CN104111939B - 一种图书推荐方法和装置 - Google Patents
一种图书推荐方法和装置 Download PDFInfo
- Publication number
- CN104111939B CN104111939B CN201310135875.8A CN201310135875A CN104111939B CN 104111939 B CN104111939 B CN 104111939B CN 201310135875 A CN201310135875 A CN 201310135875A CN 104111939 B CN104111939 B CN 104111939B
- Authority
- CN
- China
- Prior art keywords
- book
- books
- user
- labels
- angle value
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/44—Browsing; Visualisation therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (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
本发明提供了一种图书推荐方法和装置为实现上述目的,其中,所述方法包括:获取包括多本图书信息的图书信息库;确定所述多本图书中的每本图书的图书标签集,形成图书标签库;计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表;根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;将所述多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。本发明通过图书标签联系用户和图书,根据用户的喜好为用户推荐图书。
Description
技术领域
本发明涉及数据业务领域,尤其涉及一种图书推荐方法和装置。
背景技术
目前,图书种类不断增加,即使对于一个明细分类,读者在书店、图书馆等场所都可能找到几百种,甚至上千种相关图书,结果造成读者很难在有限的时间内选择到适合自身的图书,并在阅读后能够获得最大效果。现有的解决方式是针对不同读者进行图书推荐,主要的图书推荐方法有以下两种:
<方法一>
根据用户的阅读订购关系数据,判断用户喜欢过的图书,然后给用户推荐与他喜欢过的物品相似的物品,即基于物品(item-based)推荐算法。
<方法二>
根据用户历史阅读行为数据建立用户图书打分矩阵,通过计算得到和用户兴趣相似的其他用户,将兴趣爱好相似的其他用户喜欢的图书推荐给用户,即基于用户User-based推荐算法。
上述的两种图书推荐方法主要是基于用户历史阅读数据,或利用建立起来的用户图书打分矩阵或是使用关联规则来进行图书推荐。这些推荐对于热门经典图书比较有效,但推荐不出有价值的潜力图书。
发明内容
本发明的目的是提供一种图书推荐方法和装置,通过图书标签联系用户和图书,根据用户的喜好为用户推荐图书。
为实现上述目的,本发明实施例提供了一种图书推荐方法,所述方法包括:
获取包括多本图书信息的图书信息库;
确定所述多本图书中的每本图书的图书标签集,形成图书标签库;
计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表;
根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;
将所述多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;
根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
上述的图书推荐方法,其中,所述图书标签的区分度值与所述图书标签在所述图书信息库中出现的次数成反比。
上述的图书推荐方法,其中,所述阅读行为数据包括近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。
上述的图书推荐方法,其中,所述第一阅读数据和所述第二阅读数据具有各自的权重;
第一图书标签在所述第一用户度量值表中对应的第一用户度量值为第一乘积与第二乘积之和,其中第一乘积根据第一阅读数据、所述第一图书标签的区分度值和第一阅读数据的权重确定,第二乘积根据第二阅读数据、所述第一图书标签的区分度值和第二阅读数据的权重确定。
上述的图书推荐方法,其中,所述多本图书中的第一图书的图书推荐值为所述第一图书包括的每个图书标签在所述第一用户度量值表中对应的用户度量值之和。
上述的图书推荐方法,其中,所述根据所述图书推荐值,在所述多本图书中选择至少一本目标图书推荐给所述第一用户具体为按照所述图书推荐值由高到低选择所述目标图书,并剔除所述第一用户已阅读的图书。
为实现上述目的,本发明实施例还提供了一种图书推荐装置,所述装置包括:
图书信息库获取模块,用于获取包括多本图书信息的图书信息库;
图书标签库确定模块,用于确定所述多本图书中的每本图书的图书标签集,形成图书标签库;
区分度值表确定模块,用于计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表;
计算模块,用于根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;
图书推荐值确定模块,用于将多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;
推荐模块,用于根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
上述的图书推荐装置,其中,所述图书标签的区分度值与所述图书标签在所述图书信息库中出现的次数成反比。
