CN113657971B - 物品推荐方法、装置及电子设备 - Google Patents
物品推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113657971B CN113657971B CN202111012016.0A CN202111012016A CN113657971B CN 113657971 B CN113657971 B CN 113657971B CN 202111012016 A CN202111012016 A CN 202111012016A CN 113657971 B CN113657971 B CN 113657971B
- Authority
- CN
- China
- Prior art keywords
- article
- articles
- tag
- matrix
- item
- 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 42
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 239000013598 vector Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 8
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种物品推荐方法、装置及电子设备,其中,所述方法包括:收集标签物品数据;根据所述标签物品数据将多个物品分为第一类物品和第二类物品;根据所述标签物品数据构建第一矩阵;获取所述第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵;定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵;获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别;根据所述任意一个物品的类别确定是否推荐所述任意一个物品。本申请可以辅助物品推荐,提高物品推荐的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是指一种物品推荐方法、装置及电子设备。
背景技术
目前,推荐算法常常根据运行时调入内存数据的不同被分为基于内存的推荐算法和基于模型的推荐算法。而且现有的基于用户的推荐算法大多依赖于用户对物品的评分数据,导致对用户推荐物品的准确率不够高。
发明内容
鉴于以上内容,有必要提供一种物品推荐方法、装置及电子设备,可以辅助推荐,提高物品推荐的准确率。
本申请的第一方面提供一种物品推荐方法,所述方法包括:
收集标签物品数据;
根据所述标签物品数据将多个物品分为第一类物品和第二类物品;
根据所述标签物品数据构建第一矩阵;
获取所述第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵;
定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵;
获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别;
根据所述任意一个物品的类别确定是否推荐所述任意一个物品。
可选地,所述标签物品数据包括:
多个标签的集合、所述多个标签的总数、所述多个物品的集合、所述多个物品的总数、使用任一标签i标注任一物品j的次数、所述任一标签i被用于标注的总次数、所述任一物品j被标注的总次数;
所述标签物品数据还包括:
任意一个用户使用标签标注物品的数据,包括:所述任意一个用户使用过的标签的集合、所述任意一个用户使用所述任一标签i的次数、所述任意一个用户使用所述任一标签i标注所述任一物品j的次数、所述任意一个用户使用标签标注过的所有物品的集合、所述任意一个用户使用标签标注过的所有物品的个数;及
所述任意一个用户对使用过的每个标签的第一喜好得分和所述任意一个用户对使用标签标注过的每个物品的第二喜好得分。
可选地,获取所述第一喜好得分和所述第二喜好得分的方法包括:
为所述任意一个用户对标签的每个行为动作设置权重和得分;
根据所述任意一个用户对使用过的每个标签的行为动作的权重和得分,计算所述第一喜好得分;
根据多个第一喜好得分的平均值确定所述第二喜好得分。
可选地,所述根据所述标签物品数据将多个物品分为第一类物品和第二类物品包括:
根据所述任意一个用户使用标签标注物品的数据,将所述任意一个用户使用标签标注过的物品作为所述第一类物品,将所述任意一个用户未使用标签标注过的物品作为所述第二类物品。
可选地,所述根据所述标签物品数据构建第一矩阵包括:
获取所述任一标签i对所述任一物品j的频数权重W(i,j)、所述任一标签i的局部权重S(i);
基于所述频数权重W(i,j)和所述局部权重S(i),计算所述任一物品j的全局权重IS(j);
基于所述频数权重W(i,j)、所述局部权重S(i)以及所述全局权重IS(j),计算所述任一标签i对所述任一物品j的权重;
根据所述任一标签i对所述任一物品j的权重构建所述第一矩阵。
可选地,所述根据所述第一矩阵获得所述第一类物品的集合的第二矩阵包括:
将所述第一矩阵中的任意一列作为所述任意一列对应的物品的标签特征向量;
从所述第一矩阵选择所述第一类物品的集合中的每个物品的标签特征向量;
基于所选择的所述第一类物品的集合中的每个物品的所述标签特征向量,构建所述第二矩阵。
可选地,所述定义时间函数包括:
