您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（理学版）》

《山东大学学报(理学版)》 ›› 2023, Vol. 58 ›› Issue (9): 81-93.doi: 10.6040/j.issn.1671-9352.0.2022.007

•   • 上一篇    下一篇

融合基础属性和通信行为的移动用户个性化推荐

吴贤君1,2(),唐绍诗2,王明秋2,*()   

  1. 1. 中南财经政法大学统计与数学学院, 湖北 武汉 430073
    2. 曲阜师范大学统计与数据科学学院, 山东 济宁 273165
  • 收稿日期:2021-12-24 出版日期:2023-09-20 发布日期:2023-09-08
  • 通讯作者: 王明秋 E-mail:wuxjun152@163.com;mqwang@qfnu.edu.cn
  • 作者简介:吴贤君(1996—), 女, 博士研究生, 研究方向为高维数据分析.E-mail: wuxjun152@163.com
  • 基金资助:
    全国统计科学研究重点项目(2020LZ26);全国统计科学研究重点项目(2022LY071)

Personalized recommendation of mobile users by integrating basic information and communication behavior

Xianjun WU1,2(),Shaoshi TANG2,Mingqiu WANG2,*()   

  1. 1. School of Statistics and Mathematics, Zhongnan University of Economics and Law, Wuhan 430073, Hubei, China
    2. School of Statistics and Data Science, Qufu Normal University, Jining 273165, Shandong, China
  • Received:2021-12-24 Online:2023-09-20 Published:2023-09-08
  • Contact: Mingqiu WANG E-mail:wuxjun152@163.com;mqwang@qfnu.edu.cn

RichHTML

1

PDF (PC)

134

摘要：

基于经典矩阵分解模型, 提出融合用户基础属性和通信行为的矩阵分解模型, 对比两种模型在评分预测和Top-N推荐问题上的表现。对评分预测问题采用RFM模型构造用户-产品评分矩阵, 并结合移动产品的特点对RFM模型中部分指标进行调整, 得到能够更加准确、客观地反映用户对产品兴趣偏好的评分矩阵。对Top-N推荐问题采用将用户未有过订购行为的热门产品优先纳入负样本的负采样方法。结果表明, 融合用户基础属性和通信行为的矩阵分解模型在两种问题上具有更好的表现。

关键词: 移动用户, 矩阵分解模型, RFM模型, 评分预测, Top-N推荐

Abstract:

Considering the factors which affect the mobile users' product ordering, this paper proposes a new matrix factorization model integrating the basic information and communication behavior of the mobile users, and compares the performance of the proposed method with the traditional model on the prediction of rating and Top-N recommendation. For the prediction of rating, some indices are adjusted in the RFM model by combining with the characteristics of mobile users in the product ordering process. Then a user-product rating matrix, constructed by the adjusted RFM model, can accurately and objectively reflect the users' preference for products. For the Top-N recommendation, a negative sampling method is adopted that popular products with no ordering behavior are preferred to be included in the negative samples. The numerical results show that the proposed method performs better.

Key words: mobile users, matrix factorization model, RFM model, rating prediction, Top-N recommendation

中图分类号: 

  • TP391

表1

目标产品类型说明"

产品类型 产品编号 产品名称 产品内容示例
流量类产品 1 流量扩容 每月消费20元, 享每月2 GB国内流量扩容
2 定向流量 9元15 GB某APP定向流量(可选择抖音、爱奇艺, 网易云等多款热门APP之一)
3 快消包 10元5 GB国内流量, 7 d内有效
4 假期包 暑期30元30 GB流量
5 模组升档 升50元流量模组, 享打折优惠或共享流量产品
语音类产品 6 语音扩容 每月消费25元, 享每月100 min国内语音扩容
7 语音翻番包 语音翻番包10元80 min
权益类产品 8 双V会员 30元包随心选会员+咪咕视频黄金会员+30 GB定向流量
9 车主会员 车主会员10元/月, 享免费洗车及加油打折优惠
10 尊享会员 车主会员3元/月, 享权益汇产品优惠
11 手机直播包 咪咕视频黄金会员+15 GB咪咕视频流量
12 美食生活礼包 15元享美团、饿了么会员任选其一+1 GB国内通用流量
13 长期提速包 达量限速套餐客户订购长期提速包可以解除限速
14 视频彩铃 为主叫用户提供有趣的视频媒体代替普通网络回铃音
15 点播年包 魔百和电影+电视剧组合年包199元

