CN114912031A - 基于聚类和协同过滤的混合推荐方法和*** - Google Patents

基于聚类和协同过滤的混合推荐方法和*** Download PDF

Info

Publication number
CN114912031A
CN114912031A CN202111635473.5A CN202111635473A CN114912031A CN 114912031 A CN114912031 A CN 114912031A CN 202111635473 A CN202111635473 A CN 202111635473A CN 114912031 A CN114912031 A CN 114912031A
Authority
CN
China
Prior art keywords
user
content
determining
nearest neighbor
users
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
Application number
CN202111635473.5A
Other languages
English (en)
Inventor
沈鹏
王霄雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianyi Digital Life Technology Co Ltd
Original Assignee
Tianyi Digital Life Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianyi Digital Life Technology Co Ltd filed Critical Tianyi Digital Life Technology Co Ltd
Priority to CN202111635473.5A priority Critical patent/CN114912031A/zh
Publication of CN114912031A publication Critical patent/CN114912031A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明提供了一种基于聚类和协同过滤的混合推荐方法和***，其中内容推荐方法包括：基于用户的历史行为数据执行用户聚类；基于所述用户聚类，确定目标用户的最近邻用户集；基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分；以及基于所述对于多个内容的预测评分为所述目标用户确定推荐的内容。

