增强时间特征的兴趣点推荐算法研究

发布时间：2021-08-28 06:45

　　随着深度学习的发展,人工智能领域取得了革命性的进步,各领域的研究也随之得到了迅速发展,其中推荐系统应用深度神经网络模型,得到了进一步的革新,受到了学者们的广泛关注。近年来,便携式智能设备越来越普及,人们与互联网的交互日益频繁,位置跟踪和定位的准确性不断增强,使得基于位置的服务趋于多样,在社交网络中随处可见用户分享自己的定位与心得,这让兴趣点推荐成为了学术界乃至工业界的热门任务,它不仅要求算法模型能够很好地从海量的数据中提取出位置中的有效信息,还需要能够将位置信息与其他异构信息进行交叉组合,准确地进行个性化推荐。本文主要研究的是兴趣点推荐的应用领域,它专注于帮助移动用户探索新的区域,通过用户偏好和兴趣点特征等多种因素来对用户此时可能做出的行为进行预判,从而推荐最佳兴趣点列表以供用户选择。为此,本文包括以下几个方面的工作:首先本文的整体架构采用wide&deep模型进行建模,在deep侧本文构建了三个特征,分别是用户的分布式表达、兴趣点的分布式表达和增强时间特征的上下文分布式表达。其中后两者是本文的关键特征。对于兴趣点的分布式表达,本文利用兴趣点大量的评论信息,使用词嵌入技术将拼接... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

UserCF示意图

ItemCF示意图

基于内容的推荐算法示意图

【参考文献】：
期刊论文
[1]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)



本文编号：3368020