CN108038789A - 项目推荐方法、电子设备及计算机可读存储介质 - Google Patents
项目推荐方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108038789A CN108038789A CN201711059170.7A CN201711059170A CN108038789A CN 108038789 A CN108038789 A CN 108038789A CN 201711059170 A CN201711059170 A CN 201711059170A CN 108038789 A CN108038789 A CN 108038789A
- Authority
- CN
- China
- Prior art keywords
- mrow
- user
- specific user
- class associated
- associated users
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种项目推荐方法,该方法包括步骤:计算特定用户与第一类关联用户的相关系数;筛选出相关系数小于第一预设阈值的第一类关联用户并删除,得到该特定用户更新后的第一类关联用户;计算该特定用户与第二类关联用户的相似度;依据相似度大小选取指定数量的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户;根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。本发明可以提高推荐结果的有效性和准确率。
Description
技术领域
本发明涉及计算机信息技术领域,尤其涉及一种项目推荐方法、电子设备及计算机可读存储介质。
背景技术
目前,大多数基于用户关系的项目推荐方案都是直接采集用户关系数据进行推荐。但是,在社交网络中建立朋友关系是非常自由的,很容易出现朋友关系不可靠的现象,导致大量的冗余数据。这些大量的冗余数据直接影响了推荐结果的有效性和准确性。而对用户关系数据进行简单的过滤处理又很容易引起数据稀疏性等问题。故,现有技术中的项目推荐方法设计不够合理,亟需改进。
发明内容
有鉴于此,本发明提出一种项目推荐方法、电子设备及计算机可读存储介质,通过对用户关系进行重建,并基于重建后的用户关系向特定用户推荐项目,提高了推荐结果的有效性和准确率。
首先,为实现上述目的,本发明提出一种电子设备,所述电子设备包括存储器及处理器,所述存储器上存储有可在所述处理器上运行的项目推荐***,所述项目推荐***被所述处理器执行时实现如下步骤:
获取特定用户指定范围内的所有第一类关联用户,计算该特定用户与所有第一类关联用户的相关系数;
筛选出相关系数小于第一预设阈值的第一类关联用户,并将筛选出的第一类关联用户从该特定用户的所有第一类关联用户中删除,得到该特定用户更新后的第一类关联用户;
获取该特定用户指定范围外的所有第二类关联用户,计算该特定用户与所有第二类关联用户的相似度;
依据相似度从高至低的排序,选取指定数量的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户;及
根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。
优选地,该特定用户与所有第一类关联用户的相关系数采用第一计算公式计算得出,所述第一计算公式设置为公式1:
公式1中,relate(u,v)代表用户u与用户v的相关系数,I(u)代表用户u评分过的项目集合,I(v)代表用户v评分过的项目集合。
优选地,该特定用户与所有第二类关联用户的相似度采用第二计算公式计算得出,所述第二计算公式设置为公式2:
公式2中,代表用户a和用户b的余弦相似度,代表用户a的评分向量,代表用户b的评分向量。
优选地,所述项目推荐***被所述处理器执行时还用于实现如下步骤:
筛选出相似度大于第二预设阈值的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户。
优选地,所述向该特定用户推荐指定项目包括:
根据该特定用户重建后的第一类关联用户,构建该特定用户优化后的用户-项目评分矩阵,其中,所述优化后的用户-项目评分矩阵采用二维矩阵,该二维矩阵的每一行代表该特定用户重建后的第一类关联用户中的一个用户,每一列代表一个项目,且该二维矩阵存储有所有用户与所有项目之间的评分;
利用所述优化后的用户-项目评分矩阵进行协同过滤推荐,得到向该特定用户推荐的指定项目。
此外,为实现上述目的,本发明还提供一种项目推荐方法,该方法应用于电子设备,所述方法包括:
获取特定用户指定范围内的所有第一类关联用户,计算该特定用户与所有第一类关联用户的相关系数;
筛选出相关系数小于第一预设阈值的第一类关联用户,并将筛选出的第一类关联用户从该特定用户的所有第一类关联用户中删除,得到该特定用户更新后的第一类关联用户;
获取该特定用户指定范围外的所有第二类关联用户,计算该特定用户与所有第二类关联用户的相似度;
依据相似度从高至低的排序,选取指定数量的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户;及
根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。
优选地,该特定用户与所有第一类关联用户的相关系数采用第一计算公式计算得出,所述第一计算公式设置为公式1:
公式1中,relate(u,v)代表用户u与用户v的相关系数,I(u)代表用户u评分过的项目集合,I(v)代表用户v评分过的项目集合;
该特定用户与所有第二类关联用户的相似度采用第二计算公式计算得出,所述第二计算公式设置为公式2:
公式2中,代表用户a和用户b的余弦相似度,代表用户a的评分向量,代表用户b的评分向量。
优选地,该方法还包括:
筛选出相似度大于第二预设阈值的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户。
