TWI613604B - 推薦系統、方法及其電腦可讀取記錄媒體 - Google Patents
推薦系統、方法及其電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TWI613604B TWI613604B TW102137173A TW102137173A TWI613604B TW I613604 B TWI613604 B TW I613604B TW 102137173 A TW102137173 A TW 102137173A TW 102137173 A TW102137173 A TW 102137173A TW I613604 B TWI613604 B TW I613604B
- Authority
- TW
- Taiwan
- Prior art keywords
- level
- user data
- kth
- jth
- elements
- Prior art date
Links
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一種推薦方法包括:提供一本體論資料庫,其中該本體論資料庫包括複數個元素,該些元素以一本體論階層結構排列為N個層級;透過該本體論資料庫,儲存各別對應於複數個使用者的複數筆第j層級使用者資料;根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料;分群該些第k層級使用者資料;以及根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
Description
本發明是有關於一種推薦技術,且特別是有關於一種推薦系統、方法及其電腦可讀取記錄媒體。
隨著資訊科技的發展,用以推薦使用者其所感興趣的資訊(例如是商品資料)的推薦系統已廣泛地應用在各式電子媒介中。
典型的推薦系統係透過收集使用者資料,分群此些使用者資料,並根據使用者所屬的群組以提供推薦資訊(例如推薦商品)。如此一來,推薦系統可根據一使用者過去的消費行為將其分類至包括有具相似消費行為的其它使用者的群組中,並根據此一群組中其它使用者的消費行為以推薦此一使用者商品資訊。
然而,在實際上,如此的做法常由於使用者資料的資料密度不足(例如,多數使用者僅在大量商品中購買過極少量的商品),而導致分組錯誤,並造成推薦不精準。
是以,一種改善的推薦系統當被提出。
本案之一態樣是在提供一種推薦方法。根據本案一實施例,推薦方法包括:提供一本體論資料庫(ontology database),其中該本體論資料庫包括複數個元素(entity),該些元素以一本體論階層結構(ontology hierarchy)排列為N個層級(hierarchy level){L_i},i=1、2、…、N,且N為正整數;透過該本體論資料庫,儲存各別(respectively)對應於複數個使用者的複數筆第j層級使用者資料,其中每一該些第j層級使用者資料記錄該些層級中一第j層級L_j的至少一個元素;根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料,其中每一該些第k層級使用者資料記錄該些層級中一第k層級L_k的至少一個元素;分群(cluster)該些第k層級使用者資料;以及根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
本案之另一態樣是在提供一種推薦系統。根據本案一實施例,該推薦系統包括一儲存模組、一轉換模組、一分群模組以及一推薦模組。該儲存模組用以儲存一本體論資料庫。該本體論資料庫包括複數個元素。該些元素以一本體論階層結構排列為N個層級{L_i},i=1、2、…、N,N為正整數。該本體論資料庫用以儲存各別對應於複數個使用者的複數筆第j層級使用者資料。每一該些第j層級使用
者資料用以記錄該些層級中一第j層級L_j的至少一個元素。該轉換模組用以根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料。每一該些第k層級使用者資料記錄該些層級中一第k層級L_k的至少一個元素。該分群模組用以分群該些第k層級使用者資料。該推薦模組用以根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
本案之又一態樣是在提供一種非揮發性電腦可讀取記錄媒體。根據本案一實施例,該非揮發性電腦可讀取記錄媒體儲存一電腦程式,用以執行一種應用於推薦系統中之一推薦方法。該推薦方法包括:提供一本體論資料庫,其中該本體論資料庫包括複數個元素,該些元素以一本體論階層結構排列為N個層級{L_i},i=1、2、…、N,且N為正整數;透過該本體論資料庫,儲存各別對應於複數個使用者的複數筆第j層級使用者資料,其中每一該些第j層級使用者資料記錄該些層級中一第j層級L_j的至少一個元素;根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料,其中每一該些第k層級使用者資料記錄該些層級中一第k層級L_k的至少一個元素;分群(cluster)該些第k層級使用者資料;以及根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
藉由在上述一實施例中,以本體論階層結構排列本體論資料庫中的元素,記錄本體論資料庫中元素的使用者
資料可被階層性地轉換。而藉由階層性地轉換使用者資料,可調整使用者資料的資料稀疏度。如此一來,將可改善傳統推薦系統中使用者資料的資料稀疏問題,而使得分群結果更為精準。
100‧‧‧推薦系統
102‧‧‧資料提供介面
110‧‧‧儲存模組
112‧‧‧本體論資料庫
120‧‧‧轉換模組
122‧‧‧稀疏度單元
124‧‧‧第一映射單元
130‧‧‧分群模組
140‧‧‧推薦模組
142‧‧‧頻繁樣式探勘單元
144‧‧‧第二映射單元
146‧‧‧處理單元
500‧‧‧推薦方法
D_1-D_k‧‧‧使用者資料
G1、G2‧‧‧群組
I11-I31‧‧‧元素
L_1-L3‧‧‧層級
A1、A2‧‧‧符號
S1-S552‧‧‧步驟
第1圖為根據本發明一實施例所繪示的一種推薦裝置之示意圖。
第2圖為根據本發明一實施例所繪示的一種本體論階層架構之示意圖。
第3圖為根據本發明一操作例所繪示之示意圖。
第4圖為根據本發明另一操作例所繪示之示意圖。
第5圖為根據本發明一實施例所繪示的一種推薦方法之流程圖。
第6圖為根據本發明一實施例所繪示的一種推薦方法之細部流程圖。
第7圖為根據本發明一實施例所繪示的一種推薦方法之細部流程圖。
以下將以圖式及詳細敘述清楚說明本揭示內容之精神,任何所屬技術領域中具有通常知識者在瞭解本揭示內容之較佳實施例後,當可由本揭示內容所教示之技術,
加以改變及修飾,其並不脫離本揭示內容之精神與範圍。
關於本文中所使用之『第一』、『第二』、...等,並非特別指稱次序或順位的意思,亦非用以限定本案,其僅為了區別以相同技術用語描述的元件或操作。
關於本文中所使用之『電性連接』,可指二或多個元件相互直接作實體或電性接觸,或是相互間接作實體或電性接觸,而『電性連接』還可指二或多個元件元件相互操作或動作。
關於本文中所使用之方向用語,例如:上、下、左、右、前或後等,僅是參考附加圖式的方向。因此,使用的方向用語是用來說明並非用來限制本創作。
關於本文中所使用之用詞(terms),除有特別註明外,通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論,以提供本領域技術人員在有關本揭露之描述上額外的引導。
本發明的一實施態樣為一種推薦系統。為使說明清楚,在以下段落中,推薦系統將以推薦商品為例進行說明,然而實際上,推薦系統亦可用以推薦地點、網頁、資訊條目等各式有形(substantial)或抽象(abstract)的元素(entity),是以推薦系統的應用不以下述實施例為限。
第1圖為根據本發明一實施例所繪示的一種推薦系統100之示意圖。推薦系統100包括資料提供介面102、儲存模組110、轉換模組120、分群模組130以及推薦模組
140。資料提供介面102電性連接儲存模組110。儲存模組110電性連接轉換模組120。轉換模組120電性連接分群模組130。推薦模組140電性連接分群模組130。當注意到,推薦系統100內各模組間的連接關係不以上述實施例為限,凡足以令推薦系統100實現下述技術內容的連接方式皆可運用於本發明。
在本實施例中,推薦系統100例如但不限於用電腦系統實現。資料提供介面102例如但不限於用鍵盤、滑鼠、網路卡等裝置所實現。儲存模組110例如但不限於用唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之電腦可讀取記錄媒體所實現。轉換模組120、分群模組130以及推薦模組140例如但不限於用中央處理器、微處理器、或其它適當處理元件所實現。
在本實施例中,推薦系統100係用以儲存複數使用者的使用者資料(例如是第1層級使用者資料D_1),並根據此些使用者資料,對使用者進行分群,以依據分群結果(例如是群組G1、G2),推薦例如是商品的元素給此些使用者。
同時參照第2圖,在本實施例中,推薦系統100的儲存模組110包括一本體論資料庫112(ontology database)。本體論資料庫112包括複數個元素I11-I32(entity)。此些元素I11-I32(以例如是第2圖所示的本體論階層結構(ontology hierarchy))排列為N個層級(hierarchy level){L_i},i=1、2、…、N,且N為正整數。在本實施例
中,N等於3,且所謂N個層級在此為第1層級L_1、第2層級L_2以及第3層級L_3。在本實施例中,第1層級L_1中的元素I11-I18例如是商品,第2層級L_2以及第3層級L_3中的元素I21-I32例如是商品分類(classification)。一個較低層級的元素對應於較高層級的元素中的至少一者。舉例而言,第1層級L_1中的紅茶I11與綠茶I12對應第2層級L_2中的茶I21,第1層級L_1中的蘋果汽水I13與橘子汽水I14對應第2層級L_2中的汽水I22,且第2層級L_2中的茶I21與汽水I22又對應第3層級L_3中的飲料I31。此外,較低層級的元素為其相應的較高層級的元素之下位元素(subordinate entity)。例如,第1層級L_1中的紅茶I11與綠茶I12為第2層級L_2中的茶I21的下位元素。
以另一觀點而言,單一較高層級的元素可對應複數個較低層級的元素。例如,第3層級L_3中的飲料I31對應第2層級L_2中的茶I21與汽水I22。此外,較高層級的元素為其相應的較低層級的元素之上位元素(superordinate entity)。例如,第3層級L_3中的飲料I31為第2層級L_2中的茶121與汽水I22中的上位元素。
在一實施例中,上述本體論資料庫112中的元素I11-I32、層級L_1-L_3及本體論階層結構例如但不限於根據一商店的商品型錄及商品分類所設置,然而上述本體論資料庫112中的元素I11-I32、層級L_1-L_3及本體論階層結構僅為例示,本發明不以此為限。
在本實施例中,推薦系統100的資料提供介面102
用以接收並提供複數筆各別對應於複數個使用者的第1層級(例如,最低層級)使用者資料D_1至本體論資料庫112,其中每一第1層級使用者資料D_1記錄本體論資料庫112中的第1層級L_1的至少一個元素I11-I18。舉例而言,每一第1層級使用者資料D_1例如但不限於是記錄每一使用者曾經購買過的商品或曾經瀏覽過的網頁等。另一方面,此些第1層級使用者資料D_1例如可用矩陣形式記錄,其中使用者的數量例如表示為U,第1層級L_1中的元素的數量例如表示為I_1,且第1層級使用者資料D_1的矩陣的維度例如表示為U×I_1。
在理想情況下,第1層級使用者資料D_1的資料稀疏度低(即資料密度高)(例如是每一使用者曾購買過大量的商品或曾經瀏覽過大量的網頁等),推薦系統100可分群第1層級使用者資料D_1,以將具有相似行為的使用者歸類至相同群組,並據以提供推薦資訊給使用者。
然而,在多數情況下,第1層級使用者資料D_1的資料稀疏度高(即資料密度低),是以分群第1層級使用者資料D_1並不能可靠地將具有相似行為的使用者歸類至相同群組。
因此,為克服資料稀疏度的問題,本案的推薦系統100係藉由前述本體論階層結構,對第1層級使用者資料D_1進行轉換,以產生記錄本體論資料庫112中較高層級的元素之較高層級使用者資料(例如是第k層級使用者資料D_k)。由於較高層級使用者資料具有較低的資料稀疏度(即
較高的資料密度),故分群的準確度可因而被提高。
承上所述,推薦系統100的轉換模組120用以根據第1層級使用者資料D_1,各別產生對應前述使用者的複數筆第k層級使用者資料D_k,且每一第k層級使用者資料D_k記錄本體論資料庫112中第k層級L_k的至少一個元素。舉例而言,若k為3,則轉換模組120即是根據用以記錄實際商品(如紅茶I11、綠茶I12等)的第1層級使用者資料D_1,產生用以記錄商品分類(如飲料I31、服飾I32)的第3層級使用者資料D_3。在一實施例中,第k層級使用者資料D_k的資料稀疏度不大於一第k門檻值。
分群模組130用以分群前述第k層級使用者資料D_k至至少一個群組(如群組G1、G2)。
推薦系統100的推薦模組140用以根據分群模組130的分群結果(如群組G1、G2)以推薦本體論資料庫112中的元素I11-I32給使用者。
為使敘述易於了解,以下將同時根據第1-3圖舉一實際操作例進行說明,然而本案不以此為限。
在本操作例中,在本體論資料庫112儲存如第3圖所示的第1層級使用者資料的情況下,轉換模組120計算第1層級使用者資料的資料稀疏度,並判斷第1層級使用者資料的資料稀疏度是否大於一第1門檻值。第1層級使用者資料D_1例如記錄使用者1-5對元素I11-I18(商品)的購買情況,「1」表示曾經購買,「0」表示不曾購買。例如,在第1層級使用者資料D_1中,使用者11係記錄為曾購買
過商品中的紅茶I11、綠茶I12以及女性T袖I17。
在第1層級使用者資料D_1的資料稀疏度大於第1門檻值的情況下,轉換模組120用以將每一第1層級使用者資料D_1所記錄的第1層級L_1的元素映射至第2層級L_2的相應的元素,以產生第2層級使用者資料D_2。第2層級使用者資料D_2例如記錄使用者1-5對元素I21-I24(商品分類)的購買情況。舉例而言,在第2層級使用者資料D_2中,使用者1記錄為曾購買過商品分類中的茶I21以及女性服飾I24。亦即,轉換模組120係將對應於使用者1的第1層級L_1的紅茶I11、綠茶I12以及女性T袖I17對映至第2層級的茶I21以及女性服飾I24。
此時,轉換模組120計算第2層級使用者資料D_2的資料稀疏度,並判斷第2層級使用者資料D_2的資料稀疏度是否大於第2門檻值,其中第2門檻值可相同或不同於第1門檻值。在第2層級使用者資料D_2的資料稀疏度大於第2門檻值的情況下,轉換模組120用以將每一第2層級使用者資料D_2所記錄的第2層級L_2的元素映射至第3層級L_3的相應的元素,以產生第3層級使用者資料D_3。第3層級使用者資料D_3例如記錄使用者1-5對元素I31-I32(商品分類)的購買情況。例如,在第3層級使用者資料D_3中,使用者1係記錄為曾購買過商品分類中的飲料I31以及服飾I32。亦即,轉換模組120係將對應於使用者1的第2層級L_2的茶I21以及女性服飾I24對映至第3層級的飲料I31以及服飾I32。
此時,轉換模組120計算第3層級使用者資料D_3的資料稀疏度,並判斷第3層級使用者資料D_3的資料稀疏度是否大於第3門檻值,其中第3門檻值可相同或不同於第1門檻值與第2門檻值。在第3層級使用者資料D_3的資料稀疏度不大於第3門檻值的情況下,則第3層級使用者資料D_3即為所求的第k層級使用者資料D_k。
簡言之,轉換模組120係根據本體論階層結構、第1層級使用者資料D_1的資料稀疏度、第2層級使用者資料D_2的資料稀疏度、第3層級使用者資料D_3的資料稀疏度,將每一第1層級使用者資料D_1所記錄的第1層級L_1的元素逐層映射至第k層級L_k的相應的元素,以作為每一第k層級使用者資料所記錄的第k層級L_k的至少一個元素。
在產生第k層級使用者資料D_k後,分群模組130即根據分群演算法(clustering algorithm),依照第k層級使用者資料D_k之間的相似度分群第k層級使用者資料D_k。在本操作例中,使用者1-3分群至群組G1,且使用者4-5分群至群組G2。
在分群後,推薦模組140即可根據群組G1、G2中的第k層級使用者資料D_k推薦本體論資料庫112中的元素I11-I32給前述使用者。
透過上述一實施例中的操作,即可藉由分群具較低資料稀疏度的第k層級使用者資料D_k,而改善傳統推薦系統中使用者資料的資料稀疏問題,而使得分群與推薦結
果更為精準。
此外,透過上述一實施例中的操作,可根據各層級使用者資料的稀疏度,以適應性地產生適合分群的第k層級使用者資料D_k並據以分群,而使得分群機制更為靈活。
在本發明一實施例中,在第x層級使用者資料D_x的資料稀疏度(x為任意正整數,其數值取決於所計算的層級)表示為S_x,使用者的數量表示為U,第x層級L_x中的元素的數量表示為I_x,第x層級使用者資料D_x所記錄的第x層級L_x的元素之數量總和表示為R_x,且S_x、U、I_x、R_x符合下式:S_x=1-(R_x/(U×I_x))。
此外,在本發明一實施例中,轉換模組120例如包括稀疏度單元122、第一映射單元124。稀疏度單元122用以計算第x層級使用者資料D_x的資料稀疏度,並判斷第x層級使用者資料D_x的資料稀疏度是否大於第x門檻值。在第x層級使用者資料D_x的資料稀疏度大於第x門檻值的情況下,第一映射單元124用以將每一第x層級使用者資料D_x所記錄的第x層級L_x的元素映射至第x+1層級的對應的元素。另外,在第x層級使用者資料D_x的資料稀疏度不大於第x門檻值的情況下,第一映射單元124用以用第x層級使用者資料D_x做為第k層級使用者資料D_k,以令分群模組130進行分群。
在以下段落中,將提供推薦模組140根據分群後的第k層級使用者資料D_k進行推薦的具體細節,然而本發
明不以下述實施例為限。
在一實施例中,推薦模組140用以在群組G1或群組G2的第k層級使用者資料D_k所記錄的第k層級L_k的元素中,透過頻繁樣式探勘(frequent pattern mining)技術(例如但不限於apriori algorithm)找出第k層級頻繁元素。接著,推薦模組140用以根據第k層級頻繁元素,在第j層級L_j的元素中找出第j層級頻繁元素(j例如是1)。而後,推薦模組140用以推薦第j層級頻繁元素給前述群組G1或群組G2中的使用者。
為使敘述易於了解,以下將同時根據第1、2、4圖舉一實際操作例進行說明,然而本案不以此為限。
在本操作例中,在轉換模組120產生如第4圖中的第3層級使用者資料D_3,且分群模組130將第3層級使用者資料D_3分為如第4圖中的群組G1、G2後,推薦模組140於群組G1中的第3層級使用者資料D_3中,透過頻繁樣式探勘技術找出第3層級頻繁元素,例如是元素I31。舉例而言,這代表在群組G1中的第3層級使用者資料D_3中,較多使用者曾經購買商品分類中的飲料I31。
此時,推薦模組140判斷第3層級頻繁元素是否已為第1層級L_1之元素I11-I18之一。在第3層級頻繁元素不為第1層級L_1之元素I11-I18之一的情況下,推薦模組140將第3層級頻繁元素(例如是元素I31)映射至第3-(減)1層級(即第2層級)L_2的對應的元素,例如是符號A1所指的元素I21、I22。
接著,推薦模組140於群組G1中的第2層級使用者資料D_2所記錄的對應第3層級頻繁元素的元素中(例如是元素I21、I22),透過頻繁樣式探勘技術找出第2層級頻繁元素,例如是元素I21。舉例而言,這代表在群組G1中的第2層級使用者資料D_2中,較多使用者曾經購買商品分類中的茶I21。
此時,推薦模組140判斷第2層級頻繁元素是否已為第1層級L_1之元素I11-I18之一。在第2層級頻繁元素不為第1層級L_1之元素I11-I18之一的情況下,推薦模組140將第2層級頻繁元素(例如是元素I21)映射至第2-1層級(即第1層級)L_1的對應的元素,例如是符號A2所指的元素I11、I12。
接著,推薦模組140例如於群組G1中的第1層級使用者資料D_1中對應第2層級頻繁元素的元素中(例如是元素I11、I12),透過頻繁樣式探勘技術找出第1層級頻繁元素,例如是元素I11以及元素I12。舉例而言,這代表在群組G1中的第1層級使用者資料D_1中,較多使用者曾經購買商品中的紅茶I11與紅茶。
此時,推薦模組140判斷第1層級頻繁元素是否已為第1層級L_1之元素I11-I18之一。由於第1層級頻繁元素已為第1層級L_1之元素I11-I18之一,推薦模組140推薦第1層級頻繁元素給群組G1中的使用者。
在本操作例中,推薦模組140更判斷群組G1中的使用者1-3所對應的第1層級使用者資料是否記錄第1層
級頻繁元素,並據以選擇性第1層級頻繁元素至使用者1-3。舉例而言,由於使用者1-3皆購買過紅茶I11,故推薦模組140並不推薦紅茶I11給使用者1-3。另一方面,由於使用者3未購買過綠茶I12,故推薦模組140推薦綠茶I12給使用者3。
透過上述實施例,即可根據群組G1、G2中的第k層級使用者資料,找出對應的第1層級頻繁元素。藉此,在推薦過程中,透過轉換模組120所產生的用以記錄概念化的商品分類之第k層級使用者資料D_k可轉換回用以記錄實際商品的第1層級使用者資料D_1。如此一來,藉由根據轉換後的用以記錄實際商品的第1層級使用者資料D_1進行推薦,可精準地推薦所屬群組中頻繁元素給使用者。
在本發明一實施例中,推薦模組140係包括頻繁樣式探勘單元142、第二映射單元144以及處理單元146。頻繁樣式探勘單元142用以在第x層級L_x(x為任意正整數,其數值取決於所計算的層級)的部份或所有元素中,透過頻繁樣式探勘(frequent pattern mining)技術找出第x層級頻繁元素。第二映射單元144用以將第x層級頻繁元素映射至第x-1層級L_x-1的對應的元素。處理單元146用以判斷第x層級頻繁元素是否已為第1層級L_1之元素I11-I18之一,並用以在第x層級頻繁元素為第1層級L_1之元素的情況下,推薦第1層級頻繁元素給群組G1或群組G2中的使用者。
藉由應用頻繁樣式探勘單元142、第二映射單元144以及處理單元146,推薦模組140即可根據群組G1、G2中的第k層級使用者資料,找出對應的第1層級頻繁元素,以進行推薦。其中具體的操作細節可參照前述段落,在此不贅述。
此外,當注意到,在一實施例中,推薦系統100可由單一主機實現。於另一實施例中,推薦系統100亦可由一個伺服器主機與至少一個遠端主機實現。其中遠端主機透過網路提供第1層級使用者資料至伺服器主機。伺服器主機的硬體對第1層級使用者資料進行轉換、分群及推薦,並再透過網路,提供推薦的資訊至遠端主機上。
第5圖為根據本發明一實施例所繪示的一種推薦方法500之流程圖。推薦方法500可應用於如第1圖所繪示之推薦系統100。此推薦方法500可實作為一電腦程式,並儲存於一電腦可讀取記錄媒體中,而使電腦讀取此記錄媒體後執行推薦方法500。電腦可讀取記錄媒體可為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之電腦可讀取記錄媒體。推薦方法500包含下列步驟(應瞭解到,在本實施方式中所提及的步驟,除特別敘明其順序者外,均可依實際需要調整其前後順序,甚至可同時或部分同時執行)。
於步驟S1中,儲存模組110提供前述的本體論資料庫112。本體論資料庫112的具體細節可參照前述段落,
在此不贅述。
於步驟S2中,本體論資料庫112儲存各別對應於複數個使用者的第j使用者資料D_j。每一第j層級使用者資料D_j記錄第j層級L_j的至少一個元素。在本實施例中,j例如為1。
於步驟S3中,轉換模組120根據第j層級使用者資料D_j,各別產生對應前述使用者的複數筆第k層級使用者資料D_k,其中每一第k層級使用者資料記錄一第k層級L_k的至少一個元素。
在一實施例中,轉換模組120係根據本體論資料庫112中的本體論階層結構,將每一第j層級使用者資料D_j所記錄的第j層級L_j的元素逐層映射至第k層級L_k的對應的元素,以作為每一第k層級使用者資料D_k所記錄的第k層級L_k的至少一個元素,藉以產生第k層級使用者資料D_k。
於步驟S4中,分群模組130分群第k層級使用者資料D_k。分群的方法例如是透過本領域習知慣用的分群演算法,在此不贅述。
於步驟S5中,推薦模組140根據分群結果(例如群組G1、G2)以推薦本體論資料庫112中的元素給使用者。
當注意到,上述推薦方法500的具體細節可參照前述段落,在此不贅述。
透過應用上述實施例,即可藉由分群具較低資料稀疏度的第k層級使用者資料D_k,而改善傳統推薦系統中
使用者資料的資料稀疏問題,而使得分群與推薦結果更為精準。
第6圖為根據本發明一實施例所繪示的推薦方法500中的步驟S3之細部流程圖。步驟S3包括以下步驟。
在步驟S31中,稀疏度單元122計算第j層級使用者資料D_j的資料稀疏度。
在步驟S32中,稀疏度單元122判斷第j層級使用者資料D_j的資料稀疏度是否大於一第j門檻值。若是,進行步驟S34;若否,進行步驟S33。
在步驟S33中,在第j層級使用者資料D_j的資料稀疏度不大於第j門檻值的情況下,第一映射單元124以第j層級使用者資料D_j做為第k層級使用者資料D_k,以在步驟S4中進行分群。
在步驟S34中,在第j層級使用者資料D_j的資料稀疏度大於第j門檻值的情況下,第一映射單元124將每一第j層級使用者資料D_j所記錄的第j層級L_j的元素映射至第j+1層級L_j+1的相應的元素,以產生第j+1層級使用者資料D_j+1。
在步驟S341中,稀疏度單元122計算第j+1層級使用者資料D_j+1的資料稀疏度。
在步驟S342中,稀疏度單元122判斷第j+1層級使用者資料D_j+1的資料稀疏度是否大於第j+1門檻值,其中第j+1門檻值可相同於或不相同於第j門檻值。若否,進行步驟S343,以第j+1層級使用者資料D_j+1做為第k
層級使用者資料D_k,以在步驟S4中進行分群;若是,則再次將每一第j+1層級使用者資料D_j+1所記錄的第j+1層級的元素映射至第j+2層級L_j+2的相應的元素,以產生第j+2層級使用者資料D_j+2,直到找到具有不大於第x門檻值(x為任意正整數,其值取決於所計算的層級)的第x層級使用者資料D_x為止。第x門檻值可相同於或不同於第j門檻值以及第j+1門檻值。
透過如上的步驟,即可根據各層級使用者資料的稀疏度,以適應性地產生適合於分群的第k層級使用者資料D_k並據以分群,而使得分群機制更為靈活。
第7圖為根據本發明一實施例所繪示的推薦方法500中的步驟S5之細部流程圖。步驟S5包括以下步驟。
在步驟S51中,頻繁樣式探勘單元142透過頻繁樣式探勘技術,在群組G1或群組G2中的第k層級使用者資料D_k所記錄的第k層級L_k的元素中,找出第k層級頻繁元素。
在步驟S52中,處理單元146判斷第k層級頻繁元素是否為第j層級L_j中的元素中的一者。若是,則進行步驟S53;若否,則進行步驟S54。
在步驟S53中,在第k層級頻繁元素為第j層級L_j中的元素中的一者的情況下,處理單元146以第k層級頻繁元素作為第j層級頻繁元素,以推薦給對應於群組G1或群組G2中的第k層級使用者資料D_k的使用者。
在步驟S54中,在第k層級頻繁元素不為第j層級
L_j中的元素中的一者的情況下,第二映射單元144將第k層級頻繁元素映射至第k-1層級L_k-1的元素。
在步驟S55中,頻繁樣式探勘單元142透過頻繁樣式探勘技術,找出第k層級頻繁元素所映射的第k-1層級L_k-1的元素中的第k-1層級頻繁元素。
在步驟S551中,處理單元146判斷第k-1層級頻繁元素是否為第j層級L_j中的元素中的一者。若是,則進行步驟S552,以將第k層級頻繁元素作為第j層級頻繁元素,推薦給對應於群組G1或群組G2中的第k層級使用者資料D_k的使用者;若否,則第二映射單元144進一步將第k-1層級頻繁元素映射至第k-2層級L_k-2的元素,直到找到位於第j層級L_j中的第j層級頻繁元素。
透過如上的步驟,在推薦過程中透過轉換模組120所產生的用以記錄概念化的商品分類的第k層級使用者資料D_k可轉換回用以記錄實際商品的第1層級使用者資料D_1。如此一來,藉由根據轉換後的用以記錄實際商品的第1層級使用者資料D_1進行推薦,可精準地推薦所屬群組中頻繁元素給使用者。
雖然本揭示內容已以實施方式揭露如上,然其並非用以限定本揭示內容,任何熟習此技藝者,在不脫離本揭示內容之精神和範圍內,當可作各種之更動與潤飾,因此本揭示內容之保護範圍當視後附之申請專利範圍所界定者為準。
500‧‧‧推薦方法
S1-S5‧‧‧步驟
Claims (24)
- 一種推薦方法包括:提供一本體論資料庫(ontology database),其中該本體論資料庫包括複數個元素(entity),該些元素以一本體論階層結構(ontology hierarchy)排列為N個層級(hierarchy level){L_i},i=1、2、…、N,且N為正整數;透過該本體論資料庫,儲存各別對應於複數個使用者的複數筆第j層級使用者資料,其中每一該些第j層級使用者資料記錄該些層級中一第j層級L_j的至少一個元素;根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料,其中每一該些第k層級使用者資料記錄該些層級中一第k層級L_k的至少一個元素,且該第j層級L_j的所有元素與該第k層級L_k的所有元素不同;其中各別產生對應該些使用者的該些第k層級使用者資料的步驟包括:計算該些第j層級使用者資料的一資料稀疏度;以及根據該些第j層級使用者資料的該資料稀疏度,以將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素;分群(cluster)該些第k層級使用者資料;以及根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
- 如請求項1所述之推薦方法,其中各別產生對應該 些使用者的該些第k層級使用者資料的步驟包括:根據該本體論階層結構,將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素,以作為每一該些第k層級使用者資料所記錄的該第k層級L_k的至少一個元素。
- 如請求項1所述之推薦方法,其中將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素的步驟包括:判斷該些第j層級使用者資料的資料稀疏度是否大於一第j門檻值;以及在該些第j層級使用者資料的資料稀疏度大於該第j門檻值的情況下,將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該些層級中的一第j+1層級L_j+1的至少一個元素。
- 如請求項3所述之推薦方法,其中將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素的步驟更包括:在該些第j層級使用者資料的資料稀疏度不大於該第j門檻值的情況下,以該些第j層級使用者資料做為該些第k層級使用者資料。
- 如請求項1所述之推薦方法,其中該些第j層級使用者資料的該資料稀疏度表示為S_j,該些使用者的數量表示為U,該第j層級L_j中的元素的數量表示為I_j,該些第 j層級使用者資料所記錄的該第j層級L_j的元素之數量總和表示為R_j,且S_j、U、I_j、R_j符合下式:S_j=1-(R_j/(U×I_j))。
- 如請求項1所述之推薦方法,其中根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者的步驟包括:在一群組中的第k層級使用者資料所記錄的該第k層級L_k的元素中,找出一第k層級頻繁元素;根據第k層級頻繁元素,在該第j層級L_j的元素中找出一第j層級頻繁元素;以及推薦該第j層級頻繁元素給對應於該群組中的第k層級使用者資料的使用者。
- 如請求項6所述之推薦方法,其中根據第k層級頻繁元素,在該第j層級L_j的元素中找出該第j層級頻繁元素的步驟包括:判斷該第k層級頻繁元素是否為該第j層級L_j中的元素中的一者;在該第k層級頻繁元素不為該第j層級L_k中的元素中的一者的情況下,將該第k層級頻繁元素映射至該些層級中的一第k-1層級L_k-1的元素;以及透過一頻繁樣式探勘,找出該第k層級頻繁元素所映射的該第k-1層級L_k-1的元素中的一第k-1層級頻繁元素。
- 如請求項7所述之推薦方法,其中根據第k層級頻 繁元素,在該第j層級L_j的元素中找出該第j層級頻繁元素的步驟更包括:在該第k層級頻繁元素為該第j層級L_j中的元素中的一者的情況下,以該第k層級頻繁元素作為該第j層級頻繁元素。
- 一種推薦系統,包括:一儲存模組,用以儲存一本體論資料庫,其中該本體論資料庫包括複數個元素,該些元素以一本體論階層結構排列為N個層級{L_i},i=1、2、…、N,N為正整數,該本體論資料庫用以儲存各別對應於複數個使用者的複數筆第j層級使用者資料,且每一該些第j層級使用者資料用以記錄該些層級中一第j層級L_j的至少一個元素;一轉換模組,用以根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料,其中每一該些第k層級使用者資料記錄該些層級中一第k層級L_k的至少一個元素,且該第j層級L_j的所有元素與該第k層級L_k的所有元素不同,其中該轉換模組更用以計算該些第j層級使用者資料的一資料稀疏度,並根據該些第j層級使用者資料的該資料稀疏度,以將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素;一分群模組,用以分群該些第k層級使用者資料;以及一推薦模組,用以根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
- 如請求項9所述之推薦系統,其中該轉換模組更用以根據該本體論階層結構,將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素,以作為每一該些第k層級使用者資料所記錄的該第k層級L_k的至少一個元素。
- 如請求項9所述之推薦系統,其中該轉換模組更用以判斷該些第j層級使用者資料的資料稀疏度是否大於一第j門檻值,並在該些第j層級使用者資料的資料稀疏度大於該第j門檻值的情況下,將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該些層級中的一第j+1層級L_j+1的至少一個元素。
- 如請求項11所述之推薦系統,其中該轉換模組更用以在該些第j層級使用者資料的資料稀疏度不大於該第j門檻值的情況下,以該些第j層級使用者資料做為該些第k層級使用者資料。
- 如請求項9所述之推薦系統,其中該些第j層級使用者資料的該資料稀疏度表示為S_j,該些使用者的數量表示為U,該第j層級L_j中的元素的數量表示為I_J,該些第j層級使用者資料所記錄的該第j層級L_j的元素之數量總和表示為R_j,且S_j、U、I_j、R_j符合下式:S_j=1-(R_j/(U×I_j))。
- 如請求項9所述之推薦系統,其中該推薦模組更用 以在一群組中的第k層級使用者資料所記錄的該第k層級L_k的元素中,找出一第k層級頻繁元素,根據第k層級頻繁元素,在該第j層級L_j的元素中找出一第j層級頻繁元素,以及推薦該第j層級頻繁元素給對應於該群組中的第k層級使用者資料的使用者。
- 如請求項14所述之推薦系統,其中該推薦模組更用以判斷該第k層級頻繁元素是否為該第j層級L_j中的元素中的一者,在該第k層級頻繁元素不為該第j層級L_k中的元素中的一者的情況下,將該第k層級頻繁元素映射至該些層級中的一第k-1層級L_k-1的元素,以及透過一頻繁樣式探勘,找出該第k層級頻繁元素所映射的該第k-1層級L_k-1的元素中的一第k-1層級頻繁元素。
- 如請求項15所述之推薦系統,其中在該第k層級頻繁元素為該第j層級L_j中的元素中的一者的情況下,以該第k層級頻繁元素作為該第j層級頻繁元素。
- 一種非揮發性電腦可讀取記錄媒體,儲存一電腦程式,用以執行一種應用於推薦系統中之一推薦方法,其中該推薦方法包括:提供一本體論資料庫,其中該本體論資料庫包括複數個元素,該些元素以一本體論階層結構排列為N個層級{L_i},i=1、2、…、N,且N為正整數;透過該本體論資料庫,儲存各別對應於複數個使用者的複數筆第j層級使用者資料,其中每一該些第j層級使用者 資料記錄該些層級中一第j層級L_j的至少一個元素;根據該些第j層級使用者資料,各別產生對應該些使用者的複數筆第k層級使用者資料,其中每一該些第k層級使用者資料記錄該些層級中一第k層級L_k的至少一個元素,且該第j層級L_j的所有元素與該第k層級L_k的所有元素不同;其中各別產生對應該些使用者的該些第k層級使用者資料的步驟包括:計算該些第j層級使用者資料的一資料稀疏度;以及根據該些第j層級使用者資料的該資料稀疏度,以將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素;分群該些第k層級使用者資料;以及根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者。
- 如請求項17所述之非揮發性電腦可讀取記錄媒體,其中各別產生對應該些使用者的該些第k層級使用者資料的步驟包括:根據該本體論階層結構,將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素,以作為每一該些第k層級使用者資料所記錄的該第k層級L_k的至少一個元素。
- 如請求項17所述之非揮發性電腦可讀取記錄媒 體,其中將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素的步驟包括:判斷該些第j層級使用者資料的資料稀疏度是否大於一第j門檻值;以及在該些第j層級使用者資料的資料稀疏度大於該第j門檻值的情況下,將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該些層級中的一第j+1層級L_j+1的至少一個元素。
- 如請求項19所述之非揮發性電腦可讀取記錄媒體,其中將每一該些第j層級使用者資料所記錄的該第j層級L_j的元素映射至該第k層級L_k的至少一個元素的步驟更包括:在該些第j層級使用者資料的資料稀疏度不大於該第j門檻值的情況下,以該些第j層級使用者資料做為該些第k層級使用者資料。
- 如請求項17所述之非揮發性電腦可讀取記錄媒體,其中該些第j層級使用者資料的該資料稀疏度表示為S_j,該些使用者的數量表示為U,該第j層級L_j中的元素的數量表示為I_J,該些第j層級使用者資料所記錄的該第j層級L_j的元素之數量總和表示為R_j,且S_j、U、I_j、R_j符合下式:S_j=1-(R_j/(U×I_j))。
- 如請求項17所述之非揮發性電腦可讀取記錄媒體,其中根據分群結果以推薦該本體論資料庫中的該些元素給該些使用者的步驟包括:在一群組中的第k層級使用者資料所記錄的該第k層級L_k的元素中,找出一第k層級頻繁元素;根據第k層級頻繁元素,在該第j層級L_j的元素中找出一第j層級頻繁元素;以及推薦該第j層級頻繁元素給對應於該群組中的第k層級使用者資料的使用者。
- 如請求項22所述之非揮發性電腦可讀取記錄媒體,其中根據第k層級頻繁元素,在該第j層級L_j的元素中找出該第j層級頻繁元素的步驟包括:判斷該第k層級頻繁元素是否為該第j層級L_j中的元素中的一者;在該第k層級頻繁元素不為該第j層級L_k中的元素中的一者的情況下,將該第k層級頻繁元素映射至該些層級中的一第k-1層級L_k-1的元素;以及透過一頻繁樣式探勘,找出該第k層級頻繁元素所映射的該第k-1層級L_k-1的元素中的一第k-1層級頻繁元素。
- 如請求項23所述之非揮發性電腦可讀取記錄媒體,其中根據第k層級頻繁元素,在該第j層級L_j的元素中找出該第j層級頻繁元素的步驟更包括:在該第k層級頻繁元素為該第j層級L_j中的元素中的一者的情況下,以該第k層級頻繁元素作為該第j層級頻繁元素。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102137173A TWI613604B (zh) | 2013-10-15 | 2013-10-15 | 推薦系統、方法及其電腦可讀取記錄媒體 |
US14/088,534 US9659302B2 (en) | 2013-10-15 | 2013-11-25 | Recommendation system, method and non-transitory computer readable storage medium for storing thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102137173A TWI613604B (zh) | 2013-10-15 | 2013-10-15 | 推薦系統、方法及其電腦可讀取記錄媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201514888A TW201514888A (zh) | 2015-04-16 |
TWI613604B true TWI613604B (zh) | 2018-02-01 |
Family
ID=52810560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102137173A TWI613604B (zh) | 2013-10-15 | 2013-10-15 | 推薦系統、方法及其電腦可讀取記錄媒體 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9659302B2 (zh) |
TW (1) | TWI613604B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093094A (zh) * | 2016-11-25 | 2017-08-25 | 口碑控股有限公司 | 一种评价信息的发布方法及装置 |
WO2024149473A1 (en) | 2023-01-13 | 2024-07-18 | Universitat Politècnica De Catalunya | A quick sequence detection method, system and computer programs |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201106178A (en) * | 2009-08-12 | 2011-02-16 | Univ Nat Pingtung Sci & Tech | Medical tourism service recommendation method |
CN103106535A (zh) * | 2013-02-21 | 2013-05-15 | 电子科技大学 | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 |
US20130132442A1 (en) * | 2011-11-21 | 2013-05-23 | Motorola Mobility, Inc. | Ontology construction |
CN103198418A (zh) * | 2013-03-15 | 2013-07-10 | 北京亿赞普网络技术有限公司 | 一种应用推荐方法和*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040015415A1 (en) * | 2000-04-21 | 2004-01-22 | International Business Machines Corporation | System, program product, and method for comparison shopping with dynamic pricing over a network |
US7730063B2 (en) * | 2002-12-10 | 2010-06-01 | Asset Trust, Inc. | Personalized medicine service |
US20130046723A1 (en) * | 2005-03-30 | 2013-02-21 | Primal Fusion Inc. | Knowledge representation systems and methods incorporating customization |
TW200912795A (en) | 2007-09-04 | 2009-03-16 | Ind Tech Res Inst | Context inference system and method thereof |
US8374982B2 (en) | 2010-01-14 | 2013-02-12 | Hewlett-Packard Development Company, L.P. | System and method for constructing forecast models |
US8832099B2 (en) | 2010-03-09 | 2014-09-09 | Yahoo! Inc. | User specific feed recommendations |
US8682921B2 (en) * | 2010-07-07 | 2014-03-25 | Johnson Controls Technology Company | Query engine for building management systems |
-
2013
- 2013-10-15 TW TW102137173A patent/TWI613604B/zh active
- 2013-11-25 US US14/088,534 patent/US9659302B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201106178A (en) * | 2009-08-12 | 2011-02-16 | Univ Nat Pingtung Sci & Tech | Medical tourism service recommendation method |
US20130132442A1 (en) * | 2011-11-21 | 2013-05-23 | Motorola Mobility, Inc. | Ontology construction |
CN103106535A (zh) * | 2013-02-21 | 2013-05-15 | 电子科技大学 | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 |
CN103198418A (zh) * | 2013-03-15 | 2013-07-10 | 北京亿赞普网络技术有限公司 | 一种应用推荐方法和*** |
Non-Patent Citations (2)
Title |
---|
劉雅茹,"利用本體論建構群組偏好樹於產品推薦之研究 ",朝陽科技大學 資訊管理系 碩士論文,2009/01/14 * |
劉雅茹,"利用本體論建構群組偏好樹於產品推薦之研究 ",朝陽科技大學 資訊管理系 碩士論文,2009/01/14。^&rn^ |
Also Published As
Publication number | Publication date |
---|---|
US20150106374A1 (en) | 2015-04-16 |
US9659302B2 (en) | 2017-05-23 |
TW201514888A (zh) | 2015-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maharaj et al. | Time series clustering and classification | |
Kranen et al. | The clustree: indexing micro-clusters for anytime stream mining | |
Bornmann et al. | The use of percentiles and percentile rank classes in the analysis of bibliometric data: Opportunities and limits | |
Bojanowski et al. | Weakly supervised action labeling in videos under ordering constraints | |
US11714831B2 (en) | Data processing and classification | |
Aghabozorgi et al. | Stock market co-movement assessment using a three-phase clustering method | |
Goyal et al. | A comprehensive approach to operation sequence similarity based part family formation in the reconfigurable manufacturing system | |
TW202029079A (zh) | 異常群體識別方法及裝置 | |
CN107357812A (zh) | 一种数据查询方法及装置 | |
CN109543040A (zh) | 相似账户识别方法及装置 | |
Vemulapalli et al. | Robust extrema features for time-series data analysis | |
Goldstein et al. | A scaling approach to record linkage | |
US10877989B2 (en) | Data conversion system and method of converting data | |
TWI613604B (zh) | 推薦系統、方法及其電腦可讀取記錄媒體 | |
JPWO2017203672A1 (ja) | アイテム推奨方法、アイテム推奨プログラムおよびアイテム推奨装置 | |
Xia et al. | Conceptual clustering categorical data with uncertainty | |
Chu et al. | Adaptive convex clustering of generalized linear models with application in purchase likelihood prediction | |
JP7292235B2 (ja) | 分析支援装置及び分析支援方法 | |
Carbery et al. | Missingness analysis of manufacturing systems: a case study | |
de Souza et al. | Switching nonparametric regression models | |
Cai et al. | An outer-product-of-gradient approach to dimension reduction and its application to classification in high dimensional space | |
US8086550B2 (en) | Methods, apparatuses, and computer program products for classifying uncertain data | |
Boyack et al. | An improved practical approach to forecasting exceptional growth in research | |
Ravikumar et al. | Fuzzy classification of time series data | |
CN104572669B (zh) | 推荐***及其方法 |