表2

用户指标说明"

数据类型 字段名称 中文解释 来源表
用户基础属性信息 nat_age_year 用户年龄 dw_product_ageinfo_202012
sex_id 用户性别 dw_product_ageinfo_202012
user_online 在网时长 dw_cust_label_monthone_202012
用户通信行为信息 arpu_avg 实际消费金额均值 dw_newbusi_product_gprs
arpu_std 实际消费金额方差 dw_newbusi_product_gprs
dou_avg 流量均值 dw_newbusi_product_gprs
dou_std 流量方差 dw_newbusi_product_gprs
bhd_avg 饱和度均值 dw_product_bhd_user_mm
bhd_std 饱和度方差 dw_product_bhd_user_mm
dou_overfee_avg 流量超套费用均值 dw_acct_newbusi_mm
dou_overfee_std 流量超套费用方差 dw_acct_newbusi_mm
dou_overfee_cn 流量超套次数 dw_acct_newbusi_mm
mou_avg 语音均值 dw_newbusi_call_overpkg
mou_std 语音方差 dw_newbusi_call_overpkg
mou_overfee_avg 语音超套费用均值 dw_newbusi_call_overpkg
mou_overfee_std 语音超套费用方差 dw_newbusi_call_overpkg
mou_overfee_cn 语音超套次数 dw_newbusi_call_overpkg
用户订购行为信息 recency 最近订购时间 dw_product_priv_accept_ds
time 产品使用时长 dw_product_priv_accept_ds
frequency 业务订购频率 dw_product_priv_accept_ds
monetary 订购金额 dw_product_priv_accept_ds

表3

指标显著程度(p值)"

