filtered user behavior data into a training set and a test set, and performing the model training includes:
  • the retained user behavior data is divided, wherein 90% of the user behavior data is used as a training set, and 10% of the user behavior data is used as a test set;
  • the training set obtained after the above two divisions is trained using a machine learning method.
  • the personalization parameter of the user includes an initial resource parameter and a hybrid parameter, where the step of acquiring the personalized parameter of each user in the training includes:
  • the mixing parameters of each user are obtained through a hybrid algorithm in training.
  • the present invention also provides a personalized recommendation system based on user preferences, the personalized recommendation system comprising:
  • a behavior acquisition module configured to acquire user behavior data according to a user behavior
  • a data filtering module configured to filter the obtained user behavior data
  • a data dividing module configured to divide the filtered user behavior data into a training set and a test set, and perform model training
  • a data training module configured to acquire individualized parameters of each user in training
  • a preference prediction module configured to predict a preference value of the user for the unselected product by using the obtained personalized parameter of the user
  • the product recommendation module is configured to perform decrement ordering on the unselected products of the user according to the size of the preference value, and select multiple products in the forefront to be recommended to the user.
  • the user's behavior is recorded in a preset scoring system, and the user behavior data includes user rating data for the product, wherein the data filtering module is specifically configured to:
  • User behavior data whose score data is lower than a preset value is filtered out, and user behavior data whose score data is greater than or equal to the preset value is retained.
  • the data dividing module specifically includes:
  • the first dividing sub-module is configured to divide the retained user behavior data, wherein 90% of the user behavior data is used as a training set, and 10% of the user behavior data is used as a test set;
  • a second dividing sub-module configured to divide the obtained training set, wherein 90% of user behavior data of the training set is retained, and 10% of user behavior data of the training set is divided into the test concentrated;
  • the learning sub-module is used to train the training set obtained after the above two divisions by using a machine learning method.
  • the personalization parameter of the user includes an initial resource parameter and a hybrid parameter
  • the data training module specifically includes:
  • a first training sub-module configured to acquire, by using a personalized initial resource allocation algorithm, an initialization resource parameter of each user in the training
  • the second training sub-module is configured to acquire a mixing parameter of each user by using a hybrid algorithm in training.
  • the technical solution provided by the invention can accurately analyze the potential consumption trend of the user, thereby finally providing the user with an effective and accurate personalized recommendation service.
  • FIG. 1 is a flowchart of a personalized recommendation method based on user preferences according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram showing the internal structure of a personalized recommendation system 10 based on user preferences according to an embodiment of the present invention.
  • a specific embodiment of the present invention provides a personalized recommendation method based on user preferences, and the method mainly includes the following steps:
  • S16 Perform descending ordering on the unselected products of the user according to the size of the preference value, and select multiple products in the forefront to recommend to the user.
  • the invention proposes a personalized recommendation method based on user preference, which can accurately analyze the potential consumption trend of the user, and finally provide an effective and accurate personalized recommendation service for the user.
  • a personalized recommendation method based on user preference provided by the present invention will be described in detail below.
  • FIG. 1 is a flowchart of a personalized recommendation method based on user preferences according to an embodiment of the present invention.
  • step S11 user behavior data is acquired according to the behavior of the user.
  • the behavior of the user is recorded in a preset scoring system
  • the user behavior data includes user rating data of the product
  • the preset scoring system includes a Netflix scoring system and a MovieLens scoring system
  • the scoring system Really recorded the products selected by different users
  • these scores are expressed by the rating scale, which from 1 to 5 respectively indicate the worst to the best, that is, the rating level of 1 indicates the worst, the rating level of 2 indicates poor, and the rating of 3 indicates that the rating is 3 Medium, a rating of 4 indicates better, and a rating of 5 indicates the best.
  • step S12 the obtained user behavior data is filtered.
  • the step S12 of filtering the obtained user behavior data specifically includes:
  • User behavior data whose score data is lower than a preset value is filtered out, and user behavior data whose score data is greater than or equal to the preset value is retained.
  • the above-mentioned scoring ranks from 1 to 5 respectively indicate the worst to the best, and the preset value is a value of the scoring rank of 3.
  • the filtered scoring data is lower than the scoring rank 3
  • User behavior data retaining user behavior data with score data greater than or equal to rating level 3.
  • step S13 the filtered user behavior data is divided into a training set and a test set, and model training is performed.
  • the step S13 of dividing the filtered user behavior data into a training set and a test set, and performing model training specifically includes:
  • the retained user behavior data is divided, wherein 90% of the user behavior data is used as a training set, and 10% of the user behavior data is used as a test set;
  • the training set obtained after the above two divisions is trained using a machine learning method.
  • the present invention can predict the optimal personalized parameters of the user, and divide the data set.
  • the training set is divided into two parts, corresponding to the T-training set and T-probe ( Test set) collection, the ratio of these two parts is 9:1, by adjusting these T-training sets and T-Probe sets, you can find that this kind of plan
  • the optimal individualization parameters of the sub-dataset (referring to the original training set).
  • normalized near-optimal personalization parameters are obtained by separating multiple times, which is very effective for removing noise. For example, we can choose to divide the training set 100 times to obtain 100 times. Personalized parameters for each user.
  • step S14 individualized parameters of each user are acquired in training.
  • the user's personalized parameter includes an initial resource parameter and a hybrid parameter, where the step S14 of acquiring the personalized parameter of each user in the training specifically includes:
  • the mixing parameters of each user are obtained through a hybrid algorithm in training.
  • the hybrid algorithm and the heterogeneous initial resource allocation algorithm are first placed at the individual level. For example, each user can adjust his/her personalized blending parameter ⁇ ⁇ and the personalized initial resource parameter ⁇ b for W ⁇ to obtain the best recommendation. When the ordering score (RS) is lowest, the user i is assigned the optimum ⁇ ⁇ and ⁇ .
  • the present invention sets individualized parameters for each user and compares performance with other recommended algorithms, and finds that the performance of algorithms with personalized parameters is generally improved.
  • W ⁇ is used to indicate the resource quota that product ⁇ is willing to allocate to product ⁇ , and a general expression of W ⁇ can be obtained:
  • a hybrid algorithm that combines material diffusion and heat conduction by adding a parameter ⁇ can be expressed as:
  • each user has some similar ranking scores, so it is necessary to normalize the personalized parameters.
  • the obtained personalized parameters ⁇ i and ⁇ i are similar to the optimal personalization parameters, and the present invention proposes a strategy based on the training set to assign each user a suitable personalized hybrid parameter ⁇ i and personalization.
  • the initial resource parameter ⁇ i based on a personalized initial resource and hybrid algorithm (PIHP), is defined as:
  • ⁇ i is the personalized blending parameter of the user collected by the smallest sorting score (RS).
  • RS sorting score
  • step S15 the user's personalized parameter of the user is used to predict the user's preference value for the unselected product.
  • the prediction is performed by separating the data set multiple times into The training set and the test set ultimately result in a normalized near optimal preference value.
  • step S16 the user does not select the products to be decrementally sorted according to the size of the preference value, and the plurality of products located in the front row are selected and recommended to the user.
  • Netflix and MovieLens two real scoring systems are selected: Netflix and MovieLens.
  • two benchmark data sets were used: Netflix and MovieLens. From MovieLens (http://www.grouplens.org/), 943 users were selected for 100,000 ratings of 1,682 movies. Ratings from 1 to 5 indicate the worst to the best. For the purpose of recommendation, consider a score of more than 3 in the filtering process. After the rough acquisition process, the data obtained included 82,520 user-product pairs including 943 users and 1,682 products. Netflix data (http://www.netflixprize.com) is a random sample of the entire interaction record of users on the Netflix website. The result was 824,802 user-movie pairs with 10,000 users and 6,000 movies.