上述的图书推荐装置,其中,所述阅读行为数据包括近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。
上述的图书推荐装置,其中,所述第一阅读数据和所述第二阅读数据具有各自的权重;
第一图书标签在所述第一用户度量值表中对应的第一用户度量值为第一乘积与第二乘积之和,其中第一乘积根据第一阅读数据、所述第一图书标签的区分度值和第一阅读数据的权重确定,第二乘积根据第二阅读数据、所述第一图书标签的区分度值和第二阅读数据的权重确定。
上述的图书推荐装置,其中,所述多本图书中的第一图书的图书推荐值为所述第一图书包括的每个图书标签在所述第一用户度量值表中对应的用户度量值之和。
上述的图书推荐装置,其中,所述推荐模块具体为按照所述图书推荐值由高到低选择所述目标图书,并剔除所述第一用户已阅读的图书。
本发明实施例通过分析图书本身的内容属性特征,给图书打上其特有的标签,同时通过分析用户阅读行为数据得到用户喜好的图书的标签,以图书标签为基准建立起用户和图书的关联关系,根据用户的喜好为用户推荐图书,提高图书推送的准确率、用户的回复率以及点击率等。
附图说明
图1为本发明实施例提供的图书推荐方法的流程示意图;
图2为本发明实施例提供的图书推荐装置的结构示意图。
具体实施方式
为使本发明实施例要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种图书推荐方法,所述方法如图1所示,包括:
步骤11,获取包括多本图书信息的图书信息库;
步骤12,确定所述多本图书中的每本图书的图书标签集,形成图书标签库;
步骤13,计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表;
步骤14,根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;
步骤15,将所述多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;
步骤16,根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
本发明实施例在图书信息库的基础上,形成了图书标签库,并计算图书标签库中每个图书标签的区分度值,进一步地,根据图书信息库中存储的第一用户的阅读行为数据和图书标签的区分度值表,得到用户喜好的图书的标签,将图书信息库中的图书的图书标签与用户喜好的图书标签进行关联,得到具体的图书的推荐值,并最终根据图书推荐值选择推荐图书。
下面分步骤详细介绍所述图书推荐方法。
首先,通过步骤11,获取包括多本图书信息的图书信息库。
在获取的图书信息库的基础上,通过步骤12确定所述多本图书中的每本图书的图书标签集,形成图书标签库。此时,主要是通过分析图书本身的内容属性特征,编辑给图书打上其特有的标签集,标签集可以包括作者、分类、主题和关键词等,每本图书的标签集汇总起来就形成了图书标签库,例如表1所示。
标签名称 | 标签名称 | 标签名称 | 标签名称 |
鲁迅文学奖 | 特种兵 | 日记本 | 战争 |
非洲 | 灵修 | 侦探 | 腹黑 |
搞怪 | 宫迁权谋 | 无限流 | 扮猪吃老虎 |
表1图书标签库
在形成了图书标签库后,通过步骤13计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表。
其中,所述图书标签的区分度值与所述图书标签在所述图书信息库中出现的次数成反比。
在本发明实施例中,根据某一标签出现的次数tag_count,定义该标签的区分度量值v=C/tag_count,C为一常数。由上式可以看出,该标签在图书信息库中出现的次数越多,则该标签对一本图书的区别度值越低,反之一个标签在图书信息库中出现的次数越多,则该标签对一本图书的区别度值越高。
在计算出每个图书标签的区分度值后,就形成了图书标签的区分度值表,例如表2所示,其中C的取值为1。
表2图书标签的区分度值表
此时,再进入步骤14,根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表。
优选地,所述阅读行为数据包括近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。
在本发明实施例中,为了更好的把握用户的喜好,将用户的阅读行为数据分为近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。其中,所述的近期优选地,为最近半个月,所述的深度阅读可以根据用户阅读章节数和图书总章节数的关系来判断用户历史阅读图书是否属于深度阅读。
在计算第一用户的第一用户度量值表时,通过加权的方式来强调不同标签对用户的贡献情况,最后通过用户阅读过的图书标签为基准进行汇总求和,得到用户标签度量值表。
也就是说,第一阅读数据和所述第二阅读数据具有各自的权重;
第一图书标签在所述第一用户度量值表中对应的第一用户度量值为第一乘积与第二乘积之和,其中第一乘积根据第一阅读数据、所述第一图书标签的区分度值和第一阅读数据的权重确定,第二乘积根据第二阅读数据、所述第一图书标签的区分度值和第二阅读数据的权重确定。
如果第一阅读数据中包括第一图书标签,则第一图书标签的第一乘积为第一图书标签的区分度值和第一阅读数据的权重α相乘,否则为0;同样,如果第二阅读数据中包括第一图书标签,则第一图书标签的第二乘积为第一图书标签的区分度值和第二阅读数据的权重β相乘,否则为0。
当第一用户没有历史深度阅读图书的第二数据时,可以用第一用户历史阅读图书的第三数据来代替所述第二数据,确定第三阅读数据的权重为δ。举例说明如下。
<例子1>
第一图书标签的区分度量值为v1,当第一用户有深度阅读行为记录时,第一阅读数据中包括第一图书标签,则
第一乘积=v1*α;
第二乘积=v1*β;
第一图书标签对应的第一用户度量值=v1*α+v1*β;
当第一用户没有深度阅读行为记录时,第一阅读数据中包括第一图书标签,则
