检索结果-内蒙古大学图书馆

作者：汤文兵东华大学

学位级别：硕士

21世纪伊始,信息技术的兴起与蓬勃助力经济模式朝着虚实结合的方向演变。尤其是互联网为餐饮、新闻和商品交易等实体产业提供了在线推广平台,以及广至全球范围的信息快速传播与分享通道。人们也因便捷性而纷纷成为这些虚拟平台中的信息... 详细信息

21世纪伊始,信息技术的兴起与蓬勃助力经济模式朝着虚实结合的方向演变。尤其是互联网为餐饮、新闻和商品交易等实体产业提供了在线推广平台,以及广至全球范围的信息快速传播与分享通道。人们也因便捷性而纷纷成为这些虚拟平台中的信息消费者。在这种大环境下,信息数据量呈现指数级增长,纷繁复杂的信息扰乱了各线上平台商家产品与用户的联系,影响了商家收益和用户体验。所以提出一种稳定且有效的Top-N推荐技术势在必行,如今其能带来的潜在服务价值和经济效益吸引了大量学者投身该领域的研究。推荐算法是这种定制服务的核心所在,常依据用户评分或行为的预测排名结果提供Top-N推荐服务。结构简单且易落实的传统算法在预测上误差较大而陷入性能瓶颈。近几年深度学习的浪潮开始影响推荐领域,其中基于深度学习的混合模型为大规模服务场景的Top-N个性化推荐质量带来了显著的提升,却对实际商家收益考虑不周。而且复杂化的混合模型为系统服务响应施加了巨大的负载压力。因此,本文依据深度学习技术框架并从用户评分至动态行为逐步深入研究新型Top-N个性化推荐模型以改善用户的服务体验。同时围绕真实场景的可应用性和经济效益,本文还设计了一种优化负载的推荐系统架构方案,将算法模型作为关键组件,以求通过服务实现平台用户和入驻商家的互利共赢。本文主要的研究工作和创新点如下:(1)为了降低基于用户评分Top-N推荐时的预测误差和算法成本,提出了一种基于注意力机制的协同卷积网络(Attention-based Collaborative Convolutional Network,ACCN)。它可以选择性启用历史评分作为辅助信息,通过注意力机制为用户分配关于物品各个属性的关注度,再利用二维行卷积网络实现高阶特征组间的高效交互。本文分别在较大规模Movie Lens-1M和大规模高稀疏Niconico的两个真实世界数据集上进行推荐情景模拟,所提的ACCN相比PMF、CFN、NFM等模型在RMSE和MAPE评估指标上分别有最低12.61%和18.45%的提升,以及节省了2%～31%不等的训练时间成本。(2)以提高Top-N推荐服务动态性和个性化为主题,首先提出了一种新颖的动态特征预测算法(Multi-Temporal-Scale Transformer,MTS Transformer),它利用LSTMs进行多周期编码和Transformer并行解码提高了特征预测的时间跨度、效率和准确性。并在结合工作(1)中ACCN后,本文进一步提出了多时间尺度动态推荐算法模型(MTS-Transformer-boosted Dynamic ACCN,MTST ACCDN)。以AUC、HR@N和NDCG@N等作为评估指标,使用(1)中两个数据集验证了MTST ACCDN相比RRN、NCF、x Deep FM和CFM等算法模型在基于上下文内容的用户行为预测和Top-N个性化推荐上有更明显的优势。(3)设计了一个以Top-N实际定制服务场景为目标的负载优化推荐系统方案。这其中包含了基于一阶用户特征统计法的多路召回、基于规则过滤和基于分位数的多推荐列表融合等策略或组件。并用(2)中所提MTST ACCDN和迁移的GBDT-LR作为可并行的精排模型实现Top-N混合推荐。在(2)中情景模拟的基础上加入覆盖率和多样性的经济指标,通过消融实验检验方案中各组件作用的有效性,牺牲了折合1.1%～4.3%的服务品质换取了两个经济指标上至少1.52%和10.4%的涨幅,并且系统在两个推荐场景中降低了约25.2%和42.4%的负载,证实了本文推荐系统架构在推荐质量和经济效益上有着较为理想的综合表现。

