CN109670892A - 一种协同过滤推荐方法及***、终端设备 - Google Patents
一种协同过滤推荐方法及***、终端设备 Download PDFInfo
- Publication number
- CN109670892A CN109670892A CN201710964927.0A CN201710964927A CN109670892A CN 109670892 A CN109670892 A CN 109670892A CN 201710964927 A CN201710964927 A CN 201710964927A CN 109670892 A CN109670892 A CN 109670892A
- Authority
- CN
- China
- Prior art keywords
- data source
- label
- hobby
- target data
- hobby label
- 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
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于数据挖掘技术领域,提供了一种协同过滤推荐方法及***、终端设备,包括对至少一个数据源进行预处理,筛选出至少一个数据源的有效标签,根据所有数据源的有效标签获取用户的行为特征,根据用户的行为特征分析所有辅助数据源的喜好标签;将所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;通过辅助数据源的喜好标签获取目标数据源的喜好标签;根据目标数据源的喜好标签生成推荐结果,通过多个数据源对用户的喜好进行预测,有效地提高预测的准确率,避免了由于数据稀疏而导致在预测用户喜好出现偏差,多个数据源的数据对新加入的用户和新加入的商品进行推荐,有效地解决现有的协同过滤推荐***存在推荐结果不准确的问题。
Description
技术领域
本发明属于数据挖掘技术领域,尤其涉及一种协同过滤推荐方法及***、终端设备。
背景技术
协同过滤推荐***能够根据用户的历史行为记录从大量数据中挖掘出用户可能喜爱的内容,并将用户偏好的内容推荐给用户。通过对用户和商品进行聚类,使每个用户和每件商品都属于某一个类,再对类簇进行协同过滤,引入奇异值分解技术,利用图模型融合进行推荐,有效地向用户推荐用户可能喜爱的内容,然而现有的协同过滤推荐***由于数据稀疏会导致在预测用户喜好时出现偏差,还会由于新加入的用户和新加入的商品缺少历史行为记录,而无法有效地对新加入的用户和新加入的商品进行推荐。
综上所述,现有的协同过滤推荐***存在推荐结果不准确的问题。
发明内容
有鉴于此,本发明实施例提供了一种协同过滤推荐方法及***、终端设备,以解决现有技术中的问题。
本发明实施例的第一方面提供了一种协同过滤推荐方法,包括:
对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
根据所述目标数据源的喜好标签生成推荐结果。
本发明实施例的第二方面提供了一种协同过滤推荐***,包括:
筛选模块,用于对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
分析模块,用于根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
关系建立模块,用于将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
获取模块,用于根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
结果生成模块,用于根据所述目标数据源的喜好标签生成推荐结果。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
根据所述目标数据源的喜好标签生成推荐结果。
本发明实施例的第四方面提供了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计算机程序,所述计算机程序被处理器执行时实现以下步骤:
对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
根据所述目标数据源的喜好标签生成推荐结果。
本发明提供的协同过滤推荐方法及***、终端设备通过建立目标数据源的喜好标签与所有辅助数据源的喜好标签的关联关系,通过所有辅助数据源的喜好标签计算获取目标数据源的喜好标签生成推荐结果,对用户进行推荐,通过多个数据源对用户的喜好进行预测,能够有效地提高预测的准确率,避免了由于数据稀疏而导致在预测用户喜好出现偏差,并且能够通过多个数据源的数据对新加入的用户和新加入的商品进行推荐,有效地解决现有的协同过滤推荐***存在推荐结果不准确的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种协同过滤推荐方法的实现流程示意图;
图2是本发明实施例二提供的对应实施例一步骤S101的实现流程示意图;
图3是本发明实施例三提供的对应实施例一步骤S104的实现流程示意图;
图4是本发明实施例四提供的对应实施例一步骤S105的实现流程示意图;
图5是本发明实施例五提供的一种协同过滤推荐***的结构示意图;
图6是本发明实施例六提供的对应实施例五中筛选模块101的结构示意图;
图7是本发明实施例七提供的对应实施例五中获取模块104的结构示意图;
图8是本发明实施例八提供的对应实施例五中的结果生成模块105结构示意图;
