检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于矩阵分解和deepfm的跨域推荐算法

基于矩阵分解和DeepFM的跨域推荐算法

作者：周铭瀚哈尔滨工程大学

学位级别：硕士

随着机器学习技术的进步,推荐算法已融入到生活的各个方面,能够根据用户历史数据分析预测用户喜好,从而快速从海量信息中抽取用户感兴趣的信息。但单域推荐算法只能根据单一平台收集的数据为用户推荐,长时间会陷入固定门类中无法跳出。... 详细信息

随着机器学习技术的进步,推荐算法已融入到生活的各个方面,能够根据用户历史数据分析预测用户喜好,从而快速从海量信息中抽取用户感兴趣的信息。但单域推荐算法只能根据单一平台收集的数据为用户推荐,长时间会陷入固定门类中无法跳出。跨域推荐算法的出现缓解了该问题,将其它平台的相同用户数据作为辅助域,对模型的预测精度进行优化。矩阵分解作为跨域推荐算法的主流技术之一,目前已取得了大量成果。然而,当前矩阵分解算法分解出的潜在因子存在无意义的负数评分,对模型的参数拟合存在干扰,且分解速度较慢。此外,跨域推荐算法需要如何更优地融合不同本质属性的数据集也存在着优化空间。因此,本文从推荐系统中的矩阵分解和跨域推荐两方面进行研究,论文的主要工作如下:首先,提出了一种非负稀疏矩阵分解算法RENMF。针对矩阵分解算法存在的负数干扰问题,通过引入激活函数ReLU改进了传统的潜在因子分解算法,利用修正线性单元的非线性激活函数保证了矩阵分解的非负约束。同时,针对矩阵分解算法分解大规模矩阵时收敛速度较慢的问题,充分利用ReLU函数求导快速的特性与数值近似方法进一步提高了算法收敛速度。其次,提出了一种基于矩阵分解和deepfm的跨域推荐算法RDF-CDR。针对跨域推荐算法的融合辅助域的问题,通过特征向量扩展方法实现了对不同本质的辅助域属性和目标域属性的特征对齐与数据集融合。同时,针对跨域推荐算法的预测准确率优化的问题,融合了提出的RENMF模型与经典的deepfm模型,通过神经网络学习高阶非线性交叉特征保证了较高预测准确率,且算法的计算耗时较少。

关键词：矩阵分解跨域推荐非负约束辅助域 deepfm

融合LightGBM和deepfm的多业务系统个性化推荐模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合LightGBM和DeepFM的多业务系统个性化推荐模型研究

作者：戚庆厚临沂大学

学位级别：硕士

随着我国政务大数据平台和数字政府建设和发展,政务大数据平台多业务系统的信息过载问题愈发凸显,政务大数据平台需要更有效地利用积累的用户历史行为数据,以实现对用户可能需要的政务服务进行精准预估,进而提高政务多业务系统的实用性... 详细信息

