面向时序点播数据的用户行为预测

发布时间：2025-06-27 04:25

　　随着互联网行业的快速发展,人们越加频繁的进行网络活动。网络电视、在线音乐等互联网平台的用户数量迅速增长,因此也产生了大量包含时序信息的用户数据。这些数据中往往蕴含着用户的兴趣或习惯,企业能够以此挖掘用户行为模式,并为用户提供更便利的个性化服务。因此,如何利用用户时序点播数据对用户进行推荐,是推荐系统的一个热点问题。用户时序行为挖掘面临以下几个重要挑战:1)节目特征存在着高维性和稀疏性的问题,如何对大量的数据进行建模是其中的一个挑战。2)用户兴趣不是固定的,而是随时间改变的,如何有效的捕获用户行为的动态偏好是用户时序行为挖掘的另一个挑战。3)用户活跃行为在时间上不是均匀分布的,如何降低活跃行为分布不均衡带来的影响,是用户时序行为挖掘的又一个重要挑战。针对现有用户时序行为挖掘算法面临的挑战,本文基于Word2Vec的思想,提出了一种基于嵌入学习的动态推荐模型(Dynamic Recommendation based on Embedding Learning,简称DREL),主要工作是:1)针对节目特征的高维性和稀疏性等难题,利用嵌入学习思想将节目特征向量映射到低维向量空间。通过这种方式,不...

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图1-1中国网民规模和互联网普及率

研究背景及意义随着“互联网+”时代的到来，人们的生活习惯不断地发生着变化，网络活动替了线下活动，在方便了人们的同时，也带动了社会经济的发展。根据C的《第40次中国互联网络发展状况统计报告》[1]显示，截止2017年6月民规模已经超过7亿，互联网普及率已经超过5....

图2-1Sigmoid函数Figure2-1SigmoidFunction

介绍本文中涉及到的相关理论的预备知识，包括Sigmoid函数、So夫曼树和随机梯度下降法。第二部分介绍协同过滤技术，包括基于的协同过滤算法。第三部分介绍低维嵌入学习技术，包括神经网络2vec技术等。关理论预备知识Sigmoid函数moid函数是一种具有“S”形曲线的数....

图2-3神经概率语言模型

由公式2.15可看出，计算()的参数空间太大，时间复杂度太高，难以直接计算，一种可行的计算方法是使用n-gram进行近似计算。n-gram是一种基于马尔科夫假设的算法，假设一个词出现的概率只与其前面n-1个词有关，与其他单词无关。即：(....

图2-4CBOW和Skip-gram模型

图2-4CBOW和Skip-gram模型[34]Figure2-4CBOWandSkip-grammodel[34]CBOW模型的训练目标是在句子中，根据上下文来预测中心词。该语言模是某目标词的上下文的词对应的词向量，输出是该目标词的词向量。其目化对数似然函....

本文编号：4053806