鬼佬大哥大
  • / 12
  • 下載費用:30 金幣  

基于評分和標簽構建用戶群體模型的電子商務推薦方法.pdf

摘要
申請專利號:

CN201510328864.0

申請日:

2015.06.15

公開號:

CN104915861A

公開日:

2015.09.16

當前法律狀態:

撤回

有效性:

無權

法律詳情: 發明專利申請公布后的視為撤回IPC(主分類):G06Q 30/02申請公布日:20150916|||實質審查的生效IPC(主分類):G06Q 30/02申請日:20150615|||公開
IPC分類號: G06Q30/02(2012.01)I; G06F17/30 主分類號: G06Q30/02
申請人: 浙江經貿職業技術學院; 浙江金大科技有限公司
發明人: 郭飛鵬; 謝紅華; 盧琦蓓; 宋志序; 劉東升; 趙毅
地址: 310018浙江省杭州市下沙高教園東區學林街280號
優先權:
專利代理機構: 杭州天正專利事務所有限公司33201 代理人: 王兵; 黃美娟
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510328864.0

授權公告號:

||||||

法律狀態公告日:

2018.10.26|||2015.10.14|||2015.09.16

法律狀態類型:

發明專利申請公布后的視為撤回|||實質審查的生效|||公開

摘要

本發明涉及電子商務智能推薦領域,具體涉及一種基于評分和標簽構建用戶群體模型的電子商務推薦方法。特別是適用于用戶和資源數量龐大,具有標簽的群體用戶的資源推薦,利用群體用戶模型的特點可以緩解用戶數據稀疏的問題,提高推薦質量。本發明結合標簽和評分信息,通過用戶特征分析建立用戶的群體模型,然后基于用戶的群體模型計算用戶對資源的興趣度,在用戶評分的基礎上提出了利用標簽分析理解評分的內在含義的方法,克服了單純利用評分信息量較少的問題,從而更加準確的把握用戶的興趣點,同時豐富了用戶可用信息,有利于緩解評分稀疏性的問題,形成比較好的推薦結果。

權利要求書

權利要求書
1.  基于評分和標簽構建用戶群體模型的電子商務推薦方法,包括以下步驟:
步驟1基于用戶特征的用戶群體構建;
用戶特征集UC,是用戶個體u本身的多種特征集合,有年齡、性別、婚姻、教育、職業和地域,則定義用戶特征集為,UC={Age,Gender,Marriage,Education,Occupation,Region…};根據用戶的特征數據集可以計算用戶特征相似度,cli表示第i種特征的相似度;
(1)年齡:用戶u和v之間的年齡相似度計算方法如下,
cl1=1-|Age(u)-Age(v)|10,|Age(u)-Age(v)|100,|Age(u)-Age(v)|>10---(1)]]>
(2)性別、婚姻:用1和0分別表示用戶的性別為男或女,用1和0分別表示婚姻“是或否”;
(3)教育背景:按高中以下、高中、本科、碩士、博士,分別記為{1,2,3,4,5},cl3具體計算如下,
cl3=1-|Education(u)-Education(v)|4---(2)]]>
(4)職業:按不同職業種類記為{0,1,2,…,n};n表示職業的種類數;
(5)地域:長期居住地相同并且居住地的行政區域單位越小則用戶的相似度越高,cl5具體計算方法為,若用戶u與用戶v的家庭所在地位于同一鄉鎮或街道則為1,位于相同縣則為0.8,位于相同市則為0.6,位于相同省則為0.4,位于相同國家則為0.2,其余均為0;用戶u和用戶v的特征相似度可以定義為所有k個用戶特征屬性的平均相似度,計算公式如下,
simuser(u,v)=(Σi=1kwi×cli)---(3)]]>
其中,wi表示第i個用戶特征屬性的權重;基于群體的用戶建模通過聯合群體內所有用戶的標注行為建立用戶模型,反映了具有相同用戶特征的用戶可能具有的興趣偏好;
步驟2用戶標簽初始權重計算;
采用基于信息熵的方法來定義標簽反映用戶興趣的初始權重,有助于體現用戶的多興趣性:
d(t)=log(fu(t)/fu+1)    (6)
其中,d(t)表示用戶u對標簽t的初始興趣權重,fu(t)表示用戶u使用標簽t進行標注的頻數,fu表示用戶u使用標簽總頻數,d(t)∈[0,1];
步驟3標簽關聯權重計算;
定義一個標簽關聯度來表示這種標簽之間相關性;當用戶通過一組標簽共同標注一個資源時,則這一組標簽之間有一定的語義相關性,用戶的整個標簽集合可以通過這種關系聯系起來;
c(ti,tj)=|RiRj||RiRj|---(7)]]>
其中,c(ti,tj)表示標簽ti,tj之間的關聯系數,Ri,Rj分別表示標簽ti,tj所標注的資源的集合;
用戶的標簽權重不僅與標簽自身的頻率有關,還與該標簽相關聯的其它標簽的權重有關,將標簽從其它標簽獲得的權重定義為關聯性權重;標簽t從其它 標簽獲得的關聯性權重p(t)為,
p(t)=Σti∈Tuc(t,ti)d(ti)---(8)]]>
Tu為用戶u使用的標簽集合;d(ti)表示用戶u對標簽ti的初始興趣權重;
步驟4,最終用戶標簽權重計算;
通過以上對用戶標簽的分析,得到最終的用戶標簽權重wu(t)為:
wu(t)=αd(t)+(1-α)p(t)   (9)
其中α是訓練參數,根據用戶反饋進行調整;
步驟5資源標簽分析與計算;
資源標簽分析用標簽權重wi(t)來刻畫各個標簽對于資源的不同反映程度,對于同一個資源,用戶使用相同的標簽標注的次數越多,則這個標簽越能反映用戶對該資源的認知;借鑒TF*IDF公式,則標簽t對資源i的權重wi(t)為:
wi(t)=TF(i,t)*log(|I|/nt+0.01)Σt∈Ti(TF(i,t)*1og(|I|/nt+0.01))2---(10)]]>
其中,TF(i,t)表示所有用戶對資源i使用標簽t進行標注的頻率,|I|表示所有資源的個數,nt表示使用標簽t標注過的資源的個數,分母為歸一化因子;
由資源標簽分析,將用戶對資源的評分分散給每個對資源進行標注的標簽,則用戶u對資源i的評分分散給標簽t的評分為:
ru,i,t=|Tu,i|wi(t)Σt∈Tu,iwi(t)Ru,i---(11)]]>
其中,Tu,i為用戶u對資源i使用的標簽的集合,|Tu,i|為Tu,i中標簽的個數,Ru,i為用 戶u對資源i的評分;
用戶u對標簽t的興趣度ru,t為,
ru,t=Σt∈Turu,i,twu(t)fu(t)---(12)]]>
其中,fu(t)表示用戶u使用標簽t對資源標注的頻數,Tu為用戶u使用的標簽集合;
標簽t對資源i的表示程度ri,t為,
ri,t=Σt∈Tiru,i,tf(t)---(13)]]>
其中,fi(t)表示資源i被標簽t標注的頻數,Ti為所有對資源i標注的標簽集合;
步驟6,資源推薦;
個性化推薦系統的最終目標是找到與用戶興趣度匹配最高的資源,由于標簽是聯系用戶和資源的紐帶,選擇與目標用戶具有共同標簽的資源組成候選推薦資源集合,并通過計算用戶與資源的相似度,按照一定的方式將候選推薦資源展示給用戶;
根據用戶標簽向量和資源標簽向量,計算用戶興趣與資源相似度,通過以標簽向量表示的用戶與資源的相似度來表示用戶u對資源i興趣度大小,計算用戶u對資源i的興趣度Q(u,i):
Q(u,i)=Σt∈Tu,i(ru,t-r‾u)(ri,t-r‾i)Σt∈Tu,i(ru,t-r‾u)2Σt∈Tu,i(ri,t-r‾i)2---(14)]]>
其中,ru,t和分別表示用戶u對標簽t的興趣度和平均興趣度,ri,t和分別為標簽t對資源i的表示程度和平均表示程度,Tu,i為用戶u和資源i共同擁有的標簽集合。

說明書

說明書基于評分和標簽構建用戶群體模型的電子商務推薦方法
技術領域
本發明涉及電子商務智能推薦領域,具體涉及一種基于評分和標簽構建用戶群體模型的電子商務推薦方法。特別是適用于用戶和資源數量龐大,具有標簽的群體用戶的資源推薦,利用群體用戶模型的特點可以緩解用戶數據稀疏的問題,提高推薦質量。
技術背景
網絡和在線協同技術的迅速發展,讓廣大網絡用戶不僅可以從互聯網上獲取各種信息,還可以自由地發布各種信息或對已有數據添加自己觀點和態度的社會化標注。社會化標注系統已經逐漸發展成為重要的網絡資源組織與共享平臺,成為Web的主要發展方向之一,出現了如Delicious、豆瓣、Flickr、YouTube等一大批社會化標注的應用和體驗。互聯網上大量用戶的標注使得社會化標注系統擁有豐富的特征信息,為用戶提供了表達自我和抒發情感的機會。這些主動的標注行為可以反映出用戶的興趣和認知偏好。同時,用戶還可以參考和借鑒其他用戶所選擇的資源和標簽,體現出一定的互動性。如果能夠將這些社會化標注信息合理運用到圖書、電影和音樂等推薦系統中,那么就能夠使推薦系統比較準確地把握用戶的實時需求并有針對性地進行推薦,從而滿足用戶的個性化需求,改善推薦的有效性,對于解決信息過載有一定的促進作用。
由于用戶數據的稀疏性,異構多源性和社會環境不同等原因,推薦結果受到很大的影響。本發明結合標簽和評分信息,通過用戶特征分析建立用戶的群體模型,然后基于用戶的群體模型計算用戶對資源的興趣度,從而緩解用戶數據稀疏等問題,形成比較好的推薦結果。
發明內容
本發明的目的在于解決網絡推薦的數據稀疏性問題,提出一種基于評分和標簽構建用戶群體模型的電子商務推薦方法。
用戶(u)是指在網站或網絡應用上注冊的使用者。網絡應用系統中的所有用戶組成了用戶集合表示為U={u1,u2,...,u|U|},網絡應用系統上所有資源組成的資源集合表示為I={i1,i2,…,i|I|},用戶對資源標注時使用的標簽組成標簽集合表示為T={t1,t2,…,t|T|},服務端通過收集用戶評分和標注信息建立用戶模型,推薦引擎根據推薦算法和用戶模型為用戶推薦其可能感興趣的資源,然后根據用戶對推薦結果的反饋,調整推薦參數,優化推薦結果。其中|U|、|I|、|T|分別表示用戶、資源和標簽的個數。
用戶模型用于獲取用戶的興趣特征和需求,用戶模型的好壞將直接影響到推薦結果的質量。傳統基于評分的用戶模型不能準確表達用戶的閱讀興趣,例如用戶u1和用戶u2同時閱讀了《偉大的博弈》這本書并且評分5分,然而讓用戶u1感興趣的原因是“這是一部金融歷史類的圖書”,而用戶u2的原因只是想了解華爾街的一些情況。上例中用戶u1可以使用“金融”、“歷史”等標簽,用戶u2可以使用“華 爾街”等標簽。用戶標簽和評分模型如圖1所示,從圖1中可以看出用戶評分與標簽是兩個相對獨立,但又相互補充的過程。它們分別從總的興趣程度大小和具體各個興趣點共同對資源進行描述。以資源為媒介,本發明將用戶對于資源的評分按權重擴展到標簽,然后重新收回到資源,從而形成用戶推薦。
與本發明基于評分和標簽構建用戶群體模型的電子商務推薦方法相關的定義如下:
定義1:£群體,用戶空間上的非空有限集合U={u1,u2,...,un},對于U上的任意用戶ui,定義其£群體為£(ui)={u|u∈U,SimUser(u,ui)≥£},其中0≤£≤1;則稱£(ui)為用戶ui相應的£群體;根據用戶群體的定義可知,當用戶特征相似度閾值£=0時,£(ui)包含所有的用戶,即用戶之間沒有區分度;隨著£的增大,用戶群體包含用戶的個數逐漸減少,不同的用戶開始體現出差異性;當£=1時,用戶群體縮小為一個,這時用戶之間的相似度與傳統的協同過濾相似度相同;
本發明所述的基于評分和標簽構建用戶群體模型的電子商務推薦方法,包括以下步驟:
步驟1基于用戶特征的用戶群體構建;
用戶群體的形成主要是由用戶興趣相關的用戶特征所決定,具有相同特征的用戶更容易形成一個興趣相對穩定的群體;用戶特征集UC,是用戶個體u本身的多種特征集合,有年齡、性別、婚姻、教 育、職業和地域,則定義用戶特征集為,UC={Age,Gender,Marriage,Education,Occupation,Region…};根據用戶的特征數據集可以計算用戶特征相似度,cli表示第i種特征的相似度;
(1)年齡:用戶u和v之間的年齡相似度計算方法如下,
cl1=1-|Age(u)-Age(v)|10,|Age(u)-Age(v)|100,|Age(u)-Age(v)|>10---(1)]]>
(2)性別、婚姻:用1和0分別表示用戶的性別為男或女,用1和0分別表示婚姻“是或否”;
(3)教育背景:按高中以下、高中、本科、碩士、博士,分別記為{1,2,3,4,5},cl3具體計算如下,
cl3=1-|Education(u)-Education(v)|4---(2)]]>
(4)職業:按不同職業種類記為{0,1,2,…,n};n表示職業的種類數;
(5)地域:長期居住地相同并且居住地的行政區域單位越小則用戶的相似度越高,cl5具體計算方法為,若用戶u與用戶v的家庭所在地位于同一鄉鎮或街道則為1,位于相同縣則為0.8,位于相同市則為0.6,位于相同省則為0.4,位于相同國家則為0.2,其余均為0;用戶u和用戶v的特征相似度可以定義為所有k個用戶特征屬性的平均相似度,計算公式如下,
simuser(u,v)=(Σi=1kwi×cli)---(3)]]>
其中,wi表示第i個用戶特征屬性的權重;基于群體的用戶建模通過聯合群體內所有用戶的標注行為建立用戶模型,反映了具有相同用戶特征的用戶可能具有的興趣偏好;
步驟2用戶標簽初始權重計算;
采用基于信息熵的方法來定義標簽反映用戶興趣的初始權重,有助于體現用戶的多興趣性:
d(t)=log(fu(t)/fu+1)       (6)
其中,d(t)表示用戶u對標簽t的初始興趣權重,fu(t)表示用戶u使用標簽t進行標注的頻數,fu表示用戶u使用標簽總頻數,d(t)∈[0,1];
步驟3標簽關聯權重計算;
本發明定義一個標簽關聯度來表示這種標簽之間相關性;當用戶通過一組標簽共同標注一個資源時,則這一組標簽之間有一定的語義相關性,用戶的整個標簽集合可以通過這種關系聯系起來;
c(ti,tj)=|RiRj||RiRj|---(7)]]>
其中,c(ti,tj)表示標簽ti,tj之間的關聯系數,Ri,Rj分別表示標簽ti,tj所標注的資源的集合;
用戶的標簽權重不僅與標簽自身的頻率有關,還與該標簽相關聯的其它標簽的權重有關,本發明將標簽從其它標簽獲得的權重定義為關聯性權重;標簽t從其它標簽獲得的關聯性權重p(t)為,
p(t)=Σti∈Tuc(t,ti)d(ti)---(8)]]>
Tu為用戶u使用的標簽集合;d(ti)表示用戶u對標簽ti的初始興趣權重;
步驟4最終用戶標簽權重計算;
通過以上對用戶標簽的分析,得到最終的用戶標簽權重wu(t)為:
wu(t)=αd(t)+(1-α)p(t)       (9)
其中α是訓練參數,根據用戶反饋進行調整;
步驟5資源標簽分析與計算;
資源標簽分析用標簽權重wi(t)來刻畫各個標簽對于資源的不同反映程度,對于同一個資源,用戶使用相同的標簽標注的次數越多,則這個標簽越能反映用戶對該資源的認知;借鑒TF*IDF公式,則標簽t對資源i的權重wi(t)為:
wi(t)=TF(i,t)*log(|I|/nt+0.01)Σt∈Ti(TF(i,t)*log(|I|/nt+0.01))2---(10)]]>
其中,TF(i,t)表示所有用戶對資源i使用標簽t進行標注的頻率,|I|表示所有資源的個數,nt表示使用標簽t標注過的資源的個數,分母為歸一化因子;
由資源標簽分析,將用戶對資源的評分分散給每個對資源進行標注的標簽,則用戶u對資源i的評分分散給標簽t的評分為:
ru,i,t=|Tu,i|wi(t)Σt∈Tu,iwi(t)Ru,i---(11)]]>
其中,Tu,i為用戶u對資源i使用的標簽的集合,|Tu,i|為Tu,i中標簽的個數,Ru,i為用戶u對資源i的評分;
用戶u對標簽t的興趣度ru,t為,
ru,t=Σt∈Turu,i,twu(t)fu(t)---(12)]]>
其中,fu(t)表示用戶u使用標簽t對資源標注的頻數,Tu為用戶u使用的標簽集合;
標簽t對資源i的表示程度ri,t為,
ri,t=Σt∈Tiru,i,tfi(t)---(13)]]>
其中,fi(t)表示資源i被標簽t標注的頻數,Ti為所有對資源i標注的標簽集合;
步驟6資源推薦;
個性化推薦系統的最終目標是找到與用戶興趣度匹配最高的資源,由于標簽是聯系用戶和資源的紐帶,選擇與目標用戶具有共同標簽的資源組成候選推薦資源集合,并通過計算用戶與資源的相似度,按照一定的方式將候選推薦資源展示給用戶;
本發明根據用戶標簽向量和資源標簽向量,計算用戶興趣與資源 相似度,通過以標簽向量表示的用戶與資源的相似度來表示用戶u對資源i興趣度大小,計算用戶u對資源i的興趣度Q(u,i):
Q(u,i)=Σt∈Tu,i(ru,t-r‾u)(ri,t-r‾i)Σt∈Tu,i(ru,t-r‾u)2Σt∈Tu,i(ri,t-r‾i)2---(14)]]>
其中,ru,t和分別表示用戶u對標簽t的興趣度和平均興趣度,ri,t和分別為標簽t對資源i的表示程度和平均表示程度,Tu,i為用戶u和資源i共同擁有的標簽集合。
本發明的有益效果在于:
本發明在用戶評分的基礎上提出了利用標簽分析理解評分的內在含義的方法,克服了單純利用評分信息量較少的問題,從而更加準確的把握用戶的興趣點,同時豐富了用戶可用信息,有利于緩解評分稀疏性的問題。
附圖說明
圖1是本發明方法的用戶評分和標簽模型。
具體實施方式
本發明所述的基于評分和標簽構建用戶群體模型的電子商務推薦方法,包括以下步驟:
步驟1基于用戶特征的用戶群體構建;
用戶特征集UC={Age,Gender,Marriage,Education,Occupation, Region…};根據用戶的特征數據集可以計算用戶特征相似度,cli表示第i種特征的相似度;
(1)年齡:用戶u和v之間的年齡相似度計算方法如下,
cl1=1-|Age(u)-Age(v)|10,|Age(u)-Age(v)|100,|Age(u)-Age(v)|>10---(1)]]>
(2)性別、婚姻:用1和0分別表示用戶的性別為男或女,用1和0分別表示婚姻“是或否”;
(3)教育背景:按高中以下、高中、本科、碩士、博士,分別記為{1,2,3,4,5},cl3具體計算如下,
cl3=1-|Education(u)-Education(v)|4---(2)]]>
(4)職業:按不同職業種類記為{0,1,2,…,n};
(5)地域:長期居住地相同并且居住地的行政區域單位越小則用戶的相似度越高,cl5具體計算方法為,若用戶u與用戶v的家庭所在地位于同一鄉鎮或街道則為1,位于相同縣則為0.8,位于相同市則為0.6,位于相同省則為0.4,位于相同國家則為0.2,其余均為0;用戶u和用戶v的特征相似度可以定義為所有k個用戶特征屬性的平均相似度,計算公式如下,
simuser(u,v)=(Σi=1kwi×cli)---(3)]]>
其中,wi表示第i個用戶特征屬性的權重;基于群體的用戶建模通過 聯合群體內所有用戶的標注行為建立用戶模型,反映了具有相同用戶特征的用戶可能具有的興趣偏好;
步驟2用戶標簽初始權重計算;
采用基于信息熵的方法來定義標簽反映用戶興趣的初始權重,有助于體現用戶的多興趣性:
d(t)=log(fu(t)/fu+1)        (6)
其中,d(t)表示用戶u對標簽t的初始興趣權重,fu(t)表示用戶u使用標簽t進行標注的頻數,fu表示用戶u使用標簽總頻數,d(t)∈[0,1];
步驟3標簽關聯權重計算;
本發明定義一個標簽關聯度來表示這種標簽之間相關性;當用戶通過一組標簽共同標注一個資源時,則這一組標簽之間有一定的語義相關性,用戶的整個標簽集合可以通過這種關系聯系起來;
c(ti,tj)=|RiRj||RiRj|---(7)]]>
其中,Ri,Rj分別表示標簽ti,tj所標注的資源的集合;
本發明將標簽從其它標簽獲得的權重定義為關聯性權重;標簽t從其它標簽獲得的關聯性權重p(t)為,
p(t)=Σti∈Tuc(t,ti)d(ti)---(8)]]>
Tu為用戶u使用的標簽集合;
步驟4最終用戶標簽權重計算;
通過以上對用戶標簽的分析,得到最終的用戶標簽權重wu(t)為:
wu(t)=αd(t)+(1-α)p(t)        (9)
其中α是訓練參數,根據用戶反饋進行調整;
步驟5資源標簽分析與計算;
資源標簽分析用標簽權重wi(t)來刻畫各個標簽對于資源的不同反映程度,對于同一個資源,用戶使用相同的標簽標注的次數越多,則這個標簽越能反映用戶對該資源的認知;借鑒TF*IDF公式,則標簽t對資源i的權重wi(t)為:
wi(t)=TF(i,t)*log(|I|/nt+0.01)Σt∈Ti(TF(i,t)*log(|I|/nt+0.01))2---(10)]]>
其中,TF(i,t)表示所有用戶對資源i使用標簽t進行標注的頻率,|I|表示所有資源的個數,nt表示使用標簽t標注過的資源的個數,分母為歸一化因子;
由資源標簽分析,將用戶對資源的評分分散給每個對資源進行標注的標簽,則用戶u對資源i的評分分散給標簽t的評分為:
ru,i,t=|Tu,i|wi(t)Σt∈Tu,iwi(t)Ru,i---(11)]]>
其中,Tu,i為用戶u對資源i使用的標簽的集合,|Tu,i|為Tu,i中標簽的個數,Ru,i為用戶u對資源i的評分;
用戶u對標簽t的興趣度ru,t為,
ru,t=Σt∈Turu,i,twu(t)fu(t)---(12)]]>
其中,fu(t)表示用戶u使用標簽t對資源標注的頻數,Tu為用戶u使用的標簽集合;
標簽t對資源i的表示程度ri,t為,
ri,t=Σt∈Tiru,i,tfi(t)---(13)]]>
其中,fi(t)表示資源i被標簽t標注的頻數,Ti為所有對資源i標注的標簽集合;
步驟6資源推薦;
個性化推薦系統的最終目標是找到與用戶興趣度匹配最高的資源,由于標簽是聯系用戶和資源的紐帶,選擇與目標用戶具有共同標簽的資源組成候選推薦資源集合,并通過計算用戶與資源的相似度,按照一定的方式將候選推薦資源展示給用戶;
本發明根據用戶標簽向量和資源標簽向量,計算用戶興趣與資源相似度,通過以標簽向量表示的用戶與資源的相似度來表示用戶u對資源i興趣度大小,計算用戶u對資源i的興趣度Q(u,i):
Q(u,i)=Σt∈Tu,i(ru,t-r‾u)(ri,t-r‾i)Σt∈Tu,i(ru,t-r‾u)2Σt∈Tu,i(ri,t-r‾i)2---(14)]]>
其中,ru,t和分別表示用戶u對標簽t的興趣度和平均興趣度,ri,t和分別為標簽t對資源i的表示程度和平均表示程度,Tu,i為用戶u和資源i共同擁有的標簽集合;
至此,得到目標用戶對資源的預測興趣度大小,根據興趣度排序后選擇興趣度最高的N個資源推薦給用戶。
本說明書實施例所述的內容僅僅是對發明構思的實現形式的列舉,本發明的保護范圍不應當被視為僅限于實施例所陳述的具體形式,本發明的保護范圍也及于本領域技術人員根據本發明構思所能夠想到的等同技術手段。

關 鍵 詞:
基于 評分 標簽 構建 用戶 群體 模型 電子商務 推薦 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:基于評分和標簽構建用戶群體模型的電子商務推薦方法.pdf
鏈接地址:http://www.wwszu.club/p-6373551.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大