CN107944035B - 一种融合视觉特征和用户评分的图像推荐方法 - Google Patents
一种融合视觉特征和用户评分的图像推荐方法 Download PDFInfo
- Publication number
- CN107944035B CN107944035B CN201711330059.7A CN201711330059A CN107944035B CN 107944035 B CN107944035 B CN 107944035B CN 201711330059 A CN201711330059 A CN 201711330059A CN 107944035 B CN107944035 B CN 107944035B
- Authority
- CN
- China
- Prior art keywords
- user
- image
- article
- representing
- matrix
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000009193 crawling Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 48
- 230000009466 transformation Effects 0.000 claims description 24
- 239000011541 reaction mixture Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种融合视觉特征和用户评分的图像推荐方法，包括：1、爬取数据集并从数据集中提取物品图像和用户对相应物品图像的评分矩阵；2、对所有采集到的物品图像利用卷积神经网络CNN进行图像视觉特征提取，得到视觉特征矩阵；3、建立预测偏好模型，利用基于元素的交替最小二乘法更新预测偏好模型；4、从最终的预测偏好模型中得到用户对所有物品图像的偏好值，将偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户。本发明将视觉特征和用户评分进行融合，从而能够提高推荐精度和实现个性化推荐。
Description
技术领域
本发明属于基于计算机视觉技术的图像处理技术领域，主要是涉及到矩阵分解的图像推荐方法。
背景技术
近些年来，伴随着电子商务的快速发展，产生了海量的网络图像数据，面对这样大量的图像数据，用户希望可以快速的定位自己感兴趣的图像信息，搜索成为实现此目的的必备的功能，而搜索是由用户主动发起的服务请求，为了让***主动地为客户提供服务，就出现了图像推荐***，通过分析用户感兴趣的历史数据和图像数据库中的图像数据，为用户推荐图像数据库中最有可能是用户感兴趣的图像内容，也就是将与用户历史感兴趣的图像最接近的图像推荐给用户。
目前各大电子商务网站中所使用的商品检索***大多是使用基于关键字的检索，例如，淘宝，亚马逊等，而基于关键字的图像检索***要求商品图像必须附加商品的名称、种类等相关文字描述信息，再根据用户输入的搜索关键字与商品的文字描述进行匹配，然而文字信息难以完整描述商品的所有特征，并且受用户主观因素的影响非常大，使得用户输入的商品描述信息很难做到客观精准，很有可能针对不同的商品需求会在用户主观条件下反映出相同的关键字或者相同的商品需求反映出不同的关键字而使得返回的图像集差异很大，这极大的降低了用户搜索自己感兴趣图像的效率。而且在此基于关键字的搜索过程中，整理规范商品的附加文字信息需要耗费大量的时间和人力，而搜索关键字由于用户主观因素的影响对搜索结果也造成了很大的影响。如何能够降低这些因素对检索结果的影响越来越引起人们的高度重视和广泛关注，利用图像内容来进行相关检索而减少对文字信息的依赖可以有效地解决以上所提出的问题。
传统的基于图像内容的图像检索都是通过图像的颜色、纹理或者形状的视觉特征来提取图像的视觉特征，而这种检索方法会受到图像拍摄时的环境和图像拍摄设备的影响，会对图像搜索结果产生非常严重的影响。如何将这些因素对检索结果的影响尽量降低，仍然是一个难点。而且这种传统的图像推荐只关注了物品的本身属性，无法考虑到用户的个人喜好和兴趣，无法实现精准的个性化推荐。
发明内容
针对上述现有技术中存在的诸多问题，本发明提出一种融合视觉特征和用户评分的图像推荐方法，以期能提高推荐精度和实现个性化推荐。
本发明为解决技术问题采用如下技术方案：
本发明一种融合视觉特征和用户评分的图像推荐方法的特点是按如下步骤进行：
步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；
步骤2、从所述物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵
所述评分矩阵Y中任意用户u对任意物品图像i的评分记为yui，若yui＝1表示用户u评价了物品图像i对应的物品，yui＝0表示用户u未评价物品图像i对应的物品；
步骤3、对所述N幅物品图像进行归一化处理得到图像集C；
步骤4、利用卷积神经网络CNN对所述图像集C中的N幅图像分别进行特征提取，得到N幅图像的视觉特征矩阵
其中，T表示每幅图像的视觉特征的维度，每一列向量
表示图像i所对应的视觉特征向量；