优选地,所述向该特定用户推荐指定项目包括:
根据该特定用户重建后的第一类关联用户,构建该特定用户优化后的用户-项目评分矩阵,其中,所述优化后的用户-项目评分矩阵采用二维矩阵,该二维矩阵的每一行代表该特定用户重建后的第一类关联用户中的一个用户,每一列代表一个项目,且该二维矩阵存储有所有用户与所有项目之间的评分;
利用所述优化后的用户-项目评分矩阵进行协同过滤推荐,得到向该特定用户推荐的指定项目。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有项目推荐***,所述项目推荐***可被至少一个处理器执行,以使所述至少一个处理器执行如上述的项目推荐方法的步骤。
相较于现有技术,本发明所提出的电子设备、项目推荐方法及计算机可读存储介质,通过对用户关系进行重建,并基于重建后的用户关系向特定用户推荐项目,提高了推荐结果的有效性和准确率,且重建后的用户关系避免了数据稀疏性问题。
附图说明
图1是本发明电子设备一可选的硬件架构的示意图;
图2是本发明电子设备中项目推荐***一实施例的程序模块示意图;
图3为本发明项目推荐方法一实施例的实施流程示意图。
附图标记:
电子设备 | 2 |
存储器 | 21 |
处理器 | 22 |
网络接口 | 23 |
项目推荐*** | 20 |
计算模块 | 201 |
筛选模块 | 202 |
推荐模块 | 203 |
流程步骤 | S31-S35 |
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
进一步需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
首先,本发明提出一种电子设备2。
参阅图1所示,是本发明电子设备2一可选的硬件架构的示意图。本实施例中,所述电子设备2可包括,但不限于,可通过***总线相互通信连接存储器21、处理器22、网络接口23。需要指出的是,图1仅示出了具有组件21-23的电子设备2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,所述电子设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,该电子设备2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。
所述存储器21至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述电子设备2的内部存储单元,例如该电子设备2的硬盘或内存。在另一些实施例中,所述存储器21也可以是所述电子设备2的外部存储设备,例如该电子设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器21还可以既包括所述电子设备2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述电子设备2的操作***和各类应用软件,例如所述项目推荐***20的程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子设备2的总体操作,例如执行与所述电子设备2进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述的项目推荐***20等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述电子设备2与其他电子设备之间建立通信连接。例如,所述网络接口23用于通过网络将所述电子设备2与外部数据平台相连,在所述电子设备2与外部数据平台之间的建立数据传输通道和通信连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
至此,己经详细介绍了本发明各个实施例的应用环境和相关设备的硬件结构和功能。下面,将基于上述应用环境和相关设备,提出本发明的各个实施例。
参阅图2所示,是本发明电子设备2中项目推荐***20一实施例的程序模块图。本实施例中,所述的项目推荐***20可以被分割成一个或多个程序模块,所述一个或者多个程序模块被存储于所述存储器21中,并由一个或多个处理器(本实施例中为所述处理器22)所执行,以完成本发明。例如,在图2中,所述的项目推荐***20可以被分割成计算模块201、筛选模块202、以及推荐模块203。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述项目推荐***20在所述电子设备2中的执行过程。以下将就各程序模块201-203的功能进行详细描述。
所述计算模块201,用于获取特定用户指定范围内(如朋友圈内)的所有第一类关联用户,计算该特定用户与所有第一类关联用户的相关系数。其中,该特定用户指定范围内的所有第一类关联用户可以是:该特定用户社交网络中的所有好友,如朋友圈中的所有好友。
优选地,在本实施例中,该特定用户与所有第一类关联用户的相关系数采用第一计算公式计算得出,其中,所述第一计算公式可以设置为如下公式1所示。
其中,relate(u,v)代表用户u与用户v的相关系数,I(u)代表用户u评分过的项目集合,I(v)代表用户v评分过的项目集合。
所述筛选模块202,用于筛选出相关系数小于第一预设阈值(如60%)的第一类关联用户,并将筛选出的第一类关联用户从该特定用户的所有第一类关联用户中删除,得到该特定用户更新后的第一类关联用户。
优选地,在本实施例中,所述筛选出的第一类关联用户代表不具备朋友资格而被误加的用户。例如,对某个电影有相似评论的用户,如果他们的相关系数小于第一预设阈值,则代表他们在电影上并没有相同兴趣爱好,不是具有良好推荐效果的关联用户。本发明通过删除相关系数较小的关联用户,可以解决数据冗余问题,提高后续项目推荐的有效性和准确率。
