基于多粒度LDA模型的手机产品群组推荐策略研究
这是一篇关于主题模型,群组推荐,图神经网络的论文, 主要内容为近年来,由于移动电商平台的便捷性和实用性,越来越多的用户倾向于在电商平台实现购物需求。手机作为当前社会的主要交流工具,逐渐发展成人们日常生活中的必需品。目前手机产品存在性能更迭速度加快、更换周期缩短、手机产品之间同质化严重等问题,造成用户选购上的困难,而推荐技术的实现能够缓解这类问题造成的困扰。个性化推荐技术在早些年就已成功应用到各大电商平台,成为电商平台迅猛发展的关键因素,但随着互联网用户量的激增,如何提高推荐效率成为推荐领域亟需克服的难题。近些年,不少研究者将目光转向群组推荐技术,与个性化推荐不同,群组推荐可以对整个组群的用户实现合理推荐,并且由于网络虚拟社区的不断兴起,群组推荐可以为带有相似偏好的社区成员推荐满足社区需求的最佳决策和内容。目前有关群组推荐的研究仍处于萌芽期,本文试图将群组推荐技术与语义模型相结合,构建新的群组推荐模型,为群组推荐技术的进一步发展提供可供借鉴的内容。本文借助于主题模型提取手机产品评论文本的语义特征,由于潜在狄利克雷主题模型(Latent Dirichlet Allocation,LDA)提取的主题更倾向于表达宏观层面的特征,对局部文本主题提取能力有限,不利于本文的研究,因此本文引入一种基于传统LDA模型发展而来的多粒度LDA模型(MG-LDA),该模型在提取文本全局主题的同时,又能挖掘出文本局部主题,能够合理控制主题提取的细粒度,更好的挖掘出手机产品的特征及用户群组的偏好。在构建群组推荐模型时,本文创新性的引入了图神经网络中的链接预测技术实现群组与产品之间的相关性度量:将群组和产品分别作为图神经网络中的节点,群组用户与产品的交互信息作为网络里的边建立异构图;通过多粒度LDA分析得出的主题概率矩阵作为节点的特征值,根据群组中与目标节点产生联系的用户个数对连接两个节点的边赋予权重作为已知边的值,构造图神经网络模型;将已知边作为训练集进行图神经网络模型训练,使得训练出的图神经网络模型预测出的边的权重值能够最大程度接近已知权重值,则获得最优图神经网络模型;通过最优模型预测未连接边的权重值,以权重值的大小作为群组与产品间相关性大小的依据,对群组生成推荐列表。通过引入RMSE、MAE、准确率、召回率等评价指标,最终得出以下结论:(1)本文成功实现融合多粒度LDA与图神经网络的群组推荐模型的构建。从精确率、召回率等指标的输出结果来看,在控制好群组与产品的主题生成概率矩阵的维度和群组规模的条件下,群组推荐模型能够具备准确的预测和推荐能力。(2)群组规模的大小对推荐效果的影响较大。群组规模即群组成员的数量,控制其它变量不变,更改群组规模的大小以观察推荐模型的准确率和召回率的变化,最终发现群组规模控制在120时,推荐效果最佳。(3)MG-LDA模型比LDA模型更加适用于本文的群组推荐模型的主题特征提取。通过对比MG-LDA与LDA所构建的群组推荐模型的有效性发现,以MG-LDA模型作为语义提取的群组推荐模型输出效果明显比传统LDA模型表现更佳。
基于深度学习的商品推荐算法研究
这是一篇关于群组推荐,自注意力机制,矩阵分解,NCF的论文, 主要内容为随着社会的急速发展,近些年里互联网发展迅猛,数据量逐渐增大,大数据时代也因此到来。面对杂乱不堪的商品的信息,仅仅依靠引擎上的搜寻是很难达到该时代经销商对于消费者意图的了解程度的,因此用户很难发现真正需要的商品,慢慢形成反复的恶性循环,也同时造成“信息过载”的问题,用户这边很难掌握到他们想要的信息,那么推荐系统的到来就是为了解决这个时代的突出性问题的。像感知推荐系统和实时推荐系统都是给唯一用户进行推荐,这些都是传统意义上的推荐系统,但是在大数据时代,万物皆有关联,人们会经常以组团或团体的形式加入到活动中去,像聚餐、K歌等活动都比较盛行,因此群组推荐的研究是非常具有时代性的意义的。在群组推荐中用户的偏好不同的问题需要在“不同偏好”和“推荐受欢迎的物品”之间做一个衡量。在群组推荐这里主要分为“基于内存”和“基于模型”两个方面,在基于内存的方法中可以进行进一步划分:偏好的聚合和分数的聚合两大类。但是,这两种策略并不能够在聚合成员兴趣时对群组成员进行互动和建模。首先,在协同过滤中引入了“自注意力机制”来解决群组推荐中上面提到两个挑战。其次把深度学习用到了群组推荐中来,用该方法来辅助一些信息建模,当设计到建模协同过滤的问题时,关于在用户-项目交互这点,可以利用矩阵分解来当作用户-项目潜在特征的点乘。据此提出一个通用的框架,称之为NCF基于神经网络的协同过滤框架。NCF框架可以用来表达和进行推广矩阵分解。最后,尽管国内外研究逐渐转向群组推荐的领域里,因此做出了很多高效的探索,但是目前群组推荐准确率低,群组成员之间融合策略不统一,传统的求解方法是矩阵分解,MF因为使用一个简单的和固定的内积,可以用来解决用户-项目交互的难题,从而会造成限制的问题,因此提出了采用self-attention和NCF结合解决群组偏好融合的问题的群组推荐算法,也就是通过self-attention神经网络学习的偏好融合策略,然后通过NCF模型进一步整合用户--项目交互从而进行高效的组--项目推荐。通过去哪网和CAMERA2011数据集,验证了提出的自注意力机制的高效性,相较于常见的融合策略而言,所提出的自注意力机制和NCF框架结合的方法在NDCG和HR上平均性能都有所提高。
基于Phrase-LDA主题模型的茶产品群组推荐研究
这是一篇关于茶产品,群组推荐,Phrase-LDA,融合策略的论文, 主要内容为随着网络和信息技术的进步,农产品电子商务也飞速发展。根据国家商务部的数据显示,2014年全国涉农电子商务平台正在蓬勃发展,目前已超三万家。以茶叶为代表的特色农产品,也正在抓住机遇,从线下迈向线上,通过网络走向千家万户。由于涉农电子商务的爆发式增长,网购人群的迅速增加,如何在海量信息中找到符合用户兴趣的商品和如何向一群有相同兴趣爱好的用户推荐商品,成为亟待解决的问题。推荐系统,利用消费者在电商平台上的隐性或者显性的行为,分析其偏好,在过载的信息中,推荐满足其偏好的商品。目前的推荐系统主要都是针对个人的,考虑用户和商品数量的急剧增加,一对一的推荐的成本过高,如何向群组进行推荐是非常的热门研究方向。本文通过介绍现有群组推荐的相关理论,分析了目前电子商务环境下茶叶推荐存在的问题和基于评分推荐的不足,提出了基于Phrase-LDA模型的茶产品的群组推荐模型。具体研究内容如下:(1)基于茶产品的评论信息,提取用户和茶产品评论中的主题,去表示用户偏好和茶产品的主题特征。分析了目前传统的用户偏好的表示方法的优点和不足,综合其他方法的优点,提出主题信息表示法。(2)针对传统的LDA是基于单词的,单词相对短语没有明确的语义。本文提出Phrase-LDA,并用其去融合群组用户偏好。Phrase-LDA主题模型一方面融合了群组用户的偏好,另一方面在主题表示时,短语的明确语义更细致的描述了用户偏好。(3)利用京东商城部分茶叶的数据进行实验仿真,验证所提Phrase-LDA主题模型的有效性,并实现了一个基于Phrase-LDA茶产品的群组推荐原型系统。本文的研究成果,进一步细化了用户偏好的研究。另外在群偏好的聚合策略方面,本文的方法有一定的新颖性,具有一定的借鉴意义。
基于成员偏好的动态群组推荐算法研究与应用
这是一篇关于推荐系统,群组推荐,成员偏好,专业度,活跃度的论文, 主要内容为随着信息化产业发展不断加快,推荐系统作为解决信息过载问题的关键技术,已成为信息领域的热点话题而受到广泛关注。传统推荐系统仅仅针对单个用户,无法为多用户组成的群组提供有效的推荐服务,群组推荐系统应运而生。当前群组推荐研究大多聚焦于缓解群组成员之间的偏好冲突,忽视成员、时间的动态变化对群组推荐结果的影响,如何在考虑群组动态特性的基础上使得推荐结果能够满足大多数成员的需求成为群组推荐的难点问题。针对此问题,本文根据群组推荐系统的动态特性展开深入研究,主要工作如下:(1)针对现有群组推荐系统忽视成员专业背景和项目固有属性之间的关系问题,提出基于成员专业度的动态群组推荐算法,利用成员专业度为各成员动态赋权模拟群组的动态决策过程,构建动态群组模型,解决了组内用户偏好融合冲突问题。实验结果表明,算法与采用基于评分次数的项目加权策略、基于成员偏好的均值策略以及最小痛苦策略的推荐算法在推荐准确率上分别提高了5.5%、6%和9.2%。(2)针对群组成员偏好对时间的高度敏感性,提出基于成员活跃度的动态群组推荐算法,通过面向时序的评分预测模型预测成员未知偏好,根据成员的近期活跃度进行偏好融合,构建动态群组模型,实现了为群组生成动态推荐的效果。实验结果表明,算法与采用基于评分次数的项目加权策略和基于贡献度的成员加权策略的推荐算法在推荐准确率上分别提高了5.0%和8.2%,在分类准确度上分别提高了5.8%和4.2%。(3)针对改进群组推荐算法的应用问题,设计群组推荐原型系统,按照软件工程的一般流程在电影领域对系统进行了实现,通过系统的群组推荐功能证实了群组推荐算法研究的理论价值和实际意义。
连续时间上面向群组用户的服务推荐方法
这是一篇关于知识图谱,服务推荐,群组推荐,序列推荐的论文, 主要内容为随着我国综合国力的大幅提升,人民群众对美好生活的需求正日益提高。大数据和人工智能技术的迅速发展,使得推荐算法在互联网服务中得到了广泛的应用。传统的推荐已不能够满足用户的多样化需求,亟需更具个性化的服务推荐算法的提出。服务推荐需要数据支撑,而知识图谱中含有的海量数据和知识,能够更好地辅助推荐系统的运行。知识图谱可以看做是一种多领域、综合性的知识库,最大程度地体现数据关系和数据属性。那么,为了满足用户的个性化、多样化需求,如何处理推荐过程中的数据构建、偏好收集以及决策结果,就成为了服务推荐的重要研究问题。本文针对该问题进行研究,提出了基于分区的多领域知识图谱的构建方法、面向群组用户的单次推荐方法和连续时间上面向群组用户的服务推荐方法,并从以下四个方面进行了详细地描述:1.为了全方位刻画物品属性与物品间的关系,体现不同领域数据的关联关系。本文提出了基于分区的多领域知识图谱构建方法。对知识图谱进行自顶向下的构建,在模式层进行区块定义以及区块间关系定义,然后根据区块的划分,完成对实体和关系的定义,通过多领域数据的收集,对数据进行清洗,完成实体和关系抽取,最后,将知识以三元组形式存储在知识图谱中。2.为了从整体角度刻画群组用户的属性信息、兴趣偏好等特征,本文提出了面向群组用户的单次服务推荐方法。首先,提出基于注意力机制的群组成员偏好聚合算法,通过多头注意力机制,再经过注意力网络,融合群组的倾向特征,得到群组整体偏好。然后,对知识图谱数据进行表示学习。根据群组整体偏好进行知识推理,从而得到面向群组用户的单次推荐结果。3.为了满足群组用户在一个连续时间段内的服务需求,本文提出了连续时间上面向群组用户的服务推荐方法。首先将群组的历史行为序列根据发生时间的远近,划分为短期会话和长期行为,对这两部分序列分别建模,使用神经网络和多头注意力机制完成群组短期行为的学习,使用注意力网络完成群组长期行为偏好的学习,将这两个模块与群组整体偏好进行融合,得到群组的整体行为偏好,与物品进行相似度计算,并结合实验分析,验证算法的合理性和有效性。4.为了验证理论研究的成果,本文设计并实现了面向群组用户的服务推荐工具,通过对用户数据的采集,完成单次推荐和连续时间的服务推荐。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/46583.html
