检索结果-内蒙古大学图书馆

软件学报 2023年第11期34卷 5230-5248页

作者：荀亚玲毕慧敏张继福太原科技大学计算机科学与技术学院山西太原030024

异质信息网络是一种异质数据表示形式,如何融合异质数据复杂语义信息,是推荐系统面临的挑战之一.利用弱关系具有的丰富语义和信息传递能力,构建一种面向推荐系统的异质信息网络高阶嵌入学习框架,主要包括:初始化信息嵌入、高阶信息嵌入... 详细信息

异质信息网络是一种异质数据表示形式,如何融合异质数据复杂语义信息,是推荐系统面临的挑战之一.利用弱关系具有的丰富语义和信息传递能力,构建一种面向推荐系统的异质信息网络高阶嵌入学习框架,主要包括:初始化信息嵌入、高阶信息嵌入聚合与推荐预测3个模块.初始化信息嵌入模块首先采用基于弱关系的异质信息网络最佳信任路径筛选算法,有效地避免在全关系异质信息网络中,采样固定数量邻居造成的信息损失,其次利用新定义的基于多头图注意力的多任务共享特征重要性度量因子,筛选出节点的语义信息,并结合交互结构,有效地表征网络节点;高阶信息嵌入聚合模块通过融入弱关系及网络嵌入对知识良好的表征能力,实现高阶信息表达,并利用异质信息网络的层级传播机制,将被采样节点的特征聚合到待预测节点;推荐预测模块利用高阶信息的影响力推荐方法,实现了推荐任务.该框架具有嵌入节点类型丰富、融合共享属性和隐式交互信息等特点.最后,实验验证UI-HEHo学习框架可有效地改善评级预测的准确性,以及推荐生成的针对性、新颖性和多样性,尤其是在数据稀疏的应用场景中,具有良好的推荐效果.

关键词：推荐预测异质信息网络网络嵌入共享特征重要性度量因子

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的外卖用户行为研究

基于机器学习的外卖用户行为研究

引用

作者：戴欣然西南大学

学位级别：硕士

随着互联网信息技术的发展,外卖平台作为餐饮行业的大数据互联网应用,对于人们的日常生活产生了巨大的影响。互联网的普及促进了线上交易行为的增加,这使得外卖平台产生了大量且复杂的用户行为数据。用户行为数据一般分为显性反馈行为(E... 详细信息

随着互联网信息技术的发展,外卖平台作为餐饮行业的大数据互联网应用,对于人们的日常生活产生了巨大的影响。互联网的普及促进了线上交易行为的增加,这使得外卖平台产生了大量且复杂的用户行为数据。用户行为数据一般分为显性反馈行为(Explicit Feedback)和隐性反馈行为(Implicit Feedback)。在外卖平台上用户产生的显性反馈数据主要包括用户与商家的评分等。外卖平台产生的隐性反馈数据主要指用户的历史行为、如历史下单的商家、下单前的浏览记录等。据此,深入研究外卖平台的用户行为数据,发现外卖平台用户的显性行为数据可以直观地体现用户偏好,但由于某些系统的行为如,用户下单后默认好评的系统设定以及商家违规刷单行为等行为的影响,导致显性数据的预测效果较差。同时外卖平台的用户交易行为常伴随时间和空间的因素影响。因此,用户进行的一次交易行为,应该被解读为在某地的用户在某一时间段的交易行为。挖掘研究用户的行为数据,可以更好的为用户进行个性化推荐。在推荐系统研究方面,工业级的模型与学术界研究的模型往往有所差别。针对以上问题,本文的主要工作可以分为以下三个方面:(1)外卖数据集的数据挖掘与数据分析。外卖数据集包含有多个特征集合,具体为用户属性、商家属性和历史行为信息以及商家的点击序列。对以上数据分别进行了数据预处理、数据清洗、数据变换等工作,以便于后面的数据分析工作。通过数据可视化发现,用户的历史行为存在时间周期规律。因此,选择通过特征工程以挖掘构建三种特征,具体包括基本属性特征、交叉特征和时间累积特征,共475个特征。并通过随机森林嵌入法进行特征筛选。(2)探索影响外卖用户购买行为的因素。基于特征选择的结果,结合属性特征,以构建逻辑回归模型研究影响因素。具体发现用户的复购率、商家的类别分类、高范围的价格特征,以及用户所处的蜂窝和时间维度,对用户的购买行为有着较强的影响。并据此提供了相关意见。(3)机器学习模型的预测对比。采用同一数据集分别构建了深度学习模型Deep FM、集成模型Light GBM和单一模型逻辑回归模型,对比了三个模型的预测效果,发现深度学习模型的效果较好。本文最后对本文的整体研究进行了总结与展望。从商家分类和购买时段角度出发为平台营销提出了建议。并从数据集的收集、特征工程和不同角度因素的研究深度方面指出了本文的不足之处以及未来工作的开展方向。

关键词：用户行为特征工程机器学习推荐预测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的序列数据建模的研究与实现

基于深度学习的序列数据建模的研究与实现

引用

作者：张晓艳东北大学

学位级别：硕士

随着人工智能技术的迅猛发展,在互联网的各类应用中,积累了大量有内在关联性的序列数据。如何进行序列数据建模去更好地挖掘序列数据之间的关联性,对未来进行更准确、更快速的推荐预测,成为了推进社会智能化的一项重要研究内容。但是在... 详细信息

随着人工智能技术的迅猛发展,在互联网的各类应用中,积累了大量有内在关联性的序列数据。如何进行序列数据建模去更好地挖掘序列数据之间的关联性,对未来进行更准确、更快速的推荐预测,成为了推进社会智能化的一项重要研究内容。但是在模型搭建的过程中经常会遇到如序列数据的稀疏性、长程信息依赖导致的特征传递丢失、复杂关系推理困难等问题和挑战。本文主要针对上面的问题在特定的领域展开了研究,并利用辅助信息在传统模型的基础上做了一些改造和创新。提出的模型在实际案例上进行了实验,结果表明提出的模型可以很好地改善序列数据的稀疏性、信息传递和推理困难等问题。(1)首先,为解决序列数据稀疏性问题,构建了一种基于组合神经网络的序列排序预测模型。该模型通过全局循环神经网络模型去挖掘用户、检索语句和产品广告三者之间的关系,得到了用户的潜在偏好数据;通过局部循环神经网络模型去挖掘检索语句与广告两者之间的关系,得到查询意图转化为不同广告的概率分布的数据。并将二者结合,用于广告推荐,以提高广告推荐效果。最后,将所设计的模型在真实的广告点击数据集上进行了实验,和传统算法对比,其平均倒数排序值为0.581,而Accuracy@20性能则高达90.3%。证明了所提模型在解决序列数据稀疏性问题上的优越性。(2)其次,为解决序列数据长程信息丢失、推理困难的问题,构建了一种基于多轮注意力机制的序列生成预测模型。视觉问答、目标检测中一般使用单轮注意力机制模型,然而用此类模型处理视觉对话中信息传递、推理问题却不能得到一个很好的预期效果。因此提出了多轮注意力机制网络模型。该模型针对跨模态的信息分别进行编码并存储到相应的事实记忆库;然后把所需回答的问题同时投射到两种记忆库中,使跨模态的信息进行多轮交互,进而检索到和问题最相关的事实依据。用于解决序列建模中的信息传递丢失和推理困难的问题。最后,将所设计的模型在真实的视觉对话数据集中进行了实验,和传统算法对比,第一轮注意力机制的各项指标都超越了其他对比算法,证明了所提跨模态注意力机制的有效性;在Accuracy@10指标上第二轮注意力机制较第一轮注意力机制提高了1.55%,证明了所提多轮注意力结构模型对信息传递的有效性。

关键词：序列建模推荐预测循环神经网络视觉对话跨模态注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于改进的GBDT算法的乘客出行预测研究

基于改进的GBDT算法的乘客出行预测研究

引用

作者：王天华大连理工大学

学位级别：硕士

随着大数据和互联网技术的快速发展,从复杂无序的大数据中,给用户推荐用户自身感兴趣的信息,推荐系统已经成为解决信息过载的关键工具。首先根据用户的历史行为的记录,构建相应的特征工程,利用特征工程来进行建模,然后预测未来用户的兴... 详细信息

随着大数据和互联网技术的快速发展,从复杂无序的大数据中,给用户推荐用户自身感兴趣的信息,推荐系统已经成为解决信息过载的关键工具。首先根据用户的历史行为的记录,构建相应的特征工程,利用特征工程来进行建模,然后预测未来用户的兴趣,最终推荐相应的物品给用户。但现在推荐还是面对许多困难和挑战,例如如何选择适当的推荐算法来提升正样本(小类样本)预测的准确性,提高用户感兴趣物品的准确度等。为了更好的处理上述问题,研究人员继续开发出更高效的推荐算法。本文的研究主要面对的是在公共交通大数据情况下,乘客与线路之间显性关系信息缺少,隐形关系信息巨大,和同时乘客是否出行问题可以转化为二分类问题,并且乘客未来选择出行的数目远远小于不出行的特点,从而本文主要关注如何构建有效的特征工程和如何解决不平衡分类问题来提升正样本(小类样本)分类准确性。基于以上问题,本文提出了一种基于代价敏感学习和随机梯度提升的算法融合思想,从而使预测乘客是否出行更加准确。首先,采用广州省公共交通数据集,来构建用户乘车习惯相应的特征工程,本文主要从乘客,线路和乘客线路交互三个方向来进行构建特征工程。构建的角度主要从时间,天气,频率等。其次,对新的特征工程进行优化,利用随机森林对特征进行重要性评估,然后将特征变量按照变量重要性降序排序,删除不重要的特征,得到新的特征集,重复上述过程,从而得到模型精度最高时候的特征变量。最后,提出了基于代价敏感学习随机梯度提升算法,从而更好适应不平衡分类数据集,从而能够很好预测乘客未来是否出行。由于基础算法随机提升算法本身就不容易过拟合,泛化能力好,非线性等优点,所以改进的算法就很好的处理本文所构建的特征工程。首先改进的算法在公共不平衡数据集上进行训练,和其他分类算法进行对比,用AUC评价指标对算法模型进行评估。然后再采用广东市乘客刷卡记录数据集,通过多次实验选择合适的参数,分别用随机梯度算法和基于代价敏感学习随机梯度提升算法对数据集进行训练,然后通过评价指标AUC和F1来比较两个算法模型的性能。

关键词：推荐预测代价敏感学习随机梯度提升算法决策树不平衡数据

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：