許多推薦應用場景會產(chǎn)生包含空間地理位置坐標的數(shù)據(jù),或著帶有時間戳、附著時序性的數(shù)據(jù),這些數(shù)據(jù)又與其服務形式息息相關,對于地理位置場景,比如旅游網(wǎng)站,其產(chǎn)品為旅行地點(以及服務),旅行地具有固有的空間屬性,即地圖經(jīng)緯度,居民出游常常優(yōu)先考慮出行距離,并作為首要檢索條件在網(wǎng)站搜尋目標,如:去外省還是近郊,國內還是國外?而游客出行歷史也會構成帶有不同位置屬性的軌跡日志,成為獨特的數(shù)據(jù)源。對于時序場景,比如在電商網(wǎng)站上的購物活動,會產(chǎn)生大量的以時間戳為序的瀏覽和消費日志,當消費者進人網(wǎng)站會話期時,推薦系統(tǒng)開始運作,需要短時間內預測用戶接下來想看的商品,而用戶興趣往往體現(xiàn)在瀏覽活動序列中。在這兩個領域的歷史數(shù)據(jù)中,時序和距離不是物品本身屬性,而是因為用戶與物品的交互活動動態(tài)形成的。傳統(tǒng)推薦領域對用戶和物品的挖掘集中在標簽、文本等形式的附加信息上,未充分將這兩個特征融合進算法并加以有效利用,但在諸如此類與實體經(jīng)濟相關領域,時間戳和空間位置信息與產(chǎn)品服務形式和質量密切相關,因此,在此些場景下,結合時空數(shù)據(jù)特征(地理位置特征或時間戳特征)為服務方設計更契合產(chǎn)品的推薦算法至關重要。我們在研究過程中,恰好遇...

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

圖２－１用戶－物品矩陣示例圖??

（Ｒａｔｉｎｇ?Ｐｒｅｄｉｃｔｉｏｎ）與Ｔｏｐ－Ｎ推薦（Ｉｔｅｍ??Ｒａｎｋｉｎｇ）。評分預測場景主要用于評價物品得分，比如觀眾給電影評多少分??（ＭｏｖｉｅＬｅｎｓ），或者讀者給書籍評價多少分（豆瓣讀書），在這種情況下，主??要是用矩陣分解技術。Ｔｏｐ－Ｎ推薦方案主要用于購物或....

圖１－２用戶－物品矩陣的分解??１、來源于數(shù)值計算的奇異值分解ＰｗｅＳＶＤ??提到矩陣分解，人們首先想到的是數(shù)值計算教材中經(jīng)典的奇異值分解??

山東大學碩士學位論文??ｍｍｍ?翻??！?’?－．潑．■＇灰，?’１，１戶特征隱向量ｐ?ｅ，ｘ／??用廣｜４?？?５…４??用２戶?５?？?２?？?．．．?３?＾??用ｒ…５?．．．?５、Ｈ靈??？＂？？？?ｉ??羅－＊、、?？■??３?？?．．．?１?＿?響響??Ｒ?Ｅ?Ｅｎｘ....

圖２－３?ＫＮＮ算法例子??

山東大學碩士學位論文??

圖２－４ＧＲＵ基本單元??ＧＲＵ

?山東大學碩士學位論文???信息。￥和同時作為輸入，ＧＲＵ會得到當前隱藏節(jié)點的輸出２＾以及進一??步傳遞的隱狀態(tài)該隱藏節(jié)點被稱為序列的記憶。??１－??ＩＩＩ?１１１??圖２－４ＧＲＵ基本單元??ＧＲＵ的內部結構??ＧＲＵ和ＬＳＴＭ都引入了門控機制來管理記憶或者說內存更新，首先，....

本文編號：4005632