CN107220365A - 基于协同过滤与关联规则并行处理的精准推荐***及方法 - Google Patents
基于协同过滤与关联规则并行处理的精准推荐***及方法 Download PDFInfo
- Publication number
- CN107220365A CN107220365A CN201710423263.7A CN201710423263A CN107220365A CN 107220365 A CN107220365 A CN 107220365A CN 201710423263 A CN201710423263 A CN 201710423263A CN 107220365 A CN107220365 A CN 107220365A
- Authority
- CN
- China
- Prior art keywords
- film
- collaborative filtering
- correlation rule
- user
- parallel processing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
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)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机技术中的数据处理及推荐,其公开了一种基于协同过滤与关联规则并行处理的精准推荐***及方法,解决传统技术中的推荐***无法适应于如同电影这种指标体系庞大且繁琐的行业的推荐问题,实现精准推荐。所述推荐方法包括:a.数据预处理阶段:收集影片指标属性信息和用户特征指标信息,并进行预处理,作为预测及推荐的基础数据;b.预测及推荐阶段:基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,并基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片,并预测未来的用户群;c.评价阶段:对预测结果的准确性进行评价。本发明适用于电影行业中为目标用户推荐特定影片。
Description
技术领域
本发明涉及计算机技术中的数据处理及推荐,具体涉及一种基于协同过滤与关联规则并行处理的精准推荐***及方法。
背景技术
随着网络技术、信息技术和计算机技术飞速发展,早在2010年,全球就进入了大数据时代。如何准确地发现用户的购买偏好并向其进行推荐是当前的一项研究热点问题。
但是,电影不同于一般的零售商品,其涉及到多个指标体系,用户兴趣取向及口味各不相同,因此传统单一的推荐***并不能完全达到精准推荐的目的。
发明内容
本发明所要解决的技术问题是:提出一种基于协同过滤与关联规则并行处理的精准推荐***及方法,解决传统技术中的推荐***无法适应于如同电影这种指标体系庞大且繁琐的行业的推荐问题,实现精准推荐。
本发明解决上述技术问题所采用的方案是:
基于协同过滤与关联规则并行处理的精准推荐***,包括数据预处理模块、预测及推荐模块、评价模块;
数据预处理模块,用于收集影片指标属性信息和用户特征指标信息,并进行预处理,作为预测及推荐模块的基础数据;
预测及推荐模块,用于基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,并基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片;
评价模块,用于预测结果的准确性进行评价。
作为进一步优化,所述影片指标属性信息包括:电影ID、电影名、导演、编剧、主演、类型、制片国家/地区、语言、上映日期、片长、评分、标签、评论ID、评论内容、评论者、评论点赞数。
作为进一步优化,所述用户特征指标信息包括:用户ID、用户名、历史观看、历史评分、历史评论、标签。
此外,本发明还提供了一种基于协同过滤与关联规则并行处理的精准推荐方法,其包括以下步骤:
a.数据预处理阶段:收集影片指标属性信息和用户特征指标信息,并进行预处理,作为预测及推荐的基础数据;
b.预测及推荐阶段:基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,并基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片,并预测未来的用户群;
c.评价阶段:对预测结果的准确性进行评价。
作为进一步优化,步骤a中,所述预处理包括:
利用深度学习的方法对缺失数据进行填补,对于类别型数据则可以直接将其映射为新的布尔型数据;对于数值型数据,采用C均值模糊分类法将其划分为多个类,产生隶属度矩阵。
作为进一步优化,步骤b中,所述基于关联规则对影片指标属性进行计算,具体包括:首先检索出目标数据库中的所有频繁项集,然后利用频繁项集构造出满足最小信任度的关联规则,根据该关联规则输出目标用户。
作为进一步优化,步骤b中,所述基于协同过滤规则对用户特征指标进行计算,具体包括:
首先构建活跃用户的用户-属性评分矩阵,然后利用皮尔森相关系数或者余弦相似度为活跃用户找出k个最相似的用户形成用户邻居集合,在相似度的计算过程中,每个用户都被看成是一个n维向量,用户之间的相似度通过向量之间的相似度表示。
作为进一步优化,步骤b中,所述向具有同一爱好取向的目标用户推荐特定影片的方法,具体包括:
用户邻居集合计算好以后,通过统计该邻居集合中所有用户观看的影片群的出现频率,并根据频率对影片群进行排序,将目标群落推荐给他。
作为进一步优化,所述活跃用户的用户-属性评分矩阵中,属性包括:历史观看、历史评分、历史评论、标签。
作为进一步优化,步骤c中,所述对预测结果进行评价时,采用预测准确性评价指标为平均绝对误差MAE和根均方误差RMSE,公式分别是:
其中,rui和分别是用户u对项目i的实际评分和预测评分,n表示待预测项目的个数;这两项指标的值越小表示预测的准确性越高。
本发明的有益效果是:借助于关联规则,发现相似类型、风格、演职员、评论内容等的电影群,然后运用协同过滤方法,指出拥有同样爱好取向的用户,并预测未来的用户群;采用本发明的方案可以提高电影线上集合网站识别目标用户的效率和推荐的精准性。
附图说明
图1为本发明实施例中的推荐方法流程图;
图2为推荐算法示意图。
具体实施方式
本发明旨在提出一种基于协同过滤与关联规则并行处理的精准推荐***及方法,解决传统技术中的推荐***无法适应于如同电影这种指标体系庞大且繁琐的行业的推荐问题,实现精准推荐。
本发明提出的基于协同过滤与关联规则并行处理的精准推荐***,包括数据预处理模块、预测及推荐模块、评价模块三个部分;其中:
数据预处理模块,用于收集影片指标属性信息和用户特征指标信息,并进行预处理,作为预测及推荐模块的基础数据;
预测及推荐模块,用于基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,并基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片;
评价模块,用于预测结果的准确性进行评价。
在具体实现上,本发明中确定的影片指标属性信息包括:电影ID、电影名、导演、编剧、主演、类型、制片国家/地区、语言、上映日期、片长、评分、标签、评论ID、评论内容、评论者、评论点赞数。
本发明中确定的用户特征指标信息包括:用户ID、用户名、历史观看、历史评分、历史评论、标签。
数据预处理过程是对收集的数据的降维、简化过程,从而生成供预测及推荐模块使用的目标数据。
在数据收集时,利用深度学习的方法对缺失数据进行填补,对于类别型数据则可以直接将其映射为新的布尔型数据;对于数值型数据,采用C均值模糊分类法将其划分为多个类,产生隶属度矩阵。
基于上述推荐***,本发明的实施例实现的推荐方法如图1所示;其包括:
1、数据预处理阶段:收集影片指标属性信息和用户特征指标信息,建立数据集,筛选有效数据并分类,然后进行降维处理,作为预测及推荐的基础数据。
2、预测及推荐阶段:
在本阶段利用了关联规则和协同过滤规则,基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片,并预测未来的用户群。
3、评价阶段:对预测结果的准确性进行评价。
本阶段对预测结果进行评价时,采用预测准确性评价指标为平均绝对误差MAE和根均方误差RMSE,公式分别是:
其中,rui和分别是用户u对项目i的实际评分和预测评分,n表示待预测项目的个数;这两项指标的值越小表示预测的准确性越高。
据此可以看出,本发明的核心之处在于推荐算法,如图2所示,即分别针对影片指标属性和用户行为指标属性采用关联规则计算和协同过滤计算,再将二者有机融合,为目标用户匹配出特定影片,从而进行商品推荐。
在具体实现上,本发明中的关联规则选用改进的Apriori,将发现关联规则的过程分为两步:第一步通过迭代,检索出目标数据库中的所有频繁项集;第二步利用频繁项集构造出满足最小信任度的规则。具体做法:首先扫描一次布尔矩阵,矩阵中的每一行代表事务,矩阵中的列代表项目。I代表属性,T代表用户。其次扫描矩阵形成频繁1-项集L1,删除属性集小于支持度的列。然后形成候选项集,即将两个属性进行组合,计算其支持度。再与设定好的最小支持度比较,小于的话删除该用户(行)。形成2-项集L2。以此类推直到第k项集中每一项的支持度都大于或者等于最小支持度。那么我们就找到了最大频繁项集。
使用的协同过滤算法包括两个步骤:首先,构建活跃用户的用户-属性评分矩阵。其中属性包括历史观看、历史评分、历史评论、标签。其次,利用皮尔森相关系数或者余弦相似度为活跃用户找出k个最相似的用户(用户邻居集合),在相似度的计算过程中,每个用户都被看成是一个n维向量(Cn表示项目的个数),用户之间的相似度就通过向量之间的相似度表示。用户邻居集合计算好以后,通过统计该邻居集合中所有用户观看的影片群的出现频率,并根据频率对影片群进行排序,将目标群落推荐给他。
Claims (10)
1.基于协同过滤与关联规则并行处理的精准推荐***,其特征在于,包括数据预处理模块、预测及推荐模块、评价模块;
数据预处理模块,用于收集影片指标属性信息和用户特征指标信息,并进行预处理,作为预测及推荐模块的基础数据;
预测及推荐模块,用于基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,并基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片;
评价模块,用于预测结果的准确性进行评价。
2.如权利要求1所述的基于协同过滤与关联规则并行处理的精准推荐***,其特征在于,所述影片指标属性信息包括:电影ID、电影名、导演、编剧、主演、类型、制片国家/地区、语言、上映日期、片长、评分、标签、评论ID、评论内容、评论者、评论点赞数。
3.如权利要求1所述的基于协同过滤与关联规则并行处理的精准推荐***,其特征在于,所述用户特征指标信息包括:用户ID、用户名、历史观看、历史评分、历史评论、标签。
4.基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,包括以下步骤:
a.数据预处理阶段:收集影片指标属性信息和用户特征指标信息,并进行预处理,作为预测及推荐的基础数据;
b.预测及推荐阶段:基于关联规则对影片指标属性进行计算,生成针对目标用户的特定影片群,并基于协同过滤规则对用户特征指标进行计算,找出相似用户群,最后向具有同一爱好取向的目标用户推荐特定影片,并预测未来的用户群;
c.评价阶段:对预测结果的准确性进行评价。
5.如权利要求4所述的基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,步骤a中,所述预处理包括:
利用深度学习的方法对缺失数据进行填补,对于类别型数据则可以直接将其映射为新的布尔型数据;对于数值型数据,采用C均值模糊分类法将其划分为多个类,产生隶属度矩阵。
6.如权利要求4所述的基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,步骤b中,所述基于关联规则对影片指标属性进行计算,具体包括:首先检索出目标数据库中的所有频繁项集,然后利用频繁项集构造出满足最小信任度的关联规则,根据该关联规则输出目标用户。
7.如权利要求4所述的基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,步骤b中,所述基于协同过滤规则对用户特征指标进行计算,具体包括:
首先构建活跃用户的用户-属性评分矩阵,然后利用皮尔森相关系数或者余弦相似度为活跃用户找出k个最相似的用户形成用户邻居集合,在相似度的计算过程中,每个用户都被看成是一个n维向量,用户之间的相似度通过向量之间的相似度表示。
8.如权利要求4所述的基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,步骤b中,所述向具有同一爱好取向的目标用户推荐特定影片的方法,具体包括:
用户邻居集合计算好以后,通过统计该邻居集合中所有用户观看的影片群的出现频率,并根据频率对影片群进行排序,将目标群落推荐给他。
9.如权利要求4所述的基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,所述活跃用户的用户-属性评分矩阵中,属性包括:历史观看、历史评分、历史评论、标签。
10.如权利要求4所述的基于协同过滤与关联规则并行处理的精准推荐方法,其特征在于,步骤c中,所述对预测结果进行评价时,采用预测准确性评价指标为平均绝对误差MAE和根均方误差RMSE,公式分别是:
其中,rui和分别是用户u对项目i的实际评分和预测评分,n表示待预测项目的个数;这两项指标的值越小表示预测的准确性越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423263.7A CN107220365B (zh) | 2017-06-07 | 2017-06-07 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423263.7A CN107220365B (zh) | 2017-06-07 | 2017-06-07 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220365A true CN107220365A (zh) | 2017-09-29 |
CN107220365B CN107220365B (zh) | 2020-10-23 |
Family
ID=59948403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710423263.7A Active CN107220365B (zh) | 2017-06-07 | 2017-06-07 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220365B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257035A (zh) * | 2017-12-30 | 2018-07-06 | 黄敬易 | 用户相似度计算方法、装置、服务器及可读存储介质 |
CN108415987A (zh) * | 2018-02-12 | 2018-08-17 | 大连理工大学 | 一种电影推荐的冷启动解决方法 |
CN108960897A (zh) * | 2018-06-08 | 2018-12-07 | 成都信息工程大学 | 一种结合关联规则的多维度用户协同过滤推荐方法 |
CN108985854A (zh) * | 2018-07-31 | 2018-12-11 | 天津大学 | 一种用户参与的个性化产品概念设计方法 |
CN109670892A (zh) * | 2017-10-17 | 2019-04-23 | Tcl集团股份有限公司 | 一种协同过滤推荐方法及***、终端设备 |
CN109948067A (zh) * | 2019-02-22 | 2019-06-28 | 哈尔滨工业大学(深圳) | 一种融合信任用户隐语义lr模型的信息推送方法及*** |
CN110008377A (zh) * | 2019-03-27 | 2019-07-12 | 华南理工大学 | 一种利用用户属性进行电影推荐的方法 |
CN110020169A (zh) * | 2017-12-28 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种确定对象相关性的方法和装置 |
CN110196904A (zh) * | 2018-02-26 | 2019-09-03 | 佛山市顺德区美的电热电器制造有限公司 | 一种获取推荐信息的方法、装置及计算机可读存储介质 |
CN110647682A (zh) * | 2019-09-04 | 2020-01-03 | 华东江苏大数据交易中心股份有限公司 | 一种交易数据的关联推荐*** |
CN110839167A (zh) * | 2018-08-16 | 2020-02-25 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110941771A (zh) * | 2019-12-24 | 2020-03-31 | 哈尔滨理工大学 | 一种电商平台中的商品并行动态推送方法 |
CN111209486A (zh) * | 2019-12-19 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN112487021A (zh) * | 2020-11-26 | 2021-03-12 | 中国人寿保险股份有限公司 | 业务数据的关联分析方法、装置及设备 |
CN112989026A (zh) * | 2021-04-14 | 2021-06-18 | 华南理工大学 | 一种基于关联规则的文本推荐方法 |
CN113360681A (zh) * | 2021-06-01 | 2021-09-07 | 北京百度网讯科技有限公司 | 确定推荐信息的方法、装置、电子设备和存储介质 |
CN113420096A (zh) * | 2021-06-22 | 2021-09-21 | 平安科技(深圳)有限公司 | 指标体系的构建方法、装置、设备及存储介质 |
CN113706282A (zh) * | 2021-10-14 | 2021-11-26 | 连连(杭州)信息技术有限公司 | 一种数据确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及*** |
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 |
WO2014035048A1 (ko) * | 2012-08-28 | 2014-03-06 | 에스케이플래닛 주식회사 | 아이템 추천 시스템 및 방법 |
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
CN106066873A (zh) * | 2016-05-30 | 2016-11-02 | 哈尔滨工程大学 | 一种基于本体的旅游信息推荐方法 |
-
2017
- 2017-06-07 CN CN201710423263.7A patent/CN107220365B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及*** |
WO2014035048A1 (ko) * | 2012-08-28 | 2014-03-06 | 에스케이플래닛 주식회사 | 아이템 추천 시스템 및 방법 |
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 |
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
CN106066873A (zh) * | 2016-05-30 | 2016-11-02 | 哈尔滨工程大学 | 一种基于本体的旅游信息推荐方法 |
Non-Patent Citations (2)
Title |
---|
俞美华: ""融合用户兴趣度与项目相关度的电影推荐算法研究"", 《电脑知识与技术》 * |
陈平华 等: ""一种结合关联规则的协同过滤推荐算法"", 《小型微型计算机*** 》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670892A (zh) * | 2017-10-17 | 2019-04-23 | Tcl集团股份有限公司 | 一种协同过滤推荐方法及***、终端设备 |
CN110020169A (zh) * | 2017-12-28 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种确定对象相关性的方法和装置 |
CN108257035A (zh) * | 2017-12-30 | 2018-07-06 | 黄敬易 | 用户相似度计算方法、装置、服务器及可读存储介质 |
CN108415987A (zh) * | 2018-02-12 | 2018-08-17 | 大连理工大学 | 一种电影推荐的冷启动解决方法 |
CN108415987B (zh) * | 2018-02-12 | 2021-05-11 | 大连理工大学 | 一种电影推荐的冷启动解决方法 |
CN110196904A (zh) * | 2018-02-26 | 2019-09-03 | 佛山市顺德区美的电热电器制造有限公司 | 一种获取推荐信息的方法、装置及计算机可读存储介质 |
CN108960897A (zh) * | 2018-06-08 | 2018-12-07 | 成都信息工程大学 | 一种结合关联规则的多维度用户协同过滤推荐方法 |
CN108985854A (zh) * | 2018-07-31 | 2018-12-11 | 天津大学 | 一种用户参与的个性化产品概念设计方法 |
CN110839167B (zh) * | 2018-08-16 | 2021-05-28 | Tcl科技集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110839167A (zh) * | 2018-08-16 | 2020-02-25 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN109948067A (zh) * | 2019-02-22 | 2019-06-28 | 哈尔滨工业大学(深圳) | 一种融合信任用户隐语义lr模型的信息推送方法及*** |
CN110008377A (zh) * | 2019-03-27 | 2019-07-12 | 华南理工大学 | 一种利用用户属性进行电影推荐的方法 |
CN110008377B (zh) * | 2019-03-27 | 2021-09-21 | 华南理工大学 | 一种利用用户属性进行电影推荐的方法 |
CN110647682A (zh) * | 2019-09-04 | 2020-01-03 | 华东江苏大数据交易中心股份有限公司 | 一种交易数据的关联推荐*** |
CN111209486A (zh) * | 2019-12-19 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN111209486B (zh) * | 2019-12-19 | 2023-04-11 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN110941771A (zh) * | 2019-12-24 | 2020-03-31 | 哈尔滨理工大学 | 一种电商平台中的商品并行动态推送方法 |
CN110941771B (zh) * | 2019-12-24 | 2022-08-23 | 哈尔滨理工大学 | 一种电商平台中的商品并行动态推送方法 |
CN112487021A (zh) * | 2020-11-26 | 2021-03-12 | 中国人寿保险股份有限公司 | 业务数据的关联分析方法、装置及设备 |
CN112487021B (zh) * | 2020-11-26 | 2024-04-30 | 中国人寿保险股份有限公司 | 业务数据的关联分析方法、装置及设备 |
CN112989026A (zh) * | 2021-04-14 | 2021-06-18 | 华南理工大学 | 一种基于关联规则的文本推荐方法 |
CN113360681A (zh) * | 2021-06-01 | 2021-09-07 | 北京百度网讯科技有限公司 | 确定推荐信息的方法、装置、电子设备和存储介质 |
CN113360681B (zh) * | 2021-06-01 | 2023-06-23 | 北京百度网讯科技有限公司 | 确定推荐信息的方法、装置、电子设备和存储介质 |
CN113420096A (zh) * | 2021-06-22 | 2021-09-21 | 平安科技(深圳)有限公司 | 指标体系的构建方法、装置、设备及存储介质 |
CN113420096B (zh) * | 2021-06-22 | 2024-05-10 | 平安科技(深圳)有限公司 | 指标体系的构建方法、装置、设备及存储介质 |
CN113706282A (zh) * | 2021-10-14 | 2021-11-26 | 连连(杭州)信息技术有限公司 | 一种数据确定方法、装置、电子设备及存储介质 |
CN113706282B (zh) * | 2021-10-14 | 2022-04-26 | 连连(杭州)信息技术有限公司 | 一种数据确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107220365B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐***及方法 | |
CN108363804B (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
Selke et al. | Pushing the boundaries of crowd-enabled databases with query-driven schema expansion | |
CN109241203B (zh) | 一种融合时间因素的用户偏好和距离加权的聚类方法 | |
CN111291261A (zh) | 融合标签和注意力机制的跨领域推荐方法及其实现*** | |
Sahu et al. | Movie popularity and target audience prediction using the content-based recommender system | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN106157156A (zh) | 一种基于用户社区的协作推荐*** | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN113343077A (zh) | 一种融合用户兴趣时序波动的个性化推荐方法及*** | |
Chen et al. | DPM-IEDA: dual probabilistic model assisted interactive estimation of distribution algorithm for personalized search | |
KR101738809B1 (ko) | IoT 기반 스마트 홈 커뮤니티에서 소셜 매칭 및 소통 서비스를 위한 다차원매트릭스 지역화 방법 및 시스템 | |
Sridharan | Introducing serendipity in recommender systems through collaborative methods | |
Joseph et al. | A Comparative Study of Collaborative Movie Recommendation System | |
CN115408605A (zh) | 基于边信息和注意力机制的神经网络推荐方法及*** | |
CN114022233A (zh) | 一种新型的商品推荐方法 | |
Sumathi et al. | Certain Investigations on Cognitive based Movie Recommendation system using Pairwise Cosine Similarity | |
Chang et al. | A Stock-Movement Aware Approach for Discovering Investors' Personalized Preferences in Stock Markets | |
Sun et al. | A Dynamic Collaborative Filtering Algorithm based on Convolutional Neural Networks and Multi-layer Perceptron | |
You et al. | A hotel ranking model through online reviews with aspect-based sentiment analysis | |
CN110209938A (zh) | 一种基于服务多粒度属性的***推荐方法 | |
Hwang et al. | Integrating multiple linear regression and multicriteria collaborative filtering for better recommendation | |
Zuo et al. | A tag-aware recommendation algorithm based on deep learning and multi-objective optimization |
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 |