近年來,基于地理位置的服務受到越來越多關注,方便了用戶生活。相關平臺也記錄了大量的用戶行為數(shù)據(jù),這些信息體現(xiàn)了用戶的生活習慣、行為模式、性格特征等。充分利用線上商家信息和用戶行為數(shù)據(jù),對用戶線下行為進行預測和推薦,不僅能夠提高用戶滿意度,而且方便服務提供者提升服務質量和吸引新用戶,提高商業(yè)效益。本文研究用戶行為的多因素關聯(lián)學習和預測問題,面臨諸多挑戰(zhàn)。首先,用戶行為數(shù)據(jù)中包含很多噪音,需要從群體行為中分析和挖掘個體的興趣偏好。其次,用戶行為受到外界因素和用戶內在需求的共同影響,具有動態(tài)性、隨機性等特點。最后,用戶行為中的時間、地點、行為類型等多個因素之間相互影響,各個因素又體現(xiàn)了用戶需求的不同側面,難以在統(tǒng)一的模型中建模各行為因素之間的關系。針對以上挑戰(zhàn),本文利用真實的用戶時空行為數(shù)據(jù)集,從具體的場景深入研究。本文主要工作如下:（1）提出了面向用戶行為的多因素聯(lián)合表示學習模型。根據(jù)時空關聯(lián)的用戶行為特點,在相同的隱式空間中建模用戶、地點、行為類型等因素的表示向量,通過群體行為數(shù)據(jù)學習地點的功能特性和空間特征。針對用戶行為序列中的時間間隔散亂性問題,考慮用戶行為中的周期特征,提出時間模式... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
主要符號表
第1章 緒論
    1.1 問題背景
    1.2 問題和挑戰(zhàn)
    1.3 本文貢獻
    1.4 論文組織結構
第2章 國內外研究現(xiàn)狀
    2.1 用戶移動行為預測和推薦
        2.1.1 基于個體歷史行為的地點預測
        2.1.2 基于群體行為的協(xié)同預測
    2.2 基于電商平臺的在線消費預測
    2.3 基于用戶網(wǎng)絡行為的事件序列預測
第3章 多行為因素的聯(lián)合表示學習
    3.1 表示學習原理
    3.2 用戶行為因素和關聯(lián)關系表示學習框架
    3.3 表示學習的目標函數(shù)
        3.3.1 地點功能驅動的用戶和行為關系建模
        3.3.2 周期特征建模和地點關聯(lián)關系學習
        3.3.3 基于行為序列的地點相關性建模
        3.3.4 聯(lián)合目標函數(shù)
    3.4 優(yōu)化學習算法
    3.5 數(shù)據(jù)集
        3.5.1 數(shù)據(jù)集統(tǒng)計
        3.5.2 用戶行為模式分析
    3.6 模型的語義理解
    3.7 小結
第4章 基于行為向量的多因素聯(lián)合預測
    4.1 問題定義
    4.2 多行為因素聯(lián)合預測模型
        4.2.1 地點主導的概率模型
        4.2.2 基于注意力機制的神經(jīng)網(wǎng)絡模型
    4.3 對比方法和評估指標
    4.4 實驗結果分析
        4.4.1 多因素聯(lián)合預測
        4.4.2 行為因素單獨預測
        4.4.3 參數(shù)設定對性能的影響
        4.4.4 使用注意力機制的模型效果比較
        4.4.5 表示學習的有效性討論
    4.5 小結
第5章 結論與展望
    5.1 結論
    5.2 展望
參考文獻
致謝
攻讀碩士學位期間參與科研項目
攻讀碩士學位期間完成論文
學位論文評閱及答辯情況表


【參考文獻】：
期刊論文
[1]移動推薦系統(tǒng)及其應用[J]. 孟祥武,胡勛,王立才,張玉潔.  軟件學報. 2013(01)



本文編號：3484497