  • the present invention divides the real data into two parts, one is 90% of the training set E T of the data, which is considered to be known information, and the other part is hidden for testing the accuracy of the algorithm.
  • Set E P accounting for 10% of the data.
  • the present invention utilizes a Rank Score (RS) to measure the ranking accuracy of the recommendation algorithm to establish a superior recommendation product ranking to match the user's preference settings.
  • the recommendation system can generate a leaderboard for which the user has not selected a product.
  • the system sorting score RS used to measure the accuracy of the recommendation algorithm is obtained.
  • the system sorting score RS can be expressed as:
  • the accuracy indicator considers the number of products selected by the user in the recommendation list, called precision and recall.
  • the recommended precision is defined as:
  • d a (N) represents the position of the N position before the recommendation list
  • the number of related products that is, the products that have been selected by the user u a in the test set
  • the accuracy of all users is averaged to obtain the entire recommendation.
  • the recall rate has a similar function definition to evaluate the accuracy of the recommendation algorithm from another perspective.
  • the recommended recall rate is defined as:
  • a D (N) represents the location before a recommendation list of N bits, the number of relevant products (i.e. the test set have been selected through a user u of the product), and N is the number of a product selected by a user in the test set.
  • the average recall rate of the entire system can be obtained from the average recall rate of all users.
  • the HMass algorithm refers to the combination of the material diffusion algorithm and the heterogeneous initial resource allocation algorithm.
  • the Hybrids algorithm is a combination of material diffusion and heat transfer algorithms.
  • OHybrid refers to a hybrid algorithm and provides a personalized parameter ⁇ i for each user.
  • the CoHybrid algorithm refers to the hybrid algorithm adding the overall optimal initial resource parameter ⁇ and the overall optimal mixing parameter ⁇ .
  • the OCoHybrid algorithm refers to an enhanced version of the CoHybrid algorithm that combines the optimal personalized initial resource parameter ⁇ i and the optimal personalized blend and parameter ⁇ i for each user.
  • the parameter ⁇ is between [0, 1]
  • the step size is set to 0.05
  • the initial resource parameter ⁇ is between [-5, 5]
  • the step size is 0.1.
  • the invention provides a personalized recommendation method based on user preference, which can accurately analyze the potential consumption trend of the user, thereby finally providing an effective and accurate personalized recommendation service for the user.
  • the specific embodiment of the present invention further provides a personalized recommendation system 10 based on user preferences, which mainly includes:
  • the behavior obtaining module 11 is configured to obtain user behavior data according to the behavior of the user;
  • the data filtering module 12 is configured to filter the obtained user behavior data.
  • the data dividing module 13 is configured to divide the filtered user behavior data into a training set and a test set, and perform model training;
  • the data training module 14 is configured to acquire personalized parameters of each user in the training
  • the preference prediction module 15 is configured to use the obtained personalized parameter of the user to predict a preference value of the user for the unselected product;
  • the product recommendation module 16 is configured to perform decrement ordering on the unselected products of the user according to the size of the preference value, and select multiple products in the forefront to be recommended to the user.
  • the personalized recommendation system 10 based on the user preference provided by the invention can accurately analyze the potential consumption trend of the user, thereby finally providing the user with an effective and accurate personalized recommendation service.
  • the personalized recommendation system 10 based on user preferences mainly includes a behavior acquisition module 11, a data filtering module 12, a data division module 13, a data training module 14, a preference prediction module 15, and a product recommendation module 16.
  • the behavior obtaining module 11 is configured to acquire user behavior data according to the behavior of the user.
  • the behavior of the user is recorded in a preset scoring system
  • the user behavior data includes user rating data of the product
  • the preset scoring system includes a Netflix scoring system and a MovieLens scoring system
  • the scoring system It truly records the various ratings of different users for their selected products and services. These ratings are expressed by rating scales, which represent the most from 1 to 5 respectively. The difference is best, that is, the rating level of 1 means the worst, the rating level of 2 means poor, the rating level of 3 means medium, the rating level of 4 means better, and the rating level of 5 means the best.
  • the data filtering module 12 is configured to filter the obtained user behavior data.
  • the data filtering module 12 is specifically configured to:
  • User behavior data whose score data is lower than a preset value is filtered out, and user behavior data whose score data is greater than or equal to the preset value is retained.
  • the above-mentioned scoring ranks from 1 to 5 respectively indicate the worst to the best, and the preset value is a value of the scoring rank of 3.
  • the filtered scoring data is lower than the scoring rank 3
  • User behavior data retaining user behavior data with score data greater than or equal to rating level 3.
  • the data dividing module 13 is configured to divide the filtered user behavior data into a training set and a test set, and perform model training.
  • the data dividing module 13 specifically includes: a first dividing sub-module, a second dividing sub-module, and a learning sub-module.
  • the first dividing sub-module is configured to divide the retained user behavior data, wherein 90% of the user behavior data is used as a training set, and 10% of the user behavior data is used as a test set;
  • a second dividing sub-module configured to divide the obtained training set, wherein 90% of user behavior data of the training set is retained, and 10% of user behavior data of the training set is divided into the test concentrated;
  • the learning sub-module is used to train the training set obtained after the above two divisions by using a machine learning method.
  • the present invention can predict the optimal personalized parameters of the user, and divide the data set.
  • the training set is divided into two parts, corresponding to the T-training set and T-probe ( Test set) collection, the ratio of these two parts is 9:1, by adjusting these T-training sets and T-Probe sets, you can find that this kind of plan
  • the optimal individualization parameters of the sub-dataset (referring to the original training set).
  • normalized near-optimal personalization parameters are obtained by separating multiple times, which is very effective for removing noise. For example, we can choose to divide the training set 100 times to obtain 100 times. Personalized parameters for each user.
  • the data training module 14 is configured to acquire individualized parameters of each user in the training.
  • the personalized parameter of the user includes an initial resource parameter and a hybrid parameter
  • the data training module 14 specifically includes: a first training sub-module and a second training sub-module.
  • a first training sub-module configured to acquire, by using a personalized initial resource allocation algorithm, an initialization resource parameter of each user in the training
  • the second training sub-module is configured to acquire a mixing parameter of each user by using a hybrid algorithm in training.
  • the hybrid algorithm and the heterogeneous initial resource allocation algorithm are first placed at the individual level. For example, each user can adjust his/her personalized blending parameter ⁇ ⁇ and the personalized initial resource parameter ⁇ b for W ⁇ to obtain the best recommendation. When the ordering score (RS) is lowest, the user i is assigned the optimum ⁇ ⁇ and ⁇ .
  • the present invention sets individualized parameters for each user and compares performance with other recommended algorithms, and finds that the performance of algorithms with personalized parameters is generally improved.
  • the preference prediction module 15 is configured to predict a preference value of the user for the unselected product by using the obtained personalized parameter of the user.
  • the product recommendation module 16 is configured to perform decrement sorting on the unselected products of the user according to the size of the preference value, and select a bit.
  • the personalized recommendation system 10 based on the user preference provided by the invention can accurately analyze the potential consumption trend of the user, thereby finally providing the user with an effective and accurate personalized recommendation service.
  • each unit included is only divided according to functional logic, but is not limited to the above division, as long as the corresponding function can be implemented; in addition, the specific name of each functional unit is also Just to facilitate mutual differentiation, it is not intended to limit the protection of the present invention. Wai.

