结合时空数据特征的推荐算法研究

发布时间：2024-09-17 15:09

　　许多推荐应用场景会产生包含空间地理位置坐标的数据,或着带有时间戳、附着时序性的数据,这些数据又与其服务形式息息相关,对于地理位置场景,比如旅游网站,其产品为旅行地点(以及服务),旅行地具有固有的空间属性,即地图经纬度,居民出游常常优先考虑出行距离,并作为首要检索条件在网站搜寻目标,如:去外省还是近郊,国内还是国外?而游客出行历史也会构成带有不同位置属性的轨迹日志,成为独特的数据源。对于时序场景,比如在电商网站上的购物活动,会产生大量的以时间戳为序的浏览和消费日志,当消费者进人网站会话期时,推荐系统开始运作,需要短时间内预测用户接下来想看的商品,而用户兴趣往往体现在浏览活动序列中。在这两个领域的历史数据中,时序和距离不是物品本身属性,而是因为用户与物品的交互活动动态形成的。传统推荐领域对用户和物品的挖掘集中在标签、文本等形式的附加信息上,未充分将这两个特征融合进算法并加以有效利用,但在诸如此类与实体经济相关领域,时间戳和空间位置信息与产品服务形式和质量密切相关,因此,在此些场景下,结合时空数据特征(地理位置特征或时间戳特征)为服务方设计更契合产品的推荐算法至关重要。我们在研究过程中,恰好遇...

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图２－１用户－物品矩阵示例图??

（Ｒａｔｉｎｇ?Ｐｒｅｄｉｃｔｉｏｎ）与Ｔｏｐ－Ｎ推荐（Ｉｔｅｍ??Ｒａｎｋｉｎｇ）。评分预测场景主要用于评价物品得分，比如观众给电影评多少分??（ＭｏｖｉｅＬｅｎｓ），或者读者给书籍评价多少分（豆瓣读书），在这种情况下，主??要是用矩阵分解技术。Ｔｏｐ－Ｎ推荐方案主要用于购物或....

图１－２用户－物品矩阵的分解??１、来源于数值计算的奇异值分解ＰｗｅＳＶＤ??提到矩阵分解，人们首先想到的是数值计算教材中经典的奇异值分解??

山东大学硕士学位论文??ｍｍｍ?翻??！?’?－．潑．■＇灰，?’１，１户特征隐向量ｐ?ｅ，ｘ／??用广｜４?？?５…４??用２户?５?？?２?？?．．．?３?＾??用ｒ…５?．．．?５、Ｈ靈??？＂？？？?ｉ??罗－＊、、?？■??３?？?．．．?１?＿?響響??Ｒ?Ｅ?Ｅｎｘ....

图２－３?ＫＮＮ算法例子??

山东大学硕士学位论文??

图２－４ＧＲＵ基本单元??ＧＲＵ

?山东大学硕士学位论文???信息。￥和同时作为输入，ＧＲＵ会得到当前隐藏节点的输出２＾以及进一??步传递的隐状态该隐藏节点被称为序列的记忆。??１－??ＩＩＩ?１１１??图２－４ＧＲＵ基本单元??ＧＲＵ的内部结构??ＧＲＵ和ＬＳＴＭ都引入了门控机制来管理记忆或者说内存更新，首先，....

本文编号：4005632