本文關(guān)鍵詞：基于模型組合算法的用戶個性化推薦研究

  更多相關(guān)文章： 用戶購物行為 決策樹 隨機(jī)森林 梯度漸進(jìn)回歸樹

【摘要】：隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,電子商務(wù)的迅猛發(fā)展,網(wǎng)絡(luò)購物行為已經(jīng)越來越普遍,國內(nèi)外的電子商務(wù)公司也從平臺時代真正走向數(shù)據(jù)時代,走向個性化推薦時代。對于B2C這種電子商務(wù)形式,平臺上的商品品牌數(shù)目紛繁復(fù)雜。用戶每日在網(wǎng)絡(luò)上的操作行為成指數(shù)增長,如何從龐大的數(shù)據(jù)中為用戶進(jìn)行個性化推薦,如何進(jìn)行客戶關(guān)系管理以及購物行為預(yù)測受到研究者的重視。 本文主要研究基于模型組合的機(jī)器學(xué)習(xí)方法以預(yù)測用戶的購買行為。針對基于用戶在天貓網(wǎng)站的購物行為數(shù)據(jù)庫,提取用戶品牌的相關(guān)特征,采用隨機(jī)森林和iGBDT (initial Gradient Boost Decision Tree)模型組合的機(jī)器學(xué)習(xí)的算法,預(yù)測用戶在下一個月的購買行為。 論文首先介紹特征的設(shè)計(jì)過程,利用對購物行為的分析設(shè)計(jì)出具有廣度的特征,優(yōu)化加工,利用隨機(jī)森林算法對每個特征進(jìn)行重要性評估,對特征進(jìn)行加工,優(yōu)化和完善。由于特征間相關(guān)程度較強(qiáng),所以采用決策樹這種非線性的分類算法。由于決策樹存在容易過擬合等缺點(diǎn),本文采用模型組合的方式,即隨機(jī)森林和梯度采樣(gradient boost)模型結(jié)合決策樹的方法,可以有效地利用本文提取的特征,得到較好的實(shí)驗(yàn)效果。并在此基礎(chǔ)上分析兩種算法的優(yōu)劣性能。
【關(guān)鍵詞】：用戶購物行為 決策樹 隨機(jī)森林 梯度漸進(jìn)回歸樹
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-10
• 第一章 緒論10-16
• 1.1 基于用戶網(wǎng)絡(luò)購物行為的預(yù)測推薦領(lǐng)域的研究背景和意義10-11
• 1.2 推薦預(yù)測領(lǐng)域的算法研究11-12
• 1.3 論文研究的主要思路和內(nèi)容12-16
• 第二章 數(shù)據(jù)預(yù)處理和特征設(shè)計(jì)16-20
• 2.1 原始數(shù)據(jù)16
• 2.2 數(shù)據(jù)預(yù)處理16-17
• 2.3 數(shù)據(jù)特征設(shè)計(jì)與提取17-18
• 2.4 本章小結(jié)18-20
• 第三章 隨機(jī)森林和梯度漸進(jìn)回歸樹算法的研究與介紹20-32
• 3.1 隨機(jī)森林算法20-24
• 3.1.1 決策樹算法20-22
• 3.1.2 算法的隨機(jī)的特性22-23
• 3.1.3 隨機(jī)森林算法的生長23-24
• 3.1.4 隨機(jī)森林算法的分類生長24
• 3.2 梯度迭代決策樹算法(Gradient Boosting Decision Tree)24-29
• 3.2.1 梯度漸進(jìn)回歸樹(Gradient boosting)介紹25-29
• 3.3 初始化的梯度漸進(jìn)回歸樹算法(initialized Gradient Boosting Deci-sion tree)29
• 3.4 本章小結(jié)29-32
• 第四章 實(shí)驗(yàn)結(jié)果與分析32-50
• 4.1 實(shí)驗(yàn)工具與平臺介紹32
• 4.2 實(shí)驗(yàn)過程32-34
• 4.3 實(shí)驗(yàn)結(jié)果以及訓(xùn)練模型的評估34-36
• 4.4 隨機(jī)森林的實(shí)驗(yàn)結(jié)果36-39
• 4.4.1 抽樣數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果36-39
• 4.4.2 大數(shù)據(jù)的實(shí)驗(yàn)結(jié)果39
• 4.5 梯度漸進(jìn)回歸樹的實(shí)驗(yàn)結(jié)果39-45
• 4.5.1 抽樣數(shù)據(jù)的實(shí)驗(yàn)結(jié)果39-43
• 4.5.2 大數(shù)據(jù)的實(shí)驗(yàn)結(jié)果43-45
• 4.6 隨機(jī)森林和GBRT的實(shí)驗(yàn)結(jié)果對比與分析45-50
• 第五章 總結(jié)與展望50-52
• 5.1 工作總結(jié)與創(chuàng)新50
• 5.2 工作展望50-52
• 參考文獻(xiàn)52-56
• 致謝56-57

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉足華;熊惠霖;;基于隨機(jī)森林的目標(biāo)檢測與定位[J];計(jì)算機(jī)工程;2012年13期

2 董師師;黃哲學(xué);;隨機(jī)森林理論淺析[J];集成技術(shù);2013年01期

3 王象剛;;基于K均值隨機(jī)森林快速算法及入侵檢測中的應(yīng)用[J];科技通報(bào);2013年08期

4 陳姝;彭小寧;;基于粒子濾波和在線隨機(jī)森林分類的目標(biāo)跟蹤[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

5 羅知林;陳挺;蔡皖東;;一個基于隨機(jī)森林的微博轉(zhuǎn)發(fā)預(yù)測算法[J];計(jì)算機(jī)科學(xué);2014年04期

6 王麗婷;丁曉青;方馳;;基于隨機(jī)森林的人臉關(guān)鍵點(diǎn)精確定位方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

7 李建更;高志坤;;隨機(jī)森林針對小樣本數(shù)據(jù)類權(quán)重設(shè)置[J];計(jì)算機(jī)工程與應(yīng)用;2009年26期

8 張建;武東英;劉慧生;;基于隨機(jī)森林的流量分類方法[J];信息工程大學(xué)學(xué)報(bào);2012年05期

9 吳華芹;;基于訓(xùn)練集劃分的隨機(jī)森林算法[J];科技通報(bào);2013年10期

10 張華偉;王明文;甘麗新;;基于隨機(jī)森林的文本分類模型研究[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2006年03期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測中的應(yīng)用[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達(dá)數(shù)據(jù)分析的隨機(jī)森林方法及算法改進(jìn)[A];黑龍江省第十次統(tǒng)計(jì)科學(xué)討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機(jī)森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學(xué)會第29屆學(xué)術(shù)年會摘要集——第19分會：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉�(gòu)效關(guān)系研究[A];第十一屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機(jī)森林回歸分析方法及在代謝組學(xué)中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機(jī)森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應(yīng)用[A];第八屆全國轉(zhuǎn)子動力學(xué)學(xué)術(shù)討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計(jì)算(機(jī))化學(xué)學(xué)術(shù)會議論文摘要集[C];2009年

8 張旺;范麗s，

本文編號：1027901