随着我国政务大数据平台和数字政府建设和发展,政务大数据平台多业务系统的信息过载问题愈发凸显,政务大数据平台需要更有效地利用积累的用户历史行为数据,以实现对用户可能需要的政务服务进行精准预估,进而提高政务多业务系统的实用性、便捷性。因此,重视、解决其中的信息过载问题对于我国政务大数据的发展有着重要的意义。然而,在政务大数据平台利用点击率预估模型预估用户可能需要的政务服务时,存在诸多难题,主要表现为以下三点:第一,模型的点击率预估模型鲁棒性差,准确性有待提高;第二,模型空间消耗大,处理数据时容易产生数据维度爆炸现象;第三,模型主要服务于在线广告的点击率预估,不能适合政务大数据平台多业务系统场景的需要。本文以政务大数据平台多业务系统个性化推荐需要为背景,分析政务多业务系统的实际特点,提出一种准确性高、鲁棒性强的融合LightGBM和deepfm点击率预估模型LGDF,用于预估用户点击某项政务服务的概率。本文主要从以下三个方面展开:1.针对政务大数据平台情景的数据特点,本文提出的LGDF在LightGBM与deepfm算法的基础上进行改进,在不删除原有数据的前提下,提出将LightGBM产生的整型叶子值向量与原始数据行拼接的方式,创新模型间的数据使用方式。与传统方法相比,这种数据使用方法降低了数据维度,节省了内存空间,提高了模型的预估效率和准确性。2.在模型实验部分,使用点击率预估模型常用的性能评估公开数据集Criteo来训练并验证模型的准确性。对数据集合理的预处理后,通过对模型设置不同超参数,查看不同参数值对模型的影响,并最终获得最优超参数和最优模型性能。为了确认模型的准确性,将本文提出的LGDF模型与传统的主流点击率预估模型比较,结果显示本文提出的LGDF模型AUC值和Log Loss值表现较好。3.在本文提出的预测算法的基础上设计并实现一个个性化业务模拟推荐原型系统,该系统集成了模型参数设置、模型训练过程可视化和效果评估、展示预测结果等功能,研究论证本文所提模型对业务推荐的可行性和有效性。

关键词： LightGBM deepfm LGDF 政务大数据平台多业务系统个性化推荐

基于deepfm算法的短视频直播平台的设计与实现

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算法的短视频直播平台的设计与实现

作者：乔丽萍北京交通大学

学位级别：硕士

随着5G时代到来,掀起了一场在线化、网络化、智能化的信息革命。在这个全新的信息时代,移动互联网用户不断增长,新型信息传输方式和营销模式不断涌现,短视频直播平台在这场变革中应运而生。为了紧跟时代步伐,多渠道推广企业文化、企业... 详细信息

随着5G时代到来,掀起了一场在线化、网络化、智能化的信息革命。在这个全新的信息时代,移动互联网用户不断增长,新型信息传输方式和营销模式不断涌现,短视频直播平台在这场变革中应运而生。为了紧跟时代步伐,多渠道推广企业文化、企业服务、企业产品及抓住自有流量,实现流量变现,企业自有短视频直播平台应运而生。该系统根据企业需求,结合智能推荐算法精准高效地为用户推送短视频,引导用户了解企业及其相关产品。本论文依据软件工程中软件开发流程,对项目背景及国内外现状进行分析,了解并确定该项目可行性及研发方向。依据此方向依次展开了技术选型、系统需求分析、系统概要设计、系统详细设计与实现、系统测试及项目总结与展望。项目在整体上分为两大板块:短视频直播平台服务端、短视频直播平台客户端。系统服务端主要分为短视频管理、直播管理、企业员工管理和系统管理,实现了企业对平台整体数据管理。系统客户端采用分频道模式向用户推送短视频,为了达到千人千面的推送效果,采用Deep FM推荐算法实现智能推荐。模型训练数据来源于抖音数据集,推荐数据处理采用Lambda架构整合离线计算和实时计算两部分,通过前端埋点,使用Flume收集日志数据,将用户行为数据存储到HDFS。离线部分采用收集到的用户行为进行用户画像构建、视频画像构建、离线视频召回及排序模型训练。实时在线部分使用Kafka对接Flume收集用户行为消息队列,通过Spark Streaming实时处理Kafka发送来的点击日志,实现实时更新特征及召回集。论文中所涉及到的短视频直播平台已上线使用,运行稳定,可用性达到了预期效果,同时具有良好的安全性和可维护性。该项目为企业拓宽了商业渠道,实现了自有流量商业变现,同时为企业提供了一个良好的企业文化宣传平台,为企业的发展添砖加瓦。

关键词：短视频智能推荐 deepfm 流量变现

基于改进deepfm的互联网消费金融风控研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进DeepFM的互联网消费金融风控研究

作者：刘孝鹏西南财经大学

学位级别：硕士

消费是经济稳定增长的“压舱石”,是拉动经济增长的“三驾马车”之一,而消费金融则是释放内需潜力,促进居民消费的重要抓手。基于消费金融的重要意义,各类金融机构也开始积极地拓展消费金融业务以促进消费市场的发展和满足消费需求的变... 详细信息

