【摘要】：隨著移動電子商務(wù)的迅速發(fā)展,用戶和商品數(shù)量不斷增加,使得大量商品無法快速接觸到目標(biāo)客戶。這就要求移動電商平臺研究高質(zhì)量的商品推薦算法,構(gòu)建商品和潛在客戶之間的橋梁。然而,目前大多數(shù)商品推薦還依賴于協(xié)同過濾等傳統(tǒng)的推薦算法,推薦的效率和準(zhǔn)確率都不能滿足需求。因此,研究結(jié)合特征分析和強(qiáng)化學(xué)習(xí)等新興技術(shù)的商品推薦算法,對于移動電子商務(wù)的發(fā)展尤為重要。本文基于實際項目場景,結(jié)合移動電商數(shù)據(jù)的特點,研究一種結(jié)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(nèi)容包含以下幾點:(1)研究了項目中采集到的移動電商數(shù)據(jù)的特點,分析數(shù)據(jù)中存在的問題和影響推薦質(zhì)量的因素,對數(shù)據(jù)進(jìn)行了一系列預(yù)處理的操作。同時,為了提高算法的效率和準(zhǔn)確率,采用多種方式對數(shù)據(jù)進(jìn)行了轉(zhuǎn)換。(2)提出了一個基于用戶特征和強(qiáng)化學(xué)習(xí)的推薦算法。本文對移動電商數(shù)據(jù)的用戶行為進(jìn)行分析,構(gòu)建用戶特征集合,訓(xùn)練出用戶行為模型,并將模型融合,形成根據(jù)靜態(tài)特征的推薦;同時,本文設(shè)計了移動電商下的決策過程,描述用戶的狀態(tài),根據(jù)用戶的反饋訓(xùn)練深度決策網(wǎng)絡(luò),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(jié)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(qiáng)化學(xué)習(xí)的訓(xùn)練過程中提供用戶的反饋信息。移動電商數(shù)據(jù)中用戶和商品的行為數(shù)據(jù)比較稀疏,無法滿足強(qiáng)化學(xué)習(xí)訓(xùn)練的需要。因此,本文根據(jù)用戶的行為邏輯,構(gòu)造了一個基于循環(huán)神經(jīng)網(wǎng)絡(luò)的用戶行為仿真器,向強(qiáng)化學(xué)習(xí)提供模擬的用戶反饋。本文依據(jù)項目中的移動電商數(shù)據(jù),設(shè)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(jìn)行了橫向?qū)Ρ�。實驗結(jié)果表明,本文算法在推薦指標(biāo)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(jié)構(gòu)圖[27]深度部分是一個前饋神經(jīng)網(wǎng)絡(luò)，，采用 ReLUs 激活函數(shù)。該部分的原始輸入是特符串，并把稀疏、高秩的特征轉(zhuǎn)換為密集、低維的嵌入特征，從而產(chǎn)生普遍化的推果。

x(t-1)x(t) x(t+1)圖 2-4 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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(jù)用戶的訪問記錄，為當(dāng)前時刻的用戶提供最合適的推薦[22]。該算法的結(jié)構(gòu)見圖 2-5。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.3;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

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

相關(guān)碩士學(xué)位論文 前1條

1 俞騁超;基于深度神經(jīng)網(wǎng)絡(luò)的用戶會話推薦算法研究[D];浙江大學(xué);2016年

本文編號：2697219