所述计算模块201,还用于获取该特定用户指定范围外的所有第二类关联用户,计算该特定用户与所有第二类关联用户的相似度(如余弦相似度)。其中,该特定用户指定范围外的所有第二类关联用户可以是:该特定用户通讯录中没有加入朋友圈的所有好友,即朋友圈外的所有通讯录好友。
优选地,在本实施例中,该特定用户与所有第二类关联用户的相似度采用余弦相似度进行计算。进一步地,该特定用户与所有第二类关联用户的余弦相似度采用第二计算公式计算得出,其中,所述第二计算公式可以设置为如下公式2所示。
其中,代表用户a和用户b的余弦相似度,代表用户a的评分向量,代表用户b的评分向量。
所述筛选模块202,还用于依据相似度从高至低的排序,选取指定数量的第二类关联用户(如相似度较高的前3位第二类关联用户)作为该特定用户的拓展用户(或***),将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户(即用户关系重建)。在本实施例中,通过对该特定用户的第一类关联用户(指定范围内的关联用户)进行拓展,可以避免数据稀疏性问题。
需要说明的是,在其它实施例中,所述筛选模块202还用于:
筛选出相似度大于第二预设阈值(如50%)的第二类关联用户作为该特定用户的拓展用户(或***),将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户。
所述推荐模块203,用于根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。
优选地,在本实施例中,推荐步骤具体包括:
根据该特定用户重建后的第一类关联用户,构建该特定用户优化后的用户-项目评分矩阵,其中,所述优化后的用户-项目评分矩阵采用二维矩阵,该二维矩阵的每一行代表该特定用户重建后的第一类关联用户中的一个用户(包括该特定用户自己),每一列代表一个项目,且该二维矩阵存储有所有用户与所有项目之间的评分,该项目为item,代表计算用户相似度的某一项指标,比如同时喜欢某个电影或者歌曲(即相同的兴趣爱好);
利用所述优化后的用户-项目评分矩阵进行协同过滤推荐,得到向该特定用户推荐的指定项目。在本实施例中,可以采用传统的协同过滤推荐方法进行项目推荐,如基于用户的协同过滤推荐和基于项目的协同过滤推荐。
在本实施例中,优化后的用户-项目评分矩阵将不在朋友圈列表的朋友也加入预测范围(只要是有相同的兴趣爱好),并且将朋友圈列表中虽然存在朋友关系但没有相同兴趣爱好的用户删除,从而避免了评分矩阵稀疏的问题,而且将相关用户加入评分矩阵,极大提高了推荐的准确度。
通过上述程序模块201-203,本发明所提出的项目推荐***20,通过对用户关系进行重建,并基于重建后的用户关系向特定用户推荐项目,提高了推荐结果的有效性和准确率,且重建后的用户关系避免了数据稀疏性问题。
此外,本发明还提出一种项目推荐方法。
参阅图3所示,是本发明项目推荐方法一实施例的实施流程示意图。在本实施例中,根据不同的需求,图3所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S31,获取特定用户指定范围内(如朋友圈内)的所有第一类关联用户,计算该特定用户与所有第一类关联用户的相关系数。其中,该特定用户指定范围内的所有第一类关联用户可以是:该特定用户社交网络中的所有好友,如朋友圈中的所有好友。
优选地,在本实施例中,该特定用户与所有第一类关联用户的相关系数采用第一计算公式计算得出,其中,所述第一计算公式可以设置为如下公式1所示。
其中,relate(u,v)代表用户u与用户v的相关系数,I(u)代表用户u评分过的项目集合,I(v)代表用户v评分过的项目集合。
步骤S32,筛选出相关系数小于第一预设阈值(如60%)的第一类关联用户,并将筛选出的第一类关联用户从该特定用户的所有第一类关联用户中删除,得到该特定用户更新后的第一类关联用户。
优选地,在本实施例中,所述筛选出的第一类关联用户代表不具备朋友资格而被误加的用户。例如,对某个电影有相似评论的用户,如果他们的相关系数小于第一预设阈值,则代表他们在电影上并没有相同兴趣爱好,不是具有良好推荐效果的关联用户。本发明通过删除相关系数较小的关联用户,可以解决数据冗余问题,提高后续项目推荐的有效性和准确率。
步骤S33,获取该特定用户指定范围外的所有第二类关联用户,计算该特定用户与所有第二类关联用户的相似度(如余弦相似度)。其中,该特定用户指定范围外的所有第二类关联用户可以是:该特定用户通讯录中没有加入朋友圈的所有好友,即朋友圈外的所有通讯录好友。
优选地,在本实施例中,该特定用户与所有第二类关联用户的相似度采用余弦相似度进行计算。进一步地,该特定用户与所有第二类关联用户的余弦相似度采用第二计算公式计算得出,其中,所述第二计算公式可以设置为如下公式2所示。
其中,代表用户a和用户b的余弦相似度,代表用户a的评分向量,代表用户b的评分向量。
步骤S34,依据相似度从高至低的排序,选取指定数量的第二类关联用户(如相似度较高的前3位第二类关联用户)作为该特定用户的拓展用户(或***),将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户(即用户关系重建)。在本实施例中,通过对该特定用户的第一类关联用户(指定范围内的关联用户)进行拓展,可以避免数据稀疏性问题。
需要说明的是,在其它实施例中,所述步骤S34也可以是如下步骤:
筛选出相似度大于第二预设阈值(如50%)的第二类关联用户作为该特定用户的拓展用户(或***),将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户。
步骤S35,根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。
优选地,在本实施例中,推荐步骤具体包括:
根据该特定用户重建后的第一类关联用户,构建该特定用户优化后的用户-项目评分矩阵,其中,所述优化后的用户-项目评分矩阵采用二维矩阵,该二维矩阵的每一行代表该特定用户重建后的第一类关联用户中的一个用户(包括该特定用户自己),每一列代表一个项目,且该二维矩阵存储有所有用户与所有项目之间的评分,该项目为item,代表计算用户相似度的某一项指标,比如同时喜欢某个电影或者歌曲(即相同的兴趣爱好);
