隨著互聯(lián)網(wǎng)行業(yè)的快速發(fā)展,人們越加頻繁的進(jìn)行網(wǎng)絡(luò)活動。網(wǎng)絡(luò)電視、在線音樂等互聯(lián)網(wǎng)平臺的用戶數(shù)量迅速增長,因此也產(chǎn)生了大量包含時序信息的用戶數(shù)據(jù)。這些數(shù)據(jù)中往往蘊含著用戶的興趣或習(xí)慣,企業(yè)能夠以此挖掘用戶行為模式,并為用戶提供更便利的個性化服務(wù)。因此,如何利用用戶時序點播數(shù)據(jù)對用戶進(jìn)行推薦,是推薦系統(tǒng)的一個熱點問題。用戶時序行為挖掘面臨以下幾個重要挑戰(zhàn):1)節(jié)目特征存在著高維性和稀疏性的問題,如何對大量的數(shù)據(jù)進(jìn)行建模是其中的一個挑戰(zhàn)。2)用戶興趣不是固定的,而是隨時間改變的,如何有效的捕獲用戶行為的動態(tài)偏好是用戶時序行為挖掘的另一個挑戰(zhàn)。3)用戶活躍行為在時間上不是均勻分布的,如何降低活躍行為分布不均衡帶來的影響,是用戶時序行為挖掘的又一個重要挑戰(zhàn)。針對現(xiàn)有用戶時序行為挖掘算法面臨的挑戰(zhàn),本文基于Word2Vec的思想,提出了一種基于嵌入學(xué)習(xí)的動態(tài)推薦模型(Dynamic Recommendation based on Embedding Learning,簡稱DREL),主要工作是:1)針對節(jié)目特征的高維性和稀疏性等難題,利用嵌入學(xué)習(xí)思想將節(jié)目特征向量映射到低維向量空間。通過這種方式,不...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1中國網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普及率

研究背景及意義隨著“互聯(lián)網(wǎng)+”時代的到來，人們的生活習(xí)慣不斷地發(fā)生著變化，網(wǎng)絡(luò)活動替了線下活動，在方便了人們的同時，也帶動了社會經(jīng)濟的發(fā)展。根據(jù)C的《第40次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》[1]顯示，截止2017年6月民規(guī)模已經(jīng)超過7億，互聯(lián)網(wǎng)普及率已經(jīng)超過5....

圖2-1Sigmoid函數(shù)Figure2-1SigmoidFunction

介紹本文中涉及到的相關(guān)理論的預(yù)備知識，包括Sigmoid函數(shù)、So夫曼樹和隨機梯度下降法。第二部分介紹協(xié)同過濾技術(shù)，包括基于的協(xié)同過濾算法。第三部分介紹低維嵌入學(xué)習(xí)技術(shù)，包括神經(jīng)網(wǎng)絡(luò)2vec技術(shù)等。關(guān)理論預(yù)備知識Sigmoid函數(shù)moid函數(shù)是一種具有“S”形曲線的數(shù)....

圖2-3神經(jīng)概率語言模型

由公式2.15可看出，計算()的參數(shù)空間太大，時間復(fù)雜度太高，難以直接計算，一種可行的計算方法是使用n-gram進(jìn)行近似計算。n-gram是一種基于馬爾科夫假設(shè)的算法，假設(shè)一個詞出現(xiàn)的概率只與其前面n-1個詞有關(guān)，與其他單詞無關(guān)。即：(....

圖2-4CBOW和Skip-gram模型

圖2-4CBOW和Skip-gram模型[34]Figure2-4CBOWandSkip-grammodel[34]CBOW模型的訓(xùn)練目標(biāo)是在句子中，根據(jù)上下文來預(yù)測中心詞。該語言模是某目標(biāo)詞的上下文的詞對應(yīng)的詞向量，輸出是該目標(biāo)詞的詞向量。其目化對數(shù)似然函....

本文編號：4053806