隨著網(wǎng)絡(luò)時代的到來,互聯(lián)網(wǎng)技術(shù)不斷更替,層出不窮的軟件應(yīng)用使得網(wǎng)絡(luò)上的信息越來越多。如何運用好這些信息成為了各大公司需要研究和討論的重要問題,用戶回歸時間預(yù)測就是其中的一個重要方向。高效且準確的預(yù)測可以幫助公司及時采取有效的措施去挽留可能流失的客戶,并對近期可能會有購買意愿的用戶進行有針對性地推薦,達到最大化利潤的目的。在學(xué)術(shù)界,用戶回歸時間預(yù)測也成為了許多專家學(xué)者研究的課題之一。目前常見方法主要分為兩類,分別是基于傳統(tǒng)機器學(xué)習(xí)的方法和基于點過程的方法�；趥鹘y(tǒng)機器學(xué)習(xí)的方法并沒有考慮到數(shù)據(jù)發(fā)生的先后關(guān)系,而將該問題認為是普通的分類或回歸問題,正是由于在建模時缺乏對事件發(fā)生先后順序這一信息的考慮,導(dǎo)致該類方法的預(yù)測準確性普遍不高。第二類方法是基于點過程的方法。點過程是一類用于時間序列建模的常見方法,該方法的核心是對條件強度函數(shù)進行建模,如泊松點過程和Hawkes過程等都是常見的點過程方法。泊松點過程是一種較為簡單的方法,而Hawkes過程則在泊松點過程的基礎(chǔ)上考慮了歷史事件在當(dāng)前時刻的影響,但絕大多數(shù)方法卻都忽略了除時間之外其他特征對用戶回歸時間的影響�；谝陨系氖聦嵖紤],本文開展了如... 

【文章來源】：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

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

貝葉斯網(wǎng)絡(luò)示意圖

第三章影響回歸時間的因素建模19而言，其主營菜式的風(fēng)格，也就決定了其可能吸引到的食客。與之類似，生活中人們的選擇無一不會參考自己的愛好，所以，本文考慮將用戶的偏好因素引入到模型中以提升回歸時間預(yù)測的準確性。近些年來，用戶偏好因素[65-66]已經(jīng)被廣泛應(yīng)用于用戶行為建模中。如在個性化推薦領(lǐng)域的矩陣分解算法。在數(shù)學(xué)領(lǐng)域，矩陣分解算法是一種將原始矩陣分解成為多個子矩陣的乘積的算法。常見的分解方法有奇異值分解[67,68,69]（SingularValueDecomposition,SVD）、正交矩陣分解（QRDecomposition）等。其中正交矩陣分解是將原矩陣分解為一個上三角矩陣與一個半正交矩陣的乘積；奇異值分解方法是將矩陣分解為一個對角矩陣與兩個正交矩陣。當(dāng)然，這些方法需要對矩陣進行填充，導(dǎo)致算法的時間復(fù)雜度增大，因此并不適用于數(shù)據(jù)量特別大的情況。圖3-1矩陣分解示意圖為了追求更快的訓(xùn)練速度，在個性化推薦領(lǐng)域談到的矩陣分解方法是一種“低秩近似”的方法。其認為用戶的偏好和商品的屬性僅受有限的因素影響，如商品的顏色、價格、質(zhì)量、包裝等，如圖3-1所示，將用戶對商品的評分矩陣看成是用戶偏好矩陣和商品屬性矩陣的乘積，通過訓(xùn)練得到兩個矩陣之后，便可以預(yù)測出用戶未購買商品的評分。

電子科技大學(xué)碩士學(xué)位論文20圖3-2偏好因素建模示意圖如圖3-2所示，本文在構(gòu)建用戶偏好因素時借鑒了矩陣分解的方式，即將用戶偏好因素拆分成了兩個部分的乘積，分別為用戶的偏好向量和商品的屬性向量，公式如（3-1）所示：()=(3-1)其中是用戶u對各種商品特征的喜好程度，是一個k維向量，服從均勻分布。則是商品的屬性，也是一個k維向量，向量的每一個維度都是一個隨機變量，也服從均勻分布，兩向量點乘的結(jié)果則表示用戶u對商品o的傾向程度。3.2.2價格因素除開自身的偏好因素之外，商品的價格也是影響用戶購買行為的重要因素。眾所周知，價格是商品在進行貨幣交換時衡量商品價值的數(shù)據(jù)。對于用戶而言，在購買商品之前都會有一個心里的預(yù)期價格，當(dāng)商品的價格高于用戶的期望值時，用戶對該商品的購買欲望將會下降，而當(dāng)商品的價格低于用戶的期望時，用戶對該商品的購買欲望將會增大。近些年，價格因素被越來越多的應(yīng)用于建模和研究當(dāng)中，價格因素如何影響用戶的購買行為也一直是心理學(xué)和經(jīng)濟學(xué)上的重要研究課題。在推薦系統(tǒng)和用戶行為建模領(lǐng)域，價格因素得到了廣泛的應(yīng)用，也有許多考慮了價格因素的混合推薦系統(tǒng)應(yīng)運而生，將價格因素有關(guān)的特征應(yīng)用在了用戶行為建模當(dāng)中。在這些方法中，有很大一部分是基于特征的方法，即把價格因素認為是一種商品的附加特征，如文獻[70-71]使用上下文感知框架和混合推薦系統(tǒng)來引入的價格因素的，除開直接使用

【參考文獻】：
期刊論文
[1]用戶畫像在用戶價值提升中的研究與應(yīng)用[J]. 施曉光.  移動通信. 2019(04)
[2]美元指數(shù)與原油價格暴漲暴跌的交互刺激研究[J]. 馬勇,潘冬濤,曾兆祥.  財經(jīng)理論與實踐. 2018(06)
[3]基于Hawkes因子模型的股價共同跳躍研究[J]. 劉志東,鄭雪飛.  中國管理科學(xué). 2018(07)
[4]基于python+pandas的數(shù)據(jù)分析處理應(yīng)用[J]. 何春燕,王超宇.  數(shù)碼世界. 2018(07)
[5]基于Eclipse RCP的銀行柜面軟件架構(gòu)可擴展性的研究[J]. 劉艷.  軟件. 2018(05)
[6]基于對數(shù)運算的Sigmoid函數(shù)的研究與實現(xiàn)[J]. 圣飛,陰亞芳,秦晨蕊,張凱.  微電子學(xué)與計算機. 2018(02)
[7]明星效應(yīng)與中國電影票房的實證研究[J]. 郭新茹,黃舒沁.  現(xiàn)代傳播(中國傳媒大學(xué)學(xué)報). 2017(12)
[8]“共享充電寶”市場升溫[J]. 馮曉霞.  光彩. 2017(05)
[9]國人共享單車使用情況調(diào)查[J]. 薛強.  金融博覽(財富). 2017(01)
[10]基于買賣強度的交易策略及其實證分析[J]. 田祎佳,宋斌,劉冰.  價值工程. 2014(28)

碩士論文
[1]用戶購買行為的建模與預(yù)測[D]. 陳軍華.電子科技大學(xué) 2018
[2]基于個人興趣的用戶偏好建模[D]. 李肇明.云南大學(xué) 2013



本文編號：3056727