CN103077220A - 一种基于用户群关联度的个性化推荐方法及*** - Google Patents
一种基于用户群关联度的个性化推荐方法及*** Download PDFInfo
- Publication number
- CN103077220A CN103077220A CN2012105901043A CN201210590104A CN103077220A CN 103077220 A CN103077220 A CN 103077220A CN 2012105901043 A CN2012105901043 A CN 2012105901043A CN 201210590104 A CN201210590104 A CN 201210590104A CN 103077220 A CN103077220 A CN 103077220A
- Authority
- CN
- China
- Prior art keywords
- user
- cluster
- clustering
- clusters
- association
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及互联网通信领域,公开一种基于用户群关联度的个性化推荐方法,包括:A、使用聚类算法对用户进行聚类;B、判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行步骤C,否则执行B-1、计算目标用户所在聚簇与其他聚簇之间的关联度;B-2、合并与用户所在聚簇最相关的前r个聚簇;及B-3、在合并后的聚簇内查找n个最近邻居,进而执行步骤D;C、在目标用户所在聚簇中查找n个最近邻居;D、根据最近邻居对产品的评分预测用户对相关产品的评分值;以及E、根据预测评分值的高低,选取前m个产品推荐给用户。本发明还公开一种基于用户群关联度的个性化推荐***。所述方法及***可有效提升个性化推荐的精确度。
Description
技术领域
本发明属于互联网通信领域,尤其涉及一种基于用户群关联度的个性化推荐方法和***。
背景技术
推荐***是根据用户的历史行为记录,如商品购买记录、网络点击日志等信息,分析用户兴趣爱好,并根据分析结果向其推荐相应产品或信息的智能***。
协同过滤是当前推荐***中最常用、最有效的算法,算法的出发点是具有相同或者相似兴趣偏好的用户,对产品的评价也是类似的。其主要步骤有两个:1、查找n个与目标用户最相似的其他用户,称为最近邻居;2、根据最近邻居对产品的评分情况来预测目标用户对产品可能的评分值,并向目标用户推荐预测评分值最高的前m个产品。
随着用户数量和***规模的不断扩大,协同过滤技术面临严重的数据稀疏性、推荐的实时性以及推荐***的可扩展性等方面的挑战。
请参阅图1及图2,本发明人发现其主要问题之一在于:如图1所示,在海量数据环境下,需要计算目标用户与其他所有用户之间的相似度,导致了算法效率低下。如图2所示,针对此问题,基于聚类的协同过滤算法通常的做法是:通过事先对用户离线进行聚类作为解决方案。当需要在线推荐时,***从用户所在聚簇(用户群)中选择最近邻居,通过这样的方法可以降低目标用户对最近邻居的搜索空间,达到提高算法效率的目标,其基本步骤如下:
(1)、离线对用户进行聚类;
(2)、在目标用户所在聚簇查找n个最近邻居。
(3)、根据n个最近邻居对产品的评分预测用户对相关产品的评分值。
(4)、根据预测评分值的高低,选取前m个产品推荐给用户。
然而,如图3所示,本发明的发明人进一步发现,基于聚类的协同过滤算法存在着如下问题:当用户在聚簇中所处位置与聚簇中心的距离大于所在位置与聚簇边缘的位置时,目标用户与其他聚簇内用户的距离往往小于其所在聚簇用户的距离。以聚类阶段使用k-means算法为例,对用户聚类的标准应该是用户被划分到与其最接近的类别中心所标识的聚簇。然而,由于“目标用户”到聚簇A中心点的距离小于其到聚簇B中心点的距离,因此导致“目标用户”虽然被划分到聚簇A中,但是“目标用户”到“用户D”的距离却小于其到“用户E”的距离。
如图3所示,由于“目标用户”和“用户D”分别处于不同的聚簇A与聚簇B,因此使用当前的基于聚簇的协同聚类算法,在选择“目标用户”的最近邻居时,舍弃了“用户D”而选择用户“E”,导致遗漏了大量类似“用户E”的最近邻居,使得推荐结果的误差较高。
发明内容
有鉴于此,本发明实施例提供一种基于用户群关联度的个性化推荐方法和***,旨在解决上述因目标用户与真实最近邻居大量丢失而造成推荐结果误差较大的问题。
为此,本发明实施例提供了如下技术方案:
一种基于用户群关联度的个性化推荐方法,包括:
A、使用聚类算法对用户进行聚类;
B、判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行步骤C,否则:
B-1、计算目标用户所在聚簇与其他聚簇之间的关联度;
B-2、合并与用户所在聚簇最相关的前r个聚簇;
B-3、在合并后的聚簇内查找n个最近邻居,进而执行步骤D;
C、在目标用户所在聚簇中查找n个最近邻居;
D、根据最近邻居对产品的评分预测用户对相关产品的评分值;以及
E、根据预测评分值的高低,选取前m个产品推荐给用户。
另外,本发明实施例还进一步提供了如下技术方案:
一种基于用户群关联度的个性化推荐***,包括:
聚类模块,用于使用聚类算法对用户进行聚类;
判断模块,用于判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行查找模块,否则执行关联度计算单元、聚簇合并单元、以及查找子单元,其中关联度计算单元用于计算目标用户所在聚簇与其他聚簇之间的关联度;聚簇合并单元用于合并与用户所在聚簇最相关的前r个聚簇;查找子单元用于在合并后的聚簇内查找n个最近邻居并提交给评分预测模块;
查找模块,用于在目标用户所在聚簇中查找n个最近邻居;
评分预测模块,用于根据最近邻居对产品的评分预测用户对相关产品的评分值;以及