第一乘积=v1*α;
第二乘积=v1*δ;
第一图书标签对应的第一用户度量值=v1*α+v1*δ。
如果第一阅读数据或第二阅读数据中不包括第一图书标签,则对应的第一乘积或第二乘积为0。
当确定了第一图书标签在第一用户度量值表中的第一用户度量值后,其他的图书标签对应的用户度量值与上述方法相同,最终得到用户度量值表,例如表3、表4所示,假定第一用户有历史深度阅读行为,α=2,β=1.5。
表3用户阅读行为数据与用户度量值对应表
表4用户标签度量值表
在建立了用户标签度量值表后,进入步骤15将所述多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值。
其中,所述多本图书中的第一图书的图书推荐值为所述第一图书包括的每个图书标签在所述第一用户度量值表中对应的用户度量值之和。例如:在得到表4所示的用户标签度量值表后,图书A的图书推荐值的计算如表5所示。
表5用户标签度量值与图书推荐值的对应表
在确定了多本图书中的每本图书的图书推荐值后,进入步骤16,根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
其中,优选地,按照所述图书推荐值由高到低选择所述目标图书,并剔除所述第一用户已阅读的图书。
本发明实施例,提出了一种利用图书标签作为联系用户和图书的媒介,即用户阅读一本图书将产生三元组,记录为(u,t,b),代表用户u阅读了具有标签t的图书b。基于用户阅读图书自带的图书标签来标示用户的喜好,得到的图书标签中蕴含了很多反映用户兴趣的信息,以此来指导提升个性化图书推荐质量。
另外,本发明实施例还提出了一种图书标签的词频列表,定义标签的区分度量值,即根据标签的通用性和特殊性来度量标签对一本图书的贡献情况。用户标签度量值表则是考虑用户阅读深浅时间前后等因素,在计算用户喜好的图书标签时赋予不同的权重,通过关联图书标签度量值表得到。
本发明实施例还提供了一种图书推荐装置,所述装置如图2所示,包括:
图书信息库获取模块,用于获取包括多本图书信息的图书信息库;
图书标签库确定模块,用于确定所述多本图书中的每本图书的图书标签集,形成图书标签库;
区分度值表确定模块,用于计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表;
计算模块,用于根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;
图书推荐值确定模块,用于将多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;
推荐模块,用于根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
上述的图书推荐装置,其中,所述图书标签的区分度值与所述图书标签在所述图书信息库中出现的次数成反比。
上述的图书推荐装置,其中,所述阅读行为数据包括近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。
上述的图书推荐装置,其中,所述第一阅读数据和所述第二阅读数据具有各自的权重;
第一图书标签在所述第一用户度量值表中对应的第一用户度量值为第一乘积与第二乘积之和,其中第一乘积根据第一阅读数据、所述第一图书标签的区分度值和第一阅读数据的权重确定,第二乘积根据第二阅读数据、所述第一图书标签的区分度值和第二阅读数据的权重确定。
上述的图书推荐装置,其中,所述多本图书中的第一图书的图书推荐值为所述第一图书包括的每个图书标签在所述第一用户度量值表中对应的用户度量值之和。
上述的图书推荐装置,其中,所述推荐模块具体为按照所述图书推荐值由高到低选择所述目标图书,并剔除所述第一用户已阅读的图书。
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为本发明的保护范围。
Claims (12)
1.一种图书推荐方法,其特征在于,所述方法包括:
获取包括多本图书信息的图书信息库;
确定所述多本图书中的每本图书的图书标签集,形成图书标签库;
计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表,根据一个图书标签出现的次数tag_count,定义该图书标签的区分度值v=C/tag_count,C为一常数,该图书标签在图书信息库中出现的次数越多,则该标签对一本图书的区分度值越低,反之一个图书标签在图书信息库中出现的次数越少,则该图书标签对一本图书的区分度值越高;
根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;
在计算第一用户的第一用户度量值表时,通过加权的方式来强调不同标签对用户的贡献情况,最后通过用户阅读过的图书标签为基准进行汇总求和,得到用户标签度量值表;
将所述多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;
根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
2.如权利要求1所述的图书推荐方法,其特征在于,所述图书标签的区分度值与所述图书标签在所述图书信息库中出现的次数成反比。
3.如权利要求1所述的图书推荐方法,其特征在于,所述阅读行为数据包括近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。
4.如权利要求3所述的图书推荐方法,其特征在于,所述第一阅读数据和所述第二阅读数据具有各自的权重;
第一图书标签在所述第一用户度量值表中对应的第一用户度量值为第一乘积与第二乘积之和,其中第一乘积根据第一阅读数据、所述第一图书标签的区分度值和第一阅读数据的权重确定,第二乘积根据第二阅读数据、所述第一图书标签的区分度值和第二阅读数据的权重确定。