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于用户偏好的个性化推荐方法，包括：根据用户的行为获取用户行为数据（S11）；将得到的所述用户行为数据进行过滤（S12）；将过滤后的用户行为数据划分为训练集和测试集，进行模型训练（S13）；在训练中获取每个用户的个性化参数（S14）；利用所得到的用户的个性化参数预测用户对未选择产品的偏好值（S15）；根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户（S16）。还提供一种基于用户偏好的个性化推荐系统。基于此，能精确的分析出用户的潜在消费趋势，从而最终为用户提供一个有效且精确的个性化推荐服务。

Description

一种基于用户偏好的个性化推荐方法及其系统 技术领域
本发明涉及计算机网络领域，尤其涉及一种基于用户偏好的个性化推荐方法及其系统。
背景技术
随着Internet的快速发展，接入Internet的服务器数量和万维网上的网页的数目都呈现出指数增长的态势。互联网技术的迅速发展使得大量的信息同时呈现在我们面前，例如，Netflix上有数万部电影，Amazon上有数百万本书，Del.icio.us上面有超过10亿的网页收藏。数字革命带给我们全球信息总量疯狂增长，个体有太多需要处理的信息，信息爆炸使得信息的利用率反而降低，从而有我们所谓的“信息过载”问题。这个问题导致现今几乎没有一个电子商务的网站没有一些信息过滤的形式和推荐服务。
因此，如何从海量信息中为用户提供精确的推荐服务一直是业界亟待实现的目标。
发明内容
有鉴于此，本发明的目的在于提供一种基于用户偏好的个性化推荐方法及其系统，旨在解决现有技术中在面对海量信息时如何为用户提供精确的个性化推荐服务的技术问题。
本发明提出一种基于用户偏好的个性化推荐方法，所述方法包括：
根据用户的行为获取用户行为数据；
将得到的所述用户行为数据进行过滤；
将过滤后的用户行为数据划分为训练集和测试集，进行模型训练；
在训练中获取每个用户的个性化参数；
利用所得到的用户的个性化参数预测用户对未选择产品的偏好值；
根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
优选的，所述用户的行为记录在预设评分系统中，所述用户行为数据包括用户对产品的评分数据，其中，所述将得到的所述用户行为数据进行过滤的步骤具体包括：
过滤掉评分数据低于预设值的用户行为数据，保留评分数据大于或者等于所述预设值的用户行为数据。
优选的，所述将过滤后的用户行为数据划分为训练集和测试集，进行模型训练的步骤具体包括：
将保留的用户行为数据进行划分，其中，90％的用户行为数据作为训练集，10％的用户行为数据作为测试集；
将得到的所述训练集进行划分，其中，所述训练集的90％的用户行为数据保留，将所述训练集的10％的用户行为数据划分到所述测试集中；
利用机器学习方法训练经过上述两次划分之后得到的训练集。
优选的，所述用户的个性化参数包括初始化资源参数和混合参数，其中，所述在训练中获取每个用户的个性化参数的步骤具体包括：
在训练中通过个性化初始资源分配算法获取每个用户的初始化资源参数；
在训练中通过混合算法获取每个用户的混合参数。
另一方面，本发明还提供一种基于用户偏好的个性化推荐系统，所述个性化推荐系统包括：
行为获取模块，用于根据用户的行为获取用户行为数据；
数据过滤模块，用于将得到的所述用户行为数据进行过滤；
数据划分模块，用于将过滤后的用户行为数据划分为训练集和测试集，进行模型训练；
数据训练模块，用于在训练中获取每个用户的个性化参数；
偏好预测模块，用于利用所得到的用户的个性化参数预测用户对未选择产品的偏好值；
产品推荐模块，用于根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
优选的，所述用户的行为记录在预设评分系统中，所述用户行为数据包括用户对产品的评分数据，其中，所述数据过滤模块具体用于：
过滤掉评分数据低于预设值的用户行为数据，保留评分数据大于或者等于所述预设值的用户行为数据。
优选的，所述数据划分模块具体包括：
第一划分子模块，用于将保留的用户行为数据进行划分，其中，90％的用户行为数据作为训练集，10％的用户行为数据作为测试集；
第二划分子模块，用于将得到的所述训练集进行划分，其中，所述训练集的90％的用户行为数据保留，将所述训练集的10％的用户行为数据划分到所述测试集中；
学习子模块，用于利用机器学习方法训练经过上述两次划分之后得到的训练集。
优选的，所述用户的个性化参数包括初始化资源参数和混合参数，其中，所述数据训练模块具体包括：
第一训练子模块，用于在训练中通过个性化初始资源分配算法获取每个用户的初始化资源参数；
第二训练子模块，用于在训练中通过混合算法获取每个用户的混合参数。
本发明提供的技术方案能精确的分析出用户的潜在消费趋势，从而最终为用户提供一个有效且精确的个性化推荐服务。
附图说明
图1为本发明一实施方式中基于用户偏好的个性化推荐方法流程图；
图2为本发明一实施方式中基于用户偏好的个性化推荐系统10的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明具体实施方式提供了一种基于用户偏好的个性化推荐方法，所述方法主要包括如下步骤：
S11、根据用户的行为获取用户行为数据；
S12、将得到的所述用户行为数据进行过滤；
S13、将过滤后的用户行为数据划分为训练集和测试集，进行模型训练；