推荐模块,用于根据预测评分值的高低,选取前m个产品推荐给用户。
相对于现有技术,本发明实施例提供的基于用户群关联度的个性化推荐方法及***通过对用户进行聚类,并计算用户聚簇之间的关联度,在实施推荐时,通过相邻聚簇之间的合并来发现真实的最近邻居,扩充可选推荐空间,解决了因目标用户真实最近邻居大量丢失而造成推荐结果精确度降低的问题,从而提升个性化推荐的精确度。
附图说明
图1是现有协同过滤算法对目标用户最近邻居进行查找的示意图;
图2是基于聚类的***过滤算法对目标用户最近邻居进行查找的示意图;
图3是聚簇内用户间相似度大于聚簇间用户相似度的示例图;
图4是本发明第一实施例提供的基于用户群关联度的个性化推荐方法的流程示意图;
图5是图4中步骤A使用聚类算法对用户进行聚类的示意图;
图6是具有较高关联度的聚簇的示意图;
图7是图4中合并与用户所在聚簇最相关的聚簇的示意图;
图8是在临时聚簇内查找目标用户最近邻居的示意图;
图9是本发明第二实施例提供的基于用户群关联度的个性化推荐***的结构示意图。
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,此处所描述的仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图4是本发明第一实施例提供的一种基于用户群关联度的个性化推荐方法的方法流程图,其包括步骤A至步骤E。
步骤A、使用聚类算法对用户进行聚类;
步骤B、判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行步骤C,否则:
B-1、计算目标用户所在聚簇与其他聚簇之间的关联度;
B-2、合并与用户所在聚簇最相关的前r个聚簇;
B-3、在合并后的聚簇内查找n个最近邻居,进而执行步骤D;
步骤C、在目标用户所在聚簇中查找n个最近邻居;
步骤D、根据最近邻居对产品的评分预测用户对相关产品的评分值。
步骤E、根据预测评分值的高低,选取前m个产品推荐给用户。
请一起参阅图5-图8,下面将结合具体实施方式对上述方法进行说明,其中图2为所述个性化推荐方法的步骤执行框图。
在步骤A中,根据用户-产品评分矩阵,以用户对产品的评分向量作为对用户的描述,对用户进行聚类。具体而言,可通过计算向量之间的余弦夹角作为用户之间的相似度,并使用k-means算法对用户进行聚类。可以理解的是,也可以使用其他常用聚类算法对用户进行聚类,如K-MEDOIDS算、Clara算法或Clarans算法。
如图5所示,在本实施例中,通过步骤A对用户进行聚类后的结果包括A、B、C、D四个聚簇(图6中聚簇A、C、D用具有阴影的圆表示,聚簇B用没有阴影的圆表示),其中聚簇B为目标用户所在的聚簇。
在步骤B中,判断目标用户与聚簇边缘的距离,如果此距离大于给定阈值则执行步骤C,否则执行步骤B-1至步骤B-3。本实施例中,目标用户与聚簇B边缘的距离较小(小于或等于给定阈值),即“目标用户”到聚簇B中心点的距离较大,靠近聚簇C,因此需要执行步骤B-1至步骤B-3。
在步骤B-1中:计算聚类之间的关联度(用户群之间的关联度)。本实施例中,在计算聚簇之间的关联度前,首先给出如下定义:
定义1:评分用户集合:Ui={∪uj},s(uj,i)≠0,其中s(uj,i)为用户uj对产品i的评分值,定义1给出了曾对产品i进行过评价的集合。
定义2:用户关注度,用来计算关注某产品用户的数量,即针对产品i,评分用户集合的大小:n(i)=|Ui|。
基于用户关注度,用户聚簇之间的关联度定义如下:
定义3:聚簇关联度(用户群关联度),两个聚簇内用户关注度大于N的共同评分项,与两个聚簇内用户层给出过评分项总和的比值:
另外,在其它变更实施方式中,可将步骤B中用户聚簇之间的关联度用聚簇之间距离所替代,定义两个聚簇中心之间的距离为两个聚簇之间的距离,根据距离从小到大排序。
请参阅图6及图7,在步骤B-2中,合并与用户所在聚簇最相关的前r个聚簇,具体地,可选择与目标用户所在聚簇距离最相近的前r个聚簇进行合并。本实施例中,聚簇B、C有较高关联度(图6用没有阴影的圆表示),合并为一个临时聚簇,如图7所示。
请参阅图8,在步骤B-3中,在合并后的聚簇内查找n个最近邻居,本实施例中,在临时聚簇内目标用户的前3个最近邻居为用户C、D、G。
当步骤B-3完后,跳过步骤C执行步骤D,即根据最近邻居对产品的评分预测用户对相关产品的评分值。
最后执行步骤E,即根据预测评分值的高低,选取前m个产品推荐给用户。步骤D跟E均为较为常为的现有技术,在此不加赘述。
由此,本发明第一实施例提供的基于用户群关联度的个性化推荐方法,通过对用户进行聚类,并计算用户聚簇之间的关联度,在实施推荐时,通过相邻聚簇之间的合并来发现真实的最近邻居,扩充可选推荐空间,解决因目标用户真实最近邻居大量丢失而造成推荐结果精确度降低的问题,从而提升个性化推荐的精确度。
实施例二
图9是本发明第二实施例提供的一种基于用户群关联度的个性化推荐***100的结构示意图,包括聚类模块11、判断模块12、查找模块13、评分预测模块14、以及推荐模块15。
聚类模块11用于使用聚类算法对用户进行聚类。
判断模块12,用于判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行查找模块13,否则执行关联度计算单元131、聚簇合并单元132、以及查找子单元133。其中关联度计算单元131用于计算目标用户所在聚簇与其他聚簇之间的关联度;聚簇合并单元132用于合并与用户所在聚簇最相关的前r个聚簇;查找子单元133用于在合并后的聚簇内查找n个最近邻居并提交给评分预测模块14。
在本实施例中,查找模块13用于在目标用户所在聚簇中查找n个最近邻居。评分预测模块14用于根据最近邻居对产品的评分预测用户对相关产品的评分值。推荐模块15用于根据预测评分值的高低,选取前m个产品推荐给用户。