步骤5、利用式(1)建立预测偏好模型：
式(1)中，
表示用户u的潜在特征向量，K表示潜在特征维度，
表示转化矩阵，用于将图像i的视觉特征向量fi转化为嵌入向量；Efi表示图像i的潜在特征向量，
表示预测的用户u对图像i的偏好；
步骤6、利用基于元素的交替最小二乘法更新所述预测偏好模型；
步骤6.1、利用式(2)得到损失函数L：
式(2)中，y表示在评分矩阵Y中有评价过的物品图像集合，wui表示在评分矩阵Y中任意用户u对任意物品图像i评分的权重，
表示剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好，且
puk表示用户u的潜在特征向量pu的第k维值；ci表示在评分矩阵Y中未被评价过的物品图像i的权重，λ表示L2正则化的参数，
表示转化矩阵E中第k行向量；
步骤6.2、定义循环变量为α，并初始化α＝0；定义最大循环次数为αmax；利用标准正态分布随机初始化第α次循环的预测偏好模型参数
其中，
表示第α次循环的用户u的潜在特征向量，Eα表示第α次循环的转化矩阵；
步骤6.3、利用式(3)更新第α次循环时用户u的潜在特征向量pu的第k维值
式(3)中，
表示第α次循环时转化矩阵E中第k行向量，yu表示在评分矩阵Y中用户u评价过的物品图像集合；
步骤6.4、采取逐元素的更新策略，利用式(4)更新第α次循环时转化矩阵Eα中第k行向量的第j维值
式(4)中，fij表示视觉特征矩阵F中物品图像i的第j维特征值，
表示在第α次循环时转化矩阵Eα的第k行向量中，剔除视觉特征矩阵F中物品图像i的第j维值后的潜在特征值；
在第α次循环时剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好；
步骤6.5、将α+1赋值给α，并判断α＞αmax是否成立，若成立，则表示获得最优预测偏好模型参数
否则，返回步骤6.3执行；
步骤7、根据所述最优预测偏好模型参数
利用式(5)预测得到用户u对所有物品图像的偏好集合
式(5)中，
表示第αmax次循环时转化矩阵，
表示第αmax次循环时用户u的潜在特征向量；
步骤8、对所述用户u对所有物品图像的偏好集合
中的偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户u。
与现有技术相比，本发明的有益效果在于：
1.本发明将图像视觉特征融入矩阵分解公式，利用卷积神经网络CNN进行图像视觉特征提取，利用协同过滤中的矩阵分解建立预测偏好模型，并利用基于元素的交替最小二乘法进行矩阵分解，从而提高了图像推荐***的推荐精度和实现了个性化推荐。
2.本发明利用卷积神经网络CNN对图像集中的图像进行特征提取，使用基于图像视觉特征的推荐方法，有效的解决了传统的基于文本的推荐方法中难以完整描述商品的所有特征且会受到用户本身因素影响的问题。
3.本发明利用协同过滤中的矩阵分解建立预测偏好模型，协同过滤算法不依赖于推荐信息的内容特征，而更多地依赖于用户的行为特征，适用范围更为广泛。
4.本发明利用基于元素的交替最小二乘法更新预测偏好模型，相比传统的交替最小二乘法，具有时间复杂度低，收敛效果好等优点。
附图说明
图1为本发明的整体流程图。
具体实施方式
在本实施例中，一种融合视觉特征和用户评分的图像推荐方法，包括：爬取数据集并从数据集中提取物品图像和用户对相应物品图像的评分矩阵，对采集到的物品图像利用卷积神经网络进行图像视觉特征提取，得到视觉特征矩阵，建立预测偏好模型，利用基于元素的交替最小二乘法更新预测偏好模型，从最终的预测偏好模型中得到用户对所有物品图像的偏好值，完成图像推荐。整体流程如图1所示，具体的说，是按照如下步骤进行
步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；
步骤1.1、初始化URL列表；
步骤1.2、调用API，获得大量以XML的格式进行存储的商品信息；
步骤1.3、解析获得XML文件，得到种子列表将解析返回结果入库；
步骤1.4、得到了商品名称的种子列表以后，接着对得到的列表进行筛选和去重操作；
步骤1.5、若需要扩充URL列表，继续执行步骤1.2，否则获得物品图像集P和相应的物品评分数据集Q。
步骤2、从物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵
评分矩阵Y中任意用户u对任意物品图像i的评分记为yui，若yui＝1表示用户u评价了物品图像i对应的物品，yui＝0表示用户u未评价物品图像i对应的物品；
步骤3、对N幅物品图像进行归一化处理得到图像集C；
步骤4、利用卷积神经网络CNN对图像集C中的N幅图像分别进行特征提取，得到N幅图像的视觉特征矩阵
其中，T表示每幅图像的视觉特征的维度，每一列向量
表示图像i所对应的视觉特征向量；
步骤5、利用式(1)建立预测偏好模型：
式(1)中，
表示用户u的潜在特征向量，K表示潜在特征维度，
表示转化矩阵，用于将图像i的视觉特征向量fi转化为嵌入向量；Efi表示图像i的潜在特征向量，
表示预测的用户u对图像i的偏好；
步骤6、利用基于元素的交替最小二乘法更新预测偏好模型；
步骤6.1、利用式(2)得到损失函数L：