图9是本发明实施例九提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例提供的协同过滤推荐方法及***、终端设备,通过建立目标数据源的喜好标签与所有辅助数据源的喜好标签的关联关系,通过所有辅助数据源的喜好标签计算获取目标数据源的喜好标签生成推荐结果,对用户进行推荐,通过多个数据源对用户的喜好进行预测,能够有效地提高预测的准确率,避免了由于数据稀疏而导致在预测用户喜好出现偏差,并且能够通过多个数据源的数据对新加入的用户和新加入的商品进行推荐,有效地解决现有的协同过滤推荐***存在推荐结果不准确的问题。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
如图1所示,本实施例提供一种协同过滤推荐方法步骤,其具体包括:
步骤S101:对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源。
在具体应用中,筛选至少一个数据源的有效标签是通过对至少一个数据源的社会化标签进行筛选。
在具体应用中,社会化标签是指互联网上用户依据自身对产品的印象,将产品的某种属性用某一标签进行自定义,社会化标签能够在一定程度上代表物品的属性。由于社会化标签是由用户自定义生成的,因此社会化标签中存在部分无法用于预测用户喜好的标签,需要将数据源中这一部分无法用于预测用户喜好的社会化标签进行筛除,进而筛选出数据源的有效标签。
在本实施例中,上述至少一个数据源包括辅助数据源,进一步地,上述至少一个数据源还可以包括目标数据源。
示例性的,上述目标数据源为电影数据,上述辅助数据源为音乐数据。预处理电影数据(目标数据源)的社会化标签和音乐数据(辅助数据源)的社会化标签,然后筛选出电影数据的有效标签和音乐数据的有效标签。
步骤S102:根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签。
在一个实施例中,步骤S102包括:
通过公式(1)获取所有数据源的有效标签与产品的相关性;
通过公式(2)计算用户对单个数据源的有效标签的喜爱程度;
根据所述喜爱程度分析获取所有辅助数据源的喜好标签;
其中,TFi,t表示有效标签t在产品i中被标记的频率,N代表该数据源内所有的物品的总量,n代表该数据源内包含标签t的物品数量,ratingu,i代表了用户u对该数据源内产品i的历史评分,M为被用户标以有效标签t的单数据源内所有商品的合集。
示例性的,用户对该数据源内的产品i的有效标签t的标记频率越高,则表示对该有效标签t的喜爱程度越高,因此将该有效标签t作为喜爱标签。
步骤S103:将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系。
在具体应用中,通过FP-Growth关联规则算法挖掘出所述所有辅助数据源的喜好标签与所述目标数据源的喜好标签之间的关联规则,根据所述关联规则建立关联关系。在相似的领域中,用户拥有相似的爱好,所以根据多个用户的不同领域的数据源的喜好标签(所有数据源的喜好标签)挖掘出不同领域的喜好标签的关联规则,进一步地建立所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系。
步骤S104:根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签。
步骤S105:根据所述目标数据源的喜好标签生成推荐结果。
在具体应用中,目标数据源的喜好标签表示用户在目标数据源中的喜好类别,因此根据该目标数据源的喜好标签就能生成相应的推荐结果。
本实施例的协同过滤推荐方法通过建立目标数据源的喜好标签与所有辅助数据源的喜好标签的关联关系,通过所有辅助数据源的喜好标签计算获取目标数据源的喜好标签生成推荐结果,对用户进行推荐,通过多个数据源对用户的喜好进行预测,能够有效地提高预测的准确率,避免了由于数据稀疏而导致在预测用户喜好出现偏差,并且能够通过多个数据源的数据对新加入的用户和新加入的商品进行推荐,有效地解决现有的协同过滤推荐***存在推荐结果不准确的问题。
实施例二
如图2所示,在本发明的一个实施例中,图1所对应的实施例中的步骤S101具体包括:
步骤S201:获取所述至少一个数据源的社会化标签。
在具体应用中,获取至少一个数据源的社会化标签包括获取至少一个辅助数据源的社会化标签。
步骤S202:通过预设筛选条件对所述至少一个数据源的社会化标签进行筛选以获取有效标签。
在具体应用中,将满足预设筛选条件的该数据源的社会化标签进行筛除,进而筛选出该数据源的有效标签。
在具体应用中,上述预设筛选条件为代表个人喜好或个人状态的标签,如“强烈推荐”、“好看”、“好书,值得推荐”等标签。
在具体应用中,上述预设筛选条件为该社会化标签出现次数小于预设筛选阈值的标签,其中,预设筛选阈值是为了筛除掉不具代表性的标签而预先设置的标签标记次数,若社会化标签的出现次数小于预设筛选阈值,则说明该标签不具有代表性。
在具体应用中,上述预设筛选条件为无意义的标签,如用户的观影日期等标签。
在具体应用中,上述预设筛选条件为,将该数据源的所有社会化标签的出现次数根据从多到少的顺序进行排列,选取前N个社会化标签作为有效标签,在具体应用中,N可以根据需要进行设置。
实施例三:
如图3所示,在本发明的一个实施例中,图1所对应的实施例中的步骤S103具体包括:
步骤S301,基于关联关系根据辅助数据源的喜好标签计算目标数据源的预估喜好标签。
在本实施例中,通过建立的关联关系就能够根据至少一个辅助数据源的喜好标签计算出目标数据源的预估喜好标签。预估喜好标签是指根据辅助数据源的喜好标签获取到的目标数据源中所有的可能喜爱标签。
步骤S202,将满足预设选择条件的目标数据源的预估喜好标签作为所述目标数据源的喜好标签。
在具体应用中,上述预设选择条件为,将上述预估喜好标签的出现次数根据从多到少的顺序进行排列,选取前M个预估喜好标签作为该目标数据源的喜好标签,在具体应用中,M可以根据需要进行设置。
实施例四:
如图4所示,在本发明的一个实施例中,图1所对应的实施例中的步骤S105具体包括:
步骤S401,通过协同过滤对目标数据源进行过滤。
步骤S402,将不包含所述目标数据源喜好标签的产品进行过滤以获取推荐结果。
在本实施例中,由于根据关联关系获取的目标数据源的喜好标签往往比较大众,很多产品都包含这些喜好标签,即目标数据源的喜好标签仅表示用户在目标数据源的大致喜好类别,因此,需要结合协同过滤生成推荐结果。
步骤S403,将满足预设推荐条件的推荐结果向用户进行推荐。
在本实施例中,生成了推荐结果后,进一步的将推荐结果进行筛选后,再向用户进行推荐,在具体应用中,在生成了推荐结果后,根据推荐结果中喜爱标签的出现次数,根据从多到少的顺序进行排列,选取前X个推荐结果向用户进行推荐。
实施例五
如图6所示,本发明的一个实施例提供一种视频搜索***100,用于执行图1所对应的实施例中的方法步骤,其包括:
筛选模块101用于对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源。
分析模块102用于根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签。
关系建立模块103用于将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系。
获取模块104用于根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签。
结果生成模块105用于根据所述目标数据源的喜好标签生成推荐结果。
需要说明的是,本发明实施例提供的协同过滤推荐***,由于与本发明图1所示方法实施例基于同一构思,其带来的技术效果与本发明图1所示方法实施例相同,具体内容可参见本发明图1所示方法实施例中的叙述,此处不再赘述。
实施例六
如图6所示,在本发明的一个实施例中,图5所对应的实施例中的筛选模块101包括用于执行图2所对应的实施例中的方法步骤的结构,其包括:
社会化标签获取单元201用于获取所述至少一个数据源的社会化标签。
筛选单元202用于通过预设筛选条件对所述至少一个数据源的社会化标签进行筛选以获取有效标签。
实施例七
如图7所示,在本发明的一个实施例中,图5所对应的实施例中的筛选模块104包括用于执行图3所对应的实施例中的方法步骤的结构,其包括:
计算单元301用于基于关联关系根据辅助数据源的喜好标签计算目标数据源的预估喜好标签。
选择获取单元302用于将满足预设选择条件的目标数据源的预估喜好标签作为所述目标数据源的喜好标签。
实施例八
如图7所示,在本发明的一个实施例中,图5所对应的实施例中的结果生成模块105包括用于执行图4所对应的实施例中的方法步骤的结构,其包括:
协同过滤单元401用于通过协同过滤对目标数据源进行过滤。
标签过滤单元402用于将不包含所述目标数据源喜好标签的产品进行过滤以获取推荐结果。
推荐单元403用于将满足预设推荐条件的推荐结果向用户进行推荐。
实施例九:
图9是本发明一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如程序。所述处理器90执行所述计算机程序92时实现上述各个视频搜索方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器90执行所述计算机程序92时实现上述视频搜索***实施例中各模块/单元的功能,例如图5所示模块101至105的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如,所述计算机程序92可以被分割成筛选模块、分析模块、关系建立模块、获取模块以及结果生成模块,各模块具体功能如下:
筛选模块,用于对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
分析模块,用于根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
关系建立模块,用于将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
获取模块,用于根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
结果生成模块,用于根据所述目标数据源的喜好标签生成推荐结果。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端设备9的示例,并不构成对终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备,例如所述终端设备9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。进一步地,所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种协同过滤推荐方法,其特征在于,所述方法包括:
对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
根据所述目标数据源的喜好标签生成推荐结果。
2.根据权利要求1所述的方法,其特征在于,对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源,包括:
获取所述至少一个数据源的社会化标签;
通过预设筛选条件对所述至少一个数据源的社会化标签进行筛选以获取有效标签。
3.根据权利要求1所述的方法,其特征在于,所述将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系具体为:
通过FP-Growth关联规则算法挖掘出所述所有辅助数据源的喜好标签与所述目标数据源的喜好标签之间的关联规则,根据所述关联规则建立关联关系。
4.根据权利要求1所述的方法,其特征在于,所述根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签,包括:
基于关联关系根据辅助数据源的喜好标签计算目标数据源的预估喜好标签;
将满足预设选择条件的目标数据源的预估喜好标签作为所述目标数据源的喜好标签。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标数据源的喜好标签生成推荐结果,包括:
通过协同过滤对目标数据源进行过滤;
将不包含所述目标数据源喜好标签的产品进行过滤以获取推荐结果;
将满足预设推荐条件的推荐结果向用户进行推荐。
6.一种协同过滤推荐***,其特征在于,所述***包括:
筛选模块,用于对至少一个数据源进行预处理,筛选出所述至少一个数据源的有效标签,所述至少一个数据源包括辅助数据源;
分析模块,用于根据所有数据源的有效标签获取用户的行为特征,根据所述用户的行为特征分析所有辅助数据源的喜好标签;
关系建立模块,用于将所述所有辅助数据源的喜好标签与目标数据源的喜好标签建立关联关系;
获取模块,用于根据所述关联关系,通过辅助数据源的喜好标签获取目标数据源的喜好标签;
结果生成模块,用于根据所述目标数据源的喜好标签生成推荐结果。
7.根据权利要求6所述的***,其特征在于,所述筛选模块包括:
社会化标签获取单元,用于获取所述至少一个数据源的社会化标签;
筛选单元,用于通过预设筛选条件对所述至少一个数据源的社会化标签进行筛选以获取有效标签。
8.根据权利要求6所述的***,其特征在于,所述获取模块包括:
计算单元,用于基于关联关系根据辅助数据源的喜好标签计算目标数据源的预估喜好标签;
选择获取单元,用于将满足预设选择条件的目标数据源的预估喜好标签作为所述目标数据源的喜好标签。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
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计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710964927.0A CN109670892A (zh) | 2017-10-17 | 2017-10-17 | 一种协同过滤推荐方法及***、终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710964927.0A CN109670892A (zh) | 2017-10-17 | 2017-10-17 | 一种协同过滤推荐方法及***、终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670892A true CN109670892A (zh) | 2019-04-23 |
Family
ID=66140330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710964927.0A Pending CN109670892A (zh) | 2017-10-17 | 2017-10-17 | 一种协同过滤推荐方法及***、终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670892A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442791A (zh) * | 2019-08-08 | 2019-11-12 | 北京阿尔山区块链联盟科技有限公司 | 数据推送方法和*** |
CN111259213A (zh) * | 2020-01-07 | 2020-06-09 | 中国联合网络通信集团有限公司 | 数据可视化的处理方法及装置 |
CN111522993A (zh) * | 2020-04-08 | 2020-08-11 | 咪咕文化科技有限公司 | 标签有效性管理方法、装置、网络设备及存储介质 |
CN113177643A (zh) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | 一种基于大数据的自动建模*** |
CN113177642A (zh) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | 一种针对数据不平衡的自动建模*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220365A (zh) * | 2017-06-07 | 2017-09-29 | 四川大学 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
-
2017
- 2017-10-17 CN CN201710964927.0A patent/CN109670892A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220365A (zh) * | 2017-06-07 | 2017-09-29 | 四川大学 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
Non-Patent Citations (1)
Title |
---|
赵杉: "面向多源数据的跨域推荐***关键技术研究", 《华中科技大学硕士论文(万方学位论文库)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442791A (zh) * | 2019-08-08 | 2019-11-12 | 北京阿尔山区块链联盟科技有限公司 | 数据推送方法和*** |
CN111259213A (zh) * | 2020-01-07 | 2020-06-09 | 中国联合网络通信集团有限公司 | 数据可视化的处理方法及装置 |
CN111522993A (zh) * | 2020-04-08 | 2020-08-11 | 咪咕文化科技有限公司 | 标签有效性管理方法、装置、网络设备及存储介质 |
CN111522993B (zh) * | 2020-04-08 | 2023-08-15 | 咪咕文化科技有限公司 | 标签有效性管理方法、装置、网络设备及存储介质 |
CN113177643A (zh) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | 一种基于大数据的自动建模*** |
CN113177642A (zh) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | 一种针对数据不平衡的自动建模*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670892A (zh) | 一种协同过滤推荐方法及***、终端设备 | |
CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
Clark et al. | A multiobjective memetic algorithm for PPI network alignment | |
CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
CN109359247B (zh) | 内容推送方法及存储介质、计算机设备 | |
WO2016093836A1 (en) | Interactive detection of system anomalies | |
CN111459993A (zh) | 基于行为分析的配置更新方法、装置、设备及存储介质 | |
EP2591421A1 (en) | Data analysis using multiple systems | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN108446964A (zh) | 一种基于移动流量dpi数据的用户推荐方法 | |
CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN114297509A (zh) | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 | |
CN105335368A (zh) | 一种产品聚类方法及装置 | |
CN109947983A (zh) | 视频推荐方法、***、终端及计算机可读存储介质 | |
CN107831963A (zh) | 金融产品显示方法、装置、设备及存储介质 | |
CN108304975A (zh) | 一种数据预测***及方法 | |
US10891580B2 (en) | Service design assistance system and service design assistance method | |
Naghavipour et al. | Hybrid metaheuristics using rough sets for qos-aware service composition | |
CN110601866A (zh) | 一种流量分析***、数据采集装置、数据处理装置及方法 | |
KR101765292B1 (ko) | 목적 기반의 데이터 분석도구 제공 장치 및 방법 | |
Hosseinian et al. | Algorithms for the generalized independent set problem based on a quadratic optimization approach | |
CN114036391A (zh) | 数据推送方法、装置、电子设备和存储介质 | |
CN113313504A (zh) | 供应商的推荐方法及相关装置 | |
CN107463564A (zh) | 服务器中数据的特征分析方法和装置 | |
Lee et al. | On finding fine-granularity user communities by profile decomposition |
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: 20190423 |