当前位置:主页 > 经济论文 > 电子商务论文 >

基于用户特征与强化学习的商品推荐算法

发布时间:2020-06-05 00:33
【摘要】:随着移动电子商务的迅速发展,用户和商品数量不断增加,使得大量商品无法快速接触到目标客户。这就要求移动电商平台研究高质量的商品推荐算法,构建商品和潜在客户之间的桥梁。然而,目前大多数商品推荐还依赖于协同过滤等传统的推荐算法,推荐的效率和准确率都不能满足需求。因此,研究结合特征分析和强化学习等新兴技术的商品推荐算法,对于移动电子商务的发展尤为重要。本文基于实际项目场景,结合移动电商数据的特点,研究一种结合用户特征分析与动态状态挖掘的推荐算法。主要工作内容包含以下几点:(1)研究了项目中采集到的移动电商数据的特点,分析数据中存在的问题和影响推荐质量的因素,对数据进行了一系列预处理的操作。同时,为了提高算法的效率和准确率,采用多种方式对数据进行了转换。(2)提出了一个基于用户特征和强化学习的推荐算法。本文对移动电商数据的用户行为进行分析,构建用户特征集合,训练出用户行为模型,并将模型融合,形成根据静态特征的推荐;同时,本文设计了移动电商下的决策过程,描述用户的状态,根据用户的反馈训练深度决策网络,生成动态的商品推荐。最后,本文采用混合策略将两种推荐结果混合起来作为最终的推荐输出。(3)建立了一个用户行为仿真器,用于在强化学习的训练过程中提供用户的反馈信息。移动电商数据中用户和商品的行为数据比较稀疏,无法满足强化学习训练的需要。因此,本文根据用户的行为逻辑,构造了一个基于循环神经网络的用户行为仿真器,向强化学习提供模拟的用户反馈。本文依据项目中的移动电商数据,设计实验验证了本文提出的算法,并与一些流行的推荐算法进行了横向对比。实验结果表明,本文算法在推荐指标和效率上都有明显提升,证明了算法的有效性。
【图文】:

模型结构,普遍化,特征转换,低维


图 2-3 宽深度模型结构图[27]深度部分是一个前馈神经网络,,采用 ReLUs 激活函数。该部分的原始输入是特符串,并把稀疏、高秩的特征转换为密集、低维的嵌入特征,从而产生普遍化的推果。

结构图,循环神经网络,推荐模型,访问记录


x(t-1)x(t) x(t+1)图 2-4 循环神经网络结构图在推荐算法中,一种运用就是通过 RNN 处理用户浏览的会话信息,根据用户的访问记录,为当前时刻的用户提供最合适的推荐[22]。该算法的结构见图 2-5。
【学位授予单位】:华南理工大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.3;TP181

【参考文献】

相关期刊论文 前1条

1 赵亮,胡乃静,张守志;个性化推荐算法设计[J];计算机研究与发展;2002年08期

相关硕士学位论文 前1条

1 俞骋超;基于深度神经网络的用户会话推荐算法研究[D];浙江大学;2016年



本文编号:2697219

资料下载
论文发表

本文链接:https://www.wllwen.com/jingjilunwen/dianzishangwulunwen/2697219.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户38c91***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com