5.如权利要求4所述的图书推荐方法,其特征在于,所述多本图书中的第一图书的图书推荐值为所述第一图书包括的每个图书标签在所述第一用户度量值表中对应的用户度量值之和。
6.如权利要求1所述的图书推荐方法,其特征在于,所述根据所述图书推荐值,在所述多本图书中选择至少一本目标图书推荐给所述第一用户具体为按照所述图书推荐值由高到低选择所述目标图书,并剔除所述第一用户已阅读的图书。
7.一种图书推荐装置,其特征在于,所述装置包括:
图书信息库获取模块,用于获取包括多本图书信息的图书信息库;
图书标签库确定模块,用于确定所述多本图书中的每本图书的图书标签集,形成图书标签库;
区分度值表确定模块,用于计算所述图书标签库中的每个图书标签的区分度值,形成图书标签的区分度值表,根据一个图书标签出现的次数tag_count,定义该标签的区分度值v=C/tag_count,C为一常数,该图书标签在图书信息库中出现的次数越多,则该图书标签对一本图书的区分度值越低,反之一个图书标签在图书信息库中出现的次数越少,则该图书标签对一本图书的区分度值越高;
计算模块,用于根据所述图书信息库中存储的第一用户的阅读行为数据和所述图书标签的区分度值表,计算所述第一用户的第一用户度量值表;在计算第一用户的第一用户度量值表时,通过加权的方式来强调不同标签对用户的贡献情况,最后通过用户阅读过的图书标签为基准进行汇总求和,得到用户标签度量值表;
图书推荐值确定模块,用于将多本图书中的每本图书的图书标签集与所述第一用户度量值表进行关联,确定每本图书各自的图书推荐值;
推荐模块,用于根据所述图书推荐值,在所述多本图书中选择至少一本目标图书,作为推荐图书。
8.如权利要求7所述的图书推荐装置,其特征在于,所述图书标签的区分度值与所述图书标签在所述图书信息库中出现的次数成反比。
9.如权利要求7所述的图书推荐装置,其特征在于,所述阅读行为数据包括近期阅读图书的第一阅读数据和历史深度阅读图书的第二阅读数据。
10.如权利要求9所述的图书推荐装置,其特征在于,所述第一阅读数据和所述第二阅读数据具有各自的权重;
第一图书标签在所述第一用户度量值表中对应的第一用户度量值为第一乘积与第二乘积之和,其中第一乘积根据第一阅读数据、所述第一图书标签的区分度值和第一阅读数据的权重确定,第二乘积根据第二阅读数据、所述第一图书标签的区分度值和第二阅读数据的权重确定。
11.如权利要求10所述的图书推荐装置,其特征在于,所述多本图书中的第一图书的图书推荐值为所述第一图书包括的每个图书标签在所述第一用户度量值表中对应的用户度量值之和。
12.如权利要求7所述的图书推荐装置,其特征在于,所述推荐模块具体为按照所述图书推荐值由高到低选择所述目标图书,并剔除所述第一用户已阅读的图书。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310135875.8A CN104111939B (zh) | 2013-04-18 | 2013-04-18 | 一种图书推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310135875.8A CN104111939B (zh) | 2013-04-18 | 2013-04-18 | 一种图书推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104111939A CN104111939A (zh) | 2014-10-22 |
CN104111939B true CN104111939B (zh) | 2018-08-17 |
Family
ID=51708734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310135875.8A Active CN104111939B (zh) | 2013-04-18 | 2013-04-18 | 一种图书推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104111939B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017124263A1 (zh) * | 2016-01-18 | 2017-07-27 | 杨瑛 | 推荐书籍时的信息推送方法以及图书推荐*** |
WO2017124262A1 (zh) * | 2016-01-18 | 2017-07-27 | 杨瑛 | 通过刷取身份证信息推荐书籍的方法以及图书推荐*** |
WO2017124264A1 (zh) * | 2016-01-18 | 2017-07-27 | 杨瑛 | 推荐书籍时的信息采集方法以及图书推荐*** |
CN105824961B (zh) * | 2016-03-31 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种标签确定方法及装置 |
CN106294855A (zh) * | 2016-08-22 | 2017-01-04 | 合肥齐赢网络技术有限公司 | 一种基于互联网的智能化书柜管理*** |
CN107437215B (zh) * | 2017-08-02 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种基于标签的图书推荐方法 |
CN107492025A (zh) * | 2017-09-13 | 2017-12-19 | 深圳市悦好教育科技有限公司 | 一种图书推荐的方法和*** |
CN110826850B (zh) * | 2019-09-24 | 2022-09-30 | 深圳市一德文化科技有限公司 | 基于信息处理的智慧校园图书馆管理方法及其*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254003A (zh) * | 2011-07-15 | 2011-11-23 | 江苏大学 | 一种图书推荐方法 |