Description

基于聚类和协同过滤的混合推荐方法和***
技术领域
本发明涉及大数据技术，更具体地，涉及一种基于聚类和协同过滤的混合推荐方法和***。
背景技术
随着互联网的发展，数据资源每天以几何数量级增加，为解决用户复杂的需求和庞大数据之间的矛盾，个性化推荐***应运而生，其应用日益广泛。个性化推荐技术通过研究用户的喜好和兴趣，为用户推荐其所需的各种资源，最初应用于电子商务个性化服务中。随着社交网络的兴起，个性化推荐技术也在社交网络中得到了广泛的应用。协同过滤算法是推荐***使用的主要算法。与传统的基于内容过滤的直接分析内容进行推荐不同，协同过滤分析用户的兴趣，在用户群中找出与目标用户相似的用户，综合这些相似用户对不同内容的评分，产生目标用户对这些内容喜好程度的预测，从而产生推荐。因此，协同过滤算法也被称为基于用户的推荐算法。
更具体地，基于用户的推荐算法是通过分析不同用户对内容的评分，通过某种模型来计算用户之间的相似度，然后基于用户的相似度进行推荐。首先输入用户资料，建立用户资料数据库。同时通过收集用户对内容的评分，建立用户评分矩阵。然后建立最近邻集，针对目标用户和数据库中的所有用户进行计算，找到评分相似度较高的用户建立最近邻集。计算用户之间相似度的常用方法有泊松(Person)相关系数(见式1)、余弦相关性系数(见式2)和修正余弦相关性系数(见式3)。
Figure BDA0003441955530000011
Figure BDA0003441955530000012
Figure BDA0003441955530000021
其中，sim(Ui,Uj)表示用户i和用户j的相似度，Ri,y、Rj,y表示用户i和用户j对内容y的评分，
Figure BDA0003441955530000022
表示用户i和用户j的评价均值。根据建立的最近邻集，计算针对各个内容的预测评分值(见式4)，再根据评测值大小进行推荐。
Figure BDA0003441955530000023
根据上述步骤可以看出，用户相似度的计算依赖于用户的评分数据。然而，现实中，许多用户并不经常给出对内容或内容的评分，因此整体的用户评分数据十分稀疏。由此，用户对数据评分的稀疏性导致用户相似度误差很大，使得推荐***的可靠性不高。因此，解决数据稀疏问题是提高推荐***可靠性的关键。
发明内容
提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
本发明旨在解决协同过滤算法中的数据稀疏问题，以提高协同过滤算法的可靠性及准确度。经改进的协同过滤算法可被用于IPTV媒体内容推荐***中，解决了由数据稀疏导致的推荐***可靠性不高的问题。
根据本发明的一个方面，提供了一种内容推荐方法，方法包括：
基于用户的历史行为数据执行用户聚类；
基于所述用户聚类，确定目标用户的最近邻用户集；
基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分；以及
基于所述对于多个内容的预测评分为所述目标用户确定推荐的内容。
根据本发明的另一方面，提供了一种内容推荐***，***包括：
用户聚类模块，所述用户聚类模块被配置成基于用户的历史行为数据执行用户聚类；以及
内容推荐模块，所述内容推荐模块被配置成：
基于所述用户聚类，确定目标用户的最近邻用户集；
基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分；以及
基于所述对于多个内容的预测评分为所述目标用户确定推荐的内容。
根据本发明的进一步实施例，确定目标用户的最近邻用户集进一步包括：
基于用户聚类结果，将与所述目标用户具有相同用户标签或属于同一用户画像群体的多个用户确定为与所述目标用户的最近邻用户集。
根据本发明的进一步实施例，基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分进一步包括：
基于协同过滤算法确定所述最近邻用户集中的每一个用户对于所述多个内容中的每一个的预测评分；以及
基于所述每一个用户的预测评分生成作为针对所述目标用户的推荐依据的评分矩阵。
根据本发明的进一步实施例，待推荐的内容是IPTV媒体内容库中的媒体内容。
根据本发明的进一步实施例，所述历史行为数据包括以下数据中的至少一个：收视内容；收视时长；收视次数；以及收视类型。
与现有技术中的方案相比，本发明所提供的混合推荐方法至少具有以下优点：
本申请提出的方法在传统的内容推荐***的基础上，加入了用户聚类分析，通过分析用户的行为数据，建立隐式反馈模型。由于隐式信息是从用户在观影过程收集获取，比显示信息更加丰富，可以改善数据的稀疏性问题。在协同过滤算法之前对用户进行聚类，可以更好的体现“人以群分”的思想，使得推荐结果更加精准。
