CN103425791A - 一种基于蚁群协同过滤算法的物品推荐方法和装置 - Google Patents

一种基于蚁群协同过滤算法的物品推荐方法和装置 Download PDF

Info

Publication number
CN103425791A
CN103425791A CN2013103823792A CN201310382379A CN103425791A CN 103425791 A CN103425791 A CN 103425791A CN 2013103823792 A CN2013103823792 A CN 2013103823792A CN 201310382379 A CN201310382379 A CN 201310382379A CN 103425791 A CN103425791 A CN 103425791A
Authority
CN
China
Prior art keywords
pheromones
user
article
arbitrary article
described user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013103823792A
Other languages
English (en)
Other versions
CN103425791B (zh
Inventor
廖晓锋
姜青山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201310382379.2A priority Critical patent/CN103425791B/zh
Publication of CN103425791A publication Critical patent/CN103425791A/zh
Application granted granted Critical
Publication of CN103425791B publication Critical patent/CN103425791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于蚁群协同过滤算法的物品推荐方法和装置，以根据用户的喜好向用户准确推荐适当的物品。所述方法包括：基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure DDA0000373656040000014
和所述任一物品vj的信息素
Figure DDA0000373656040000011
根据所述用户ui的信息素
Figure DDA0000373656040000012
和所述任一物品vj的信息素
Figure DDA0000373656040000013
计算所述用户ui与所述任一物品vj的相似度；对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。本发明实施例提供的方法借助信息素随着时间的推移而挥发的机制，可根据用户对物品的喜好随时间推移而改变建模，由此能够向用户推荐其真正喜好的物品，优化了推荐***的推荐功能。

