近年來,電子商務逐漸成長為一種日漸成熟的商務模式,整體體量在日益不斷擴大,系統(tǒng)中的商品規(guī)模、種類也在日益增加,用戶在使用過程中往往會出現(xiàn)信息超載問題。為了有效地解決這個問題,其中一個效果顯著的解決方案就是推薦系統(tǒng),在推薦系統(tǒng)中主要是通過分析系統(tǒng)中存儲的用戶歷史購買數(shù)據(jù),依據(jù)用戶在興趣愛好、關注領域、消費水平等方面的不同,向用戶產(chǎn)生個性化推薦。在現(xiàn)如今已有的用戶個性化推薦算法的研究中,多是以靜態(tài)推薦為主,如基于商品內(nèi)容,矩陣填充等技術。在這些經(jīng)典推薦算法模型中往往忽略用戶行為數(shù)據(jù)中的時序信息。在現(xiàn)實生活中,隨著時間的推進,用戶的喜好是不斷演化的,所以傳統(tǒng)的推薦算法模型在刻畫用戶喜好的動態(tài)演化方面將有所限制,而在部分考慮時序信息的工作中通常伴隨數(shù)據(jù)稀疏等影響推薦算法效果的問題。針對上述問題,本文將從利用時序信息的角度出發(fā),來考量分析通過用戶歷史行為數(shù)據(jù)中所體現(xiàn)出來的用戶喜好,分別提出基于用戶喜好在時間相關性方面的時序推薦算法ATC-CF和時序信息在下一個購物籃推薦應用場景下的LAGCN算法。在實驗中,分別將這兩種算法模型與傳統(tǒng)的推薦算法模型應用于真實的推薦數(shù)據(jù)集中,對用戶產(chǎn)生推薦預測,并對... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦算法
        1.2.2 基于時序信息的推薦算法
    1.3 研究內(nèi)容及主要貢獻
    1.4 本文的結構組織與章節(jié)安排
第二章 推薦算法相關理論以及研究現(xiàn)狀
    2.1 傳統(tǒng)推薦算法以及相關理論
        2.1.1 傳統(tǒng)推薦算法介紹
            2.1.1.1 基于關聯(lián)規(guī)則的推薦算法
            2.1.1.2 基于內(nèi)容的推薦算法
            2.1.1.3 協(xié)同過濾
            2.1.1.4 基于模型的推薦算法
            2.1.1.5 混合推薦算法
    2.2 矩陣分解算法介紹
    2.3 屬性網(wǎng)絡介紹
        2.3.1 屬性網(wǎng)絡的定義
        2.3.2 屬性網(wǎng)絡的表征
    2.4 時序推薦算法理論介紹
        2.4.1 基于張量分解的推薦算法
        2.4.2 基于馬爾科夫鏈的推薦算法
        2.4.3 基于時間衰減的時序推薦算法
        2.4.4 基于深度學習模型的時序推薦算法
    2.5 下一個購物籃推薦介紹
    2.6 本章總結
第三章 基于時間相關性的時序推薦算法
    3.1 問題描述
    3.2 基于時間相關性的時序推薦算法
        3.2.1 時間相關性分析
        3.2.2 增強型用戶商品矩陣構建
        3.2.3 矩陣分解及優(yōu)化求解
    3.3 實驗設計
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 對比算法
        3.3.3 實驗平臺以及實驗設置
        3.3.4 實驗評價指標
        3.3.5 實驗結果與分析
    3.4 本章總結
第四章 基于商品表征與用戶喜好演化的下一個購物籃推薦
    4.1 購物籃序列數(shù)據(jù)特征以及推薦任務
    4.2 基于購物籃表征與用戶興趣演化的下一個購物籃推薦模型
        4.2.1 商品表征學習
            4.2.1.1 基于商品相關性的商品表征
            4.2.1.2 商品表征的聯(lián)合學習
        4.2.2 用戶動態(tài)喜好演化學習
            4.2.2.1 購物籃序列表征
            4.2.2.2 用戶動態(tài)喜好學習模型:LGCN
            4.2.2.3 模型優(yōu)化
            4.2.2.4 基于注意力機制的用戶動態(tài)喜好學習模型:LAGCN
            4.2.2.5 基于注意力機制的用戶靜態(tài)喜好學習模型:AGCN
    4.3 實驗設計
        4.3.1 實驗數(shù)據(jù)集
        4.3.2 實驗平臺以及實驗設置
        4.3.3 評價指標
        4.3.4 算法對比
        4.3.5 實驗結果與分析
        4.3.6 實驗擴展
    4.4 本章總結
第五章 總結和展望
    5.1 本文總結
    5.2 未來工作展望
致謝
參考文獻
攻碩期間取得的研究成果


【參考文獻】：
期刊論文
[1]基于改進貝葉斯概率模型的推薦算法[J]. 劉付勇,高賢強,張著.  計算機科學. 2017(05)
[2]一種融合協(xié)同過濾和內(nèi)容過濾的混合推薦方法[J]. 高虎明,趙鳳躍.  現(xiàn)代圖書情報技術. 2015(06)
[3]基于時序行為的協(xié)同過濾推薦算法[J]. 孫光福,吳樂,劉淇,朱琛,陳恩紅.  軟件學報. 2013(11)
[4]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應用. 2012(07)



本文編號：3091440