获取所述任意一个用户标注任一物品j的时间与预定义的时间基准点的之间的时间间隔;
基于所述时间间隔定义所述时间函数。
可选地,所述获取所述第二类物品中任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别包括:
利用所述第二类物品中任意一个物品的第二喜好得分,获得所述第二类物品中任意一个物品的最近邻物品;
计算预设数量的最邻近物品中所有物品对应的标签特征向量中,每个标签的权重;
选择所述第一类物品的集合中的物品的标签特征向量中具有最大权重值的标签,利用所述选择的标签对所述第二类物品中的所述任意一个物品进行分类。
本申请的第二方面提供一种物品推荐装置,所述装置包括:
收集模块,用于收集标签物品数据;
分类模块,用于根据所述标签物品数据将多个物品分为第一类物品和第二类物品;
构建模块,用于根据所述标签物品数据构建第一矩阵;
所述构建模块还用于获取所述第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵;
所述构建模块还用于定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵;
判断模块,用于获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别;
推荐模块,用于根据所述任意一个物品的类别确定是否推荐所述任意一个物品。
本申请的第三方面提供一种电子设备,所述电子设备包括存储器和处理器;
所述存储器用于存储至少一个指令;
所述处理器用于执行所述至少一个指令时实现所述物品推荐方法。
相较于现有技术,所述物品推荐方法、装置及电子设备,深入研究标签物品数据对物品推荐的准确率的影响,使得物品推荐的准确率得到提升,从而提高物品的销量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请实施例一提供的物品推荐方法的流程图。
图2是本申请实施例二提供的物品推荐装置的结构图。
图3是本申请实施例三提供的电子设备的结构示意图。
主要元件符号说明
物品推荐装置 | 20 |
收集模块 | 201 |
分类模块 | 202 |
构建模块 | 203 |
判断模块 | 204 |
推荐模块 | 205 |
电子设备 | 3 |
存储器 | 31 |
处理器 | 32 |
通信总线 | 33 |
收发器 | 34 |
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
实施例一
参阅图1所示,为本申请实施例一提供的物品推荐方法的流程图。
在本实施例中,所述物品推荐方法可以应用于电子设备中,对于需要进行物品推荐的电子设备,可以直接在电子设备上集成本申请的方法所提供的用于物品推荐的功能,或者以软件开发工具包(Software Development Kit,SDK)的形式运行在电子设备中。
如图1所示,所述物品推荐方法具体包括以下步骤,根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S1,收集标签物品数据。
所述标签物品数据包括:
多个标签的集合I、所述多个标签的总数nt、所述多个物品的集合J、所述多个物品的总数n、所述多个标签中的任一标签i标注所述多个物品中的任一物品j的次数fij、所述任一标签i被用于标注的总次数N(i)、所述任一物品j被标注的总次数CT(j);
所述标签物品数据还包括:
任意一个用户使用标签标注物品的数据,包括:所述任意一个用户使用过的标签的集合、所述任意一个用户使用所述任一标签i的次数、所述任意一个用户使用该任一标签i标注所述任一物品j的次数、所述任意一个用户使用标签标注过的所有物品的集合、所述任意一个用户使用标签标注过的所有物品的个数;及
所述任意一个用户对所述任意一个用户使用过的每个标签的第一喜好得分和所述任意一个用户对所述任意一个用户使用标签标注过的每个物品的第二喜好得分。
所述任意一个用户可以使用所述多个标签中的复数个标签对所述多个物品中的每个物品进行标注,例如,所述任意一个用户可以同时使用标签“喜剧”、标签“剧情”、标签“国语”为电影A进行标注。
获取所述第一喜好得分和所述第二喜好得分的方法包括:
为所述任意一个用户对标签的每个行为动作设置权重和得分;
根据所述任意一个用户对所述任意一个用户使用过的每个标签的每个行为动作的权重和得分,计算所述第一喜好得分;
根据所述第一喜好得分计算所述第二喜好得分。
所述任意一个用户对标签的行为动作包括多个行为动作。举例而言,所述任意一个用户对标签的行为动作可以包括:“转发”、“评论”及“点赞”。
为所述任意一个用户对标签的每个行为动作设置权重包括:利用例如主成分分析的方法计算所述任意一个用户对标签的每个行为动作的权重。例如,计算获得“转发”的权重为50%,“评论”的权重为30%,“点赞”的权重为20%。
为所述任意一个用户对标签的每个行为动作设置得分包括:为所述任意一个用户对标签的不同的行为动作设置不同的得分。例如,为“转发”设置得分为3,为“评论”设置得分为2,为“点赞”设置得分为1。
所述根据所述任意一个用户对所述任意一个用户使用过的每个标签的每个行为动作的权重和得分,计算所述第一喜好得分包括:
统计所述任意一个用户对所述任意一个用户使用过的任一标签i的任一行为动作z的次数zi,使用公式∑z∈Z zi×z1×z2计算得到所述第一喜好得分,其中,z1表示所述任一行为动作z的权重,z2表示所述任一行为动作z的得分。
需要说明的是,在其他实施例中,还可以在本实施例计算所述第一喜好得分的方法的基础上进行归一化处理,将进行归一化处理后的结果作为所述第一喜好得分。
所述根据多个第一喜好得分的平均值确定所述第二喜好得分包括:
统计所述任意一个用户使用多个标签标注过的任一物品j对应的标签的数量x1;
计算所述任意一个用户标注过的任一物品j所使用的多个标签的第一喜好得分的和x2;
根据x2/x1计算所述第二喜好得分。
步骤S2,根据所述标签物品数据将多个物品分为第一类物品和第二类物品。
所述根据所述标签物品数据将物品分为第一类物品和第二类物品包括:
根据所述任意一个用户使用标签标注物品的数据,将所述任意一个用户使用标签标注过的物品作为所述第一类物品,将所述任意一个用户未使用标签标注过的物品作为所述第二类物品。
所述标签物品数据还包括所述任意一个用户使用任一标签i标注任一物品j的时间(例如,某年某月某日)。
步骤S3,根据所述标签物品数据构建第一矩阵。
所述根据所述标签物品数据构建第一矩阵包括:
获取所述任一标签i对所述任一物品j的频数权重W(i,j),其中,W(i,j)=log(fij+1);
获取所述任一标签i的局部权重S(i),其中,
计算所述任一物品j的全局权重IS(j),其中,
构建第一矩阵Y,其中,Y=(yij)nt×n,yij=S(i)×W(i,j)×IS(j),yij表示所述任一标签i对所述任一物品j的权重。
步骤S4,获取所述第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵。
所述根据所述第一矩阵获得所述第一类物品的集合的第二矩阵包括:
将所述第一矩阵中的任意一列作为所述任意一列对应的物品的标签特征向量;
从所述第一矩阵选择所述第一类物品的集合中的每个物品的标签特征向量;
基于所选择的所述第一类物品的集合中的每个物品的所述标签特征向量,构建所述第二矩阵。
具体而言,统计所述任意一个用户使用标签标注过的物品,将统计得到的m个物品组成所述第一类物品的集合M;
根据所述第一矩阵获得所述第一类物品的集合M对应的第二矩阵Y′,其中,Y′=(yij)nt×m;
根据所述第一矩阵将所述第二矩阵中的第k列作为第k列对应的物品k的标签特征向量Y′k,其中,Y′k=(yik)nt×1,所述第二矩阵中共有m个所述标签特征向量。
步骤S5,定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵。
所述定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵包括:
定义时间函数为f(tu,j),其中,tu,j表示所述任意一个用户u标注任一物品j的时间与预定义的时间基准点的时间间隔;
根据所述时间函数与所述第二矩阵获得所述第三矩阵Y″,其中,Y″=(y′ij)nt×m,y′ij=yij×f(tu,j)=S(i)×W(i,j)×IS(j)×f(tu,j)。
步骤S6,获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别。
所述获取所述第二类物品中的任意一个物品的最近邻物品包括:
利用所述第二类物品中任意一个物品的第二喜好得分,获得所述第二类物品中任意一个物品的最近邻物品。
具体而言,基于改进后的余弦相似度公式计算所述第二类物品中的任意一个物品p与所述第一类物品的集合M中的任意一个物品k的相似度sim(k,p):
其中,C表示所有用户的集合,c表示集合C中的任意一个用户,Rk,c表示所述任意一个用户c对所述任意一个物品k的第二喜好得分,表示所述任意一个物品k的平均第二喜好得分,Rp,c表示所述任意一个用户c对所述任意一个物品p的第二喜好得分,所述/>表示所述任意一个物品p的平均第二喜好得分;
将所述相似度的值按照从大至小的顺序排列;
按照从大至小的顺序从其中选择预设数量(例如,4个)的相似度最大的值对应的物品,将所述选择的预设数量的物品作为所述任意一个物品p的最邻近物品。
需要说明的是,在其他实施例中,还可以基于改进后的余弦相似度公式计算所述第二类物品中的任意一个物品p与所有物品中的任意一个物品k1的相似度sim(k1,p),从所有物品中获取所述任意一个物品p的最近邻物品k1的集合,之后获取所述最近邻物品k1的集合与所述第一类物品的集合的交集,将所述交集中的物品作为最终要寻找的所述第二类物品中的任意一个物品p的最近邻物品。
所述根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别包括:
基于所述第三矩阵获得所述任意一个物品p对应的标签特征向量Y″p,其中,Y″p=(y′ip)nt×1;
基于所述第三矩阵,获得所述预设数量的最邻近物品中任意一个物品q对应的标签特征向量Y″q,其中,Y″q=(y″iq)nt×1;
计算所述预设数量的最邻近物品中所有物品对应的标签特征向量中,每个标签的权重;
从计算得到的每个标签的权重中选择具有最大权重值的标签,使用所述最大权重值对应的标签标注所述任意一个物品p;
利用所述选择的标签对所述第二类物品中的所述任意一个物品p进行分类,将所述任意一个物品p的类别确定为所述最大的值对应的标签代表的类别。
其中,所述计算所述预设数量的最邻近物品中所有物品对应的标签特征向量中,每个标签的权重包括:
获取所述预设数量(可以记作r)的最邻近物品的集合P对应的所述r个标签特征向量的集合V;
基于TF-IDF(Term Frequency-Inverse Document Frequency)的统计方法,计算集合V中任一标签v的TF词频(Term Frequency)的值tfv,V,以及IDF反文档频率(InverseDocument Frequency)的值idfv;