Description

一种基于蚁群协同过滤算法的物品推荐方法和装置
技术领域
本发明涉及人工智能领域，具体涉及一种基于蚁群协同过滤算法的物品推荐方法和装置。
背景技术
随着互联网和通信技术的不断发展，人们越来越倾向于在网上购物，电商就是一个成功的实例。如果***能够根据用户的购物情况，做出一定的判断，即判断该用户还喜欢那些物品，则可以向该用户推荐其喜欢的物品，既节省了用户选择的时间，又能够大大提高电商的盈利能力。当然，这种电商领域里根据用户已购买物品来推荐其喜欢的其他物品方法，在实体商店中也能发挥作用。如果将这里的“物品”进一步抽象化，例如，抽象为知识、信息等虚拟物品，则根据用户已知喜好推荐其可能的喜好这种方式可以推及更广泛的领域，这种推荐可通过采用了某种算法的推荐***实现。
一个优良的推荐***能够准确、高效处理大规模稀疏训练数据，同时，还要考虑到推荐***中的数据在不断更新。具体地，新的用户和物品不断增加到***中，已存在的用户的偏好以及物品的属性随着时间的推移不断发生变化。
然而，现有的推荐***在处理大规模稀疏数据时的效率较低；另一方面，现有的推荐***并没有考虑到时间因素所起的作用，而时间因素对于推荐的效果至关重要。例如，随着时间的推移，原来喜欢甲种物品的用户已经不再喜欢该甲种物品，若推荐***仍然向该用户推荐该甲种物品，则推荐的效果显然会大大降低。
发明内容
本发明实施例提供一种基于蚁群协同过滤算法的物品推荐方法和装置，以根据用户的喜好向用户准确推荐适当的物品。
本发明实施例提供一种基于蚁群协同过滤算法的物品推荐方法，所述方法包括：
基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure BDA0000373656020000021
和所述任一物品vj的信息素
Figure BDA0000373656020000022
根据所述用户ui的信息素
Figure BDA0000373656020000023
和所述任一物品vj的信息素
Figure BDA0000373656020000024
计算所述用户ui与所述任一物品vj的相似度；
对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。
本发明另一实施例提供一种基于蚁群协同过滤算法的物品推荐装置，所述装置包括：
获取模块，用于基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure BDA0000373656020000025
和所述任一物品vj的信息素
Figure BDA0000373656020000026
计算模块，用于根据所述用户ui的信息素
Figure BDA0000373656020000028
和所述任一物品vj的信息素
Figure BDA0000373656020000027
计算所述用户ui与所述任一物品vj的相似度；
推荐模块，用于对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。
从上述本发明实施例可知，用户的信息素和物品的信息素是基于评分因子以及信息素的衰变因子获得，在此基础上计算得到用户与任一物品的相似度。由于衰变因子可控制信息素的挥发速度，因此，与现有技术的推荐***在推荐时不考虑时间因素所起的作用相比，本发明实施例提供的方法借助信息素随着时间的推移而挥发的机制，可根据用户对物品的喜好随时间推移而改变建模，由此能够向用户推荐其真正喜好的物品，优化了推荐***的推荐功能。
附图说明
图1是本发明实施例提供的基于蚁群协同过滤算法的物品推荐方法的基本流程示意图；
图2是本发明实施例提供的用户和物品的信息素的传递示意图；
图3是本发明实施例提供的基于蚁群协同过滤算法的物品推荐装置逻辑结构示意图；
图4是本发明另一实施例提供的基于蚁群协同过滤算法的物品推荐装置逻辑结构示意图；
图5是本发明另一实施例提供的基于蚁群协同过滤算法的物品推荐装置逻辑结构示意图；
图6是本发明另一实施例提供的基于蚁群协同过滤算法的物品推荐装置逻辑结构示意图。
具体实施方式
本发明实施例提供一种基于蚁群协同过滤算法的物品推荐方法，包括：基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素和所述任一物品vj的信息素
Figure BDA0000373656020000032
根据所述用户ui的信息素
Figure BDA0000373656020000033
和所述任一物品vj的信息素计算所述用户ui与所述任一物品vj的相似度；对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。本发明实施例还提供相应的基于蚁群协同过滤算法的物品推荐装置。以下分别进行详细说明。
本发明实施例的基于蚁群协同过滤算法的物品推荐方法的基本流程可参考图1，主要包括步骤：
S101，基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure BDA0000373656020000035
和所述任一物品vj的信息素
Figure BDA0000373656020000036
推荐***中的两个主要对象为用户u和待推荐的物品v，可以使用二分图这种数据结构来描述推荐***中的这两个对象，其中一组节点代表用户u，另一组节点代表物品v，在两组节点之间通过边相连。当用户u对某物品v进行过评价时，则在代表他们的两节点间建立一条边。如此，可以用二分图表示评分矩阵。
所谓信息素，是蚁群中蚂蚁进行交流并实现群集智能的媒介，蚂蚁间通过信息素进行交流，通过信息素的多少来告诉同伴采取某种既定策略的概率从而达到群体优化的目的。类似蚂蚁留下的气味，信息素会随着时间的流逝而挥发。通过信息素的挥发性质，使得推荐算法不易受到过传播（over spreading）的影响，因此，本发明实施例提供的基于蚁群协同过滤算法可以更准确地建立用户和物品间的关联，特别是在评分数据稀疏的情况下，与此同时，借助信息素的随时间挥发的机制，可以有效地对用户喜好随着时间的推移而改变进行建模。附图2给出了用户和物品的信息素的传递示意图，在图中，楔形中包含的是用户的信息素，矩形中包含的是物品的信息素；图中的上半部分为用户、物品及其信息素的初始状态，图中的下半部分为经过一些传播步骤（由带圈的数字标识）后t时刻***中的信息素分布情况。
作为本发明一个实施例，基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure BDA0000373656020000041
和所述任一物品vj的信息素
Figure BDA0000373656020000042
可在训练阶段完成，包括如下步骤S1011和步骤S1012：
S1011，初始化用户ui的信息素
Figure BDA0000373656020000043
和任一物品vj的信息素
Figure BDA0000373656020000044
