基于深度学习的琉璃制品推荐系统的设计与实现
这是一篇关于Graph Embedding,DIN,TensorFlow,Spark,深度学习的论文, 主要内容为随着社会经济快速发展,人们的审美意识也逐渐提高。琉璃凭借其深厚的文化底蕴,丰富的色彩,晶莹剔透的材质,细腻的手感等特点深受广大艺术爱好者以及年轻群体的喜爱,推动琉璃制品工业迅速发展。由于互联网电商的迅速发展,使得传统琉璃行业也从线下零售转到线上销售。面对互联网海量的数据信息,如何让用户快速准确的找到自己想要的内容是目前重点研究的问题。推荐系统的研究就是为了解决这个问题。从传统推荐算法到深度学习模型,推荐系统的研究取得了很好的成果。相比于传统的推荐模型,深度学习模型由于具有更强的数据的拟合能力和特征的挖掘能力被应用于各个领域。目前个性化推荐算法已经运用在电商、短视频、社交网络及资讯平台等众多领域。通过调研发现已有的琉璃制品网站上的推荐系统大部分都是基于琉璃产品分类以及发布时间、高分评价等进行排序。为了让用户更好的选择自己喜欢的琉璃产品,提升用户购物体验,增强用户粘性和对平台的忠诚度。设计并开发了基于深度学习的琉璃制品推荐系统,主要工作内容有以下几部分:(1)设计了基于Graph Embedding的召回方法,采用随机游走的方式对物品关系图进行深度优先遍历得到用户历史记录序列。将生成的用户历史记录序列输入Item2vec模型训练得到琉璃制品特征Embedding,使用用户Embedding和琉璃制品Embedding间的内积距离表示用户和琉璃制品的相似程度。并在进行Embedding的过程中,引入带权重的补充信息,从而解决系统冷启动问题。最后采用局部敏感哈希的方法对生成的Embedding进行哈希映射,降低了候选集相似度计算的数量。极大提高召回速度,实现快速召回。并将本文设计的基于Graph Embedding的召回算法与基于用户的协同过滤召回、基于物品的协同过滤召回,在F1指标上进行实验对比。在每一组实验中,基于Graph Embedding的召回算法在F1指标上都有着更好的实验结果。(2)构建了基于注意力机制的DIN深度学习排序模型。利用用户历史行为序列信息,使用基于Attention的机制动态构建用户兴趣Embedding,使得模型能够捕获用户的兴趣。并将DIN模型与现有的深度学习排序模型NeuralCF、Wide&Deep、DeepFM、MLP在AUC、MRR、NDCG@5、NDCG@10指标方面进行实验评估,从实验结果可以看出DIN模型的综合表现最好。(3)基于Django框架设计和开发了琉璃制品推荐系统,琉璃制品推荐系统架构包括:数据层、策略层、反馈层、应用层。并对系统架构中每层结构进行设计与实现。利用TensorFlow建立模型服务,采用HDFS,Spark,Kafka等大数据存储,传输,计算框架完成特征的存储、离线计算与实时计算。通过对用户历史行为以及实时特征的采集处理,结合推荐算法完成对用户的离线推荐与实时推荐,生成用户感兴趣的商品列表,系统运行与测试能够满足用户需求。
基于流处理和深度学习的推荐系统研究
这是一篇关于推荐系统,Flink,注意力机制,FFM,Graph Embedding,FTRL的论文, 主要内容为近些年由于互联网的快速发展,其在为我们提供便利的同时也到导致了“信息过载”的问题,而推荐系统就是为了在海量数据的情况下将用户感兴趣的物品快速准确地推荐给用户。近些年深度学习与流处理框架在推荐领域被广泛应用,相比于传统推荐模型,深度学习推荐模型表达能力更强。相比于传统的大数据处理框架,流处理框架能够更加及时地获取用户兴趣的实时变化,提升推荐系统推荐的实时性与准确性。