CN106959949B - 一种用于推荐***的数据结构化处理方法 - Google Patents
一种用于推荐***的数据结构化处理方法 Download PDFInfo
- Publication number
- CN106959949B CN106959949B CN201610011721.1A CN201610011721A CN106959949B CN 106959949 B CN106959949 B CN 106959949B CN 201610011721 A CN201610011721 A CN 201610011721A CN 106959949 B CN106959949 B CN 106959949B
- Authority
- CN
- China
- Prior art keywords
- user
- content
- matrix
- data
- uid
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种用于推荐***的数据结构化处理方法,所述方法包括:从多源业务***中采集内容元数据、用户属性数据、用户互动数据和用户业务行为数据;根据内容元数据得到内容‑内容关系矩阵II;根据用户属性数据通过相似度对用户进行合并,从而对所述用户互动数据和用户业务行为数据进行合并;根据合并后的用户互动数据得到用户‑用户关系矩阵UU;根据合并后的用户业务行为数据得到初始的用户‑内容关系矩阵U‑I,并将该矩阵重新调整行列顺序得到排序后的用户‑内容关系矩阵UI;将UU矩阵、UI矩阵与II矩阵进行相乘,得到结构化后的用户‑内容关系矩阵,用于内容推荐***。
Description
技术领域
本发明涉及数据结构化技术领域,尤其涉及一种用于推荐***的数据结构化处理方法。
背景技术
随着互联网技术的发展,信息每天都在以惊人的速度增长,同时,信息的种类也在不断地扩展,越来越多的非结构化信息不断出现。据统计在社交媒体中大部分数据是非结构化数据,包括网络日志及内容详情描述等。
在推荐***领域,现有方法都是基于单一业务***的结构化数据进行推荐,因此,对于多业务***的***数据及非结构化数据的存在无法进行推荐的问题;而很多非结构化信息里包含了有价值的数据内容。
发明内容
本发明目的在于克服目前推荐***中存在的只能基于单一业务***的结构化数据进行推荐的缺陷,提出了一种用于推荐***的数据结构化处理方法,该方法可以从多个业务***采集内容元数据、用户属性数据、用户互动数据和用户业务行为数据,将其结构化后的数据直接用于推荐***,提供了更丰富更准确的推荐结果。
为了实现上述方法,本发明提供了一种用于推荐***的数据结构化处理方法,所述方法包括:从多源业务***中采集内容元数据、用户属性数据、用户互动数据和用户业务行为数据;根据内容元数据得到内容-内容关系矩阵II;根据用户属性数据通过相似度对用户进行合并,从而对所述用户互动数据和用户业务行为数据进行合并;根据合并后的用户互动数据得到用户-用户关系矩阵UU;根据合并后的用户业务行为数据得到初始的用户-内容关系矩阵U-I,并将该矩阵重新调整行列顺序得到排序后的用户-内容关系矩阵UI;将UU矩阵、UI矩阵与II矩阵进行相乘,得到结构化后的用户-内容关系矩阵,用于内容推荐***。
上述技术方案中,所述方法具体包括:
步骤1)从多源业务***中采集内容元数据、用户属性数据、用户互动数据和用户业务行为数据;
步骤2)计算内容元数据的向量距离,并进行归一化处理;通过内容合并,得到内容-内容关系矩阵II;
步骤3)将每条用户属性数据的数据项组成用户属性向量,将该用户属性向量转换为用户数值向量,两两计算用户数值向量的相似度,通过相似度对用户进行合并;并根据合并的用户分别对步骤1)的用户互动数据和用户业务行为数据进行合并;
步骤4)根据合并后的用户互动数据提取用户关系,建立用户-用户关系矩阵UU;
步骤5)对合并后的用户业务行为数据进行加权统计和归一化,得到初始的用户-内容关系矩阵U-I;将初始的用户-内容关系矩阵U-I的行和列分别按照UU矩阵相同用户的行顺序、II矩阵相同内容的列顺序进行调整,得到排序后的用户-内容关系矩阵UI;
步骤6)将UU矩阵、UI矩阵与II矩阵进行相乘,得到结构化后的用户-内容关系矩阵,用于内容推荐***。
上述技术方案中,所述步骤1)中的
内容元数据包括:名称、导演姓名、主演列表、上映日期、语言类型和发行商;
用户属性数据包括:姓名、QQ号、手机号码、邮箱地址和年龄;
用户业务行为数据表示为业务行为三元组:(uid,content_id,action_id),其中uid为用户ID,content_id为本次业务行为操作的内容的ID,action_id为本次业务行为类别编码;所述业务行为类别包括:点播、评分、评论、分享和推荐,所述业务行为类别编码为每种用户业务行为类别进行的唯一性编码;