本实施例中,所述聚类模块11通过计算向量之间的余弦夹角作为用户之间的相似度,使用k-means算法对用户进行聚类。所述聚簇合并单元132用于定义两个聚簇中心之间的距离为两个聚簇之间的距离,根据距离从小到大排序,并选择与目标用户所在聚簇距离最相近的前r个聚簇进行合并。
由此,本发明第二实施例提供的基于用户群关联度的个性化推荐***100,通过对用户进行聚类,并计算用户聚簇之间的关联度,在实施推荐时,通过相邻聚簇之间的合并来发现真实的最近邻居,扩充可选推荐空间,解决因目标用户真实最近邻居大量丢失而造成推荐结果精确度降低的问题,从而提升个性化推荐的精确度。
本发明实施例第二实施例的***100,与前述的第一实施例的方法构思和原理相同,因此在第二实施例中对与第一实施例中相同的部分不再赘述。
本领域技术人员可以理解实施例中的***中的模块可以按照实施例描述进行分布于实施例的***中,也可以进行相应变化位于不同于本实施例的一个或多个***中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备(可以是手机,个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于用户群关联度的个性化推荐方法,包括:
A、使用聚类算法对用户进行聚类;
B、判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行步骤C,否则:
B-1、计算目标用户所在聚簇与其他聚簇之间的关联度;
B-2、合并与用户所在聚簇最相关的前r个聚簇;
B-3、在合并后的聚簇内查找n个最近邻居,进而执行步骤D;
C、在目标用户所在聚簇中查找n个最近邻居;
D、根据最近邻居对产品的评分预测用户对相关产品的评分值;以及
E、根据预测评分值的高低,选取前m个产品推荐给用户。
2.如权利要求1所述的基于用户群关联度的个性化推荐方法,其特征在于,所述使用聚类算法对用户进行聚类包括:
通过计算向量之间的余弦夹角作为用户之间的相似度,进而对用户进行聚类。
3.如权利要求2所述的基于用户群关联度的个性化推荐方法,其特征在于,使用k-means算法对用户进行聚类。
4.如权利要求1所述的基于用户群关联度的个性化推荐方法,其特征在于,所述合并与用户所在聚簇最相关的前r个聚簇包括:
定义两个聚簇中心之间的距离为两个聚簇之间的距离,根据距离从小到大排序;
选择与目标用户所在聚簇距离最相近的前r个聚簇进行合并。
5.一种基于用户群关联度的个性化推荐***,包括:
聚类模块,用于使用聚类算法对用户进行聚类;
判断模块,用于判断目标用户与聚簇边缘的距离,当距离大于给定阈值则执行查找模块,否则执行关联度计算单元、聚簇合并单元、以及查找子单元,其中关联度计算单元用于计算目标用户所在聚簇与其他聚簇之间的关联度;聚簇合并单元用于合并与用户所在聚簇最相关的前r个聚簇;查找子单元用于在合并后的聚簇内查找n个最近邻居并提交给评分预测模块;
查找模块,用于在目标用户所在聚簇中查找n个最近邻居;
评分预测模块,用于根据最近邻居对产品的评分预测用户对相关产品的评分值;以及
推荐模块,用于根据预测评分值的高低,选取前m个产品推荐给用户。
6.如权利要求5所述的基于用户群关联度的个性化推荐***,其特征在于,所述聚类模块通过计算向量之间的余弦夹角作为用户之间的相似度,进而对用户进行聚类。
7.如权利要求6所述的基于用户群关联度的个性化推荐***,其特征在于,所述聚类模块使用k-means算法对用户进行聚类。
8.如权利要求5所述的基于用户群关联度的个性化推荐***,其特征在于,所述聚簇合并单元用于定义两个聚簇中心之间的距离为两个聚簇之间的距离,根据距离从小到大排序,并选择与目标用户所在聚簇距离最相近的前r个聚簇进行合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210590104.3A CN103077220B (zh) | 2012-12-29 | 2012-12-29 | 一种基于用户群关联度的个性化推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210590104.3A CN103077220B (zh) | 2012-12-29 | 2012-12-29 | 一种基于用户群关联度的个性化推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077220A true CN103077220A (zh) | 2013-05-01 |
CN103077220B CN103077220B (zh) | 2016-06-29 |
Family
ID=48153750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210590104.3A Active CN103077220B (zh) | 2012-12-29 | 2012-12-29 | 一种基于用户群关联度的个性化推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077220B (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544206A (zh) * | 2013-07-16 | 2014-01-29 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及*** |
CN103559252A (zh) * | 2013-11-01 | 2014-02-05 | 桂林电子科技大学 | 给游客推荐其很可能会浏览的景点的方法 |
CN103942302A (zh) * | 2014-04-16 | 2014-07-23 | 苏州大学 | 一种相关反馈间关系网络的构建与应用方法 |
CN104217030A (zh) * | 2014-09-28 | 2014-12-17 | 北京奇虎科技有限公司 | 一种根据服务器搜索日志数据进行用户分类的方法和装置 |
