检索结果-南通市图书馆

作者：寇茜茜重庆工商大学

学位级别：硕士

伴随着互联网、云计算、物联网等技术的迅猛发展,网络的数据规模也在急剧增长,信息社会已经慢慢步入“大数据”时代。网络广告投放系统架构于大数据的基础上,系统利用机器学习对海量用户行为进行分析挖掘并向用户实时地推送合适的广告... 详细信息

伴随着互联网、云计算、物联网等技术的迅猛发展,网络的数据规模也在急剧增长,信息社会已经慢慢步入“大数据”时代。网络广告投放系统架构于大数据的基础上,系统利用机器学习对海量用户行为进行分析挖掘并向用户实时地推送合适的广告。点击率(Click Through Rate,ctr)预测是网络广告投放系统的核心技术,对于提升系统的运作效率意义重大。ctr的精准预测是制定科学的电子商务市场营销决策的关键,直接影响用户的网络体验,直接关系到互联网公司的运营成本。因此,ctr的预测具有很高的商业价值和研究价值。面对网络广告投放系统的高精准度和高时效的要求,本文从浅层学习和深度学习两个角度开展特征选择、特征学习、分类预测和应用技术研究。以网络广告真实的数据集为实验对象,分别构建浅层学习模型和深度学习模型。为了全面验证深度学习模型,本次研究通过多视角的综合对比实验来证实深度学习的巨大潜力。综合考虑,具体的研究工作主要包括以下五个方面:(1)开展数据处理和特征工程技术研究。从真实数据集出发探索研究类别不平衡性对预测模型的影响机理,不平衡数据的重采样技术。(2)针对数据特征的高度非线性特点,开展浅层学习和深度学习理论及应用技术对比研究。为了克服浅层模型对复杂问题学习能力受限问题,构建深度学习模型,实验通过算法实现证实了相对比浅层学习,深度学习的预测效果提升了约21%,具有很强的优势。(3)为消除类别不平衡对预测模型的影响,提出了一种深度神经网络(Deep Neural Network,DNN)的改进模型——SDNN(Deep Neural Network based on Sampling,SDNN)。基于GPU的并行计算,通过构建模型和实现算法验证了在不影响预测效果的同时,SDNN预测模型训练时间缩短了约73.28%,大幅度的提升了DNN的运算效率。针对系统的精准度和时效性的高要求,SDNN被证实是一种面向大数据更为高效的预测方法。(4)研究Sigmoid激活函数和Relu激活函数对DNN预测模型的影响机理。通过分别构建DNN和SDNN模型和算法的实现,证实了相对比Sigmoid激活函数,Relu激活函数更适合于层次较深的网络模型,基于Relu激活函数的DNN和SDNN更适合复杂问题的建模。(5)为了避免单一SDNN训练的局限性提升模型的泛化能力,开展关键参数dropout敏感性分析研究。

关键词： ctr预测计算广告浅层学习深度学习神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于DeepFM的深度兴趣因子分解机网络

引用

计算机科学 2021年第1期48卷 226-232页

作者：王瑞平贾真刘畅陈泽威李天瑞西南交通大学信息科学与技术学院成都611756

推荐系统能够根据用户的喜好从海量信息中筛选出其可能感兴趣的信息并进行排序展示。随着深度学习在多个研究领域取得了良好的效果,其也开始应用于推荐系统。目前基于深度学习的推荐排序算法常采用Embedding&MLP模式,只能获得高阶的特... 详细信息

推荐系统能够根据用户的喜好从海量信息中筛选出其可能感兴趣的信息并进行排序展示。随着深度学习在多个研究领域取得了良好的效果,其也开始应用于推荐系统。目前基于深度学习的推荐排序算法常采用Embedding&MLP模式,只能获得高阶的特征交互。为了解决该问题,DeepFM在上述模式中加入了因子分解机(Factorization Machine,FM),能够实现端到端的低阶与高阶特征交互学习,但其缺乏用户兴趣多样性的表示。鉴于此,通过将多头注意力机制引入DeepFM,提出了深度兴趣因子分解机网络(Deep Interest Factorization Machine Network,DIFMN)。DIFMN能够根据待推荐的不同物品自适应地学习用户表示,展示用户兴趣的多样性。此外,该模型根据用户历史行为的种类添加了喜好表征,从而不仅能够应用于只记录用户爱好的历史行为的任务,还可以处理同时记录用户喜欢与不喜欢的历史行为的任务。采用tensorflow-gpu进行算法的实现,在Amazon(Electronics)和movieLen-20m两个公开数据集上进行对比测试,实验表明所提算法相比DeepFM分别有17.70%和35.24%的RelaImpr提升,验证了其可行性与有效性。