通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将变得显而易见。应该理解，前面的概括说明和下面的详细描述只是说明性的，不会对所要求保护的各方面形成限制。
附图说明
为了能详细地理解本发明的上述特征所用的方式，可以参照各实施例来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然而应该注意，附图仅示出了本发明的某些典型方面，故不应被认为限定其范围，因为该描述可以允许有其它等同有效的方面。
图1是根据本发明的一个实施例的内容推荐方法的示例流程图。
图2是本发明的混合推荐算法的精确度验证结果的示意图。
图3是根据本发明的一个实施例的内容推荐***300的示例结构图。
图4是根据本发明的一个实施例的IPTV媒体内容推荐***的示例架构图。
图5是根据本发明的一个实施例的IPTV媒体内容推荐流程的示例流程图。
具体实施方式
下面结合附图详细描述本发明，本发明的特点将在以下的具体描述中得到进一步的显现。
本发明的改善的内容推荐方法适合于各种类型的内容推荐场景，例如内容可以包括但不限于影视、音乐、书籍、餐厅、景点、商品、商户、服务等等，只要是用户可以对内容提供评分或评价的场景，都适用于本发明的内容推荐方法。以下为了便于理解本发明的构思及具体实施方式，以IPTV媒体内容推荐场景为例来进行解说。
图1是根据本发明的一个实施例的内容推荐方法100的示例流程图。如图1中所示，方法100开始于步骤102，基于用户的历史行为数据执行用户聚类。在示例的IPTV场景中，用户的历史行为数据可包括但不限于用户的收视内容、收视时长、收视次数、收视类型等历史数据，这些数据可来自于IPTV***的日志数据。通过这些行为数据，可以分析用户的内容偏好，例如，收看某一类型的内容的时间和数量相对于其他类型明显更高，通常表示用户偏好这一类型的数据。此外，数据分析可进一步结合内容本身的属性，例如内容的导演、演员、出品方、语言、类型、地区、标签等等，也可以结合用户自己提供的偏好标签，从而得出许多细分的用户聚类，例如用户喜欢由央视出品的历史题材纪录片。
与用户给出的评分数据之类的显示数据不同，这些用户历史行为数据是隐式采集的，并且是普遍存在的，因此不会有数据稀疏的问题，而又不会打扰用户。在一个示例中，用户聚类最终可以用户偏好标签的形式来表现。
在步骤104，基于用户聚类，确定目标用户的最近邻用户集。当选定目标用户后，可以根据目标用户所述的用户聚类，来确定与目标用户同属一个用户聚类的其他用户。例如，假设目标用户根据之前的用户聚类过程，根据用户历史行为数据被确定了一个或多个用户偏好标签，就可以从用户数据库中检索具有与目标用户相同的用户偏好标签的用户。
在一个示例中，如果与目标用户相同的用户偏好标签的用户数量过多或过少，可相应地调整同时选取的用户偏好标签的数量。可以理解，当用户偏好标签数量较多时，同时满足条件的其他用户数量可能很少，甚至没有，此时可适当去除一些标签，以增加满足条件的用户数量。另外，当目标用户本身的用户偏好标签较少或较宽时(例如由于该目标用户是新用户还没有很多的历史行为数据可供用户聚类时)，可适当补充标签数量以缩小满足条件的用户数量。标签的增加和减少可基于预定规则或基于标签本身的权重值或范围大小，一般可从权重值低的标签开始调整。
调整的目的是最终可得到具有合适用户数量的最近邻用户集。在这一最近邻用户集中的用户被认为与目标用户具有类似的内容偏好，并且这一偏好是基于这些用户的历史行为数据分析得到的。相对于传统的基于用户对于内容的评分(通常较为稀疏)来确定最近邻用户集相比，本申请确定的最近邻用户集更准确和可靠。
在步骤106，基于最近邻用户集中的每一个用户的内容评分数据来确定目标用户对于多个内容的预测评分。在一个示例中，可首先基于协同过滤算法来确定最近邻用户集中的每一个用户对于多个内容中的每一个的预测评分，随后生成作为针对该目标用户的推荐依据的评分矩阵。
更具体地，首先假设基于用户聚类确定的最近邻用户集中包含N个用户，N为大于零的整数。对于用户i∈N，可计算用户i与目标用户a的相似度sim(Ui,Ua)。相似度的算法可使用现有协同过滤算法中的相似度计算公式中的任意一种，例如上文中提到的式1-式3中的任意一种。
接着，可基于用户i与目标用户a的相似度sim(Ui,Ua)来确定对于特定内容y的预测评分。根据一个示例，用户i对于内容y的预测评分值可按照以下的式5来计算：
Figure BDA0003441955530000061
其中，
Figure BDA0003441955530000062
表示目标用户a的最近邻用户i对内容y的预测评分，Ri,y表示用户i对内容y的实际评分，
Figure BDA0003441955530000063
