CN108681570B - 一种基于多目标进化算法的个性化网页推荐方法 - Google Patents
一种基于多目标进化算法的个性化网页推荐方法 Download PDFInfo
- Publication number
- CN108681570B CN108681570B CN201810420932.XA CN201810420932A CN108681570B CN 108681570 B CN108681570 B CN 108681570B CN 201810420932 A CN201810420932 A CN 201810420932A CN 108681570 B CN108681570 B CN 108681570B
- Authority
- CN
- China
- Prior art keywords
- population
- webpage
- chromosome
- chromosomes
- parent population
- 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 24
- 210000000349 chromosome Anatomy 0.000 claims description 69
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多目标进化算法的个性化网页推荐方法,包括:S1、获取网页信息,并根据用户点击流分配网页信息的相关性,得到相关信息集合S;S2、从S中选取网页信息特征,并根据网页信息特征将S转换为二类样本集合;S3、对相关信息集合进行编码得到父代种群,并随机初始化父代种群;S4、基于父代种群初始化子种群;S5、将父代种群和子种群合并进化;S6、重复执行步骤S4和步骤S5进行下一代遗传,直到达到最大遗传代数终止遗传,得到网页推荐预测模型;S7、通过网页推荐预测模型对网页信息集合进行预测,得到用户感兴趣的网页信息。
Description
技术领域
本发明涉及网页推荐技术领域,尤其涉及一种基于多目标进化算法的个性化网页推荐方法。
背景技术
随着互联网技术在日常生活中的应用越来越广泛,人们面临的信息量正在以疯狂的速度增长。人们每天都需要从外界获取自己需要的信息,如何在众多的信息里找到有价值的信息是一个很值得研究的课题。
基于内容的推荐,如果你浏览或购买过某种类型的信息,则给你推荐这种类型下的其他信息。这种推荐方法根据用户的兴趣偏好建模,推荐的准确性依赖对信息建模的全面性和完整性。基于内容的推荐好处在于易于理解,但不足在于推荐不够智能,多样性和新颖性不足。基于协同过滤的推荐,即根据用户对信息的偏好,发现信息之间的相关性或用户之间的相关性,然后基于这些相关性进行推荐。社会化推荐,即利用社交网络数据给用户推荐物品。根据某机构的调查,在购买物品时,90%左右的用户会相信朋友的推荐,70%的用户会相信网上其他用户对商品的评论,推荐***会把用户好友感兴趣的物品推荐给用户。
上述方法虽然能在一定程度上提高推荐准确率,但是它们在训练推荐模型时都认为训练数据是完全可信任的既没有噪音的,但是由于某些时候查询意图具有模糊性,致使训练数据常常含有噪音。例如,在用户点击数据中,往往认为被用户点击的条目应该获得更高的相关性等级,但是这并不是完全可靠的,失误操作等原因都会导致错误。因此,在推荐***的训练数据中,通常包含噪音。如果忽略这个事实,推荐算法的性能将会受到损害。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于多目标进化算法的个性化网页推荐方法;
本发明提出的一种基于多目标进化算法的个性化网页推荐方法,包括:
S1、获取网页信息S,并根据关键字对网页信息进行分类得到集合{q1,q2,....qm},{q1,q2,....qm}包括有nk个样本点的集合,样本点的集合中样本根据用户点击流分配网页信息的相关性标签yk;
S2、从S中选取网页信息特征,并根据网页信息特征将S转换为二类样本集合;
S3、对相关信息集合进行编码得到父代种群,并随机初始化父代种群;
S4、基于父代种群初始化子种群;
S5、将父代种群和子种群合并进化;
S6、重复执行步骤S4和步骤S5进行下一代遗传,直到达到最大遗传代数终止遗传,得到网页推荐预测模型;
S7、通过网页推荐预测模型对网页信息集合进行预测,得到用户感兴趣的网页信息。
优选地,步骤S2,具体包括:
从S中选取网页信息特征xT;
优选地,步骤S3,具体包括:
将相关信息集合中每一条网页信息表示一个基因位,得到n条网页信息组成一条染色体p(d1,d2,di...dn),得到父代种群,其中,n表示网页的个数,di表示第i网页,di∈{0,1},0代表不选择这条网页信息,1代表选择这条网页信息;
随机初始化父代种群Pt={p1,p2pi,...,ppop},其中pop表示父代种群的大小。
优选地,步骤S4,具体包括:
S41、计算父代种群Pt中每一条染色体三个目标函数的值,三个目标函数如下:其中G[pi]表示当前模型下的收益,V[pi]表示当前模型下存在的风险,n(S)表示使用样本的数量,MR(qi)表示当前模型下的效力,MB(qi)表示完美模型下的效力;
S42、将父种群Pt中的每一条染色体按三个目标函数的值进行降序排列,得到三个目标函数表;
S43、在父代种群Pt中随机选取一半的染色体作为样本染色体;
S44、从样本染色体中选取一个目标染色体记为pi,根据三个目标函数表找到pi对应的位置,再从三个目标函数值表中找到pi的相邻染色体,分别计算pi与其相邻个体的标准欧氏距离,获取与pi有最大标准欧氏距离的相邻染色体pj;
S45、获取与目标染色体有相同维度的K=(k1,k2,ki...kn),其中ki∈{0,1},从个体pi和pj的第一位基因开始,如果相应位置的ki的值为1,交换个体pi和pj在该位上的值;
S46、对染色体pi和pj的每一位基因均重复步骤S45操作,得到crosspi和crosspj;
S47、获取与目标染色体有相同维度的M=(m1,m2,mi...mn),其中0<mi<1,从个体crosspi的第一位基因开始,当相应位置的m1的值小于预设变异概率时,判断crosspi在该位上的值是否为0,若是,将crosspi在该位上的值置为1;否则,将crosspi在该位上的值置为0;
S48、对crosspi的每一位基因、crosspj的每一位基因均重复步骤S47操作,得到两个新染色体,记为子代染色体种群;
S49、重复步骤S44、S45、S46、S47、S48操作,直到得到的子代种群与父代种群大小相同,记为Qt。
优选地,步骤S5,具体包括:
S51、父代种群和子种群进行合并,得到合并种群Rt=Pt∪Qt;
S52、计算Rt中每个个体的三个目标函数的值,并根据目标函数值进行快速非支配排序;
S53、获取Rt中的非支配解集,记为第一非支配层,获取余下群体中非支配解集,记为第二非支配层;
S54、重复步骤S53,直到Rt被分层完;
S55、在同层之间计算每个染色体的拥挤距离,将每个染色体的拥挤距离按照降序排序;
S56、选取位于第一非支配层的染色体,若第一非支配层里的染色体数量大于pop,选择前pop个染色体作为新的父代种群;若第一非支配层的个体数目小于pop,将第一非支配层的染色体放入新的父代种群里,少于pop的染色体从第二非支配层里按拥挤距离选取,若再不足pop个依次按拥挤距离从剩余的非支配分层里选取,直到选取的个体数目等于pop,更新父代种群Pt。
优选地,步骤S55中,所述染色体的拥挤距离,具体包括:染色体的拥挤距离是目标空间上与i相邻的两个染色体i+1和i-1之间的距离。
本发明为了剔除网页信息中的噪音数据设计了三个目标:收益函数、风险函数和训练样本的数量,使用多目标进化算法优化求解这三个目标,保证了对噪音信息的有效剔除,一方面提高了推荐方法的准确性,另一方面因为减少了网页信息数据中的噪音数据,使得推荐方法的效率得到提高。本发明在进化算法中采用HEM策略,采用标准欧氏距离来度量两个个体之间的相似程度,选择标准欧氏距离最大的个体进行交叉变异,从而提高子代个体的质量,提高推荐模型的精度和多样性。
附图说明
图1为本发明提出的一种基于多目标进化算法的个性化网页推荐方法的流程示意图。
具体实施方式
参照图1,本发明提出的一种基于多目标进化算法的个性化网页推荐方法,包括:
步骤S1,获取网页信息S,并根据关键字对网页信息进行分类得到集合{q1,q2,....qm},{q1,q2,....qm}包括有nk个样本点的集合,样本点的集合中样本根据用户点击流分配网页信息的相关性标签yk。
在具体方案中,用户每天都会使用浏览器,各种网页信息五花八门,有的人关注娱乐八卦、有的人喜欢看体育赛事、有的人关注医疗健康、还有的人关注各种商品买卖等等。但用户在浏览的过程中,只会点击自己感兴趣的网页信息,例如追星族喜欢看娱乐八卦。由此,利用网络爬虫软件采集网络上的网页信息,并根据用户点击流来分配信息数据的相关性。具体的讲,首先获取网页的统一资源定位符URL,然后对URL进行解析从而得到网页信息的数据,记为S={s1,s2,...,sm},并根据关键字对网页信息进行分类得到集合{q1,q2,....qm}∈Q,{q1,q2,....qm}∈Q包括有nk个样本点的集合内样本根据用户点击流分配网页信息的相关性标签其中,表示第k个类别下第i个网页信息,xi∈Rd,Rd表示实数的d维空间,d表示网页信息的关键词个数;yi表示网页信息的相关性yi表示网页信息的相关性,对于每一个相关性标签yi∈{r1,r2,....rl}有rl>rl-1>....r1(越大表示相关性越高)。
步骤S2,从S中选取网页信息特征,并根据网页信息特征将S转换为二类样本集合,具体包括:
从S中选取网页信息特征xT;
在具体方案中,使用pairwise法把S变为二类样本,既相关样本与不相关样本,在S里,存在样本对具有不同的相关性,记作x(i,j)。如果有将新产生的样本对的相关性标签置为1,否则,将新产生的样本对的相关性标签置-1。
步骤S3,对相关信息集合进行编码得到父代种群,并随机初始化父代种群,步骤S3,具体包括:
将相关信息集合中每一条网页信息表示一个基因位,得到n条网页信息组成一条染色体p(d1,d2,di...dn),得到父代种群,其中,n表示网页的个数,di表示第i网页,di∈{0,1},0代表不选择这条网页信息,1代表选择这条网页信息;
随机初始化父代种群Pt={p1,p2,pi,...,ppop},其中pop表示父代种群的大小。
在具体方案中,使用二进制编码方式,令每一条网页信息表示一个基因位,n条网页信息组成一条染色体用p(d1,d2,di...dn)表示,其中n表示网页的个数,di表示第i网页,di∈{0,1},0代表不选择这条网页信息,1代表选择这条网页信息;
随机初始化父代种群Pt={p1,p2,pi,...,ppop},其中pop表示父代种群的大小。
步骤S4,基于父代种群初始化子种群,步骤S4,具体包括:
S41、计算父代种群Pt中每一条染色体三个目标函数的值,三个目标函数如下:其中G[pi]表示当前模型下的收益,V[pi]表示当前模型下存在的风险,n(S)表示使用样本的数量,MR(qi)表示当前模型下的效力,MB(qi)表示完美模型下的效力;
S42、将父种群Pt中的每一条染色体按三个目标函数的值进行降序排列,得到三个目标函数表;
S43、在父代种群Pt中随机选取一半的染色体作为样本染色体;
S44、从样本染色体中选取一个目标染色体记为pi,根据三个目标函数表找到pi对应的位置,再从三个目标函数值表中找到pi的相邻染色体,分别计算pi与其相邻个体的标准欧氏距离,获取与pi有最大标准欧氏距离的相邻染色体pj;
S45、获取与目标染色体有相同维度的K=(k1,k2,ki...kn),其中ki∈{0,1},从个体pi和pj的第一位基因开始,如果相应位置的ki的值为1,交换个体pi和pj在该位上的值;
S46、对染色体pi和pj的每一位基因均重复步骤S45操作,得到crosspi和crosspj;
S47、获取与目标染色体有相同维度的M=(m1,m2,mi...mn),其中0<mi<1,从个体crosspi的第一位基因开始,当相应位置的m1的值小于预设变异概率时,判断crosspi在该位上的值是否为0,若是,将crosspi在该位上的值置为1;否则,将crosspi在该位上的值置为0;
S48、对crosspi的每一位基因、crosspj的每一位基因均重复步骤S47操作,得到两个新染色体,记为子代染色体种群;
S49、重复步骤S44、S45、S46、S47、S48操作,直到得到的子代种群与父代种群大小相同,记为Qt。
在具体方案中,步骤S41中,MR(qi)以NDCG@10计算,NDCG是“归一化累积折扣信息增益值”,给定一个查询分类集q,首先给出在第K个位置上的DCG的公式:
其中r(j)表示返回样本列表中第j个样本的等级,那么在第K个位置上的归一化的DCG可以用一下的公式表示:
其中Z是归一化因子,通俗的说Z表示这个样本上最大的DCG值的倒数,也就是理想状态下的DCG值的倒数,因此可以确保NDCG的值在0-1之间。
步骤S44为选择操作,步骤S45和步骤S46为交叉操作,步骤S47、S48为变异操作,重复选择、交叉和变异三个操作直到产生的子代种群与父代种群大小相同时停止,子代种群记作Qt。
步骤S5,将父代种群和子种群合并进化,步骤S5,具体包括:
S51、父代种群和子种群进行合并,得到合并种群Rt=Pt∪Qt;
S52、计算Rt中每个个体的三个目标函数的值,并根据目标函数值进行快速非支配排序;
S53、获取Rt中的非支配解集,记为第一非支配层,获取余下群体中非支配解集,记为第二非支配层;
S54、重复步骤S53,直到Rt被分层完;
S55、在同层之间计算每个染色体的拥挤距离,将每个染色体的拥挤距离按照降序排序,所述染色体的拥挤距离,具体包括:染色体的拥挤距离是目标空间上与i相邻的两个染色体i+1和i-1之间的距离。
S56、选取位于第一非支配层的染色体,若第一非支配层里的染色体数量大于pop,选择前pop个染色体作为新的父代种群;若第一非支配层的个体数目小于pop,将第一非支配层的染色体放入新的父代种群里,少于pop的染色体从第二非支配层里按拥挤距离选取,若再不足pop个依次按拥挤距离从剩余的非支配分层里选取,直到选取的个体数目等于pop,更新父代种群Pt。
步骤S6,重复执行步骤S4和步骤S5进行下一代遗传,直到达到最大遗传代数终止遗传,得到网页推荐预测模型;
步骤S7,通过网页推荐预测模型对网页信息集合进行预测,得到用户感兴趣的网页信息。
在具体方案中,重复步骤S4和步骤S5进入下一代遗传,直到达到最大遗传代数终止遗传,在最终产生的Pareto解集上使用LIBSVM工具得到个性化网页推荐预测模型wT,使用全wT对其他网页信息集合进行预测,从而得到用户感兴趣的网页信息。
本实施方式为了剔除网页信息中的噪音数据设计了三个目标:收益函数、风险函数和训练样本的数量,使用多目标进化算法优化求解这三个目标,保证了对噪音信息的有效剔除,一方面提高了推荐方法的准确性,另一方面因为减少了网页信息数据中的噪音数据,使得推荐方法的效率得到提高。本发明在进化算法中采用HEM策略,采用标准欧氏距离来度量两个个体之间的相似程度,选择标准欧氏距离最大的个体进行交叉变异,从而提高子代个体的质量,提高推荐模型的精度和多样性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于多目标进化算法的个性化网页推荐方法,其特征在于,包括:
S3、对相关信息集合进行编码得到父代种群,并随机初始化父代种群;
S4、基于父代种群初始化子种群;
S5、将父代种群和子种群合并进化;
S6、重复执行步骤S4和步骤S5进行下一代遗传,直到达到最大遗传代数终止遗传,得到网页推荐预测模型;
S7、通过网页推荐预测模型对网页信息集合进行预测,得到用户感兴趣的网页信息;
其中,步骤S4,具体包括:
4.根据权利要求1所述的基于多目标进化算法的个性化网页推荐方法,其特征在于,步骤S5,具体包括:
S55、在同层之间计算每个染色体的拥挤距离,将每个染色体的拥挤距离按照降序排序;
5.根据权利要求4所述的基于多目标进化算法的个性化网页推荐方法,其特征在于,步骤S55中,所述染色体的拥挤距离,具体包括:染色体的拥挤距离是目标空间上与i相邻的两个染色体i+1和i-1之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810420932.XA CN108681570B (zh) | 2018-05-04 | 2018-05-04 | 一种基于多目标进化算法的个性化网页推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810420932.XA CN108681570B (zh) | 2018-05-04 | 2018-05-04 | 一种基于多目标进化算法的个性化网页推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681570A CN108681570A (zh) | 2018-10-19 |
CN108681570B true CN108681570B (zh) | 2021-09-21 |
Family
ID=63801444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810420932.XA Active CN108681570B (zh) | 2018-05-04 | 2018-05-04 | 一种基于多目标进化算法的个性化网页推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681570B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615421B (zh) * | 2018-11-28 | 2022-12-06 | 安徽大学 | 一种基于多目标进化算法的个性化商品推荐方法 |
CN112183459B (zh) * | 2020-10-20 | 2022-10-04 | 安徽大学 | 一种基于进化多目标优化的遥感水质图像分类方法 |
CN112801163B (zh) * | 2021-01-22 | 2022-10-04 | 安徽大学 | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844637A (zh) * | 2017-01-19 | 2017-06-13 | 北京工业大学 | 基于正交与聚类修剪改进多目标遗传算法的电影推荐方法 |
CN106997553A (zh) * | 2017-04-12 | 2017-08-01 | 安徽大学 | 一种基于多目标优化的商品组合模式的挖掘方法 |
CN107169029A (zh) * | 2017-04-13 | 2017-09-15 | 深圳大学 | 一种推荐方法及装置 |
CN107204956A (zh) * | 2016-03-16 | 2017-09-26 | 腾讯科技(深圳)有限公司 | 网站识别方法及装置 |
CN107609033A (zh) * | 2017-08-10 | 2018-01-19 | 西安电子科技大学 | 基于自适应协同进化算法的信息核提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9158801B2 (en) * | 2012-07-27 | 2015-10-13 | Facebook, Inc. | Indexing based on object type |
JP5893745B2 (ja) * | 2012-09-24 | 2016-03-23 | 株式会社日立製作所 | ストレージ装置が有する階層型プール内のデータの配置を制御する計算機及び方法 |
US10698944B2 (en) * | 2013-03-13 | 2020-06-30 | Netflix, Inc. | Searches and recommendations using distance metric on space of media titles |
TWI617188B (zh) * | 2016-03-23 | 2018-03-01 | 財團法人資訊工業策進會 | 資訊推薦系統、資訊推薦方法與非暫態電腦可讀取記錄媒體 |
-
2018
- 2018-05-04 CN CN201810420932.XA patent/CN108681570B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204956A (zh) * | 2016-03-16 | 2017-09-26 | 腾讯科技(深圳)有限公司 | 网站识别方法及装置 |
CN106844637A (zh) * | 2017-01-19 | 2017-06-13 | 北京工业大学 | 基于正交与聚类修剪改进多目标遗传算法的电影推荐方法 |
CN106997553A (zh) * | 2017-04-12 | 2017-08-01 | 安徽大学 | 一种基于多目标优化的商品组合模式的挖掘方法 |
CN107169029A (zh) * | 2017-04-13 | 2017-09-15 | 深圳大学 | 一种推荐方法及装置 |
CN107609033A (zh) * | 2017-08-10 | 2018-01-19 | 西安电子科技大学 | 基于自适应协同进化算法的信息核提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108681570A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN105740401B (zh) | 一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置 | |
Bose et al. | Quantitative models for direct marketing: A review from systems perspective | |
CN109785062B (zh) | 一种基于协同过滤模型的混合神经网络推荐*** | |
Sılahtaroğlu et al. | Analysis and prediction of Ε-customers' behavior by mining clickstream data | |
Huang et al. | Handling sequential pattern decay: Developing a two-stage collaborative recommender system | |
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 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
Chu et al. | A case study of behavior-driven conjoint analysis on Yahoo! Front Page Today module | |
WO2002079942A2 (en) | System for visual preference determination and predictive product selection | |
CN108681570B (zh) | 一种基于多目标进化算法的个性化网页推荐方法 | |
CN101454771A (zh) | 基于使用多媒体调查特征匹配以划分和标记个体的***和方法 | |
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
Selvi et al. | A novel Adaptive Genetic Neural Network (AGNN) model for recommender systems using modified k-means clustering approach | |
CN116431931A (zh) | 实时增量数据统计分析方法 | |
Tao et al. | Dynamic feature weighting based on user preference sensitivity for recommender systems | |
Zheng et al. | Graph-convolved factorization machines for personalized recommendation | |
Xi et al. | Multi-level interaction reranking with user behavior history | |
Nayak et al. | Multi-objective clustering: a kernel based approach using differential evolution | |
CN110287373A (zh) | 基于评分预测和用户特征的协同过滤电影推荐方法及*** | |
CN112948670A (zh) | 基于用户行为偏好的平台交易推荐模型的构建方法 | |
CN117237038A (zh) | 一种基于流量引擎的商品精准曝光处理*** | |
Koliarakis et al. | Modified collaborative filtering for hybrid recommender systems and personalized search: The case of digital library | |
Taneja et al. | Evaluating the Scalability of Matrix Factorization and Neighborhood Based Recommender Systems | |
CN114971805A (zh) | 一种基于深度学***台商品智能分析推荐*** |
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 |