例如，可以用户ui的信息素
Figure BDA0000373656020000045
初始化为1，将任一物品vj的信息素
Figure BDA0000373656020000046
初始化为空。
S1012，以用户ui的信息素的衰变因子γ、任一物品vj获得评分的均值用户ui对任一物品vj的评分ri,j以及t时刻获得的任一物品vj的信息素作为指数函数的变量，更新所述用户ui的信息素
Figure BDA0000373656020000049
以任一物品vj的信息素的衰变因子η、用户ui对所有物品评分的均值
Figure BDA0000373656020000051
用户ui对任一物品vj的评分ri,j以及t时刻获得的所述用户ui的信息素
Figure BDA0000373656020000052
作为指数函数的变量，更新所述任一物品vj的信息素
Figure BDA0000373656020000053
具体地，以用户ui的信息素的衰变因子γ、任一物品vj获得评分的均值
Figure BDA0000373656020000054
用户ui对任一物品vj的评分ri,j以及t时刻获得的任一物品vj的信息素
Figure BDA0000373656020000055
作为指数函数的变量，更新所述用户ui的信息素
Figure BDA0000373656020000056
为：以与
Figure BDA0000373656020000058
相乘，将乘积
Figure BDA0000373656020000059
作为用户ui的信息素
Figure BDA00003736560200000510
即其中，
Figure BDA00003736560200000512
为所获得的t+1时刻的所述用户ui的信息素。
具体地，以任一物品vj的信息素的衰变因子η、用户ui对所有物品评分的均值
Figure BDA00003736560200000513
用户ui对任一物品vj的评分ri,j以及t时刻获得的所述用户ui的信息素
Figure BDA00003736560200000514
作为指数函数的变量，更新所述任一物品vj的信息素
Figure BDA00003736560200000515
为：以
Figure BDA00003736560200000516
与
Figure BDA00003736560200000517
相乘，将乘积
Figure BDA00003736560200000518
作为任一物品vj的信息素
Figure BDA00003736560200000519
即
Figure BDA00003736560200000520
其中，
Figure BDA00003736560200000521
为所获得的t+1时刻的所述任一物品vj的信息素。
S102，根据用户ui的信息素
Figure BDA00003736560200000522
和任一物品vj的信息素
Figure BDA00003736560200000523
计算所述用户ui与所述任一物品vj的相似度。
作为本发明一个实施例，根据用户ui的信息素
Figure BDA00003736560200000524
和任一物品vj的信息素
Figure BDA00003736560200000525
计算所述用户ui与所述任一物品vj的相似度可以是：求取用户ui的信息素与任一物品vj的信息素
Figure BDA00003736560200000527
的内积
Figure BDA00003736560200000528
以及用户ui的信息素的绝对值
Figure BDA00003736560200000530
与任一物品vj的信息素
Figure BDA00003736560200000531
的绝对值
Figure BDA00003736560200000532
的叉积
Figure BDA00003736560200000533
然后，求取内积所述
Figure BDA00003736560200000534
与所述叉积
Figure BDA00003736560200000535
的商即
Figure BDA00003736560200000536
以所述商作为所述用户ui与所述任一物品vj的相似度。
S103，对计算获得的相似度进行排序，向用户ui推荐相似度高的物品。
假设用户ui与物品v1、v2、...vj、...、vn的相似度分别为
Figure BDA0000373656020000061
、...、
Figure BDA0000373656020000063
、...、
Figure BDA0000373656020000064
则对
Figure BDA0000373656020000066
...、
Figure BDA0000373656020000067
、...、
Figure BDA0000373656020000068
进行排序，将其中较高相似度所对应的物品推荐给用户ui。
从上述本发明实施例提供的基于蚁群协同过滤算法的物品推荐方法可知，用户的信息素和物品的信息素是基于评分因子以及信息素的衰变因子获得，在此基础上计算得到用户与任一物品的相似度。由于衰变因子可控制信息素的挥发速度，因此，与现有技术的推荐***在推荐时不考虑时间因素所起的作用相比，本发明实施例提供的方法借助信息素随着时间的推移而挥发的机制，可根据用户对物品的喜好随时间推移而改变建模，由此能够向用户推荐其真正喜好的物品，优化了推荐***的推荐功能。
下面对用于执行上述基于蚁群协同过滤算法的物品推荐方法的本发明实施例的基于蚁群协同过滤算法的物品推荐装置进行说明，其基本逻辑结构参考图3，主要包括获取模块301、计算模块302和推荐模块303，各模块详细说明如下：
获取模块301，用于基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure BDA0000373656020000069
和所述任一物品vj的信息素
计算模块302，用于根据所述用户ui的信息素
Figure BDA00003736560200000611
和所述任一物品vj的信息素
Figure BDA00003736560200000612
计算所述用户ui与所述任一物品vj的相似度；
推荐模块303，用于对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。
需要说明的是，以上附图3示例的基于蚁群协同过滤算法的物品推荐装置的实施方式中，各功能模块的划分仅是举例说明，实际应用中可以根据需要，例如相应硬件的配置要求或者软件的实现的便利考虑，而将上述功能分配由不同的功能模块完成，即将所述基于蚁群协同过滤算法的物品推荐装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。而且，实际应用中，本实施例中的相应的功能模块可以是由相应的硬件实现，也可以由相应的硬件执行相应的软件完成，例如，前述的获取模块，可以是具有执行前述基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure BDA0000373656020000071