分别表示用户a和用户i的评分均值，sim(i,a)表示用户a和用户i的相似度。需要注意，此处计算的最近邻用户i对内容y的预测评分值
Figure BDA0003441955530000064
表示的并不是预测最近邻用户i可能对内容y的评分，而是从最近邻用户i与用户a的相似度和最近邻用户i的实际评分值出发预测目标用户a可能对内容y的评分。
此外，在上式中，当最近邻用户i与用户a的相似度为0时，可以不考虑最近邻用户i的预测值，即用户i与用户a没有相似性，因而没有参考价值。这在实际中也是有可能的，虽然通过历史行为数据，用户i和用户a属于同一用户聚类，但因为双方过去给出评分的内容没有重合，可能导致计算出的相似度为0。
由此，可计算最近邻用户集中的每一个用户对内容y的预测评分值，随后，针对内容y，可综合所有用户的预测评分值作为针对内容y的综合评分预测值Pa,y。在一个示例中，综合评分预测值Pa,y可根据以下的式6来生成：
Figure BDA0003441955530000065
在此基础上，可构建一个针对多个内容的预测评分矩阵。例如，可针对包括内容y在内的候选内容库中的每一个内容，通过式6计算其综合评分预测值，并汇集成预测评分矩阵，作为推荐依据。
在步骤108，基于对于多个内容的预测评分为目标用户确定推荐的内容。在候选内容库中的每一个内容都有一个综合评分预测值的基础上，通过根据预测值的大小排序，可确定推荐给目标用户的内容及其顺序。
采用本发明所提出的基于聚类和协同过滤相结合的混合推荐方法，能够改善评分数据稀疏性对推荐结果的影响，得到的推荐结果更准确可靠。
图2是本发明的混合推荐算法的精确度验证结果的示意图。验证实验所用数据来自IPTV测试数据集，推荐结果数据是改进后的推荐***的精确度。如图3中所示，混合推荐算法的精确度在0.8～1之间，这表明精确度比较稳定且与真实值的误差较小，从而验证了本发明的基于用户聚类的混合协同过滤算法的有效性。
图3是根据本发明的一个实施例的内容推荐***300的示例结构图。如图2中所示，***300可包括用户聚类模块301以及内容推荐模块302。用户聚类模块301可被配置成基于用户的历史行为数据执行用户聚类，例如通过采集隐式的用户行为数据来对用户的偏好执行数据分析和聚类，确定用户偏好标签等等。
内容推荐模块302可被配置成基于用户聚类，确定目标用户的最近邻用户集；基于最近邻用户集中的每一个用户的内容评分数据来确定目标用户对于多个内容的预测评分；以及基于对于多个内容的预测评分为目标用户确定推荐的内容。更具体地，内容推荐模块302可执行如上文中结合图1的步骤104-108，通过结合聚类和***过滤算法两者的改进的推荐算法来生成针对目标用户的推荐内容及顺序。
图4是根据本发明的一个实施例的IPTV媒体内容推荐***的示例架构图。如图4中所示，IPTV媒体内容推荐***可主要包括召回、排序和业务调控三大算法和策略模块。推荐***业务流程一般分为召回、排序、业务调控3个阶段。
召回阶段就是将用户可能会感兴趣的项目/内容通过算法从全量项目库中取出来，一般会采用多个算法来召回，比如热门召回、协同过滤召回、标签召回等。此处，协同过滤召回算法可使用如本申请所描述的改进的基于聚类和协同过滤结合的混合推荐算法。
排序阶段将召回阶段的项目列表根据用户可能的点击概率大小排序(即所谓的CTR预估)。
在实际业务中，在排序后还会增加一层调控逻辑，根据业务规则及运营策略对排序后的列表进一步增补微调，满足特定的运营需求。
图5是根据本发明的一个实施例的IPTV媒体内容推荐流程的示例流程图。首先，可从各种数据源获取数据，将数据统一收集到数据中心。在各类数据的基础上，对推荐算法所依赖的数据进行处理、构建特征，然后选择合适的推荐算法构建推荐模型。
根据一个示例，可通过对推荐模型进行筛选获得较好的模型。例如，可根据一定的评估指标，筛选不同的模型或者同一模型选择不同参数，这个过程就是离线评估。特征作为模型的输入，是受不同模型决定和影响的，不同的模型对特征的数量、形式、缺失值的耐受度等有不同的要求。最终，使用筛选得到的推荐模型(例如本申请的基于聚类和协同过滤的混合推荐模型)来为用户进行推荐预测，并提供推荐服务接口。
当用户在产品上使用推荐模块时，前端通过推荐接口获取推荐结果并展示给用户，让用户体验到个性化推荐服务。附加地，还可对推荐算法的效果进行及时评估，不断优化推荐效果，即在线评估，这可以使推荐质量越来越高，满足企业的各项商业化指标。
以上所已经描述的内容包括所要求保护主题的各方面的示例。当然，出于描绘所要求保护主题的目的而描述每一个可以想到的组件或方法的组合是不可能的，但本领域内的普通技术人员应该认识到，所要求保护主题的许多进一步的组合和排列都是可能的。从而，所公开的主题旨在涵盖落入所附权利要求书的精神和范围内的所有这样的变更、修改和变化。

