CN113806636A - 项目推荐方法、装置、电子设备和计算机存储介质 - Google Patents
项目推荐方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN113806636A CN113806636A CN202111115163.0A CN202111115163A CN113806636A CN 113806636 A CN113806636 A CN 113806636A CN 202111115163 A CN202111115163 A CN 202111115163A CN 113806636 A CN113806636 A CN 113806636A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended
- item
- items
- score
- 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 31
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种项目推荐方法、装置、电子设备和计算机存储介质,所述方法包括:根据待推荐用户的个人特征信息确定待推荐用户所在的用户群;获取用户群对应的用户‑评分矩阵,其中,用户‑评分矩阵为用户群中的用户对项目的评分;根据用户‑评分矩阵和时间因素权重确定待推荐用户与用户群的用户之间的相似度;根据相似度确定待推荐用户未评分的项目的预测评分;根据预测评分向待推荐用户推荐项目,在进行用户之间相似度计算时,引入时间因素权重,综合考虑时间对用户兴趣的影响,从而提高推荐结果的准确性。
Description
技术领域
本申请涉及信息处理领域,具体而言,涉及一种项目推荐方法、装置、电子设备和计算机存储介质。
背景技术
基于用户的协同过滤算法是个性化推荐***中常用的一种算法。该算法通过寻找与用户A行为相似的用户群体作为近邻用户,基于近邻用户的行为,确定用户A的潜在兴趣,进而向用户A推荐其可能喜欢的事物。
然而,现有的基于用户的协同过滤算法只考虑用户的静态交互行为,忽略了时间对用户兴趣的影响,进而导致推荐结果准确性较低。
发明内容
本申请实施例的目的在于提供一种项目推荐方法、装置、电子设备和计算机存储介质,用以解决现有的协同过滤算法推荐结果准确性较低的问题。
第一方面,本发明提供一种项目推荐方法,所述方法包括:根据待推荐用户的个人特征信息确定所述待推荐用户所在的用户群;获取所述用户群对应的用户-评分矩阵,其中,所述用户-评分矩阵为所述用户群中的用户对项目的评分;根据所述用户-评分矩阵和时间因素权重确定所述待推荐用户与所述用户群的用户之间的相似度,其中,所述时间因素权重用于表征用户对项目进行评分的时间与当前时间的关系;根据所述相似度确定所述待推荐用户未评分的项目的预测评分;根据所述预测评分向所述待推荐用户推荐项目。
在本申请实施例中,首先根据待推荐用户的个人特征信息与待推荐用户行为或兴趣相似的用户群,然后根据用户群对应的用户-评分矩阵和时间因素权重确定待推荐用户与用户群的用户之间的相似度,从用户群中选出与待推荐用户相似度较高的部分用户,根据相似度确定待推荐用户未评分的项目的预测评分,最终根据预测评分向待推荐用户推荐项目。在进行用户之间相似度计算时,引入时间因素权重,综合考虑时间对用户兴趣的影响,从而提高推荐结果的准确性。
在可选的实施方式中,所述根据所述用户-评分矩阵和时间因素权重确定所述待推荐用户与所述用户群的用户之间的相似度,包括:基于公式:计算所述待推荐用户与所述用户群的用户之间的相似度;其中,a表示所述待推荐用户,b表示所述用户群的用户,sim(a,b)表示a和b的相似度,cai表示a对项目i的评分,cbi表示b对项目i的评分,表示a的所有已评分项目的平均评分,表示b的所有已评分项目的平均评分,I表示a和b共同评分过的项目的集合。
在可选的实施方式中,根据所述相似度确定所述待推荐用户未评分的项目的预测评分,包括:基于公式:计算所述待推荐用户未评分的项目的预测评分;其中,pa,i表示a对未评分项目k的预测评分,项目k为a未评分而b评分过的项目,cbk表示b对项目k的评分,表示b对所有项目的评分,G表示根据相似度确定的与a相似的用户的集合。
在可选的实施方式中,所述根据所述预测评分向所述待推荐用户推荐项目,包括:针对待推荐用户未评分的多个项目,根据所述预测评分,按照从大到小的顺序排序;由大到小选取预设数量的项目作为待推荐项目向所述待推荐用户推荐。
在本申请实施例中,根据项目预测评分按照从大到小的顺序向待推荐用户推荐项目,从而提高推荐的准确性。
在可选的实施方式中,所述根据所述预测评分向所述待推荐用户推荐项目,包括:判断所述待推荐用户未评分的项目的预测评分是否大于预设阈值;若大于,将所述预测评分大于预设阈值的项目作为待推荐项目向所述待推荐用户推荐。
在本申请实施例中,预先设置一个评分阈值,只将预测评分大于该阈值的项目向待推荐用户进行推荐,从而在一定程度上提高推荐的准确性。
