基于点过程的用户回归时间预测
发布时间：2021-03-01 01:10
随着网络时代的到来,互联网技术不断更替,层出不穷的软件应用使得网络上的信息越来越多。如何运用好这些信息成为了各大公司需要研究和讨论的重要问题,用户回归时间预测就是其中的一个重要方向。高效且准确的预测可以帮助公司及时采取有效的措施去挽留可能流失的客户,并对近期可能会有购买意愿的用户进行有针对性地推荐,达到最大化利润的目的。在学术界,用户回归时间预测也成为了许多专家学者研究的课题之一。目前常见方法主要分为两类,分别是基于传统机器学习的方法和基于点过程的方法。基于传统机器学习的方法并没有考虑到数据发生的先后关系,而将该问题认为是普通的分类或回归问题,正是由于在建模时缺乏对事件发生先后顺序这一信息的考虑,导致该类方法的预测准确性普遍不高。第二类方法是基于点过程的方法。点过程是一类用于时间序列建模的常见方法,该方法的核心是对条件强度函数进行建模,如泊松点过程和Hawkes过程等都是常见的点过程方法。泊松点过程是一种较为简单的方法,而Hawkes过程则在泊松点过程的基础上考虑了历史事件在当前时刻的影响,但绝大多数方法却都忽略了除时间之外其他特征对用户回归时间的影响。基于以上的事实考虑,本文开展了如...
【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】：75 页
【学位级别】：硕士
【部分图文】：
贝叶斯网络示意图
第三章影响回归时间的因素建模19而言，其主营菜式的风格，也就决定了其可能吸引到的食客。与之类似，生活中人们的选择无一不会参考自己的爱好，所以，本文考虑将用户的偏好因素引入到模型中以提升回归时间预测的准确性。近些年来，用户偏好因素[65-66]已经被广泛应用于用户行为建模中。如在个性化推荐领域的矩阵分解算法。在数学领域，矩阵分解算法是一种将原始矩阵分解成为多个子矩阵的乘积的算法。常见的分解方法有奇异值分解[67,68,69]（SingularValueDecomposition,SVD）、正交矩阵分解（QRDecomposition）等。其中正交矩阵分解是将原矩阵分解为一个上三角矩阵与一个半正交矩阵的乘积；奇异值分解方法是将矩阵分解为一个对角矩阵与两个正交矩阵。当然，这些方法需要对矩阵进行填充，导致算法的时间复杂度增大，因此并不适用于数据量特别大的情况。图3-1矩阵分解示意图为了追求更快的训练速度，在个性化推荐领域谈到的矩阵分解方法是一种“低秩近似”的方法。其认为用户的偏好和商品的属性仅受有限的因素影响，如商品的颜色、价格、质量、包装等，如图3-1所示，将用户对商品的评分矩阵看成是用户偏好矩阵和商品属性矩阵的乘积，通过训练得到两个矩阵之后，便可以预测出用户未购买商品的评分。
电子科技大学硕士学位论文20图3-2偏好因素建模示意图如图3-2所示，本文在构建用户偏好因素时借鉴了矩阵分解的方式，即将用户偏好因素拆分成了两个部分的乘积，分别为用户的偏好向量和商品的属性向量，公式如（3-1）所示：()=(3-1)其中是用户u对各种商品特征的喜好程度，是一个k维向量，服从均匀分布。则是商品的属性，也是一个k维向量，向量的每一个维度都是一个随机变量，也服从均匀分布，两向量点乘的结果则表示用户u对商品o的倾向程度。3.2.2价格因素除开自身的偏好因素之外，商品的价格也是影响用户购买行为的重要因素。众所周知，价格是商品在进行货币交换时衡量商品价值的数据。对于用户而言，在购买商品之前都会有一个心里的预期价格，当商品的价格高于用户的期望值时，用户对该商品的购买欲望将会下降，而当商品的价格低于用户的期望时，用户对该商品的购买欲望将会增大。近些年，价格因素被越来越多的应用于建模和研究当中，价格因素如何影响用户的购买行为也一直是心理学和经济学上的重要研究课题。在推荐系统和用户行为建模领域，价格因素得到了广泛的应用，也有许多考虑了价格因素的混合推荐系统应运而生，将价格因素有关的特征应用在了用户行为建模当中。在这些方法中，有很大一部分是基于特征的方法，即把价格因素认为是一种商品的附加特征，如文献[70-71]使用上下文感知框架和混合推荐系统来引入的价格因素的，除开直接使用
【参考文献】：
期刊论文
[1]用户画像在用户价值提升中的研究与应用[J]. 施晓光. 移动通信. 2019(04)
[2]美元指数与原油价格暴涨暴跌的交互刺激研究[J]. 马勇,潘冬涛,曾兆祥. 财经理论与实践. 2018(06)
[3]基于Hawkes因子模型的股价共同跳跃研究[J]. 刘志东,郑雪飞. 中国管理科学. 2018(07)
[4]基于python+pandas的数据分析处理应用[J]. 何春燕,王超宇. 数码世界. 2018(07)
[5]基于Eclipse RCP的银行柜面软件架构可扩展性的研究[J]. 刘艳. 软件. 2018(05)
[6]基于对数运算的Sigmoid函数的研究与实现[J]. 圣飞,阴亚芳,秦晨蕊,张凯. 微电子学与计算机. 2018(02)
[7]明星效应与中国电影票房的实证研究[J]. 郭新茹,黄舒沁. 现代传播(中国传媒大学学报). 2017(12)
[8]“共享充电宝”市场升温[J]. 冯晓霞. 光彩. 2017(05)
[9]国人共享单车使用情况调查[J]. 薛强. 金融博览(财富). 2017(01)
[10]基于买卖强度的交易策略及其实证分析[J]. 田祎佳,宋斌,刘冰. 价值工程. 2014(28)
硕士论文
[1]用户购买行为的建模与预测[D]. 陈军华.电子科技大学 2018
[2]基于个人兴趣的用户偏好建模[D]. 李肇明.云南大学 2013
本文编号：3056727
【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】：75 页
【学位级别】：硕士
【部分图文】：
贝叶斯网络示意图
第三章影响回归时间的因素建模19而言，其主营菜式的风格，也就决定了其可能吸引到的食客。与之类似，生活中人们的选择无一不会参考自己的爱好，所以，本文考虑将用户的偏好因素引入到模型中以提升回归时间预测的准确性。近些年来，用户偏好因素[65-66]已经被广泛应用于用户行为建模中。如在个性化推荐领域的矩阵分解算法。在数学领域，矩阵分解算法是一种将原始矩阵分解成为多个子矩阵的乘积的算法。常见的分解方法有奇异值分解[67,68,69]（SingularValueDecomposition,SVD）、正交矩阵分解（QRDecomposition）等。其中正交矩阵分解是将原矩阵分解为一个上三角矩阵与一个半正交矩阵的乘积；奇异值分解方法是将矩阵分解为一个对角矩阵与两个正交矩阵。当然，这些方法需要对矩阵进行填充，导致算法的时间复杂度增大，因此并不适用于数据量特别大的情况。图3-1矩阵分解示意图为了追求更快的训练速度，在个性化推荐领域谈到的矩阵分解方法是一种“低秩近似”的方法。其认为用户的偏好和商品的属性仅受有限的因素影响，如商品的颜色、价格、质量、包装等，如图3-1所示，将用户对商品的评分矩阵看成是用户偏好矩阵和商品属性矩阵的乘积，通过训练得到两个矩阵之后，便可以预测出用户未购买商品的评分。
电子科技大学硕士学位论文20图3-2偏好因素建模示意图如图3-2所示，本文在构建用户偏好因素时借鉴了矩阵分解的方式，即将用户偏好因素拆分成了两个部分的乘积，分别为用户的偏好向量和商品的属性向量，公式如（3-1）所示：()=(3-1)其中是用户u对各种商品特征的喜好程度，是一个k维向量，服从均匀分布。则是商品的属性，也是一个k维向量，向量的每一个维度都是一个随机变量，也服从均匀分布，两向量点乘的结果则表示用户u对商品o的倾向程度。3.2.2价格因素除开自身的偏好因素之外，商品的价格也是影响用户购买行为的重要因素。众所周知，价格是商品在进行货币交换时衡量商品价值的数据。对于用户而言，在购买商品之前都会有一个心里的预期价格，当商品的价格高于用户的期望值时，用户对该商品的购买欲望将会下降，而当商品的价格低于用户的期望时，用户对该商品的购买欲望将会增大。近些年，价格因素被越来越多的应用于建模和研究当中，价格因素如何影响用户的购买行为也一直是心理学和经济学上的重要研究课题。在推荐系统和用户行为建模领域，价格因素得到了广泛的应用，也有许多考虑了价格因素的混合推荐系统应运而生，将价格因素有关的特征应用在了用户行为建模当中。在这些方法中，有很大一部分是基于特征的方法，即把价格因素认为是一种商品的附加特征，如文献[70-71]使用上下文感知框架和混合推荐系统来引入的价格因素的，除开直接使用
【参考文献】：
期刊论文
[1]用户画像在用户价值提升中的研究与应用[J]. 施晓光. 移动通信. 2019(04)
[2]美元指数与原油价格暴涨暴跌的交互刺激研究[J]. 马勇,潘冬涛,曾兆祥. 财经理论与实践. 2018(06)
[3]基于Hawkes因子模型的股价共同跳跃研究[J]. 刘志东,郑雪飞. 中国管理科学. 2018(07)
[4]基于python+pandas的数据分析处理应用[J]. 何春燕,王超宇. 数码世界. 2018(07)
[5]基于Eclipse RCP的银行柜面软件架构可扩展性的研究[J]. 刘艳. 软件. 2018(05)
[6]基于对数运算的Sigmoid函数的研究与实现[J]. 圣飞,阴亚芳,秦晨蕊,张凯. 微电子学与计算机. 2018(02)
[7]明星效应与中国电影票房的实证研究[J]. 郭新茹,黄舒沁. 现代传播(中国传媒大学学报). 2017(12)
[8]“共享充电宝”市场升温[J]. 冯晓霞. 光彩. 2017(05)
[9]国人共享单车使用情况调查[J]. 薛强. 金融博览(财富). 2017(01)
[10]基于买卖强度的交易策略及其实证分析[J]. 田祎佳,宋斌,刘冰. 价值工程. 2014(28)
硕士论文
[1]用户购买行为的建模与预测[D]. 陈军华.电子科技大学 2018
[2]基于个人兴趣的用户偏好建模[D]. 李肇明.云南大学 2013
本文编号：3056727
本文链接：https://www.wllwen.com/kejilunwen/yysx/3056727.html
