隨著網(wǎng)絡(luò)時(shí)代的到來,互聯(lián)網(wǎng)技術(shù)不斷更替,層出不窮的軟件應(yīng)用使得網(wǎng)絡(luò)上的信息越來越多。如何運(yùn)用好這些信息成為了各大公司需要研究和討論的重要問題,用戶回歸時(shí)間預(yù)測(cè)就是其中的一個(gè)重要方向。高效且準(zhǔn)確的預(yù)測(cè)可以幫助公司及時(shí)采取有效的措施去挽留可能流失的客戶,并對(duì)近期可能會(huì)有購(gòu)買意愿的用戶進(jìn)行有針對(duì)性地推薦,達(dá)到最大化利潤(rùn)的目的。在學(xué)術(shù)界,用戶回歸時(shí)間預(yù)測(cè)也成為了許多專家學(xué)者研究的課題之一。目前常見方法主要分為兩類,分別是基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于點(diǎn)過程的方法�；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的方法并沒有考慮到數(shù)據(jù)發(fā)生的先后關(guān)系,而將該問題認(rèn)為是普通的分類或回歸問題,正是由于在建模時(shí)缺乏對(duì)事件發(fā)生先后順序這一信息的考慮,導(dǎo)致該類方法的預(yù)測(cè)準(zhǔn)確性普遍不高。第二類方法是基于點(diǎn)過程的方法。點(diǎn)過程是一類用于時(shí)間序列建模的常見方法,該方法的核心是對(duì)條件強(qiáng)度函數(shù)進(jìn)行建模,如泊松點(diǎn)過程和Hawkes過程等都是常見的點(diǎn)過程方法。泊松點(diǎn)過程是一種較為簡(jiǎn)單的方法,而Hawkes過程則在泊松點(diǎn)過程的基礎(chǔ)上考慮了歷史事件在當(dāng)前時(shí)刻的影響,但絕大多數(shù)方法卻都忽略了除時(shí)間之外其他特征對(duì)用戶回歸時(shí)間的影響�；谝陨系氖聦�(shí)考慮,本文開展了如... 

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

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

貝葉斯網(wǎng)絡(luò)示意圖

第三章影響回歸時(shí)間的因素建模19而言，其主營(yíng)菜式的風(fēng)格，也就決定了其可能吸引到的食客。與之類似，生活中人們的選擇無一不會(huì)參考自己的愛好，所以，本文考慮將用戶的偏好因素引入到模型中以提升回歸時(shí)間預(yù)測(cè)的準(zhǔn)確性。近些年來，用戶偏好因素[65-66]已經(jīng)被廣泛應(yīng)用于用戶行為建模中。如在個(gè)性化推薦領(lǐng)域的矩陣分解算法。在數(shù)學(xué)領(lǐng)域，矩陣分解算法是一種將原始矩陣分解成為多個(gè)子矩陣的乘積的算法。常見的分解方法有奇異值分解[67,68,69]（SingularValueDecomposition,SVD）、正交矩陣分解（QRDecomposition）等。其中正交矩陣分解是將原矩陣分解為一個(gè)上三角矩陣與一個(gè)半正交矩陣的乘積；奇異值分解方法是將矩陣分解為一個(gè)對(duì)角矩陣與兩個(gè)正交矩陣。當(dāng)然，這些方法需要對(duì)矩陣進(jìn)行填充，導(dǎo)致算法的時(shí)間復(fù)雜度增大，因此并不適用于數(shù)據(jù)量特別大的情況。圖3-1矩陣分解示意圖為了追求更快的訓(xùn)練速度，在個(gè)性化推薦領(lǐng)域談到的矩陣分解方法是一種“低秩近似”的方法。其認(rèn)為用戶的偏好和商品的屬性僅受有限的因素影響，如商品的顏色、價(jià)格、質(zhì)量、包裝等，如圖3-1所示，將用戶對(duì)商品的評(píng)分矩陣看成是用戶偏好矩陣和商品屬性矩陣的乘積，通過訓(xùn)練得到兩個(gè)矩陣之后，便可以預(yù)測(cè)出用戶未購(gòu)買商品的評(píng)分。

