基于用户行为的移动电子商务推荐算法研究

这是一篇关于移动电子商务推荐,概率隐因子模型,用户行为建模,位置信息,近邻选择的论文, 主要内容为随着移动互联网、智能终端技术的快速发展,具有移动性、便捷性的移动电子商务成为电子商务发展的新方向。受移动端显示器大小的限制,移动电子商务面临严重的信息过载现象,迫切需要为用户提供个性化推荐服务。现有的推荐技术主要利用用户评分或者隐式反馈建立兴趣模型,根据设定的时间间隔或者数据累积量定期更新该模型,为用户提供个性化推荐。然而移动用户的需求会随着时间和位置的变化而发生改变,导致即时兴趣变化迅速,现有算法的兴趣模型主要反映用户的长期兴趣,需要对模型定期更新,不能满足移动电商环境下为用户提供实时推荐的要求。此外,由于新用户没有行为数据或历史数据非常稀疏,现有算法无法为新用户提供可靠的推荐结果,影响推荐质量。针对上述问题,本文提出了基于用户购买倾向和兴趣度的个性化推荐算法和基于多源信息融合的协同过滤推荐算法。本文的主要研究工作如下:(1)针对移动电子商务中用户的即时兴趣变化迅速,而现有推荐算法不能实时响应用户需求的问题,提出了一种基于用户购买倾向和兴趣度的个性化推荐算法(Purchase Intention and Interest Degree,PIID)。该算法从长期兴趣和即时兴趣两方面对用户兴趣建模,用购买倾向来量化用户对最近交互过却没有购买的商品的即时兴趣。在离线状态下,提取用户的行为特征,利用逻辑回归模型训练影响购买的行为特征所对应的回归系数,建立购买倾向预测模型;为了更精确地定位用户可能购买的商品,将购买倾向与兴趣度线性结合作为购买概率,针对购买记录,利用概率隐因子模型通过最大化购买概率来学习用户兴趣度。在线推荐时,将用户的实时行为特征带入预测模型中,得到用户的购买倾向,再与兴趣度结合,将购买概率较大的商品列表推荐给用户。在真实数据集上的实验表明,PIID算法与现有算法相比,有较高的准确率和F1指标,而且能够提供高效的实时推荐。(2)针对现有推荐算法是在大量评分或隐式反馈的基础上建立兴趣模型,无法为缺乏行为数据的新用户提供可靠推荐的问题,提出了一种基于多源信息融合的协同过滤推荐算法。算法首先利用位置信息,建立位置消费图,计算位置远近和不同用户的兴趣偏好对目标用户的影响,找到最近邻居集,可以根据近邻的偏好为新用户进行推荐;接着利用PIID算法计算用户的个人兴趣;最后利用购买概率将近邻偏好和个人兴趣对购买的影响建模,为用户推荐购买概率最大的商品列表。在真实数据集上的实验表明,该算法有较高的准确率和F1指标,而且能够为新用户提供可靠的推荐列表。(3)为了验证本文所提出算法的可行性,采用面向对象和模块化的设计思想,使用java编程语言设计并实现了一个基于用户行为的移动电子商务原型推荐系统。

基于图神经网络的匿名序列推荐算法研究

这是一篇关于匿名数据,序列推荐,图神经网络,非顺序结构转换,邻域图,位置信息,Transformer的论文, 主要内容为随着互联网技术的发展和信息存储方法的进步,人类社会产生的数据总量愈发庞大,这使得信息过载问题日益突出。推荐系统能够有效帮助用户提高在海量信息中查找有用信息的效率。面对现今社会多样化的非欧几里得数据,传统的协同过滤方法与深度学习方法表现出拟合能力较差、信息提取能力较弱的问题。而图结构可以清晰直观地表示非欧几里得数据,所以得到了广泛的关注。近几年,将匿名会话序列构建为图结构,运用图神经网络的方法进行序列推荐表现出良好的性能。但是现在匿名会话序列推荐算法的研究还存在一些不足:在面对无配置文件的序列推荐时,大都只关注序列的顺序转换关系,对序列节点之间的非顺序复杂结构转换关系重视不够,导致推荐性能不佳;在无配置文件情况下挖掘用户序列长短期兴趣时,较少考虑当前序列较短、用户长期兴趣挖掘不充分的问题,影响了推荐精准性。针对上述问题,本文开展了基于图神经网络的匿名序列推荐算法研究,主要工作内容及结果如下:1.针对匿名会话序列提取节点间转换关系时,对序列节点之间的非顺序复杂结构转换关系重视不够的问题,提出了一种基于非顺序结构转换的图神经网络推荐模型(Straight Graph Attention Network,ST-GAT)。本模型首先将会话序列按时间戳构建直通图,利用直通图注意力网络处理该图,对图中各节点进行跨节点、远距离特征传播和聚合,以捕捉序列的非顺序复杂结构转换关系;其次将直通图中最后一个节点的嵌入向量表示作为序列的最近兴趣表示;同时利用权重图注意力网络处理顺序图,捕捉序列的顺序转换关系。将上述工作得到的序列顺序转换表示、非顺序转换表示与最近兴趣表示相融合,获得了更加精准的序列表示。2.针对匿名会话序列长度短而无法有效捕捉用户序列的长期兴趣的问题,提出了一种基于邻域图和位置信息的图神经网络推荐模型(Neighbourhood Position Gated Graph Neural Network,NPGGNN)。本模型依据当前序列,按照给定算法寻找邻域序列并建立邻域图,首先使用广度优先搜索算法确定邻域图中各节点的位置信息,其次利用位置门控图神经网络控制各节点之间的信息传播与聚合,接着使用注意力机制避免大量无关邻域节点信息对用户长期兴趣的干扰,然后聚合邻域图各节点,得到了序列的长期兴趣表示。最后使用权重图注意力网络处理顺序图,挖掘到当前序列的短期兴趣,将长短期兴趣融合以捕捉到用户兴趣的动态变化。3.针对上文给出的两个模型,在四个真实的公开数据集上进行了多组实验验证,相较于对比模型,提升了推荐性能。

景区应急指挥调度系统主要功能软件设计与实现

这是一篇关于位置信息,多源数据,应急系统,处置模式,数据中心的论文, 主要内容为为了提高景区针对重大应急事件的处理能力,保证游客的人身与财产安全,保证公司智慧旅游服务项目的顺利实施交付,本次系统设计旨在在满足景区自身的功能要求及相关政策需求前提下,利用先进的信息化技术消除景区各系统之间的信息孤岛,解决景区应急事件处理效率较低,协调联动能力较弱,事件处理流程不清晰,事件过程无法全跟踪等问题。本文通过对景区应急指挥调度系统进行需求分析,确定了系统功能流程,总结出该景区应急指挥调度系统的关键技术路线,明确了系统的整体框架和业务流程,并进行了详细的系统搭建、设计开发及测试,最终实现了景区应急指挥的相关功能,并应用于景区实际管理中。本次设计的详细内容主要包含以下几点:(1)本次系统建设的关键技术是利用位置信息在定位服务和空间分析方面的优势,结合了地理信息系统(GIS)、全球导航卫星系统(GNSS)和现代移动通信技术等一系列技术,实现系统在日常监管和应急事件处理中能随时调用查看各资源数据的位置信息的功能;(2)系统将建设统一的数据中心平台,采用MySQL基础数据库,整合景区的软硬件系统及外部系统的多源数据,真正实现一中心管理,多系统协同的目标;(3)系统基于当前景区应急事件的处置模式,设计符合景区实际需求的应急事件指挥调度处理流程,利用Redis、WebSocket等技术,采用基于Java语言的J2EE平台,开发完成了从日常监管,事件上报,预案管理、应急调度到事件总结的应急全流程的事件处理功能;并模拟实际应用场景,对系统功能及性能进行测试,验证系统的有效性及稳定性。目前该系统已经正式投入使用,针对景区的各种应急事件,该系统起到了重要的数据和技术支撑作用,有助于景区最大程度的提升景区应急管理水平,为景区游客的在游览过程中提供一个安全的旅游环境。系统在实际运用中运行稳定可靠,各功能模块达到了系统预期的建设目标,为景区智慧旅游的发展打好良好的铺垫。

基于知识图谱的定性位置空间范围计算

这是一篇关于位置信息,知识图谱,信息抽取,空间范围计算,地名实体的论文, 主要内容为在泛在信息环境下,以位置为纽带可以组织、描述和理解现实世界和网络世界中人、物体和事件之间的关系,实现多时态、多尺度、多层次、多粒度的动态信息融合。由于人类对现实世界进行认知和概念化的过程中存在模糊性,因此除了国家边界以及行政区划等地名外,还存在大量没有明确空间范围的模糊地名。位置信息除了部分以结构化的基础地理数据形式进行存储外,更多蕴含在视频、文本和图像等非结构化数据中。特别是,文本形式是人类最常用的位置信息表达形式(如地名、地址、地名+空间关系等),其表达具有明显的定性化、模糊化、多样性和尺度特性特点。本文借鉴信息抽取和知识图谱构建技术,基于多源结构化和非结构化数据构建位置知识图谱,实现基于知识图谱的定性位置空间范围计算,为地理知识服务和位置信息智能感知提供参考。本文具体的研究内容和取得的成果如下:(1)位置信息表达模型构建和描述特征分析。通过总结分析位置信息组成内容,归纳位置信息表达模型,分析中文文本中地名实体、时间信息、属性信息和空间关系等位置信息的描述特点,基于多源文本数据源丰富已有的位置信息标注语料库。(2)位置信息抽取。将地名通名特征融入到命名实体识别模型中,提出了融合地名通名特征的BERT+Bi GRU+CRF模型实现地名实体识别,以及基于BERT+Bi GRU+CRF模型的属性信息识别;基于规则模型和PCNN相结合的方法对地名实体之间的空间关系以及地名实体与属性之间的关联关系抽取。实验结果表明,地名实体识别的F1值为92.77%,时间信息识别的F1值91.2%,面积、人口、降雨量属性信息识别的F1值分别为89.84%、90.07%、90.92%;基于规则模型和PCNN相结合的方法对地名实体之间的空间关系抽取的F1值为83.91%,地名实体与时间信息的关联关系抽取的F1值为86.35%,地名实体与面积、人口和降雨量信息关联关系抽取的F1值分别为85.37%、83.38%和84.18%。(3)位置知识图谱的构建与可视化表达。基于位置信息抽取结果以及结构化的地名数据库和POI数据源,经过地名实体的消歧与融合,实现了位置知识图谱的构建,基于Neo4j实现位置信息的存储和可视化表达。基于知识图谱进行位置知识的查询与推理,实现了基于复合空间关系计算模型的定性位置空间范围计算。设计与实现了基于知识图谱的定性位置空间范围计算原型系统,实现了多源文本数据查询功能、位置知识图谱可视化与查询功能、空间范围计算等功能。

基于知识图谱的定性位置空间范围计算

这是一篇关于位置信息,知识图谱,信息抽取,空间范围计算,地名实体的论文, 主要内容为在泛在信息环境下,以位置为纽带可以组织、描述和理解现实世界和网络世界中人、物体和事件之间的关系,实现多时态、多尺度、多层次、多粒度的动态信息融合。由于人类对现实世界进行认知和概念化的过程中存在模糊性,因此除了国家边界以及行政区划等地名外,还存在大量没有明确空间范围的模糊地名。位置信息除了部分以结构化的基础地理数据形式进行存储外,更多蕴含在视频、文本和图像等非结构化数据中。特别是,文本形式是人类最常用的位置信息表达形式(如地名、地址、地名+空间关系等),其表达具有明显的定性化、模糊化、多样性和尺度特性特点。本文借鉴信息抽取和知识图谱构建技术,基于多源结构化和非结构化数据构建位置知识图谱,实现基于知识图谱的定性位置空间范围计算,为地理知识服务和位置信息智能感知提供参考。本文具体的研究内容和取得的成果如下:(1)位置信息表达模型构建和描述特征分析。通过总结分析位置信息组成内容,归纳位置信息表达模型,分析中文文本中地名实体、时间信息、属性信息和空间关系等位置信息的描述特点,基于多源文本数据源丰富已有的位置信息标注语料库。(2)位置信息抽取。将地名通名特征融入到命名实体识别模型中,提出了融合地名通名特征的BERT+Bi GRU+CRF模型实现地名实体识别,以及基于BERT+Bi GRU+CRF模型的属性信息识别;基于规则模型和PCNN相结合的方法对地名实体之间的空间关系以及地名实体与属性之间的关联关系抽取。实验结果表明,地名实体识别的F1值为92.77%,时间信息识别的F1值91.2%,面积、人口、降雨量属性信息识别的F1值分别为89.84%、90.07%、90.92%;基于规则模型和PCNN相结合的方法对地名实体之间的空间关系抽取的F1值为83.91%,地名实体与时间信息的关联关系抽取的F1值为86.35%,地名实体与面积、人口和降雨量信息关联关系抽取的F1值分别为85.37%、83.38%和84.18%。(3)位置知识图谱的构建与可视化表达。基于位置信息抽取结果以及结构化的地名数据库和POI数据源,经过地名实体的消歧与融合,实现了位置知识图谱的构建,基于Neo4j实现位置信息的存储和可视化表达。基于知识图谱进行位置知识的查询与推理,实现了基于复合空间关系计算模型的定性位置空间范围计算。设计与实现了基于知识图谱的定性位置空间范围计算原型系统,实现了多源文本数据查询功能、位置知识图谱可视化与查询功能、空间范围计算等功能。

