CN114387064A - 一种基于综合相似度的电商平台潜在客户推荐方法及*** - Google Patents
一种基于综合相似度的电商平台潜在客户推荐方法及*** Download PDFInfo
- Publication number
- CN114387064A CN114387064A CN202210039838.6A CN202210039838A CN114387064A CN 114387064 A CN114387064 A CN 114387064A CN 202210039838 A CN202210039838 A CN 202210039838A CN 114387064 A CN114387064 A CN 114387064A
- Authority
- CN
- China
- Prior art keywords
- client
- clients
- similarity
- group
- core
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000005295 random walk Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 2
- 239000013604 expression vector Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于综合相似度的电商平台潜在客户推荐方法及***。该方法,包括:选定一种motif,找出该motif的全部实例,构造客户的高阶邻接矩阵,而后获取客户序列,得到客户的表示向量,进而计算客户之间的联系紧密度;计算客户所携带的特征之间的相似程度;将联系紧密度和特性相似性进行加权,得到客户的综合相似度,进而得到KNN图;选取还未分配群体的客户中核心性最大的作为核心客户;将选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体;重复核心客户选取和群体扩展直到电商平台客户网络中的所有客户都有所属群体。本发明能有效挖掘出电商平台客户网络中存在的群体,并为群体推荐购买次数最多的商品。
Description
技术领域
本发明涉及一种基于综合相似度的电商平台潜在客户推荐方法及***。
背景技术
社会成员之间由于在工作、学***台的推荐***又是目前提高营销水平的重要技术,通过对客户进行划分,为同属群体的客户之间推荐该群体经常购买的物品能够有效提升推荐的成功率,进而为商品带来更高的销量。但是,由于电商平台客户网络的信息十分复杂,对其直接进行分析有着较大难度。随着研究的深入,许多电商平台潜在客户推荐方法应运而生。这些方法通过将电商客户网络中的客户划分成一个个特征相似的群体,使得网络的结构更加清晰。但现有的方法仍存在几个关键问题:第一是信息利用不充分,有些方法忽略了网络中的高阶结构,有些则是只能使用类别型属性;第二是网络中的拓扑结构和客户属性有时会存在不匹配的现象,这些方法不能自适应地调整网络拓扑结构和客户属性之间的贡献程度。
发明内容
本发明的目的在于克服现有技术中存在的上述缺陷,提供一种基于综合相似度的电商平台潜在客户推荐方法及***,能有效挖掘出电商平台客户网络中存在的群体,并为群体推荐购买次数最多的商品。
为实现上述目的,本发明的技术方案是:一种基于综合相似度的电商平台潜在客户推荐方法,包括如下步骤:
步骤S1、首先选定一种motif,并找出社交网络中该motif的全部实例,构造客户的高阶邻接矩阵;然后,分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走,获取客户序列;最后,使用Skip-gram模型训练客户序列得到客户的表示向量,根据客户的表示向量计算客户之间的联系紧密度;
步骤S2、计算客户所携带的特征之间的相似程度;
步骤S3、用自适应加权策略将客户的联系紧密度和特性相似性进行加权,得到客户的综合相似度;然后,根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居,生成以综合相似度为权值的KNN图;
步骤S4、计算客户的核心性,并选取还未分配群体的客户中核心性最大的作为核心客户;
步骤S5、将步骤S4选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体,重复这个过程直到适应度函数不能继续增大;
步骤S6、重复步骤S5和步骤S6直到电商平台客户网络中的所有客户都有所属群体,找出同一群体里购买次数最多的某类商品,推荐给群体里的其他客户。
本发明还提供了一种基于综合相似度的电商平台潜在客户推荐***,包括:
客户联系紧密度计算模块,首先选定一种motif,并找出社交网络中该motif的全部实例,构造客户的高阶邻接矩阵;然后,分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走,获取客户序列;最后,使用Skip-gram模型训练客户序列得到客户的表示向量,根据表示向量计算客户之间的联系紧密度;
客户特性相似性计算模块,计算客户所携带的特征之间的相似程度;