消费是经济稳定增长的“压舱石”,是拉动经济增长的“三驾马车”之一,而消费金融则是释放内需潜力,促进居民消费的重要抓手。基于消费金融的重要意义,各类金融机构也开始积极地拓展消费金融业务以促进消费市场的发展和满足消费需求的变化。在当今大数据时代背景下,互联网消费金融业务凭借其高效、精准、实时、低成本等优点快速成长,但在迅速发展的同时也涌现出不少风险和挑战。由于互联网相关业务都是通过线上处理,具有不透明性,同时个人征信系统也存在不完善的情况,借款人的信用风险较高,因此提高信贷风控模型的预测能力成为构建信贷风控体系的重点。从用户的行为数据提取复杂的交互特征,以便挖掘出更多有效信息是提升预测效果的关键。用户特征一般是高维且稀疏的,特征之间的组合关系并不明显,传统的信贷模型无法通过算法实现特征之间的自动组合,需要在特征工程阶段根据经验手动构造交互特征,但是手动构造复杂的交互特征不仅需要消耗大量的人力且不能保证构造出的特征的有效性。最初被应用于点击率预估的Deep FM模型能够通过模型特性自动进行特征交互。但是,该模型存在低阶交互特征提取不够完备且只能学习隐式的高阶特征组合等问题。本文在Deep FM模型的基础上进行改进并提出了AMDFM模型,相比Deep FM,该模型在提取低阶特征交互时引入了注意力机制来学习不同组合特征的权重,在高阶特征交互方面引入多头自注意力机制模块,使模型不仅可以学习隐式的高阶特征组合,还可以学习显式的高阶特征组合,提高了模型的预测能力。本文主要基于Lending Club数据集,对提出的AMDFM模型进行实证研究。从模型超参数影响、模型性能、模型可解释性以及特征交互层模块消融实验等多个方面证明本文所提模型的有效性。综上,本文构建了一种基于改进Deep FM的信贷风控模型。根据挖掘交互特征的思想,通过在模型的特征交互层,引入传统注意力机制改进低阶特征交互模块,引入多头自注意力机制丰富高阶特征提取,增强了模型对于交互特征的学习能力,使模型获得了更好的预测性能。

关键词：消费金融特征交互 deepfm 多头自注意力机制

基于deepfm和XGBoost融合模型的静脉血栓预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机系统应用 2022年第9期31卷 376-381页

作者：李莉谢超吴迪江苏大学计算机科学与通信工程学院镇江212013

外周穿刺置入中心静脉导管(PICC)技术被广泛运用于中长期静脉治疗.在PICC置管时会导致各种并发症和不良反应,如PICC相关性血栓.随着机器学习和深度神经网络的不断发展与完善,为PICC相关性血栓的辅助诊断提供了基于临床医学数据的解决方... 详细信息

外周穿刺置入中心静脉导管(PICC)技术被广泛运用于中长期静脉治疗.在PICC置管时会导致各种并发症和不良反应,如PICC相关性血栓.随着机器学习和深度神经网络的不断发展与完善,为PICC相关性血栓的辅助诊断提供了基于临床医学数据的解决方法.本文构建了基于deepfm和XGBoost的融合模型,针对稀疏数据进行特征融合并能降低过拟合的情况,能够对PICC相关性血栓提供风险预测.实验结果表明,融合模型能够有效地对PICC相关性血栓进行特征重要性提取并预测患病概率,辅助临床在外周穿刺置过程中识别血栓高危风险因素,及时进行干预从而预防血栓的发生.

