CN109190053A - 一种基于兴趣点重要性和用户权威性的兴趣点推荐方法 - Google Patents
一种基于兴趣点重要性和用户权威性的兴趣点推荐方法 Download PDFInfo
- Publication number
- CN109190053A CN109190053A CN201810724338.XA CN201810724338A CN109190053A CN 109190053 A CN109190053 A CN 109190053A CN 201810724338 A CN201810724338 A CN 201810724338A CN 109190053 A CN109190053 A CN 109190053A
- Authority
- CN
- China
- Prior art keywords
- point
- interest
- user
- importance
- registering
- 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 22
- 101000911753 Homo sapiens Protein FAM107B Proteins 0.000 claims abstract description 8
- 102100026983 Protein FAM107B Human genes 0.000 claims abstract description 8
- 230000003542 behavioural effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000007704 transition Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005065 mining Methods 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于兴趣点重要性和用户权威性的兴趣点推荐方法。该方法主要包括如下步骤:首先,根据用户与兴趣点的签到行为和兴趣点之间的共现关系,利用HITS和PageRank的混合模型,计算用户权威性和兴趣点重要性。其次,在泊松因子模型中集成兴趣点重要性,建模用户的签到行为。接着,在兴趣点推荐模型中融合用户权威性,衡量用户签到行为数据的置信度。然后,采用随机梯度下降算法学习用户和兴趣点的隐式特征向量。最后,根据用户和兴趣点隐式特征向量,预测用户对未签到兴趣点的签到频次,根据预测签到频次推荐用户潜在感兴趣的兴趣点。本发明主要解决基于位置社交网络中兴趣点推荐问题。
Description
技术领域
本发明涉及数据挖掘技术领域,具体涉及一种基于兴趣点重要性和用户权威性的兴趣点推荐方法。
背景技术
近期,基于位置社交网络(LBSNs)非常流行并且吸引了工业界和学术界的广泛关注,典型的基于位置社交网络包括Foursquare,Gowalla,Facebook Place等。在LBSNs中,用户可以与他们的朋友建立起联系,上传照片,通过签到兴趣点分享他们的位置。除了为用户提供社交平台外,LBSNs更希望利用用户的签到历史和其他方面的信息来挖掘用户的偏好并推荐满足用户偏好的有趣的地方。推荐有趣位置的任务被称为兴趣点推荐。兴趣点推荐***在LBSNs中起着重要的作用,因为它们不仅满足了用户的个性化需求,而且还帮助LBSNs供应商提供智能化位置服务(如位置感知广告)来增加收入。
然而,大多数现有的方法简化用户签到行为数据,即无论用户在一个兴趣点签到多少次,都使用二进制值来表示用户是否访问了兴趣点。另外,很少研究工作考虑兴趣点重要性和用户权威性对用户最终签到决定的影响。
发明内容
针对上述现有技术存在的问题和不足,提供了一种基于兴趣点重要性和用户权威的兴趣点推荐算法,根据用户对兴趣点的签到行为和兴趣点之间的共现关系,利用HITS和PageRank的混合模型来计算用户权威性和兴趣点重要性,在泊松因子模型中集成兴趣点重要性和用户权威性,更加准确的学习用户和兴趣点的隐式特征向量,从而提高兴趣点推荐的性能。为了实现上述目标,本发明采用如下的技术方案:
一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,包含以下步骤:
步骤1)根据用户对兴趣点的签到行为和兴趣点之间的共现关系,利用HITS和PageRank的混合模型(VLDB_10_mining significant semantic locations from GPSdata),计算用户权威性和兴趣点重要性;
步骤2)在泊松因子模型中集成兴趣点重要性,建模用户的签到行为;
步骤3)在兴趣点推荐模型中融合用户权威性,衡量用户签到行为数据的置信度;
步骤4)采用随机梯度下降算法学习用户隐式特征向量和兴趣点隐式特征向量;
步骤5)利用用户和兴趣点隐式特征向量,预测用户对未签到兴趣点的签到频次,根据预测频次推荐用户潜在感兴趣的兴趣点。
前述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于:所述步骤1)的具体内容为:
步骤1-1)根据用户对兴趣点的签到数据,构建转移概率矩阵TUL∈RM×N,转移概率矩阵中每个元素为p(uk|li),表示从兴趣点li到用户uk的转移概率,计算公式如下:
其中Num(li)表示在兴趣点li的签到总数,Num(uk,li)表示用户uk在li的签到数量,∈是当前情况下的传送概率;N表示兴趣点的个数,M表示用户个数;
步骤1-2)根据用户对兴趣点的签到数据,构建转移概率矩阵TLU∈RN×M,此转移概率矩阵中每个元素为p(li|uk),表示从用户uk到兴趣点li的转移概率,计算公式如下:
其中Num(li,lj,uk)表示用户uk同时访问兴趣点li和lj的次数,p(li|lj,uk)表示用户uk在兴趣点lj上转移到兴趣点li的概率,τ为当前情况下的传送概率;
步骤1-3)结合转移概率矩阵TUL和TLU,基于HITS和PageRank的混合模型定义为:
其中,表示第k+1次迭代兴趣点重要性向量,表示第k+1次迭代用户权威性向量,p(li)表示兴趣点li的重要性,p(uk)表示用户uk的权威性,对应的上标表示第k+1次下的迭代值;根据上述混合模型定义,采用幂律迭代方法计算用户权威性向量ωuser和兴趣点重要性向量ωloc。
前述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,所述步骤2)中,在泊松因子模型中集成兴趣点重要性,建模用户的签到行为,构建包含兴趣点重要性的目标函数:
给定用户ui的隐式特征向量Ui和兴趣点lj的隐式特征向量Vj,用户ui在兴趣点lj上的签到频率的期望值其中p(j)为兴趣点lj的重要性;
用户ui在兴趣点lj的签到频率rij建模为:
以期望值fij为元素构建用户签到频次期望值矩阵以签到频率rij为元素构建用户对兴趣点签到频次矩阵条件分布为:
其中Iij是指示函数,如果用户ui访问兴趣点lj,则指示函数等于1,否则等于0;
对数后验分布P(U,V|R,α,β)定义为:
其中,表示用户隐式特征矩阵U的概率先验,
表示兴趣点隐式特征矩阵V的概率先验,所有的隐式特征向量Ui构成用户隐式特征矩阵U,所有的隐式特征向量Vj构成兴趣点隐式特征矩阵V,K为用户和兴趣点隐式特征向量的维度,Γ(x)为伽玛函数,α=[α1,α2,...,αK]为伽玛分布的形状参数向量,αk为伽玛分布的形状参数;β=[β1,β2,...,βK]为伽玛分布的尺度参数向量,βk为伽玛分布的尺度参数;uik为用户隐式特征矩阵第i行k列的值,vjk为兴趣点隐式特征矩阵第j行k列的值,
基于兴趣点重要性的兴趣点推荐算法的目标函数即为最大化对数后验分布P(U,V|R,α,β)。
前述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,所述步骤3)中使用用户的权威性衡量用户签到行为置信度,基于兴趣点重要性和用户权威性的兴趣点推荐算法的目标函数L如下:
其中α(i)=p(ui)表示用户ui的权威性。
前述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,所述步骤4)中的目标函数L关于uik和vjk的偏导数为:
采用随机梯度下降算法迭代更新用户和兴趣点隐式特征向量,直至目标函数收敛。
前述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于:所述步骤5)中,用户ui对未签到兴趣点lj的预测签到频次的计算方法如下:对于用户ui,计算完所有未签到兴趣点的预测值后,根据预测值,推荐预测值高的k项给用户ui。
本发明所达到的有益效果:在基础泊松模型基础上,集成兴趣点重要性,建模用户在兴趣点上的签到行为,在兴趣点推荐模型中,融合用户权威性,衡量用户签到行为数据的置信度,从而能够更加准确的学习用户和兴趣点的隐式特征向量,提高提供兴趣点推荐的性能。
附图说明
图1为本发明提供的基于兴趣点重要性和用户权威性的兴趣点推荐方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明公开了基于兴趣点重要性和用户权威性的兴趣点推荐方法,包含以下步骤:
步骤1)根据用户对兴趣点的签到行为和兴趣点之间的共现关系,利用HITS和PageRank的混合模型,计算用户权威性和兴趣点重要性。
步骤1-1)根据用户对兴趣点的签到数据,构建转移概率矩阵TUL∈RM×N,转移概率矩阵中每个元素为p(uk|li),表示从兴趣点li到用户uk的转移概率,计算公式如下:
其中Num(li)表示在兴趣点li的签到总数,Num(uk,li)表示用户uk在li的签到数量,∈是当前情况下的传送概率;N表示兴趣点的个数,M表示用户个数;
步骤1-2)根据用户对兴趣点的签到数据,构建转移概率矩阵TLU∈RN×M,此转移概率矩阵中每个元素为p(li|uk),表示从用户uk到兴趣点li的转移概率,计算公式如下:其中Num(li,lj,uk)表示用户uk同时访问兴趣点li和lj的次数,p(li|lj,uk)表示用户uk在兴趣点lj上转移到兴趣点li的概率,τ为当前情况下的传送概率;
步骤1-3)结合转移概率矩阵TUL和TLU,基于HITS和PageRank的混合模型定义为:
其中,表示第k+1次迭代兴趣点重要性向量,表示第k+1次迭代用户权威性向量,p(li)表示兴趣点li的重要性,p(uk)表示用户uk的权威性,对应的上标表示第k+1次下的迭代值;
根据上述混合模型定义,采用幂律迭代方法计算用户权威性向量ωuser和兴趣点重要性向量ωloc。
步骤2)在泊松因子模型中集成兴趣点重要性,建模用户的签到行为;
步骤2)中,在泊松因子模型中集成兴趣点重要性,建模用户的签到行为,构建包含兴趣点重要性的目标函数:
给定用户ui的隐式特征向量Ui和兴趣点lj的隐式特征向量Vj,用户ui在兴趣点lj上的签到频率的期望值其中p(j)为兴趣点lj的重要性;
用户ui在兴趣点lj的签到频率rij建模为:
以期望值fij为元素构建用户签到频次期望值矩阵以签到频率rij为元素构建用户对兴趣点签到频次矩阵条件分布为:
其中Iij是指示函数,如果用户ui访问兴趣点lj,则指示函数等于1,否则等于0;
对数后验分布P(U,V|R,α,β)定义为:
其中,表示用户隐式特征矩阵U的概率先验,
表示兴趣点隐式特征矩阵V的概率先验,K为用户和兴趣点隐式特征向量的维度,Γ(x)为伽玛函数,α=[α1,α2,...,αK]为伽玛分布的形状参数向量,αk为伽玛分布的形状参数;β=[β1,β2,...,βK]为伽玛分布的尺度参数向量,βk为伽玛分布的尺度参数;uik为用户隐式特征矩阵第i行k列的值,vjk为兴趣点隐式特征矩阵第j行k列的值,
基于兴趣点重要性的兴趣点推荐算法的目标函数即为最大化对数后验分布P(U,V|R,α,β)。
步骤3)在兴趣点推荐模型中融合用户权威性,衡量用户签到行为数据的置信度;使用用户的权威性衡量用户签到行为置信度,基于兴趣点重要性和用户权威性的兴趣点推荐算法的目标函数L如下:
其中α(i)=p(ui)表示用户ui的权威性。
步骤4)采用随机梯度下降算法学习用户隐式特征向量和兴趣点隐式特征向量:
目标函数L关于uik和vjk的偏导数为:
采用随机梯度下降算法迭代更新用户和兴趣点隐式特征向量,直至目标函数收敛。
步骤5)利用用户和兴趣点隐式特征向量,预测用户对未签到兴趣点的签到频次,根据预测频次推荐用户潜在感兴趣的兴趣点。
用户ui对未签到兴趣点lj的预测签到频次的计算方法如下:对于用户ui,计算完所有未签到兴趣点的预测值后,根据预测值,推荐预测值高的k项(这里的k根据实际需求进行选择)给用户ui。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,包含以下步骤:
步骤1)根据用户对兴趣点的签到行为和兴趣点之间的共现关系,利用HITS和PageRank的混合模型,计算用户权威性和兴趣点重要性;
步骤2)在泊松因子模型中集成兴趣点重要性,建模用户的签到行为;
步骤3)在兴趣点推荐模型中融合用户权威性,衡量用户签到行为数据的置信度;
步骤4)采用随机梯度下降算法学习用户隐式特征向量和兴趣点隐式特征向量;
步骤5)利用用户和兴趣点隐式特征向量,预测用户对未签到兴趣点的签到频次,根据预测频次推荐用户潜在感兴趣的兴趣点。
2.根据权利要求1所述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于:所述步骤1)的具体内容为:
步骤1-1)根据用户对兴趣点的签到数据,构建转移概率矩阵TUL∈RM×N,转移概率矩阵中每个元素为p(uk|li),表示从兴趣点li到用户uk的转移概率,计算公式如下:
其中Num(li)表示在兴趣点li的签到总数,Num(uk,li)表示用户uk在li的签到数量,∈是当前情况下的传送概率;N表示兴趣点的个数,M表示用户个数;
步骤1-2)根据用户对兴趣点的签到数据,构建转移概率矩阵TLU∈RN×M,此转移概率矩阵中每个元素为p(li|uk),表示从用户uk到兴趣点li的转移概率,计算公式如下:
其中Num(li,lj,uk)表示用户uk同时访问兴趣点li和lj的次数,p(li|lj,uk)表示用户uk在兴趣点lj上转移到兴趣点li的概率,τ为当前情况下的传送概率;
步骤1-3)结合转移概率矩阵TUL和TLU,基于HITS和PageRank的混合模型定义为:
其中,表示第k+1次迭代兴趣点重要性向量,表示第k+1次迭代用户权威性向量,p(li)表示兴趣点li的重要性,p(uk)表示用户uk的权威性,对应的上标表示第k+1次下的迭代值;
根据上述混合模型定义,采用幂律迭代方法计算用户权威性向量ωuser和兴趣点重要性向量ωloc。
3.根据权利要求2所述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,所述步骤2)中,在泊松因子模型中集成兴趣点重要性,建模用户的签到行为,构建包含兴趣点重要性的目标函数:
给定用户ui的隐式特征向量Ui和兴趣点lj的隐式特征向量Vj,用户ui在兴趣点lj上的签到频率的期望值其中p(j)为兴趣点lj的重要性;
用户ui在兴趣点lj的签到频率rij建模为:
以期望值fij为元素构建用户签到频次期望值矩阵以签到频率rij为元素构建用户对兴趣点签到频次矩阵条件分布为:
其中Iij是指示函数,如果用户ui访问兴趣点lj,则指示函数等于1,否则等于0;
对数后验分布P(U,V|R,α,β)定义为:
其中,表示用户隐式特征矩阵U的概率先验,表示兴趣点隐式特征矩阵V的概率先验,K为用户和兴趣点隐式特征向量的维度,Γ(x)为伽玛函数,α=[α1,α2,...,αK]为伽玛分布的形状参数向量,αk为伽玛分布的形状参数;β=[β1,β2,...,βK]为伽玛分布的尺度参数向量,βk为伽玛分布的尺度参数;uik为用户隐式特征矩阵第i行k列的值,vjk为兴趣点隐式特征矩阵第j行k列的值;
基于兴趣点重要性的兴趣点推荐算法的目标函数即为最大化对数后验分布P(U,V|R,α,β)。
4.根据权利要求3所述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,所述步骤3)中使用用户的权威性衡量用户签到行为置信度,基于兴趣点重要性和用户权威性的兴趣点推荐算法的目标函数L如下:
其中α(i)=p(ui)表示用户ui的权威性。
5.根据权利要求4所述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于,所述步骤4)中的目标函数L关于uik和vjk的偏导数为:
采用随机梯度下降算法迭代更新用户和兴趣点隐式特征向量,直至目标函数收敛。
6.根据权利要求5所述的一种基于兴趣点重要性和用户权威性的兴趣点推荐方法,其特征在于:所述步骤5)中,用户ui对未签到兴趣点lj的预测签到频次的计算方法如下:对于用户ui,计算完所有未签到兴趣点的预测值后,根据预测值,推荐预测值高的k项给用户ui。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810724338.XA CN109190053A (zh) | 2018-07-04 | 2018-07-04 | 一种基于兴趣点重要性和用户权威性的兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810724338.XA CN109190053A (zh) | 2018-07-04 | 2018-07-04 | 一种基于兴趣点重要性和用户权威性的兴趣点推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190053A true CN109190053A (zh) | 2019-01-11 |
Family
ID=64948848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810724338.XA Pending CN109190053A (zh) | 2018-07-04 | 2018-07-04 | 一种基于兴趣点重要性和用户权威性的兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190053A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902214A (zh) * | 2019-02-15 | 2019-06-18 | 重庆邮电大学 | 一种基于改进PageRank算法的用户偏好挖掘方法 |
CN110222278A (zh) * | 2019-06-18 | 2019-09-10 | 东北大学 | 综合因素下用户位置的获取方法 |
CN110659433A (zh) * | 2019-08-01 | 2020-01-07 | 北京百度网讯科技有限公司 | Poi价值评估的方法、装置、设备和计算机存储介质 |
CN110929171A (zh) * | 2019-11-26 | 2020-03-27 | 湖南科技职业学院 | 一种基于场景和社交网络位置的兴趣点推荐方法 |
CN111177565A (zh) * | 2019-12-31 | 2020-05-19 | 杭州电子科技大学 | 基于相关矩阵和词向量模型的兴趣点推荐方法 |
CN112927037A (zh) * | 2021-02-04 | 2021-06-08 | 中南大学 | 供应商推荐方法及*** |
CN116089732A (zh) * | 2023-04-11 | 2023-05-09 | 江西时刻互动科技股份有限公司 | 基于广告点击数据的用户偏好识别方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488213A (zh) * | 2015-12-11 | 2016-04-13 | 哈尔滨工业大学深圳研究生院 | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 |
CN105677804A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 权威站点的确定以及权威站点数据库的建立方法和装置 |
CN106126615A (zh) * | 2016-06-22 | 2016-11-16 | 苏州大学 | 一种兴趣点推荐的方法及*** |
-
2018
- 2018-07-04 CN CN201810724338.XA patent/CN109190053A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488213A (zh) * | 2015-12-11 | 2016-04-13 | 哈尔滨工业大学深圳研究生院 | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 |
CN105677804A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 权威站点的确定以及权威站点数据库的建立方法和装置 |
CN106126615A (zh) * | 2016-06-22 | 2016-11-16 | 苏州大学 | 一种兴趣点推荐的方法及*** |
Non-Patent Citations (2)
Title |
---|
余永红: "融合多源信息的推荐算法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
余永红等: "融合用户社会地位和矩阵分解的推荐算法", 《计算机研究与发展》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902214B (zh) * | 2019-02-15 | 2021-06-08 | 重庆邮电大学 | 一种基于改进PageRank算法的用户偏好挖掘方法 |
CN109902214A (zh) * | 2019-02-15 | 2019-06-18 | 重庆邮电大学 | 一种基于改进PageRank算法的用户偏好挖掘方法 |
CN110222278A (zh) * | 2019-06-18 | 2019-09-10 | 东北大学 | 综合因素下用户位置的获取方法 |
CN110222278B (zh) * | 2019-06-18 | 2022-05-17 | 东北大学 | 综合因素下用户位置的获取方法 |
US11468349B2 (en) | 2019-08-01 | 2022-10-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | POI valuation method, apparatus, device and computer storage medium |
CN110659433A (zh) * | 2019-08-01 | 2020-01-07 | 北京百度网讯科技有限公司 | Poi价值评估的方法、装置、设备和计算机存储介质 |
CN110929171A (zh) * | 2019-11-26 | 2020-03-27 | 湖南科技职业学院 | 一种基于场景和社交网络位置的兴趣点推荐方法 |
CN111177565A (zh) * | 2019-12-31 | 2020-05-19 | 杭州电子科技大学 | 基于相关矩阵和词向量模型的兴趣点推荐方法 |
CN111177565B (zh) * | 2019-12-31 | 2021-08-31 | 杭州电子科技大学 | 基于相关矩阵和词向量模型的兴趣点推荐方法 |
CN112927037A (zh) * | 2021-02-04 | 2021-06-08 | 中南大学 | 供应商推荐方法及*** |
CN112927037B (zh) * | 2021-02-04 | 2024-02-06 | 中南大学 | 供应商推荐方法及*** |
CN116089732A (zh) * | 2023-04-11 | 2023-05-09 | 江西时刻互动科技股份有限公司 | 基于广告点击数据的用户偏好识别方法及*** |
CN116089732B (zh) * | 2023-04-11 | 2023-07-04 | 江西时刻互动科技股份有限公司 | 基于广告点击数据的用户偏好识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190053A (zh) | 一种基于兴趣点重要性和用户权威性的兴趣点推荐方法 | |
CN104462593B (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
Jiang et al. | Author topic model-based collaborative filtering for personalized POI recommendations | |
CN104915392B (zh) | 一种微博转发行为预测方法及装置 | |
Yeakel et al. | Collapse of an ecological network in Ancient Egypt | |
CN103761254B (zh) | 多领域服务主题匹配推荐方法 | |
CN109948066B (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
CN108804689A (zh) | 面向问答平台的融合用户隐连接关系的标签推荐方法 | |
CN107133277A (zh) | 一种基于动态主题模型和矩阵分解的旅游景点推荐方法 | |
CN108710663A (zh) | 一种基于本体模型的数据匹配方法及*** | |
Pantel et al. | Jigs and lures: Associating web queries with structured entities | |
CN106970981B (zh) | 一种基于转移矩阵构建关系抽取模型的方法 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN107633100A (zh) | 一种基于嵌入模型的兴趣点推荐方法及装置 | |
CN104092567A (zh) | 确定用户的影响力排序的方法与装置 | |
Strupczewski et al. | On seasonal approach to flood frequency modelling. Part I: Two‐component distribution revisited | |
CN109635206A (zh) | 融合隐式反馈和用户社会地位的个性化推荐方法及*** | |
CN105630884A (zh) | 一种微博热点事件的地理位置发现方法 | |
CN112883289B (zh) | 一种基于社交信任和标签语义相似度的pmf推荐方法 | |
CN109816204A (zh) | 一种基于ga-svm的地铁运营安全态势预测方法 | |
CN108628967A (zh) | 一种基于学习生成网络相似度的网络学习群组划分方法 | |
CN108564117A (zh) | 一种基于svm的贫困生辅助认定方法 | |
CN108804565A (zh) | 一种基于知识表示学习的协同矩阵分解方法 | |
CN102737027B (zh) | 个性化搜索方法及*** | |
CN106021456A (zh) | 将文本和地理信息融合在局部协同排列的兴趣点推荐方法 |
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 |
Effective date of registration: 20190412 Address after: Room 505, 22 Jianning Road, Gulou District, Nanjing City, Jiangsu Province Applicant after: Nanjing Huishi Datong Network Technology Co., Ltd. Address before: 210003 new model road 66, Gulou District, Nanjing, Jiangsu Applicant before: Nanjing Post & Telecommunication Univ. |
|
TA01 | Transfer of patent application right | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190111 |
|
WD01 | Invention patent application deemed withdrawn after publication |