CN104424235A (zh) * | 2013-08-26 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 实现用户信息聚类的方法和装置 |
CN104517227A (zh) * | 2013-09-27 | 2015-04-15 | 上海酷远物联网科技有限公司 | 一种通过互联网或物联网购物的方法和*** |
CN105139020A (zh) * | 2015-07-06 | 2015-12-09 | 无线生活(杭州)信息科技有限公司 | 一种用户聚类方法及装置 |
CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
CN106162348A (zh) * | 2015-04-13 | 2016-11-23 | 海信集团有限公司 | 一种个性化节目推荐方法及装置 |
CN106202391A (zh) * | 2016-07-08 | 2016-12-07 | 深圳市中北明夷科技有限公司 | 一种用户社群的自动分类方法及装置 |
CN106446079A (zh) * | 2016-09-08 | 2017-02-22 | 中国科学院计算技术研究所 | 一种面向分布式文件***的文件预取/缓存方法及装置 |
CN106919611A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 产品信息推送方法和装置 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN107016589A (zh) * | 2016-08-10 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 推荐产品的确定方法及装置 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN107481114A (zh) * | 2017-08-16 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、电子商务***及存储介质 |
CN107679898A (zh) * | 2017-09-26 | 2018-02-09 | 浪潮软件股份有限公司 | 一种商品推荐方法和装置 |
WO2018041168A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、存储介质和服务器 |
CN109241449A (zh) * | 2018-10-30 | 2019-01-18 | 国信优易数据有限公司 | 一种物品推荐方法及装置 |
CN109408562A (zh) * | 2018-11-07 | 2019-03-01 | 广东工业大学 | 一种基于客户特征的分组推荐方法及其装置 |
CN109409964A (zh) * | 2018-11-27 | 2019-03-01 | 口碑(上海)信息技术有限公司 | 优质品牌的识别方法及装置 |
CN109508291A (zh) * | 2018-10-31 | 2019-03-22 | 武汉雨滴科技有限公司 | 一种应用质量评价方法 |
CN109740054A (zh) * | 2018-12-27 | 2019-05-10 | 丹翰智能科技(上海)有限公司 | 一种用于确定目标用户的关联财经信息的方法与设备 |
CN109903138A (zh) * | 2019-02-28 | 2019-06-18 | 华中科技大学 | 一种个性化商品推荐方法 |
WO2019154096A1 (zh) * | 2018-02-08 | 2019-08-15 | 阿里巴巴集团控股有限公司 | 一种信息分享的方法及装置 |
CN110135893A (zh) * | 2019-04-16 | 2019-08-16 | 深圳壹账通智能科技有限公司 | ***的确定方法、装置、计算机设备及存储介质 |
US10387513B2 (en) | 2015-08-28 | 2019-08-20 | Yandex Europe Ag | Method and apparatus for generating a recommended content list |
US10387115B2 (en) | 2015-09-28 | 2019-08-20 | Yandex Europe Ag | Method and apparatus for generating a recommended set of items |
US10394420B2 (en) | 2016-05-12 | 2019-08-27 | Yandex Europe Ag | Computer-implemented method of generating a content recommendation interface |
US10430481B2 (en) | 2016-07-07 | 2019-10-01 | Yandex Europe Ag | Method and apparatus for generating a content recommendation in a recommendation system |
US10452731B2 (en) | 2015-09-28 | 2019-10-22 | Yandex Europe Ag | Method and apparatus for generating a recommended set of items for a user |
CN110503494A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 一种用于电商营销平台的推荐*** |