用户互动数据表示为互动三元组:(interaction_id,uid_1,uid_2),其中interaction_id为本次互动数据的唯一性标识符,uid_1、uid_2为互动双方的uid。
上述技术方案中,所述步骤2)具体包括:
步骤2-1)将每条内容元数据的数据项组成该内容的属性向量,将该属性向量转换为数值向量;并对数值向量进行归一化处理;
步骤2-2)计算不同内容数值向量的相似度;如果相似度大于第一阈值时,则判定两条内容元数据对应同一内容,将这两条内容元数据进行合并;
步骤2-3)计算合并后的每条内容元数据间的相似度组成内容-内容关系矩阵II。
上述技术方案中,根据业务***特性设定第一阈值为0.85。
上述技术方案中,所述步骤3)具体包括:
步骤3-1)将每条用户属性数据组成该内容的属性向量,将该属性向量转换为用户数值向量;并对数值向量进行归一化处理;
步骤3-2)计算不同用户数值向量的相似度;如果相似度大于第二阈值时,则判定两个用户为同一用户,将这两个用户进行合并;
步骤3-3)并根据合并的用户分别对步骤1)的用户互动数据和用户业务行为数据进行合并。
上述技术方案中,根据业务***特性设定第二阈值为0.76。
上述技术方案中,所述步骤4)的具体实现过程为:
用户关系的计算公式如下:
其中,Relationship_Strength(a,b)为用户a和用户b的关系,|Ea,b|为用户a和用户b之间的互动次数,|Ea|为用户a的互动总次数,|Eb|为用户b的互动总次数,|U|为用户总数,|Ua|为用户a的互动用户总数,|Ub|为用户b的互动用户总数;
通过用户关系的计算公式计算所有用户间的用户关系,建立用户-用户关系矩阵UU。
上述技术方案中,所述步骤5)具体包括:
步骤5-1)根据步骤1)采集的用户业务行为数据,执行聚合操作得到四元组
(uid,content_id,action_id,Count(uid,content_id,action_id))
其中,Count(uid,content_id,action_id)为用户uid对content_id对象执行action_id业务操作的次数;
步骤5-2)计算每个用户uid对每个内容content_id的兴趣度;
根据业务***特性调整每种业务行为的权重weight(action_id),对聚合后的用户业务行为四元组进行加权统计;得到用户uid对内容content_id的兴趣度Inter_Strength:
步骤5-3)选取兴趣度的最大值作为归一化系数,将所有的兴趣度与归一化系数的比值作为归一化后的兴趣度;
步骤5-4)建立初始的用户-内容关系矩阵U-I;
用户-内容关系矩阵U-I矩阵的行向量个数为用户总数,列向量个数为内容总数;第i行第j列元素为:
Inter_Strength(i→uid,j→contentid)
其中i→uid表示行向量为i的用户uid,j→content_id表示列向量为j的内容content_id;
步骤5-5)将初始的用户-内容关系矩阵U-I的行和列分别按照UU矩阵相同用户的行顺序、II矩阵相同内容的列顺序进行调整,得到排序后的用户-内容关系矩阵UI。
本发明的有益效果在于:本发明的方法能够利用多业务***数据及非结构化数据,并且结构化后的数据可直接用于推荐***,提供更丰富更准确的推荐结果。
附图说明
图1是一种用于推荐***的数据结构化处理方法的流程图。
具体实施方式
以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动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。
如图1所示,一种用于推荐***的数据结构化处理方法,所述方法包括:
步骤1)从多源业务***中采集内容元数据、用户属性数据、用户业务行为数据和用户互动数据;
在本实施例中,从优酷、爱奇艺等视频网站采集内容元数据,从视频聚合业务***采集用户属性数据及用户业务行为数据,从QQ空间、腾讯微博采集用户互动数据。
内容元数据包括:名称、导演姓名、主演列表、上映日期、语言类型和发行商。
用户属性数据包括:姓名、QQ号、手机号码、邮箱地址和年龄。
将用户业务行为数据用三元组(uid,content_id,action_id)表示,其中uid为用户ID,content_id为本次业务行为操作的内容的ID,action_id为本次业务行为类别编码;所述业务行为类别包括:点播、评分、评论、分享和推荐,所述业务行为类别编码为每种用户业务行为类别进行的唯一性编码;
将用户互动数据表示为三元组:(interaction_id,uid_1,uid_2),其中interaction_id为本次互动数据的唯一性标识符,uid_1、uid_2为互动双方的uid,在本实施例中为互动双方的QQ号。
步骤2)计算内容元数据的向量距离,并进行归一化处理;通过内容合并,得到内容-内容关系矩阵II;具体包括:
步骤2-1)将每条内容元数据的数据项组成该内容的属性向量,将该属性向量转换为数值向量;并对数值向量进行归一化处理;
在本实施例中,采用谷歌公司的Word2vec工具将属性向量转换为数值向量;
步骤2-2)计算不同内容数值向量的相似度;如果相似度大于第一阈值时,则判定两条内容元数据对应同一内容,将这两条内容元数据进行合并;
在本实施例中,根据业务***特性设定第一阈值为0.85。
步骤2-3)计算合并后的每条内容元数据间的相似度组成内容-内容关系矩阵II;
步骤3)将每条用户属性数据的数据项组成用户属性向量,将该用户属性向量转换为用户数值向量,两两计算用户数值向量的相似度,通过相似度对用户进行合并;并根据合并的用户分别对步骤1)的用户属性数据、用户业务行为数据和用户互动数据进行合并;
步骤3-1)将每条用户属性数据组成该内容的属性向量,将该属性向量转换为用户数值向量;并对数值向量进行归一化处理;
在本实施例中,采用谷歌公司的Word2vec工具将属性向量转换为数值向量;
步骤3-2)计算不同用户数值向量的相似度;如果相似度大于第二阈值时,则判定两个用户为同一用户,将这两个用户进行合并;
在本实施例中,根据业务***特性设定第二阈值为0.76。
步骤3-3)并根据合并的用户分别对步骤1)的用户互动数据和用户业务行为数据进行合并;
步骤4)根据合并后的用户互动数据提取用户关系,建立用户-用户关系矩阵UU;
用户关系的计算公式如下:
其中,Relationship_Strength(a,b)为用户a和用户b的关系,|Ea,b|为用户a和用户b之间的互动次数,|Ea|为用户a的互动总次数,|Eb|为用户b的互动总次数,|U|为用户总数,|Ua|为用户a的互动用户总数,|Ub|为用户b的互动用户总数;
通过用户关系计算公式计算所有用户间的用户关系,建立用户-用户关系矩阵UU;
步骤5)对合并后的用户业务行为数据进行加权统计和归一化,得到初始的用户-内容关系矩阵U-I;将初始的用户-内容关系矩阵U-I的行和列分别按照UU矩阵相同用户的行顺序、II矩阵相同内容的列顺序进行调整,得到排序后的用户-内容关系矩阵UI;具体包括:
步骤5-1)根据步骤1)采集的用户业务行为数据,执行聚合操作得到四元组(uid,content_id,action_id,Count(uid,content_id,action_id)),其中uid为用户ID,content_id为本次业务行为操作的对象的ID,action_id为本次业务行为类别编码,Count(uid,content_id,action_id)为用户uid对content_id对象执行action_id业务操作的次数;
步骤5-2)计算每个用户uid对每个内容content_id的兴趣度;
根据业务***特性调整每种业务行为的权重weight(action_id),对聚合后的用户业务行为四元组进行加权统计;得到用户uid对内容content_id的兴趣度Inter_Strength:
步骤5-3)选取兴趣度的最大值作为归一化系数,将所有的兴趣度与归一化系数的比值作为归一化后的兴趣度;
步骤5-4)建立用户-内容关系矩阵U-I;
用户-内容关系矩阵U-I矩阵的行向量个数为用户总数,列向量个数为内容总数;第i行第j列元素为:
Inter_Strength(i→uid,j→contentid)
其中i→uid表示行向量为i的用户uid,j→content_id表示列向量为j的内容content_id。
步骤5-5)将用户-内容关系矩阵U-I的行和列分别按照UU矩阵相同用户的行顺序、内容-内容关系矩阵II相同内容的列顺序进行调整,得到排序后的用户-内容关系矩阵UI;
步骤6)将UU矩阵、UI矩阵与II矩阵进行相乘,得到结构化后的用户-内容关系矩阵,用于内容推荐***。
用户-用户关系矩阵UU与用户-内容关系矩阵UI与内容-内容关系矩阵II进行矩阵相乘,得到修正后的用户-内容关系矩阵,该矩阵可直接应用于内容推荐***。
Claims (8)
1.一种用于推荐***的数据结构化处理方法,所述方法包括:从多源业务***中采集内容元数据、用户属性数据、用户互动数据和用户业务行为数据;根据内容元数据得到内容-内容关系矩阵II;根据用户属性数据通过相似度对用户进行合并,从而对所述用户互动数据和用户业务行为数据进行合并;根据合并后的用户互动数据得到用户-用户关系矩阵UU;根据合并后的用户业务行为数据得到初始的用户-内容关系矩阵U-I,并将该矩阵重新调整行列顺序得到排序后的用户-内容关系矩阵UI;将UU矩阵、UI矩阵与II矩阵进行相乘,得到结构化后的用户-内容关系矩阵,用于内容推荐***;
所述方法具体包括:
步骤1)从多源业务***中采集内容元数据、用户属性数据、用户互动数据和用户业务行为数据;
步骤2)计算内容元数据的向量距离,并进行归一化处理;通过内容合并,得到内容-内容关系矩阵II;
步骤3)将每条用户属性数据的数据项组成用户属性向量,将该用户属性向量转换为用户数值向量,两两计算用户数值向量的相似度,通过相似度对用户进行合并;并根据合并的用户分别对步骤1)的用户互动数据和用户业务行为数据进行合并;
步骤4)根据合并后的用户互动数据提取用户关系,建立用户-用户关系矩阵UU;
步骤5)对合并后的用户业务行为数据进行加权统计和归一化,得到初始的用户-内容关系矩阵U-I;将初始的用户-内容关系矩阵U-I的行和列分别按照UU矩阵相同用户的行顺序、II矩阵相同内容的列顺序进行调整,得到排序后的用户-内容关系矩阵UI;
步骤6)将UU矩阵、UI矩阵与II矩阵进行相乘,得到结构化后的用户-内容关系矩阵,用于内容推荐***。
2.根据权利要求1所述的用于推荐***的数据结构化处理方法,其特征在于,所述步骤1)中的
内容元数据包括:名称、导演姓名、主演列表、上映日期、语言类型和发行商;
用户属性数据包括:姓名、QQ号、手机号码、邮箱地址和年龄;
用户业务行为数据表示为业务行为三元组:(uid,content_id,action_id),其中uid为用户ID,content_id为本次业务行为操作的内容的ID,action_id为本次业务行为类别编码;所述业务行为类别包括:点播、评分、评论、分享和推荐,所述业务行为类别编码为每种用户业务行为类别进行的唯一性编码;
用户互动数据表示为互动三元组:(interaction_id,uid_1,uid_2),其中interaction_id为本次互动数据的唯一性标识符,uid_1、uid_2为互动双方的uid。
3.根据权利要求1所述的用于推荐***的数据结构化处理方法,其特征在于,所述步骤2)具体包括:
步骤2-1)将每条内容元数据的数据项组成该内容的属性向量,将该属性向量转换为数值向量;并对数值向量进行归一化处理;
步骤2-2)计算不同内容数值向量的相似度;如果相似度大于第一阈值时,则判定两条内容元数据对应同一内容,将这两条内容元数据进行合并;
步骤2-3)计算合并后的每条内容元数据间的相似度组成内容-内容关系矩阵II。
4.根据权利要求3所述的用于推荐***的数据结构化处理方法,其特征在于,根据业务***特性设定第一阈值为0.85。
5.根据权利要求1所述的用于推荐***的数据结构化处理方法,其特征在于,所述步骤3)具体包括:
步骤3-1)将每条用户属性数据组成该内容的属性向量,将该属性向量转换为用户数值向量;并对数值向量进行归一化处理;
步骤3-2)计算不同用户数值向量的相似度;如果相似度大于第二阈值时,则判定两个用户为同一用户,将这两个用户进行合并;
步骤3-3)并根据合并的用户分别对步骤1)的用户互动数据和用户业务行为数据进行合并。
6.根据权利要求5所述的用于推荐***的数据结构化处理方法,其特征在于,根据业务***特性设定第二阈值为0.76。
7.根据权利要求1所述的用于推荐***的数据结构化处理方法,其特征在于,所述步骤4)的具体实现过程为:
用户关系的计算公式如下:
其中,Relationship_Strength(a,b)为用户a和用户b的关系,|Ea,b|为用户a和用户b之间的互动次数,|Ea|为用户a的互动总次数,|Eb|为用户b的互动总次数,|U|为用户总数,|Ua|为用户a的互动用户总数,|Ub|为用户b的互动用户总数;
通过用户关系的计算公式计算所有用户间的用户关系,建立用户-用户关系矩阵UU。
8.根据权利要求1所述的用于推荐***的数据结构化处理方法,其特征在于,所述步骤5)具体包括:
步骤5-1)根据步骤1)采集的用户业务行为数据,执行聚合操作得到四元组
(uid,content_id,action_id,Count(uid,content_id,action_id))
其中,Count(uid,content_id,action_id)为用户uid对content_id对象执行action_id业务操作的次数;
步骤5-2)计算每个用户uid对每个内容content_id的兴趣度;
根据业务***特性调整每种业务行为的权重weight(action_id),对聚合后的用户业务行为四元组进行加权统计;得到用户uid对内容content_id的兴趣度Inter_Strength:
步骤5-3)选取兴趣度的最大值作为归一化系数,将所有的兴趣度与归一化系数的比值作为归一化后的兴趣度;
步骤5-4)建立初始的用户-内容关系矩阵U-I;
用户-内容关系矩阵U-I矩阵的行向量个数为用户总数,列向量个数为内容总数;第i行第j列元素为:
Inter_Strength(i→uid,j→contentid)
其中i→uid表示行向量为i的用户uid,j→content_id表示列向量为j的内容content_id;
步骤5-5)将初始的用户-内容关系矩阵U-I的行和列分别按照UU矩阵相同用户的行顺序、II矩阵相同内容的列顺序进行调整,得到排序后的用户-内容关系矩阵UI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610011721.1A CN106959949B (zh) | 2016-01-08 | 2016-01-08 | 一种用于推荐***的数据结构化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610011721.1A CN106959949B (zh) | 2016-01-08 | 2016-01-08 | 一种用于推荐***的数据结构化处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106959949A CN106959949A (zh) | 2017-07-18 |
CN106959949B true CN106959949B (zh) | 2019-08-20 |
Family
ID=59481274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610011721.1A Active CN106959949B (zh) | 2016-01-08 | 2016-01-08 | 一种用于推荐***的数据结构化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106959949B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862047B (zh) * | 2017-11-08 | 2020-06-16 | 爱财科技有限公司 | 基于多个数据源的自然人数据处理方法和*** |
CN109634827A (zh) * | 2018-12-12 | 2019-04-16 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN112312216B (zh) * | 2020-10-16 | 2022-08-16 | 山东海看新媒体研究院有限公司 | 基于模因理论的可追溯电视推荐方法及*** |
CN112307344B (zh) * | 2020-11-05 | 2022-05-06 | 完美世界(北京)软件科技发展有限公司 | 对象推荐模型、对象推荐方法、装置及电子设备 |
CN112416945A (zh) * | 2020-12-07 | 2021-02-26 | 恩亿科(北京)数据科技有限公司 | 基于大数据平台的数据处理方法、***和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN103974097A (zh) * | 2014-05-22 | 2014-08-06 | 南京大学镇江高新技术研究院 | 基于流行度和社交网络的个性化用户原创视频预取方法及*** |
CN104063589A (zh) * | 2014-06-16 | 2014-09-24 | 百度移信网络技术(北京)有限公司 | 一种推荐方法以及*** |
-
2016
- 2016-01-08 CN CN201610011721.1A patent/CN106959949B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN103974097A (zh) * | 2014-05-22 | 2014-08-06 | 南京大学镇江高新技术研究院 | 基于流行度和社交网络的个性化用户原创视频预取方法及*** |
CN104063589A (zh) * | 2014-06-16 | 2014-09-24 | 百度移信网络技术(北京)有限公司 | 一种推荐方法以及*** |
Non-Patent Citations (1)
Title |
---|
网络电视的多媒体推荐***设计与实现;高思敏等;《计算机应用与软件》;20130131;第79-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106959949A (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106959949B (zh) | 一种用于推荐***的数据结构化处理方法 | |
US11847612B2 (en) | Social media profiling for one or more authors using one or more social media platforms | |