利用所述优化后的用户-项目评分矩阵进行协同过滤推荐,得到向该特定用户推荐的指定项目。在本实施例中,可以采用传统的协同过滤推荐方法进行项目推荐,如基于用户的协同过滤推荐和基于项目的协同过滤推荐。
在本实施例中,优化后的用户-项目评分矩阵将不在朋友圈列表的朋友也加入预测范围(只要是有相同的兴趣爱好),并且将朋友圈列表中虽然存在朋友关系但没有相同兴趣爱好的用户删除,从而避免了评分矩阵稀疏的问题,而且将相关用户加入评分矩阵,极大提高了推荐的准确度。
通过上述步骤S31-S35及其它相关步骤,本发明所提出的项目推荐方法,通过对用户关系进行重建,并基于重建后的用户关系向特定用户推荐项目,提高了推荐结果的有效性和准确率,且重建后的用户关系避免了数据稀疏性问题。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质(如ROM/RAM、磁碟、光盘),所述计算机可读存储介质存储有项目推荐***20,所述项目推荐***20可被至少一个处理器22执行,以使所述至少一个处理器22执行如上所述的项目推荐方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件来实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。另外,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电子设备,其特征在于,所述电子设备包括存储器及处理器,所述存储器上存储有可在所述处理器上运行的项目推荐***,所述项目推荐***被所述处理器执行时实现如下步骤:
获取特定用户指定范围内的所有第一类关联用户,计算该特定用户与所有第一类关联用户的相关系数;
筛选出相关系数小于第一预设阈值的第一类关联用户,并将筛选出的第一类关联用户从该特定用户的所有第一类关联用户中删除,得到该特定用户更新后的第一类关联用户;
获取该特定用户指定范围外的所有第二类关联用户,计算该特定用户与所有第二类关联用户的相似度;
依据相似度从高至低的排序,选取指定数量的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户;及
根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。
2.如权利要求1所述的电子设备,其特征在于,该特定用户与所有第一类关联用户的相关系数采用第一计算公式计算得出,所述第一计算公式设置为公式1:
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>&cap;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>&cup;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式1中,relate(u,v)代表用户u与用户v的相关系数,I(u)代表用户u评分过的项目集合,I(v)代表用户v评分过的项目集合。
3.如权利要求1所述的电子设备,其特征在于,该特定用户与所有第二类关联用户的相似度采用第二计算公式计算得出,所述第二计算公式设置为公式2:
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>a</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mover>
<mi>b</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>a</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<mover>
<mi>b</mi>
<mo>&RightArrow;</mo>
</mover>
</mrow>
<mrow>
<mrow>
<mo>|</mo>
<mover>
<mi>a</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>|</mo>
<mover>
<mi>b</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式2中,代表用户a和用户b的余弦相似度,代表用户a的评分向量,代表用户b的评分向量。
4.如权利要求1所述的电子设备,其特征在于,所述项目推荐***被所述处理器执行时还用于实现如下步骤:
筛选出相似度大于第二预设阈值的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户。
5.如权利要求1所述的电子设备,其特征在于,所述向该特定用户推荐指定项目包括:
根据该特定用户重建后的第一类关联用户,构建该特定用户优化后的用户-项目评分矩阵,其中,所述优化后的用户-项目评分矩阵采用二维矩阵,该二维矩阵的每一行代表该特定用户重建后的第一类关联用户中的一个用户,每一列代表一个项目,且该二维矩阵存储有所有用户与所有项目之间的评分;
利用所述优化后的用户-项目评分矩阵进行协同过滤推荐,得到向该特定用户推荐的指定项目。
6.一种项目推荐方法,应用于电子设备,其特征在于,所述方法包括:
获取特定用户指定范围内的所有第一类关联用户,计算该特定用户与所有第一类关联用户的相关系数;
筛选出相关系数小于第一预设阈值的第一类关联用户,并将筛选出的第一类关联用户从该特定用户的所有第一类关联用户中删除,得到该特定用户更新后的第一类关联用户;
获取该特定用户指定范围外的所有第二类关联用户,计算该特定用户与所有第二类关联用户的相似度;
依据相似度从高至低的排序,选取指定数量的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户;及
