当前位置:主页 > 经济论文 > 国际贸易论文 >

淘宝网购物行为预测及商品推荐机制的研究

发布时间:2020-11-21 04:42
   信息过载已经成为大数据时代不可回避的问题,推荐系统的出现,使得信息过载得到了有效的缓解,推荐系统的研究与改进受到广泛的关注。各种推荐算法都有自己适应的领域,基于不同的应用和问题,各种改进推荐算法层出不穷。单一的推荐技术已不再能解决问题,各种混合推荐算法也应运而生。本文采用文本分类模型,划分去掉评分低的商品,避免将评分低的商品推荐给用户。然后输入用户的行为词向量均值和推荐商品词向量,通过基于深度神经网络的Word2Vec推荐模型推送商品,主要研究内容如下。对商品的评价分类问题,属于文本分类过程。MDSMOTE算法在生成新样本时将错分样本修正的方法加入MDSMOTE算法,用以解决在生成部分新样本时不将错分样本合并的问题。超平面偏向少数类的问题,是传统FSVM分类算法一直存在的问题。针对这个问题在FSVM中,引入了正负惩罚系数以及模糊因子。将MDSMOTE和FC-SVM结合得到MDSMOTE+FC-SVM分类模型,使得不平衡数据集的辨别率变高,实验表明该模型具有更高的准确性。使用Word2Vec模型训练用户行为词向量。Word2Vec词向量训练领域有广泛且较优的应用,在本文中将该技术引用过来,通过Word2Vec框架,把每个用户看作一篇文章,用户购买物品按照时间序排序,物品看作词,通过Word2Vec得到用户向量均值。使用CBOW模型实现Word2Vec,同时优化了 Hierarchical Softmax层,降低了每一个词的概率计算速度。然后,对输入层和隐含层以及模型结构进行了调整,降低了模型训练的时间复杂度。构建了基于Work2Vec词向量训练模型的商品推荐模型。将用户行为词向量均值和推荐商品向量作为输入,中间使用深度神经网络,结果输出推荐商品的评分。然后,优化了推荐模型。第一方面,依据SWEM简单词向量模型得知均值可以更好的表现出每一个词的信息,将原来的用户行为词向量改为用户行为词向量均值作为输入。第二方面,训练过程使用两层的ReLU函数,使一部分神经元失活降低了训练过程中神经元的数量。将商品分类模型和基于Word2Vec的深度神经网络推荐模型结合。通过推荐模型得到曝光商品的评分,按照评分的降序依次推荐给用户,此时可能会将评价差的商品推荐给用户,用户浏览商品的评价时发现评价价差,会放弃购买。本文最后通过文本分类模型去除评价差的商品,避免将其推荐给用户。最后,本文的推荐模型同基于PMF、LibMF的两个推荐模型做对比。比较了 MAE与RMSE的值,发现本文的推荐算法具有更准确的推荐效果。
【学位单位】:东北林业大学
【学位级别】:硕士
【学位年份】:2019
【中图分类】:F724.6;TP391.3
【部分图文】:

结构图,推荐模型,结构图,商品


,。的商品,使得推荐准确率得到提升。本章节将会阐述的需求分析。??模型需求简介??台的推荐模型,是本文研宄的主要内容,计算商品评分,下:??类,将曝光的商品以及评分划分为两类,一类是好评,构建基于w〇rd2veC的词向量训练模型,通过词向量型,构建推荐模型,基于神经网络,训练模型预测曝光型使得MAE?—直减小或者收敛,避免训练复杂度型的准确度。??构图如图2-1所示。??

协同过滤,算法,内存,图模型


3)图模型??图模型的基本思想是更新每个节点间信息,利用映射传递函数,将用户两个元组的行为??数据和元组的关系更新结点之间的信息。图模型能够分成间接以及直接的方式。交叉型节点??关系的一种方式是最近找出与目标用户的关系,推荐前n个项目,构建直接图模型间的所有??项与每个用户之间的联系图,可以在相邻节点选择推荐的目标用户偏好项目节点上或者选择??相邻节点关系,间接关系图中相同类型节点是建立的图模型。??2.3.2基于内存的协同舰??基于内存的推荐算法(Memory-based?Recommendation),相对其他的协同过滤推荐算法来??说比较好用,其实现的过程步骤为:1.组成用户项目矩阵,依靠对用户项目数据建模;2.找??出目标项目或者目标用户的邻居集,通过对项目或者用户实行相似度计算;3.根据邻居集合,??计算出目标用户的评分以及目标项目的评分,实现预测;4.最后的到包含N个得分最高的项??目的推荐列表[381。基于项目以及基于用户的两种基于内存的协同过滤划分是由于相似度计??算对象不同。基于用户的协同过滤是一种群体化现象,它可以体现出目标项在用户几张的受??欢迎程度;而'基于项目的协同过滤更加侧重于对用户自身的兴趣爱好的挖掘,这是以上二者??的区别,即主要应用在两种不同场合下。??

协同过滤,和项,项目集,偏好数


2商品推送相关技术:抓取用户的偏好数据,标记出用户不倾向的集合,也就是。然后,依据过程上述过程中得到的数据,计算出相似的项好集合。根据用户对项目集的评分来预测各个项目集的分数高评分的N个项目。??,用户1喜欢项目A和项目B,用户2喜欢项目A和项目B,所以A,B,?C是相似的。因此就可以把C推荐给喜欢A的结论,用户3可以收到项目A和项目B的推荐。??
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 刘高宇;;深度神经网络在煤质数据分析与预测中的应用[J];电脑知识与技术;2019年28期

3 冯伟业;廖可非;欧阳缮;牛耀;;基于胶囊神经网络的合成孔径雷达图像分类方法[J];科学技术与工程;2019年28期

4 温赞扬;;基于群智优化神经网络的音乐风格分类模型研究[J];现代电子技术;2019年21期

5 郑丽;;建筑设计中神经网络技术与遗传算法探究[J];湖北农机化;2019年21期

6 易炜;何嘉;邹茂扬;;基于循环神经网络的对话系统记忆机制[J];计算机工程与设计;2019年11期

7 黄为;李永刚;胡上成;汪毅;;基于循环神经网络的船摇数据实时预测[J];科学技术与工程;2019年31期

8 赖策;魏小琴;;卷积神经网络的训练方式研究[J];信息与电脑(理论版);2019年22期

9 周济民;;基于神经网络改进的元胞自动机分析——美国阿片类药物滥用情况[J];信息系统工程;2019年11期

10 马猛;王明红;;基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J];轻工机械;2019年06期


相关博士学位论文 前10条

1 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年

2 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

3 付钱华;忆阻神经网络的动力学研究[D];电子科技大学;2019年

4 张马路;Spiking机器学习算法研究[D];电子科技大学;2019年

5 杜昌顺;面向细分领域的舆情情感分析关键技术研究[D];北京交通大学;2019年

6 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

7 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

8 饶红霞;信息受限下神经网络的状态估计和拟同步研究[D];广东工业大学;2019年

9 赵博雅;基于卷积神经网络的硬件加速器设计及实现研究[D];哈尔滨工业大学;2018年

10 陈科海;机器翻译上下文表示方法研究[D];哈尔滨工业大学;2019年


相关硕士学位论文 前10条

1 白会杰;基于人工智能的光伏发电短期功率预测技术[D];北京交通大学;2019年

2 张荣葳;基于卷积神经网络与SimHash的网络异常流量检测技术研究[D];中国工程物理研究院;2019年

3 张超利;基于神经网络的河南省空气污染预测研究[D];华北水利水电大学;2019年

4 范汝鑫;基于深度神经网络的个性化商品推荐研究[D];合肥工业大学;2019年

5 贾凯;人工蜂群算法与BP神经网络并行集成学习研究[D];合肥工业大学;2019年

6 黄国维;基于深度学习的城市垃圾桶智能分类研究[D];安徽理工大学;2019年

7 江白华;基于深度学习的人脸识别研究[D];安徽理工大学;2019年

8 侯栋楠;基于深度特征学习的振动状态识别方法[D];华北电力大学;2019年

9 肖炜茗;基于Bernstein多项式和阶梯路径构造的前向插值神经网络及逼近能力[D];天津师范大学;2019年

10 强硕;基于神经网络的电锅炉动态过程建模研究[D];华北电力大学;2019年



本文编号:2892540

资料下载
论文发表

本文链接:https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/2892540.html


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

版权申明:资料由用户c1f77***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