-
公开(公告)号：CN106777123B
公开(公告)日：2019-07-19
申请号：CN201611168532.1
申请日：2016-12-16
Applicant: 合肥工业大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种基于双向张量分解模型的群推荐方法，包括：1)定义一个表示群体G、用户U和产品I的交互关系DS；2)构建张量分解模型；3)利用贝叶斯个性化排序方法对张量分解模型进行转化求解，得到张量分解模型中的各个参数值；4)获得第g个群体对第i个产品的群体偏好并遍历所有商品获得第g个群体对所有产品的群体偏好；5)将第g个群体对所有产品的群体偏好进行降序排序，并选择前N个产品作为推荐产品列表推送给第g个群体。本发明将个体偏好建模为双向过程，能有效反映个体偏好的真实形成过程，提高了群推荐的精度，且具有较好的鲁棒性。
-
-
公开(公告)号：CN106777123A
公开(公告)日：2017-05-31
申请号：CN201611168532.1
申请日：2016-12-16
Applicant: 合肥工业大学
CPC classification number: G06F16/9535 , G06Q50/01
Abstract: 本发明公开了一种基于双向张量分解模型的群推荐方法，包括：1)定义一个表示群体G、用户U和产品I的交互关系DS；2)构建张量分解模型；3)利用贝叶斯个性化排序方法对张量分解模型进行转化求解，得到张量分解模型中的各个参数值；4)获得第g个群体对第i个产品的群体偏好并遍历所有商品获得第g个群体对所有产品的群体偏好；5)将第g个群体对所有产品的群体偏好进行降序排序，并选择前N个产品作为推荐产品列表推送给第g个群体。本发明将个体偏好建模为双向过程，能有效反映个体偏好的真实形成过程，提高了群推荐的精度，且具有较好的鲁棒性。
-
公开(公告)号：CN103632290B
公开(公告)日：2016-06-29
申请号：CN201310637512.4
申请日：2013-12-02
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于推荐概率融合的混合推荐方法，该方法包括如下步骤：1）用二维表表示商品的评分数据；2）对已评分集合中的任意项作为未知数，利用基础推荐方法得到对应项的预测结果，将已评分项评分和对应项的预测结果的集合利用神经网络进行训练得到评分预测模型SFM；3）利用基础推荐方法得到未评分项预测结果，将未评分项预测结果的集合利用SFM获得未评分项的最终预测值；4）将用户的所有未评分项按照未评分项最终预测值集合中各预测值的大小进行降序排列获得未评分项排序集合，选取未评分项排序集合的前N项作为推荐结果推荐给用户。本发明能有效反映用户评价的真实情况，提高个性化推荐的精度。
-
公开(公告)号：CN107833117B
公开(公告)日：2020-03-17
申请号：CN201711331175.0
申请日：2017-12-13
Applicant: 合肥工业大学
IPC: G06Q30/06 , G06F16/9535
Abstract: 本发明公开了一种考虑标签信息的贝叶斯个性化排序推荐方法，其特征按如下步骤进行：步骤一、定义一个表示用户与产品的交互关系；步骤二、定义用户与交互项产品的标签匹配度；步骤三、定义用户的偏好反馈集合的划分标准；步骤四、构建用户对产品的矩阵分解模型；步骤五、利用贝叶斯个性化推荐方法对模型进行求解；步骤六、获得某个用户的为交互项产品的降序排列，并将前top个产品推荐给用户。本发明具有较好的推荐性能，特别是在数据稀疏与冷启动用户推荐情况下。
-
Patent Agency Ranking
公开(公告)号：CN106651519A
公开(公告)日：2017-05-10
申请号：CN201611207428.9
申请日：2016-12-23
Applicant: 广州赛宝认证中心服务有限公司 , 合肥工业大学 , 工业和信息化部电子第五研究所
Abstract: 本发明涉及一种基于标签信息的个性化推荐方法和系统，该方法包括：通过根据各用户标识所对应的各标签信息对各产品标识进行标记的状态生成三维表，根据三维表建立用户产品交互矩阵模型和产品标签关系矩阵模型；根据用户产品交互矩阵模型和产品标签关系矩阵模型，构建用户标识、产品标识和标签信息对应的联合分解模型；利用贝叶斯个性化排序方法求解联合分解模型得到多个参数值；根据参数值获取用户标识对各产品标识的偏好程度；根据偏好程度从产品标识中选取推荐标识，将推荐标识对应的产品信息推荐给对应的用户标识所在的终端。如此，能解决在标签信息中数据稀疏性的限制，提高个性化排序的精度，从而提高推荐的准确度。
-
公开(公告)号：CN106055715A
公开(公告)日：2016-10-26
申请号：CN201610547148.6
申请日：2016-07-12
Applicant: 合肥工业大学
CPC classification number: G06Q30/0631 , G06F17/30867 , G06Q30/0623
Abstract: 本发明公开了一种基于产品项目特征扩充的最近邻协同过滤方法(IFA)，该方法包括如下步骤：1)用二维表表示产品的评分数据；2)基于朴素贝叶斯分类器的贫信息用户项目相似度计算；3)富信息用户项目相似度计算；4)基于贫信息用户的项目相似度与富信息用户的项目相似度融合；5)结合基于项目的协同过滤算法给出未评分产品的评分预测值集合，并取前N项作为最终推荐结果。本发明能有效反映用户评价的真实情况，提高个性化推荐精度。
-
公开(公告)号：CN107844585B
公开(公告)日：2020-02-14
申请号：CN201711134593.0
申请日：2017-11-16
Applicant: 合肥工业大学
IPC: G06F16/9535 , G06F16/9536
Abstract: 本发明公开了一种考虑重叠社区效应的推荐方法，其特征是按如下步骤进行：步骤一、获得用户‑主题概率分布矩阵、主题‑商品概率分布矩阵；步骤二、计算商品对用户的效用；步骤三、根据效用评分由高到低的排序，取其中前N项生成用户的商品推荐列表，从而推荐给用户。本发明能有效解决现有推荐系统存在的“冷启动”和数据稀疏问题，提高推荐质量，为用户提供更好的个性化服务。
-
公开(公告)号：CN106055715B
公开(公告)日：2018-03-09
申请号：CN201610547148.6
申请日：2016-07-12
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于产品项目特征扩充的最近邻协同过滤方法(IFA)，该方法包括如下步骤：1)用二维表表示产品的评分数据；2)基于朴素贝叶斯分类器的贫信息用户项目相似度计算；3)富信息用户项目相似度计算；4)基于贫信息用户的项目相似度与富信息用户的项目相似度融合；5)结合基于项目的协同过滤算法给出未评分产品的评分预测值集合，并取前N项作为最终推荐结果。本发明能有效反映用户评价的真实情况，提高个性化推荐精度。
-
公开(公告)号：CN104166732A
公开(公告)日：2014-11-26
申请号：CN201410436669.5
申请日：2014-08-29
Applicant: 合肥工业大学
CPC classification number: G06F17/30867 , G06Q30/0241
Abstract: 本发明公开了一种基于全局评分信息的项目协同过滤推荐方法，其特征是按如下步骤进行：步骤一、用二维表表示项目的评分数据；步骤二、基于全局评分信息获得用户第j个未评分项与其他所有项目的相关度所构成的相关度集合；步骤三、重复步骤二获得用户所有未评分项的相似度集合；步骤四、将相似度集合中的相似度大小进行降序排列获得最近邻居项目集；步骤五、获得用户对第j个未评分项的预测评分和所有未评分项的预测评分构成的预测评分集合；步骤六、将预测评分集合中的预测评分进行降序排列，获得未评分项排序集合，并选取前N项作为推荐结果推荐给用户。本发明能在数据稀疏情况下充分利用用户所有的评分信息，从而提高预测准确度。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.025 seconds)
