面向用户生成序列的深度学习技术研究

发布时间：2021-01-03 04:48

　　长久以来,用户生成序列建模一直是推荐系统中研究的热点。传统方法从浩瀚数据中根据用户序列快速筛选出符合用户兴趣的信息,需要花费大量的人力和物力。得益于海量数据和强有力的算力提升,近年来基于深度学习技术的模型在序列建模任务获得巨大的成功。然而,当前对用户生成序列建模的研究仍存在诸多缺陷。对于用户同构序列数据1)未充分将用户体温序列与电子健康病历中多类型特征融合建模;2)忽略对用户签到行为中签到时间的预测建模。对于用户异构序列数据3)未考虑融合序列推荐任务中序列切分和推荐两阶段的工作流。本文分别就用户同质和异质序列数据中蕴含的具体任务进行深入研究,设计数据驱动的用户个性化序列建模框架,较好的缓解了上述问题。本文的主要工作和贡献概述如下:首先,本文从诊断儿童社区获得性肺炎致病微生物的问题入手,提出一种针对患者的注意力机制循环神经网络模型PA-RNN,结合患者在电子健康记录中的生物医学数据,包括血常规和尿常规等特征,同时对随时间变化的体温序列进行联合建模预测。本文在真实的数据集中进行全面的实验,展示将电子健康记录中的多种特征融合对于研究问题的好处。现有的大多基于位置的服务研究专注于提升预测签到地... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：100 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 序列建模方法的研究现状
        1.2.2 下一地点与时间建模任务研究现状
    1.3 本文工作和主要贡献
    1.4 本文的组织结构
第二章 基础知识和相关技术
    2.1 神经网络基础知识
        2.1.1 全连接神经网络
        2.1.2 激活函数
        2.1.3 损失函数
        2.1.4 优化方法
    2.2 循环神经网络
        2.2.1 循环神经网络
        2.2.2 长短期记忆网络
        2.2.3 门控循环单元
        2.2.4 注意力机制
    2.3 图卷积神经网络
    2.4 时间点过程
    2.5 本章小结
第三章 基于深度特征学习的儿童CAP致病因诊断
    3.1 研究动机
    3.2 儿童CAP致病因诊断任务定义
    3.3 患者特征选择
    3.4 个性化注意力循环神经网络模型:PA-RNN
    3.5 实验与结果分析
        3.5.1 实验设置
        3.5.2 模型比较与分析
        3.5.3 超参研究
    3.6 本章小结
第四章 基于深度多任务学习的签到地点和时间预测
    4.1 研究动机
    4.2 下一签到地点与时间预测任务定义
    4.3 注意力循环神经点过程-图注意力模型:ARNPP-GAT
        4.3.1 用户动态兴趣建模
        4.3.2 用户社交关系建模
        4.3.3 用户多任务学习预测模块
        4.3.4 用户多任务学习目标
    4.4 实验与结果分析
        4.4.1 实验设置
        4.4.2 ARNPP-GAT模型对比
        4.4.3 模型分析
    4.5 本章小结
第五章 基于深度强化学习的序列切分和推荐算法
    5.1 研究动机
    5.2 序列切分与推荐任务定义
    5.3 基于会话的推荐模型
        5.3.1 推荐模型: GRU4Rec
        5.3.2 推荐模型: HRNN
        5.3.3 推荐模型: NARM
    5.4 深度强化学习序列切分和推荐框架:RL4SRec
        5.4.1 策略网略
        5.4.2 训练过程和复杂度分析
    5.5 实验与结果分析
        5.5.1 实验设置
        5.5.2 基准模型对序列切分策略的研究
        5.5.3 RL4SRec算法对比
        5.5.4 RL4SRec算法分析
    5.6 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间发表论文、参与科研和获得荣誉情况



本文编号：2954346