電子科技大學(xué)碩士學(xué)位論文20圖3-2偏好因素建模示意圖如圖3-2所示，本文在構(gòu)建用戶偏好因素時(shí)借鑒了矩陣分解的方式，即將用戶偏好因素拆分成了兩個(gè)部分的乘積，分別為用戶的偏好向量和商品的屬性向量，公式如（3-1）所示：()=(3-1)其中是用戶u對(duì)各種商品特征的喜好程度，是一個(gè)k維向量，服從均勻分布。則是商品的屬性，也是一個(gè)k維向量，向量的每一個(gè)維度都是一個(gè)隨機(jī)變量，也服從均勻分布，兩向量點(diǎn)乘的結(jié)果則表示用戶u對(duì)商品o的傾向程度。3.2.2價(jià)格因素除開自身的偏好因素之外，商品的價(jià)格也是影響用戶購(gòu)買行為的重要因素。眾所周知，價(jià)格是商品在進(jìn)行貨幣交換時(shí)衡量商品價(jià)值的數(shù)據(jù)。對(duì)于用戶而言，在購(gòu)買商品之前都會(huì)有一個(gè)心里的預(yù)期價(jià)格，當(dāng)商品的價(jià)格高于用戶的期望值時(shí)，用戶對(duì)該商品的購(gòu)買欲望將會(huì)下降，而當(dāng)商品的價(jià)格低于用戶的期望時(shí)，用戶對(duì)該商品的購(gòu)買欲望將會(huì)增大。近些年，價(jià)格因素被越來越多的應(yīng)用于建模和研究當(dāng)中，價(jià)格因素如何影響用戶的購(gòu)買行為也一直是心理學(xué)和經(jīng)濟(jì)學(xué)上的重要研究課題。在推薦系統(tǒng)和用戶行為建模領(lǐng)域，價(jià)格因素得到了廣泛的應(yīng)用，也有許多考慮了價(jià)格因素的混合推薦系統(tǒng)應(yīng)運(yùn)而生，將價(jià)格因素有關(guān)的特征應(yīng)用在了用戶行為建模當(dāng)中。在這些方法中，有很大一部分是基于特征的方法，即把價(jià)格因素認(rèn)為是一種商品的附加特征，如文獻(xiàn)[70-71]使用上下文感知框架和混合推薦系統(tǒng)來引入的價(jià)格因素的，除開直接使用

【參考文獻(xiàn)】：
期刊論文
[1]用戶畫像在用戶價(jià)值提升中的研究與應(yīng)用[J]. 施曉光.  移動(dòng)通信. 2019(04)
[2]美元指數(shù)與原油價(jià)格暴漲暴跌的交互刺激研究[J]. 馬勇,潘冬濤,曾兆祥.  財(cái)經(jīng)理論與實(shí)踐. 2018(06)
[3]基于Hawkes因子模型的股價(jià)共同跳躍研究[J]. 劉志東,鄭雪飛.  中國(guó)管理科學(xué). 2018(07)
[4]基于python+pandas的數(shù)據(jù)分析處理應(yīng)用[J]. 何春燕,王超宇.  數(shù)碼世界. 2018(07)
[5]基于Eclipse RCP的銀行柜面軟件架構(gòu)可擴(kuò)展性的研究[J]. 劉艷.  軟件. 2018(05)
[6]基于對(duì)數(shù)運(yùn)算的Sigmoid函數(shù)的研究與實(shí)現(xiàn)[J]. 圣飛,陰亞芳,秦晨蕊,張凱.  微電子學(xué)與計(jì)算機(jī). 2018(02)
[7]明星效應(yīng)與中國(guó)電影票房的實(shí)證研究[J]. 郭新茹,黃舒沁.  現(xiàn)代傳播(中國(guó)傳媒大學(xué)學(xué)報(bào)). 2017(12)
[8]“共享充電寶”市場(chǎng)升溫[J]. 馮曉霞.  光彩. 2017(05)
[9]國(guó)人共享單車使用情況調(diào)查[J]. 薛強(qiáng).  金融博覽(財(cái)富). 2017(01)
[10]基于買賣強(qiáng)度的交易策略及其實(shí)證分析[J]. 田祎佳,宋斌,劉冰.  價(jià)值工程. 2014(28)

碩士論文
[1]用戶購(gòu)買行為的建模與預(yù)測(cè)[D]. 陳軍華.電子科技大學(xué) 2018
[2]基于個(gè)人興趣的用戶偏好建模[D]. 李肇明.云南大學(xué) 2013



本文編號(hào)：3056727