S14、在训练中获取每个用户的个性化参数；
S15、利用所得到的用户的个性化参数预测用户对未选择产品的偏好值；
S16、根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
本发明提出了一种基于用户偏好的个性化推荐方法，能精确的分析出用户的潜在消费趋势，从而最终为用户提供一个有效且精确的个性化推荐服务。
以下将对本发明所提供的一种基于用户偏好的个性化推荐方法进行详细说明。
请参阅图1，为本发明一实施方式中基于用户偏好的个性化推荐方法流程图。
在步骤S11中，根据用户的行为获取用户行为数据。
在本实施方式中，所述用户的行为记录在预设评分系统中，所述用户行为数据包括用户对产品的评分数据，其中，预设评分系统包括Netflix评分系统和MovieLens评分系统，这些评分系统真实的记录了不同用户对其所选择的产品 和服务的各种评分，这些评分通过评分等级来表示，从1到5依次分别表示最差到最好，即评分等级为1表示最差，评分等级为2表示较差，评分等级为3表示中等，评分等级为4表示较好，评分等级为5表示最好。
在步骤S12中，将得到的所述用户行为数据进行过滤。
在本实施方式中，所述将得到的所述用户行为数据进行过滤的步骤S12具体包括：
过滤掉评分数据低于预设值的用户行为数据，保留评分数据大于或者等于所述预设值的用户行为数据。
在本实施方式中，以上述评分等级从1到5依次分别表示最差到最好为例，所述预设值为评分等级是3的值，具体的，过滤掉评分数据低于评分等级3的用户行为数据，保留评分数据大于或者等于评分等级3的用户行为数据。
在步骤S13中，将过滤后的用户行为数据划分为训练集和测试集，进行模型训练。
在本实施方式中，所述将过滤后的用户行为数据划分为训练集和测试集，进行模型训练的步骤S13具体包括：
将保留的用户行为数据进行划分，其中，90％的用户行为数据作为训练集，10％的用户行为数据作为测试集；
将得到的所述训练集进行划分，其中，所述训练集的90％的用户行为数据保留，将所述训练集的10％的用户行为数据划分到所述测试集中；
利用机器学习方法训练经过上述两次划分之后得到的训练集。
在本实施方式中，由于每个用户的个性化参数是不同的，但用户的品味或多或少都持续一个较长的时期，本发明可以预测用户的最优个性化参数，将数据集分为两个部分：训练集和测试集。因为测试集对于测试算法性能包含了未知的连边，训练集可以被用来确定个性化参数，此时将训练集分为两部分，分别对应T-training(训练集)集合和T-probe(测试集)集合，这两个部分的比例为9：1，通过调节这些T-training集合和T-Probe集合，可以发现，这种划 分数据集(指的是原始训练集)的最优个性化参数。为了预测用户的个性化参数，通过分离多次，获得归一化的接近最优的个性化参数，这对于除去噪音是很有效的，例如，我们可以选择划分训练集100次来获得100次对于每个用户的个性化参数。
在步骤S14中，在训练中获取每个用户的个性化参数。
在本实施方式中，所述用户的个性化参数包括初始化资源参数和混合参数，其中，所述在训练中获取每个用户的个性化参数的步骤S14具体包括：
在训练中通过个性化初始资源分配算法获取每个用户的初始化资源参数；
在训练中通过混合算法获取每个用户的混合参数。
在本实施方式中，首先将混合算法及异构的初始资源分配算法置于个体层次。例如，每个用户对Wαβ可以调整他/她的个性化混合参数λα和个性化初始资源参数θb，从而获得最佳的推荐。当排序分(RS)最低时，用户i被分配最佳的λα和θ。本发明为每个用户设置个性化参数，并与其它的推荐算法做性能比较，并发现带有个性化参数的算法性能普遍有所提升。
其中，用Wαβ表示产品α愿意分配给产品β的资源配额，可以得到Wαβ的一般表达式：
Figure PCTCN2016081802-appb-000001
其中，
Figure PCTCN2016081802-appb-000002
表示产品β的度，
Figure PCTCN2016081802-appb-000003
表示用户j的度，alβ表示用户l是否选择过产品β，若选择过，alβ＝1，反之，alβ＝0。ajγ表示用户j是否选择过产品γ,若选择过，ajγ＝1，反之，ajγ＝0。
在本实施方式中，通过加入参数λ将物质扩散和热传导结合的混合算法，可以表示为：
Figure PCTCN2016081802-appb-000004
其中，当参数λ＝0时就是完全的热传导算法，当λ＝1时即为物质扩散算法。当λ从0增加到1时，混过算法从热传导变成物质扩散。这种混合算法被证明是解决精确性和多样性的有效途径。在这个混合算法中，根据这个参数可以选择热门的产品或者是冷门的产品。对于给定的一个目标用户，将他选择过的产品上的初始资源设为1，未选择的设为0，这样得到一个n维的0/1矢量，代表针对该个体的初始资源分配构型，显然，这个初始构型表达了个性化信息，对于不同用户是不一样的。记这个n维的0/1矢量为f，通过上述过程得到的最终的资源分配矢量可以表示为
Figure PCTCN2016081802-appb-000005
其中，f为上述提到的n维的0/1矢量，W为n*n阶的资源分配矩阵。
在本实施方式中，同样考虑到每个用户有一些相似的排序分数，所以归一化个性化的参数是很必要的。在本实施方式中，获得的个性化参数λi和θi类似于最优个性化参数，本发明基于训练集提出一个策略来为每个用户分配一个合适的个性化混合参数λi和个性化初始资源参数θi，提出了一个基于个性化初始资源与混合算法(PIHP)，定义为：