USD882600S1 (en) | 2017-01-13 | 2020-04-28 | Yandex Europe Ag | Display screen with graphical user interface |
CN111209531A (zh) * | 2018-11-21 | 2020-05-29 | 百度在线网络技术(北京)有限公司 | 关联度的处理方法、装置和存储介质 |
US10674215B2 (en) | 2018-09-14 | 2020-06-02 | Yandex Europe Ag | Method and system for determining a relevancy parameter for content item |
US10706325B2 (en) | 2016-07-07 | 2020-07-07 | Yandex Europe Ag | Method and apparatus for selecting a network resource as a source of content for a recommendation system |
CN111552883A (zh) * | 2020-05-13 | 2020-08-18 | 咪咕文化科技有限公司 | 内容推荐方法及计算机可读存储介质 |
CN112003953A (zh) * | 2020-09-29 | 2020-11-27 | 中移(杭州)信息技术有限公司 | 广告推送方法及服务器 |
US11086888B2 (en) | 2018-10-09 | 2021-08-10 | Yandex Europe Ag | Method and system for generating digital content recommendation |
CN113468419A (zh) * | 2021-06-28 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备和存储介质 |
US11263217B2 (en) | 2018-09-14 | 2022-03-01 | Yandex Europe Ag | Method of and system for determining user-specific proportions of content for recommendation |
US11276079B2 (en) | 2019-09-09 | 2022-03-15 | Yandex Europe Ag | Method and system for meeting service level of content item promotion |
US11276076B2 (en) | 2018-09-14 | 2022-03-15 | Yandex Europe Ag | Method and system for generating a digital content recommendation |
US11288333B2 (en) | 2018-10-08 | 2022-03-29 | Yandex Europe Ag | Method and system for estimating user-item interaction data based on stored interaction data by using multiple models |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481066A (zh) * | 2017-08-29 | 2017-12-15 | 艾普英捷(北京)智能科技股份有限公司 | 一种基于大数据的竞品分析方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040083232A1 (en) * | 2002-10-25 | 2004-04-29 | Christopher Ronnewinkel | Association learning for automated recommendations |
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐***及方法 |
CN101685458A (zh) * | 2008-09-27 | 2010-03-31 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和*** |
CN102591873A (zh) * | 2011-01-12 | 2012-07-18 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和设备 |
-
2012
- 2012-12-29 CN CN201210590104.3A patent/CN103077220B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040083232A1 (en) * | 2002-10-25 | 2004-04-29 | Christopher Ronnewinkel | Association learning for automated recommendations |
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐***及方法 |
CN101685458A (zh) * | 2008-09-27 | 2010-03-31 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和*** |
CN102591873A (zh) * | 2011-01-12 | 2012-07-18 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和设备 |
