【摘要】：近年來(lái),電子商務(wù)飛速發(fā)展,網(wǎng)絡(luò)購(gòu)物逐漸成為主要的消費(fèi)方式。消費(fèi)者享受便利的同時(shí),瀏覽時(shí)間長(zhǎng)、購(gòu)買轉(zhuǎn)換率低等問(wèn)題不斷涌現(xiàn)。為此,電子商務(wù)企業(yè)利用機(jī)器學(xué)習(xí)模型對(duì)消費(fèi)者行為進(jìn)行分析,構(gòu)建推薦系統(tǒng),得以精準(zhǔn)推薦商品。消費(fèi)者行為分析,對(duì)提高推薦系統(tǒng)的運(yùn)行效率,提升消費(fèi)者滿意度都有重大意義。面對(duì)推薦系統(tǒng)推薦精度高、用戶滿意度高和運(yùn)行時(shí)效高的要求,論文從數(shù)據(jù)處理、特征工程、分類預(yù)測(cè)模型和應(yīng)用前景方面細(xì)化研究?jī)?nèi)容。以消費(fèi)者行為數(shù)據(jù)為實(shí)驗(yàn)對(duì)象,分別構(gòu)建了傳統(tǒng)預(yù)測(cè)模型和深度學(xué)習(xí)模型。通過(guò)對(duì)比分析,證明了深度學(xué)習(xí)模型具有更大的學(xué)習(xí)潛力。綜上所述,論文主要研究工作如下:(1)消費(fèi)行為數(shù)據(jù)處理和特征工程研究。從數(shù)據(jù)處理流程出發(fā),重點(diǎn)研究了人工提取特征,特征預(yù)處理、特征選擇和不平衡數(shù)據(jù)的隨機(jī)采樣技術(shù)。(2)傳統(tǒng)模型的對(duì)比研究。論文構(gòu)建了Logistic回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)模型,三種模型的預(yù)測(cè)結(jié)果表明隨機(jī)森林具有更強(qiáng)的預(yù)測(cè)能力,但它在運(yùn)算中可能產(chǎn)生差異度小的樹,影響正確決策。Logistic回歸不適用于隨機(jī)性高、非線性數(shù)據(jù)預(yù)測(cè)問(wèn)題,而淺層神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中易陷入局部最小,傳統(tǒng)預(yù)測(cè)模型都只能學(xué)習(xí)淺層數(shù)據(jù)特征,因此預(yù)估效果普遍不好。(3)深度學(xué)習(xí)模型的研究。為提高預(yù)估的準(zhǔn)確率,學(xué)習(xí)數(shù)據(jù)更深層的特征,論文構(gòu)建了深度學(xué)習(xí)預(yù)估模型,實(shí)驗(yàn)證實(shí)了DNN模型較傳統(tǒng)模型效果提升10%,但DNN模型運(yùn)行速度慢,訓(xùn)練成本高。為解決此問(wèn)題,結(jié)合數(shù)據(jù)類別分布不平衡的特點(diǎn),提出了改進(jìn)模型rDNN,rDNN模型的訓(xùn)練時(shí)間達(dá)434.361秒,大大提升了DNN模型的運(yùn)算效率,使模型更符合推薦系統(tǒng)高時(shí)效性要求。(4)rDNN模型的優(yōu)化與應(yīng)用。分別研究了正負(fù)樣本比例、不同激活函數(shù)對(duì)模型有效性的影響,證實(shí)了正負(fù)樣本比例為3,激活函數(shù)為Relu函數(shù),隱藏層為3層時(shí),rDNN可以發(fā)揮出最大效用。另外,rDNN模型可以學(xué)習(xí)到消費(fèi)者行為規(guī)律,給出較為可靠的預(yù)測(cè)結(jié)果,有較高的應(yīng)用價(jià)值。
【學(xué)位授予單位】：重慶工商大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F713.55
【圖文】：

圖 4.7 rDNN 訓(xùn)練集迭代過(guò)程 圖 4.8 rDNN 驗(yàn)證集迭代過(guò)程根據(jù) rDNN 訓(xùn)練集和驗(yàn)證集迭代過(guò)程的圖像測(cè)試，當(dāng)?shù)螖?shù)達(dá)到 160 次時(shí)，下降較緩慢，模型得到良好的訓(xùn)練。綜上，通過(guò)基于 DNN 模型和改進(jìn)模型的實(shí)驗(yàn)結(jié)果對(duì)比，可以得到如下結(jié)論：（1）改進(jìn)模型 KmDNN、rDNN 模型效果較好于 DNN 模型，在構(gòu)建模型之前降低數(shù)據(jù)不平衡的比例，對(duì)模型的預(yù)測(cè)效果有較大的提升。（2）對(duì)比 DNN 與 3.5.2 中傳統(tǒng)分析預(yù)測(cè)模型，深度學(xué)習(xí)模型實(shí)驗(yàn)效果較好，更深層次的特征學(xué)習(xí)有利于模型產(chǎn)生更好的效果。（3）在消費(fèi)行為分析預(yù)測(cè)問(wèn)題中，rDNN模型的提出保留了原有 DNN自動(dòng)學(xué)習(xí)深層特征和抽象高層特征的能力，在此基礎(chǔ)上融入解決類別數(shù)據(jù)不平衡問(wèn)題的方法，減少數(shù)據(jù)量，減輕 DNN訓(xùn)練負(fù)擔(dān)，具有更好的實(shí)用性。4.4 本章小結(jié)

