【摘要】：在互聯(lián)網(wǎng)和大數(shù)據(jù)的背景下,推薦系統(tǒng)已經(jīng)在各個(gè)領(lǐng)域內(nèi)得到廣泛的應(yīng)用,并成為互聯(lián)網(wǎng)服務(wù)中的一個(gè)重要組成部分。根據(jù)實(shí)際需求,推薦系統(tǒng)從原來的推薦單一產(chǎn)品發(fā)展到同時(shí)推薦多個(gè)產(chǎn)品的組合包。通過在線旅游服務(wù)商預(yù)訂機(jī)票正變得越來越流行。為了提高利潤,服務(wù)商經(jīng)常向乘客建議額外的可選輔助服務(wù),如安全保險(xiǎn)、貴賓休息室或接送服務(wù)。為了促進(jìn)輔助服務(wù)的銷售,當(dāng)乘客購買航班時(shí),服務(wù)商可以幫助選擇默認(rèn)勾選這些服務(wù)。然而,如果乘客不想購買這些服務(wù),他將不得不自己取消這些服務(wù),這將導(dǎo)致用戶體驗(yàn)的負(fù)面影響。論文主要研究機(jī)票輔助服務(wù)組合包的個(gè)性化推薦方法。機(jī)票輔助服務(wù)相對(duì)于一般的產(chǎn)品有它的一些特殊性,比如服務(wù)沒有特征較少,服務(wù)之間的不可直接比較等。文章通過分析用戶特征及其歷史購買的數(shù)據(jù),提出了一種基于梯度下降決策樹(GBDT)模型的個(gè)性化輔助服務(wù)推薦。還把GBDT應(yīng)用于挖掘服務(wù)之間的相互關(guān)系,以便最終推薦服務(wù)包。此外,文章還從用戶滿意度和流失率出發(fā),提出了企業(yè)長期收益的馬爾科夫決策模型。并利用強(qiáng)化學(xué)習(xí),得到最大化企業(yè)長期收益的推薦策略。最后,文章結(jié)合旅游服務(wù)商實(shí)際需求,提出了機(jī)票輔助服務(wù)組合包的個(gè)性化推薦系統(tǒng)的框架�？蚣馨藬�(shù)據(jù)儲(chǔ)存模塊,推薦模塊,后臺(tái)監(jiān)控模塊。文章還利用文中提出的推薦算法實(shí)現(xiàn)推薦模塊并測(cè)試框架性能。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：V354;TP391.3
【圖文】：

1默認(rèn)勾選Fig1 1DefaultCHeck

圖 2 1 馬爾科夫決策Fig 2 1 Markov Decision Processes決策的機(jī)器學(xué)習(xí)方法。現(xiàn)實(shí)中很多問題涉及到用戶和系統(tǒng)的不斷交互次交互的長期收益，比如用戶瀏覽網(wǎng)站，在電商上購買商品等，然而往利用監(jiān)督模型或者基于上下文的方法單純地考慮一次交互帶來的收分用戶的訪問和用戶本身，每次用戶訪問都相當(dāng)于一個(gè)新的用戶，用史不能得到很有效的利用。從長遠(yuǎn)收益的角度看，每次只考慮單次收一種貪心算法，但這種貪心算法不一定能到達(dá)最優(yōu)值。比如在 Halla于用戶瀏覽網(wǎng)頁的問題進(jìn)行了研究，提出了最優(yōu)化單次點(diǎn)擊量和長期方案，并進(jìn)行對(duì)比。單次點(diǎn)擊量 click through rate(CTR) 和長期點(diǎn)擊V）最優(yōu)化函數(shù)如下：T otal # of ClicksT otal # of V isitsT otal # of Clicks

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 賴院根;劉礪利;;基于客戶價(jià)值的信息用戶流失預(yù)測(cè)研究[J];情報(bào)理論與實(shí)踐;2011年07期

2 劉娟;;以客戶感知價(jià)值的視角看企業(yè)忠誠客戶的流失[J];消費(fèi)導(dǎo)刊;2009年13期

3 魏繼勇;;數(shù)據(jù)挖掘技術(shù)在用戶流失分析模型中的應(yīng)用[J];中國醫(yī)學(xué)裝備;2009年03期

本文編號(hào)：2741702