关键词： Top-N个性化推荐深度学习混合推荐模型高阶特征交互负载优化

来源：评论

学校读者我要写书评

暂无评论

电信用户套餐推荐模型研究

电信用户套餐推荐模型研究

引用

作者：张晓静云南大学

学位级别：硕士

随着第五代通信技术(5G)的商用以及“携号转网”政策在全国的全面实施,移动通信运营商间的竞争日益激烈,使得各大运营商纷纷对运营策略进行调整,由原来的吸引新客户调整为吸引新客户、留住老客户。对于老客户来说,如何利用用户的历史行... 详细信息

随着第五代通信技术(5G)的商用以及“携号转网”政策在全国的全面实施,移动通信运营商间的竞争日益激烈,使得各大运营商纷纷对运营策略进行调整,由原来的吸引新客户调整为吸引新客户、留住老客户。对于老客户来说,如何利用用户的历史行为记录,根据用户的使用偏好,为其推荐合适的电信套餐就显得十分必要。同时,随着计算机技术和数据科学的发展,机器学习方法越来越多地被用于建立用户的个性化推荐模型,为建立移动通信用户套餐推荐模型提供了技术和方法。选取国内某电信运营商的用户历史数据集,在对数据进行基本处理和统计描述,分析用户构成和用户历史消费行为,并对数据进行特征重构的基础上,对现有推荐算法进行组合,构建混合推荐模型,并进行模型的比较分析,选择最优模型对该运营商某系列套餐进行用户选取套餐的预测,构建电信用户套餐推荐模型。用户推荐模型构建方法目前主要有基于内容的推荐、协同过滤、基于关联和分类的推荐和混合模型等几种类型。论文研究的特色在于,对目前较新的分类算法的XGboost建模方法应用进行了探索,将其与基于内容的推荐算法进行整合,构建混合推荐模型。通过对电信用户历史数据的实证分析,采用精度、召回率、F1值以及混淆矩阵这四个评价指标对模型进行评价,并将混合推荐模型与XGboost单一模型的预测结果进行多方位比较,得到混合模型的预测精度较高的结论,说明混合模型对于用户电信套餐的预测能力较强。运营商根据用户的历史行为数据采用混合模型为用户进行套餐推荐,有利于提升移动运营商的服务水平,提高用户感知,以便在激烈的竞争中成功保留住原有客户。通过构建混合推荐模型的实证研究,说明混合推荐模型是构建用户推荐模型的一个较好的发展方向,不过由于本例只在运营商提供的6个现有套餐中进行选择,因此推荐结论的代表性有限,但是模型的研究证明了混合模型作为比单一模型更优的一种推荐模型,具有比较大的发展空间。

关键词：电信套餐基于内容推荐 XGBoost算法混合推荐模型

来源：评论

学校读者我要写书评

暂无评论

考虑用户生命周期的混合推荐算法设计与实现

考虑用户生命周期的混合推荐算法设计与实现

引用

作者：宦玉冰上海财经大学

学位级别：硕士

在互联网高速发展的时代,我们在移动设备上消费是个再正常不过的场景,电商企业现在对于利用营销手段获客,吸引用户进入平台已经不是一件难事,但是由于电商平台竞争激烈,用户选择越来越多,如何在短暂的,碎片化的时间内,使得用户快速对平... 详细信息