目前的推荐系统存在以下几点问题:(1)模型输出部分对交叉特征无差别求和,忽视了不同特征对结果影响的重要程度不同(2)深度学习模型难以有效地学习高阶的组合特征(3)传统Embedding编码方式难以对图结构候选集编码(4)目前大数据处理框架在用户数据收集上实时性不足。针对以上问题,本文主要工作如下:1.针对模型对输入特征无差别求和的问题本文提出了一种基于注意力机制的AFFM(Attentional Field-aware Factorization Macheine)模型。AFFM模型使用了线性与非线性双网络并行训练的结构,在模型中引入了注意力机制使得模型能够对不同特征计算出不同的权重,提升重要特征对推荐结果的影响。针对模型无法有效学习高阶特征的问题引入FFM(Field-aware Factorization Machines)作为AFFM模型的线性侧算法实现提升模型的特征交叉能力,FFM引入了特征域感知使模型能够更加有效的学习高阶组合特征,提高模型表达能力。2.针对传统Embedding无法很好的处理处理图结构特征数据的问题,本文引入了Graph Embedding的编码方式对图结构中的节点进行Embedding编码。通过Graph Embedding生成的节点Embedding包含了图中的关系信息以及邻近节点局部相似性特征,使得模型推荐结果更加准确。3.针对推荐系统实时性不高,用户兴趣无法实时反映到推荐结果的问题,本文使用流式计算框架Flink实时收集用户行为数据并更新模型,同时引入了FTRL(Follow The Regularized Lead)在线学习算法优化实时推荐,FTRL优化算法能够解决模型稀疏性的问题,提升模型推荐的实时性与精确性。4.对本文推荐系统进行需求分析,设计并实现基于流处理与深度学习的推荐系统,系统包含系统业务模块、推荐模块与数据收集模块,其中系统业务模块使用Spring Cloud实现,推荐模块使用Graph Embedding进行特征Embedding向量的生成与召回层实现,使用AFFM模型作为离线推荐排序层实现,并使用FTRL算法对实时推荐进行优化。
基于深度学习的琉璃制品推荐系统的设计与实现
这是一篇关于Graph Embedding,DIN,TensorFlow,Spark,深度学习的论文, 主要内容为随着社会经济快速发展,人们的审美意识也逐渐提高。琉璃凭借其深厚的文化底蕴,丰富的色彩,晶莹剔透的材质,细腻的手感等特点深受广大艺术爱好者以及年轻群体的喜爱,推动琉璃制品工业迅速发展。由于互联网电商的迅速发展,使得传统琉璃行业也从线下零售转到线上销售。面对互联网海量的数据信息,如何让用户快速准确的找到自己想要的内容是目前重点研究的问题。推荐系统的研究就是为了解决这个问题。从传统推荐算法到深度学习模型,推荐系统的研究取得了很好的成果。相比于传统的推荐模型,深度学习模型由于具有更强的数据的拟合能力和特征的挖掘能力被应用于各个领域。目前个性化推荐算法已经运用在电商、短视频、社交网络及资讯平台等众多领域。通过调研发现已有的琉璃制品网站上的推荐系统大部分都是基于琉璃产品分类以及发布时间、高分评价等进行排序。为了让用户更好的选择自己喜欢的琉璃产品,提升用户购物体验,增强用户粘性和对平台的忠诚度。设计并开发了基于深度学习的琉璃制品推荐系统,主要工作内容有以下几部分:(1)设计了基于Graph Embedding的召回方法,采用随机游走的方式对物品关系图进行深度优先遍历得到用户历史记录序列。将生成的用户历史记录序列输入Item2vec模型训练得到琉璃制品特征Embedding,使用用户Embedding和琉璃制品Embedding间的内积距离表示用户和琉璃制品的相似程度。并在进行Embedding的过程中,引入带权重的补充信息,从而解决系统冷启动问题。最后采用局部敏感哈希的方法对生成的Embedding进行哈希映射,降低了候选集相似度计算的数量。极大提高召回速度,实现快速召回。并将本文设计的基于Graph Embedding的召回算法与基于用户的协同过滤召回、基于物品的协同过滤召回,在F1指标上进行实验对比。在每一组实验中,基于Graph Embedding的召回算法在F1指标上都有着更好的实验结果。(2)构建了基于注意力机制的DIN深度学习排序模型。利用用户历史行为序列信息,使用基于Attention的机制动态构建用户兴趣Embedding,使得模型能够捕获用户的兴趣。并将DIN模型与现有的深度学习排序模型NeuralCF、Wide&Deep、DeepFM、MLP在AUC、MRR、NDCG@5、NDCG@10指标方面进行实验评估,从实验结果可以看出DIN模型的综合表现最好。(3)基于Django框架设计和开发了琉璃制品推荐系统,琉璃制品推荐系统架构包括:数据层、策略层、反馈层、应用层。并对系统架构中每层结构进行设计与实现。利用TensorFlow建立模型服务,采用HDFS,Spark,Kafka等大数据存储,传输,计算框架完成特征的存储、离线计算与实时计算。通过对用户历史行为以及实时特征的采集处理,结合推荐算法完成对用户的离线推荐与实时推荐,生成用户感兴趣的商品列表,系统运行与测试能够满足用户需求。
基于深度学习的琉璃制品推荐系统的设计与实现
这是一篇关于Graph Embedding,DIN,TensorFlow,Spark,深度学习的论文, 主要内容为随着社会经济快速发展,人们的审美意识也逐渐提高。琉璃凭借其深厚的文化底蕴,丰富的色彩,晶莹剔透的材质,细腻的手感等特点深受广大艺术爱好者以及年轻群体的喜爱,推动琉璃制品工业迅速发展。由于互联网电商的迅速发展,使得传统琉璃行业也从线下零售转到线上销售。面对互联网海量的数据信息,如何让用户快速准确的找到自己想要的内容是目前重点研究的问题。推荐系统的研究就是为了解决这个问题。从传统推荐算法到深度学习模型,推荐系统的研究取得了很好的成果。相比于传统的推荐模型,深度学习模型由于具有更强的数据的拟合能力和特征的挖掘能力被应用于各个领域。目前个性化推荐算法已经运用在电商、短视频、社交网络及资讯平台等众多领域。通过调研发现已有的琉璃制品网站上的推荐系统大部分都是基于琉璃产品分类以及发布时间、高分评价等进行排序。为了让用户更好的选择自己喜欢的琉璃产品,提升用户购物体验,增强用户粘性和对平台的忠诚度。设计并开发了基于深度学习的琉璃制品推荐系统,主要工作内容有以下几部分:(1)设计了基于Graph Embedding的召回方法,采用随机游走的方式对物品关系图进行深度优先遍历得到用户历史记录序列。将生成的用户历史记录序列输入Item2vec模型训练得到琉璃制品特征Embedding,使用用户Embedding和琉璃制品Embedding间的内积距离表示用户和琉璃制品的相似程度。并在进行Embedding的过程中,引入带权重的补充信息,从而解决系统冷启动问题。最后采用局部敏感哈希的方法对生成的Embedding进行哈希映射,降低了候选集相似度计算的数量。极大提高召回速度,实现快速召回。并将本文设计的基于Graph Embedding的召回算法与基于用户的协同过滤召回、基于物品的协同过滤召回,在F1指标上进行实验对比。在每一组实验中,基于Graph Embedding的召回算法在F1指标上都有着更好的实验结果。(2)构建了基于注意力机制的DIN深度学习排序模型。利用用户历史行为序列信息,使用基于Attention的机制动态构建用户兴趣Embedding,使得模型能够捕获用户的兴趣。并将DIN模型与现有的深度学习排序模型NeuralCF、Wide&Deep、DeepFM、MLP在AUC、MRR、NDCG@5、NDCG@10指标方面进行实验评估,从实验结果可以看出DIN模型的综合表现最好。(3)基于Django框架设计和开发了琉璃制品推荐系统,琉璃制品推荐系统架构包括:数据层、策略层、反馈层、应用层。并对系统架构中每层结构进行设计与实现。利用TensorFlow建立模型服务,采用HDFS,Spark,Kafka等大数据存储,传输,计算框架完成特征的存储、离线计算与实时计算。通过对用户历史行为以及实时特征的采集处理,结合推荐算法完成对用户的离线推荐与实时推荐,生成用户感兴趣的商品列表,系统运行与测试能够满足用户需求。
基于深度学习的琉璃制品推荐系统的设计与实现
这是一篇关于Graph Embedding,DIN,TensorFlow,Spark,深度学习的论文, 主要内容为随着社会经济快速发展,人们的审美意识也逐渐提高。琉璃凭借其深厚的文化底蕴,丰富的色彩,晶莹剔透的材质,细腻的手感等特点深受广大艺术爱好者以及年轻群体的喜爱,推动琉璃制品工业迅速发展。由于互联网电商的迅速发展,使得传统琉璃行业也从线下零售转到线上销售。面对互联网海量的数据信息,如何让用户快速准确的找到自己想要的内容是目前重点研究的问题。推荐系统的研究就是为了解决这个问题。从传统推荐算法到深度学习模型,推荐系统的研究取得了很好的成果。相比于传统的推荐模型,深度学习模型由于具有更强的数据的拟合能力和特征的挖掘能力被应用于各个领域。目前个性化推荐算法已经运用在电商、短视频、社交网络及资讯平台等众多领域。通过调研发现已有的琉璃制品网站上的推荐系统大部分都是基于琉璃产品分类以及发布时间、高分评价等进行排序。为了让用户更好的选择自己喜欢的琉璃产品,提升用户购物体验,增强用户粘性和对平台的忠诚度。设计并开发了基于深度学习的琉璃制品推荐系统,主要工作内容有以下几部分:(1)设计了基于Graph Embedding的召回方法,采用随机游走的方式对物品关系图进行深度优先遍历得到用户历史记录序列。将生成的用户历史记录序列输入Item2vec模型训练得到琉璃制品特征Embedding,使用用户Embedding和琉璃制品Embedding间的内积距离表示用户和琉璃制品的相似程度。并在进行Embedding的过程中,引入带权重的补充信息,从而解决系统冷启动问题。最后采用局部敏感哈希的方法对生成的Embedding进行哈希映射,降低了候选集相似度计算的数量。极大提高召回速度,实现快速召回。并将本文设计的基于Graph Embedding的召回算法与基于用户的协同过滤召回、基于物品的协同过滤召回,在F1指标上进行实验对比。在每一组实验中,基于Graph Embedding的召回算法在F1指标上都有着更好的实验结果。(2)构建了基于注意力机制的DIN深度学习排序模型。利用用户历史行为序列信息,使用基于Attention的机制动态构建用户兴趣Embedding,使得模型能够捕获用户的兴趣。并将DIN模型与现有的深度学习排序模型NeuralCF、Wide&Deep、DeepFM、MLP在AUC、MRR、NDCG@5、NDCG@10指标方面进行实验评估,从实验结果可以看出DIN模型的综合表现最好。(3)基于Django框架设计和开发了琉璃制品推荐系统,琉璃制品推荐系统架构包括:数据层、策略层、反馈层、应用层。并对系统架构中每层结构进行设计与实现。利用TensorFlow建立模型服务,采用HDFS,Spark,Kafka等大数据存储,传输,计算框架完成特征的存储、离线计算与实时计算。通过对用户历史行为以及实时特征的采集处理,结合推荐算法完成对用户的离线推荐与实时推荐,生成用户感兴趣的商品列表,系统运行与测试能够满足用户需求。
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：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/56201.html