式(2)中，y表示在评分矩阵Y中有评价过的物品图像集合，wui表示在评分矩阵Y中任意用户u对任意物品图像i评分的权重，
表示剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好，且
puk表示用户u的潜在特征向量pu的第k维值；ci表示在评分矩阵Y中未被评价过的物品图像i的权重，λ表示L2正则化的参数，
表示转化矩阵E中第k行向量；
其中式(2)由式(1)代入下式得到：
上式中，损失函数L′的第一项
表示有评价过的物品图像集合的损失函数值，第二项
表示未被评价过的物品图像集合的损失函数值，第三项
表示预测偏好模型的L2正则化项；
步骤6.2、定义循环变量为α，并初始化α＝0；定义最大循环次数为αmax；利用标准正态分布随机初始化第α次循环的预测偏好模型参数
其中，
表示第α次循环的用户u的潜在特征向量，Eα表示第α次循环的转化矩阵；
步骤6.3、利用式(3)更新第α次循环时用户u的潜在特征向量pu的第k维值
式(3)中，
表示第α次循环时转化矩阵E中第k行向量，yu表示在评分矩阵Y中用户u评价过的物品图像集合；
其中式(3)由式(2)对puk求导，令导数
得到。
步骤6.4、采取逐元素的更新策略，利用式(4)更新第α次循环时转化矩阵Eα中第k行向量的第j维值
式(4)中，fij表示视觉特征矩阵F中物品图像i的第j维特征值，
表示在第α次循环时转化矩阵Eα的第k行向量中，剔除视觉特征矩阵F中物品图像i的第j维值后的潜在特征值；
在第α次循环时剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好；
其中式(4)的推导过程如下：
定义下式：
上式中，Ekt表示E矩阵的第k行的第t维值，Ekj表示E矩阵的第k行的第j维值，fit表示F矩阵的第i行的第t维值，fij表示F矩阵的第i行的第j维值。根据上面的定义，重新改写L的公式为：
对Ekj求导，可得：
令
即可得到式(4)。
步骤6.5、将α+1赋值给α，并判断α＞αmax是否成立，若成立，则表示获得最优预测偏好模型参数
否则，返回步骤6.3执行；
步骤7、根据最优预测偏好模型参数
利用式(5)预测得到用户u对所有物品图像的偏好集合
式(5)中，
表示第αmax次循环时转化矩阵，
表示第αmax次循环时用户u的潜在特征向量；
步骤8、对用户u对所有物品图像的偏好集合
中的偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户u。
Claims (1)
1.一种融合视觉特征和用户评分的图像推荐方法，其特征是按如下步骤进行：
步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；
步骤2、从所述物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵
所述评分矩阵Y中任意用户u对任意物品图像i的评分记为yui，若yui＝1表示用户u评价了物品图像i对应的物品，yui＝0表示用户u未评价物品图像i对应的物品；
步骤3、对所述N幅物品图像进行归一化处理得到图像集C；
步骤4、利用卷积神经网络CNN对所述图像集C中的N幅图像分别进行特征提取，得到N幅图像的视觉特征矩阵
其中，T表示每幅图像的视觉特征的维度，每一列向量
表示图像i所对应的视觉特征向量；
步骤5、利用式(1)建立预测偏好模型：
式(1)中，
表示用户u的潜在特征向量，K表示潜在特征维度，
表示转化矩阵，用于将图像i的视觉特征向量fi转化为嵌入向量；Efi表示图像i的潜在特征向量，
表示预测的用户u对图像i的偏好；
步骤6、利用基于元素的交替最小二乘法更新所述预测偏好模型；
步骤6.1、利用式(2)得到损失函数L：
式(2)中，y表示在评分矩阵Y中有评价过的物品图像集合，wui表示在评分矩阵Y中任意用户u对任意物品图像i评分的权重，
表示剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好，且
puk表示用户u的潜在特征向量pu的第k维值；ci表示在评分矩阵Y中未被评价过的物品图像i的权重，λ表示L2正则化的参数，
表示转化矩阵E中第k行向量；
步骤6.2、定义循环变量为α，并初始化α＝0；定义最大循环次数为αmax；利用标准正态分布随机初始化第α次循环的预测偏好模型参数
其中，
表示第α次循环的用户u的潜在特征向量，Eα表示第α次循环的转化矩阵；
步骤6.3、利用式(3)更新第α次循环时用户u的潜在特征向量pu的第k维值
式(3)中，
表示第α次循环时转化矩阵E中第k行向量，yu表示在评分矩阵Y中用户u评价过的物品图像集合；
步骤6.4、采取逐元素的更新策略，利用式(4)更新第α次循环时转化矩阵Eα中第k行向量的第j维值
式(4)中，fij表示视觉特征矩阵F中物品图像i的第j维特征值，
表示在第α次循环时转化矩阵Eα的第k行向量中，剔除视觉特征矩阵F中物品图像i的第j维值后的潜在特征值；
在第α次循环时剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好；
步骤6.5、将α+1赋值给α，并判断α＞αmax是否成立，若成立，则表示获得最优预测偏好模型参数
否则，返回步骤6.3执行；