和所述任一物品vj的信息素
Figure BDA0000373656020000072
的硬件，例如获取器，也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备；再如前述的计算模块，可以是具有执行前述对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品功能的硬件，例如计算器，也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备（本说明书提供的各个实施例都可应用上述描述原则）。
附图3示例的获取模块301可以包括初始化单元401、第一更新单元402和第二更新单元403，如附图4所示本发明另一实施例提供的基于蚁群协同过滤算法的物品推荐装置，其中：
初始化单元401，用于初始化所述用户ui的信息素
Figure BDA0000373656020000073
和所述任一物品vj的信息素
Figure BDA0000373656020000074
第一更新单元402，用于以所述用户ui的信息素的衰变因子γ、所述任一物品vj获得评分的均值
Figure BDA0000373656020000075
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述任一物品vj的信息素
Figure BDA0000373656020000076
作为指数函数的变量，更新所述用户ui的信息素
第二更新单元403，用于以所述任一物品vj的信息素的衰变因子η、所述用户ui对所有物品评分的均值
Figure BDA0000373656020000081
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述用户ui的信息素
Figure BDA0000373656020000082
作为指数函数的变量，更新所述任一物品vj的信息素
附图4示例的第一更新单元402可以包括第一乘积单元501，第二更新单元403可以包括第二乘积单元502，如附图5所示本发明另一实施例提供的基于蚁群协同过滤算法的物品推荐装置，其中：
第一乘积单元501，用于以
Figure BDA0000373656020000084
相乘，将乘积
Figure BDA0000373656020000085
作为所述用户ui的信息素
Figure BDA0000373656020000086
所述
Figure BDA0000373656020000087
为所获得的t+1时刻的所述用户ui的信息素；
第二乘积单元502，用于以
Figure BDA0000373656020000088
与exp
Figure BDA0000373656020000089
相乘，将乘积
Figure BDA00003736560200000810
作为所述任一物品vj的信息素
Figure BDA00003736560200000811
所述
Figure BDA00003736560200000812
为所获得的t+1时刻的所述任一物品vj的信息素。
附图3示例的计算模块302可以包括求取单元601和作商单元602，如附图6所示本发明另一实施例提供的基于蚁群协同过滤算法的物品推荐装置，其中：
求取单元601，用于求取所述与所述
Figure BDA00003736560200000814
的内积以及所述
Figure BDA00003736560200000815
的绝对值
Figure BDA00003736560200000816
与所述
Figure BDA00003736560200000817
的绝对值
Figure BDA00003736560200000818
的叉积，内积即
Figure BDA00003736560200000819
叉积即
Figure BDA00003736560200000820
作商单元602，用于求取所述内积与所述叉积的商即
Figure BDA00003736560200000821
以所述商作为所述用户ui与所述任一物品vj的相似度。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种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，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁盘或光盘等。
以上对本发明实施例所提供的一种基于蚁群协同过滤算法的物品推荐方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于蚁群协同过滤算法的物品推荐方法，其特征在于，所述方法包括：
基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure FDA0000373656010000011
和所述任一物品vj的信息素
Figure FDA0000373656010000012
根据所述用户ui的信息素
Figure FDA0000373656010000013
和所述任一物品vj的信息素
Figure FDA0000373656010000014
计算所述用户ui与所述任一物品vj的相似度；
对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。
2.根据权利要求1所述的方法，其特征在于，所述基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure FDA0000373656010000015
和所述任一物品vj的信息素
Figure FDA0000373656010000016
包括：
初始化所述用户ui的信息素
Figure FDA0000373656010000017
和所述任一物品vj的信息素
Figure FDA0000373656010000018
以所述用户ui的信息素的衰变因子γ、所述任一物品vj获得评分的均值
Figure FDA0000373656010000019
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述任一物品vj的信息素
Figure FDA00003736560100000110
作为指数函数的变量，更新所述用户ui的信息素
以所述任一物品vj的信息素的衰变因子η、所述用户ui对所有物品评分的均值
Figure FDA00003736560100000112
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述用户ui的信息素
