發(fā)布時間：2020-11-01 16:22

　　 隨著移動互聯(lián)網(wǎng)的快速發(fā)展,網(wǎng)絡購物成為了人們?nèi)粘５馁徫锓绞健Ｔ诂F(xiàn)今消費升級的市場環(huán)境下,如何滿足用戶對商品個性化的要求以及增強用戶購物體驗,是各大電子商務平臺關注的重要問題。通過對用戶歷史購物記錄進行數(shù)據(jù)分析,電子商務平臺可以清楚地了解用戶對商品的個性化偏好以及周期性購物規(guī)律,并進一步提高平臺的交易總額。因此本文以商品個性化推薦和商品重購推薦為主要的研究內(nèi)容,具體使用了深度學習來構建相應的推薦模型。論文主要完成了以下3方面的工作:(1)為解決信息過載問題,傳統(tǒng)電子商務平臺需要對用戶興趣進行建模,進行商品個性化推薦。對于商品個性化推薦,本文基于Transformer模型和MLP模型提出了 TransRec模型。TransRec模型是首個采用編解碼器結構進行商品個性化推薦的模型,在編碼端通過位置編碼和自注意力實現(xiàn)了用戶潛在興趣的挖掘和用戶興趣遷移的建模;在解碼端通過注意力實現(xiàn)了對用戶興趣多樣性的建模。TransRec模型在Books數(shù)據(jù)集和Electronics數(shù)據(jù)集上的AUC指標分別達到了 0.812和0.756;實驗結果表明TransRec的模型效果明顯高于現(xiàn)有的其他模型。(2)為提高用戶的購物效率,新零售平臺需要對用戶周期性購買行為進行建模,進行商品重購推薦。對于商品重購推薦,本文提出了基于長短時記憶網(wǎng)絡的商品重購推薦模型,實現(xiàn)了用戶歷史購物記錄中時序信息的自動挖掘;并提出了適用于商品重購推薦問題的加權平均序列損失函數(shù)。本文進一步將長短時記憶網(wǎng)絡與時序卷積網(wǎng)絡相結合提出了時序卷積循環(huán)網(wǎng)絡(TCRNN);TCRNN模型在長短時記憶網(wǎng)絡的基礎上具備了快速檢索全局歷史信息的能力,并能夠多視角地建模用戶周期性購買行為。TCRNN在Instacart數(shù)據(jù)集上的AUC指標達到了 0.781;實驗結果表明TCRNN的模型效果明顯高于現(xiàn)有的其他模型。(3)基于Flask框架構建了具體的商品推薦系統(tǒng),該商品推薦系統(tǒng)能夠同時為用戶提供商品個性化推薦和商品重購推薦。
【學位單位】：北京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.3;TP181
【部分圖文】：

的維度很大時，ｑｕｅｒｙ和ｋｅｙ點乘的結果通常會很大，其會對應到ｓｏｆｔｍａｘ函??數(shù)低梯度的區(qū)域，導致模型無法得到有效的訓練。??如圖２－２所示，Ｔｒａｎｓｆｏｒｍｅｒ模型在編解碼器中并不只采用單一的點乘注意??力。實驗表明在機器翻譯時，Ｔｒａｎｓｆｏｒｍｅｒ可以從并行跑多個點乘注意力中獲得較??高的收益，Ｔｒａｎｓｆｏｒｍｅｒ?qū)⑵浞Q為多頭注意力。多頭注意力首先將Ｑ矩陣、Ｋ矩??陣與Ｖ矩陣進行多次線性映射；然后分別將每次映射后得到三個矩陣進行點乘??注意力操作；最后將多次點乘注意力的結果進行拼接后再進行線性映射，最終得??到多頭注意力的輸出，如公式２－２、２－３所示。??１０??

ｔ?ｔ??Ｑ?Ｋ?Ｖ??圖２－１點乘注意力示意圖??點乘注意力之所以在ｑｕｅｒｙ和ｋｅｙ點乘之后進行放縮，是因為當ｑｕｅｒｙ和ｋｅｙ??的維度很大時，ｑｕｅｒｙ和ｋｅｙ點乘的結果通常會很大，其會對應到ｓｏｆｔｍａｘ函??數(shù)低梯度的區(qū)域，導致模型無法得到有效的訓練。??如圖２－２所示，Ｔｒａｎｓｆｏｒｍｅｒ模型在編解碼器中并不只采用單一的點乘注意??力。實驗表明在機器翻譯時，Ｔｒａｎｓｆｏｒｍｅｒ可以從并行跑多個點乘注意力中獲得較??高的收益，Ｔｒａｎｓｆｏｒｍｅｒ?qū)⑵浞Q為多頭注意力。多頭注意力首先將Ｑ矩陣、Ｋ矩??陣與Ｖ矩陣進行多次線性映射；然后分別將每次映射后得到三個矩陣進行點乘??注意力操作；最后將多次點乘注意力的結果進行拼接后再進行線性映射，最終得??到多頭注意力的輸出

?問題。??如圖２－５所示，ＬＳＴＭ模型主要以內(nèi)存塊（Ｍｅｍｏｒｙ?Ｂｌｏｃｋ）結構為基礎構建；??每個內(nèi)存塊包含一個細胞狀態(tài)（Ｍｅｍｏｒｙ?Ｃｅｌｌ）和三個控制門。細胞狀態(tài)起著對??全局信息進行存儲的功能，它記憶了過去時間步長的歷史信息和當前時間步長的??輸入信息。三個控制門分別為輸入控制門（Ｉｎｐｕｔ?Ｇａｔｅ?）、遺忘控制門（Ｆｏｒｇｅｔ?Ｇａｔｅ）??與輸出控制門（Ｏｕｔｐｕｔ?Ｇａｔｅ）。控制門起到了對相應編碼信息進行選擇的功能，??它們采用ｓｉｇｍｏｉｄ函數(shù)作為控制門的激活函數(shù)，因此激活后的取值范圍是［０，１］。??控制門是通過將激活函數(shù)作用到相關的信息值上，實現(xiàn)信息選擇的：當激活值為??１時，表示放行全部的信息；而當激活值為０時，表示阻塞全部的信息。??＼ｆ?／?，??Ｖ＿＾Ｏｕｔｐｕｔ?Ｇａｔｅ?ａ??＼?？??＼?“??Ｖ??＇＾＾＾＾Ｆｏｒｇｅｔ?Ｇａｔｅ??Ｉ??＼?ｙ??ｙ?Ｉｎｐｕｔ?Ｇａｔｅ??Ｉ?ｒ？）??Ｂｌｏｃｋ??Ｉ?／＼＼￣￣??圖２－５?ＬＳＴＭ內(nèi)部結構示意圖??公式２－１１、公式２－１２、公式２－１３分別是ＬＳＴＭ模型中輸入門、輸出門與遺??忘門的計算方式。而公式２－１４是根據(jù)當前時間步長的輸入產(chǎn)生當前網(wǎng)絡節(jié)點信??息。公式２－１５是通過輸入門來選擇當前網(wǎng)絡節(jié)點的信息，并通過遺忘門來過濾??細胞狀態(tài)中歷史過去信息
【相似文獻】

相關期刊論文 前10條

1 仲兆滿;管燕;胡云;李存華;;基于背景和內(nèi)容的微博用戶興趣挖掘[J];軟件學報;2017年02期

2 蘇惠明;;一種基于用戶興趣的個性化建模方法[J];內(nèi)燃機與配件;2017年04期

3 王占;林巖;;基于信任與用戶興趣變化的協(xié)同過濾方法研究[J];情報學報;2017年02期

4 鄧娟;;用戶興趣變化下的協(xié)同過濾最優(yōu)推薦仿真[J];計算機仿真;2016年08期

5 徐則陽;劉博;;百度貼吧用戶興趣分類[J];福建電腦;2014年11期

6 石偉杰;徐雅斌;;微博用戶興趣發(fā)現(xiàn)研究[J];現(xiàn)代圖書情報技術;2015年01期

7 楊絢然;;《解憂雜貨店》走進現(xiàn)實[J];時代報告;2016年12期

8 孫雨生;劉偉;仇蓉蓉;黃傳慧;;國內(nèi)用戶興趣建模研究進展[J];情報雜志;2013年05期

9 楊杰;陳恩紅;;面向個性化服務的用戶興趣偏移檢測及處理方法[J];電子技術;2009年11期

10 陳圣兵;李龍澍;紀霞;;多層次用戶興趣模式的動態(tài)捕捉[J];計算機工程與應用;2009年36期

相關博士學位論文 前10條

1 徐揚;基于用戶興趣挖掘的個性化推薦方法研究[D];山東大學;2018年

2 李鐵;面向大規(guī)模電商評論的情感分析與興趣挖掘研究[D];電子科技大學;2018年

3 郭巖;網(wǎng)絡日志中用戶興趣的挖掘及利用[D];中國科學院研究生院（計算技術研究所）;2004年

4 吳麗輝;個性化的Web信息采集技術研究[D];中國科學院研究生院（計算技術研究所）;2005年

5 馬力;基于聚類分析的網(wǎng)絡用戶興趣挖掘方法研究[D];西安電子科技大學;2012年

6 劉淇;基于用戶興趣建模的推薦方法及應用研究[D];中國科學技術大學;2013年

7 梁政;面向在線社交網(wǎng)絡輿情的信息傳播分析關鍵技術研究[D];國防科學技術大學;2014年

8 張召;在線論壇用戶興趣圖譜發(fā)現(xiàn)與個性化信息推薦[D];華東師范大學;2012年

9 陳浩;Web搜索的用戶興趣與智能優(yōu)化研究[D];中南大學;2012年

10 李洋;社會媒體信息推薦關鍵技術研究[D];哈爾濱工業(yè)大學;2017年

相關碩士學位論文 前10條

1 陳鵬達;基于深度學習的商品推薦系統(tǒng)的研究與實現(xiàn)[D];北京郵電大學;2019年

2 劉奇;基于信息擴展和信任感知的微博推薦方法[D];河北大學;2019年

3 張雄濤;融合用戶興趣和混合估計的微博檢索模型研究[D];河北大學;2019年

4 徐佳藝;基于用戶興趣主題模型的交友推薦系統(tǒng)的設計與實現(xiàn)[D];浙江工業(yè)大學;2019年

5 竇沖;基于用戶興趣和信任關系的機會網(wǎng)絡路由算法研究[D];陜西師范大學;2018年

6 李夢雪;基于交互的移動用戶興趣發(fā)現(xiàn)系統(tǒng)的設計與實現(xiàn)[D];北京交通大學;2018年

7 朱凱歌;面向個性化服務的用戶興趣挖掘方法研究與實現(xiàn)[D];北京交通大學;2018年

8 張靈菡;基于社會化標注的用戶興趣挖掘及其個性化推薦研究[D];杭州電子科技大學;2018年

9 李穎;基于微博用戶興趣的個性化廣告推薦系統(tǒng)的設計與實現(xiàn)[D];南京理工大學;2018年

10 胡建洪;基于上下文感知的移動新聞推薦研究與實現(xiàn)[D];南京理工大學;2018年

本文編號：2865789