Cited By (60)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544206A (zh) * | 2013-07-16 | 2014-01-29 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及*** |
CN103544206B (zh) * | 2013-07-16 | 2017-09-15 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及*** |
CN104424235A (zh) * | 2013-08-26 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 实现用户信息聚类的方法和装置 |
CN104424235B (zh) * | 2013-08-26 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 实现用户信息聚类的方法和装置 |
CN104517227A (zh) * | 2013-09-27 | 2015-04-15 | 上海酷远物联网科技有限公司 | 一种通过互联网或物联网购物的方法和*** |
CN103559252A (zh) * | 2013-11-01 | 2014-02-05 | 桂林电子科技大学 | 给游客推荐其很可能会浏览的景点的方法 |
CN103942302A (zh) * | 2014-04-16 | 2014-07-23 | 苏州大学 | 一种相关反馈间关系网络的构建与应用方法 |
CN103942302B (zh) * | 2014-04-16 | 2017-04-19 | 苏州大学 | 一种相关反馈间关系网络的构建与应用方法 |
CN104217030A (zh) * | 2014-09-28 | 2014-12-17 | 北京奇虎科技有限公司 | 一种根据服务器搜索日志数据进行用户分类的方法和装置 |
CN106162348A (zh) * | 2015-04-13 | 2016-11-23 | 海信集团有限公司 | 一种个性化节目推荐方法及装置 |
CN105139020A (zh) * | 2015-07-06 | 2015-12-09 | 无线生活(杭州)信息科技有限公司 | 一种用户聚类方法及装置 |
CN105139020B (zh) * | 2015-07-06 | 2018-07-20 | 无线生活(杭州)信息科技有限公司 | 一种用户聚类方法及装置 |
US10387513B2 (en) | 2015-08-28 | 2019-08-20 | Yandex Europe Ag | Method and apparatus for generating a recommended content list |
US10452731B2 (en) | 2015-09-28 | 2019-10-22 | Yandex Europe Ag | Method and apparatus for generating a recommended set of items for a user |
US10387115B2 (en) | 2015-09-28 | 2019-08-20 | Yandex Europe Ag | Method and apparatus for generating a recommended set of items |
CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
CN106919611A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 产品信息推送方法和装置 |
CN106919611B (zh) * | 2015-12-25 | 2020-05-22 | 北京国双科技有限公司 | 产品信息推送方法和装置 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
US10394420B2 (en) | 2016-05-12 | 2019-08-27 | Yandex Europe Ag | Computer-implemented method of generating a content recommendation interface |
US10430481B2 (en) | 2016-07-07 | 2019-10-01 | Yandex Europe Ag | Method and apparatus for generating a content recommendation in a recommendation system |
US10706325B2 (en) | 2016-07-07 | 2020-07-07 | Yandex Europe Ag | Method and apparatus for selecting a network resource as a source of content for a recommendation system |
CN106202391A (zh) * | 2016-07-08 | 2016-12-07 | 深圳市中北明夷科技有限公司 | 一种用户社群的自动分类方法及装置 |
CN107016589A (zh) * | 2016-08-10 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 推荐产品的确定方法及装置 |
WO2018041168A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、存储介质和服务器 |