Claims (10)

1.一种内容推荐方法，其特征在于，所述方法包括：
基于用户的历史行为数据执行用户聚类；
基于所述用户聚类，确定目标用户的最近邻用户集；
基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分；以及
基于所述对于多个内容的预测评分为所述目标用户确定推荐的内容。
2.如权利要求1所述的方法，其特征在于，确定目标用户的最近邻用户集进一步包括：
基于用户聚类结果，将与所述目标用户具有相同用户标签或属于同一用户画像群体的多个用户确定为与所述目标用户的最近邻用户集。
3.如权利要求1所述的方法，其特征在于，基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分进一步包括：
基于协同过滤算法确定所述最近邻用户集中的每一个用户对于所述多个内容中的每一个的预测评分；以及
基于所述每一个用户的预测评分生成作为针对所述目标用户的推荐依据的评分矩阵。
4.如权利要求1所述的方法，其特征在于，待推荐的内容是IPTV媒体内容库中的媒体内容。
5.如权利要求4所述的方法，其特征在于，所述历史行为数据包括以下数据中的至少一个：
收视内容；收视时长；收视次数；以及收视类型。
6.一种内容推荐***，其特征在于，所述***包括：
用户聚类模块，所述用户聚类模块被配置成基于用户的历史行为数据执行用户聚类；以及
内容推荐模块，所述内容推荐模块被配置成：
基于所述用户聚类，确定目标用户的最近邻用户集；
基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分；以及
基于所述对于多个内容的预测评分为所述目标用户确定推荐的内容。
7.如权利要求6所述的***，其特征在于，确定目标用户的最近邻用户集进一步包括：
基于用户聚类结果，将与所述目标用户具有相同用户标签或属于同一用户画像群体的多个用户确定为与所述目标用户的最近邻用户集。
8.如权利要求6所述的***，其特征在于，基于所述最近邻用户集中的每一个用户的内容评分数据来确定所述目标用户对于多个内容的预测评分进一步包括：
确定所述最近邻用户集中的每一个用户对于所述多个内容中的每一个的预测评分；以及
基于所述每一个用户的预测评分生成作为针对所述目标用户的推荐依据的评分矩阵。
9.如权利要求6所述的***，其特征在于，待推荐的内容是IPTV媒体内容库中的媒体内容。
10.如权利要求9所述的***，其特征在于，所述历史行为数据包括以下数据中的至少一个：
收视内容；收视时长；收视次数；以及收视类型。
CN202111635473.5A 2021-12-29 2021-12-29 基于聚类和协同过滤的混合推荐方法和*** Pending CN114912031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111635473.5A CN114912031A (zh) 2021-12-29 2021-12-29 基于聚类和协同过滤的混合推荐方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111635473.5A CN114912031A (zh) 2021-12-29 2021-12-29 基于聚类和协同过滤的混合推荐方法和***

Publications (1)

Publication Number Publication Date
CN114912031A true CN114912031A (zh) 2022-08-16

Family

ID=82762993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111635473.5A Pending CN114912031A (zh) 2021-12-29 2021-12-29 基于聚类和协同过滤的混合推荐方法和***

Country Status (1)

Country Link
CN (1) CN114912031A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822914A (zh) * 2023-08-31 2023-09-29 吉林电力交易中心有限公司 一种基于聚类算法改进的采暖方式混合推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822914A (zh) * 2023-08-31 2023-09-29 吉林电力交易中心有限公司 一种基于聚类算法改进的采暖方式混合推荐方法
CN116822914B (zh) * 2023-08-31 2023-12-26 吉林电力交易中心有限公司 一种基于聚类算法改进的采暖方式混合推荐方法

Similar Documents

Publication Publication Date Title
CN110162706B (zh) 一种基于交互数据聚类的个性化推荐方法及***
WO2020207196A1 (zh) 用户标签生成方法、装置、存储介质和计算机设备
WO2016191959A1 (zh) 一种时变的协同过滤推荐方法
US20090125382A1 (en) Quantifying a Data Source's Reputation
US11663661B2 (en) Apparatus and method for training a similarity model used to predict similarity between items
CN110019943A (zh) 视频推荐方法、装置、电子设备和存储介质
CN103559622A (zh) 基于特征的协同过滤推荐方法
CN109977299B (zh) 一种融合项目热度和专家系数的推荐算法
CN104615741B (zh) 一种基于云计算的冷启动项目推荐的方法及装置
US20190340176A1 (en) System and method for data mining and similarity estimation
Deldjoo et al. Using Visual Features and Latent Factors for Movie Recommendation.
Vilakone et al. Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain
Lumauag et al. An enhanced recommendation algorithm based on modified user-based collaborative filtering
Wu et al. A new similarity computation method in collaborative filtering based recommendation system
Pujahari et al. Model-based collaborative filtering for recommender systems: An empirical survey
Wang et al. Incremental Slope-one recommenders
Tripathi et al. Recommending restaurants: A collaborative filtering approach
CN114912031A (zh) 基于聚类和协同过滤的混合推荐方法和***
Tso et al. Attribute-aware collaborative filtering
Yi et al. A movie cold-start recommendation method optimized similarity measure
Su et al. An item-based music recommender system using music content similarity
Peng et al. Improved collaborative filtering algorithm in the research and application of personalized movie recommendations
CN110825971B (zh) 融合关系挖掘与协同过滤的物品冷启动推荐算法
CN110309864B (zh) 一种融合局部相似度和全局相似度的协同过滤推荐方法
CN104641386A (zh) 使用户人群统计信息混淆的方法和装置

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