【摘要】：近年來,快速發(fā)展的電子商務為人們帶來了極大的便利。電商所處的商業(yè)環(huán)境相較傳統(tǒng)商業(yè)環(huán)境具有更強的動態(tài)性與復雜性,這帶來了諸多挑戰(zhàn),而數(shù)據(jù)挖掘技術可以幫助人們更好地應對這些挑戰(zhàn)。傳統(tǒng)數(shù)據(jù)挖掘技術無法有效地利用電商中的海量數(shù)據(jù),它依賴于耗時、耗力的特征工程,得到的模型可擴展性差。深度學習技術可以有效地利用大量數(shù)據(jù),且可以實現(xiàn)自動化地從原始數(shù)據(jù)中抽取有效特征,具有更高的可用性。在本文中,我們利用深度學習中的卷積神經(jīng)網(wǎng)絡對.電商數(shù)據(jù)進行挖掘,針對商品搭配推薦與商品銷量預測這兩個方面,設計了一系列有效的算法及優(yōu)化方法。具體而言,本文的主要研究內(nèi)容包括:首先,商品搭配具有廣泛應用,如基于用戶已購買商品向其推薦可能購買的商品。傳統(tǒng)方法通過分析商品歷史共同購買記錄生成搭配信息,它無法為沒有歷史購買記錄的新商品生成搭配信息。在本文中,我們觀察到商家會把商品所有重要屬性信息放在標題中,于是設計了一個對拍卷積神經(jīng)網(wǎng)絡對兩個商品標題組成的短文本對建模,將文本信息從原始的符號空間映射到特定的樣式空間,進而在樣式空間中計算兩個商品間的搭配程度。其次,商品銷量預測對商業(yè)決策至關重要,它有助于商家對人力、物力與倉儲等諸多方面做出更優(yōu)的管理。基于時序分析的方法僅能對那些銷量變化規(guī)律明顯的商品做出準確預測;雖然傳統(tǒng)機器學習方法可以通過特征工程來考慮更多信息,進而取得更高的準確性,但特征工程限制了模型的可擴展性。在本文中,我們設計了一個新穎的模型,它可以從原始結構化時序數(shù)據(jù)中通過卷積神經(jīng)網(wǎng)絡自動化提取有效特征,并進一步利用這些特征實現(xiàn)商品銷量預測。最后,在真實電商數(shù)據(jù)集上驗證了我們提出算法的有效性。
[Abstract]:In recent years, the rapid development of electronic commerce has brought great convenience to people. The business environment of e-commerce is more dynamic and complex than the traditional business environment, which brings many challenges, and data mining technology can help people to cope with these challenges better. The traditional data mining technology can not make effective use of the massive data in the ecoquotient. It relies on the time-consuming and labor-intensive feature engineering, and the model has poor scalability. Depth learning technology can effectively utilize a large amount of data, and can automatically extract effective features from raw data, so it has higher availability. In this paper, we use convolution neural network pairs in deep learning. Based on the data mining, a series of effective algorithms and optimization methods are designed in this paper. Specifically, the main research contents of this paper are as follows: first, commodity collocation has a wide range of applications, such as based on the user has already purchased goods to recommend the goods they may buy. The traditional method can not generate collocation information for new commodities without historical purchase records by analyzing the historical purchase records of commodities together to generate collocation information. In this paper, we observe that the merchant will put all the important attribute information of the product in the title, so we design a short text pair model of the two commodity titles, which is composed of two commodity titles, and a convolution neural network is designed. The text information is mapped from the original symbol space to the specific style space, and the collocation degree between the two items is calculated in the style space. Secondly, the forecast of commodity sales is very important to business decision, it helps merchants to make better management of manpower, material resources and storage and so on. The method based on time series analysis can only accurately predict those commodities whose sales change is obvious; although the traditional machine learning method can take more information into account through feature engineering, and then achieve higher accuracy. However, feature engineering limits the extensibility of the model. In this paper, we design a novel model, which can automatically extract valid features from the original structured temporal data by convolution neural network, and further utilize these features to predict the sales volume of goods. Finally, the validity of the proposed algorithm is verified on the real data set.
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18;TP311.13

【相似文獻】

相關期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡技術讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡來自于仿生學[J];物理;2001年10期

3 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡及其應用研究[J];計算機工程與應用;2004年21期

6 王凡,孟立凡;關于使用神經(jīng)網(wǎng)絡推定操作者疲勞的研究[J];人類工效學;2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：2198410