隨著網(wǎng)絡(luò)信息的容量、復(fù)雜度和動態(tài)特性的不斷提高,推薦系統(tǒng)已經(jīng)成為克服信息過載的關(guān)鍵解決方案,被許多在線服務(wù)包括電子商務(wù)、在線新聞和社交媒體網(wǎng)站廣泛采用。其中個性化推薦系統(tǒng)的主要研究內(nèi)容是根據(jù)用戶過去的互動(例如,評論、評分和點(diǎn)擊)對用戶的偏好進(jìn)行建模。本文基于用戶行為的個性化推薦系統(tǒng),對相應(yīng)的推薦算法進(jìn)行了研究。主要研究工作如下:1)提出一種基于改進(jìn)word2vec的方法,實(shí)現(xiàn)用戶評論模型的構(gòu)建。本文對word2vec中skip-gram算法進(jìn)行改進(jìn),將投影層分為兩部分:一是實(shí)體,另一個是非實(shí)體,并將非實(shí)體添加到目標(biāo)實(shí)體的負(fù)抽樣中。通過對每個句子進(jìn)行迭代,實(shí)體被嵌入到實(shí)體向量空間中。使用改進(jìn)詞嵌入算法為用戶評論模型構(gòu)建,從而得到用戶和商品的分布式表征,并從該表征中推薦相似商品。2)提出一種基于用戶商品對的融合模型。首先對數(shù)據(jù)進(jìn)行預(yù)處理和分析,提取出用戶商品的特征,其次通過用戶特征和用戶行為對高潛用戶構(gòu)建模型,根據(jù)用戶商品行為的特征對用戶商品對建模,最后把用戶模型和用戶商品模型相結(jié)合,預(yù)測出用戶未來要購買的商品。3)基于神經(jīng)網(wǎng)絡(luò)的推薦算法。首先對有交互行為的用戶商品對進(jìn)行評分矩陣的構(gòu)建,...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1CBOW與Skip-Gram算法模型

本的分布式表征是自然語言處理（NLP）中的一組語言建模和特征學(xué)，也就是每個單詞在空間向量中的表示。其中，ThomasMikolov[22]用做語言模型，相比前饋神經(jīng)網(wǎng)絡(luò)，RNN能將更多的上下文考慮到模型隱藏層能夠囊括當(dāng)前詞的所有前序詞，并在文獻(xiàn)[23]中進(jìn)行改進(jìn)，無論是準(zhǔn)確率....

圖2-2特征處理總體架構(gòu)

零[53]。任何具有非零回歸系數(shù)的特征都是通性網(wǎng)絡(luò)正則化將LASSO的L1懲罰與嶺回歸數(shù)的組合分析來對所有特征進(jìn)行評分。另一用于支持向量機(jī)重復(fù)構(gòu)造模型和去除具有低[55]和包裹式方法復(fù)雜度[56]。圖2-2為特征處

圖2-3Spark數(shù)據(jù)處理架構(gòu)

圖2-2特征處理總體架構(gòu)平臺多迭代機(jī)器學(xué)習(xí)算法以及大規(guī)模數(shù)據(jù)密Spark具有其體系結(jié)構(gòu)基礎(chǔ)，最主要的部以一種容錯的方式進(jìn)行維護(hù)。可以自動會轉(zhuǎn)化型RDD格式。圖2-3為Spark的

圖3-1實(shí)體向量空間表示

分矩陣來進(jìn)行推薦，更多的依賴于用戶對商品的打分，而用戶的評論更能體現(xiàn)戶對商品的直觀喜愛度。基于詞嵌入的實(shí)體相似關(guān)系在機(jī)器學(xué)習(xí)算法中，通常需要將文本數(shù)據(jù)向量化，從而能對文本數(shù)據(jù)進(jìn)行計算。的詞袋模型并不能保存一個句子的完整性，基于詞嵌入的方法可以獲得句子序的上下文關(guān)系。例如已分好詞....

本文編號：3972387