结合时空数据特征的推荐算法研究

发布时间:2024-09-17 15:09
  许多推荐应用场景会产生包含空间地理位置坐标的数据,或着带有时间戳、附着时序性的数据,这些数据又与其服务形式息息相关,对于地理位置场景,比如旅游网站,其产品为旅行地点(以及服务),旅行地具有固有的空间属性,即地图经纬度,居民出游常常优先考虑出行距离,并作为首要检索条件在网站搜寻目标,如:去外省还是近郊,国内还是国外?而游客出行历史也会构成带有不同位置属性的轨迹日志,成为独特的数据源。对于时序场景,比如在电商网站上的购物活动,会产生大量的以时间戳为序的浏览和消费日志,当消费者进人网站会话期时,推荐系统开始运作,需要短时间内预测用户接下来想看的商品,而用户兴趣往往体现在浏览活动序列中。在这两个领域的历史数据中,时序和距离不是物品本身属性,而是因为用户与物品的交互活动动态形成的。传统推荐领域对用户和物品的挖掘集中在标签、文本等形式的附加信息上,未充分将这两个特征融合进算法并加以有效利用,但在诸如此类与实体经济相关领域,时间戳和空间位置信息与产品服务形式和质量密切相关,因此,在此些场景下,结合时空数据特征(地理位置特征或时间戳特征)为服务方设计更契合产品的推荐算法至关重要。我们在研究过程中,恰好遇...

【文章页数】:82 页

【学位级别】:硕士

【部分图文】:

图2-1用户-物品矩阵示例图??

图2-1用户-物品矩阵示例图??

(Rating?Prediction)与Top-N推荐(Item??Ranking)。评分预测场景主要用于评价物品得分,比如观众给电影评多少分??(MovieLens),或者读者给书籍评价多少分(豆瓣读书),在这种情况下,主??要是用矩阵分解技术。Top-N推荐方案主要用于购物或....


图1-2用户-物品矩阵的分解??1、来源于数值计算的奇异值分解PweSVD??提到矩阵分解,人们首先想到的是数值计算教材中经典的奇异值分解??

图1-2用户-物品矩阵的分解??1、来源于数值计算的奇异值分解PweSVD??提到矩阵分解,人们首先想到的是数值计算教材中经典的奇异值分解??

山东大学硕士学位论文??mmm?翻??!?’?-.潑.■'灰,?’1,1户特征隐向量p?e,x/??用广|4???5…4??用2户?5???2???...?3?^??用r…5?...?5、H靈???"????i??罗-*、、??■??3???...?1?_?響響??R?E?Enx....


图2-3?KNN算法例子??

图2-3?KNN算法例子??

山东大学硕士学位论文??


图2-4GRU基本单元??GRU

图2-4GRU基本单元??GRU

?山东大学硕士学位论文???信息。¥和同时作为输入,GRU会得到当前隐藏节点的输出2^以及进一??步传递的隐状态该隐藏节点被称为序列的记忆。??1-??III?111??图2-4GRU基本单元??GRU的内部结构??GRU和LSTM都引入了门控机制来管理记忆或者说内存更新,首先,....



本文编号:4005632

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/4005632.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户fe7dd***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com