分享6篇关于行为序列的计算机专业论文

今天分享的是关于行为序列的6篇计算机毕业论文范文, 如果你的论文涉及到行为序列等主题,本文能够帮助到你

基于伪用户行为和特征因子分解的个性套装推荐研究

这是一篇关于套装推荐,个性化,因子分解,行为序列,套装表征的论文, 主要内容为随着线上时装行业的快速发展,互联网社区和电商平台提供了海量服饰供用户搭配选择,海量的信息使用户难以快速发现感兴趣商品,为了能够帮助用户依据自身兴趣高效筛选目标商品,个性化推荐算法的研究激增。然而,已有的推荐算法往往针对单品推荐,相关算法关注于用户对单一商品的兴趣,但在实际电商场景中,用户在购买单品时会组合购买与之搭配的商品,因此,针对套装的个性化推荐成为新的研究热点。与单品推荐不同的是,套装推荐需要衡量套装内商品的搭配组合关系同时衡量用户与整个套装的相关性。但是目前的研究方法存在着一定的局限性,一是基于ID嵌入的用户表达和单一视觉的商品表征不充分,二是统一空间的特征表达无法建模用户多角度兴趣和商品多属性特征,本文针对这两个问题,展开了以下两个方面的研究:(1)针对问题1,本文构建了基于伪用户行为的多模态套装推荐模型。该模型从三方面强化了用户和套装的表征。首先,基于最小方差的采样方法构建伪用户行为序列,从用户行为挖掘兴趣强化用户表征;其次,使用注意力机制堆叠结构对套装进行高阶组合提取特征强化套装表征;最后,使用文本视觉多模态特征融合进行模态信息互补进一步强化表征。(2)针对问题2,本文构建了基于特征因子分解的套装推荐模型。该模型从两个方面实现了用户及套装的多角度表征。一方面,对用户和套装进行特征因子分解,表征用户多角度兴趣及套装多属性特征;另一方面,构建因子匹配模块从细粒度角度学习用户多角度兴趣与套装多属性特征的对应组合关系。本文在Polyvore-630和Polyvore-519数据集上进行了大量的实验,结果表明本文提出的推荐模型在性能上得到了有效提升。同时本文提出的方法在特征强化及特征因子分解方面为后续研究带来了启发。

基于深度学习的大学毕业生就业推荐方法研究

这是一篇关于就业推荐,推荐算法,深度学习,行为序列,多任务学习的论文, 主要内容为毕业生就业面临的问题是信息的个人不适用性与信息过载问题。推荐系统应用于毕业生就业是具有现实意义的,其可以为毕业生推荐个性化的企业集合以减轻其就业压力,提高就业率与就业满意度。目前已有的面对大学毕业生就业推荐的研究,在面对稀疏性挑战以及特征提取方面仍存在不足。同时没有有效地利用学生与学生、企业与企业的关联性进行推荐。针对以上问题,本文主要研究内容如下:1.本文对推荐算法与就业推荐的研究背景进行阐述,详细介绍了推荐算法和相关技术研究的现状,以及就业推荐的研究进展与挑战。2.本文提出一种融合行为特征的就业推荐模型。针对交互数据的稀疏性,首先定义了学生行为序列属性与企业描述属性以更好地挖掘学生、企业特征。然后将其进行基本特征与序列特征的提取。最后将各个特征域进行特征交互以及数据的深度拟合,得到学生与企业的匹配度,从而进行推荐。基于高校的真实数据集表明,所提模型可以较好地挖掘学生、企业特征并进行特征交互,具有较好的命中率。3.本文提出一种基于多任务学习的融合关系图的就业推荐模型。针对如何有效地利用学生关系数据以及如何表征企业间关联性的问题,首先构建了学生、企业关系图。然后本文设置了两个任务,分别是图嵌入任务与推荐任务,同时设计了两个任务的交互模块。最后,将两个任务进行联合训练,使用推荐任务得到学生与企业匹配度,从而进行推荐。在实际数据集上的实验结果表明,所提模型能较好地进行两个任务的交互,同时较好地挖掘关系信息,从而达到提高推荐任务性能的目的。本文提出了两种就业推荐模型。第一个模型针对数据稀疏性,重点进行了学生、企业特征的挖掘以及多个特征的高阶交互。第二个模型针对关系数据的信息挖掘,进行了多任务训练,以使图表征学习有效地丰富模型语义。最后本文对研究工作进行总结,并展望未来的研究方向。

基于伪用户行为和特征因子分解的个性套装推荐研究

基于行为序列的学习资源个性化推荐方法研究

这是一篇关于在线教育,行为序列,长短期兴趣,多方面兴趣,学习风格的论文, 主要内容为随着互联网和信息技术的快速发展,人们对教育的需求不断提高,促使现代教育方式的多样化。目前,在线教育领域都以整合优质的在线课程和其他网络课程资源为用户提供学习服务。然而面对海量的学习资源,信息过载的问题变得愈加严重,用户很难针对性的找到适合自身的学习资源,甚至出现认知负荷等问题。在电商领域推荐系统已被广泛成功应用到为用户精准地推荐其感兴趣的商品。因为推荐系统可以很好的解决信息过载问题,所以本文将电商领域中常用的推荐算法引入到在线教育领域,根据用户兴趣为其提供个性化的学习资源推荐服务。目前将推荐应用到教育领域中的在线学习资源还处于起步阶段,而使用传统推荐方法主要在于挖掘用户和学习资源之间的静态相关性,却忽略了用户兴趣的动态变化。另一方面,仅仅考虑用户的历史兴趣无法准确表达用户兴趣的多样性变化,导致推荐效果不佳。针对上述问题,本文的主要工作如下:(1)针对传统推荐方法挖掘用户与学习资源静态相关性的缺陷,本文提出一种基于注意力机制和用户长短学习兴趣的个性化推荐方法(Attention mechanism and user’s Long and Short-term Learning Interest,ALSLI)。将用户的行为序列划分为长期和短期序列,使用注意力机制提取用户的长期兴趣和短期兴趣,同时融合用户特征属性得到用户的兴趣表达。实验结果表明ALSLI模型更加精准地模拟用户的兴趣变化,使得推荐结果的准确性有所提升。(2)针对现有推荐模型使用单个兴趣向量无法准确表达用户兴趣的多样性,对学习者的多方面兴趣提取不够敏感,导致推荐学习资源的效果不佳问题,本文提出一种基于胶囊网络和学习风格的学习者多方面兴趣的学习资源推荐方法(Capsule network and Learning Style Multi-faceted learning Interests,CLSMI),使用胶囊网络中的动态路由算法对用户的多方面兴趣进行提取,引入Felder-Sliverman学习风格量化表对用户的学习风格偏好进行建模。通过与相关多兴趣提取模型对比分析,本文使用的方法得到更优的结果,也能提高用户体验感。(3)本文将基于用户行为的推荐方法应用到在线教育领域,为该领域的发展提供一些新思路,在上述两种推荐模型的基础之上设计开发了一个在线学习网站投入应用,其中包含了视频点播、课程购买、个性化学习资源推荐等服务,满足实际生活中用户碎片化学习的需求,使研究具有实际应用价值。

广告推荐投放系统的设计与实现

这是一篇关于计算广告,CTR预估,循环神经网络,注意力机制,行为序列的论文, 主要内容为随着现代人工智能、大数据等互联网信息技术的进一步发展与创新,以及近年来智能移动终端在全球的快速发展,互联网广告行业也随之革新并进入研究人员的视野,互联网广告的优势在于其可追踪性强、可通过获取用户偏好进行精准营销。通过挖掘用户的网上行为模式、浏览习惯等信息进行深度分析以了解用户的行为特点,并根据用户的地域信息、偏好等为之匹配广告。互联网广告的形式多种多样,如搜索排名和信息流广告等也经常出现在人们视野,伴随着互联网的流量基础,作为核心变现模式的广告业务也成为了各企业的重要盈利手段,与之相关的广告系统的必要性也随之体现。本文研究了国内外主流广告系统的现状及推荐算法模型,对广告投放推荐进行需求分析,设计实现了针对广告进行推荐的CTR预估系统。该系统包括数据预处理模块、候选广告召回模块以及广告点击率预估模块(CTR预估模块)、广告推荐模块等核心模块。在候选广告召回模块中,本文采用了基于Spark的ALS隐因子模型。该模型属于Spark中基于模型的协同过滤(model-based CF)的推荐算法,通过交替最小二乘法求解,交替地计算用户和广告的特征矩阵,保证每次计算过程中损失函数达到最优值。采用经过预处理后的数据作为召回模型的输入,经过模型的训练,使用训练后的模型对所有用户对广告的评分进行预测,最终将用户-广告评分数据排序后召回top-N广告。在CTR预估模块中,本文采用了深度兴趣进化网络。在深度兴趣进化网络框架中,本文首先引入GRU等结构处理连续行为数据,实现动态行为信息的提取,以捕获兴趣的动态变化过程实现CTR的提升;其次本文将注意力机制引入到深度兴趣进化网络中,依据候选广告和历史行为之间的关联性,计算相关权重分数,通过权重分数影响GRU更新门的方式引入注意力机制,经过计算获得用户兴趣向量的最终表示,使得与候选广告更加相关的用户行为所占比重更高,在融合为最终兴趣向量表示时作为主导。该模型使用Amazon数据集的子集Books和淘宝的工业数据集进行模型训练以及效果验证。实验结果表明,深度兴趣进化网络在点击率预估方面优于几种先进的模型。