Figure PCTCN2016081802-appb-000006
其中，λi是通过最小的排序分数(RS)收集的用户的个性化混合参数。为了提升方法的可行性，PIHP仅通过训练集获得的λi，并将原始训练集划分为新的训练集和测试集100次，且这两个集合比例为9：1。
在步骤S15中，利用所得到的用户的个性化参数预测用户对未选择产品的偏好值。
在本实施方式中，通过如下方式来进行预测，即通过将数据集多次分离为 训练集和测试集，最终获得归一化的接近最优的偏好值。
在步骤S16中，根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
在本实施方式中，选择两个真实评分系统：Netflix和MovieLens。为了测试本发明算法的性能，使用2个基准数据集：Netflix和MovieLens。从MovieLens(http://www.grouplens.org/)中选取了943个用户对1682部电影的100000条评分数据。评分等级从1到5分别表示从最差到最好。出于推荐的目的，在滤掉过程中考虑评分超过3的数据。在粗获取过程后，获得的数据包含了943个用户和1682个产品在内的82520个用户-产品对。Netflix数据(http://www.netflixprize.com)是随机抽样了用户在Netflix网站的整个交互记录。最终获得了包含10000个用户，6000部电影的824802个用户-电影对。和MovieLens做同样的数据过滤，最后剩下了701947个用户-电影对。为了测试推荐的性能，本发明把真实数据被分成了两部分，一部分是占数据的90％训练集ET，被认为是已知的信息，另一部分是隐藏起来用于检测算法准确程度的测试集EP，占数据的10％。
本发明利用排序分数(Rank Score，RS)来度量推荐算法的排序准确度，以建立一个较优的推荐产品排序，从而匹配用户的偏好设置。对于一个特定的用户，推荐系统可以产生用户未选择产品的排行榜。本发明测量了在测试集中的每个用户-产品链接对下的排行榜，例如，有一个有1000个未选择商品的活跃用户ua，其中用户喜欢的产品ib出现在用户ua推荐列表的第10位，那么，对于用户ua而言，产品ib的排序分数为RSab＝10/1000＝0.01。将所有用户的排序分数求平均即得到用来度量推荐算法准确性的系统排序分RS，排序分值越小，说明系统越趋向于把用户喜欢的商品排在前面，表明这样的算法更好。其中，系统排序分RS可表示为：
Figure PCTCN2016081802-appb-000007
由于真实用户通常只考虑推荐列表的前几个，本发明也设置两个实际的准 确度指标来考虑用户选择的产品在推荐列表里的数量，称为查准率(Precision)和查全率(Recall)。
对于用户ua而言，推荐的查准率被定义为：
Figure PCTCN2016081802-appb-000008
其中，da(N)表示在推荐列表前N位的位置，相关产品的数量(即为测试集中已经被用户ua选择过的产品)，将所有用户的查准率求平均即得整个推荐系统的平均查准率。除了查准率，查全率也有类似的函数定义从另一个角度来评估推荐算法的准确度。
对于用户ua而言，推荐的查全率被定义为：
Figure PCTCN2016081802-appb-000009
da(N)表示在推荐列表前N位的位置，相关产品的数量(即为测试集中已经被用户ua选择过的产品)，并且Na是测试集中用户a选择的产品数。平均所有用户的查全率就可以得到整个系统的平均查全率。
本发明首先在MovieLens和Netflix数据下，比较多种算法对应于L＝50的RS、查准率和查全率。其中，HMass算法指的是物质扩散算法和异构的初始资源分配算法的结合。OMass算法物质扩散算法和带有个性化初始资源参数θi算法的结合。混合(Hybrids)算法是物质扩散和热传导算法的结合。OHybrid指的是混合算法并且为每个用户提供个性化参数λi。CoHybrid算法指的是混合算法加入了整体最优的初始资源参数θ和整体最优混合参数λ。OCoHybrid算法指的是CoHybrid算法的提升版，为每个用户结合了最优个性化初始资源参数θi和最优个性化混合和参数λi。参数λ在[0，1]之间，设置步长为0.05，初始资源参数θ在[-5，5]之间，且步长为0.1。
对于MovieLens数据，HMass，CoHybrids方法中最优θ＝0.8。Hybrids和CoHybrids中最优λ＝0.45。每个数字都是通过平均超过10个采用独立随机划分训练集和测试集运行获得的。得到的测试结果如下表一所示：
表一
Figure PCTCN2016081802-appb-000010
该结果表明，每个用户使用自己的个性化参数的算法性能普遍更好。以MovieLens为例，对OCoHybrids算法在排序分RS、查准率P(50)和查全率R(50)这三个指标上进行性能对比，分别可以提升9.01％，4.09％和7.9％的增强。而Netflix数据集，OCoHybrids算法在排序分RS上有较明显提升，以及P(50)和R(50)较之前的CoHybrids算法，分别提升了10.8％，0.9％和2.8％。
同时，基于本发明提出的PIHP算法，将这些推荐算法做出性能比较。结果如下表二所示：
表二
Figure PCTCN2016081802-appb-000011
