發(fā)布時間：2024-09-17 15:09

　　許多推薦應(yīng)用場景會產(chǎn)生包含空間地理位置坐標(biāo)的數(shù)據(jù),或著帶有時間戳、附著時序性的數(shù)據(jù),這些數(shù)據(jù)又與其服務(wù)形式息息相關(guān),對于地理位置場景,比如旅游網(wǎng)站,其產(chǎn)品為旅行地點(diǎn)(以及服務(wù)),旅行地具有固有的空間屬性,即地圖經(jīng)緯度,居民出游常常優(yōu)先考慮出行距離,并作為首要檢索條件在網(wǎng)站搜尋目標(biāo),如:去外省還是近郊,國內(nèi)還是國外?而游客出行歷史也會構(gòu)成帶有不同位置屬性的軌跡日志,成為獨(dú)特的數(shù)據(jù)源。對于時序場景,比如在電商網(wǎng)站上的購物活動,會產(chǎn)生大量的以時間戳為序的瀏覽和消費(fèi)日志,當(dāng)消費(fèi)者進(jìn)人網(wǎng)站會話期時,推薦系統(tǒng)開始運(yùn)作,需要短時間內(nèi)預(yù)測用戶接下來想看的商品,而用戶興趣往往體現(xiàn)在瀏覽活動序列中。在這兩個領(lǐng)域的歷史數(shù)據(jù)中,時序和距離不是物品本身屬性,而是因?yàn)橛脩襞c物品的交互活動動態(tài)形成的。傳統(tǒng)推薦領(lǐng)域?qū)τ脩艉臀锲返耐诰蚣�中在�?biāo)簽、文本等形式的附加信息上,未充分將這兩個特征融合進(jìn)算法并加以有效利用,但在諸如此類與實(shí)體經(jīng)濟(jì)相關(guān)領(lǐng)域,時間戳和空間位置信息與產(chǎn)品服務(wù)形式和質(zhì)量密切相關(guān),因此,在此些場景下,結(jié)合時空數(shù)據(jù)特征(地理位置特征或時間戳特征)為服務(wù)方設(shè)計更契合產(chǎn)品的推薦算法至關(guān)重要。我們在研究過程中,恰好遇...

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１用戶－物品矩陣示例圖??

（Ｒａｔｉｎｇ?Ｐｒｅｄｉｃｔｉｏｎ）與Ｔｏｐ－Ｎ推薦（Ｉｔｅｍ??Ｒａｎｋｉｎｇ）。評分預(yù)測場景主要用于評價物品得分，比如觀眾給電影評多少分??（ＭｏｖｉｅＬｅｎｓ），或者讀者給書籍評價多少分（豆瓣讀書），在這種情況下，主??要是用矩陣分解技術(shù)。Ｔｏｐ－Ｎ推薦方案主要用于購物或....

圖１－２用戶－物品矩陣的分解??１、來源于數(shù)值計算的奇異值分解ＰｗｅＳＶＤ??提到矩陣分解，人們首先想到的是數(shù)值計算教材中經(jīng)典的奇異值分解??

山東大學(xué)碩士學(xué)位論文??ｍｍｍ?翻??！?’?－．潑．■＇灰，?’１，１戶特征隱向量ｐ?ｅ，ｘ／??用廣｜４?？?５…４??用２戶?５?？?２?？?．．．?３?＾??用ｒ…５?．．．?５、Ｈ靈??？＂？？？?ｉ??羅－＊、、?？■??３?？?．．．?１?＿?響響??Ｒ?Ｅ?Ｅｎｘ....

圖２－３?ＫＮＮ算法例子??

山東大學(xué)碩士學(xué)位論文??

圖２－４ＧＲＵ基本單元??ＧＲＵ

?山東大學(xué)碩士學(xué)位論文???信息。￥和同時作為輸入，ＧＲＵ會得到當(dāng)前隱藏節(jié)點(diǎn)的輸出２＾以及進(jìn)一??步傳遞的隱狀態(tài)該隱藏節(jié)點(diǎn)被稱為序列的記憶。??１－??ＩＩＩ?１１１??圖２－４ＧＲＵ基本單元??ＧＲＵ的內(nèi)部結(jié)構(gòu)??ＧＲＵ和ＬＳＴＭ都引入了門控機(jī)制來管理記憶或者說內(nèi)存更新，首先，....

本文編號：4005632