【摘要】：隨著移動電子商務的迅速發(fā)展,用戶和商品數量不斷增加,使得大量商品無法快速接觸到目標客戶。這就要求移動電商平臺研究高質量的商品推薦算法,構建商品和潛在客戶之間的橋梁。然而,目前大多數商品推薦還依賴于協同過濾等傳統(tǒng)的推薦算法,推薦的效率和準確率都不能滿足需求。因此,研究結合特征分析和強化學習等新興技術的商品推薦算法,對于移動電子商務的發(fā)展尤為重要。本文基于實際項目場景,結合移動電商數據的特點,研究一種結合用戶特征分析與動態(tài)狀態(tài)挖掘的推薦算法。主要工作內容包含以下幾點:(1)研究了項目中采集到的移動電商數據的特點,分析數據中存在的問題和影響推薦質量的因素,對數據進行了一系列預處理的操作。同時,為了提高算法的效率和準確率,采用多種方式對數據進行了轉換。(2)提出了一個基于用戶特征和強化學習的推薦算法。本文對移動電商數據的用戶行為進行分析,構建用戶特征集合,訓練出用戶行為模型,并將模型融合,形成根據靜態(tài)特征的推薦;同時,本文設計了移動電商下的決策過程,描述用戶的狀態(tài),根據用戶的反饋訓練深度決策網絡,生成動態(tài)的商品推薦。最后,本文采用混合策略將兩種推薦結果混合起來作為最終的推薦輸出。(3)建立了一個用戶行為仿真器,用于在強化學習的訓練過程中提供用戶的反饋信息。移動電商數據中用戶和商品的行為數據比較稀疏,無法滿足強化學習訓練的需要。因此,本文根據用戶的行為邏輯,構造了一個基于循環(huán)神經網絡的用戶行為仿真器,向強化學習提供模擬的用戶反饋。本文依據項目中的移動電商數據,設計實驗驗證了本文提出的算法,并與一些流行的推薦算法進行了橫向對比。實驗結果表明,本文算法在推薦指標和效率上都有明顯提升,證明了算法的有效性。
【圖文】：

圖 2-3 寬深度模型結構圖[27]深度部分是一個前饋神經網絡，，采用 ReLUs 激活函數。該部分的原始輸入是特符串，并把稀疏、高秩的特征轉換為密集、低維的嵌入特征，從而產生普遍化的推果。

x(t-1)x(t) x(t+1)圖 2-4 循環(huán)神經網絡結構圖在推薦算法中，一種運用就是通過 RNN 處理用戶瀏覽的會話信息，根據用戶的訪問記錄，為當前時刻的用戶提供最合適的推薦[22]。該算法的結構見圖 2-5。
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.3;TP181

【參考文獻】

相關期刊論文 前1條

1 趙亮,胡乃靜,張守志;個性化推薦算法設計[J];計算機研究與發(fā)展;2002年08期

相關碩士學位論文 前1條

1 俞騁超;基于深度神經網絡的用戶會話推薦算法研究[D];浙江大學;2016年

本文編號：2697219