步骤7、根据所述最优预测偏好模型参数
利用式(5)预测得到用户u对所有物品图像的偏好集合
式(5)中，
表示第αmax次循环时转化矩阵，
表示第αmax次循环时用户u的潜在特征向量；
步骤8、对所述用户u对所有物品图像的偏好集合
中的偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户u。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330059.7A CN107944035B (zh) | 2017-12-13 | 2017-12-13 | 一种融合视觉特征和用户评分的图像推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330059.7A CN107944035B (zh) | 2017-12-13 | 2017-12-13 | 一种融合视觉特征和用户评分的图像推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107944035A CN107944035A (zh) | 2018-04-20 |
| CN107944035B true CN107944035B (zh) | 2020-10-13 |
Family
ID=61943060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711330059.7A Active CN107944035B (zh) | 2017-12-13 | 2017-12-13 | 一种融合视觉特征和用户评分的图像推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944035B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108874914B (zh) * | 2018-05-29 | 2021-11-02 | 吉林大学 | 一种基于图卷积与神经协同过滤的信息推荐方法 |
| CN110555161A (zh) * | 2018-05-30 | 2019-12-10 | 河南理工大学 | 一种基于用户信任和卷积神经网络的个性化推荐方法 |
| CN108959429B (zh) * | 2018-06-11 | 2022-09-09 | 苏州大学 | 一种融合视觉特征端对端训练的电影推荐的方法及*** |
| CN108985899B (zh) * | 2018-07-13 | 2022-04-22 | 合肥工业大学 | 基于cnn-lfm模型的推荐方法、***及存储介质 |
| CN109102127B (zh) * | 2018-08-31 | 2021-10-26 | 杭州贝购科技有限公司 | 商品推荐方法及装置 |
| CN109522950B (zh) * | 2018-11-09 | 2022-04-22 | 网易传媒科技（北京）有限公司 | 图像评分模型训练方法及装置和图像评分方法及装置 |
| CN109978836B (zh) * | 2019-03-06 | 2021-01-19 | 华南理工大学 | 基于元学习的用户个性化图像美感评价方法、***、介质和设备 |
| CN111800569B (zh) * | 2019-04-09 | 2022-02-22 | Oppo广东移动通信有限公司 | 拍照处理方法、装置、存储介质及电子设备 |
| CN110059262B (zh) * | 2019-04-19 | 2021-07-02 | 武汉大学 | 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法 |
| CN112862538A (zh) * | 2021-03-02 | 2021-05-28 | 中国工商银行股份有限公司 | 预测用户偏好的方法、装置、电子设备和介质 |
| CN113362131B (zh) * | 2021-06-02 | 2022-09-13 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722842A (zh) * | 2012-06-11 | 2012-10-10 | 姚明东 | 一种基于客户行为的商品推荐优化方法 |
| US9449221B2 (en) * | 2014-03-25 | 2016-09-20 | Wipro Limited | System and method for determining the characteristics of human personality and providing real-time recommendations |
| CN104298787A (zh) * | 2014-11-13 | 2015-01-21 | 吴健 | 一种基于融合策略的个性化推荐方法及装置 |
| CN105740444A (zh) * | 2016-02-02 | 2016-07-06 | 桂林电子科技大学 | 基于用户评分的项目推荐方法 |
| CN107341204B (zh) * | 2017-06-22 | 2023-04-07 | 电子科技大学 | 一种融合物品标签信息的协同过滤推荐方法及*** |
-
2017
- 2017-12-13 CN CN201711330059.7A patent/CN107944035B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107944035A (zh) | 2018-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944035B (zh) | 一种融合视觉特征和用户评分的图像推荐方法 | |
| CN105426528B (zh) | 一种商品数据的检索排序方法及*** | |
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
| CN108665323B (zh) | 一种用于理财产品推荐***的集成方法 | |
| CN103544216B (zh) | 一种结合图像内容和关键字的信息推荐方法及*** | |
| CN104424296B (zh) | 查询词分类方法和装置 | |
| CN112214685A (zh) | 一种基于知识图谱的个性化推荐方法 | |
| US20170124618A1 (en) | Methods and Systems for Image-Based Searching of Product Inventory | |
| CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
| CN112119388A (zh) | 训练图像嵌入模型和文本嵌入模型 | |
| CN104268142B (zh) | 基于可拒绝策略的元搜索结果排序方法 | |
| CN104881798A (zh) | 基于商品图像特征的个性化搜索装置及方法 | |
| CN105975596A (zh) | 一种搜索引擎查询扩展的方法及*** | |
| CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐*** | |
| WO2019011936A1 (en) | IMAGE EVALUATION METHOD | |
| CN115248876B (zh) | 基于内容理解的遥感影像统筹推荐方法 | |
| CN107590232A (zh) | 一种基于网络学习环境的资源推荐***及方法 | |
| CN112074828A (zh) | 训练图像嵌入模型和文本嵌入模型 | |
| CN116541607B (zh) | 基于商品检索数据分析的智能推荐方法 | |
| CN111858972A (zh) | 一种基于家庭知识图谱的电影推荐方法 | |
| CN107169830B (zh) | 一种基于聚类pu矩阵分解的个性化推荐方法 | |
| CN108389113B (zh) | 一种协同过滤推荐方法和*** | |
| CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
| CN112989215B (zh) | 一种基于稀疏用户行为数据的知识图谱增强的推荐*** | |
| CN107622071B (zh) | 通过间接相关反馈在无查源下的衣服图像检索***及方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200908 Address after: 230051 405, building 2, Binjiang Huayue Baihe garden, Baohe District, Hefei City, Anhui Province Applicant after: Hefei weimubingzhi Technology Co., Ltd Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009 Applicant before: Hefei University of Technology |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 238014 Room 202, East Building, panchao Internet Culture Industrial Park, 1 Jinchao Avenue, Chaohu Economic Development Zone, Hefei City, Anhui Province Patentee after: Hefei weimubingzhi Technology Co., Ltd Address before: 230051 Room 405, building 2, Binjiang Huayue Baihe garden, Baohe District, Hefei City, Anhui Province Patentee before: Hefei weimubingzhi Technology Co., Ltd |