用户指标 产品编号
1 2 3 4 5
nat_age_year 0.000 8*** 5.94e-05*** 0.220 < 2e-16*** 0.265
sex_id 0.001** 2.54e-12*** < 2e-16*** 7.68e-06*** < 2e-16***
user_online 0.548 1.72e-07*** 0.770 9.61e-05*** 0.103
arpu_avg 2.05e-15*** 0.010* 0.0003*** 0.192 0.237
arpu_std 0.064Δ 0.029* 2.68e-06*** 0.003** 0.014*
dou_avg 0.002** 3.49e-06*** 0.986 0.212 0.319
dou_std 0.649 0.008** 0.438 0.833 0.239
bhd_avg 0.000 7*** 0.516 0.162 0.397 0.239
bhd_std 0.000 7*** 0.570 0.141 0.330 0.213
overgprs_fee_avg 0.000 2*** 0.093Δ 0.378 0.307 0.114
overgprs_fee_std 0.028* 0.659 2.45e-05*** 0.193 0.000 6***
overgprs_flag 0.004** 0.457 < 2e-16*** 0.351 6.5e-05***
mou_avg 0.544 0.831 0.000 2*** 0.067Δ 0.051 1 Δ
mou_std 0.726 0.815 0.009** 0.742 0.010*
overcall_fee_avg 0.367 0.982 0.000 7*** 0.139 0.024*
overcall_fee_std 0.018* 0.144 0.000 5*** 0.195 0.002**
overcall_flag 2.53e-05*** 0.000 5*** 0.076Δ 0.352 0.004**
用户指标 产品编号
6 7 8 9 10
nat_age_year 0.005** 1.09e-07*** 0.021* 1.15e-07*** 0.001**
sex_id 0.000 2*** 5.61e-10*** < 2e-16*** 1.61e-12*** 5.88e-09***
user_online 0.494 0.867 0.0004*** 0.011* 0.003**
arpu_avg 4.66e-14*** 0.301 0.056Δ 0.523 1.12e-09***
arpu_std 0.731 0.010* 6.94e-05*** 0.166 0.513
dou_avg 0.010** 0.000 6*** 0.922 0.001** 0.496
dou_std 0.045* 0.773 0.647 0.002** 0.086Δ
bhd_avg 0.421 0.453 0.900 0.595 0.204
bhd_std 0.410 0.780 0.864 0.664 0.191
overgprs_fee_avg 0.219 0.883 0.313 0.110 0.002**
overgprs_fee_std 0.327 0.239 0.000 8*** 0.049* 0.633
overgprs_flag 0.094Δ 0.282 0.926 6.95e-10*** 0.026*
mou_avg 9.12e-11*** 0.853 0.854 0.009** 0.002**
mou_std 0.844 0.010** 0.705 0.077Δ 0.188
overcall_fee_avg 0.271 0.180 0.088Δ 0.084Δ 0.323
overcall_fee_std 0.011* 0.010** 0.443 0.232 0.060Δ
overcall_flag 0.035* 0.002** 0.235 0.035* 0.005**
用户指标 产品编号
11 12 13 14 15
nat_age_year 0.125 7.56e-13*** < 2e-16*** 2.04e-06*** 3.94e-06***
sex_id 0.011* 6.85e-08*** < 2e-16*** 1.40e-06*** < 2e-16***
user_online 0.425 9.23e-07*** 0.107 0.213 0.279
arpu_avg 0.368 0.034* 3.50e-06*** 0.042* 4.35e-12***
arpu_std 0.229 0.010** 7.19e-06*** 0.324 0.227
dou_avg 0.073Δ 0.210 8.77e-06*** 0.035* 1.20e-10***
dou_std 0.513 0.013* 0.080Δ 0.079Δ 0.002**
bhd_avg 0.619 0.599 0.018* 0.606 0.376
bhd_std 0.728 0.628 0.039* 0.619 0.211
overgprs_fee_avg 0.896 0.135 0.130 0.980 0.169
overgprs_fee_std 0.484 0.009** 0.047* 0.626 0.714
overgprs_flag 0.546 0.363 < 2e-16*** 0.0001*** 0.002**
mou_avg 0.804 0.076Δ 0.883 0.671 0.891
mou_std 0.973 0.266 0.974 0.429 0.581
overcall_fee_avg 0.937 0.155 0.084Δ 0.883 0.021*
overcall_fee_std 0.425 0.103 0.264 0.449 0.089Δ
overcall_flag 0.234 0.195 0.905 0.001** 2.19e-06***

图1

相似度散点图"

表4

R计算方法"

用户编号 产品编号 最后一次购买时间tui 设定最后日期 R
1 1 t11 2020-12-31 T-t11
1 2 t12 2020-12-31 T-t12
⋮ ⋮ ⋮ ⋮ ⋮
m n-1 tm(n-1) 2020-12-31 T-tm(n-1)
m n tmn 2020-12-31 T-tmn

表5

F计算方法"

用户编号 产品编号 订购次数cui 产品总使用时长tui 产品缴费周期Ti F
1 1 c11 t11 T1 $\frac{t_{11}}{T_1}$
1 2 c12 t12 T2 $\frac{t_{12}}{T_2}$
1 3 c13 - - c13
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
m n-1 cm(n-1) tm(n-1) Tn-1 $\left[\frac{t_{m(n-1)}}{T_{n-1}}\right]$
m n cmn tmn Tn $\left[\frac{t_{m n}}{T_{n}}\right]$

表6

M计算方法"

用户编号 产品编号 该产品订购总金额aui 所有产品订购总金额Au M
1 1 a11 A1 $\frac{a_{11}}{A_{1}}$
1 2 a12 A1 $\frac{a_{12}}{A_{1}}$
⋮ ⋮ ⋮ ⋮ ⋮
m n-1 am(n-1) Am $\frac{a_{m(n-1)}}{A_{m}}$
m n amn Am $\frac{a_{m n}}{A_{m}}$