Figure FDA00003736560100000113
作为指数函数的变量，更新所述任一物品vj的信息素
Figure FDA00003736560100000114
3.根据权利要求2所述的方法，其特征在于，所述以所述用户ui的信息素的衰变因子γ、所述任一物品vj获得评分的均值
Figure FDA00003736560100000115
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述任一物品vj的信息素作为指数函数的变量，更新所述用户ui的信息素包括：
以
Figure FDA00003736560100000118
与
Figure FDA00003736560100000119
相乘，将乘积
Figure FDA00003736560100000120
作为所述用户ui的信息素
Figure FDA00003736560100000121
所述
Figure FDA00003736560100000122
为所获得的t+1时刻的所述用户ui的信息素；
所述以所述任一物品vj的信息素的衰变因子η、所述用户ui对所有物品评分的均值
Figure FDA0000373656010000021
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述用户ui的信息素
Figure FDA0000373656010000022
作为指数函数的变量，更新所述任一物品vj的信息素
Figure FDA0000373656010000023
包括：
以与相乘，将乘积
Figure FDA0000373656010000026
作为所述任一物品vj的信息素
Figure FDA0000373656010000027
所述
Figure FDA0000373656010000028
为所获得的t+1时刻的所述任一物品vj的信息素。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户ui的信息素
Figure FDA0000373656010000029
和所述任一物品vj的信息素
Figure FDA00003736560100000210
计算所述用户ui与所述任一物品vj的相似度包括：
求取所述
Figure FDA00003736560100000211
与所述
Figure FDA00003736560100000212
的内积以及所述
Figure FDA00003736560100000213
的绝对值
Figure FDA00003736560100000214
与所述
Figure FDA00003736560100000215
的绝对值
Figure FDA00003736560100000216
的叉积；
求取所述内积与所述叉积的商，以所述商作为所述用户ui与所述任一物品vj的相似度。
5.一种基于蚁群协同过滤算法的物品推荐装置，其特征在于，所述装置包括：
获取模块，用于基于用户ui对任一物品vj的评分因子以及信息素的衰变因子，获取所述用户ui的信息素
Figure FDA00003736560100000217
和所述任一物品vj的信息素
Figure FDA00003736560100000218
计算模块，用于根据所述用户ui的信息素
Figure FDA00003736560100000219
和所述任一物品vj的信息素计算所述用户ui与所述任一物品vj的相似度；
推荐模块，用于对所述计算获得的相似度进行排序，向所述用户ui推荐相似度高的物品。
6.根据权利要求5所述的装置，其特征在于，所述获取模块包括：
初始化单元，用于初始化所述用户ui的信息素
Figure FDA00003736560100000221
和所述任一物品vj的信息素
Figure FDA0000373656010000031
第一更新单元，用于以所述用户ui的信息素的衰变因子γ、所述任一物品vj获得评分的均值
Figure FDA0000373656010000032
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述任一物品vj的信息素
Figure FDA0000373656010000033
作为指数函数的变量，更新所述用户ui的信息素
Figure FDA0000373656010000034
第二更新单元，用于以所述任一物品vj的信息素的衰变因子η、所述用户ui对所有物品评分的均值
Figure FDA0000373656010000035
所述用户ui对所述任一物品vj的评分ri,j以及t时刻获得的所述用户ui的信息素
Figure FDA0000373656010000036
作为指数函数的变量，更新所述任一物品vj的信息素
Figure FDA0000373656010000037
7.根据权利要求6所述的装置，其特征在于，所述第一更新单元，用于包括：
第一乘积单元，用于以
Figure FDA0000373656010000038
与相乘，将乘积作为所述用户ui的信息素
Figure FDA00003736560100000311
所述
Figure FDA00003736560100000312
为所获得的t+1时刻的所述用户ui的信息素；
所述第二更新单元，用于包括：
第二乘积单元，用于以
Figure FDA00003736560100000313
与
Figure FDA00003736560100000314
相乘，将乘积
Figure FDA00003736560100000315
作为所述任一物品vj的信息素
Figure FDA00003736560100000316
所述为所获得的t+1时刻的所述任一物品vj的信息素。
8.根据权利要求5所述的装置，其特征在于，所述计算模块包括：
求取单元，用于求取所述与所述的内积以及所述的绝对值与所述
Figure FDA00003736560100000322
的绝对值
Figure FDA00003736560100000323
的叉积；
作商单元，用于求取所述内积与所述叉积的商，以所述商作为所述用户ui与所述任一物品vj的相似度。
CN201310382379.2A 2013-08-28 2013-08-28 一种基于蚁群协同过滤算法的物品推荐方法和装置 Active CN103425791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310382379.2A CN103425791B (zh) 2013-08-28 2013-08-28 一种基于蚁群协同过滤算法的物品推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310382379.2A CN103425791B (zh) 2013-08-28 2013-08-28 一种基于蚁群协同过滤算法的物品推荐方法和装置

