隨著互聯(lián)網(wǎng)和信息技術(shù)的迅猛發(fā)展,互聯(lián)網(wǎng)的信息量以指數(shù)形式增長(zhǎng)。為了解決信息過載的問題,滿足擁有不同興趣愛好、關(guān)注領(lǐng)域、行為習(xí)慣、消費(fèi)水平和個(gè)人成長(zhǎng)經(jīng)歷的用戶的信息需求,協(xié)同過濾推薦系統(tǒng)應(yīng)運(yùn)而生。但是,在互聯(lián)網(wǎng)數(shù)據(jù)量指數(shù)增長(zhǎng)的背景下,協(xié)同過濾推薦系統(tǒng)存在的數(shù)據(jù)稀疏性問題越來越嚴(yán)重。在高維的項(xiàng)目空間中,用戶能夠訪問和打分的項(xiàng)目極少,這也導(dǎo)致了評(píng)分矩陣極度稀疏的問題。為了解決評(píng)分矩陣稀疏性的問題,本文從特征工程和推薦方法的角度出發(fā),提出了一種基于用戶行為數(shù)據(jù)以及用戶與物品屬性數(shù)據(jù)的混合推薦方法,并以電信運(yùn)營(yíng)商向用戶推薦套餐為應(yīng)用場(chǎng)景作具體論述。首先,對(duì)不同來源的特征進(jìn)行有規(guī)律的特征組合,構(gòu)造成組合特征。并運(yùn)用word2vec方法對(duì)用戶行為數(shù)據(jù)當(dāng)中的時(shí)間序列數(shù)據(jù)進(jìn)行特征增強(qiáng),構(gòu)建擁有相同消費(fèi)習(xí)慣的用戶之間的聯(lián)系。然后,基于高效梯度提升樹算法對(duì)大規(guī)模用戶數(shù)據(jù)集進(jìn)行建模,將高效梯度提升樹模型的特征重要度以及模型輸出的用戶選擇套餐的概率分布對(duì)套餐進(jìn)行過濾,以達(dá)到對(duì)用戶進(jìn)行個(gè)性化套餐推薦的目的。最后,基于聯(lián)通運(yùn)營(yíng)商發(fā)布的用戶多源數(shù)據(jù),根據(jù)構(gòu)造完成的混合推薦方法,對(duì)用戶的興趣套餐進(jìn)行預(yù)測(cè)并完成個(gè)性化套餐... 

【文章來源】：武漢科技大學(xué)湖北省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 集成學(xué)習(xí)研究現(xiàn)狀
    1.3 論文的研究設(shè)計(jì)
        1.3.1 研究?jī)?nèi)容
        1.3.2 研究方法
        1.3.3 論文技術(shù)路線
第2章 相關(guān)理論與方法
    2.1 推薦系統(tǒng)
        2.1.1 基于人口統(tǒng)計(jì)學(xué)的推薦
        2.1.2 基于內(nèi)容的推薦
        2.1.3 基于協(xié)同過濾的推薦
        2.1.4 基于混合的推薦
    2.2 集成學(xué)習(xí)提升方法
        2.2.1 提升方法Adaboost算法
        2.2.2 梯度提升決策樹(GBDT)
第3章 數(shù)據(jù)預(yù)處理與特征工程
    3.1 面向大規(guī)模用戶推薦的數(shù)據(jù)處理
        3.1.1 問題描述
        3.1.2 數(shù)據(jù)處理思路
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 連續(xù)特征數(shù)據(jù)預(yù)處理
        3.2.2 離散特征數(shù)據(jù)預(yù)處理
    3.3 特征組合方法設(shè)計(jì)
    3.4 特征增強(qiáng)方法
        3.4.1 Word2vec
        3.4.2 基于Word2vec的特征增強(qiáng)
第4章 基于高效梯度提升樹算法的混合推薦方法
    4.1 混合推薦方法設(shè)計(jì)思路
    4.2 高效梯度提升樹算法
        4.2.1 XGBoost算法
        4.2.2 LightGBM算法
    4.3 基于高效梯度提升樹算法建模
        4.3.1 S折交叉驗(yàn)證
        4.3.2 基于XGBoost算法建模
        4.3.3 基于LightGBM算法建模
    4.4 特征重要性分析方法
    4.5 基于高效梯度提升樹算法的混合推薦方法構(gòu)建
        4.5.1 混合推薦方法定義
        4.5.2 混合推薦方法描述
第5章 基于聯(lián)通運(yùn)營(yíng)商多元數(shù)據(jù)的實(shí)例應(yīng)用分析
    5.1 實(shí)例概述
    5.2 數(shù)據(jù)預(yù)處理和探索性數(shù)據(jù)分析
        5.2.1 數(shù)據(jù)預(yù)處理
        5.2.2 探索性數(shù)據(jù)分析
    5.3 基于特征組合和特征增強(qiáng)的特征工程
        5.3.1 基于統(tǒng)計(jì)的特征組合
        5.3.2 基于Word2Vec的特征增強(qiáng)
    5.4 基于高效梯度提升樹算法的混合推薦方法實(shí)現(xiàn)
        5.4.1 實(shí)驗(yàn)條件
        5.4.2 分類模型評(píng)價(jià)指標(biāo)
        5.4.3 超參數(shù)優(yōu)化
        5.4.4 實(shí)驗(yàn)預(yù)測(cè)結(jié)果與分析
        5.4.5 特征重要性分析與個(gè)性化推薦結(jié)果
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間發(fā)表的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于深度LightGBM集成學(xué)習(xí)模型的谷歌商店顧客購(gòu)買力預(yù)測(cè)[J]. 葉志宇,馮愛民,高航.  計(jì)算機(jī)應(yīng)用. 2019(12)
[2]面向高維特征和多分類的分布式梯度提升樹[J]. 江佳偉,符芳誠(chéng),邵鎣俠,崔斌.  軟件學(xué)報(bào). 2019(03)
[3]改進(jìn)的基于物品的協(xié)同過濾推薦算法[J]. 石京京,肖迎元,鄭文廣.  天津理工大學(xué)學(xué)報(bào). 2019(01)
[4]基于獨(dú)熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)[J]. 梁杰,陳嘉豪,張雪芹,周悅,林家駿.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(07)
[5]基于二次組合的特征工程與XGBoost模型的用戶行為預(yù)測(cè)[J]. 楊立洪,白肇強(qiáng).  科學(xué)技術(shù)與工程. 2018(14)
[6]基于社交網(wǎng)絡(luò)信息的協(xié)同過濾推薦算法[J]. 張朝恒,何小衛(wèi),陳勇兵.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(12)
[7]基于KNN算法的新浪微博用戶行為分析及預(yù)測(cè)[J]. 解軍,邢進(jìn)生.  山西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[8]基于用戶人口統(tǒng)計(jì)特征與信任機(jī)制的協(xié)同推薦[J]. 時(shí)念云,葛曉偉,馬力.  計(jì)算機(jī)工程. 2016(06)
[9]基于用戶的協(xié)同過濾算法的推薦效率和個(gè)性化改進(jìn)[J]. 王成,朱志剛,張玉俠,蘇芳芳.  小型微型計(jì)算機(jī)系統(tǒng). 2016(03)
[10]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)

碩士論文
[1]基于大數(shù)據(jù)技術(shù)的電信用戶畫像系統(tǒng)的實(shí)現(xiàn)與應(yīng)用[D]. 王藝霖.北京郵電大學(xué) 2018
[2]基于用戶通話行為的電信套餐業(yè)務(wù)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 李慧娟.貴州大學(xué) 2017
[3]基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林的套餐推薦模型的設(shè)計(jì)與研究[D]. 顧方婷.上海交通大學(xué) 2017
[4]基于協(xié)同過濾模型與隱語義模型的推薦系統(tǒng)研究與實(shí)現(xiàn)[D]. 魯權(quán).湖南大學(xué) 2013
[5]基于用戶消費(fèi)行為的移動(dòng)業(yè)務(wù)推薦[D]. 田穎.華中科技大學(xué) 2013



本文編號(hào)：3165581