在互联网高速发展的时代,我们在移动设备上消费是个再正常不过的场景,电商企业现在对于利用营销手段获客,吸引用户进入平台已经不是一件难事,但是由于电商平台竞争激烈,用户选择越来越多,如何在短暂的,碎片化的时间内,使得用户快速对平台内商品激发兴趣,提高用户在电商平台的活跃度,保持长周期的用户留存,并使用户形成消费习惯,成为了电商企业的重大挑战。现在越来多的企业在自己的电商平台引入个性化推荐模块,来提高用户的活跃度。本文以电商平台中推荐模块中个性化推荐算法作为研究主题,因此本文研究了电商推荐算法的发展历程以及当代常用的基于深度学习推荐模型RNN,LSTM,GRU等。由于以用户为中心的互联网营销思维在电商生态中越来越重要,在个性化营销、用户运营的过程中,都会以用户视角来进行企业管理规划。随着这两年个性化推荐算法的发展,虽然运用了很多机器学习、深度学习的技术,但是融入业务内容的用户生命周期理念研究非常少,所以本文将用户生命周期作为切入视角,对现有的深度学习的个性化推荐模型进行优化。本文首先研究了电商用户生命周期的相关理论,着重阐述了用户生命周期中较为经典的AARRR模型。但因为AARRR理论对于本文研究的内容有些局限性,所以本文基于用户行为规律的探索,改进了原有的生命周期理论,提出GMS(Growth Period-成长期,Mature Period-成熟期,Sleeping Period-休眠期)生命周期理论,使之融入电商推荐系统中,更好的帮助电商企业契合在不同生命周期阶段的用户需求,提高推荐的精准度。在不同的生命周期阶段下,用户的行为规律不同,用户主要的需求倾向也不经相同,比如在G-成长期,用户行为具有稀缺性,需要平台做主动的热门商品导购,在M-成熟期,用户对商品的兴趣程度可以通过大量的历史数据获得,而在S-休眠期,则需要部分热门商品导购,加部分历史行为来唤醒用户对平台商品的兴趣。基于这种多阶段的情况,全局使用单一模型并不很好的满足不同用户需求和特征规律,所以本文研究中尝试在不同的用户生命周期阶段选用最合适的算法模型与之匹配,设计出一个基于深度学习的混合推荐算法模型框架,用户分不同阶段来是适配不同阶段模型,进而达到总体推荐模型效果最佳的状态。由于GRU在传统RNN的基础上优化了梯度消失等问题,在LSTM的基础上提升了运算效率,所以本文最终选定GRU作为主要算法之一。另外,为了能够更好的优化在电商场景兴趣度合理分配的问题,所以本文使用了注意力机制,研究加入注意力因子的混合深度学习推荐算法。时间相关的信息是个性化推荐系统中的一个关键特征。一般来说,不同的商品浏览时长反映了用户当前的兴趣度。本文提出了一种将时长相关信息融入注意力机制的GRU模型,通过对用户浏览各商品的时长信息进行分析、清洗和标准化等处理得到时长注意力因子,并将时长注意力因子和其他用户行为数据共同作为深度学习模型的输入信息进行模型训练和预测,更充分地利用了时间信息来提升推荐效果。最后为了验证本文提出的以用户生命周期的混合推荐算法的效果,本文采用了一些单一模型和混合模型,作为对比,例如:RNN,LSTM,CNN,热门推荐算法和不同阶段使用不同模型等基准。并且,还加入了 dropout来优化本文所提出混合推荐算法。本文采用了真实电商平台app的用户行为数据集,该电商平台有丰富的用户规模和用户行为数据,包括380万+的用户行为明细数据。本文训练和测试的模型,都应用于这个电商app的推荐模块中,以此来尝试提高用户在该模块中对于推荐商品的兴趣度。

关键词：电商推荐系统用户生命周期深度学习神经网络混合推荐模型 GRU 注意力机制商品浏览时长

来源：评论

学校读者我要写书评

暂无评论

基于混合模型的个性化阅读系统设计

引用

软件导刊 2019年第8期18卷 80-82,87页

作者：孙承爱季胜男田刚山东科技大学计算机科学与工程学院

为解决协同过滤推荐算法冷启动和数据稀缺的问题,提高个性化阅读系统推荐准确性,根据图书特点,提出一种融合协同过滤算法和兴趣标签算法的个性化阅读系统设计。通过交叉调和方法,给定一个适当的融合比将两种推荐算法的推荐结果进行融合... 详细信息

为解决协同过滤推荐算法冷启动和数据稀缺的问题,提高个性化阅读系统推荐准确性,根据图书特点,提出一种融合协同过滤算法和兴趣标签算法的个性化阅读系统设计。通过交叉调和方法,给定一个适当的融合比将两种推荐算法的推荐结果进行融合,保证系统在解决冷启动问题的同时,能够增加推荐列表新鲜度,提高推荐准确度,保持个性化阅读系统优越性。结果表明,该方法即使没有评级也能合理推荐,在推荐准确性和图书种类方面优于传统方法。

关键词：个性化阅读混合推荐模型协同过滤兴趣标签交叉调和

来源：评论

学校读者我要写书评

暂无评论

MFWT:一种推荐学术论文的混合模型

引用

北京邮电大学学报 2016年第4期39卷 24-29页

作者：卢美莲张正林刘智超北京邮电大学网络与交换技术国家重点实验室北京100876

为了改善概率矩阵分解模型进行学术论文推荐时存在的数据稀疏性和冷启动问题,提出了一种混合推荐模型——主题矩阵分解模型.通过提出的作者-会议-时间-主题模型和传统的潜在狄利克雷分布主题模型分别构建用户和论文的主题特征,并通过这... 详细信息

为了改善概率矩阵分解模型进行学术论文推荐时存在的数据稀疏性和冷启动问题,提出了一种混合推荐模型——主题矩阵分解模型.通过提出的作者-会议-时间-主题模型和传统的潜在狄利克雷分布主题模型分别构建用户和论文的主题特征,并通过这2类特征分别增强概率矩阵分解模型的用户潜在因子特征向量和项目潜在因子特征向量.实验结果表明,该模型较好地解决了概率矩阵分解模型的数据稀疏性问题和冷启动问题,有效提升了学术论文的推荐效果.

关键词：概率矩阵分解主题模型混合推荐模型数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

Mahout音乐推荐引擎关键技术研究

Mahout音乐推荐引擎关键技术研究

引用

作者：李媛媛兰州理工大学

学位级别：硕士

在互联网迅速发展的今天,手机音乐APP和在线音乐平台的普及给用户带来了极大方便的同时也导致了信息量的不断增长。用户如何找到自己喜欢的音乐或音乐平台如何将用户感兴趣的音乐推送给用户便成了一大难题。因此,研究者提出了将推荐系... 详细信息

在互联网迅速发展的今天,手机音乐APP和在线音乐平台的普及给用户带来了极大方便的同时也导致了信息量的不断增长。用户如何找到自己喜欢的音乐或音乐平台如何将用户感兴趣的音乐推送给用户便成了一大难题。因此,研究者提出了将推荐系统应用到音乐平台中,并针对不同的用户,快速准确的找到符合用户品味的音乐,甚至挖掘出用户潜在的音乐爱好。在音乐推荐系统的研究中,最早的是基于内容的推荐,对音乐特征进行标签化,但不同的人对同一首歌曲有不同的理解,标签化有着一定的主观色彩。为了解决这一问题,本文提出将基于协同过滤的混合式推荐算法模型应用到音乐推荐引擎中,并通过Hadoop,Mahout和Map Reduce实现分布式推荐模型。本文的主要研究工作如下:(1)针对协同过滤推荐技术是否适用于音乐推荐的问题,本文提出将经典的协同过滤推荐模型应用到标准音乐数据集上。在协同过滤推荐模型中,用户或者项目之间相似度技术是其核心部分,利用标准音乐数据集,对不同的相似度度量方法进行测试评估,找出适合音乐推荐的算法模型。(2)针对在单节点上提高推荐的准确率和召回率问题以及规避单一推荐模型在音乐推荐引擎中出现的问题,本文提出基于协同过滤的混合推荐模型,通过不同的混合规则,对单一推荐的结果集进行处理,最后进行推荐。实验结果表明,混合推荐模型与经典单一推荐模型相比,Precise提高了80%;同时采用线上线下分离,线下进行数据集的分析和计算,线上进行推荐的技术,提高了推荐速度。(3)针对如何将推荐引擎运行在Hadoop分布式平台上的问题,本文提出了基于共现矩阵的分布式推荐模型。该模型通过Map Reduce和Mahout实现共现矩阵模型并行化。实验结果表明,在Map Reduce编程过程中,对音乐推荐数据集这种特殊的数据集进行稀疏性处理,节省运算所消耗的空间和时间。分布式推荐模型的实现,提高了推荐引擎的准确性和实时性。分布式推荐相比单一推荐的Precise平均提高了95.16%,Recall提高了119.86%,F-measure值稳定到10%,推荐速度提高了两倍。

关键词：协同过滤混合推荐模型共现矩阵模型 Hadoop MapReduce Mahout

来源：评论

学校读者我要写书评

暂无评论

广电家庭用户个性化智能推荐系统的推荐算法研究

广电家庭用户个性化智能推荐系统的推荐算法研究

引用

作者：赵玉倩广西科技大学

学位级别：硕士

电视自1925年发明至今,极大地改变了人们的日常休闲娱乐生活,是每个家庭不可或缺的家用电器。进入21世纪以来,广播电视运营商可以与众多的家庭用户实现信息的实时交互,使得全方位、个性化的产品营销和有偿服务成为现实。智能推荐作为一... 详细信息

电视自1925年发明至今,极大地改变了人们的日常休闲娱乐生活,是每个家庭不可或缺的家用电器。进入21世纪以来,广播电视运营商可以与众多的家庭用户实现信息的实时交互,使得全方位、个性化的产品营销和有偿服务成为现实。智能推荐作为一种新兴的机器学习算法,目前已广泛应用于互联网产业,但在广播电视领域却并不多见。为了提出一种有效的广播电视推荐算法,我们首先学习了前人在智能推荐算法及其在广播电视领域应用的研究成果。其次研究对比了目前在其他产品行业较为主流的基于内容的推荐算法、协同过滤推荐算法和基于关联规则的推荐算法;深入探索分析各个算法的实现原理及优缺点,分别探讨了其应用于广播电视节目推荐的可行性。本文选用某广播电视网络运营公司所记录的用户收视记录信息数据进行建模,对数据进行了必要的清洗和整理。选用Apriori关联规则算法和协同过滤算法,建立电视节目智能推荐模型,该模型利用算法发掘出节目产品及用户之间的隐含关系,为用户推荐与其偏好类型相似的节目产品,最后根据机器学习常用的评价体系对模型效果进行评价。为了避免单一模型的局限性,进一步提升推荐效果,本文将Apriori关联规则算法和协同过滤算法结合,得到混合推荐模型。经验证,混合推荐模型与单一模型相比,能够有效提升系统推荐效果,并且对推荐的扩展性有所增强,较好地捕捉用户喜好,实现个性化推荐,对于提升用户收视体验,促进有偿服务营销都起到了十分积极有效的作用。

关键词：广播电视领域智能推荐 Apriori关联规则算法协同过滤算法混合推荐模型

来源：评论

学校读者我要写书评

暂无评论

一种基于小世界网络和贝叶斯网络的混合推荐模型

引用

小型微型计算机系统 2010年第10期31卷 1974-1978页

作者：张少中高飞浙江万里学院电子信息学院浙江宁波315100

小世界网络在聚类应用中具有良好的性质,贝叶斯网络在概率推理中也得到了广泛的研究.将小世界网络和贝叶斯网络结合起来,形成了一种混合推荐模型.该混合模型由两层组成,分别是用户层和商品层.其中小世界网络用于描述用户层内用户-用户... 详细信息

小世界网络在聚类应用中具有良好的性质,贝叶斯网络在概率推理中也得到了广泛的研究.将小世界网络和贝叶斯网络结合起来,形成了一种混合推荐模型.该混合模型由两层组成,分别是用户层和商品层.其中小世界网络用于描述用户层内用户-用户结点间的关系,贝叶斯网络用于描述商品层内商品-商品结点,以及层间用户-商品结点间的偏好关系.对小世界网络的用户聚类方法、贝叶斯网络结构和参数学习方法、以及两层混合模型的推荐算法进行了描述,实验表明,该模型能够很好地表示用户-用户、商品-商品、以及用户-商品间的关系,推荐结果具有良好的准确度.

关键词：小世界网络贝叶斯网络混合推荐模型

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：