Publications (2)

Publication Number Publication Date
CN103425791A true CN103425791A (zh) 2013-12-04
CN103425791B CN103425791B (zh) 2016-08-31

Family

ID=49650528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310382379.2A Active CN103425791B (zh) 2013-08-28 2013-08-28 一种基于蚁群协同过滤算法的物品推荐方法和装置

Country Status (1)

Country Link
CN (1) CN103425791B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927347A (zh) * 2014-04-01 2014-07-16 复旦大学 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
CN106156113A (zh) * 2015-04-03 2016-11-23 Tcl集团股份有限公司 一种视频推荐的方法、***及电子设备
CN106570008A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 推荐方法及装置
CN108153753A (zh) * 2016-12-02 2018-06-12 阿里巴巴集团控股有限公司 推荐方法、装置和***
CN110020918A (zh) * 2019-03-15 2019-07-16 南方科技大学 一种推荐信息生成方法和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090006379A1 (en) * 2007-06-28 2009-01-01 Geng-Shin Shen Filtering method and system for the correlation between testing objects and patents
CN101719202A (zh) * 2009-11-12 2010-06-02 北京交通大学 一种基于动态信任管理的互操作安全保障方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090006379A1 (en) * 2007-06-28 2009-01-01 Geng-Shin Shen Filtering method and system for the correlation between testing objects and patents
CN101719202A (zh) * 2009-11-12 2010-06-02 北京交通大学 一种基于动态信任管理的互操作安全保障方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONGJI WANG 等: "Incremental Collaborative Filtering Considering Temporal Effects", 《CORNELL UNIVERSITY LIBRARY》 *
吴月萍 等: "基于蚁群算法的协同过滤推荐***的研究", 《计算机技术与发展》 *
黄金凤 等: "基于蚁群模糊聚类的协同过滤推荐算法", 《湖南工程学院学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927347A (zh) * 2014-04-01 2014-07-16 复旦大学 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
CN106156113A (zh) * 2015-04-03 2016-11-23 Tcl集团股份有限公司 一种视频推荐的方法、***及电子设备
CN106570008A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 推荐方法及装置
CN108153753A (zh) * 2016-12-02 2018-06-12 阿里巴巴集团控股有限公司 推荐方法、装置和***
CN110020918A (zh) * 2019-03-15 2019-07-16 南方科技大学 一种推荐信息生成方法和***

Also Published As

Publication number Publication date
CN103425791B (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN108021708B (zh) 内容推荐方法、装置与计算机可读存储介质
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN105335409A (zh) 一种目标用户的确定方法、设备和网络服务器
CN103020116A (zh) 在社交媒体网络上自动筛选有影响力用户的方法
CN110147882A (zh) 神经网络模型的训练方法、人群扩散方法、装置及设备
CN103425791A (zh) 一种基于蚁群协同过滤算法的物品推荐方法和装置
CN107786943A (zh) 一种用户分群方法及计算设备
CN112380453A (zh) 物品推荐方法、装置、存储介质及设备
CN110933472B (zh) 一种用于实现视频推荐的方法和装置
CN110399564B (zh) 帐号分类方法和装置、存储介质及电子装置
CN111680213B (zh) 信息推荐方法、数据处理方法及装置
CN114493786A (zh) 一种信息推荐方法及装置
Amato et al. Agents based multi-criteria decision-aid
CN112950321A (zh) 一种物品推荐方法和装置
CN117273018A (zh) 信息处理方法、信息处理装置、计算机设备及存储介质
CN111966916A (zh) 一种推荐方法、装置、电子设备及计算机可读存储介质
CN116976353A (zh) 一种数据处理方法、装置、设备以及可读存储介质
CN111738787A (zh) 一种信息推送方法及装置
CN110347916A (zh) 跨场景的项目推荐方法、装置、电子设备及存储介质
CN111784091B (zh) 用于处理信息的方法和装置
CN111178974B (zh) 一种提高多平台融合性的方法和装置
CN113762535A (zh) 一种物品召回方法和装置
Huang et al. C-3PO: C lick-sequence-aware dee P neural network (DNN)-based P op-u P s rec O mmendation: I know you’ll click
CN112418929A (zh) 一种数据共享方法及装置
Raj et al. Various methodologies for micro-video recommendation system: a survey

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