CN102542046A (zh) * | 2011-12-27 | 2012-07-04 | 纽海信息技术(上海)有限公司 | 一种基于图书内容的图书推荐方法 |
CN102902744A (zh) * | 2012-09-17 | 2013-01-30 | 杭州东信北邮信息技术有限公司 | 一种图书推荐方法 |
CN102929959A (zh) * | 2012-10-10 | 2013-02-13 | 杭州东信北邮信息技术有限公司 | 一种基于用户行为的图书推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10247928A1 (de) * | 2001-10-31 | 2003-05-28 | Ibm | Auslegen von Empfehlungssystemen, so dass sie allgemeine Eigenschaften im Empfehlungsprozess behandeln |
-
2013
- 2013-04-18 CN CN201310135875.8A patent/CN104111939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254003A (zh) * | 2011-07-15 | 2011-11-23 | 江苏大学 | 一种图书推荐方法 |
CN102542046A (zh) * | 2011-12-27 | 2012-07-04 | 纽海信息技术(上海)有限公司 | 一种基于图书内容的图书推荐方法 |
CN102902744A (zh) * | 2012-09-17 | 2013-01-30 | 杭州东信北邮信息技术有限公司 | 一种图书推荐方法 |
CN102929959A (zh) * | 2012-10-10 | 2013-02-13 | 杭州东信北邮信息技术有限公司 | 一种基于用户行为的图书推荐方法 |
Non-Patent Citations (1)
Title |
---|
基于多特征的个性化图书推荐算法;李克潮 等;《计算机工程》;20120630;第38卷(第11期);第34-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104111939A (zh) | 2014-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104111939B (zh) | 一种图书推荐方法和装置 | |
CN108628833B (zh) | 原创内容摘要确定方法及装置,原创内容推荐方法及装置 | |
CN101984437B (zh) | 音乐资源个性化推荐方法及*** | |
US20150186503A1 (en) | Method, system, and computer readable medium for interest tag recommendation | |
Yu et al. | Identifying restaurant features via sentiment analysis on yelp reviews | |
CN105045781A (zh) | 查询词相似度计算方法及装置、查询词搜索方法及装置 | |
CN105593851A (zh) | 用于跟踪与通过关联的文本和图像可识别的实体相关的微博消息的方法和装置 | |
JP2008117222A (ja) | 情報処理装置および方法、並びにプログラム | |
KR20130092310A (ko) | 상품 추천 시스템 | |
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
JP5012078B2 (ja) | カテゴリ作成方法、カテゴリ作成装置、およびプログラム | |
US8838580B2 (en) | Method and system for providing keyword ranking using common affix | |
CN108269125A (zh) | 评论信息质量评估方法及***、评论信息处理方法及*** | |
CN102542046A (zh) | 一种基于图书内容的图书推荐方法 | |
CN106294502B (zh) | 一种电子书信息处理方法及装置 | |
Pichl et al. | Combining Spotify and Twitter Data for Generating a Recent and Public Dataset for Music Recommendation. | |
KR101206863B1 (ko) | 온라인 네트워크 사용자의 평판도 산출 방법 및 장치 | |
CN113190683B (zh) | 基于聚类技术的企业esg指数确定方法及相关产品 | |
CN103853789A (zh) | 一种用于向用户推荐信息的方法和设备 | |
CN109584016A (zh) | 一种商品推荐方法 | |
CN105955957A (zh) | 一种商家总体评论中方面评分的确定方法及装置 | |
Aliannejadi et al. | User model enrichment for venue recommendation | |
CN109241120A (zh) | 一种用户推荐方法及装置 | |
Zhang et al. | A novel approach to recommender system based on aspect-level sentiment analysis | |
CN112632277A (zh) | 一种目标内容对象的资源处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |