-
公开(公告)号：CN107967627A
公开(公告)日：2018-04-27
申请号：CN201711270746.4
申请日：2017-12-05
Applicant: 北京工业大学
Inventor： 张丝雨
CPC classification number: G06Q30/0201 , G06Q30/0631 , G06Q40/06
Abstract: 本发明公开一种改进的基于内容的线性回归方式进行理财产品推荐方法，使用现有基于内容的线性方式进行产品推荐时，在生成的回归方程中有些系数出现负数，表明该特性对用户购买该产品呈负相关，与实际应用场景相悖，产生过拟合现象。采用本发明理财产品推荐方法，能更直接找出错误产生的原因并进行改进，得出更优更符合实际情况的推荐。
-
公开(公告)号：CN109801146A
公开(公告)日：2019-05-24
申请号：CN201910108265.6
申请日：2019-01-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于需求偏好的资源服务推荐方法及系统，包括：从资源服务属性组合中采样正样本和负样本；采用随机森林模型对正样本和负样本进行训练，得到训练模型；对训练模型中正样本分支的所有属性进行投票，得到同属性间偏好排序；对训练模型中正、负样本分支上出现的、未出现的属性打分，得到不同属性间偏好排序；基于同属性间偏好排序和不同属性间偏好排序，进行资源服务推荐。本发明的资源服务推荐方法考虑到组合因素、负面因素，使用信息熵作为评价标准，实现更准确的资源服务需求偏好分析与推荐效果。
-
Patent Agency Ranking
公开(公告)号：CN108665323A
公开(公告)日：2018-10-16
申请号：CN201810484714.2
申请日：2018-05-20
Applicant: 北京工业大学
CPC classification number: G06Q30/0255 , G06Q30/0631 , G06Q40/06
Abstract: 本发明公开一种用于理财产品推荐系统的集成方法，基于数据平滑的协同过滤算法可以对稀疏数据进行填充，减少数据的稀疏性问题。基于人口统计学的推荐算法不需要历史数据，也不依赖物品的属性，可以解决用户的冷启动问题；将两种算法与表现性能良好的基于项目聚类和矩阵分解的推荐算法进行集成，扩大推荐算法的使用场景，提高推荐算法的自适应性。本发明集成方法可以有效地减少数据的稀疏性和解决冷启动问题，提升对每一位用户的推荐性能。
-
公开(公告)号：CN109801146B
公开(公告)日：2020-12-29
申请号：CN201910108265.6
申请日：2019-01-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于需求偏好的资源服务推荐方法及系统，包括：从资源服务属性组合中采样正样本和负样本；采用随机森林模型对正样本和负样本进行训练，得到训练模型；对训练模型中正样本分支的所有属性进行投票，得到同属性间偏好排序；对训练模型中正、负样本分支上出现的、未出现的属性打分，得到不同属性间偏好排序；基于同属性间偏好排序和不同属性间偏好排序，进行资源服务推荐。本发明的资源服务推荐方法考虑到组合因素、负面因素，使用信息熵作为评价标准，实现更准确的资源服务需求偏好分析与推荐效果。
-
公开(公告)号：CN108665323B
公开(公告)日：2021-01-05
申请号：CN201810484714.2
申请日：2018-05-20
Applicant: 北京工业大学
Abstract: 本发明公开一种用于理财产品推荐系统的集成方法，基于数据平滑的协同过滤算法可以对稀疏数据进行填充，减少数据的稀疏性问题。基于人口统计学的推荐算法不需要历史数据，也不依赖物品的属性，可以解决用户的冷启动问题；将两种算法与表现性能良好的基于项目聚类和矩阵分解的推荐算法进行集成，扩大推荐算法的使用场景，提高推荐算法的自适应性。本发明集成方法可以有效地减少数据的稀疏性和解决冷启动问题，提升对每一位用户的推荐性能。
-
公开(公告)号：CN108268900A
公开(公告)日：2018-07-10
申请号：CN201810067389.X
申请日：2018-01-23
Applicant: 北京工业大学
Abstract: 本发明公开了一种提升推荐系统多样性的方法，包括：输入训练样本和预测样本，训练样本为正样本；基于训练正样本生成负样本，利用PITF矩阵分解方法对正负样本进行降维，将降维后的数据进行混合加权线性表示，生成初步推荐模型；对正负样本进行联合特征筛选(提出带有高层次信息的目标函数、求解回归系数矩阵和联合特征筛选结果)；将初步推荐模型与联合特征的标签集合进行结合生成合成推荐单元，并将预测样本输入其中，得到的结果进行计数排名融合生成最终推荐列表。本发明基于矩阵相似性构造损失函数来筛选联合特征的思想提供一种基于联合特征提升推荐系统多样性的方法，用以解决目前推荐系统存在推荐结果多样性偏低的问题。
-
公开(公告)号：CN108268900B
公开(公告)日：2022-05-10
申请号：CN201810067389.X
申请日：2018-01-23
Applicant: 北京工业大学
Abstract: 本发明公开了一种提升推荐系统多样性的方法，包括：输入训练样本和预测样本，训练样本为正样本；基于训练正样本生成负样本，利用PITF矩阵分解方法对正负样本进行降维，将降维后的数据进行混合加权线性表示，生成初步推荐模型；对正负样本进行联合特征筛选(提出带有高层次信息的目标函数、求解回归系数矩阵和联合特征筛选结果)；将初步推荐模型与联合特征的标签集合进行结合生成合成推荐单元，并将预测样本输入其中，得到的结果进行计数排名融合生成最终推荐列表。本发明基于矩阵相似性构造损失函数来筛选联合特征的思想提供一种基于联合特征提升推荐系统多样性的方法，用以解决目前推荐系统存在推荐结果多样性偏低的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