再依据公式tfv,V×idfv得到所述预设数量的最邻近物品中所有物品对应的标签特征向量中任一标签v的权重。
具体而言,当所述预设数量的最邻近物品中任意一个物品q对应的标签特征向量Y″q中的所述任一标签v对应的y″vq不等于0时,视为所述任一标签v出现一次;
统计所述任一标签v出现的次数Nv以及所述集合V中所有标签出现的总次数NV;
计算所述次数Nv与所述总次数NV的比值,将所述比值作为所述tfv,V;
利用计算所述idfv,其中,m表示所述第三矩阵中的标签特征向量的个数。
步骤S7,根据所述任意一个物品的类别确定是否推荐所述任意一个物品。
所述根据所述任意一个物品的类别确定是否推荐所述任意一个物品包括:
确定所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分;
比较所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分与预设的评分阈值的大小;
当所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分大于或等于所述预设的评分阈值时,向所述任意一个用户u推荐所述任意一个物品;及
当所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分小于所述预设的评分阈值时,不向所述任意一个用户u推荐所述任意一个物品。
需要说明的是,所述推荐可以是将所述任意一个物品的图片信息推送至所述任意一个用户的用户主页。
综上,本申请所述的物品推荐方法,深入研究标签物品数据对物品推荐的准确率的影响,使得物品推荐的准确率得到提升,从而提高物品的销量。
实施例二
图2是本发明实施例二提供的物品推荐装置的结构图。
在一些实施例中,所述物品推荐装置20可以包括多个由程序代码段所组成的功能模块。所述物品推荐装置20中的各个程序段的程序代码可以存储于电子设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)物品推荐的功能。
本实施例中,所述物品推荐装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:收集模块201、分类模块202、构建模块203、判断模块204、推荐模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
收集模块201,用于收集标签物品数据。
所述标签物品数据包括:
多个标签的集合I、所述多个标签的总数nt、所述多个物品的集合J、所述多个物品的总数n、所述多个标签中的任一标签i标注所述多个物品中的任一物品j的次数fij、所述任一标签i被用于标注的总次数N(i)、所述任一物品j被标注的总次数CT(j);
所述标签物品数据还包括:
任意一个用户使用标签标注物品的数据,包括:所述任意一个用户使用过的标签的集合、所述任意一个用户使用所述任一标签i的次数、所述任意一个用户使用该任一标签i标注所述任一物品j的次数、所述任意一个用户使用标签标注过的所有物品的集合、所述任意一个用户使用标签标注过的所有物品的个数;及
所述任意一个用户对所述任意一个用户使用过的每个标签的第一喜好得分和所述任意一个用户对所述任意一个用户使用标签标注过的每个物品的第二喜好得分。
所述任意一个用户可以使用所述多个标签中的复数个标签对所述多个物品中的每个物品进行标注,例如,所述任意一个用户可以同时使用标签“喜剧”、标签“剧情”、标签“国语”为电影A进行标注。
获取所述第一喜好得分和所述第二喜好得分的方法包括:
为所述任意一个用户对标签的每个行为动作设置权重和得分;
根据所述任意一个用户对所述任意一个用户使用过的每个标签的每个行为动作的权重和得分,计算所述第一喜好得分;
根据所述第一喜好得分计算所述第二喜好得分。
所述任意一个用户对标签的行为动作包括多个行为动作。举例而言,所述任意一个用户对标签的行为动作可以包括:“转发”、“评论”及“点赞”。
为所述任意一个用户对标签的每个行为动作设置权重包括:利用例如主成分分析的方法计算所述任意一个用户对标签的每个行为动作的权重。例如,计算获得“转发”的权重为50%,“评论”的权重为30%,“点赞”的权重为20%。
为所述任意一个用户对标签的每个行为动作设置得分包括:为所述任意一个用户对标签的不同的行为动作设置不同的得分。例如,为“转发”设置得分为3,为“评论”设置得分为2,为“点赞”设置得分为1。
所述根据所述任意一个用户对所述任意一个用户使用过的每个标签的每个行为动作的权重和得分,计算所述第一喜好得分包括:
统计所述任意一个用户对所述任意一个用户使用过的任一标签i的任一行为动作z的次数zi,使用公式∑z∈Z zi×z1×z2计算得到所述第一喜好得分,其中,z1表示所述任一行为动作z的权重,z2表示所述任一行为动作z的得分。
需要说明的是,在其他实施例中,还可以在本实施例计算所述第一喜好得分的方法的基础上进行归一化处理,将进行归一化处理后的结果作为所述第一喜好得分。
所述根据多个第一喜好得分的平均值确定所述第二喜好得分包括:
统计所述任意一个用户使用多个标签标注过的任一物品j对应的标签的数量x1;
计算所述任意一个用户标注过的任一物品j所使用的多个标签的第一喜好得分的和x2;
根据x2/x1计算所述第二喜好得分。
分类模块202,用于根据所述标签物品数据将多个物品分为第一类物品和第二类物品。
所述根据所述标签物品数据将物品分为第一类物品和第二类物品包括:
根据所述任意一个用户使用标签标注物品的数据,将所述任意一个用户使用标签标注过的物品作为所述第一类物品,将所述任意一个用户未使用标签标注过的物品作为所述第二类物品。
所述标签物品数据还包括所述任意一个用户使用任一标签i标注任一物品j的时间(例如,某年某月某日)。
构建模块203,用于根据所述标签物品数据构建第一矩阵。
所述根据所述标签物品数据构建第一矩阵包括:
定义所述任一标签i对所述任一物品j的频数权重W(i,j),其中,W(i,j)=log(fij+1);
定义所述任一标签i的局部权重S(i),其中,
计算所述任一物品j的全局权重IS(j),其中,
构建第一矩阵Y,其中,Y=(yij)nt×n,yij=S(i)×W(i,j)×IS(j),yij表示所述任一标签i对所述任一物品j的权重。
构建模块203,还用于获取所述第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵。
所述根据所述第一矩阵获得所述第一类物品的集合的第二矩阵包括:
将所述第一矩阵中的任意一列作为所述任意一列对应的物品的标签特征向量;
从所述第一矩阵选择所述第一类物品的集合中的每个物品的标签特征向量;
基于所选择的所述第一类物品的集合中的每个物品的所述标签特征向量,构建所述第二矩阵。
具体而言,统计所述任意一个用户使用标签标注过的物品,将统计得到的m个物品组成所述第一类物品的集合M;
根据所述第一矩阵获得所述第一类物品的集合M对应的第二矩阵Y′,其中,Y′=(yij)nt×m;
根据所述第一矩阵将所述第二矩阵中的第k列作为第k列对应的物品k的标签特征向量Y′k,其中,Y′k=(yik)nt×1,所述第二矩阵中共有m个所述标签特征向量。
构建模块203,还用于定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵。
所述定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵包括:
定义时间函数为f(tu,j),其中,tu,j表示所述任意一个用户u标注任一物品j的时间与预定义的时间基准点的时间间隔;
根据所述时间函数与所述第二矩阵获得所述第三矩阵Y″,其中,Y″=(y′ij)nt×m,y′ij=yij×f(tu,j)=S(i)×W(i,j)×IS(j)×f(tu,j)。
判断模块204,用于获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别。
所述获取所述第二类物品中的任意一个物品的最近邻物品包括:
利用所述第二类物品中任意一个物品的第二喜好得分,获得所述第二类物品中任意一个物品的最近邻物品。
具体而言,基于改进后的余弦相似度公式计算所述第二类物品中的任意一个物品p与所述第一类物品的集合M中的任意一个物品k的相似度sim(k,p):
其中,C表示所有用户的集合,c表示集合C中的任意一个用户,Rk,c表示所述任意一个用户c对所述任意一个物品k的第二喜好得分,表示所述任意一个物品k的平均第二喜好得分,Rp,c表示所述任意一个用户c对所述任意一个物品p的第二喜好得分,所述/>表示所述任意一个物品p的平均第二喜好得分;
将所述相似度的值按照从大至小的顺序排列;
按照从大至小的顺序从其中选择预设数量(例如,4个)的相似度最大的值对应的物品,将所述选择的预设数量的物品作为所述任意一个物品p的最邻近物品。
所述根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别包括:
基于所述第三矩阵获得所述任意一个物品p对应的标签特征向量Y″p,其中,Y″p=(y′ip)nt×1;
基于所述第三矩阵,获得所述预设数量的最邻近物品中任意一个物品q对应的标签特征向量Y″q,其中,Y″q=(y″iq)nt×1;
计算所述预设数量的最邻近物品中所有物品对应的标签特征向量中,每个标签的权重;
从计算得到的每个标签的权重中选择具有最大权重值的标签,使用所述最大权重值对应的标签标注所述任意一个物品p;
利用所述选择的标签对所述第二类物品中的所述任意一个物品p进行分类,将所述任意一个物品p的类别确定为所述最大的值对应的标签代表的类别。
其中,所述计算所述预设数量的最邻近物品中所有物品对应的标签特征向量中,每个标签的权重包括:
获取所述预设数量(可以记作r)的最邻近物品的集合P对应的所述r个标签特征向量的集合V;
基于TF-IDF(Term Frequency-Inverse Document Frequency)的统计方法,计算集合V中任一标签v的TF词频(Term Frequency)的值tfv,V,以及IDF反文档频率(InverseDocument Frequency)的值idfv;
再依据公式tfv,V×idfv得到所述预设数量的最邻近物品中所有物品对应的标签特征向量中任一标签v的权重。
具体而言,当所述预设数量的最邻近物品中任意一个物品q对应的标签特征向量Y″q中的所述任一标签v对应的y″vg不等于0时,视为所述任一标签v出现一次;
统计所述任一标签v出现的次数Nv以及所述集合V中所有标签出现的总次数NV;
计算所述次数Nv与所述总次数NV的比值,将所述比值作为所述tfv,V;
利用计算所述idfv,其中,m表示所述第三矩阵中的标签特征向量的个数。
推荐模块205,用于根据所述任意一个物品的类别确定是否推荐所述任意一个物品。
所述根据所述任意一个物品的类别推荐或者不推荐所述任意一个物品包括:
确定所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分;
比较所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分与预设的评分阈值的大小;
当所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分大于或等于所述预设的评分阈值时,向所述任意一个用户u推荐所述任意一个物品;及
当所述任意一个用户u对所述任意一个物品的类别对应的标签的第一喜好评分小于所述预设的评分阈值时,不向所述任意一个用户u推荐所述任意一个物品。
需要说明的是,所述推荐可以是将所述任意一个物品的图片信息推送至所述任意一个用户的用户主页。
综上,本申请所述的物品推荐方法,深入研究标签物品数据对物品推荐的准确率的影响,使得物品推荐的准确率得到提升,从而提高物品的销量。
实施例三
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3包括一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的终端,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述电子设备3中的装置,并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random AccessMemory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能。
在本发明的一个实施例中,所述存储器31存储多个指令,所述多个指令被所述至少一个处理器32所执行以实现本发明所述的方法中的全部或者部分步骤。
具体地,所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种物品推荐方法,其特征在于,所述方法包括:
收集标签物品数据;
根据所述标签物品数据将多个物品分为第一类物品和第二类物品;
根据所述标签物品数据构建第一矩阵,包括:获取任一标签i对任一物品j的频数权重W(i,j)、所述任一标签i的局部权重S(i);基于所述频数权重W(i,j)和所述局部权重S(i),计算所述任一物品j的全局权重IS(j);基于所述频数权重W(i,j)、所述局部权重S(i)以及所述全局权重IS(j),计算所述任一标签i对所述任一物品j的权重;根据所述任一标签i对所述任一物品j的权重构建所述第一矩阵,所述第一矩阵中的元素yij=S(i)×W(i,j)×IS(j)表示标签i对物品j的权重;
获取所述第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵;
定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵;
获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别;
根据所述任意一个物品的类别确定是否推荐所述任意一个物品。
2.根据权利要求1所述的物品推荐方法,其特征在于,所述标签物品数据包括:
多个标签的集合、所述多个标签的总数、所述多个物品的集合、所述多个物品的总数、使用任一标签i标注任一物品j的次数、所述任一标签i被用于标注的总次数、所述任一物品j被标注的总次数;
所述标签物品数据还包括:
任意一个用户使用标签标注物品的数据,包括:所述任意一个用户使用过的标签的集合、所述任意一个用户使用所述任一标签i的次数、所述任意一个用户使用所述任一标签i标注所述任一物品j的次数、所述任意一个用户使用标签标注过的所有物品的集合、所述任意一个用户使用标签标注过的所有物品的个数;及
所述任意一个用户对使用过的每个标签的第一喜好得分和所述任意一个用户对使用标签标注过的每个物品的第二喜好得分。
3.根据权利要求2所述的物品推荐方法,其特征在于,获取所述第一喜好得分和所述第二喜好得分的方法包括:
为所述任意一个用户对标签的每个行为动作设置权重和得分;
根据所述任意一个用户对使用过的每个标签的行为动作的权重和得分,计算所述第一喜好得分;
根据多个第一喜好得分的平均值确定所述第二喜好得分。
4.根据权利要求2所述的物品推荐方法,其特征在于,所述根据所述标签物品数据将多个物品分为第一类物品和第二类物品包括:
根据所述任意一个用户使用标签标注物品的数据,将所述任意一个用户使用标签标注过的物品作为所述第一类物品,将所述任意一个用户未使用标签标注过的物品作为所述第二类物品。
5.根据权利要求2至4中任一项所述的物品推荐方法,其特征在于,所述根据所述第一矩阵获得所述第一类物品的集合的第二矩阵包括:
将所述第一矩阵中的任意一列作为所述任意一列对应的物品的标签特征向量;
从所述第一矩阵选择所述第一类物品的集合中的每个物品的标签特征向量;
基于所选择的所述第一类物品的集合中的每个物品的所述标签特征向量,构建所述第二矩阵。
6.根据权利要求2所述的物品推荐方法,其特征在于,所述定义时间函数包括:
获取所述任意一个用户标注任一物品j的时间与预定义的时间基准点的之间的时间间隔;
基于所述时间间隔定义所述时间函数。
7.根据权利要求2所述的物品推荐方法,其特征在于,所述获取所述第二类物品中任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别包括:
利用所述第二类物品中任意一个物品的第二喜好得分,获得所述第二类物品中任意一个物品的最近邻物品;
计算预设数量的最邻近物品中所有物品对应的标签特征向量中,每个标签的权重;
选择所述第一类物品的集合中的物品的标签特征向量中具有最大权重值的标签,利用所述选择的标签对所述第二类物品中的所述任意一个物品进行分类。
8.一种物品推荐装置,其特征在于,所述装置包括:
收集模块,用于收集标签物品数据;
分类模块,用于根据所述标签物品数据将多个物品分为第一类物品和第二类物品;
构建模块,用于根据所述标签物品数据构建第一矩阵,包括:获取任一标签i对任一物品j的频数权重W(i,j)、所述任一标签i的局部权重S(i);基于所述频数权重W(i,j)和所述局部权重S(i),计算所述任一物品j的全局权重IS(j);基于所述频数权重W(i,j)、所述局部权重S(i)以及所述全局权重IS(j),计算所述任一标签i对所述任一物品j的权重;根据所述任一标签i对所述任一物品j的权重构建所述第一矩阵,所述第一矩阵中的元素yij=S(i)×W(i,j)×IS(j)表示标签i对物品j的权重;
所述构建模块还用于获取第一类物品的集合,根据所述第一矩阵获得所述第一类物品的集合的第二矩阵;
所述构建模块还用于定义时间函数,根据所述时间函数对所述第二矩阵进行更新,获得第三矩阵;
判断模块,用于获取所述第二类物品中的任意一个物品的最近邻物品,根据所述最近邻物品和所述第三矩阵确定所述任意一个物品的类别;
推荐模块,用于根据所述任意一个物品的类别确定是否推荐所述任意一个物品。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器;
所述存储器用于存储至少一个指令;
所述处理器用于执行所述至少一个指令时实现如权利要求1至7中任意一项所述的物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012016.0A CN113657971B (zh) | 2021-08-31 | 2021-08-31 | 物品推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012016.0A CN113657971B (zh) | 2021-08-31 | 2021-08-31 | 物品推荐方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657971A CN113657971A (zh) | 2021-11-16 |
CN113657971B true CN113657971B (zh) | 2023-12-01 |
Family
ID=78482490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111012016.0A Active CN113657971B (zh) | 2021-08-31 | 2021-08-31 | 物品推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657971B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7685192B1 (en) * | 2006-06-30 | 2010-03-23 | Amazon Technologies, Inc. | Method and system for displaying interest space user communities |
CN105453122A (zh) * | 2013-06-13 | 2016-03-30 | 微软技术许可有限责任公司 | 上下文移动应用广告 |
CN107239993A (zh) * | 2017-05-24 | 2017-10-10 | 海南大学 | 一种基于拓展标签的矩阵分解推荐方法及*** |
CN108038746A (zh) * | 2017-11-24 | 2018-05-15 | 河海大学 | 基于关键用户和时间上下文的二部图推荐方法 |
CN109345324A (zh) * | 2018-02-07 | 2019-02-15 | 深圳壹账通智能科技有限公司 | 应用功能推荐方法、装置、计算机设备和存储介质 |
CN111582448A (zh) * | 2020-04-30 | 2020-08-25 | 广州市百果园信息技术有限公司 | 一种权重训练方法、装置、计算机设备和存储介质 |
CN112348629A (zh) * | 2020-10-26 | 2021-02-09 | 邦道科技有限公司 | 一种商品信息推送方法和装置 |
CN112381616A (zh) * | 2020-11-28 | 2021-02-19 | 武汉虹信技术服务有限责任公司 | 物品推荐引导方法、装置及计算机设备 |
CN113077321A (zh) * | 2021-04-21 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置、电子设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082419A1 (en) * | 2008-10-01 | 2010-04-01 | David Hsueh-Chi Au-Yeung | Systems and methods of rating an offer for a products |
US8156120B2 (en) * | 2008-10-22 | 2012-04-10 | James Brady | Information retrieval using user-generated metadata |
US20130290131A1 (en) * | 2010-12-27 | 2013-10-31 | Telefonaktiebolaget L M Ericsson (Publ) | Method and arrangement for enabling customized recommendations |
CN103514496B (zh) * | 2012-06-21 | 2017-05-17 | 腾讯科技(深圳)有限公司 | 一种推荐目标软件的处理方法及*** |
CN106355449B (zh) * | 2016-08-31 | 2021-09-07 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN111125495A (zh) * | 2019-12-19 | 2020-05-08 | 京东方科技集团股份有限公司 | 一种信息推荐方法、设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111012016.0A patent/CN113657971B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7685192B1 (en) * | 2006-06-30 | 2010-03-23 | Amazon Technologies, Inc. | Method and system for displaying interest space user communities |
CN105453122A (zh) * | 2013-06-13 | 2016-03-30 | 微软技术许可有限责任公司 | 上下文移动应用广告 |
CN107239993A (zh) * | 2017-05-24 | 2017-10-10 | 海南大学 | 一种基于拓展标签的矩阵分解推荐方法及*** |
CN108038746A (zh) * | 2017-11-24 | 2018-05-15 | 河海大学 | 基于关键用户和时间上下文的二部图推荐方法 |
CN109345324A (zh) * | 2018-02-07 | 2019-02-15 | 深圳壹账通智能科技有限公司 | 应用功能推荐方法、装置、计算机设备和存储介质 |
CN111582448A (zh) * | 2020-04-30 | 2020-08-25 | 广州市百果园信息技术有限公司 | 一种权重训练方法、装置、计算机设备和存储介质 |
CN112348629A (zh) * | 2020-10-26 | 2021-02-09 | 邦道科技有限公司 | 一种商品信息推送方法和装置 |
CN112381616A (zh) * | 2020-11-28 | 2021-02-19 | 武汉虹信技术服务有限责任公司 | 物品推荐引导方法、装置及计算机设备 |
CN113077321A (zh) * | 2021-04-21 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113657971A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9576248B2 (en) | Record linkage sharing using labeled comparison vectors and a machine learning domain classification trainer | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和*** | |
CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
US9652695B2 (en) | Label consistency for image analysis | |
CN113836131B (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN112883154B (zh) | 文本主题挖掘方法、装置、计算机设备及存储介质 | |
CN112860989B (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
CN113901236A (zh) | 基于人工智能的目标识别方法、装置、电子设备及介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
CN113657971B (zh) | 物品推荐方法、装置及电子设备 | |
CN111651452A (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
CN112328752B (zh) | 基于搜索内容的课程推荐方法、装置、计算机设备及介质 | |
CN114664458A (zh) | 患者分类装置、计算机设备及存储介质 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114513578A (zh) | 外呼方法、装置、计算机设备及存储介质 | |
CN116188049B (zh) | 基于链式分析的***挖掘方法及装置 | |
CN115392206B (zh) | 基于wps/excel快速查询数据方法、装置、设备及存储介质 |
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 |