電子商務(wù)是集計(jì)算機(jī)科學(xué)、市場營銷學(xué)、管理學(xué)、法學(xué)和現(xiàn)代物流于一體的新型交叉學(xué)科。經(jīng)過多年的發(fā)展,目前我國電子商務(wù)的發(fā)展速度有目共睹,已經(jīng)成為全球電子商務(wù)的領(lǐng)跑者。伴隨著電子商務(wù)的快速發(fā)展和電子商務(wù)平臺數(shù)量的快速增加,電子商務(wù)信息日益豐富,網(wǎng)頁數(shù)量也出現(xiàn)爆炸式增長,使得廣大用戶在進(jìn)行商品選購時(shí)“信息迷失”現(xiàn)象越發(fā)嚴(yán)重,集中表現(xiàn)為消費(fèi)者在不同電商平臺之間進(jìn)行商品比選的困難�；谏鲜霰尘�,近年來,關(guān)于跨平臺電子商務(wù)信息檢索與智能推薦系統(tǒng)的社會需求日益強(qiáng)烈�？缙脚_電子商務(wù)信息檢索與智能推薦系統(tǒng)的構(gòu)建涉及異構(gòu)電子商務(wù)平臺數(shù)據(jù)的實(shí)時(shí)在線爬取、信息重構(gòu)和基于用戶選擇偏好的智能化商品推薦等多項(xiàng)技術(shù)。綜合國內(nèi)外相關(guān)領(lǐng)域的研究進(jìn)展,本文以多個電商平臺的手機(jī)銷售網(wǎng)頁作為研究實(shí)例,以如何實(shí)現(xiàn)跨電商平臺手機(jī)銷售信息搜索和智能推薦為重點(diǎn),圍繞主題信息抽取和智能推薦等關(guān)鍵技術(shù)進(jìn)行了相關(guān)研究,主要研究內(nèi)容和研究成果如下:（1）針對跨平臺商品信息提取問題,本文利用基于關(guān)鍵詞加權(quán)的Shark-PageRank算法確定主題網(wǎng)頁隊(duì)列,在此過程中通過加入動態(tài)主題庫生成的方法來描述主題,使得主題爬蟲的查準(zhǔn)率較Shark-Page... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２主題網(wǎng)絡(luò)爬蟲流程圖??Ｆｉｇ．?２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｔｈｅ?ｔｏｐｉｃ?ｗｅｂ?ｃｒａｗｌｅｒ??

的效果較差，因?yàn)椋吣??型在訓(xùn)練過程中，距離當(dāng)前節(jié)點(diǎn)較遠(yuǎn)的節(jié)點(diǎn)對當(dāng)前節(jié)點(diǎn)隱含層的影響力會變小，造成長??距離依賴問題，同時(shí)長距離的輸入也會造成梯度爆炸問題。??２．?３．?２長短時(shí)記憶網(wǎng)絡(luò)??針對ＲＮＮ訓(xùn)練過程中出現(xiàn)的長距離依賴和梯度爆炸問題，Ｈｏｃｈｒｅｉｔｅｒ等人［５１］提出了??長短時(shí)記憶網(wǎng)絡(luò)（Ｌｏｎｇ?ｓｈｏｒｔ?ｔｅｒｍ?ｍｅｍｏｒｙ，?ＬＳＴＭ）。??＇?？??—?Ｑ?Ｉ??＇１?‘＇?Ｃｔａｎ＇ｈ＾??ｈ，．，，巧牟尹ＬＬｉｗ??Ｖ?）??？??圖２．５?ＬＳＴＭ的單元結(jié)構(gòu)圖??Ｆｉｇ．?２．５?ＬＳＴＭ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??－１６－??