关键词：机器学习血栓预测 deepfm XGBoost 模型融合预测模型深度学习

融合LDA主题和Doc2vec算法的deepfm模型的推荐算法研究

在线全文

学校读者我要写书评

暂无评论

电视技术 2022年第4期46卷 47-53页

作者：刘伦珲吴丽萍昆明理工大学信息工程与自动化学院云南昆明650500

如今,有很多辅助决策算法在日常生活的各个方面为人们推荐个性化内容或产品。本文以医疗信息推荐作为案例,研究提出一种融合狄利克雷分配(Latent Dirichlet Allocation,LDA)主题模型和Doc2vec算法的deepfm模型。该模型能够挖掘评论文本... 详细信息

如今,有很多辅助决策算法在日常生活的各个方面为人们推荐个性化内容或产品。本文以医疗信息推荐作为案例,研究提出一种融合狄利克雷分配(Latent Dirichlet Allocation,LDA)主题模型和Doc2vec算法的deepfm模型。该模型能够挖掘评论文本中的隐藏主题和隐藏特征并考虑隐藏特征的交叉情况,能够在保留评论文本表层信息的同时学习数据中的浅层和深层特征。本文将该模型与之前的模型在真实的数据上进行实验对比。实验结果表明,相较于现存模型,该模型的推荐准确率有了一定的提高。

关键词：推荐系统 LDA主题模型 Doc2vec deepfm

基于融合深度兴趣进化单元的deepfm边缘主动缓存模型研究

在线全文

学校读者我要写书评

暂无评论

化工自动化及仪表 2022年第6期49卷 738-745,799页

作者：刘伦珲吴丽萍昆明理工大学信息工程与自动化学院

进入5G时代,数据流量激增,给现有的无线网络通信体系结构和技术带来了挑战。相较于追求更有效率的频谱或布署更多基站的方法而言,边缘主动缓存技术通过拉近请求内容与用户之间的距离,减少请求内容在通信网络中传输的代价消耗,使用户获... 详细信息

进入5G时代,数据流量激增,给现有的无线网络通信体系结构和技术带来了挑战。相较于追求更有效率的频谱或布署更多基站的方法而言,边缘主动缓存技术通过拉近请求内容与用户之间的距离,减少请求内容在通信网络中传输的代价消耗,使用户获得更快的响应速度,提高了用户体验。但受限于边缘基站缓存空间及用户请求内容的多样性,边缘主动缓存内容的精确度以及用户的体验还有很大的提升空间,因此提出一种融合深度兴趣进化单元的deepfm边缘缓存策略,利用兴趣进化单元对用户兴趣变化过程建模,挖掘用户隐藏状态,最后通过deepfm模型对用户高阶特征及交叉特征影响情况进行学习,最终获得符合用户兴趣偏好的未来可能请求的缓存内容集合。实验表明:该方法能够有效减少网络拥塞并提高用户的使用体验度。

关键词：边缘主动缓存通信网络深度兴趣进化网络 deepfm 代价消耗网络拥塞回程负载

在线全文

学校读者我要写书评

暂无评论

基于deepfm的校准游戏推荐系统研究

广播电视网络 2022年第3期29卷 116-120页

作者：侯晓慧邹凯文许新楷张永爱周雄图福州大学

针对传统推荐模型只能提取低阶特征,不能挖掘高阶组合特征,且推荐结果往往没有考虑到Bias的问题,本文提出一种适用于游戏推荐场景的基于deepfm的校准游戏推荐方法。此方法充分发挥了deepfm能够挖掘低阶和高阶特征的能力,利用Steam平台... 详细信息

针对传统推荐模型只能提取低阶特征,不能挖掘高阶组合特征,且推荐结果往往没有考虑到Bias的问题,本文提出一种适用于游戏推荐场景的基于deepfm的校准游戏推荐方法。此方法充分发挥了deepfm能够挖掘低阶和高阶特征的能力,利用Steam平台的数据集训练优化模型,并进行了测试验证,同时还运用校准推荐对结果进行去偏得到最后的推荐列表。测试结果表明,改进优化后的推荐模型具有更好的表现,评测指标AUC值相较对比模型提高了3%~4%,经过校准的推荐列表更加拟合用户交互。

关键词：推荐系统 deepfm 校准推荐

在线全文

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

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