根据该特定用户重建后的第一类关联用户,向该特定用户推荐指定项目。
7.如权利要求6所述的项目推荐方法,其特征在于,该特定用户与所有第一类关联用户的相关系数采用第一计算公式计算得出,所述第一计算公式设置为公式1:
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>&cap;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>&cup;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式1中,relate(u,v)代表用户u与用户v的相关系数,I(u)代表用户u评分过的项目集合,I(v)代表用户v评分过的项目集合;
该特定用户与所有第二类关联用户的相似度采用第二计算公式计算得出,所述第二计算公式设置为公式2:
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>a</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mover>
<mi>b</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>a</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<mover>
<mi>b</mi>
<mo>&RightArrow;</mo>
</mover>
</mrow>
<mrow>
<mrow>
<mo>|</mo>
<mover>
<mi>a</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>|</mo>
<mover>
<mi>b</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
公式2中,代表用户a和用户b的余弦相似度,代表用户a的评分向量,代表用户b的评分向量。
8.如权利要求6所述的项目推荐方法,其特征在于,该方法还包括:
筛选出相似度大于第二预设阈值的第二类关联用户作为该特定用户的拓展用户,将该特定用户的拓展用户添加至该特定用户更新后的第一类关联用户,得到该特定用户重建后的第一类关联用户。
9.如权利要求6所述的项目推荐方法,其特征在于,所述向该特定用户推荐指定项目包括:
根据该特定用户重建后的第一类关联用户,构建该特定用户优化后的用户-项目评分矩阵,其中,所述优化后的用户-项目评分矩阵采用二维矩阵,该二维矩阵的每一行代表该特定用户重建后的第一类关联用户中的一个用户,每一列代表一个项目,且该二维矩阵存储有所有用户与所有项目之间的评分;
利用所述优化后的用户-项目评分矩阵进行协同过滤推荐,得到向该特定用户推荐的指定项目。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有项目推荐***,所述项目推荐***可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求6-9中任一项所述的项目推荐方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059170.7A CN108038789A (zh) | 2017-11-01 | 2017-11-01 | 项目推荐方法、电子设备及计算机可读存储介质 |
PCT/CN2018/076171 WO2019085333A1 (zh) | 2017-11-01 | 2018-02-10 | 项目推荐方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059170.7A CN108038789A (zh) | 2017-11-01 | 2017-11-01 | 项目推荐方法、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038789A true CN108038789A (zh) | 2018-05-15 |
Family
ID=62093543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711059170.7A Pending CN108038789A (zh) | 2017-11-01 | 2017-11-01 | 项目推荐方法、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108038789A (zh) |
WO (1) | WO2019085333A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287166A (zh) * | 2020-09-23 | 2021-01-29 | 山东师范大学 | 一种基于改进深度信念网络的电影推荐方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103138954A (zh) * | 2011-12-02 | 2013-06-05 | ***通信集团公司 | 一种推荐项的推送方法、***及推荐服务器 |
CN103377250A (zh) * | 2012-04-27 | 2013-10-30 | 杭州载言网络技术有限公司 | 基于邻域的top-k推荐方法 |
CN103428169A (zh) * | 2012-05-17 | 2013-12-04 | 腾讯科技(深圳)有限公司 | Sns社区中推荐用户的方法和*** |
US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
CN105608179A (zh) * | 2015-12-22 | 2016-05-25 | 百度在线网络技术(北京)有限公司 | 确定用户标识的关联性的方法和装置 |