表7

R、F和M的权重"

指标 R F M
信息熵值 0.759 0.807 0.804
信息熵冗余度 0.241 0.193 0.196
权重 0.383 0.306 0.310

表8

用户-产品评分矩阵计算方法"

用户编号 产品编号 R′ F′ M′ 得分
1 1 R′11 F′11 M′11 RweightR′11+FweightF′11+MweightM′11
1 2 R′12 F′12 M′12 RweightR′12+FweightF′12+MweightM′12
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
m n-1 R′m(n-1) F′m(n-1) M′m(n-1) RweightR′m(n-1)+FweightF′m(n-1)+MweightM′m(n-1)
m n R′mn F′mn M′mn RweightR′mn+FweightF′mn+MweightM′mn

表9

用户-产品评分矩阵部分数据"

用户编号 产品类型
点播年包 美食生活礼包 快消包 模组升档
1 0 0 2.827 0
2 0 0 5.354 0
3 0 0 0 4.532
4 0 0 1.920 2.975
5 0 0 6.105 0
6 3.138 0 0 0
7 2.058 0 2.232 0
8 0 0 2.721 0
9 0 3.279 5.668 0
10 0 3.465 0 2.789

表10

评分预测结果"

K 传统的矩阵分解模型 改进的矩阵分解模型
RMSE MAE RMSE MAE
2 0.350 0.255 0.182 0.141
4 0.252 0.199 0.144 0.121
6 0.196 0.166 0.124 0.114
8 0.152 0.136 0.116 0.111
10 0.147 0.135 0.113 0.111

图2

评分预测结果"

图3

产品订购用户数柱状图"

表11

部分用户负样本采样结果"

用户编号 产品正样本 ratio=1 ratio=2
1 {3, 5} {8, 2} {8, 2, 4, 10}
2 {2, 10} {5, 3} {5, 3, 8, 4}
3 {3, 8, 10} {5, 2, 4} {5, 2, 4, 14, 15, 9}
4 {3, 5} {8, 2} {8, 2, 4, 10}
5 {3, 8} {5, 2} {5, 2, 4, 10}
6 {4, 8, 10} {5, 3} {5, 3, 2, 14, 15, 9}
7 {5, 6, 8} {3, 2, 4} {3, 2, 4, 10, 14, 15}
8 {4, 5} {3, 8} {3, 8, 2, 10}
9 {3, 4} {5, 8} {5, 8, 2, 10}
10 {2, 5} {3, 8} {3, 8, 4, 10}

表12

Top-N推荐的推荐性能"

模型类别 N ratio 精确率 召回率 F1值 覆盖率 流行度
经典的矩阵分解模型 1 1 0.031 0.043 0.036 0.400 5.167
2 0.049 0.031 0.038 0.267 5.602
3 0.098 0.083 0.090 0.133 5.945
2 1 0.057 0.069 0.062 0.467 5.091
2 0.115 0.123 0.119 0.267 5.761
3 0.206 0.216 0.211 0.133 6.447
改进的矩阵分解模型 1 1 0.048 0.068 0.056 0.333 5.236
2 0.060 0.045 0.051 0.200 5.639
3 0.127 0.131 0.129 0.133 6.223
2 1 0.070 0.082 0.076 0.333 5.316
2 0.144 0.117 0.129 0.267 6.178
3 0.238 0.221 0.229 0.200 6.429

表13

推荐结果示例"