US10552488B2 (en) | Social media user recommendation system and method | |
US10354170B2 (en) | Method and apparatus of establishing image search relevance prediction model, and image search method and apparatus | |
AU2012294704B2 (en) | Filtering social search results | |
US20190266257A1 (en) | Vector similarity search in an embedded space | |
US20160054871A1 (en) | System for creating and method for providing a news feed website and application | |
CN103678652B (zh) | 一种基于Web日志数据的信息个性化推荐方法 | |
US20160110464A1 (en) | Method of recommending content via social signals | |
US9305092B1 (en) | Search query auto-completions based on social graph | |
CN104835072A (zh) | 社交网络中用户的兼容性评分 | |
CN104268142B (zh) | 基于可拒绝策略的元搜索结果排序方法 | |
WO2011057497A1 (zh) | 一种词汇质量挖掘评价方法及装置 | |
CN103678668A (zh) | 相关搜索结果的提示方法、服务器及*** | |
CN104636371A (zh) | 信息推荐方法及设备 | |
CN105761154B (zh) | 一种社会化推荐方法及装置 | |
Kobylanski et al. | Dynkin games in a general framework | |
Hu et al. | Personalized recommendation algorithm based on preference features | |
CN106294868A (zh) | 一种基于搜索引擎的个性化推荐方法及*** | |
US10127322B2 (en) | Efficient retrieval of fresh internet content | |
US9418389B2 (en) | Social intelligence architecture using social media message queues | |
US20220318653A1 (en) | Social media content recommendation | |
Lazer et al. | The COVID states project# 18: Fake news on Twitter | |
Alotaibi et al. | Personalized Recommendation of Research Papers by Fusing Recommendations from Explicit and Implicit Social Network. | |
US9384513B2 (en) | Apparatus for collecting contents using social relation character and method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210804 Address after: Room 1601, 16th floor, East Tower, Ximei building, No. 6, Changchun Road, high tech Industrial Development Zone, Zhengzhou, Henan 450001 Patentee after: Zhengzhou xinrand Network Technology Co.,Ltd. Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District Patentee before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES |
|
TR01 | Transfer of patent right |