结果显示，PCoHybrids算法性能表现比所有提到过的指标更好。以MovieLens为例，在RS、查准率P(50)和查全率R(50)的指标下，PCoHybrids方法中分别有2.07％，3.3％，和4.5％的提高。而Netflix数据集，PCoHybrids 方法也就RS而言取得了较大的性能提升，以及P(20)和R(20)较之前的CO-Hybrids方法分别有2.01％，1.6％和1.1％的提高。
本发明提供的一种基于用户偏好的个性化推荐方法，能精确的分析出用户的潜在消费趋势，从而最终为用户提供一个有效且精确的个性化推荐服务。
本发明具体实施方式还提供一种基于用户偏好的个性化推荐系统10，主要包括：
行为获取模块11，用于根据用户的行为获取用户行为数据；
数据过滤模块12，用于将得到的所述用户行为数据进行过滤；
数据划分模块13，用于将过滤后的用户行为数据划分为训练集和测试集，进行模型训练；
数据训练模块14，用于在训练中获取每个用户的个性化参数；
偏好预测模块15，用于利用所得到的用户的个性化参数预测用户对未选择产品的偏好值；
产品推荐模块16，用于根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
本发明提供的一种基于用户偏好的个性化推荐系统10，能精确的分析出用户的潜在消费趋势，从而最终为用户提供一个有效且精确的个性化推荐服务。
请参阅图2，所示为本发明一实施方式中基于用户偏好的个性化推荐系统10的结构示意图。在本实施方式中，基于用户偏好的个性化推荐系统10主要包括行为获取模块11、数据过滤模块12、数据划分模块13、数据训练模块14、偏好预测模块15以及产品推荐模块16。
行为获取模块11，用于根据用户的行为获取用户行为数据。
在本实施方式中，所述用户的行为记录在预设评分系统中，所述用户行为数据包括用户对产品的评分数据，其中，预设评分系统包括Netflix评分系统和MovieLens评分系统，这些评分系统真实的记录了不同用户对其所选择的产品和服务的各种评分，这些评分通过评分等级来表示，从1到5依次分别表示最 差到最好，即评分等级为1表示最差，评分等级为2表示较差，评分等级为3表示中等，评分等级为4表示较好，评分等级为5表示最好。
数据过滤模块12，用于将得到的所述用户行为数据进行过滤。
在本实施方式中，数据过滤模块12具体用于：
过滤掉评分数据低于预设值的用户行为数据，保留评分数据大于或者等于所述预设值的用户行为数据。
在本实施方式中，以上述评分等级从1到5依次分别表示最差到最好为例，所述预设值为评分等级是3的值，具体的，过滤掉评分数据低于评分等级3的用户行为数据，保留评分数据大于或者等于评分等级3的用户行为数据。
数据划分模块13，用于将过滤后的用户行为数据划分为训练集和测试集，进行模型训练。
在本实施方式中，数据划分模块13具体包括：第一划分子模块、第二划分子模块以及学习子模块。
第一划分子模块，用于将保留的用户行为数据进行划分，其中，90％的用户行为数据作为训练集，10％的用户行为数据作为测试集；
第二划分子模块，用于将得到的所述训练集进行划分，其中，所述训练集的90％的用户行为数据保留，将所述训练集的10％的用户行为数据划分到所述测试集中；
学习子模块，用于利用机器学习方法训练经过上述两次划分之后得到的训练集。
在本实施方式中，由于每个用户的个性化参数是不同的，但用户的品味或多或少都持续一个较长的时期，本发明可以预测用户的最优个性化参数，将数据集分为两个部分：训练集和测试集。因为测试集对于测试算法性能包含了未知的连边，训练集可以被用来确定个性化参数，此时将训练集分为两部分，分别对应T-training(训练集)集合和T-probe(测试集)集合，这两个部分的比例为9：1，通过调节这些T-training集合和T-Probe集合，可以发现，这种划 分数据集(指的是原始训练集)的最优个性化参数。为了预测用户的个性化参数，通过分离多次，获得归一化的接近最优的个性化参数，这对于除去噪音是很有效的，例如，我们可以选择划分训练集100次来获得100次对于每个用户的个性化参数。
数据训练模块14，用于在训练中获取每个用户的个性化参数。
在本实施方式中，所述用户的个性化参数包括初始化资源参数和混合参数，其中，数据训练模块14具体包括：第一训练子模块以及第二训练子模块。
第一训练子模块，用于在训练中通过个性化初始资源分配算法获取每个用户的初始化资源参数；
第二训练子模块，用于在训练中通过混合算法获取每个用户的混合参数。
在本实施方式中，首先将混合算法及异构的初始资源分配算法置于个体层次。例如，每个用户对Wαβ可以调整他/她的个性化混合参数λα和个性化初始资源参数θb，从而获得最佳的推荐。当排序分(RS)最低时，用户i被分配最佳的λα和θ。本发明为每个用户设置个性化参数，并与其它的推荐算法做性能比较，并发现带有个性化参数的算法性能普遍有所提升。
在本实施方式中，数据训练模块14具体的训练方法详见前述步骤S14中的相关记载，在此不做重复描述。
偏好预测模块15，用于利用所得到的用户的个性化参数预测用户对未选择产品的偏好值。
产品推荐模块16，用于根据偏好值的大小对用户未选择产品进行递减排序，选择位
本发明提供的一种基于用户偏好的个性化推荐系统10，能精确的分析出用户的潜在消费趋势，从而最终为用户提供一个有效且精确的个性化推荐服务。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范 围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

