CN116228282A - 一种用户数据倾向的智能商品分销方法 - Google Patents

一种用户数据倾向的智能商品分销方法 Download PDF

Info

Publication number
CN116228282A
CN116228282A CN202310510872.1A CN202310510872A CN116228282A CN 116228282 A CN116228282 A CN 116228282A CN 202310510872 A CN202310510872 A CN 202310510872A CN 116228282 A CN116228282 A CN 116228282A
Authority
CN
China
Prior art keywords
user
matrix
paid
blog
representing
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
Application number
CN202310510872.1A
Other languages
English (en)
Other versions
CN116228282B (zh
Inventor
王琨
刘滔
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.)
Hunan Weike Technology Group Co ltd
Original Assignee
Hunan Weike Technology Group 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 Hunan Weike Technology Group Co ltd filed Critical Hunan Weike Technology Group Co ltd
Priority to CN202310510872.1A priority Critical patent/CN116228282B/zh
Publication of CN116228282A publication Critical patent/CN116228282A/zh
Application granted granted Critical
Publication of CN116228282B publication Critical patent/CN116228282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及商品分销的技术领域，揭露了一种用户数据倾向的智能商品分销方法，所述方法包括：根据用户‑付费博客收藏矩阵和付费博客‑付费博客引用矩阵构建用户‑付费博客偏好矩阵；计算得到用户相似度矩阵，并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵，进而构建用户增强相似度矩阵；确定表示用户倾向的用户偏好目标函数并进行优化求解，得到用户对不同付费博客的偏好并进行付费博客分销处理。本发明根据用户‑付费博客偏好矩阵以及用户增强相似度矩阵得到表征相似用户对付费博客偏好倾向的用户偏好目标函数，通过求解得到用户特征矩阵以及付费博客偏好特征矩阵，计算得到用户对不同付费博客的偏好值，实现付费博客分销处理。

Description

一种用户数据倾向的智能商品分销方法
技术领域
本发明涉及商品分销的技术领域，尤其涉及一种用户数据倾向的智能商品分销方法。
背景技术
随着信息化社会的不断发展，人们可以通过互联网便捷地获取各式各样的信息，但是随着互联网中信息规模的飞速增长，人们往往需要花费较多的时间和精力才能找到自己所需要的信息。推荐***作为缓解信息过载问题的一种重要技术手段，通过挖掘用户历史行为数据，形成个性化推荐。在付费博客推荐过程中，每一篇博客有单独的标签，用于区分该博客的特征，现有的博客推荐大都基于标签进行，但是随着博客资源呈现指数式的增长，出现大量同质标签类型的博客，如何在该种条件下实现付费博客的精细化推荐是提高用户体验度的重要途径。针对该问题，本发明提出一种用户数据倾向的智能商品分销方法，提高付费博客的用户推荐满意度。
发明内容
有鉴于此，本发明提供一种用户数据倾向的智能商品分销方法，目的在于：1）根据用户对付费博客的购买情况以及所购买付费博客与其余博客之间的引用关系分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，通过考虑用户对付费博客的偏好随时间变化的问题，在计算用户间相似度时引入时间权重，即用户购买同一付费博客的时间与首次购买付费博客时间的差值在整体时间的占比越大，则表示该付费博客对用户的实时性较差，对应的时间权重越低，并基于时间权重以及用户购买付费博客的行为信息计算得到用户间的相似度，实现不同用户的相似性度量；2）将用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建为用户-付费博客偏好矩阵，并将用户相似度矩阵依次转换为邻接矩阵和无向图，用户即为无向图中的顶点，通过分析用户间的封闭三角形结构关系，将用户相似度转换为结合邻接用户点边权重的高阶相似度度量，进而构建用户增强相似度矩阵，根据用户-付费博客偏好矩阵以及用户增强相似度矩阵得到表征相似用户对付费博客偏好倾向的用户偏好目标函数，通过对构建的用户偏好目标函数进行优化求解，求解得到用户特征矩阵以及付费博客偏好特征矩阵，进而计算得到用户对不同付费博客的偏好值，根据偏好值的排序顺序进行付费博客分销处理。
实现上述目的，本发明提供的一种用户数据倾向的智能商品分销方法，包括以下步骤：
S1：采集用户购买付费博客的行为信息和付费博客间的引用关系信息，分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵；
S2：根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵，其中模序分析为所述高阶相似度计算的主要实施方式；
S3：根据计算得到的用户高阶相似度矩阵和用户相似度矩阵，构建用户增强相似度矩阵；
S4：根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数；
S5：对构建的用户偏好目标函数进行优化求解，得到用户对不同付费博客的偏好并进行付费博客分销处理。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集用户购买付费博客的行为信息和付费博客间的引用关系信息，并构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，包括：
采集用户购买付费博客的行为信息以及付费博客与其余付费博客之间的引用关系信息，所采集信息的表示形式为：
Figure SMS_1
；
Figure SMS_2
；
其中：
Figure SMS_3
，/>
Figure SMS_4
表示用户i购买了付费博客j，/>
Figure SMS_5
表示用户i未购买付费博客j，若/>
Figure SMS_6
，则/>
Figure SMS_7
表示用户i购买付费博客j的时间，若/>
Figure SMS_8
，则/>
Figure SMS_9
为空；
n表示所选取用户的总数，m表示所选取付费博客的总数；
Figure SMS_10
，/>
Figure SMS_11
表示付费博客j未引用付费博客h，/>
Figure SMS_12
表示付费博客j引用了付费博客h，若/>
Figure SMS_13
，则/>
Figure SMS_14
；
分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，所构建用户-付费博客收藏矩阵G为：
Figure SMS_15
；
所构建付费博客-付费博客引用矩阵C为：
Figure SMS_16
；
其中：
Figure SMS_17
表示付费博客1与付费博客m之间的引用关系。
可选地，所述S1步骤中根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵，包括：
根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵：
Figure SMS_18
；
Figure SMS_19
；
其中：
Figure SMS_20
表示用户i对付费博客j的偏好程度，/>
Figure SMS_21
表示付费博客j被用户i所购买的付费博客的引用总数。
可选地，所述S2步骤中计算得到用户相似度矩阵，包括：
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，其中用户相似度矩阵的计算流程为：
计算不同用户之间对付费博客的时间权重：
Figure SMS_22
；
其中：
Figure SMS_23
表示较小的正数；
Figure SMS_24
表示用户i和用户u对于付费博客j的时间权重；
e表示自然常数；
Figure SMS_25
表示用户i首次购买付费博客的时间，/>
Figure SMS_26
表示用户u首次购买付费博客的时间，R表示所设置的时间阈值，/>
Figure SMS_27
，/>
Figure SMS_28
；
Figure SMS_29
表示用户i最后一次购买付费博客与首次购买付费博客之间的时间差值；
基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵，计算不同用户之间的相似度：
Figure SMS_30
；
其中：
Figure SMS_31
表示用户i和用户j之间的相似度；
构建用户相似度矩阵S：
Figure SMS_32
；
其中：
用户相似度矩阵S中对角线上的值均表示用户自身相似度，将其设置为1。
可选地，所述S2步骤中对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵，包括：
对用户相似度矩阵进行高阶相似度计算，得到用户高阶相似度矩阵，其中模序分析为所述高阶相似度计算的主要实施方式，所述高阶相似度计算流程为：
S21：将用户相似度矩阵S中对角线上的值均置为0，得到矩阵
Figure SMS_33
；
S22：基于矩阵
Figure SMS_34
计算得到用户相似度矩阵的邻接矩阵B：
Figure SMS_35
；
Figure SMS_36
；
其中：
Figure SMS_37
表示哈达玛积运算，表示逐元素相乘运算；
T表示矩阵的转置；
S23：初始化一个n行n列的零矩阵
Figure SMS_38
；
S24：将邻接矩阵B转换为无向图形式，无向图的顶点即为用户，其中邻接矩阵B中的第i行或第i列即对应用户i；
S25：对于用户i和用户u的顶点
Figure SMS_39
，遍历顶点/>
Figure SMS_40
与任意另一个顶点所组成的封闭三角形结构，得到若干封闭三角形结构，对于任意封闭三角形结构/>
Figure SMS_41
以及/>
Figure SMS_42
，计算得到该封闭三角形结构关于/>
Figure SMS_43
的高阶相似度：
Figure SMS_44
；
其中：
Figure SMS_45
表示封闭三角形结构/>
Figure SMS_46
中关于/>
Figure SMS_47
的高阶相似度；
Figure SMS_48
表示无向图中顶点/>
Figure SMS_49
所构成边的权重；
将顶点
Figure SMS_50
与任意另一个顶点所组成的所有封闭三角形结构中关于
Figure SMS_51
的高阶相似度进行累加，累加结果即为用户i和用户u的高阶相似度/>
Figure SMS_52
，并将/>
Figure SMS_53
更新到零矩阵/>
Figure SMS_54
的第i行第u列，以及零矩阵/>
Figure SMS_55
的第u行第i列；/>
S26：重复步骤S25，得到任意两个用户之间的高阶相似度，并对所初始化的零矩阵进行更新，得到用户高阶相似度矩阵
Figure SMS_56
。在本发明实施例中，将大于1的相似度设置为1。
可选地，所述S3步骤中基于用户相似度矩阵以及用户高阶相似度矩阵构建用户增强相似度矩阵，包括：
基于用户相似度矩阵S以及用户高阶相似度矩阵
Figure SMS_57
构建用户增强相似度矩阵/>
Figure SMS_58
：
Figure SMS_59
；
其中：
Figure SMS_60
表示比例阈值，将其设置为0.8。
可选地，所述S4步骤中确定表示用户倾向的用户偏好目标函数，包括：
确定表示用户倾向的用户偏好目标函数
Figure SMS_61
：
Figure SMS_62
；
其中：
Figure SMS_63
表示修正参数，若/>
Figure SMS_64
不为0，则/>
Figure SMS_65
，若/>
Figure SMS_66
为0，则/>
Figure SMS_67
；
Figure SMS_68
表示修正参数，若/>
Figure SMS_69
不为0，则/>
Figure SMS_70
，若/>
Figure SMS_71
为0，则/>
Figure SMS_72
，/>
Figure SMS_73
表示用户增强相似度矩阵/>
Figure SMS_74
中第i行第q列的元素值；
Figure SMS_75
表示待优化求解的参数，U表示用户特征矩阵，V表示付费博客偏好特征矩阵，
Figure SMS_76
表示用户特征矩阵U中的第i行，/>
Figure SMS_77
表示付费博客偏好特征矩阵V中的第j行；
Figure SMS_78
表示正则项参数，将其设置为0.2；
Figure SMS_79
表示L1范数。
可选地，所述S5步骤中对构建的用户偏好目标函数进行优化求解，包括：
对构建的用户偏好目标函数进行优化求解，求解得到用户特征矩阵以及付费博客偏好特征矩阵，所述优化求解流程为：
S51：令
Figure SMS_80
表示待优化求解参数，将用户偏好目标函数转换为/>
Figure SMS_81
，并初始化/>
Figure SMS_82
，设置当前算法迭代次数为d，d的初始值为0，最大迭代次数为Max，初始化/>
Figure SMS_83
为单位矩阵；
S52：计算
Figure SMS_84
；
S53：计算第d+1次迭代时的迭代步长
Figure SMS_85
：
Figure SMS_86
；
其中：
Figure SMS_87
表示计算矩阵的迹；/>
S54：基于迭代步长更新待优化求解参数：
Figure SMS_88
；
其中：
Figure SMS_89
表示单位矩阵；
并更新迭代步长：
Figure SMS_90
；
Figure SMS_91
；
Figure SMS_92
；
若
Figure SMS_93
，则将/>
Figure SMS_94
作为优化求解结果，并从中提取用户特征矩阵/>
Figure SMS_95
以及付费博客偏好特征矩阵/>
Figure SMS_96
；
否则令
Figure SMS_97
，返回步骤S52。
可选地，所述S5步骤中根据用户对不同付费博客的偏好进行付费博客分销处理，包括：
根据优化求解得到的用户特征矩阵
Figure SMS_98
以及付费博客偏好特征矩阵/>
Figure SMS_99
，计算用户i对任意付费博客j的偏好值：
Figure SMS_100
；
其中：
Figure SMS_101
表示用户i对任意付费博客j的偏好值；
将用户i未购买且偏好值大于预设定偏好阈值的付费博客向用户i推送。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的用户数据倾向的智能商品分销方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的用户数据倾向的智能商品分销方法。
相对于现有技术，本发明提出一种用户数据倾向的智能商品分销方法，该技术具有以下优势：
首先，本方案提出一种用户相似性度量方式，根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，其中用户相似度矩阵的计算流程为：计算不同用户之间对付费博客的时间权重：
Figure SMS_102
；
Figure SMS_103
；
其中：
Figure SMS_104
表示较小的正数；/>
Figure SMS_105
表示用户i和用户u对于付费博客j的时间权重；e表示自然常数；/>
Figure SMS_106
表示用户i首次购买付费博客的时间，/>
Figure SMS_107
表示用户u首次购买付费博客的时间，R表示所设置的时间阈值，/>
Figure SMS_108
，/>
Figure SMS_109
；/>
Figure SMS_110
表示用户i最后一次购买付费博客与首次购买付费博客之间的时间差值；基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵，计算不同用户之间的相似度：
Figure SMS_111
；
其中：
Figure SMS_112
表示用户i和用户j之间的相似度；构建用户相似度矩阵S：
Figure SMS_113
；
其中：用户相似度矩阵S中对角线上的值均表示用户自身相似度，将其设置为1。本方案根据用户对付费博客的购买情况以及所购买付费博客与其余博客之间的引用关系分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，通过考虑用户对付费博客的偏好随时间变化的问题，在计算用户间相似度时引入时间权重，即用户购买同一付费博客的时间与首次购买付费博客时间的差值在整体时间的占比越大，则表示该付费博客对用户的实时性较差，对应的时间权重越低，并基于时间权重以及用户购买付费博客的行为信息计算得到用户间的相似度，实现不同用户的相似性度量。
同时，本方案提出一种付费博客分销处理方式，通过对用户相似度矩阵进行高阶相似度计算，得到用户高阶相似度矩阵，所述高阶相似度计算流程为：将用户相似度矩阵S中对角线上的值均置为0，得到矩阵
Figure SMS_114
；基于矩阵/>
Figure SMS_115
计算得到用户相似度矩阵的邻接矩阵B：
Figure SMS_116
；
Figure SMS_117
；
其中：
Figure SMS_118
表示哈达玛积运算，表示逐元素相乘运算；T表示矩阵的转置；初始化一个n行n列的零矩阵/>
Figure SMS_119
；将邻接矩阵B转换为无向图形式，无向图的顶点即为用户，其中邻接矩阵B中的第i行或第i列即对应用户i；对于用户i和用户u的顶点/>
Figure SMS_120
，遍历顶点
Figure SMS_121
与任意另一个顶点所组成的封闭三角形结构，得到若干封闭三角形结构，对于任意封闭三角形结构/>
Figure SMS_122
以及/>
Figure SMS_123
，计算得到该封闭三角形结构关于
Figure SMS_124
的高阶相似度：
Figure SMS_125
；
其中：
Figure SMS_128
表示封闭三角形结构/>
Figure SMS_132
中关于/>
Figure SMS_135
的高阶相似度；/>
Figure SMS_129
表示无向图中顶点
Figure SMS_131
所构成边的权重；将顶点/>
Figure SMS_133
与任意另一个顶点所组成的所有封闭三角形结构中关于/>
Figure SMS_136
的高阶相似度进行累加，累加结果即为用户i和用户u的高阶相似度/>
Figure SMS_126
，并将/>
Figure SMS_130
更新到零矩阵/>
Figure SMS_134
的第i行第u列，以及零矩阵/>
Figure SMS_137
的第u行第i列。确定表示用户倾向的用户偏好目标函数/>
Figure SMS_127
：
Figure SMS_138
；
其中：
Figure SMS_147
表示修正参数，若/>
Figure SMS_146
不为0，则/>
Figure SMS_152
，若/>
Figure SMS_141
为0，则/>
Figure SMS_151
=0；/>
Figure SMS_143
表示修正参数，若/>
Figure SMS_154
不为0，则/>
Figure SMS_142
，若/>
Figure SMS_153
为0，则/>
Figure SMS_139
，/>
Figure SMS_148
表示用户增强相似度矩阵/>
Figure SMS_144
中第i行第q列的元素值；/>
Figure SMS_149
表示待优化求解的参数，U表示用户特征矩阵，V表示付费博客偏好特征矩阵，/>
Figure SMS_145
表示用户特征矩阵U中的第i行，/>
Figure SMS_155
表示付费博客偏好特征矩阵V中的第j行；/>
Figure SMS_140
表示正则项参数，将其设置为0.2；/>
Figure SMS_150
表示L1范数。本方案将用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建为用户-付费博客偏好矩阵，并将用户相似度矩阵依次转换为邻接矩阵和无向图，用户即为无向图中的顶点，通过分析用户间的封闭三角形结构关系，将用户相似度转换为结合邻接用户点边权重的高阶相似度度量，进而构建用户增强相似度矩阵，根据用户-付费博客偏好矩阵以及用户增强相似度矩阵得到表征相似用户对付费博客偏好倾向的用户偏好目标函数，通过对构建的用户偏好目标函数进行优化求解，求解得到用户特征矩阵以及付费博客偏好特征矩阵，进而计算得到用户对不同付费博客的偏好值，根据偏好值的排序顺序进行付费博客分销处理。
附图说明
图1为本发明一实施例提供的一种用户数据倾向的智能商品分销方法的流程示意图；
图2为本发明一实施例提供的实现用户数据倾向的智能商品分销方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种用户数据倾向的智能商品分销方法。所述用户数据倾向的智能商品分销方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述用户数据倾向的智能商品分销方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：采集用户购买付费博客的行为信息和付费博客间的引用关系信息，分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵。
所述S1步骤中采集用户购买付费博客的行为信息和付费博客间的引用关系信息，并构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，包括：
采集用户购买付费博客的行为信息以及付费博客与其余付费博客之间的引用关系信息，所采集信息的表示形式为：
Figure SMS_156
；
Figure SMS_157
；
其中：
Figure SMS_158
，/>
Figure SMS_159
表示用户i购买了付费博客j，/>
Figure SMS_160
表示用户i未购买付费博客j，若/>
Figure SMS_161
，则/>
Figure SMS_162
表示用户i购买付费博客j的时间，若/>
Figure SMS_163
，则/>
Figure SMS_164
为空；
n表示所选取用户的总数，m表示所选取付费博客的总数；
Figure SMS_165
，/>
Figure SMS_166
表示付费博客j未引用付费博客h，/>
Figure SMS_167
表示付费博客j引用了付费博客h，若/>
Figure SMS_168
，则/>
Figure SMS_169
；
分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，所构建用户-付费博客收藏矩阵G为：
Figure SMS_170
；
所构建付费博客-付费博客引用矩阵C为：
Figure SMS_171
；
其中：
Figure SMS_172
表示付费博客1与付费博客m之间的引用关系。
所述S1步骤中根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵，包括：
根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵：
Figure SMS_173
；
Figure SMS_174
；
其中：
Figure SMS_175
表示用户i对付费博客j的偏好程度，/>
Figure SMS_176
表示付费博客j被用户i所购买的付费博客的引用总数。
S2：根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵。
所述S2步骤中计算得到用户相似度矩阵，包括：
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，其中用户相似度矩阵的计算流程为：
计算不同用户之间对付费博客的时间权重：
Figure SMS_177
；
Figure SMS_178
；
其中：
Figure SMS_179
表示较小的正数；
Figure SMS_180
表示用户i和用户u对于付费博客j的时间权重；
e表示自然常数；
Figure SMS_181
表示用户i首次购买付费博客的时间，/>
Figure SMS_182
表示用户u首次购买付费博客的时间，R表示所设置的时间阈值，/>
Figure SMS_183
，/>
Figure SMS_184
；
Figure SMS_185
表示用户i最后一次购买付费博客与首次购买付费博客之间的时间差值；
基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵，计算不同用户之间的相似度：
Figure SMS_186
；
其中：
Figure SMS_187
表示用户i和用户j之间的相似度；
构建用户相似度矩阵S：
Figure SMS_188
；
其中：
用户相似度矩阵S中对角线上的值均表示用户自身相似度，将其设置为1。
所述S2步骤中对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵，包括：
对用户相似度矩阵进行高阶相似度计算，得到用户高阶相似度矩阵，其中模序分析为所述高阶相似度计算的主要实施方式，所述高阶相似度计算流程为：
S21：将用户相似度矩阵S中对角线上的值均置为0，得到矩阵
Figure SMS_189
；
S22：基于矩阵
Figure SMS_190
计算得到用户相似度矩阵的邻接矩阵B：
Figure SMS_191
；
Figure SMS_192
；
其中：
Figure SMS_193
表示哈达玛积运算，表示逐元素相乘运算；
T表示矩阵的转置；
S23：初始化一个n行n列的零矩阵
Figure SMS_194
；
S24：将邻接矩阵B转换为无向图形式，无向图的顶点即为用户，其中邻接矩阵B中的第i行或第i列即对应用户i；
S25：对于用户i和用户u的顶点
Figure SMS_195
，遍历顶点/>
Figure SMS_196
与任意另一个顶点所组成的封闭三角形结构，得到若干封闭三角形结构，对于任意封闭三角形结构/>
Figure SMS_197
以及/>
Figure SMS_198
，计算得到该封闭三角形结构关于/>
Figure SMS_199
的高阶相似度：
Figure SMS_200
；
其中：
Figure SMS_201
表示封闭三角形结构/>
Figure SMS_202
中关于/>
Figure SMS_203
的高阶相似度；/>
Figure SMS_204
表示无向图中顶点/>
Figure SMS_205
所构成边的权重；
将顶点
Figure SMS_206
与任意另一个顶点所组成的所有封闭三角形结构中关于
Figure SMS_207
的高阶相似度进行累加，累加结果即为用户i和用户u的高阶相似度/>
Figure SMS_208
，并将/>
Figure SMS_209
更新到零矩阵/>
Figure SMS_210
的第i行第u列，以及零矩阵/>
Figure SMS_211
的第u行第i列；
S26：重复步骤S25，得到任意两个用户之间的高阶相似度，并对所初始化的零矩阵进行更新，得到用户高阶相似度矩阵
Figure SMS_212
。
S3：根据计算得到的用户高阶相似度矩阵和用户相似度矩阵，构建用户增强相似度矩阵。
所述S3步骤中基于用户相似度矩阵以及用户高阶相似度矩阵构建用户增强相似度矩阵，包括：
基于用户相似度矩阵S以及用户高阶相似度矩阵
Figure SMS_213
构建用户增强相似度矩阵/>
Figure SMS_214
：
Figure SMS_215
；
其中：
Figure SMS_216
表示比例阈值，将其设置为0.8。
S4：根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数。
所述S4步骤中确定表示用户倾向的用户偏好目标函数，包括：
确定表示用户倾向的用户偏好目标函数
Figure SMS_217
：
Figure SMS_218
；
其中：
Figure SMS_219
表示修正参数，若/>
Figure SMS_220
不为0，则/>
Figure SMS_221
，若/>
Figure SMS_222
为0，则/>
Figure SMS_223
；
Figure SMS_224
表示修正参数，若/>
Figure SMS_225
不为0，则/>
Figure SMS_226
，若/>
Figure SMS_227
为0，则/>
Figure SMS_228
，/>
Figure SMS_229
表示用户增强相似度矩阵/>
Figure SMS_230
中第i行第q列的元素值；
Figure SMS_231
表示待优化求解的参数，U表示用户特征矩阵，V表示付费博客偏好特征矩阵，
Figure SMS_232
表示用户特征矩阵U中的第i行，/>
Figure SMS_233
表示付费博客偏好特征矩阵V中的第j行；
Figure SMS_234
表示正则项参数，将其设置为0.2；
Figure SMS_235
表示L1范数。
S5：对构建的用户偏好目标函数进行优化求解，得到用户对不同付费博客的偏好并进行付费博客分销处理。
所述S5步骤中对构建的用户偏好目标函数进行优化求解，包括：
对构建的用户偏好目标函数进行优化求解，求解得到用户特征矩阵以及付费博客偏好特征矩阵，所述优化求解流程为：
S51：令
Figure SMS_236
表示待优化求解参数，将用户偏好目标函数转换为/>
Figure SMS_237
，并初始化/>
Figure SMS_238
，设置当前算法迭代次数为d，d的初始值为0，最大迭代次数为Max，初始化/>
Figure SMS_239
为单位矩阵；
S52：计算
Figure SMS_240
；
S53：计算第d+1次迭代时的迭代步长
Figure SMS_241
：
Figure SMS_242
；
其中：
Figure SMS_243
表示计算矩阵的迹；
S54：基于迭代步长更新待优化求解参数：
Figure SMS_244
；
其中：
Figure SMS_245
表示单位矩阵；
并更新迭代步长：
Figure SMS_246
；
Figure SMS_247
；
Figure SMS_248
；
若
Figure SMS_249
，则将/>
Figure SMS_250
作为优化求解结果，并从中提取用户特征矩阵/>
Figure SMS_251
以及付费博客偏好特征矩阵/>
Figure SMS_252
；
否则令
Figure SMS_253
，返回步骤S52。
所述S5步骤中根据用户对不同付费博客的偏好进行付费博客分销处理，包括：
根据优化求解得到的用户特征矩阵
Figure SMS_254
以及付费博客偏好特征矩阵/>
Figure SMS_255
，计算用户i对任意付费博客j的偏好值：
Figure SMS_256
；
其中：
Figure SMS_257
表示用户i对任意付费博客j的偏好值；
将用户i未购买且偏好值大于预设定偏好阈值的付费博客向用户i推送。
实施例2
如图2所示，是本发明一实施例提供的实现用户数据倾向的智能商品分销方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中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。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现智能商品分销的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、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1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。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
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。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集用户购买付费博客的行为信息和付费博客间的引用关系信息，分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵；
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵；
根据计算得到的用户高阶相似度矩阵和用户相似度矩阵，构建用户增强相似度矩阵；
根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数；
对构建的用户偏好目标函数进行优化求解，得到用户对不同付费博客的偏好并进行付费博客分销处理。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种用户数据倾向的智能商品分销方法，其特征在于，所述方法包括：
S1：采集用户购买付费博客的行为信息和付费博客间的引用关系信息，分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵；
S2：根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵；
S3：根据计算得到的用户高阶相似度矩阵和用户相似度矩阵，构建用户增强相似度矩阵；
S4：根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数；
S5：对构建的用户偏好目标函数进行优化求解，得到用户对不同付费博客的偏好并进行付费博客分销处理。
2.如权利要求1所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S1步骤中采集用户购买付费博客的行为信息和付费博客间的引用关系信息，并构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，包括：
采集用户购买付费博客的行为信息以及付费博客与其余付费博客之间的引用关系信息，所采集信息的表示形式为：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中：
Figure QLYQS_3
，/>
Figure QLYQS_4
表示用户i购买了付费博客j，/>
Figure QLYQS_5
表示用户i未购买付费博客j，若/>
Figure QLYQS_6
，则/>
Figure QLYQS_7
表示用户i购买付费博客j的时间，若/>
Figure QLYQS_8
，则/>
Figure QLYQS_9
为空；
n表示所选取用户的总数，m表示所选取付费博客的总数；
Figure QLYQS_10
，/>
Figure QLYQS_11
表示付费博客j未引用付费博客h，/>
Figure QLYQS_12
表示付费博客j引用了付费博客h，若/>
Figure QLYQS_13
，则/>
Figure QLYQS_14
；
分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵，所构建用户-付费博客收藏矩阵G为：
Figure QLYQS_15
；
所构建付费博客-付费博客引用矩阵C为：
Figure QLYQS_16
；
其中：
Figure QLYQS_17
表示付费博客1与付费博客m之间的引用关系。/>
3.如权利要求2所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S1步骤中根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵，包括：
根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵：
Figure QLYQS_18
；
Figure QLYQS_19
；
其中：
Figure QLYQS_20
表示用户i对付费博客j的偏好程度，/>
Figure QLYQS_21
表示付费博客j被用户i所购买的付费博客的引用总数。
4.如权利要求1所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S2步骤中计算得到用户相似度矩阵，包括：
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵，其中用户相似度矩阵的计算流程为：
计算不同用户之间对付费博客的时间权重：
Figure QLYQS_22
；
其中：
Figure QLYQS_23
表示较小的正数；
Figure QLYQS_24
表示用户i和用户u对于付费博客j的时间权重；
e表示自然常数；
Figure QLYQS_25
表示用户i首次购买付费博客的时间，/>
Figure QLYQS_26
表示用户u首次购买付费博客的时间，R表示所设置的时间阈值，/>
Figure QLYQS_27
，/>
Figure QLYQS_28
；
Figure QLYQS_29
表示用户i最后一次购买付费博客与首次购买付费博客之间的时间差值；
基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵，计算不同用户之间的相似度：
Figure QLYQS_30
；
其中：
Figure QLYQS_31
表示用户i和用户j之间的相似度；
构建用户相似度矩阵S：
Figure QLYQS_32
；
其中：
用户相似度矩阵S中对角线上的值均表示用户自身相似度，将其设置为1。
5.如权利要求4所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S2步骤中对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵，包括：
对用户相似度矩阵进行高阶相似度计算，得到用户高阶相似度矩阵，所述高阶相似度计算流程为：
S21：将用户相似度矩阵S中对角线上的值均置为0，得到矩阵
Figure QLYQS_33
；
S22：基于矩阵
Figure QLYQS_34
计算得到用户相似度矩阵的邻接矩阵B：
Figure QLYQS_35
；
Figure QLYQS_36
；
其中：
Figure QLYQS_37
表示哈达玛积运算，表示逐元素相乘运算；
T表示矩阵的转置；
S23：初始化一个n行n列的零矩阵
Figure QLYQS_38
；
S24：将邻接矩阵B转换为无向图形式，无向图的顶点即为用户，其中邻接矩阵B中的第i行或第i列即对应用户i；
S25：对于用户i和用户u的顶点
Figure QLYQS_39
，遍历顶点/>
Figure QLYQS_40
与任意另一个顶点所组成的封闭三角形结构，得到若干封闭三角形结构，对于任意封闭三角形结构
Figure QLYQS_41
以及/>
Figure QLYQS_42
，计算得到该封闭三角形结构关于/>
Figure QLYQS_43
的高阶相似度：
Figure QLYQS_44
；
其中：
Figure QLYQS_45
表示封闭三角形结构/>
Figure QLYQS_46
中关于/>
Figure QLYQS_47
的高阶相似度；
Figure QLYQS_48
表示无向图中顶点/>
Figure QLYQS_49
所构成边的权重；
将顶点
Figure QLYQS_50
与任意另一个顶点所组成的所有封闭三角形结构中关于
Figure QLYQS_51
的高阶相似度进行累加，累加结果即为用户i和用户u的高阶相似度/>
Figure QLYQS_52
，并将/>
Figure QLYQS_53
更新到零矩阵/>
Figure QLYQS_54
的第i行第u列，以及零矩阵/>
Figure QLYQS_55
的第u行第i列；
S26：重复步骤S25，得到任意两个用户之间的高阶相似度，并对所初始化的零矩阵进行更新，得到用户高阶相似度矩阵
Figure QLYQS_56
。
6.如权利要求5所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S3步骤中基于用户相似度矩阵以及用户高阶相似度矩阵构建用户增强相似度矩阵，包括：
基于用户相似度矩阵S以及用户高阶相似度矩阵
Figure QLYQS_57
构建用户增强相似度矩阵/>
Figure QLYQS_58
：
Figure QLYQS_59
；
其中：
Figure QLYQS_60
表示比例阈值，将其设置为0.8。
7.如权利要求1所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S4步骤中确定表示用户倾向的用户偏好目标函数，包括：
确定表示用户倾向的用户偏好目标函数
Figure QLYQS_61
：
Figure QLYQS_62
；
其中：
Figure QLYQS_63
表示修正参数，若/>
Figure QLYQS_64
不为0，则/>
Figure QLYQS_65
，若/>
Figure QLYQS_66
为0，则/>
Figure QLYQS_67
；
Figure QLYQS_68
表示修正参数，若/>
Figure QLYQS_69
不为0，则/>
Figure QLYQS_70
，若/>
Figure QLYQS_71
为0，则/>
Figure QLYQS_72
，/>
Figure QLYQS_73
表示用户增强相似度矩阵/>
Figure QLYQS_74
中第i行第q列的元素值；
Figure QLYQS_75
表示待优化求解的参数，U表示用户特征矩阵，V表示付费博客偏好特征矩阵，/>
Figure QLYQS_76
表示用户特征矩阵U中的第i行，/>
Figure QLYQS_77
表示付费博客偏好特征矩阵V中的第j行；
Figure QLYQS_78
表示正则项参数，将其设置为0.2；
Figure QLYQS_79
表示L1范数。
8.如权利要求7所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S5步骤中对构建的用户偏好目标函数进行优化求解，包括：
对构建的用户偏好目标函数进行优化求解，求解得到用户特征矩阵以及付费博客偏好特征矩阵，所述优化求解流程为：
S51：令
Figure QLYQS_80
表示待优化求解参数，将用户偏好目标函数转换为/>
Figure QLYQS_81
，并初始化/>
Figure QLYQS_82
，设置当前算法迭代次数为d，d的初始值为0，最大迭代次数为Max，初始化/>
Figure QLYQS_83
为单位矩阵；
S52：计算
Figure QLYQS_84
；
S53：计算第d+1次迭代时的迭代步长
Figure QLYQS_85
：
Figure QLYQS_86
；
其中：
Figure QLYQS_87
表示计算矩阵的迹；
S54：基于迭代步长更新待优化求解参数：
Figure QLYQS_88
；
其中：
Figure QLYQS_89
表示单位矩阵；
并更新迭代步长：
Figure QLYQS_90
；
Figure QLYQS_91
；
Figure QLYQS_92
；
若
Figure QLYQS_93
，则将/>
Figure QLYQS_94
作为优化求解结果，并从中提取用户特征矩阵/>
Figure QLYQS_95
以及付费博客偏好特征矩阵/>
Figure QLYQS_96
；
否则令
Figure QLYQS_97
，返回步骤S52。
9.如权利要求8所述的一种用户数据倾向的智能商品分销方法，其特征在于，所述S5步骤中根据用户对不同付费博客的偏好进行付费博客分销处理，包括：
根据优化求解得到的用户特征矩阵
Figure QLYQS_98
以及付费博客偏好特征矩阵/>
Figure QLYQS_99
，计算用户i对任意付费博客j的偏好值：
Figure QLYQS_100
；
其中：
Figure QLYQS_101
表示用户i对任意付费博客j的偏好值；
将用户i未购买且偏好值大于预设定偏好阈值的付费博客向用户i推送。
CN202310510872.1A 2023-05-09 2023-05-09 一种用户数据倾向的智能商品分销方法 Active CN116228282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310510872.1A CN116228282B (zh) 2023-05-09 2023-05-09 一种用户数据倾向的智能商品分销方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310510872.1A CN116228282B (zh) 2023-05-09 2023-05-09 一种用户数据倾向的智能商品分销方法

Publications (2)

Publication Number Publication Date
CN116228282A true CN116228282A (zh) 2023-06-06
CN116228282B CN116228282B (zh) 2023-08-11

Family

ID=86569878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310510872.1A Active CN116228282B (zh) 2023-05-09 2023-05-09 一种用户数据倾向的智能商品分销方法

Country Status (1)

Country Link
CN (1) CN116228282B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125397A1 (en) * 2007-10-08 2009-05-14 Imedia Streams, Llc Method and system for integrating rankings of journaled internet content and consumer media preferences for use in marketing profiles
US20110302240A1 (en) * 2010-06-03 2011-12-08 Katsu Saito Content recommendation system, content recommendation device, and content recommendation method
CN105843860A (zh) * 2016-03-17 2016-08-10 山东大学 一种基于并行item-based协同过滤算法的微博关注推荐方法
US20160299992A1 (en) * 2015-04-09 2016-10-13 Yahoo!, Inc. Inductive matrix completion and graph proximity for content item recommendation
CN106776881A (zh) * 2016-11-28 2017-05-31 中国科学院软件研究所 一种基于微博平台的领域信息推荐***及方法
US20180032882A1 (en) * 2016-07-27 2018-02-01 Fuji Xerox Co., Ltd. Method and system for generating recommendations based on visual data and associated tags
CN109241203A (zh) * 2018-09-27 2019-01-18 天津理工大学 一种融合时间因素的用户偏好和距离加权的聚类方法
CN110110203A (zh) * 2018-01-11 2019-08-09 腾讯科技（深圳）有限公司 资源信息推送方法及服务器、资源信息展示方法及终端
CN110263189A (zh) * 2019-06-24 2019-09-20 腾讯科技（深圳）有限公司 媒体内容的推荐方法、装置、存储介质和计算机设备
CN111931023A (zh) * 2020-07-01 2020-11-13 西北工业大学 一种基于网络嵌入的社团结构识别方法及装置
CN113158041A (zh) * 2021-04-19 2021-07-23 电子科技大学 一种基于多属性特征的文章推荐方法
CN114461899A (zh) * 2021-12-24 2022-05-10 新奥新智科技有限公司 对用户的协同过滤推荐方法、装置、电子设备及存储介质
CN115357803A (zh) * 2021-05-17 2022-11-18 连普乐士株式会社 账户推荐方法、计算机装置及计算机程序
CN115545349A (zh) * 2022-11-24 2022-12-30 天津师范大学 基于属性敏感交互的时序社交媒体流行度预测方法及装置
CN116028727A (zh) * 2023-03-30 2023-04-28 南京邮电大学 一种基于图像数据处理的视频推荐方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125397A1 (en) * 2007-10-08 2009-05-14 Imedia Streams, Llc Method and system for integrating rankings of journaled internet content and consumer media preferences for use in marketing profiles
US20110302240A1 (en) * 2010-06-03 2011-12-08 Katsu Saito Content recommendation system, content recommendation device, and content recommendation method
US20160299992A1 (en) * 2015-04-09 2016-10-13 Yahoo!, Inc. Inductive matrix completion and graph proximity for content item recommendation
CN105843860A (zh) * 2016-03-17 2016-08-10 山东大学 一种基于并行item-based协同过滤算法的微博关注推荐方法
US20180032882A1 (en) * 2016-07-27 2018-02-01 Fuji Xerox Co., Ltd. Method and system for generating recommendations based on visual data and associated tags
CN106776881A (zh) * 2016-11-28 2017-05-31 中国科学院软件研究所 一种基于微博平台的领域信息推荐***及方法
CN110110203A (zh) * 2018-01-11 2019-08-09 腾讯科技（深圳）有限公司 资源信息推送方法及服务器、资源信息展示方法及终端
CN109241203A (zh) * 2018-09-27 2019-01-18 天津理工大学 一种融合时间因素的用户偏好和距离加权的聚类方法
CN110263189A (zh) * 2019-06-24 2019-09-20 腾讯科技（深圳）有限公司 媒体内容的推荐方法、装置、存储介质和计算机设备
CN111931023A (zh) * 2020-07-01 2020-11-13 西北工业大学 一种基于网络嵌入的社团结构识别方法及装置
CN113158041A (zh) * 2021-04-19 2021-07-23 电子科技大学 一种基于多属性特征的文章推荐方法
CN115357803A (zh) * 2021-05-17 2022-11-18 连普乐士株式会社 账户推荐方法、计算机装置及计算机程序
CN114461899A (zh) * 2021-12-24 2022-05-10 新奥新智科技有限公司 对用户的协同过滤推荐方法、装置、电子设备及存储介质
CN115545349A (zh) * 2022-11-24 2022-12-30 天津师范大学 基于属性敏感交互的时序社交媒体流行度预测方法及装置
CN116028727A (zh) * 2023-03-30 2023-04-28 南京邮电大学 一种基于图像数据处理的视频推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谢修娟: "情境感知的移动阅读个性化推荐算法研究", 高技术通讯, vol. 29, no. 07, pages 640 - 647 *
魏玲: "融合用户画像与协同过滤的知识付费平台个性化推荐模型", 情报理论与实践, vol. 44, no. 03, pages 188 - 193 *

Also Published As

Publication number Publication date
CN116228282B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107220217A (zh) 基于逻辑回归的特征系数训练方法和装置
CN108074003B (zh) 预测信息推送方法和装置
CN115391669B (zh) 一种智能推荐方法、装置、电子设备
CN114912948B (zh) 基于云服务的跨境电商大数据智能处理方法、装置及设备
CN111652278B (zh) 用户行为检测方法、装置、电子设备及介质
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN107346344A (zh) 文本匹配的方法和装置
CN111652282B (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN115204971B (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN110866625A (zh) 促销指标信息生成方法和装置
CN115048174A (zh) 基于用户的个性化菜单生成方法、装置、设备及存储介质
CN114386879A (zh) 一种基于多产品多维度性能指标的评分与排行方法及***
CN106157281A (zh) 一种图像主体识别方法及装置
CN109978594B (zh) 订单处理方法、装置及介质
CN113778979A (zh) 一种直播点击率的确定方法和装置
CN116228282B (zh) 一种用户数据倾向的智能商品分销方法
CN114625975B (zh) 一种基于知识图谱的客户行为分析***
CN116452297A (zh) 一种基于商务市场数据的智能推荐方法及***
CN116401602A (zh) 事件检测方法、装置、设备及计算机可读介质
CN113139129B (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN115641186A (zh) 直播产品偏好的智能分析方法、装置、设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN117710020B (zh) 一种基于大数据的用户喜好的分析方法
CN113592606B (zh) 基于多重决策的产品推荐方法、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