用户A 用户B
推荐商品编号 兴趣度 推荐商品编号 兴趣度
6 0.817 3 0.789
3 0.804 5 0.769
1 姚凯, 涂平, 陈宇新, 等. 基于多源大数据的个性化推荐系统效果研究[J]. 管理科学, 2018, 31 (5): 3- 15.
YAO Kai , TU Ping , CHEN Yuxin , et al. Research on the effectiveness of personalized recommender system based on multi-source big data[J]. Journal of Management Science, 2018, 31 (5): 3- 15.
2 朱志国, 周雨禾, 王谢宁. 移动商务中融合签到位置与用户间相似性的兴趣点精准推荐[J]. 系统工程理论与实践, 2020, 40 (2): 462- 469.
ZHU Zhiguo , ZHOU Yuhe , WANG Xiening . Recommendation of POI by integrating user similarity and location information in mobile commerce[J]. Systems Engineering-Theory & Practice, 2020, 40 (2): 462- 469.
3 仲秋雁, 李晨, 崔少泽. 考虑工人参与意愿影响因素的竞争式众包任务推荐方法[J]. 系统工程理论与实践, 2018, 38 (11): 2954- 2965.
ZHONG Qiuyan , LI Chen , CUI Shaoze . Task recommendation method based on the influencing factors of crowdsourcing contest participating willingness[J]. Systems Engineering-Theory & Practice, 2018, 38 (11): 2954- 2965.
4 何婧, 胡杰. 融合矩阵分解和XGBoost的个性化推荐算法[J]. 重庆大学学报, 2021, 44 (1): 78- 87.
HE Jing , HU Jie . Personalized recommendation system based on matrix factorization and XGBoost algorithm[J]. Journal of Chongqing University, 2021, 44 (1): 78- 87.
5 贾俊杰, 刘鹏涛, 陈旺虎. 融合社交信息的矩阵分解改进推荐算法[J]. 计算机工程, 2021, 47 (9): 97- 105.
JIA Junjie , LIU Pengtao , CHEN Wanghu . Matrix factorization improved recommendation algorithm based on social information[J]. Computer Engineering, 2021, 47 (9): 97- 105.
6 陈树龙. 基于矩阵分解的推荐算法研究[D]. 湖南: 国防科技大学, 2018.
CHEN Shulong. Research on recommendation algorithm based on matrix factorization[D]. Hunan: National University of Defense Technology, 2018.
7 MA H, ZHOU D Y, LIU C, et al. Recommender systems with social regularization[C]//Proceedings of the fourth ACM international conference on Web search and data mining (WSDM'11), New York: Association for Computing Machinery, 2011: 287-296.
8 王扬, 吴凡, 姚宗强, 等. 基于正则化矩阵分解的用户用电行为分析[J]. 计算机应用, 2017, 37 (8): 2405- 2409.
WANG Yang , WU Fan , YAO Zongqaing , et al. Residential electricity consumption analysis based on regularized matrix factorization[J]. Journal of Computer Applications, 2017, 37 (8): 2405- 2409.
9 林婉莹. 图书推荐系统中提升Top-N列表多样性算法研究[D]. 北京: 北京邮电大学, 2019.
LIN Wanying. Research on improving Top-N list diversity algorithm in book recommendation system[D]. Beijing: Beijing University of Posts and Telecommunications, 2019.
10 胡炳文. 基于项目相似度改进的协同过滤TopN推荐算法研究[D]. 安徽: 安徽理工大学, 2016.
HU Bingwen. Collaborative filtering TopN-recommendation algorithm based on the improved similarity research[D]. Anhui: Anhui University of Science and Technology, 2016.
11 赵向宇. Top-N协同过滤推荐技术研究[D]. 北京: 北京理工大学, 2014.
ZHAO Xiangyu. Research on Top-Nrecommendation with collaborative filtering[D]. Beijing: Beijing Institute of Technology, 2014.
12 史达, 于淼川, 李梦琪. 基于用户隐式数据的个性化酒店推荐算法[J]. 山东大学学报(理学版), 2021, 56 (7): 1- 10.
SHI Da , YU Miaochuan , LI Mengqi . Personalized hotel recommendation algorithm based on user implicit data[J]. Journal of Shandong University (Natural Science), 2021, 56 (7): 1- 10.
13 彭滢, 吴子君. 基于客户消费行为的4G资费套餐推荐建模研究[J]. 移动通信, 2017, 41 (8): 85- 90.
PENG Ying , WU Zijun . Investigation on 4G tariff plan recommendation model based on customer consumption behaviors[J]. Mobile Communications, 2017, 41 (8): 85- 90.
14 张铁军, 雒兴刚, 蔡莉青, 等. 基于顾客选择行为的移动资费套餐优化模型[J]. 系统工程理论与实践, 2014, 34 (2): 444- 450.
ZHANG Tiejun , LUO Xinggang , CAI Liqing , et al. Optimization model for mobile billing suite based on customer choice anaylsis[J]. Systems Engineering-Theory & Practice, 2014, 34 (2): 444- 450.
15 王学民. 应用多元统计分析[M]. 上海: 上海财经大学出版社, 2017.
WANG Xuemin . Applied multivariate statistical analysis[M]. Shanghai: Shanghai University of Finance and Economics Press, 2017.
16 吴宾, 娄铮铮, 叶阳东. 联合正则化的矩阵分解推荐算法[J]. 软件学报, 2018, 29 (9): 2681- 2696.
WU Bin , LOU Zhengzheng , YE Yangdong . Co-regularized matrix factorization recommendation algorithm[J]. Journal of Software, 2018, 29 (9): 2681- 2696.
17 薛永基, 熊海涛, 翟祥, 等. 客户关系管理—理论、技术与实践[M]. 北京: 人民邮电出版社, 2013.
XUE Yongji , XIONG Haitao , ZHAI Xiang , et al. Customer Relationship Management: Theory, Technology and Practice[M]. Beijing: Posts & Telecom Press, 2013.
18 赵萌, 齐佳音. 基于购买行为RFM及评论行为RFMP模型的客户终身价值研究[J]. 统计与信息论坛, 2014, 29 (9): 91- 98.
ZHAO Meng , QI Jiayin . The research of customer lifetime value based on the combination of customer purchase's RFM and customer online review's RFMP[J]. Statistics & Information Forum, 2014, 29 (9): 91- 98.
19 BOOKER Q E . Automating "word of mouth" to recommend classes to students: an application of social information filtering algorithms[J]. Journal of College Teaching & Learning, 2009, 6 (3): 39- 44.
20 BALABANOVIC M , SHOHAM Y . Fab: content-based, collaborative recommendation[J]. Communications of the ACM, 1997, 40 (3): 66- 72.
21 KOENIGSTEIN N, DROR G, KOREN Y. Yahoo! music recommendations: modeling music ratings with temporal dynamics and item taxonomy[C]//Proceedings of the Fifth ACM Conference on Recommender Systems (RecSys'11), New York: Association for Computing Machinery, 2011: 165-172.
22 项亮. 推荐系统实践[M]. 北京: 人民邮电出版社, 2012.
XIANG Liang . Practice of recommender systems[M]. Beijing: Posts & Telecom Press, 2012.
[1] 那宇嘉,谢珺,杨海洋,续欣莹. 融合上下文的知识图谱补全方法[J]. 《山东大学学报(理学版)》, 2023, 58(9): 71-80.
[2] 李程,车文刚,高盛祥. 一种用于航拍图像的目标检测算法[J]. 《山东大学学报(理学版)》, 2023, 58(9): 59-70.
[3] 易三莉,陈建亭,贺建峰. ASR-UNet: 一种基于注意力机制改进的视网膜血管[J]. 《山东大学学报(理学版)》, 2021, 56(9): 13-20.
[4] 王静红,梁丽娜,李昊康,周易. 基于注意力网络特征的社区发现算法[J]. 《山东大学学报(理学版)》, 2021, 56(9): 1-12,20.
[5] 王伟玉, 史存会, 俞晓明, 刘悦, 程学旗. 一种事件粒度的抽取式话题简短表示生成方法[J]. 《山东大学学报(理学版)》, 2021, 56(5): 66-75.
[6] 张一鸣,王国胤,胡军,傅顺. 基于密度峰值和网络嵌入的重叠社区发现[J]. 《山东大学学报(理学版)》, 2021, 56(1): 91-102.
[7] 许侃,刘瑞鑫,林鸿飞,刘海峰,冯娇娇,李家平,林原,徐博. 基于异质网络嵌入的学术论文推荐方法[J]. 《山东大学学报(理学版)》, 2020, 55(11): 35-45.
[8] 张凌,任雪芳. 数据智能分类与分类智能检索-识别[J]. 《山东大学学报(理学版)》, 2020, 55(10): 7-14.
[9] 林明星. 基于变分结构引导滤波的低照度图像增强算法[J]. 《山东大学学报(理学版)》, 2020, 55(9): 72-80.
[10] 王佳麒,杨沐昀,赵铁军,赵臻宇. 检务文书检索数据集的构建[J]. 《山东大学学报(理学版)》, 2020, 55(7): 81-87.
[11] 余鹰,吴新念,王乐为,张应龙. 基于标记相关性的多标记三支分类算法[J]. 《山东大学学报(理学版)》, 2020, 55(3): 81-88.
[12] 温柳英,袁伟. 多标签符号型属性值划分的聚类方法[J]. 《山东大学学报(理学版)》, 2020, 55(3): 58-69.
[13] 张敏情,周能,刘蒙蒙,王涵,柯彦. 基于Paillier的同态加密域可逆信息隐藏[J]. 《山东大学学报(理学版)》, 2020, 55(3): 1-8,18.
[14] 王新乐,杨文峰,廖华明,王永庆,刘悦,俞晓明,程学旗. 基于多维度特征的主题标签流行度预测[J]. 《山东大学学报(理学版)》, 2020, 55(1): 94-101.
[15] 李妮,关焕梅,杨飘,董文永. 基于BERT-IDCNN-CRF的中文命名实体识别方法[J]. 《山东大学学报(理学版)》, 2020, 55(1): 102-109.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 唐风琴1,白建明2. 一类带有广义负上限相依索赔额的风险过程大偏差[J]. J4, 2013, 48(1): 100 -106 .
[2] 程智1,2,孙翠芳2,王宁1,杜先能1. 关于Zn的拉回及其性质[J]. J4, 2013, 48(2): 15 -19 .
[3] 汤晓宏1，胡文效2*，魏彦锋2，蒋锡龙2，张晶莹2，. 葡萄酒野生酿酒酵母的筛选及其生物特性的研究[J]. 山东大学学报（理学版）, 2014, 49(03): 12 -17 .
[4] 冒爱琴1, 2, 杨明君2, 3, 俞海云2, 张品1, 潘仁明1*. 五氟乙烷灭火剂高温热解机理研究[J]. J4, 2013, 48(1): 51 -55 .
[5] 李永明1, 丁立旺2. PA误差下半参数回归模型估计的r-阶矩相合[J]. J4, 2013, 48(1): 83 -88 .
[6] 董丽红1,2,郭双建1. Yetter-Drinfeld模范畴上的弱Hopf模基本定理[J]. J4, 2013, 48(2): 20 -22 .
[7] 赵君1,赵晶2,樊廷俊1*,袁文鹏1,3,张铮1,丛日山1. 水溶性海星皂苷的分离纯化及其抗肿瘤活性研究[J]. J4, 2013, 48(1): 30 -35 .
[8] 杨永伟1,2,贺鹏飞2,李毅君2,3. BL-代数的严格滤子[J]. 山东大学学报（理学版）, 2014, 49(03): 63 -67 .
[9] 李敏1,2,李歧强1. 不确定奇异时滞系统的观测器型滑模控制器[J]. 山东大学学报（理学版）, 2014, 49(03): 37 -42 .
[10] 廖明哲. 哥德巴赫的两个猜想[J]. J4, 2013, 48(2): 1 -14 .
版权所有 © 2018 《山东大学学报(理学版)》编辑部　
地址: 山东省济南市山大南路27号山东大学中心校区（250100）　电话: +86-0531-88366917　E-mail: xblxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发