第二方面,本发明提供一种项目推荐装置,所述装置包括:用户群确定模块,用于根据待推荐用户的个人特征信息确定所述待推荐用户所在的用户群;获取模块,用于获取所述用户群对应的用户-评分矩阵,其中,所述用户-评分矩阵为所述用户群中的用户对项目的评分;相似度确定模块,用于根据所述用户-评分矩阵和时间因素权重确定所述待推荐用户与所述用户群的用户之间的相似度,其中,所述时间因素权重用于表征用户对项目进行评分的时间与当前时间的关系;预测评分确定模块,用于根据所述相似度确定所述待推荐用户未评分的项目的预测评分;推荐模块,用于根据所述预测评分向所述待推荐用户推荐项目。
在可选的实施方式中,所述相似度确定模块,用于基于公式:计算所述待推荐用户与所述用户群的用户之间的相似度;其中,a表示所述待推荐用户,b表示所述用户群的用户,sim(a,b)表示a和b的相似度,cai表示a对项目i的评分,cbi表示b对项目i的评分,表示a的所有已评分项目的平均评分,表示b的所有已评分项目的平均评分,I表示a和b共同评分过的项目的集合。
在可选的实施方式中,所述预测评分确定模块,用于基于公式:计算所述待推荐用户未评分的项目的预测评分;其中,pa,i表示a对未评分项目k的预测评分,项目k为a未评分而b评分过的项目,cbk表示b对项目k的评分,表示b对所有项目的评分,G表示根据相似度确定的与a相似的用户的集合。
在可选的实施方式中,所述推荐模块,用于针对待推荐用户未评分的多个项目,根据所述预测评分,按照从大到小的顺序排序;由大到小选取预设数量的项目作为待推荐项目向所述待推荐用户推荐。
在可选的实施方式中,所述推荐模块,用于判断所述待推荐用户未评分的项目的预测评分是否大于预设阈值;若大于,将所述预测评分大于预设阈值的项目作为待推荐项目向所述待推荐用户推荐。
第三方面,本发明提供一种电子设备,包括:处理器、存储器和总线;所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前述实施方式任一项所述的方法。
第四方面,本发明提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行如前述实施方式中任一项所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种项目推荐方法的流程图;
图2为本申请实施例提供的一种项目推荐装置的结构框图;
图3为本申请实施例的电子设备的结构示意图。
图标:200-项目推荐装置;201-用户群确定模块;202-获取模块;203-相似度确定模块;204-预测评分确定模块;205-推荐模块;206-计算模块;300-电子设备;301-处理器;302-通信接口;303-存储器;304-总线。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参阅图1,图1为本申请实施例提供的一种项目推荐方法的流程图,该项目推荐方法可以包括如下步骤:
步骤101:根据待推荐用户的个人特征信息确定待推荐用户所在的用户群。
步骤102:获取用户群对应的用户-评分矩阵,其中,用户-评分矩阵为用户群中的用户对项目的评分。
步骤103:根据用户-评分矩阵和时间因素权重确定待推荐用户与用户群的用户之间的相似度。
步骤104:根据相似度确定待推荐用户未评分的项目的预测评分。
步骤105:根据预测评分向待推荐用户推荐项目。
下面将结合示例对上述流程进行详细说明。
步骤101:根据待推荐用户的个人特征信息确定待推荐用户所在的用户群。
本申请实施例中,首先根据待推荐用户的个人特征信息,从预先存储的用户个人特征信息库中,匹配出与待推荐用户行为或兴趣相似的用户群体。
需要说明的是,本申请实施例对具体的匹配算法不做限定。例如:可以采用Kmeans聚类算法、KNN(K-Nearest Neighbor,K最近邻近)算法、ANN(ArtificialNeural Network,人工神经网络)算法等。
步骤102:获取用户群对应的用户-评分矩阵,其中,用户-评分矩阵为用户群中的用户对项目的评分。
本申请实施例中,在通过步骤101确定处与待推荐用户行为或兴趣相似的用户群体之后,可以获取该用户群体对应的用户-评分矩阵。可以理解,与用户群体对应的用户-评分矩阵可以预先确定,在需要时,直接获取即可。本申请对与用户群体对应的用户-评分矩阵的确定方式不做限定。用户-评分矩阵可以表现为如下形式:
其中,cwn表示用户w对项目n的实际评分。若用户未对某个项目评分,则用0表示。
需要说明的是,项目可以理解为需要向用户推荐的某类内容。例如,若需要向用户推荐电影,则项目可以为各部电影。cwn表示不同用户对各部电影的评分。又或者,若需要向用户推荐餐厅,则项目可以为各个餐厅。cwn表示不同用户对各个餐厅的评分。本申请对项目的具体形式不做限定。
在确定用户-评分矩阵后,根据以下公式确定时间因素权重:
本申请实施例中,时间因素权重用于表征用户对项目进行评分的时间与当前时间的关系。在用户对项目进行评分后,除了将评分记录下来以外,还会将用户进行评分的时间也记录下来。以下结合具体示例对上述时间因素权重进行介绍。
假设开始记录用户对项目的评分的时间为9月1日。用户1对项目A的评分日期为9月5日,相较于9月1日来说,间隔了五天,则用户1对项目A进行评分的时间为5。若在9月10日对待推荐用户进行推荐,相较于9月1日来说,间隔了十天,则计算时间因素权重的当前时间为10。
根据上述公式可知,若用户对项目进行评分的时间越接近计算时间因素权重的当前时间,则计算出的时间因素权重越大,从而在后续确定相似度时,该类项目的评分的权重值越高,对相似度的影响越大。
步骤103:根据用户-评分矩阵和时间因素权重确定待推荐用户与用户群的用户之间的相似度。
本申请实施例中,在确定用户-评分矩阵和时间因素权重后,基于以下公式计算待推荐用户与用户群的用户之间的相似度:
其中,a表示所述待推荐用户,b表示所述用户群的用户,sim(a,b)表示a和b的相似度,cai表示a对项目i的评分,cbi表示b对项目i的评分,表示a的所有已评分项目的平均评分,表示b的所有已评分项目的平均评分,I表示a和b共同评分过的项目的集合。
需要说明的是,若用户群中的用户数量为10,则需要根据上述公式分别计算用户群中的每个用户与待推荐用户之间的相似度。
步骤104:根据相似度确定待推荐用户未评分的项目的预测评分。
本申请实施例中,确定用户群中每个用户与待推荐用户之间的相似度后,对用户群中的用户进行筛选,选出相似度高于预设阈值的多个用户,组成相似用户群。
然后基于以下公式计算待推荐用户未评分的项目的预测评分:
可以理解,公式中的G即为相似用户群。
步骤105:根据预测评分向待推荐用户推荐项目。
本申请实施例中,通过步骤104确定出了多个待推荐用户未评分过的项目的预测评分,基于该预测评分向待推荐用户推荐项目。
作为一种可选的实施方式,步骤105可以包括如下步骤:
第一步,针对待推荐用户未评分的多个项目,根据所述预测评分,按照从大到小的顺序排序。
第二步,由大到小选取预设数量的项目作为待推荐项目向所述待推荐用户推荐。
本申请对预设数量的多少不做具体限定,预设数量可以为10、20、30等,本领域技术人员可以根据实际情况灵活调整。本申请实施例中,将确定出的待推荐用户未评分的所有项目的预测评分从小大排序,然后由大到小选取预设数量的项目作为待推荐项目向所述待推荐用户推荐,从而在一定程度上提高推荐的准确性。
作为另一种可选的实施方式,步骤105可以包括如下步骤:
第一步,判断所述待推荐用户未评分的项目的预测评分是否大于预设阈值;
第二步,若大于,将所述预测评分大于预设阈值的项目作为待推荐项目向所述待推荐用户推荐。
可以理解,本申请对预设阈值的大小不做具体限定,本领域技术人员可以根据实际情况灵活调整。本申请实施例中,预先设置一个评分阈值,只将预测评分大于该阈值的项目向待推荐用户进行推荐,从而在一定程度上提高推荐的准确性。
综上所述,本申请实施例提供一种项目推荐方法,首先根据待推荐用户的个人特征信息与待推荐用户行为或兴趣相似的用户群,然后根据用户群对应的用户-评分矩阵和时间因素权重确定待推荐用户与用户群的用户之间的相似度,从用户群中选出与待推荐用户相似度较高的部分用户,根据相似度确定待推荐用户未评分的项目的预测评分,最终根据预测评分向待推荐用户推荐项目。在进行用户之间相似度计算时,引入时间因素权重,综合考虑了时间对用户兴趣的影响,从而提高推荐结果的准确性。
基于同一发明构思,本申请实施例中还提供一种项目推荐装置。请参阅图2,图2为本申请实施例提供的一种项目推荐装置的结构框图,该项目推荐装置200可以包括:
用户群确定模块201,用于根据待推荐用户的个人特征信息确定所述待推荐用户所在的用户群;
获取模块202,用于获取所述用户群对应的用户-评分矩阵,其中,所述用户-评分矩阵为所述用户群中的用户对项目的评分;
相似度确定模块203,用于根据所述用户-评分矩阵和时间因素权重确定所述待推荐用户与所述用户群的用户之间的相似度,其中,所述时间因素权重用于表征用户对项目进行评分的时间与当前时间的关系;
预测评分确定模块204,用于根据所述相似度确定所述待推荐用户未评分的项目的预测评分;
推荐模块205,用于根据所述预测评分向所述待推荐用户推荐项目。
在可选的实施方式中,所述装置还包括计算模块206,基于公式:计算所述时间因素权重;其中,表示用户u对项目i的时间因素权重,Tnow表示计算所述时间因素权重的当前时间,Ti表示用户u对项目i进行评分的时间。
在可选的实施方式中,所述相似度确定模块203,用于基于公式:计算所述待推荐用户与所述用户群的用户之间的相似度;其中,a表示所述待推荐用户,b表示所述用户群的用户,sim(a,b)表示a和b的相似度,cai表示a对项目i的评分,cbi表示b对项目i的评分,表示a的所有已评分项目的平均评分,表示b的所有已评分项目的平均评分,I表示a和b共同评分过的项目的集合。