  1. 一种基于用户偏好的个性化推荐方法，其特征在于，所述方法包括：
    根据用户的行为获取用户行为数据；
    将得到的所述用户行为数据进行过滤；
    将过滤后的用户行为数据划分为训练集和测试集，进行模型训练；
    在训练中获取每个用户的个性化参数；
    利用所得到的用户的个性化参数预测用户对未选择产品的偏好值；
    根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
  2. 如权利要求1所述的基于用户偏好的个性化推荐方法，其特征在于，所述用户的行为记录在预设评分系统中，所述用户行为数据包括用户对产品的评分数据，其中，所述将得到的所述用户行为数据进行过滤的步骤具体包括：
    过滤掉评分数据低于预设值的用户行为数据，保留评分数据大于或者等于所述预设值的用户行为数据。
  3. 如权利要求2所述的基于用户偏好的个性化推荐方法，其特征在于，所述将过滤后的用户行为数据划分为训练集和测试集，进行模型训练的步骤具体包括：
    将保留的用户行为数据进行划分，其中，90％的用户行为数据作为训练集，10％的用户行为数据作为测试集；
    将得到的所述训练集进行划分，其中，所述训练集的90％的用户行为数据保留，将所述训练集的10％的用户行为数据划分到所述测试集中；
    利用机器学习方法训练经过上述两次划分之后得到的训练集。
  4. 如权利要求3所述的基于用户偏好的个性化推荐方法，其特征在于，所述用户的个性化参数包括初始化资源参数和混合参数，其中，所述在训练中获取每个用户的个性化参数的步骤具体包括：
    在训练中通过个性化初始资源分配算法获取每个用户的初始化资源参数；
    在训练中通过混合算法获取每个用户的混合参数。
  5. 一种基于用户偏好的个性化推荐系统，其特征在于，所述个性化推荐系统包括：
    行为获取模块，用于根据用户的行为获取用户行为数据；
    数据过滤模块，用于将得到的所述用户行为数据进行过滤；
    数据划分模块，用于将过滤后的用户行为数据划分为训练集和测试集，进行模型训练；
    数据训练模块，用于在训练中获取每个用户的个性化参数；
    偏好预测模块，用于利用所得到的用户的个性化参数预测用户对未选择产品的偏好值；
    产品推荐模块，用于根据偏好值的大小对用户未选择产品进行递减排序，选择位于前列的多个产品推荐给用户。
  6. 如权利要求5所述的基于用户偏好的个性化推荐系统，其特征在于，所述用户的行为记录在预设评分系统中，所述用户行为数据包括用户对产品的评分数据，其中，所述数据过滤模块具体用于：
    过滤掉评分数据低于预设值的用户行为数据，保留评分数据大于或者等于所述预设值的用户行为数据。
  7. 如权利要求6所述的基于用户偏好的个性化推荐系统，其特征在于，所述数据划分模块具体包括：
    第一划分子模块，用于将保留的用户行为数据进行划分，其中，90％的用户行为数据作为训练集，10％的用户行为数据作为测试集；
    第二划分子模块，用于将得到的所述训练集进行划分，其中，所述训练集的90％的用户行为数据保留，将所述训练集的10％的用户行为数据划分到所述测试集中；
    学习子模块，用于利用机器学习方法训练经过上述两次划分之后得到的训练集。
  8. 如权利要求7所述的基于用户偏好的个性化推荐系统，其特征在于，所述用户的个性化参数包括初始化资源参数和混合参数，其中，所述数据训练模块具体包括：
    第一训练子模块，用于在训练中通过个性化初始资源分配算法获取每个用户的初始化资源参数；
    第二训练子模块，用于在训练中通过混合算法获取每个用户的混合参数。
PCT/CN2016/081802 2016-05-12 2016-05-12 一种基于用户偏好的个性化推荐方法及其系统 WO2017193323A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/081802 WO2017193323A1 (zh) 2016-05-12 2016-05-12 一种基于用户偏好的个性化推荐方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/081802 WO2017193323A1 (zh) 2016-05-12 2016-05-12 一种基于用户偏好的个性化推荐方法及其系统