圖 4.7 rDNN 訓(xùn)練集迭代過(guò)程 圖 4.8 rDNN 驗(yàn)證集迭代過(guò)程根據(jù) rDNN 訓(xùn)練集和驗(yàn)證集迭代過(guò)程的圖像測(cè)試，當(dāng)?shù)螖?shù)達(dá)到 160 次時(shí)，下降較緩慢，模型得到良好的訓(xùn)練。綜上，通過(guò)基于 DNN 模型和改進(jìn)模型的實(shí)驗(yàn)結(jié)果對(duì)比，可以得到如下結(jié)論：（1）改進(jìn)模型 KmDNN、rDNN 模型效果較好于 DNN 模型，在構(gòu)建模型之前降低數(shù)據(jù)不平衡的比例，對(duì)模型的預(yù)測(cè)效果有較大的提升。（2）對(duì)比 DNN 與 3.5.2 中傳統(tǒng)分析預(yù)測(cè)模型，深度學(xué)習(xí)模型實(shí)驗(yàn)效果較好，更深層次的特征學(xué)習(xí)有利于模型產(chǎn)生更好的效果。（3）在消費(fèi)行為分析預(yù)測(cè)問(wèn)題中，rDNN模型的提出保留了原有 DNN自動(dòng)學(xué)習(xí)深層特征和抽象高層特征的能力，在此基礎(chǔ)上融入解決類別數(shù)據(jù)不平衡問(wèn)題的方法，減少數(shù)據(jù)量，減輕 DNN訓(xùn)練負(fù)擔(dān)，具有更好的實(shí)用性。4.4 本章小結(jié)

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王永周;鄧燕;;基于大數(shù)據(jù)預(yù)測(cè)的消費(fèi)者購(gòu)買決策行為分析[J];商業(yè)經(jīng)濟(jì)研究;2016年23期

2 奚雪峰;周國(guó)棟;;面向自然語(yǔ)言處理的深度學(xué)習(xí)研究[J];自動(dòng)化學(xué)報(bào);2016年10期

3 劉萬(wàn)軍;梁雪劍;曲海成;;不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能研究[J];中國(guó)圖象圖形學(xué)報(bào);2016年09期

4 宋濤;王星;;基于二次聚類和隱馬爾可夫鏈的持卡消費(fèi)行為預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用;2016年07期

5 張蕾;章毅;;大數(shù)據(jù)分析的無(wú)限深度神經(jīng)網(wǎng)絡(luò)方法[J];計(jì)算機(jī)研究與發(fā)展;2016年01期

6 張志強(qiáng);周永;謝曉芹;潘海為;;基于特征學(xué)習(xí)的廣告點(diǎn)擊率預(yù)估技術(shù)研究[J];計(jì)算機(jī)學(xué)報(bào);2016年04期

7 王山海;景新幸;楊海燕;;基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的孤立詞語(yǔ)音識(shí)別的研究[J];計(jì)算機(jī)應(yīng)用研究;2015年08期

8 杜剛;黃震宇;;大數(shù)據(jù)環(huán)境下客戶購(gòu)買行為預(yù)測(cè)[J];管理現(xiàn)代化;2015年01期

9 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)應(yīng)用研究;2014年07期

10 董宇蔚;蔡世民;尚明生;;電子商務(wù)中人類活動(dòng)的標(biāo)度行為實(shí)證研究[J];物理學(xué)報(bào);2013年02期

相關(guān)碩士學(xué)位論文 前5條

1 馬姝;基于數(shù)據(jù)挖掘的消費(fèi)者購(gòu)買預(yù)測(cè)的研究[D];云南財(cái)經(jīng)大學(xué);2016年

2 顧海斌;基于大規(guī)模電商數(shù)據(jù)的用戶消費(fèi)行為分析方法研究[D];吉林大學(xué);2016年

3 鄒潤(rùn);基于模型組合算法的用戶個(gè)性化推薦研究[D];南京大學(xué);2014年

4 楊瓊;數(shù)據(jù)挖掘在客戶消費(fèi)行為中的應(yīng)用研究[D];南華大學(xué);2013年

5 楊銳;基于交叉熵的序列事件周期性檢測(cè)及應(yīng)用研究[D];電子科技大學(xué);2013年

本文編號(hào)：2712578