US11574139B2 (en) | 2016-08-31 | 2023-02-07 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
CN106446079A (zh) * | 2016-09-08 | 2017-02-22 | 中国科学院计算技术研究所 | 一种面向分布式文件***的文件预取/缓存方法及装置 |
CN106446079B (zh) * | 2016-09-08 | 2019-06-18 | 中国科学院计算技术研究所 | 一种面向分布式文件***的文件预取/缓存方法及装置 |
USD890802S1 (en) | 2017-01-13 | 2020-07-21 | Yandex Europe Ag | Display screen with graphical user interface |
USD980246S1 (en) | 2017-01-13 | 2023-03-07 | Yandex Europe Ag | Display screen with graphical user interface |
USD892847S1 (en) | 2017-01-13 | 2020-08-11 | Yandex Europe Ag | Display screen with graphical user interface |
USD892846S1 (en) | 2017-01-13 | 2020-08-11 | Yandex Europe Ag | Display screen with graphical user interface |
USD882600S1 (en) | 2017-01-13 | 2020-04-28 | Yandex Europe Ag | Display screen with graphical user interface |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN107481114A (zh) * | 2017-08-16 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、电子商务***及存储介质 |
CN107679898A (zh) * | 2017-09-26 | 2018-02-09 | 浪潮软件股份有限公司 | 一种商品推荐方法和装置 |
WO2019154096A1 (zh) * | 2018-02-08 | 2019-08-15 | 阿里巴巴集团控股有限公司 | 一种信息分享的方法及装置 |
CN110503494A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 一种用于电商营销平台的推荐*** |
US11276076B2 (en) | 2018-09-14 | 2022-03-15 | Yandex Europe Ag | Method and system for generating a digital content recommendation |
US11263217B2 (en) | 2018-09-14 | 2022-03-01 | Yandex Europe Ag | Method of and system for determining user-specific proportions of content for recommendation |
US10674215B2 (en) | 2018-09-14 | 2020-06-02 | Yandex Europe Ag | Method and system for determining a relevancy parameter for content item |
US11288333B2 (en) | 2018-10-08 | 2022-03-29 | Yandex Europe Ag | Method and system for estimating user-item interaction data based on stored interaction data by using multiple models |
US11086888B2 (en) | 2018-10-09 | 2021-08-10 | Yandex Europe Ag | Method and system for generating digital content recommendation |
CN109241449A (zh) * | 2018-10-30 | 2019-01-18 | 国信优易数据有限公司 | 一种物品推荐方法及装置 |
CN109508291A (zh) * | 2018-10-31 | 2019-03-22 | 武汉雨滴科技有限公司 | 一种应用质量评价方法 |
CN109508291B (zh) * | 2018-10-31 | 2022-02-08 | 武汉雨滴科技有限公司 | 一种应用质量评价方法 |
CN109408562A (zh) * | 2018-11-07 | 2019-03-01 | 广东工业大学 | 一种基于客户特征的分组推荐方法及其装置 |
CN109408562B (zh) * | 2018-11-07 | 2021-11-26 | 广东工业大学 | 一种基于客户特征的分组推荐方法及其装置 |
CN111209531A (zh) * | 2018-11-21 | 2020-05-29 | 百度在线网络技术(北京)有限公司 | 关联度的处理方法、装置和存储介质 |
CN111209531B (zh) * | 2018-11-21 | 2023-08-08 | 百度在线网络技术(北京)有限公司 | 关联度的处理方法、装置和存储介质 |
CN109409964A (zh) * | 2018-11-27 | 2019-03-01 | 口碑(上海)信息技术有限公司 | 优质品牌的识别方法及装置 |