关键词：推荐算法 DeepFM 多头注意力机制深度学习 ctr预测用户兴趣建模

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于FG_DRFwFm模型的深度推荐

引用

计算机应用研究 2021年第10期38卷 3030-3034页

作者：王杉文欧鸥张伟劲欧阳飞成都理工大学信息科学与技术学院(网络安全学院) 成都610051

近年来随着深度学习在多个领域取得了不错的效果,深度学习也开始应用在推荐系统,例如利用深度学习技术来捕捉高阶特征交互的NFM模型和DeepFM模型等。然而考虑到外部环境和内部感知的变化,用户的兴趣也应该随着时间动态的变化,且基于原... 详细信息

近年来随着深度学习在多个领域取得了不错的效果,深度学习也开始应用在推荐系统,例如利用深度学习技术来捕捉高阶特征交互的NFM模型和DeepFM模型等。然而考虑到外部环境和内部感知的变化,用户的兴趣也应该随着时间动态的变化,且基于原始特征进行组合不一定能学到有效特征交互。为此尝试构建一种新的模型FG_DRFwFm,该模型能学习多特征域低阶与高阶特征交互与处理用户长期兴趣变化,并且训练特征是根据原始特征构建出新特征并拼接后组成的,能更好地学习有效特征交互。最后该模型在MovieLens数据集上与多个先进的ctr算法进行推荐效果对比验证,实验结果证明提出的模型取得了更好的效果。

关键词：推荐算法深度学习特征拼接域加权因子分解机 ctr预测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多种策略的商品推荐系统研究与实现

基于多种策略的商品推荐系统研究与实现

引用

作者：朱彤西北农林科技大学

学位级别：硕士

电子商务的蓬勃发展为用户提供便利的同时也带来了信息过载的问题。推荐系统能够为用户筛选出少量其真正感兴趣的物品,缓解信息过载的问题。为同时兼顾效果和性能两个方面,一般会将整个推荐系统分为召回和排序两个阶段。其中召回阶段使... 详细信息

电子商务的蓬勃发展为用户提供便利的同时也带来了信息过载的问题。推荐系统能够为用户筛选出少量其真正感兴趣的物品,缓解信息过载的问题。为同时兼顾效果和性能两个方面,一般会将整个推荐系统分为召回和排序两个阶段。其中召回阶段使用简单模型,在线性时间内将系统中与用户相关的物品尽可能多的找回,形成召回候选集;而排序阶段则可以使用复杂模型,对召回候选集进行点击率预测和排序,提高最终推荐效果。综上所述,本研究构建了多路召回模型和融合自注意力机制的点击率预测模型(ACDeep FM),提升了推荐服务的性能和效果。最后设计并实现了商品个性化推荐系统。本研究实用性强,对提升用户体验、提高商家和平台的收益有重要意义。研究内容主要包括以下三个方面:(1)多路召回模型构建。针对传统召回模型召回方式单一,导致最终召回率较低的问题,本文构建了一种多路召回模型,该模型使用基于项目的协同过滤推荐、因子分解机算法和基于热度的推荐三种不同算法模型产生召回候选集,然后通过加权因子对每种策略的权重进行调节,形成最终召回列表后供后续模型使用。实验表明这些从不同角度设计的算法模型通过加权融合,保证了召回率接近理想的状态。(2)融合自注意力机制的商品点击率预测模型构建。现有点击率预测模型在对特征间交互关系进行建模形成组合特征时,大多忽略了特征间的内在相关性。为此本文提出了一种融合自注意力机制的商品点击率预测模型。该模型通过融合自注意力机制,对输入特征进行自适应的权重分配,再将输出结果与模型中的压缩交互网络模型、深度神经网络模型的输出结果进行拼接,经后续多层感知机层进一步学习出有意义的组合特征。在阿里天池移动推荐算法大赛数据集和Retailrocket两个公开数据集上实验表明,所提算法相对于极深因子分解机模型的AUC分别提升了0.7%和1.7%,证明了融合自注意力机制的商品点击率预测模型的有效性。(3)实现商品推荐系统。结合用户实际需求,将多路召回模型和融合自注意力机制的商品点击率预测模型应用在了商品推荐系统中。该系统基于Spring Boot和Mybatis框架开发,主要包括注册登录、用户行为收集及数据处理、推荐结果展示等模块。用户可以对系统中商品进行搜索、浏览、收藏、加入购物车、购买等操作,系统在对用户历史行为进行记录后,使用推荐模型进行分析处理,最后将经过模型筛选出的推荐商品列表返回给用户。

关键词：商品推荐深度学习 ctr预测因子分解机自注意力机制

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：