版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著信息技術(shù)以及通信技術(shù)的迅猛發(fā)展,每天都會(huì)有海量的用戶行為數(shù)據(jù)產(chǎn)生,比如新浪上發(fā)送的微博,蘋(píng)果APP里下載的應(yīng)用、淘寶賣(mài)出的商品、人人網(wǎng)上發(fā)生的訪問(wèn)、百度產(chǎn)生的搜索查詢等等。人類(lèi)行為可以通過(guò)數(shù)據(jù)分析予以預(yù)測(cè),但是如何在這些用戶行為數(shù)據(jù)信息中找到商機(jī)?又如何給用戶推薦個(gè)性化的服務(wù)?基于用戶行為數(shù)據(jù)的挖掘技術(shù)迫切需要深入地研究。數(shù)據(jù)挖掘技術(shù)可以挖掘出隱藏的潛在知識(shí)模式,為人們獲取所需的知識(shí)信息并決策提供幫助。
矩陣分解模型是一種
2、基于隱藏特征向量的方法,可以有效地利用海量的用戶交互信息數(shù)據(jù)。多任務(wù)學(xué)習(xí)可以通過(guò)學(xué)習(xí)多個(gè)任務(wù)間的共享結(jié)構(gòu)和每個(gè)任務(wù)之間的差別,可以很好的提升挖掘技術(shù)的性能。鑒于此,本文主要提出了一種基于用戶行為數(shù)據(jù)的挖掘方法,很好地融合了矩陣分解技術(shù)和多任務(wù)學(xué)習(xí)技術(shù)的優(yōu)點(diǎn),適合處理海量的用戶行為數(shù)據(jù)。
本文的主要工作包括一下三個(gè)方面:
第一,本文首先提出的基于用戶行為數(shù)據(jù)的線性挖掘方法MF_MTL模型,這個(gè)模型巧妙地融合了用戶已有的
3、靜態(tài)屬性和用戶與物品的動(dòng)態(tài)評(píng)分矩陣分解得到的隱變量特征,然后結(jié)合多任務(wù)學(xué)習(xí)技術(shù)的優(yōu)勢(shì),共同預(yù)測(cè)目標(biāo)變量。一般情況下,用戶行為數(shù)據(jù)不僅是高維而且還是高度稀疏的,基于這類(lèi)數(shù)據(jù)上的個(gè)性化推薦算法中,矩陣分解模型的效果是最出類(lèi)拔萃的。所以,本文提出的模型在方法上采取了矩陣分解和多任務(wù)學(xué)習(xí)的優(yōu)勢(shì),同時(shí)在數(shù)據(jù)方面有效地融合了用戶個(gè)人信息和用戶行為數(shù)據(jù),博采眾長(zhǎng),可以更好的提升模型的性能。
第二,實(shí)際應(yīng)用中,數(shù)據(jù)之間并不是簡(jiǎn)單的線性關(guān)系,采
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 一種基于社交網(wǎng)絡(luò)的非負(fù)矩陣分解算法
- 基于多任務(wù)學(xué)習(xí)的行為識(shí)別研究.pdf
- 基于疊加模型的多任務(wù)學(xué)習(xí)及應(yīng)用.pdf
- 基于共同購(gòu)買(mǎi)和用戶行為的矩陣分解推薦算法.pdf
- 基于節(jié)點(diǎn)用戶和概率矩陣分解模型的推薦算法
- 基于節(jié)點(diǎn)用戶和概率矩陣分解模型的推薦算法.pdf
- 一種基于行為的微博用戶興趣挖掘方法.pdf
- 一種基于本體的數(shù)據(jù)集成用戶接口方法研究.pdf
- 一種多用戶多任務(wù)的數(shù)字家電控制服務(wù)器軟件的設(shè)計(jì).pdf
- 一種基于張量的深度字典學(xué)習(xí)模型.pdf
- 一種基于用戶交互行為的微博社區(qū)發(fā)現(xiàn)方法.pdf
- 一種基于集成學(xué)習(xí)的多示例分類(lèi)模型.pdf
- 一種基于時(shí)間序列數(shù)據(jù)的學(xué)習(xí)診斷研究
- 一種基于網(wǎng)絡(luò)性能學(xué)習(xí)的入侵檢測(cè)模型.pdf
- 一種基于自學(xué)習(xí)的遷移學(xué)習(xí)模型及應(yīng)用.pdf
- 一種基于時(shí)間序列數(shù)據(jù)的學(xué)習(xí)診斷研究.pdf
- 基于特征的矩陣分解模型.pdf
- 利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為.pdf
- 混合用戶行為建模的概率矩陣分解推薦算法.pdf
- 一種基于用戶行為親密度的微博社區(qū)發(fā)現(xiàn)方法.pdf
評(píng)論
0/150
提交評(píng)論