CN109740054A (zh) * | 2018-12-27 | 2019-05-10 | 丹翰智能科技(上海)有限公司 | 一种用于确定目标用户的关联财经信息的方法与设备 |
CN109903138A (zh) * | 2019-02-28 | 2019-06-18 | 华中科技大学 | 一种个性化商品推荐方法 |
CN110135893A (zh) * | 2019-04-16 | 2019-08-16 | 深圳壹账通智能科技有限公司 | ***的确定方法、装置、计算机设备及存储介质 |
US11276079B2 (en) | 2019-09-09 | 2022-03-15 | Yandex Europe Ag | Method and system for meeting service level of content item promotion |
CN111552883A (zh) * | 2020-05-13 | 2020-08-18 | 咪咕文化科技有限公司 | 内容推荐方法及计算机可读存储介质 |
CN111552883B (zh) * | 2020-05-13 | 2023-12-12 | 咪咕文化科技有限公司 | 内容推荐方法及计算机可读存储介质 |
CN112003953A (zh) * | 2020-09-29 | 2020-11-27 | 中移(杭州)信息技术有限公司 | 广告推送方法及服务器 |
CN112003953B (zh) * | 2020-09-29 | 2023-04-07 | 中移(杭州)信息技术有限公司 | 广告推送方法及服务器 |
CN113468419A (zh) * | 2021-06-28 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103077220B (zh) | 2016-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077220A (zh) | 一种基于用户群关联度的个性化推荐方法及*** | |
EP3779841A1 (en) | Method, apparatus and system for sending information, and computer-readable storage medium | |
CN105335519B (zh) | 模型生成方法及装置、推荐方法及装置 | |
US8792909B1 (en) | Systems and methods for statistically associating mobile devices to households | |
Chen et al. | Effective and efficient user account linkage across location based social networks | |
CN109522475B (zh) | 一种基于用户历史消费数据的商家推荐方法 | |
CN103814599A (zh) | 实时位置感知推荐 | |
WO2010037286A1 (zh) | 一种基于协同过滤的推荐方法和*** | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、***、计算机可读介质以及装置 | |
CN104521225A (zh) | 利用贝叶斯均值回归(bmr)的呼叫映射***和方法 | |
Eliyas et al. | Recommendation systems: Content-based filtering vs collaborative filtering | |
CN104239338A (zh) | 信息推荐方法及装置 | |
CN110910199A (zh) | 项目信息的排序方法、装置、计算机设备及存储介质 | |
Gao et al. | Mining human mobility in location-based social networks | |
JP2010020490A (ja) | 未訪問地の情報提供装置及び未訪問地の情報提供方法 | |
Zuva et al. | A survey of recommender systems techniques, challenges and evaluation metrics | |
CN103425664A (zh) | 一种对实体数据单元进行搜索、显示的方法和设备 | |
CN104751354A (zh) | 一种广告人群筛选方法 | |
Xin et al. | A location-context awareness mobile services collaborative recommendation algorithm based on user behavior prediction | |
CN114036376A (zh) | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 | |
Prando et al. | Content-based Recommender System using Social Networks for Cold-start Users. | |
CN103902549A (zh) | 搜索数据排序的方法和装置,数据搜索的方法和装置 | |
CN114528480A (zh) | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
Cacheda et al. | Click through rate prediction for local search results |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |