CN108154425B - 一种结合社会网络和位置的线下商户推荐方法 - Google Patents
一种结合社会网络和位置的线下商户推荐方法 Download PDFInfo
- Publication number
- CN108154425B CN108154425B CN201810053915.7A CN201810053915A CN108154425B CN 108154425 B CN108154425 B CN 108154425B CN 201810053915 A CN201810053915 A CN 201810053915A CN 108154425 B CN108154425 B CN 108154425B
- Authority
- CN
- China
- Prior art keywords
- user
- merchant
- preference
- candidate
- social relationship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 10
- 230000006854 communication Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007175 bidirectional communication Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种结合社会网络和位置的线下商户推荐方法,用于电信电子商务公共服务综合支撑平台,包括以下步骤:数据预处理,对电信数据进行处理,得到所需数据表;根据用户通话详单,构建社会关系网络;采用CNM社区发现算法对社会网络进行层次聚类;基于用户位置,根据距离阈值筛选商户,得到候选商户列表;分析用户上网日志信息,构建用户商户二维偏好矩阵;采用基于用户的融合社会关系的协同过滤算法进行推荐。本发明利用用户通话信息构建社会关系网络,并对社会网络进行挖掘,找到联系紧密的用户团体,再结合用户位置,利用基于用户的融合社会关系的协同过滤算法进行推荐,降低计算复杂度,提高推荐的准确性。
Description
技术领域
本发明涉及精准营销领域,具体涉及一种结合社会网络和位置的线下商户推荐方法。
背景技术
随着移动智能终端用户规模的不断扩大,移动互联网市场已进入高速发展阶段,同时也产生了大量的用户数据,针对移动终端用户的个性化推荐也受到运营商和商家的关注。利用移动互联网用户数据挖掘有价值的信息成为流行的商业营销手段。电信运营商现有的个性化推荐方法主要通过获取用户个人数据、语音流量套餐消费数据、用户上网日志数据和用户轨迹数据,通过这些历史数据来分析用户行为、偏好和消费情况,并与营销目标特征进行匹配,将匹配结果转化为营销推荐信息推送给用户。
移动终端用户的通信行为也积累了大量的社交活动数据。在移动通信网络下,用户通过相互通信建立联系,构成社会关系网络。信息在社会关系网络中通过社会个体之间的互动来传播,社会关系网络中包含了用户潜在行为规律。
电信运营商现有的个性化推荐方法只考虑了用户个人的历史偏好和消费信息,而没有考虑用户的社会关系行为对用户消费偏好的影响。而且采用传统协同过滤算法进行推荐时,在用户量和项目量巨大的情况下,评分矩阵非常庞大而且稀疏,计算复杂度很高。
发明内容
为了解决现有个性化推荐方法所存在的问题,本发明提供一种结合社会网络和位置的线下商户推荐方法,通过通话详单构建用户社会关系网络,通过聚类划分相似用户群体,并结合用户位置利用基于用户的融合社会关系的协同过滤算法来做推荐,降低计算复杂度,提高推荐结果的准确性。
本发明采用的技术方案是:一种结合社会网络和位置的线下商户推荐方法,包括以下步骤:
步骤S1、数据预处理,对信令数据和用户商户数据进行处理,得到用户信息表、用户轨迹表、用户上网日志表、用户通话详单和商户信息表;
步骤S2、根据用户通话详单,量化用户之间的社会关系,并构建社会关系网络;
步骤S3、对所构建的社会关系网络进行层次聚类,发掘社会关系网络中联系紧密的用户团体;
步骤S4、基于用户位置,根据距离阈值筛选商户,得到候选商户列表;
步骤S5、基于S3中聚类的结果和S4中的候选商户列表,分析用户上网日志信息,构建用户商户二维偏好矩阵;
步骤S6、对于步骤S5中构建的用户商户二维偏好矩阵,采用基于用户的融合用户社会关系的协同过滤算法进行推荐。
优选地,步骤S2所述社会关系网络使用有向图G=(V,E,W,P)表示,其中V是顶点集,代表所有的主叫和被叫用户节点;E为有向边集,有向边集的边eij表示节点vi作为主叫节点呼叫过被叫节点vj;W是有向边集合E中所边eij的属性向量集合,W的一维向量wij是边eij的属性向量,表示节点vi与节点vj之间关系的特征,反映了节点vi与节点vj的紧密程度。
优选地,步骤S4的过程如下:在用户轨迹表中,得到用户位置在时间点t所在位置(xt,yt),其中xt代表经度,yt代表纬度;设定距离阈值D,R为地球半径,计算出距离用户位置(xt,yt)不超过D的经纬度范围;通过经纬度范围筛选出一部分符合条件的候选商户,然后计算商户位置(xc,yc)与用户位置(xt,yt)的距离d;然后去掉距离d大于D的商户,得到最终的候选商户列表。
优选地,步骤S5所述构建用户商户二维偏好矩阵的步骤如下:
步骤S5.1、在用户上网日志表中,取用户最近T时间段的上网日志记录,提取用户搜索字段中的关键词,得到该用户的关键词列表;
步骤S5.2、对关键词列表,将每个单词转化为k维的词向量,然后对词向量加权平均,得到该用户的关键字词向量;
步骤S5.3、对候选商户列表中的商户,取店铺描述字段,按照步骤S5.1和步骤S5.2中的方法,计算得到商户的关键词向量;
步骤S5.4、对每个用户i和商户j依次计算偏好值Pij,得到用户商户二维偏好矩阵,其中偏好值Pij定义为用户关键词向量与商户关键词向量的cosine相似度;
优选地,步骤S3层次聚类后,为用户增加簇标记属性,属于同一簇的用户簇标记相同;步骤S5.4中,用户i选取自簇标记相同的用户列表,商户j选取自步骤S3得到的候选商户列表。
优选地,步骤S6采用基于用户的融合用户社会关系的协同过滤算法进行推荐,包括以下步骤:
步骤S6.2、对于相似度前K个用户,根据构建的社会关系网络,计算用户i与相似度前K个用户之间的关系紧密度;
步骤S6.3、预测用户i对候选商户的偏好,选取偏好值最大的商户推荐给用户。
与现有的个性化推荐方法相比,本发明的优点在于:
利用用户通话信息构建社会关系网络,并对社会关系网络进行挖掘,找到联系紧密的用户团体,再结合用户位置,利用基于用户的融合社会关系的协同过滤算法进行推荐,降低计算复杂度,提高推荐的准确性。
附图说明
图1是本发明结合社会网络和位置的线下商户推荐方法的流程图;
图2是本发明步骤S5构建用户商户二维偏好矩阵的流程图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例中,结合社会网络和位置的线下商户推荐方法包括以下步骤:
步骤S1、数据预处理,对信令数据和用户商户数据进行处理,得到用户信息表、用户轨迹表、用户上网日志表、用户通话详单和商户信息表。
数据预处理包括对数据的正确性、一致性、完整性、是否符合业务规则进行检查,处理异常值、缺失值、无效值和冗余数据;并对数据属性进行特征处理,转换为数据特征形成特征库。
其中,用户信息表包括用户标识、性别、年龄、归属地、入网时间、是否VIP、是否集团用户;所述用户轨迹表包括用户标识、时间、经度、纬度;所述用户上网日志表包括用户标识、时间、搜索关键字、用户点击的url;所述用户通话详单包括用户标识、起始时间、对端号码、呼叫类型、通话时长;所述商户数据包括商户标识、商户名称、行业类别、经度、纬度、地址、联系电话、店铺描述。
步骤S2、根据用户通话详单,量化用户之间的社会关系,并构建社会关系网络。具体方法为:
对用户通信行为构成的社会关系网络,使用有向图G=(V,E,W,P)来表示,其中V是顶点集,代表所有的主叫和被叫用户节点;E为有向边集,其中边eij表示节点vi作为主叫节点呼叫过被叫节点vj;W是有向边属性向量的集合,与E中的有向边对应。
有向边属性集合W是有向边集合E中所有边eij的属性向量集合。一维向量wij是边eij的属性向量,表示节点vi与节点vj之间关系的特征,反映了节点vi与节点vj的紧密程度。
属性向量wij的属性有:双向通信情况、通信次数和通话时长。双向通信情况,即wij与wji是否同时存在;通信次数,节点vi作为主叫与节点vj的通信总次数;通话时长,节点vi作为主叫与节点vj通话的总时长。
步骤S3、采用CNM社区发现算法对S2中构建的社会关系网络进行层次聚类,发掘社会关系网络中联系紧密的用户团体。聚类后,为用户增加簇标记属性,属于同一簇的用户簇标记相同。
步骤S4、基于用户位置,根据距离阈值筛选商户,得到候选商户列表,具体方法为:
在用户轨迹表中,得到用户位置在时间点t所在位置(xt,yt),其中xt代表经度,yt代表纬度。设定距离阈值D,R为地球半径,计算出距离用户位置(xt,yt)不超过K的经纬度范围:
Δy=2sin-1(sinD/(2R))/cosxt)
Δx=D/R
与位置(xt,yt)相距不超过D的粗略经纬度范围是(xt±Δx,yt±Δy)。通过经纬度范围筛选出一部分符合条件的候选商户,然后利用Haversine公式计算商户位置(xc,yc)与用户位置(xt,yt)的距离d:
Δx=xc-xt
Δy=yc-yt
然后去掉距离d大于D的商户,得到最终的候选商户列表shoplist。
步骤S5、基于S3中聚类的结果和S4中的候选商户列表,分析用户上网日志信息,构建用户商户二维偏好矩阵,具体包括以下步骤:
步骤S5.1、在用户上网日志表中,取用户最近T时间段的上网日志记录,用TF-IDF提取用户搜索字段中的关键词:
选取TFIDF大于某一设定阈值的词作为该用户的关键词,得到该用户的关键词列表。
步骤S5.4、对于用户i和商户j,二维偏好矩阵P中用户i对商户j的偏好值Pij定义为用户关键词向量与商户关键词向量的cosine相似度:
选取其簇标记相同的用户列表userlist以及步骤S3得到的shoplist,对于每个用户i和商户j依次计算Pij,就得到了用户商户二维偏好矩阵。
步骤S6、对于步骤S5中构建的用户商户二维偏好矩阵,采用基于用户的融合用户社会关系的协同过滤算法进行推荐,包括以下步骤:
步骤S6.2、对于步骤S6.1计算得到的与用户i相似度前K个用户,根据步骤S2构建的社会关系网络,计算用户i与相似度前K个用户之间的关系紧密度,关系紧密度定义为:
c(i,j)=t(i,j)*log(m(i,j))*factor
其中,t(i,j)为用户i,j通话次数,m(i,j)为用户i,j通话时长;当用户i,j存在双向通信时factor系数为1,不存在双向通信时factor系数为0.5。
步骤S6.3、预测用户i对候选商户的偏好,计算公式为:
从以上可知,本发明一种结合社会网络和位置的线下商户推荐方法,用于电信电子商务公共服务综合支撑平台,该方法基于电信数据进行分析,利用用户通话信息构建社会关系网络,并对社会关系网络进行挖掘,找到联系紧密的用户团体,再结合用户位置,利用基于用户的融合社会关系的协同过滤算法进行推荐,降低了计算复杂度,提高推荐的准确性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种结合社会网络和位置的线下商户推荐方法,其特征在于,包括以下步骤:
步骤S1、数据预处理,对信令数据和用户商户数据进行处理,得到用户信息表、用户轨迹表、用户上网日志表、用户通话详单和商户信息表;
步骤S2、根据用户通话详单,量化用户之间的社会关系,并构建社会关系网络;
步骤S3、采用CNM社区发现算法对所构建的社会关系网络进行层次聚类,发掘社会关系网络中联系紧密的用户团体;
步骤S4、基于用户位置,根据距离阈值筛选商户,得到候选商户列表;
步骤S5、基于S3中聚类的结果和S4中的候选商户列表,分析用户上网日志信息,构建用户商户二维偏好矩阵;
步骤S6、对于步骤S5中构建的用户商户二维偏好矩阵,采用基于用户的融合用户社会关系的协同过滤算法进行推荐;
步骤S4的过程如下:在用户轨迹表中,得到用户位置在时间点t所在位置(xt,yt),其中xt代表经度,yt代表纬度;设定距离阈值D,R为地球半径,计算出距离用户位置(xt,yt)不超过D的经纬度范围;通过经纬度范围筛选出一部分符合条件的候选商户,然后计算商户位置(xc,yc)与用户位置(xt,yt)的距离d;然后去掉距离d大于D的商户,得到最终的候选商户列表;
步骤S6采用基于用户的融合用户社会关系的协同过滤算法进行推荐,包括以下步骤:
步骤S6.2、对于相似度前K个用户,根据构建的社会关系网络,计算用户i与相似度前K个用户之间的关系紧密度;
步骤S6.3、预测用户i对候选商户的偏好,选取偏好值最大的商户推荐给用户;
所述关系紧密度定义为:
c(i,j)=t(i,j)*log(m(i,j))*factor
其中,t(i,j)为用户i,j通话次数,m(i,j)为用户i,j通话时长;当用户i,j存在双向通信时factor系数为1,不存在双向通信时factor系数为0.5;
预测用户i对候选商户的偏好,计算公式为:
步骤S5所述构建用户商户二维偏好矩阵的步骤如下:
步骤S5.1、在用户上网日志表中,取用户最近T时间段的上网日志记录,提取用户搜索字段中的关键词,得到该用户的关键词列表;
步骤S5.2、对关键词列表,将每个单词转化为k维的词向量,然后对词向量加权平均,得到该用户的关键字词向量;
步骤S5.3、对候选商户列表中的商户,取店铺描述字段,按照步骤S5.1和步骤S5.2中的方法,计算得到商户的关键词向量;
步骤S5.4、对每个用户i和商户j依次计算偏好值Pij,得到用户商户二维偏好矩阵,其中偏好值Pij定义为用户关键词向量与商户关键词向量的cosine相似度。
2.根据权利要求1所述的线下商户推荐方法,其特征在于,属性向量wij的属性包括:双向通信情况、通信次数和通话时长。
3.根据权利要求1所述的线下商户推荐方法,其特征在于,步骤S3层次聚类后,为用户增加簇标记属性,属于同一簇的用户簇标记相同;步骤S5.4中,用户i选取自簇标记相同的用户列表,商户j选取自步骤S3得到的候选商户列表。
4.根据权利要求1所述的线下商户推荐方法,其特征在于,所述数据预处理包括对数据的正确性、一致性、完整性、是否符合业务规则进行检查,处理异常值、缺失值、无效值和冗余数据;并对数据属性进行特征处理,转换为数据特征形成特征库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810053915.7A CN108154425B (zh) | 2018-01-19 | 2018-01-19 | 一种结合社会网络和位置的线下商户推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810053915.7A CN108154425B (zh) | 2018-01-19 | 2018-01-19 | 一种结合社会网络和位置的线下商户推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154425A CN108154425A (zh) | 2018-06-12 |
CN108154425B true CN108154425B (zh) | 2021-03-26 |
Family
ID=62461712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810053915.7A Active CN108154425B (zh) | 2018-01-19 | 2018-01-19 | 一种结合社会网络和位置的线下商户推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154425B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611689B (zh) * | 2018-06-15 | 2022-06-28 | 中移动信息技术有限公司 | 一种信息识别方法、设备及计算机可读存储介质 |
CN109657145A (zh) * | 2018-12-20 | 2019-04-19 | 拉扎斯网络科技(上海)有限公司 | 商户搜索方法及装置、电子设备及计算机可读存储介质 |
CN111491060B (zh) * | 2019-01-28 | 2021-10-01 | 百度在线网络技术(北京)有限公司 | 信息点击日志与话单拼接方法和装置 |
CN111724183A (zh) * | 2019-03-20 | 2020-09-29 | ***股份有限公司 | 一种商户推荐方法以及商户推荐*** |
CN110413897B (zh) * | 2019-06-14 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 用户兴趣挖掘方法、装置、存储介质和计算机设备 |
CN110866180B (zh) * | 2019-10-12 | 2022-07-29 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、服务器及存储介质 |
CN111506823A (zh) * | 2020-03-11 | 2020-08-07 | 平安科技(深圳)有限公司 | 信息推荐方法、装置及计算机设备 |
CN111460332B (zh) * | 2020-04-26 | 2020-10-30 | 成都信息工程大学 | 一种基于用户生活轨迹的社会关系评估方法 |
CN111782620B (zh) * | 2020-06-19 | 2024-07-05 | 庞茂林 | 一种信用链路自动跟踪平台及其方法 |
CN113792089B (zh) * | 2021-09-16 | 2024-03-22 | 平安银行股份有限公司 | 基于人工智能的非法行为检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和*** |
CN103605791A (zh) * | 2013-12-04 | 2014-02-26 | 深圳中兴网信科技有限公司 | 信息推送***和信息推送方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN105721279A (zh) * | 2016-01-15 | 2016-06-29 | 中国联合网络通信有限公司广东省分公司 | 一种电信网络用户的交往圈挖掘方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7792697B2 (en) * | 2004-12-28 | 2010-09-07 | American Express Travel Related Services Company, Inc. | System and method for predicting card member spending using collaborative filtering |
CN102750647A (zh) * | 2012-06-29 | 2012-10-24 | 南京大学 | 一种基于交易网络的商家推荐方法 |
SG10201502188PA (en) * | 2015-03-20 | 2016-10-28 | Mastercard Asia Pacific Pte Ltd | Method and system for recommending a competitor |
CN105025091A (zh) * | 2015-06-26 | 2015-11-04 | 南京邮电大学 | 一种基于移动用户位置的商铺推荐方法 |
CN105184603A (zh) * | 2015-08-13 | 2015-12-23 | 湖南天冠电子信息技术有限公司 | 一种融合协同过滤算法和位置信息的目标地推荐方法 |
