群组角色协同多对多推荐算法研究
发布时间：2022-01-24 12:57
为解决企业推荐资源有限的情况下,物尽其用、合理地分配推荐资源问题,本文对资源受限约束下的多对多推荐进行了研究,在满足客户需求的条件下做推荐,使企业总体收益尽可能的最大化。推荐是企业的一种重要营销方式,根据推荐方式的不同,推荐可分为资源不受限的推荐和资源受限的推荐,而实际上,资源受限的推荐往往也是多对多的推荐,一个客户可以接受多个满足自身的项目或产品,一个项目可以推荐给多个适合的客户,但是每个项目的利润率不同,每个客户对每个项目的购买力和匹配度也不相同,如何合理地分配有限推荐资源,并使企业获得尽可能最大化的收益,复杂而重要。在问题预设和分析中,本文以某金融公司营销部门对其VIP客户进行理财产品推荐的现实背景作为切入点,对该类问题及相关场景进行了详细地分析和研究,主要内容包括:1)使用基于角色协同的工程理论方法及其E-CARGO模型框架,对资源受限多对多推荐问题进行形式化建模,抽象问题的主体要素,并建立相应的量化指标;2)首先根据客户-产品购买力、产品利润率、客户-产品匹配度等参数,为每种产品学习两条最优的客户分级分界线,用于不同匹配度客户间的层级划分;然后依据客户所在层级的不同,选取合适...
【文章来源】：广东工业大学广东省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
匹配度及标签生成函数Fig4-1FunctionstoCreateSimulationData
例的数据都包括仿真生成的客户-产品匹配度数据以及对应的实际标签数据。而利用上述 4 种不同数学函数生成的仿真数据，经过计算其对应的真正率(TPR)和假正率(FPR)数据，可以得到其对应的 ROC 曲线图(受试者曲线)大致情况如图 4-2 所示。图 4-2 ROC 曲线和 AUC 值Fig 4-2 ROC Curves and AUC根据上述图 4-2 可以看出，函数 f1 至 f4 对应的 ROC 曲线线下面积(AUC)分别为0.89、0.87、0.97、0.92。即上述 4 种数学函数仿真的数据相当于一个工业可用型推荐模型计算出来的数据。因此，利用上述方法和函数进行仿真的实验数据是有效且可行的。鉴于上述仿真数据合理性说明，本文可以利用上述方式生成数据进行后续的实验及参数学习。而根据第三章的形式化模型以及算法可以知道，在进行资源受限多对多推荐问题求解前，本文首先需要利用历史数据集学习出最优的分级分界线参数 L 1和L 2。因此，本文利用上述方法生成了一个拥有 8 个产品和 10000 个 VIP 客户的历史数据集。为了获取最优分级分界线参数 L 1，本文采用了等步长搜索的方法分别为每个产品计算出以何种大小的阈值进行正负标签划分时其精确度(precision)恰好达到0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95。因此
实际的人力、物力、时间等资源限制，其实际的波动性往往不大，历史数据统计出历史中每种类型产品的历史接受人数比例，然后按上确定产品资源限制向量 L 即可。而根据仿真历史数据统计结果，可接受推荐人数占总体推荐规模的比例如图 4-3 的内容所示。
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]基于标签和PageRank的重要微博用户推荐算法[J]. 王嵘冰,安维凯,冯勇,徐红艳. 计算机科学. 2018(02)
[3]融合用户社会地位和矩阵分解的推荐算法[J]. 余永红,高阳,王皓,孙栓柱. 计算机研究与发展. 2018(01)
[4]基于角色协同的角色扮演逻辑及其代数模型[J]. 滕少华,张如琪,刘冬宁,刘林源,朱咸军. 电子学报. 2017(12)
[5]SCMF:一种融合多源数据的软约束矩阵分解推荐算法[J]. 满彤,沈华伟,黄俊铭,程学旗. 中文信息学报. 2017(04)
[6]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊. 软件学报. 2017(03)
本文编号：3606614
【文章来源】：广东工业大学广东省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
匹配度及标签生成函数Fig4-1FunctionstoCreateSimulationData
例的数据都包括仿真生成的客户-产品匹配度数据以及对应的实际标签数据。而利用上述 4 种不同数学函数生成的仿真数据，经过计算其对应的真正率(TPR)和假正率(FPR)数据，可以得到其对应的 ROC 曲线图(受试者曲线)大致情况如图 4-2 所示。图 4-2 ROC 曲线和 AUC 值Fig 4-2 ROC Curves and AUC根据上述图 4-2 可以看出，函数 f1 至 f4 对应的 ROC 曲线线下面积(AUC)分别为0.89、0.87、0.97、0.92。即上述 4 种数学函数仿真的数据相当于一个工业可用型推荐模型计算出来的数据。因此，利用上述方法和函数进行仿真的实验数据是有效且可行的。鉴于上述仿真数据合理性说明，本文可以利用上述方式生成数据进行后续的实验及参数学习。而根据第三章的形式化模型以及算法可以知道，在进行资源受限多对多推荐问题求解前，本文首先需要利用历史数据集学习出最优的分级分界线参数 L 1和L 2。因此，本文利用上述方法生成了一个拥有 8 个产品和 10000 个 VIP 客户的历史数据集。为了获取最优分级分界线参数 L 1，本文采用了等步长搜索的方法分别为每个产品计算出以何种大小的阈值进行正负标签划分时其精确度(precision)恰好达到0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95。因此
实际的人力、物力、时间等资源限制，其实际的波动性往往不大，历史数据统计出历史中每种类型产品的历史接受人数比例，然后按上确定产品资源限制向量 L 即可。而根据仿真历史数据统计结果，可接受推荐人数占总体推荐规模的比例如图 4-3 的内容所示。
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]基于标签和PageRank的重要微博用户推荐算法[J]. 王嵘冰,安维凯,冯勇,徐红艳. 计算机科学. 2018(02)
[3]融合用户社会地位和矩阵分解的推荐算法[J]. 余永红,高阳,王皓,孙栓柱. 计算机研究与发展. 2018(01)
[4]基于角色协同的角色扮演逻辑及其代数模型[J]. 滕少华,张如琪,刘冬宁,刘林源,朱咸军. 电子学报. 2017(12)
[5]SCMF:一种融合多源数据的软约束矩阵分解推荐算法[J]. 满彤,沈华伟,黄俊铭,程学旗. 中文信息学报. 2017(04)
[6]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊. 软件学报. 2017(03)
本文编号：3606614
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3606614.html