客户综合相似度KNN图生成模块,用自适应加权策略将客户的联系紧密度和特性相似性进行加权,得到客户的综合相似度;然后,根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居,生成以综合相似度为权值的KNN图;
核心客户选取模块,计算客户的核心性,并选取还未分配群体的客户中核心性最大的作为核心客户;
客户群体扩展模块,将选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体,重复这个过程直到适应度函数不能继续增大;
商品推荐模块,找出同一群体里购买次数最多的某类商品,推荐给群体里的其他客户。
相较于现有技术,本发明具有以下有益效果:
(1)本发明提出了一种自适应的加权策略,能够根据网络自身的聚类系数自适应地调整网络拓扑结构和客户属性之间的贡献程度,避免了繁琐的参数调整。
(2)本发明提出了客户综合相似度,结合了网络中的各类信息,并设计了客户核心性的计算策略,能够有效地找出网络中的核心客户,提高群体划分的准确性。
附图说明
图1为本发明一实施例的流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,本实例提供了一种基于综合相似度的电商平台潜在客户推荐方法,其特征在于,包括如下步骤:
步骤S1、首先选定一种motif,并找出社交网络中该motif的全部实例,构造客户的高阶邻接矩阵;然后,分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走,获取客户序列;最后,使用Skip-gram模型训练客户序列得到客户的表示向量,根据客户的表示向量计算客户之间的联系紧密度;
步骤S2、计算客户所携带的特征之间的相似程度;
步骤S3、用自适应加权策略将客户的联系紧密度和特性相似性进行加权,得到客户的综合相似度;然后,根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居,生成以综合相似度为权值的KNN图;
步骤S4、计算客户的核心性,并选取还未分配群体的客户中核心性最大的作为核心客户;
步骤S5、将步骤S4选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体,重复这个过程直到适应度函数不能继续增大;
步骤S6、重复步骤S5和步骤S6直到电商平台客户网络中的所有客户都有所属群体,找出同一群体里购买次数最多的某类商品,推荐给群体里的其他客户。
在本实例中,所述步骤S1具体实现如下:
步骤S11、选定一种motif,搜索网络中的该motif所有的实例,根据找出的motif实例生成高阶邻接矩阵;其中,计算公式如公式(1)所示:
步骤S12、分别在低阶邻接矩阵和高阶邻接矩阵上进行随机游走获得客户序列;每个客户会执行多次游走,每次游走生成长度固定的客户序列;随机游走过程随机并均匀地从网络中选取初始客户vi,然后将客户的转移概率作为随机选择的概率来选出一个邻居客户vj加入当前序列;接着,继续选取vj的邻居客户加入序列,重复该过程直到序列长度达到预设值;对于低阶邻接矩阵,到邻居客户的转移概率均相等;而对于高阶邻接矩阵,到邻居客户的转移概率等于其边权除以该客户与所有邻居的总边权;
步骤S13、将客户的随机游走序列都放入Skip-gram模型中进行训练生成客户的表示向量;使用Skip-gram模型对客户序列进行训练,则对于每个客户对有以下目标函数:
步骤S14、为每个客户计算客户之间的联系紧密度,联系紧密度的计算公式如公式(3)所示:
在本实例中,所述步骤S2具体实现如下:
计算客户的特征相似性,计算方法如公式(4)所示:
其中,Sc(u,v)表示类别型属性的相似度,Sn(u,v)表示数值型属性的相似度,其计算公式分别如下所示:
其中,Tuj表示客户u拥有属性j,η(Tuj,Tvj)计算客户u和客户v之间拥有相同类别型属性的数量,s1为类别型属性的数量,s2为数值型属性的数量,σ为超参数。
在本实例中,所述步骤S3具体实现如下:
步骤S31、计算客户之间的综合相似度,计算公式如下所示:
CS(u,v)=Cρ*Hos(u,v)+(1-C)ρ*S(u,v)#(8)
其中,C为网络平均聚类系数,Hos(u,v)为客户u和客户v的联系及密度,S(u,v)为客户u和客户v的特征相似性,ρ为调节贡献程度的超参数;
步骤S32、为每个客户保留K个综合相似度最大的客户作为邻居,生成一个以综合相似度为边权的KNN图。
在本实例中,所述步骤S4具体实现如下:
步骤S41、在加权KNN图上为每个客户计算客户核心性,客户核心性的计算公式如下所示:
其中,N(u)表示客户u的邻居集,Seeds表示已被选中的种子客户集;d(u,v)表示有权Jaccard距离;客户核心性的计算方法同时考虑了客户在网络中的影响力以及客户与已被选中的核心客户之间的距离;
步骤S42、选取核心性最大的客户作为核心客户。
在本实例中,所述步骤S5具体实现如下:
步骤S51、将核心客户作为初始群体;
步骤S52、计算群体的邻居客户对群体的适应度函数增值,其计算公式如下:
其中Fc为社区c的适应度函数,Fc∪{v}为客户v加入后社区c的适应度函数,Fc具体公式如下所示:
步骤S53、选取适应度函数增值最大的邻居客户加入群体。
在本实例中,所述步骤S6具体实现如下:
步骤S61、统计同一群体里的客户对同一类商品的购买次数;
步骤S62、为同一群体的客户推荐购买次数最多的商品。
本实例还提供了一种基于综合相似度的电商平台潜在客户推荐***,包括:
客户联系紧密度计算模块,首先选定一种motif,并找出社交网络中该motif的全部实例,构造客户的高阶邻接矩阵;然后,分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走,获取客户序列;最后,使用Skip-gram模型训练客户序列得到客户的表示向量,根据表示向量计算客户之间的联系紧密度;
客户特性相似性计算模块,计算客户所携带的特征之间的相似程度;
客户综合相似度KNN图生成模块,用自适应加权策略将客户的联系紧密度和特性相似性进行加权,得到客户的综合相似度;然后,根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居,生成以综合相似度为权值的KNN图;
核心客户选取模块,计算客户的核心性,并选取还未分配群体的客户中核心性最大的作为核心客户;
客户群体扩展模块,将选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体,重复这个过程直到适应度函数不能继续增大;
商品推荐模块,找出同一群体里购买次数最多的某类商品,推荐给群体里的其他客户。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于综合相似度的电商平台潜在客户推荐方法,其特征在于,包括如下步骤:
步骤S1、首先选定一种motif,并找出社交网络中该motif的全部实例,构造客户的高阶邻接矩阵;然后,分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走,获取客户序列;最后,使用Skip-gram模型训练客户序列得到客户的表示向量,根据客户的表示向量计算客户之间的联系紧密度;
步骤S2、计算客户所携带的特征之间的相似程度;
步骤S3、用自适应加权策略将客户的联系紧密度和特性相似性进行加权,得到客户的综合相似度;然后,根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居,生成以综合相似度为权值的KNN图;
步骤S4、计算客户的核心性,并选取还未分配群体的客户中核心性最大的作为核心客户;
步骤S5、将步骤S4选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体,重复这个过程直到适应度函数不能继续增大;
步骤S6、重复步骤S5和步骤S6直到电商平台客户网络中的所有客户都有所属群体,找出同一群体里购买次数最多的某类商品,推荐给群体里的其他客户。
2.根据权利要求1所述的一种基于综合相似度的电商平台潜在客户推荐方法,其特征在于,所述步骤S1具体实现如下:
步骤S11、选定一种motif,搜索网络中的该motif所有的实例,根据找出的motif实例生成高阶邻接矩阵;其中,计算公式如公式(1)所示:
步骤S12、分别在低阶邻接矩阵和高阶邻接矩阵上进行随机游走获得客户序列;每个客户会执行多次游走,每次游走生成长度固定的客户序列;随机游走过程随机并均匀地从网络中选取初始客户vi,然后将客户的转移概率作为随机选择的概率来选出一个邻居客户vj加入当前序列;接着,继续选取vj的邻居客户加入序列,重复该过程直到序列长度达到预设值;对于低阶邻接矩阵,到邻居客户的转移概率均相等;而对于高阶邻接矩阵,到邻居客户的转移概率等于其边权除以该客户与所有邻居的总边权;
步骤S13、将客户的随机游走序列都放入Skip-gram模型中进行训练生成客户的表示向量;使用Skip-gram模型对客户序列进行训练,则对于每个客户对有以下目标函数:
步骤S14、为每个客户计算客户之间的联系紧密度,联系紧密度的计算公式如公式(3)所示:
4.根据权利要求3所述的一种基于综合相似度的电商平台潜在客户推荐方法,其特征在于,所述步骤S3具体实现如下:
步骤S31、计算客户之间的综合相似度,计算公式如下所示:
CS(u,v)=Cρ*Hos(u,v)+(1-C)ρ*S(u,v)#(8)
其中,C为网络平均聚类系数,Hos(u,v)为客户u和客户v的联系及密度,S(u,v)为客户u和客户v的特征相似性,ρ为调节贡献程度的超参数;
步骤S32、为每个客户保留K个综合相似度最大的客户作为邻居,生成一个以综合相似度为边权的KNN图。
7.根据权利要求1所述的一种基于综合相似度的电商平台潜在客户推荐方法,其特征在于,所述步骤S6具体实现如下:
步骤S61、统计同一群体里的客户对同一类商品的购买次数;
步骤S62、为同一群体的客户推荐购买次数最多的商品。
8.一种基于综合相似度的电商平台潜在客户推荐***,其特征在于,包括:
客户联系紧密度计算模块,首先选定一种motif,并找出社交网络中该motif的全部实例,构造客户的高阶邻接矩阵;然后,分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走,获取客户序列;最后,使用Skip-gram模型训练客户序列得到客户的表示向量,根据表示向量计算客户之间的联系紧密度;
客户特性相似性计算模块,计算客户所携带的特征之间的相似程度;
客户综合相似度KNN图生成模块,用自适应加权策略将客户的联系紧密度和特性相似性进行加权,得到客户的综合相似度;然后,根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居,生成以综合相似度为权值的KNN图;
核心客户选取模块,计算客户的核心性,并选取还未分配群体的客户中核心性最大的作为核心客户;
客户群体扩展模块,将选取的核心客户作为初始群体,依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体,重复这个过程直到适应度函数不能继续增大;
商品推荐模块,找出同一群体里购买次数最多的某类商品,推荐给群体里的其他客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210039838.6A CN114387064B (zh) | 2022-01-13 | 2022-01-13 | 一种基于综合相似度的电商平台潜在客户推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210039838.6A CN114387064B (zh) | 2022-01-13 | 2022-01-13 | 一种基于综合相似度的电商平台潜在客户推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387064A true CN114387064A (zh) | 2022-04-22 |
CN114387064B CN114387064B (zh) | 2024-07-19 |
Family
ID=81201179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210039838.6A Active CN114387064B (zh) | 2022-01-13 | 2022-01-13 | 一种基于综合相似度的电商平台潜在客户推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387064B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134416A1 (en) * | 2013-11-11 | 2015-05-14 | International Business Machines Corporation | Initial marketing campaign targets |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN110517114A (zh) * | 2019-08-21 | 2019-11-29 | 广州云徙科技有限公司 | 一种基于社区发现算法的信息推送方法及*** |
CN110930184A (zh) * | 2019-11-14 | 2020-03-27 | 杭州天宽科技有限公司 | 基于混合推荐算法的潜在客户挖掘与客户选型方法 |
CN113159918A (zh) * | 2021-04-09 | 2021-07-23 | 福州大学 | 一种基于联邦团渗透的银行客户群体挖掘方法 |
CN113724042A (zh) * | 2021-08-23 | 2021-11-30 | 中国建设银行股份有限公司 | 一种商品推荐方法、装置、介质和设备 |
-
2022
- 2022-01-13 CN CN202210039838.6A patent/CN114387064B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134416A1 (en) * | 2013-11-11 | 2015-05-14 | International Business Machines Corporation | Initial marketing campaign targets |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN110517114A (zh) * | 2019-08-21 | 2019-11-29 | 广州云徙科技有限公司 | 一种基于社区发现算法的信息推送方法及*** |
CN110930184A (zh) * | 2019-11-14 | 2020-03-27 | 杭州天宽科技有限公司 | 基于混合推荐算法的潜在客户挖掘与客户选型方法 |
CN113159918A (zh) * | 2021-04-09 | 2021-07-23 | 福州大学 | 一种基于联邦团渗透的银行客户群体挖掘方法 |
CN113724042A (zh) * | 2021-08-23 | 2021-11-30 | 中国建设银行股份有限公司 | 一种商品推荐方法、装置、介质和设备 |
Non-Patent Citations (1)
Title |
---|
李杨: "基于客户喜好的双向个性化推荐算法", 计算机应用研究, vol. 38, no. 9, 15 September 2021 (2021-09-15), pages 2701 - 2709 * |
Also Published As
Publication number | Publication date |
---|---|
CN114387064B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naruchitparames et al. | Friend recommendations in social networks using genetic algorithms and network topology | |
Pham et al. | A general graph-based model for recommendation in event-based social networks | |
Lim et al. | Investigating app store ranking algorithms using a simulation of mobile app ecosystems | |
Jiang et al. | An efficient evolutionary user interest community discovery model in dynamic social networks for internet of people | |
CN106844637B (zh) | 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 | |
CN111681067A (zh) | 基于图注意力网络的长尾商品推荐方法及*** | |
CN107256241B (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
Navgaran et al. | Evolutionary based matrix factorization method for collaborative filtering systems | |
Zou et al. | Reinforcement learning to diversify top-n recommendation | |
CN112950324A (zh) | 一种知识图谱辅助的成对排序个性化电商推荐方法及*** | |
CN113378470A (zh) | 一种面向时序网络的影响力最大化方法及*** | |
CN106874503A (zh) | 获取推荐数据的方法和装置 | |
Chen et al. | An adversarial model of network disruption: Maximizing disagreement and polarization in social networks | |
CN113724096A (zh) | 一种基于公共品演化博弈模型的群体知识共享方法 | |
CN114387064B (zh) | 一种基于综合相似度的电商平台潜在客户推荐方法及*** | |
Hu et al. | Establishing Grey Criteria Similarity Measures for Multi-criteria Recommender Systems. | |
CN112559864B (zh) | 一种基于知识图谱增强的双线性图网络推荐方法和*** | |
Hu | Neighborhood-based Collaborative Filtering Using Grey Relational Analysis. | |
Shakya et al. | Opposition-based genetic algorithm for community detection in social networks | |
CN110348879A (zh) | 用于确定用户行为价值的方法及装置 | |
CN113610608B (zh) | 一种用户偏好推荐方法、装置、电子设备及存储介质 | |
Periyasamy et al. | Analysis and Performance Evaluation of Cosine Neighbourhood Recommender System. | |
Gabardo et al. | Overlapping communities in co-purchasing and social interaction graphs: a memetic approach | |
Changdar et al. | Solving 0-1 knapsack problem by continuous ACO algorithm | |
Ren et al. | Extracting Information Cores with Multi-property Using a Multiobjective Evolutionary Algorithm |
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 |