CN107169052B (zh) * | 2017-04-26 | 2019-03-05 | 北京小度信息科技有限公司 | 推荐方法及装置 |
-
2018
- 2018-01-19 CN CN201810053915.7A patent/CN108154425B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和*** |
CN103605791A (zh) * | 2013-12-04 | 2014-02-26 | 深圳中兴网信科技有限公司 | 信息推送***和信息推送方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN105721279A (zh) * | 2016-01-15 | 2016-06-29 | 中国联合网络通信有限公司广东省分公司 | 一种电信网络用户的交往圈挖掘方法及*** |
Non-Patent Citations (1)
Title |
---|
"基于用户网络社交信息的推荐算法研究与实现";付晶晶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115(第01期);正文第1-3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN108154425A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154425B (zh) | 一种结合社会网络和位置的线下商户推荐方法 | |
US9336282B2 (en) | Systems and methods for identifying and analyzing internet users | |
CN106778876B (zh) | 基于移动用户轨迹相似性的用户分类方法和*** | |
CN108153824B (zh) | 目标用户群体的确定方法及装置 | |
CN103377250B (zh) | 基于邻域的top‑k推荐方法 | |
CN111581450B (zh) | 确定用户的业务属性的方法及装置 | |
CN110119478B (zh) | 一种结合多种用户反馈数据的基于相似度的物品推荐方法 | |
KR100792700B1 (ko) | 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템 | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN112241489A (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
CN105786936A (zh) | 用于对搜索数据进行处理的方法及设备 | |
CN111931069B (zh) | 用户兴趣确定方法、装置及计算机设备 | |
KR101910424B1 (ko) | 태그의 감성 분석을 이용한 영화 평점 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN109299368B (zh) | 一种用于环境信息资源ai智能个性化推荐的方法及*** | |
CN114282119B (zh) | 一种基于异构信息网络的科技信息资源检索方法及*** | |
Yang et al. | Personalized recommendation based on collaborative filtering in social network | |
CN106066864B (zh) | 一种多维度移动用户偏好动态识别方法 | |
CN115098771A (zh) | 推荐模型更新方法、推荐模型训练方法及计算设备 | |
CN114880572B (zh) | 新闻客户端智能推荐*** | |
Rohilla et al. | Random Forest with harmony search optimization for location based advertising | |
Gupta et al. | Recommendation system for location-based services | |
CN115687801B (zh) | 基于位置时效特征和时间感知动态相似性的位置推荐方法 | |
CN116739641B (zh) | 一种跨境电商知识图谱分析方法及*** | |
CN113420214B (zh) | 一种电子交易对象推荐方法和装置及设备 | |
Rios et al. | Selecting and Weighting Users in Collaborative Filtering-based POI Recommendation |
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 |