公开(公告)号：CN108664658B

公开(公告)日：2020-08-11

申请号：CN201810487146.1

申请日：2018-05-21

Applicant: 南京大学

Inventor： 单存宇 ,  叶保留 ,  陆桑璐

IPC: G06F16/735 ,  G06F16/9535

Abstract: 本发明公开了一种考虑用户偏好随时间动态变化的协同过滤推荐方法，该方法包括数据预处理、模型训练和排序，其中，数据预处理主要对原始数据处理生成模型训练所要的格式化的学习样本集；训练模型主要根据生成的样本对用户特征和视频特征进行学习，主要由三块组成：参数矩阵、BPR模型和SimRank模型。当系统准备向用户推荐视频时，推荐引擎首先将后台记录的 对以及相应的元数据读入预处理模块；然后训练模块首先初始化所要学习的特征参数，根据数据预处理模块输入的对应的学习样本分别进行BPR学习和SimRank学习；最后根据训练好的用户特征和视频特征对视频进行排序并推荐。本发明在不增加时间复杂度的条件下动态建模用户的偏好，提升推荐的精准性。

公开(公告)号：CN108664658A

公开(公告)日：2018-10-16

申请号：CN201810487146.1

申请日：2018-05-21

Applicant: 南京大学

Inventor： 单存宇 ,  叶保留 ,  陆桑璐

IPC: G06F17/30

Abstract: 本发明公开了一种考虑用户偏好随时间动态变化的协同过滤推荐方法，该方法包括数据预处理、模型训练和排序，其中，数据预处理主要对原始数据处理生成模型训练所要的格式化的学习样本集；训练模型主要根据生成的样本对用户特征和视频特征进行学习，主要由三块组成：参数矩阵、BPR模型和SimRank模型。当系统准备向用户推荐视频时，推荐引擎首先将后台记录的 对以及相应的元数据读入预处理模块；然后训练模块首先初始化所要学习的特征参数，根据数据预处理模块输入的对应的学习样本分别进行BPR学习和SimRank学习；最后根据训练好的用户特征和视频特征对视频进行排序并推荐。本发明在不增加时间复杂度的条件下动态建模用户的偏好，提升推荐的精准性。