Publications (1)

Publication Number Publication Date
WO2017193323A1 true WO2017193323A1 (zh) 2017-11-16

Family

ID=60266174

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/081802 WO2017193323A1 (zh) 2016-05-12 2016-05-12 一种基于用户偏好的个性化推荐方法及其系统

Country Status (1)

Country Link
WO (1) WO2017193323A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069699A (zh) * 2018-07-27 2019-07-30 阿里巴巴集团控股有限公司 排序模型训练方法和装置
CN110209944A (zh) * 2019-06-10 2019-09-06 上海时廊人工智能科技有限公司 一种股票分析师推荐方法、装置、计算机设备和存储介质
CN110825978A (zh) * 2019-10-26 2020-02-21 复旦大学 一种基于近邻用户特征共享的多任务协同过滤方法
CN111080339A (zh) * 2019-11-18 2020-04-28 口口相传(北京)网络技术有限公司 基于场景的类目偏好数据生成方法及装置
CN111159578A (zh) * 2019-12-31 2020-05-15 第四范式（北京）技术有限公司 一种推荐对象的方法和系统
US11281734B2 (en) 2019-07-03 2022-03-22 International Business Machines Corporation Personalized recommender with limited data availability
CN114971817A (zh) * 2022-07-29 2022-08-30 中国电子科技集团公司第十研究所 基于用户需求画像的产品自适应服务方法、介质及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399858A (zh) * 2013-07-01 2013-11-20 吉林大学 基于信任的社会化协同过滤推荐方法
CN104166668A (zh) * 2014-06-09 2014-11-26 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN104899763A (zh) * 2015-05-07 2015-09-09 西安电子科技大学 基于二分网络双向扩散的个性化推荐方法
CN105404678A (zh) * 2015-11-24 2016-03-16 中国科学院重庆绿色智能技术研究院 一种在线系统中用户定制推荐系统的方法
CN105488216A (zh) * 2015-12-17 2016-04-13 上海中彦信息科技有限公司 基于隐式反馈协同过滤算法的推荐系统及方法
CN106021379A (zh) * 2016-05-12 2016-10-12 深圳大学 一种基于用户偏好的个性化推荐方法及其系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399858A (zh) * 2013-07-01 2013-11-20 吉林大学 基于信任的社会化协同过滤推荐方法
CN104166668A (zh) * 2014-06-09 2014-11-26 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN104899763A (zh) * 2015-05-07 2015-09-09 西安电子科技大学 基于二分网络双向扩散的个性化推荐方法
CN105404678A (zh) * 2015-11-24 2016-03-16 中国科学院重庆绿色智能技术研究院 一种在线系统中用户定制推荐系统的方法
CN105488216A (zh) * 2015-12-17 2016-04-13 上海中彦信息科技有限公司 基于隐式反馈协同过滤算法的推荐系统及方法
CN106021379A (zh) * 2016-05-12 2016-10-12 深圳大学 一种基于用户偏好的个性化推荐方法及其系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069699A (zh) * 2018-07-27 2019-07-30 阿里巴巴集团控股有限公司 排序模型训练方法和装置
CN110069699B (zh) * 2018-07-27 2022-12-16 创新先进技术有限公司 排序模型训练方法和装置
CN110209944A (zh) * 2019-06-10 2019-09-06 上海时廊人工智能科技有限公司 一种股票分析师推荐方法、装置、计算机设备和存储介质
US11281734B2 (en) 2019-07-03 2022-03-22 International Business Machines Corporation Personalized recommender with limited data availability
CN110825978A (zh) * 2019-10-26 2020-02-21 复旦大学 一种基于近邻用户特征共享的多任务协同过滤方法
CN110825978B (zh) * 2019-10-26 2023-04-07 复旦大学 一种基于近邻用户特征共享的多任务协同过滤方法
CN111080339A (zh) * 2019-11-18 2020-04-28 口口相传(北京)网络技术有限公司 基于场景的类目偏好数据生成方法及装置
CN111080339B (zh) * 2019-11-18 2024-01-30 口口相传(北京)网络技术有限公司 基于场景的类目偏好数据生成方法及装置
CN111159578A (zh) * 2019-12-31 2020-05-15 第四范式（北京）技术有限公司 一种推荐对象的方法和系统
CN111159578B (zh) * 2019-12-31 2023-10-13 第四范式（北京）技术有限公司 一种推荐对象的方法和系统
CN114971817A (zh) * 2022-07-29 2022-08-30 中国电子科技集团公司第十研究所 基于用户需求画像的产品自适应服务方法、介质及装置
CN114971817B (zh) * 2022-07-29 2022-11-22 中国电子科技集团公司第十研究所 基于用户需求画像的产品自适应服务方法、介质及装置

Similar Documents

Publication Publication Date Title
WO2017193323A1 (zh) 一种基于用户偏好的个性化推荐方法及其系统
CN106021379B (zh) 一种基于用户偏好的个性化推荐方法及其系统
Lowry et al. Evaluating journal quality and the association for information systems senior scholars' journal basket via bibliometric measures: Do expert journal assessments add value?
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
US20100083318A1 (en) Determining user-to-user simlarities in an online media environment
JP5795387B2 (ja) 少なくとも１人のユーザの存在を考慮することにより他のユーザ又はオブジェクトを推奨する方法、システム及びコンピュータ可読記録媒体
CN106844637B (zh) 基于正交与聚类修剪改进多目标遗传算法的电影推荐方法
CN109919723B (zh) 一种基于用户和物品的个性化推荐方法
JP2008299542A (ja) コンテンツ提供方法、コンテンツ提供装置、コンテンツ提供プログラムおよびコンテンツ提供システム
KR101567684B1 (ko) 협업필터링 기반의 상품 추천 시스템에서 추천 기법을 선택하는 방법
Wey et al. A five‐tier system for improving the categorization of transplant program performance
Neophytou et al. Revisiting popularity and demographic biases in recommender evaluation and effectiveness
CN112184046A (zh) 广告业务用户价值评估方法、装置、设备及存储介质
JP6113797B2 (ja) 決定装置、決定方法、及び決定プログラム
CN110347935A (zh) 基于用户兴趣变化的个性化影视项目推荐方法及系统
KR101725510B1 (ko) 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치
Zhu et al. Quality disclosure strategy under customer learning opportunities
Kato et al. Total fertility rate, economic–social conditions, and public policies in OECD countries
Novotová Exploring customer loyalty to fashion brands on facebook fan pages
Guan et al. Preference of online users and personalized recommendations
CN111177564A (zh) 一种产品推荐方法及装置
CN116542747A (zh) 产品推荐方法、装置、存储介质及电子设备
Potamias The warm-start bias of yelp ratings
CN110287373A (zh) 基于评分预测和用户特征的协同过滤电影推荐方法及系统
CN111159540A (zh) 数据处理方法及装置

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

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

Ref document number: 16901278

Country of ref document: EP

Kind code of ref document: A1

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 1205A DATED 28.03.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 16901278

Country of ref document: EP

Kind code of ref document: A1