在可选的实施方式中,所述预测评分确定模块204,用于基于公式:计算所述待推荐用户未评分的项目的预测评分;其中,pa,i表示a对未评分项目k的预测评分,项目k为a未评分而b评分过的项目,cbk表示b对项目k的评分,表示b对所有项目的评分,G表示根据相似度确定的与a相似的用户的集合。
在可选的实施方式中,所述推荐模块205,用于针对待推荐用户未评分的多个项目,根据所述预测评分,按照从大到小的顺序排序;由大到小选取预设数量的项目作为待推荐项目向所述待推荐用户推荐。
在可选的实施方式中,所述推荐模块205,用于判断所述待推荐用户未评分的项目的预测评分是否大于预设阈值;若大于,将所述预测评分大于预设阈值的项目作为待推荐项目向所述待推荐用户推荐。
请参阅图3,图3为本申请实施例的电子设备300的结构示意图,该电子设备300包括:至少一个处理器301,至少一个通信接口302,至少一个存储器303和至少一个总线304。其中,总线304用于实现这些组件直接的连接通信,通信接口302用于与其他节点设备进行信令或数据的通信,存储器303存储有处理器301可执行的机器可读指令。当电子设备300运行时,处理器301与存储器303之间通过总线304通信,机器可读指令被处理器301调用时执行如上述项目推荐方法。
处理器301可以是一种集成电路芯片,具有信号处理能力。上述处理器301可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,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。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。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。
存储器303可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
可以理解,图3所示的结构仅为示意,电子设备300还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中,电子设备300可以是,但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,电子设备300也不一定是单台设备,还可以是多台设备的组合,例如服务器集群,等等。
此外,本申请实施例还提供一种计算机存储介质,该计算机存储介质上存储有计算机程序,该计算机程序被计算机运行时,执行如上述实施例中项目推荐方法的步骤。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种项目推荐方法,其特征在于,所述方法包括:
根据待推荐用户的个人特征信息确定所述待推荐用户所在的用户群;
获取所述用户群对应的用户-评分矩阵,其中,所述用户-评分矩阵为所述用户群中的用户对项目的评分;
根据所述用户-评分矩阵和时间因素权重确定所述待推荐用户与所述用户群的用户之间的相似度,其中,所述时间因素权重用于表征用户对项目进行评分的时间与当前时间的关系;
根据所述相似度确定所述待推荐用户未评分的项目的预测评分;
根据所述预测评分向所述待推荐用户推荐项目。
5.根据权利要求1所述的方法,其特征在于,所述根据所述预测评分向所述待推荐用户推荐项目,包括:
针对待推荐用户未评分的多个项目,根据所述预测评分,按照从大到小的顺序排序;
由大到小选取预设数量的项目作为待推荐项目向所述待推荐用户推荐。
6.根据权利要求1所述的方法,其特征在于,所述根据所述预测评分向所述待推荐用户推荐项目,包括:
判断所述待推荐用户未评分的项目的预测评分是否大于预设阈值;
若大于,将所述预测评分大于预设阈值的项目作为待推荐项目向所述待推荐用户推荐。
7.一种项目推荐装置,其特征在于,所述装置包括:
用户群确定模块,用于根据待推荐用户的个人特征信息确定所述待推荐用户所在的用户群;
获取模块,用于获取所述用户群对应的用户-评分矩阵,其中,所述用户-评分矩阵为所述用户群中的用户对项目的评分;
相似度确定模块,用于根据所述用户-评分矩阵和时间因素权重确定所述待推荐用户与所述用户群的用户之间的相似度;
预测评分确定模块,用于根据所述相似度确定所述待推荐用户未评分的项目的预测评分;
推荐模块,用于根据所述预测评分向所述待推荐用户推荐项目。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线;所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-6任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115163.0A CN113806636A (zh) | 2021-09-23 | 2021-09-23 | 项目推荐方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115163.0A CN113806636A (zh) | 2021-09-23 | 2021-09-23 | 项目推荐方法、装置、电子设备和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113806636A true CN113806636A (zh) | 2021-12-17 |
Family
ID=78896406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111115163.0A Pending CN113806636A (zh) | 2021-09-23 | 2021-09-23 | 项目推荐方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806636A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160049401A (ko) * | 2014-10-27 | 2016-05-09 | 서울대학교산학협력단 | 사용자 맞춤형 항목 추천 방법 및 장치 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-23 CN CN202111115163.0A patent/CN113806636A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160049401A (ko) * | 2014-10-27 | 2016-05-09 | 서울대학교산학협력단 | 사용자 맞춤형 항목 추천 방법 및 장치 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271512B (zh) | 舆情评论信息的情感分析方法、装置及存储介质 | |
CN105224699B (zh) | 一种新闻推荐方法及装置 | |
US8412718B1 (en) | System and method for determining originality of data content | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
CN110909222B (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN110489449B (zh) | 一种图表推荐方法、装置和电子设备 | |
US11144594B2 (en) | Search method, search apparatus and non-temporary computer-readable storage medium for text search | |
KR102108683B1 (ko) | 비관심사 컨텐츠를 포함하는 추천 컨텐츠를 제공하는 방법 | |
CN107943910B (zh) | 一种基于组合算法的个性化图书推荐方法 | |
CN113934941A (zh) | 一种基于多维度信息的用户推荐***及方法 | |
CN113806637A (zh) | 用户分类方法及装置、项目推荐方法及装置 | |
CN108229564B (zh) | 一种数据的处理方法、装置及设备 | |
CN113656630A (zh) | 检索图像的方法、装置和*** | |
CN107656918A (zh) | 获取目标用户的方法及装置 | |
CN113254777B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN113806636A (zh) | 项目推荐方法、装置、电子设备和计算机存储介质 | |
CN114780606A (zh) | 一种大数据挖掘方法及*** | |
CN108647985B (zh) | 一种物品推荐方法和装置 | |
CN112836129B (zh) | 一种信息的推荐方法、装置及设备 | |
CN113743968A (zh) | 信息投放方法、装置及设备 | |
CN115564450B (zh) | 一种风控方法、装置、存储介质及设备 | |
Plant et al. | Enhancing instance-based classification with local density: a new algorithm for classifying unbalanced biomedical data | |
CN115577287A (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN113254800A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN113051484B (zh) | 确定热点社交类信息的方法及装置 |
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 |