?電子商務(wù)信息跨平臺檢索與智能推薦技術(shù)研究???簡化了?ＬＳＴＭ的結(jié)構(gòu)，使得結(jié)構(gòu)更加簡單。具體結(jié)構(gòu)圖如圖２．６所示：??ｈｔ?‘??ｈ?／?：?＾?＼??？＂ｎ—＜ｐ—Ｊ?－??ｈｆｉ??Ｖ，?Ｊ?Ｑ＾ｈ）??ｕ－?■?ＴＪ??？??圖２．６?ＧＲＵ網(wǎng)絡(luò)細(xì)胞單元結(jié)構(gòu)??Ｆｉｇ．?２．６?ＧＲＵ?ｎｅｔｗｏｒｋ?ｃｅｌｌ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ??在圖２．６中，ｚ，和ｒ，分別表示更新門和重置門。更新門用于控制前一時(shí)刻的狀態(tài)信??息被帶入到當(dāng)前狀態(tài)中的程度，更新門的值越大說明前一時(shí)刻的狀態(tài)信息帶入越多。重??置門控制前一狀態(tài)有多少信息被寫入到當(dāng)前的候選集＆上，重置門越小，前一狀態(tài)的信??息被寫入的越少。ｆ時(shí)刻，ＧＲＵ單元內(nèi)部的計(jì)算過程如（２．１２）?－?（２．１５）所示：??ｒｔ＾ａ｛ＷｒＸｔ＋Ｕｒｈ，＿ｘ＋ｂｒ）?（２．１２）??ｚｔ＝ａ｛ＷｚＸｔ＋Ｕｚｈｔ＿ｘ＋ｂ２）?（２．１３）??ｈｔ?＝?ｔａｎｈ（ＷＸｌ?＋ｒｆＷｚ，＿１：＋６）?（２．１４）??ｈ，?＾（＼－ｚｔ）ｈ，?＋２，／ｚ（＿，?（２．１５）??ＧＲＵ的結(jié)構(gòu)相較于ＬＳＴＭ更加簡單，所以在模型的訓(xùn)練過程中，訓(xùn)練所用時(shí)間較??短，但是，在進(jìn)行長序列信息的捕獲過程中ＬＳＴＭ的效率比ＧＲＵ的效率更高［５４］，所以，??本文選用ＬＳＴＭ來學(xué)習(xí)文本序列特征。??２．?３．?４注意力機(jī)制??注意力（Ａｔｔｅｎｔｉｏｎ）機(jī)制最早是在計(jì)算機(jī)視覺領(lǐng)域提出的［５２］。注意力機(jī)制最早在自??然語言處理領(lǐng)域的應(yīng)用是用來完成機(jī)器翻譯任務(wù)［５３］。隨后，注意力機(jī)制被廣泛地與各種??循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等模型融合來處理的自然語言處理領(lǐng)域的任務(wù)。

【參考文獻(xiàn)】：
期刊論文
[1]面向雙注意力網(wǎng)絡(luò)的特定方面情感分析模型[J]. 孫小婉,王英,王鑫,孫玉東.  計(jì)算機(jī)研究與發(fā)展. 2019(11)
[2]CNNIC發(fā)布第44次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[J]. 于朝暉.  網(wǎng)信軍民融合. 2019(09)
[3]基于方面級的餐廳用戶評論細(xì)粒度情感分析[J]. 袁丁,章劍林,吳廣建.  軟件. 2019(08)
[4]基于主題挖掘技術(shù)的文本情感分析綜述[J]. 朱曉霞,宋嘉欣,張曉緹.  情報(bào)理論與實(shí)踐. 2019(11)
[5]融合位置權(quán)重的基于注意力交叉注意力的長短期記憶方面情感分析模型[J]. 武婷,曹春萍.  計(jì)算機(jī)應(yīng)用. 2019(08)
[6]文本情感分析方法研究綜述[J]. 洪巍,李敏.  計(jì)算機(jī)工程與科學(xué). 2019(04)
[7]基于注意力機(jī)制的微博情感分析[J]. 周瑛,劉越,蔡俊.  情報(bào)理論與實(shí)踐. 2018(03)
[8]面向圖書主題的爬蟲算法研究[J]. 張莉婧,曾慶濤,李業(yè)麗,孫華艷,字云飛.  計(jì)算機(jī)科學(xué). 2017(S2)
[9]基于語義樹與VSM的主題爬取策略研究[J]. 張金,倪曉軍.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(11)
[10]基于KNN分類算法的主題網(wǎng)絡(luò)爬蟲[J]. 李宏志,宋婕.  宜賓學(xué)院學(xué)報(bào). 2017(12)

博士論文
[1]細(xì)粒度文本情感分析問題研究[D]. 楊駿.南京大學(xué) 2019
[2]提取商品特征和情感詞的語義約束LDA模型研究[D]. 彭云.江西財(cái)經(jīng)大學(xué) 2016

碩士論文
[1]基于注意力機(jī)制及深度學(xué)習(xí)的文本情感分析研究[D]. 梁寧.華北電力大學(xué) 2019
[2]基于深度學(xué)習(xí)的商品細(xì)粒度意見挖掘[D]. 宋玉.電子科技大學(xué) 2019
[3]基于注意力機(jī)制的方面級別情感分類算法研究[D]. 張海濱.電子科技大學(xué) 2019
[4]面向商品的垂直搜索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 王海濤.北京交通大學(xué) 2018
[5]主題搜索及其關(guān)鍵算法的研究[D]. 呂鑫.西安電子科技大學(xué) 2018
[6]融合Bi-LSTM和文本信息的對象級情感分析[D]. 鮑豪.北京交通大學(xué) 2018
[7]主題網(wǎng)絡(luò)爬蟲的并行化研究與設(shè)計(jì)[D]. 王錦陽.西南石油大學(xué) 2017
[8]基于深度特征提取的文本情感極性分類研究[D]. 田竹.山東大學(xué) 2017
[9]面向主題的多線程網(wǎng)絡(luò)爬蟲的設(shè)計(jì)與實(shí)現(xiàn)[D]. 蔡光波.西北民族大學(xué) 2017
[10]網(wǎng)絡(luò)商品評論細(xì)粒度情感分析系統(tǒng)關(guān)鍵技術(shù)研究[D]. 王朝輝.大連海事大學(xué) 2017



本文編號：3341039