面向用户行为的多因素关联学习和预测

发布时间：2021-11-09 03:04

　　近年来,基于地理位置的服务受到越来越多关注,方便了用户生活。相关平台也记录了大量的用户行为数据,这些信息体现了用户的生活习惯、行为模式、性格特征等。充分利用线上商家信息和用户行为数据,对用户线下行为进行预测和推荐,不仅能够提高用户满意度,而且方便服务提供者提升服务质量和吸引新用户,提高商业效益。本文研究用户行为的多因素关联学习和预测问题,面临诸多挑战。首先,用户行为数据中包含很多噪音,需要从群体行为中分析和挖掘个体的兴趣偏好。其次,用户行为受到外界因素和用户内在需求的共同影响,具有动态性、随机性等特点。最后,用户行为中的时间、地点、行为类型等多个因素之间相互影响,各个因素又体现了用户需求的不同侧面,难以在统一的模型中建模各行为因素之间的关系。针对以上挑战,本文利用真实的用户时空行为数据集,从具体的场景深入研究。本文主要工作如下:（1）提出了面向用户行为的多因素联合表示学习模型。根据时空关联的用户行为特点,在相同的隐式空间中建模用户、地点、行为类型等因素的表示向量,通过群体行为数据学习地点的功能特性和空间特征。针对用户行为序列中的时间间隔散乱性问题,考虑用户行为中的周期特征,提出时间模式... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
主要符号表
第1章 绪论
    1.1 问题背景
    1.2 问题和挑战
    1.3 本文贡献
    1.4 论文组织结构
第2章 国内外研究现状
    2.1 用户移动行为预测和推荐
        2.1.1 基于个体历史行为的地点预测
        2.1.2 基于群体行为的协同预测
    2.2 基于电商平台的在线消费预测
    2.3 基于用户网络行为的事件序列预测
第3章 多行为因素的联合表示学习
    3.1 表示学习原理
    3.2 用户行为因素和关联关系表示学习框架
    3.3 表示学习的目标函数
        3.3.1 地点功能驱动的用户和行为关系建模
        3.3.2 周期特征建模和地点关联关系学习
        3.3.3 基于行为序列的地点相关性建模
        3.3.4 联合目标函数
    3.4 优化学习算法
    3.5 数据集
        3.5.1 数据集统计
        3.5.2 用户行为模式分析
    3.6 模型的语义理解
    3.7 小结
第4章 基于行为向量的多因素联合预测
    4.1 问题定义
    4.2 多行为因素联合预测模型
        4.2.1 地点主导的概率模型
        4.2.2 基于注意力机制的神经网络模型
    4.3 对比方法和评估指标
    4.4 实验结果分析
        4.4.1 多因素联合预测
        4.4.2 行为因素单独预测
        4.4.3 参数设定对性能的影响
        4.4.4 使用注意力机制的模型效果比较
        4.4.5 表示学习的有效性讨论
    4.5 小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
攻读硕士学位期间参与科研项目
攻读硕士学位期间完成论文
学位论文评阅及答辩情况表


【参考文献】：
期刊论文
[1]移动推荐系统及其应用[J]. 孟祥武,胡勋,王立才,张玉洁.  软件学报. 2013(01)



本文编号：3484497