序列事件周期性檢測模型優(yōu)化及應(yīng)用.pdf

1、周期模式挖掘是在時間序列數(shù)據(jù)中尋找重復(fù)出現(xiàn)的序列模式的方法，主要用來刻畫變化較小或者穩(wěn)定的用戶行為模式，在許多應(yīng)用場景下，時間序列數(shù)據(jù)的周期模式挖掘都具有重要意義。
　　本文在基于交叉熵的序列事件周期性檢測方法CEPD（Cross-Entropy based Periodicity Detection）的基礎(chǔ)上，針對該方法存在的三個問題，做了進(jìn)一步改進(jìn)和拓展研究，并結(jié)合電子商務(wù)和移動互聯(lián)網(wǎng)環(huán)境下的用戶行為進(jìn)行了推薦應(yīng)用。
　

2、　本文的主要內(nèi)容包括三個方面，第一，實現(xiàn)了基于交叉熵的序列事件周期性檢測方法的對比研究，并給出了該方法理論上的時間復(fù)雜度，在構(gòu)造數(shù)據(jù)集和實際數(shù)據(jù)集上，將基于交叉熵的序列事件周期性檢測方法與其他已有方法在運(yùn)行效率、抗噪音性能和周期檢測結(jié)果的準(zhǔn)確率這三個方面進(jìn)行了對比，從實驗和理論兩個方面證明了該方法的可用性。第二，使用機(jī)器學(xué)習(xí)中的正則化技術(shù)對周期檢測方法的目標(biāo)函數(shù)進(jìn)行優(yōu)化，解決了交叉熵隨劃分周期的增大而系統(tǒng)性下降的問題，提高了方法的可用性

3、以及周期檢測結(jié)果的可用性，并使用構(gòu)造數(shù)據(jù)和實際數(shù)據(jù)進(jìn)行實驗驗證。在具有明顯周期的數(shù)據(jù)集上，添加了正則化項之后的模型更容易檢測到合適的周期值。第三，挖掘用戶行為模式的周期性，結(jié)合周期性檢測的結(jié)果進(jìn)行推薦應(yīng)用。加入周期性信息一方面引入了用戶行為的時間信息，另一方面刻畫了用戶自身的規(guī)律性特征。CEPD算法效率分析從理論和實驗兩個方面驗證了基于交叉熵的序列事件周期性檢測方法的可用性，正則化技術(shù)的引入解決了交叉熵隨劃分周期的增大而系統(tǒng)性下降的問題

4、，提高了方法的可用性，為下一步的推薦應(yīng)用奠定了基礎(chǔ)。
　　本文的貢獻(xiàn)在于以下三個方面，第一從理論上證明了該算法的時間復(fù)雜度優(yōu)于其他算法，從實驗和理論兩個方面證明了該方法的可用性。第二引入機(jī)器學(xué)習(xí)中的正則化技術(shù)，對基于交叉熵的序列事件周期性方法進(jìn)行優(yōu)化處理，解決了交叉熵隨劃分周期的增大而系統(tǒng)性下降的問題，提高了該方法的可用性以及周期檢測結(jié)果的可用性。第三結(jié)合基于交叉熵的序列事件周期性檢測結(jié)果，構(gòu)建了基于用戶行為周期性的推薦策略，同時