CN106649540A (zh) * | 2016-10-26 | 2017-05-10 | Tcl集团股份有限公司 | 一种视频推荐方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102316046B (zh) * | 2010-06-29 | 2016-03-30 | 国际商业机器公司 | 向社交网络中的用户推荐信息的方法和装置 |
CN103678518B (zh) * | 2013-11-28 | 2017-02-15 | 北京邮电大学 | 一种推荐列表调整方法和装置 |
CN104615609B (zh) * | 2014-04-30 | 2017-07-21 | 腾讯科技(深圳)有限公司 | 一种联系人管理方法及装置 |
CN104202319B (zh) * | 2014-08-28 | 2018-05-29 | 北京淘友天下科技发展有限公司 | 一种社交关系推荐方法及装置 |
-
2017
- 2017-11-01 CN CN201711059170.7A patent/CN108038789A/zh active Pending
-
2018
- 2018-02-10 WO PCT/CN2018/076171 patent/WO2019085333A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103138954A (zh) * | 2011-12-02 | 2013-06-05 | ***通信集团公司 | 一种推荐项的推送方法、***及推荐服务器 |
CN103377250A (zh) * | 2012-04-27 | 2013-10-30 | 杭州载言网络技术有限公司 | 基于邻域的top-k推荐方法 |
CN103428169A (zh) * | 2012-05-17 | 2013-12-04 | 腾讯科技(深圳)有限公司 | Sns社区中推荐用户的方法和*** |
US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
CN105608179A (zh) * | 2015-12-22 | 2016-05-25 | 百度在线网络技术(北京)有限公司 | 确定用户标识的关联性的方法和装置 |
CN106649540A (zh) * | 2016-10-26 | 2017-05-10 | Tcl集团股份有限公司 | 一种视频推荐方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287166A (zh) * | 2020-09-23 | 2021-01-29 | 山东师范大学 | 一种基于改进深度信念网络的电影推荐方法及*** |
CN112287166B (zh) * | 2020-09-23 | 2023-03-07 | 山东师范大学 | 一种基于改进深度信念网络的电影推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2019085333A1 (zh) | 2019-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105190684B (zh) | 基于社交推荐的内容呈现 | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
WO2019085120A1 (zh) | 协同过滤推荐方法、电子设备及计算机可读存储介质 | |
CN102789462B (zh) | 一种项目推荐方法及*** | |
US20190220879A1 (en) | Customer clustering using integer programming | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN107679084B (zh) | 聚类标签生成方法、电子设备及计算机可读存储介质 | |
CN115098803B (zh) | 一种基于移动图书馆的图书推荐方法以及*** | |
CN103870553B (zh) | 一种输入资源推送方法及*** | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、***和计算机设备 | |
US20210311969A1 (en) | Automatically generating user segments | |
CN107944931A (zh) | 种子用户拓展方法、电子设备及计算机可读存储介质 | |
CN106294502B (zh) | 一种电子书信息处理方法及装置 | |
CN111191454A (zh) | 一种实体匹配的方法及装置 | |
CN112613938A (zh) | 模型训练方法、装置及计算机设备 | |
CN112423134A (zh) | 视频内容推荐方法、装置及计算机设备 | |
CN106202513A (zh) | 浏览器的浏览主站推荐方法和装置 | |
CN115525838A (zh) | 一种基于大数据用户画像的健康知识推荐方法及*** | |
CN105005696A (zh) | 一种确定失效率的方法及装置 | |
CN104572932A (zh) | 一种兴趣标签的确定方法及装置 | |
CN106484827A (zh) | 检索方法以及装置、终端 | |
CN108038789A (zh) | 项目推荐方法、电子设备及计算机可读存储介质 | |
CN113434762A (zh) | 基于用户信息的关联推送方法、装置、设备及存储介质 | |
CN110020205B (zh) | 数据信息的筛选方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |