电子商务信息跨平台检索与智能推荐技术研究
发布时间：2021-08-13 19:51
电子商务是集计算机科学、市场营销学、管理学、法学和现代物流于一体的新型交叉学科。经过多年的发展,目前我国电子商务的发展速度有目共睹,已经成为全球电子商务的领跑者。伴随着电子商务的快速发展和电子商务平台数量的快速增加,电子商务信息日益丰富,网页数量也出现爆炸式增长,使得广大用户在进行商品选购时“信息迷失”现象越发严重,集中表现为消费者在不同电商平台之间进行商品比选的困难。基于上述背景,近年来,关于跨平台电子商务信息检索与智能推荐系统的社会需求日益强烈。跨平台电子商务信息检索与智能推荐系统的构建涉及异构电子商务平台数据的实时在线爬取、信息重构和基于用户选择偏好的智能化商品推荐等多项技术。综合国内外相关领域的研究进展,本文以多个电商平台的手机销售网页作为研究实例,以如何实现跨电商平台手机销售信息搜索和智能推荐为重点,围绕主题信息抽取和智能推荐等关键技术进行了相关研究,主要研究内容和研究成果如下:（1）针对跨平台商品信息提取问题,本文利用基于关键词加权的Shark-PageRank算法确定主题网页队列,在此过程中通过加入动态主题库生成的方法来描述主题,使得主题爬虫的查准率较Shark-Page...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图２．２主题网络爬虫流程图??Ｆｉｇ．?２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｔｈｅ?ｔｏｐｉｃ?ｗｅｂ?ｃｒａｗｌｅｒ??
的效果较差，因为＿模??型在训练过程中，距离当前节点较远的节点对当前节点隐含层的影响力会变小，造成长??距离依赖问题，同时长距离的输入也会造成梯度爆炸问题。??２．?３．?２长短时记忆网络??针对ＲＮＮ训练过程中出现的长距离依赖和梯度爆炸问题，Ｈｏｃｈｒｅｉｔｅｒ等人［５１］提出了??长短时记忆网络（Ｌｏｎｇ?ｓｈｏｒｔ?ｔｅｒｍ?ｍｅｍｏｒｙ，?ＬＳＴＭ）。??＇?？??—?Ｑ?Ｉ??＇１?‘＇?Ｃｔａｎ＇ｈ＾??ｈ，．，，巧牟尹ＬＬｉｗ??Ｖ?）??？??图２．５?ＬＳＴＭ的单元结构图??Ｆｉｇ．?２．５?ＬＳＴＭ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??－１６－??
?电子商务信息跨平台检索与智能推荐技术研究???简化了?ＬＳＴＭ的结构，使得结构更加简单。具体结构图如图２．６所示：??ｈｔ?‘??ｈ?／?：?＾?＼??？＂ｎ—＜ｐ—Ｊ?－??ｈｆｉ??Ｖ，?Ｊ?Ｑ＾ｈ）??ｕ－?■?ＴＪ??？??图２．６?ＧＲＵ网络细胞单元结构??Ｆｉｇ．?２．６?ＧＲＵ?ｎｅｔｗｏｒｋ?ｃｅｌｌ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ??在图２．６中，ｚ，和ｒ，分别表示更新门和重置门。更新门用于控制前一时刻的状态信??息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重??置门控制前一状态有多少信息被写入到当前的候选集＆上，重置门越小，前一状态的信??息被写入的越少。ｆ时刻，ＧＲＵ单元内部的计算过程如（２．１２）?－?（２．１５）所示：??ｒｔ＾ａ｛ＷｒＸｔ＋Ｕｒｈ，＿ｘ＋ｂｒ）?（２．１２）??ｚｔ＝ａ｛ＷｚＸｔ＋Ｕｚｈｔ＿ｘ＋ｂ２）?（２．１３）??ｈｔ?＝?ｔａｎｈ（ＷＸｌ?＋ｒｆＷｚ，＿１：＋６）?（２．１４）??ｈ，?＾（＼－ｚｔ）ｈ，?＋２，／ｚ（＿，?（２．１５）??ＧＲＵ的结构相较于ＬＳＴＭ更加简单，所以在模型的训练过程中，训练所用时间较??短，但是，在进行长序列信息的捕获过程中ＬＳＴＭ的效率比ＧＲＵ的效率更高［５４］，所以，??本文选用ＬＳＴＭ来学习文本序列特征。??２．?３．?４注意力机制??注意力（Ａｔｔｅｎｔｉｏｎ）机制最早是在计算机视觉领域提出的［５２］。注意力机制最早在自??然语言处理领域的应用是用来完成机器翻译任务［５３］。随后，注意力机制被广泛地与各种??循环神经网络、卷积神经网络等模型融合来处理的自然语言处理领域的任务。
【参考文献】：
期刊论文
[1]面向双注意力网络的特定方面情感分析模型[J]. 孙小婉,王英,王鑫,孙玉东. 计算机研究与发展. 2019(11)
[2]CNNIC发布第44次《中国互联网络发展状况统计报告》[J]. 于朝晖. 网信军民融合. 2019(09)
[3]基于方面级的餐厅用户评论细粒度情感分析[J]. 袁丁,章剑林,吴广建. 软件. 2019(08)
[4]基于主题挖掘技术的文本情感分析综述[J]. 朱晓霞,宋嘉欣,张晓缇. 情报理论与实践. 2019(11)
[5]融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型[J]. 武婷,曹春萍. 计算机应用. 2019(08)
[6]文本情感分析方法研究综述[J]. 洪巍,李敏. 计算机工程与科学. 2019(04)
[7]基于注意力机制的微博情感分析[J]. 周瑛,刘越,蔡俊. 情报理论与实践. 2018(03)
[8]面向图书主题的爬虫算法研究[J]. 张莉婧,曾庆涛,李业丽,孙华艳,字云飞. 计算机科学. 2017(S2)
[9]基于语义树与VSM的主题爬取策略研究[J]. 张金,倪晓军. 计算机技术与发展. 2017(11)
[10]基于KNN分类算法的主题网络爬虫[J]. 李宏志,宋婕. 宜宾学院学报. 2017(12)
博士论文
[1]细粒度文本情感分析问题研究[D]. 杨骏.南京大学 2019
[2]提取商品特征和情感词的语义约束LDA模型研究[D]. 彭云.江西财经大学 2016
硕士论文
[1]基于注意力机制及深度学习的文本情感分析研究[D]. 梁宁.华北电力大学 2019
[2]基于深度学习的商品细粒度意见挖掘[D]. 宋玉.电子科技大学 2019
[3]基于注意力机制的方面级别情感分类算法研究[D]. 张海滨.电子科技大学 2019
[4]面向商品的垂直搜索系统的设计与实现[D]. 王海涛.北京交通大学 2018
[5]主题搜索及其关键算法的研究[D]. 吕鑫.西安电子科技大学 2018
[6]融合Bi-LSTM和文本信息的对象级情感分析[D]. 鲍豪.北京交通大学 2018
[7]主题网络爬虫的并行化研究与设计[D]. 王锦阳.西南石油大学 2017
[8]基于深度特征提取的文本情感极性分类研究[D]. 田竹.山东大学 2017
[9]面向主题的多线程网络爬虫的设计与实现[D]. 蔡光波.西北民族大学 2017
[10]网络商品评论细粒度情感分析系统关键技术研究[D]. 王朝辉.大连海事大学 2017
本文编号：3341039
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图２．２主题网络爬虫流程图??Ｆｉｇ．?２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｔｈｅ?ｔｏｐｉｃ?ｗｅｂ?ｃｒａｗｌｅｒ??
的效果较差，因为＿模??型在训练过程中，距离当前节点较远的节点对当前节点隐含层的影响力会变小，造成长??距离依赖问题，同时长距离的输入也会造成梯度爆炸问题。??２．?３．?２长短时记忆网络??针对ＲＮＮ训练过程中出现的长距离依赖和梯度爆炸问题，Ｈｏｃｈｒｅｉｔｅｒ等人［５１］提出了??长短时记忆网络（Ｌｏｎｇ?ｓｈｏｒｔ?ｔｅｒｍ?ｍｅｍｏｒｙ，?ＬＳＴＭ）。??＇?？??—?Ｑ?Ｉ??＇１?‘＇?Ｃｔａｎ＇ｈ＾??ｈ，．，，巧牟尹ＬＬｉｗ??Ｖ?）??？??图２．５?ＬＳＴＭ的单元结构图??Ｆｉｇ．?２．５?ＬＳＴＭ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??－１６－??
?电子商务信息跨平台检索与智能推荐技术研究???简化了?ＬＳＴＭ的结构，使得结构更加简单。具体结构图如图２．６所示：??ｈｔ?‘??ｈ?／?：?＾?＼??？＂ｎ—＜ｐ—Ｊ?－??ｈｆｉ??Ｖ，?Ｊ?Ｑ＾ｈ）??ｕ－?■?ＴＪ??？??图２．６?ＧＲＵ网络细胞单元结构??Ｆｉｇ．?２．６?ＧＲＵ?ｎｅｔｗｏｒｋ?ｃｅｌｌ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ??在图２．６中，ｚ，和ｒ，分别表示更新门和重置门。更新门用于控制前一时刻的状态信??息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重??置门控制前一状态有多少信息被写入到当前的候选集＆上，重置门越小，前一状态的信??息被写入的越少。ｆ时刻，ＧＲＵ单元内部的计算过程如（２．１２）?－?（２．１５）所示：??ｒｔ＾ａ｛ＷｒＸｔ＋Ｕｒｈ，＿ｘ＋ｂｒ）?（２．１２）??ｚｔ＝ａ｛ＷｚＸｔ＋Ｕｚｈｔ＿ｘ＋ｂ２）?（２．１３）??ｈｔ?＝?ｔａｎｈ（ＷＸｌ?＋ｒｆＷｚ，＿１：＋６）?（２．１４）??ｈ，?＾（＼－ｚｔ）ｈ，?＋２，／ｚ（＿，?（２．１５）??ＧＲＵ的结构相较于ＬＳＴＭ更加简单，所以在模型的训练过程中，训练所用时间较??短，但是，在进行长序列信息的捕获过程中ＬＳＴＭ的效率比ＧＲＵ的效率更高［５４］，所以，??本文选用ＬＳＴＭ来学习文本序列特征。??２．?３．?４注意力机制??注意力（Ａｔｔｅｎｔｉｏｎ）机制最早是在计算机视觉领域提出的［５２］。注意力机制最早在自??然语言处理领域的应用是用来完成机器翻译任务［５３］。随后，注意力机制被广泛地与各种??循环神经网络、卷积神经网络等模型融合来处理的自然语言处理领域的任务。
【参考文献】：
期刊论文
[1]面向双注意力网络的特定方面情感分析模型[J]. 孙小婉,王英,王鑫,孙玉东. 计算机研究与发展. 2019(11)
[2]CNNIC发布第44次《中国互联网络发展状况统计报告》[J]. 于朝晖. 网信军民融合. 2019(09)
[3]基于方面级的餐厅用户评论细粒度情感分析[J]. 袁丁,章剑林,吴广建. 软件. 2019(08)
[4]基于主题挖掘技术的文本情感分析综述[J]. 朱晓霞,宋嘉欣,张晓缇. 情报理论与实践. 2019(11)
[5]融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型[J]. 武婷,曹春萍. 计算机应用. 2019(08)
[6]文本情感分析方法研究综述[J]. 洪巍,李敏. 计算机工程与科学. 2019(04)
[7]基于注意力机制的微博情感分析[J]. 周瑛,刘越,蔡俊. 情报理论与实践. 2018(03)
[8]面向图书主题的爬虫算法研究[J]. 张莉婧,曾庆涛,李业丽,孙华艳,字云飞. 计算机科学. 2017(S2)
[9]基于语义树与VSM的主题爬取策略研究[J]. 张金,倪晓军. 计算机技术与发展. 2017(11)
[10]基于KNN分类算法的主题网络爬虫[J]. 李宏志,宋婕. 宜宾学院学报. 2017(12)
博士论文
[1]细粒度文本情感分析问题研究[D]. 杨骏.南京大学 2019
[2]提取商品特征和情感词的语义约束LDA模型研究[D]. 彭云.江西财经大学 2016
硕士论文
[1]基于注意力机制及深度学习的文本情感分析研究[D]. 梁宁.华北电力大学 2019
[2]基于深度学习的商品细粒度意见挖掘[D]. 宋玉.电子科技大学 2019
[3]基于注意力机制的方面级别情感分类算法研究[D]. 张海滨.电子科技大学 2019
[4]面向商品的垂直搜索系统的设计与实现[D]. 王海涛.北京交通大学 2018
[5]主题搜索及其关键算法的研究[D]. 吕鑫.西安电子科技大学 2018
[6]融合Bi-LSTM和文本信息的对象级情感分析[D]. 鲍豪.北京交通大学 2018
[7]主题网络爬虫的并行化研究与设计[D]. 王锦阳.西南石油大学 2017
[8]基于深度特征提取的文本情感极性分类研究[D]. 田竹.山东大学 2017
[9]面向主题的多线程网络爬虫的设计与实现[D]. 蔡光波.西北民族大学 2017
[10]网络商品评论细粒度情感分析系统关键技术研究[D]. 王朝辉.大连海事大学 2017
本文编号：3341039
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3341039.html
