[发明专利]基于大规模评分数据对用户进行商品在线实时推荐的方法在审
| 申请号： | 201710292884.6 | 申请日： | 2017-04-28 |
| 公开（公告）号： | CN108154380A | 公开（公告）日： | 2018-06-12 |
| 发明（设计）人： | 王成;文诗琪;张忆文;赖雄鸣;何霆;洪欣;郑国旗 | 申请（专利权）人： | 华侨大学;亚尔迪（厦门）科技有限公司 |
| 主分类号： | G06Q30/02 | 分类号： | G06Q30/02;G06Q30/06 |
| 代理公司： | 厦门市首创君合专利事务所有限公司 35204 | 代理人： | 张松亭;杨锴 |
| 地址： | 362000*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于大规模评分数据对用户进行商品在线实时推荐的方法，是一种基于并行朴素贝叶斯回归模型的协同过滤推荐方法。首先，将数据存储于Hadoop的HDFS上，并行读取用户对项目的评分数据，对评分进行四舍五入的取整和离散化；其次，将用户和项目作为独立属性，离散化后的各评分作为类别，利用MapReduce框架实现的并行朴素贝叶斯分类模型计算用户对商品各评分类别的概率；最后，通过求期望来预测用户对商品的评分，应用于商品推荐。本方法解决了传统协同过滤算法时空效率低，预测成功率低和实时性不佳的问题，提高了推荐的时空效率、准确率和成功率，适合于大规模评分数据上对用户进行商品在线实时推荐。 | ||
| 搜索关键词： | 评分数据 时空效率 协同过滤 贝叶斯 离散化 成功率 并行 并行读取 独立属性 分类模型 回归模型 商品推荐 数据存储 实时性 预测 准确率 取整 算法 概率 期望 应用 | ||
【主权项】：
一种基于大规模评分数据对用户进行商品在线实时推荐的方法，其特征在于，获取用户对商品的评分数据，并对其进行离散化处理作为类别属性，利用基于并行朴素贝叶斯分类模型计算用户对商品各评分类别的概率，通过期望求和预测用户对商品的评分，获得并行朴素贝叶斯回归模型；通过并行朴素贝叶斯回归模型进行协同过滤推荐，实现商品在线实时推荐。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华侨大学;亚尔迪（厦门）科技有限公司，未经华侨大学;亚尔迪（厦门）科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710292884.6/，转载请声明来源钻瓜专利网。
- 上一篇：媒体信息的发布方法和装置
- 下一篇：提案候选提示装置以及提案候选提示方法
