近年來(lái),電子商務(wù)逐漸成長(zhǎng)為一種日漸成熟的商務(wù)模式,整體體量在日益不斷擴(kuò)大,系統(tǒng)中的商品規(guī)模、種類(lèi)也在日益增加,用戶(hù)在使用過(guò)程中往往會(huì)出現(xiàn)信息超載問(wèn)題。為了有效地解決這個(gè)問(wèn)題,其中一個(gè)效果顯著的解決方案就是推薦系統(tǒng),在推薦系統(tǒng)中主要是通過(guò)分析系統(tǒng)中存儲(chǔ)的用戶(hù)歷史購(gòu)買(mǎi)數(shù)據(jù),依據(jù)用戶(hù)在興趣愛(ài)好、關(guān)注領(lǐng)域、消費(fèi)水平等方面的不同,向用戶(hù)產(chǎn)生個(gè)性化推薦。在現(xiàn)如今已有的用戶(hù)個(gè)性化推薦算法的研究中,多是以靜態(tài)推薦為主,如基于商品內(nèi)容,矩陣填充等技術(shù)。在這些經(jīng)典推薦算法模型中往往忽略用戶(hù)行為數(shù)據(jù)中的時(shí)序信息。在現(xiàn)實(shí)生活中,隨著時(shí)間的推進(jìn),用戶(hù)的喜好是不斷演化的,所以傳統(tǒng)的推薦算法模型在刻畫(huà)用戶(hù)喜好的動(dòng)態(tài)演化方面將有所限制,而在部分考慮時(shí)序信息的工作中通常伴隨數(shù)據(jù)稀疏等影響推薦算法效果的問(wèn)題。針對(duì)上述問(wèn)題,本文將從利用時(shí)序信息的角度出發(fā),來(lái)考量分析通過(guò)用戶(hù)歷史行為數(shù)據(jù)中所體現(xiàn)出來(lái)的用戶(hù)喜好,分別提出基于用戶(hù)喜好在時(shí)間相關(guān)性方面的時(shí)序推薦算法ATC-CF和時(shí)序信息在下一個(gè)購(gòu)物籃推薦應(yīng)用場(chǎng)景下的LAGCN算法。在實(shí)驗(yàn)中,分別將這兩種算法模型與傳統(tǒng)的推薦算法模型應(yīng)用于真實(shí)的推薦數(shù)據(jù)集中,對(duì)用戶(hù)產(chǎn)生推薦預(yù)測(cè),并對(duì)... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦算法
        1.2.2 基于時(shí)序信息的推薦算法
    1.3 研究?jī)?nèi)容及主要貢獻(xiàn)
    1.4 本文的結(jié)構(gòu)組織與章節(jié)安排
第二章 推薦算法相關(guān)理論以及研究現(xiàn)狀
    2.1 傳統(tǒng)推薦算法以及相關(guān)理論
        2.1.1 傳統(tǒng)推薦算法介紹
            2.1.1.1 基于關(guān)聯(lián)規(guī)則的推薦算法
            2.1.1.2 基于內(nèi)容的推薦算法
            2.1.1.3 協(xié)同過(guò)濾
            2.1.1.4 基于模型的推薦算法
            2.1.1.5 混合推薦算法
    2.2 矩陣分解算法介紹
    2.3 屬性網(wǎng)絡(luò)介紹
        2.3.1 屬性網(wǎng)絡(luò)的定義
        2.3.2 屬性網(wǎng)絡(luò)的表征
    2.4 時(shí)序推薦算法理論介紹
        2.4.1 基于張量分解的推薦算法
        2.4.2 基于馬爾科夫鏈的推薦算法
        2.4.3 基于時(shí)間衰減的時(shí)序推薦算法
        2.4.4 基于深度學(xué)習(xí)模型的時(shí)序推薦算法
    2.5 下一個(gè)購(gòu)物籃推薦介紹
    2.6 本章總結(jié)
第三章 基于時(shí)間相關(guān)性的時(shí)序推薦算法
    3.1 問(wèn)題描述
    3.2 基于時(shí)間相關(guān)性的時(shí)序推薦算法
        3.2.1 時(shí)間相關(guān)性分析
        3.2.2 增強(qiáng)型用戶(hù)商品矩陣構(gòu)建
        3.2.3 矩陣分解及優(yōu)化求解
    3.3 實(shí)驗(yàn)設(shè)計(jì)
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 對(duì)比算法
        3.3.3 實(shí)驗(yàn)平臺(tái)以及實(shí)驗(yàn)設(shè)置
        3.3.4 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        3.3.5 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章總結(jié)
第四章 基于商品表征與用戶(hù)喜好演化的下一個(gè)購(gòu)物籃推薦
    4.1 購(gòu)物籃序列數(shù)據(jù)特征以及推薦任務(wù)
    4.2 基于購(gòu)物籃表征與用戶(hù)興趣演化的下一個(gè)購(gòu)物籃推薦模型
        4.2.1 商品表征學(xué)習(xí)
            4.2.1.1 基于商品相關(guān)性的商品表征
            4.2.1.2 商品表征的聯(lián)合學(xué)習(xí)
        4.2.2 用戶(hù)動(dòng)態(tài)喜好演化學(xué)習(xí)
            4.2.2.1 購(gòu)物籃序列表征
            4.2.2.2 用戶(hù)動(dòng)態(tài)喜好學(xué)習(xí)模型:LGCN
            4.2.2.3 模型優(yōu)化
            4.2.2.4 基于注意力機(jī)制的用戶(hù)動(dòng)態(tài)喜好學(xué)習(xí)模型:LAGCN
            4.2.2.5 基于注意力機(jī)制的用戶(hù)靜態(tài)喜好學(xué)習(xí)模型:AGCN
    4.3 實(shí)驗(yàn)設(shè)計(jì)
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 實(shí)驗(yàn)平臺(tái)以及實(shí)驗(yàn)設(shè)置
        4.3.3 評(píng)價(jià)指標(biāo)
        4.3.4 算法對(duì)比
        4.3.5 實(shí)驗(yàn)結(jié)果與分析
        4.3.6 實(shí)驗(yàn)擴(kuò)展
    4.4 本章總結(jié)
第五章 總結(jié)和展望
    5.1 本文總結(jié)
    5.2 未來(lái)工作展望
致謝
參考文獻(xiàn)
攻碩期間取得的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)貝葉斯概率模型的推薦算法[J]. 劉付勇,高賢強(qiáng),張著.  計(jì)算機(jī)科學(xué). 2017(05)
[2]一種融合協(xié)同過(guò)濾和內(nèi)容過(guò)濾的混合推薦方法[J]. 高虎明,趙鳳躍.  現(xiàn)代圖書(shū)情報(bào)技術(shù). 2015(06)
[3]基于時(shí)序行為的協(xié)同過(guò)濾推薦算法[J]. 孫光福,吳樂(lè),劉淇,朱琛,陳恩紅.  軟件學(xué)報(bào). 2013(11)
[4]個(gè)性化推薦系統(tǒng)綜述[J]. 王國(guó)霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)



本文編號(hào)：3091440