-
公开(公告)号：CN109726286A
公开(公告)日：2019-05-07
申请号：CN201811584226.5
申请日：2018-12-24
Applicant: 杭州东信北邮信息技术有限公司
Abstract: 一种基于LDA主题模型的图书自动分类方法，包括：建立分类体系；选取已知类别图书作为训练图书，所有训练图书的标签构成图书标签总集，并为图书标签总集中每个标签分配一个唯一序号；构建、并训练一个多项分布模型，多项分布模型的输入是训练图书包含的图书标签和训练图书类别，输出是在不同类别下图书标签总集中每个标签的概率；从待分类图书中挑选出图书标签，并构成待分类图书的标签集合，然后基于LDA主题模型，采用Gibbs采样方法为待分类图书所包含的每个图书标签采样分配一个类别，当达到收敛后，统计待分类图书所属每个类别的得分，据此获得待分类图书所属类别。本发明属于信息技术领域，能基于LDA主题模型实现图书自动分类。
-
公开(公告)号：CN105335491B
公开(公告)日：2018-11-09
申请号：CN201510684976.X
申请日：2015-10-20
Applicant: 杭州东信北邮信息技术有限公司
Abstract: 一种基于用户点击行为来向用户推荐图书的方法和系统，方法包括：选取若干位用户构成样本用户集，并为样本用户集中每位用户选取多本其点击和未点击过的推荐图书；抽取样本用户集中每位用户和其点击、未点击过的推荐图书之间的关联特征值，然后根据用户和推荐图书之间的关联特征值训练生成logistic分类模型；逐一将目标用户和新推荐图书之间的关联特征值输入logistic分类模型从而得到目标用户点击新推荐图书的概率，并根据所述概率向目标用户选择新推荐图书。本发明属于数据业务领域，能基于用户对图书的点击行为来对用户的个性化图书偏好进行预测，从而提高推荐点击率和提升推荐效果。
-
公开(公告)号：CN104820712B
公开(公告)日：2018-07-10
申请号：CN201510255774.3
申请日：2015-05-19
Applicant: 杭州东信北邮信息技术有限公司
IPC: G06F17/30
Abstract: 一种为移动用户提供个性化图书推荐的方法，方法包括有：步骤一、从用户的阅读数据中提取用户正在阅读的图书，并构成一个图书列表；步骤二、根据图书的图书类型、总章节数、以及用户对图书的阅读章节数，计算图书列表中每本图书的用户评分，并据此从图书列表中选择至少一本图书，向用户进行推荐。本发明属于网络通信技术领域，能基于图书特点和用户阅读图书的客观行为来计算用户对图书的评分，从而从用户正在阅读的大量图书中挑选评分最高的图书向用户进行智能推荐。
-
公开(公告)号：CN103475717B
公开(公告)日：2017-03-15
申请号：CN201310412434.8
申请日：2013-09-11
Applicant: 杭州东信北邮信息技术有限公司
IPC: H04L29/08
Abstract: 一种基于社交网络的好友推荐方法和系统，包括：提取用户与其他用户在社交网络中的互动信息，为每个用户构建一个互动成功好友组，并将与用户有成功互动关系的其他用户划分到所述用户的互动成功好友组中；根据不同用户之间不同互动类型的成功互动数，计算用户和互动成功好友组中的每个好友之间的互动连接强度，并从中挑选出互动连接强度最大的前若干个好友，再分别计算所述若干个好友和与其有成功互动关系的其他用户之间的互动连接强度，最后将与所述若干个好友的互动连接强度最大的多个其他用户向所述用户推荐。本发明属于网络通信技术领域，能根据用户在社交网络中的互动行为来进行个性化的好友推荐。
-
公开(公告)号：CN103108049B
公开(公告)日：2015-08-19
申请号：CN201310054790.7
申请日：2013-02-20
Applicant: 杭州东信北邮信息技术有限公司
Abstract: 一种为移动终端用户提供个性化页面的方法，包括有：步骤一、构建若干个不同的页面内容；步骤二、从移动终端用户的身份特征中获取若干个特征指标，并基于模糊数学中的隶属度函数，分别计算用户属于每个特征指标的低、中、高端用户群的隶属度，然后根据每个页面针对每个特征指标的低、中、高端用户群的侧重占比，最后计算得到用户每个特征指标和每个页面的匹配度；步骤三、根据用户每个特征指标和每个页面的匹配度、以及用户每个特征指标对应的权重值，计算用户和每个页面的匹配度，并据此向用户提供个性化的页面内容。本发明属于网络应用技术领域，能根据移动终端用户的身份特征来为用户提供个性化页面，还能进一步应用于图书阅读的门户网站。
-
Patent Agency Ranking
公开(公告)号：CN109726286B
公开(公告)日：2020-10-16
申请号：CN201811584226.5
申请日：2018-12-24
Applicant: 杭州东信北邮信息技术有限公司
IPC: G06F16/35 , G06F40/258
Abstract: 一种基于LDA主题模型的图书自动分类方法，包括：建立分类体系；选取已知类别图书作为训练图书，所有训练图书的标签构成图书标签总集，并为图书标签总集中每个标签分配一个唯一序号；构建、并训练一个多项分布模型，多项分布模型的输入是训练图书包含的图书标签和训练图书类别，输出是在不同类别下图书标签总集中每个标签的概率；从待分类图书中挑选出图书标签，并构成待分类图书的标签集合，然后基于LDA主题模型，采用Gibbs采样方法为待分类图书所包含的每个图书标签采样分配一个类别，当达到收敛后，统计待分类图书所属每个类别的得分，据此获得待分类图书所属类别。本发明属于信息技术领域，能基于LDA主题模型实现图书自动分类。
-
公开(公告)号：CN109460518B
公开(公告)日：2020-07-24
申请号：CN201811494487.8
申请日：2018-12-07
Applicant: 杭州东信北邮信息技术有限公司
IPC: G06F16/9535 , G06Q30/06
Abstract: 一种基于用户网站访问记录的图书推荐方法，包括：从内容类网站和待推荐的图书阅读网站上获取发布内容，将内容添加到网站内容库中；寻找网站内容库中每条内容记录在待推荐的图书阅读网站上的关联图书，并在内容记录中添加关联图书ID信息；获取所有用户手机在一定时间周期内对内容类网站和待推荐的图书阅读网站的访问记录，写入用户手机内容访问记录表；从用户手机内容访问记录表中提取待推荐用户访问记录，获取待推荐用户在内容类网站上访问过的内容，并判断访问过的内容在网站内容库中是否存在有关联图书ID信息，如果有，则提取关联图书向用户推荐。本发明属于信息技术领域，能基于用户在各个内容类网站上的访问记录来实现图书的个性化推荐。
-
公开(公告)号：CN107506398B
公开(公告)日：2020-01-24
申请号：CN201710651211.5
申请日：2017-08-02
Applicant: 杭州东信北邮信息技术有限公司
IPC: G06F16/955
Abstract: 一种为图书添加标签属性的方法，包括有：步骤一、挑选一定数量的用户作为样本用户，并提取每个样本用户的历史阅读图书记录，然后从样本用户的历史阅读图书所包含的通用标签中挑选多个标签来分别为每个样本用户构成一个偏好标签集，所有样本用户的偏好标签集构成用户偏好标签集群；步骤二、提取未添加标签图书的所有阅读用户，然后从用户偏好标签集群中寻找所有阅读用户对应的偏好标签集，最后从所有阅读用户的偏好标签集中挑选多个标签作为所述未添加标签图书的标签属性。本发明属于数据业务领域，能自动为图书添加符合其内容的标签属性。
-
公开(公告)号：CN103488714B
公开(公告)日：2017-01-18
申请号：CN201310412306.3
申请日：2013-09-11
Applicant: 杭州东信北邮信息技术有限公司
IPC: G06F17/30
Abstract: 一种基于社交网络的图书推荐方法和系统，方法包括有：步骤1、提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；步骤2、分别计算用户和每个互动类型好友组中的每个好友的成功互动数，然后从每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。本发明属于网络通信技术领域，能根据用户在社交网络中的互动行为来进行图书的个性化推荐。
-
公开(公告)号：CN103366009B
公开(公告)日：2016-08-10
申请号：CN201310314155.8
申请日：2013-07-24
Applicant: 杭州东信北邮信息技术有限公司
Abstract: 一种基于自适应聚类的图书推荐方法，包括：步骤一、根据图书的访问数据，分别将图书划分到若干个图书聚类中；步骤二、根据图书聚类中所有图书的评分，计算每个图书聚类的图书平均分；步骤三、根据不同图书聚类的图书平均分的差值、不同图书聚类的共同用户数、和用户对每个图书聚类中已阅读图书的评分的平均值，计算用户对每个图书聚类的评分；步骤四、根据每本图书的评分与其所属图书聚类的图书平均分的差值、以及用户对每个图书聚类的评分，计算用户对图书聚类中未阅读图书的评分，并据此向用户推荐图书。本发明属于网络通信技术领域，能为用户推荐更多个性化的长尾图书。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.028 seconds)