基于深度学习的文本属性级情感分析研究

这是一篇关于属性级情感分析,深度学习,位置信息,交互注意力,图注意力的论文, 主要内容为属性级情感分析旨在挖掘出文本中某个特定属性的情感极性,从而为决策者提供更可靠的支撑,在电商平台、外卖平台和舆情分析等诸多领域有着重要的应用价值。本文基于深度学习的方法开展属性级情感分析研究,针对现有方法中存在语义特征不丰富、句法特征质量不高等问题,开展了一系列研究工作,主要内容如下:(1)针对特征表示不够丰富的问题,提出一种融合位置信息和交互注意力的属性级情感分析模型PGIA。模型使用BI-LSTM网络进行特征编码,以捕获更多的文本语义信息;通过计算上下文和属性之间的位置权重,融入位置信息,加强上下文和属性的联系,同时弱化无关词对特征提取的影响;利用门控层实现上下文与属性的浅层交互,并过滤无效信息,提升特征表示的质量;通过上下文和属性之间的交互注意,实现注意力权重更合理地分配,进一步丰富特征表示。在Sem Eval2014数据集上的实验结果表明,与已有的情感分类模型相比,PGIA模型的准确率和Macro-F1值均有显著的提升。结合注意力热力图进行可视化分析,分析结果表明,嵌入位置信息及让上下文和属性交互注意,能让特征表示更全面。(2)在PGIA模型研究的基础上,为融入更高质量的句法特征,提出一种基于图注意力和交互注意力的属性级情感分析模型GAT-IA。该模型嵌入位置及上下文与属性交互的信息,丰富了文本特征表示。由于图卷积神经网络提取句法特征容易引入额外的噪声,为弱化这一影响,GAT-IA模型基于图注意力神经网络提取依存句法特征。实验结果表明,GAT-IA模型在两个基准数据集上的准确率分别达到了75.36%和81.94%,相较于同类型的情感分类模型,性能效果更优,证明了模型的有效性。

基于注意力机制的产品评论方面级情感分析方法研究

这是一篇关于产品评论,方面级情感分析,位置信息,注意力机制,递归神经网络的论文, 主要内容为随着互联网在国内外的发展,在线购物、在线点餐以及在线打车等平台受到了人们的广泛青睐。人们习惯通过在电商平台消费后将自己对产品的体验感受进行了阐述,从而获得了大量的评论文本。当我们想要快速了解产品信息的时候就可以通过每条评论推断出该产品的好坏,这样不仅帮助了用户快速定位到产品的具体某个方面的评价信息,而且也帮助了商家对产品某个方面进行高效优化。因此,方面级的情感分析在工业界也得到了很高的关注度。在传统情感分析方法中不仅需要耗费大量的人工要对文本进行标记还要进行特征提取,而且最终的精确度却没有很高。然而,深度学习的方法克服了传统的情感分析方法的缺点逐渐成为了学者们的首选技术。方面级情感分析是情感分析任务中一项细粒度的分类任务。这种任务可以通过给定句子提取出方面词以及方面词所对应的情感极性。虽然现在大多数的研究的效果都取得了较好的结果,但是一部分的研究者忽略了句子中的位置信息的作用以及不能充分注意到方面词相关的最优的向量信息,因此本文提出了研究点一,该研究是基于联合方面和位置层次注意机制网络的方面级的情感分析,这个方法通过将位置信息的结合,进一步的加强了特征信息,从而提高了最终模型的性能。但是这种方法采用了长短期记忆网络,这种模型虽然可以对序列信息有较长的依赖,但是长短期记忆网络不能实现并行化的问题使得计算量较大。基于这个问题,我们又提出了研究点二,该研究是基于位置的双向注意力机制网络的方面级的情感分析。主要工作如下:(1)由于许多模型忽略了位置信息对方面术语的重要性。为了解决这个问题,我们在模型中增加了位置信息特征。现有研究表明,对于方面级的情感分析来说,方面词与上下文之间的相互作用是非常重要的。利用这一思路,本文提出了一种联合方面和位置层次注意机制。同时,该模型采用了联合方法建立方面词的特征信息和位置特征信息的模型。一方面,当输入词向量信息时这种方法能够清晰地捕获到方面词与上下文之间的交互作用。另一方面,该方法可以提高句子中位置信息的重要性,从而提高模型的信息检索能力。此外,该模型利用层次注意机制来提取特征信息,从而得到不同的情感极性,这样的方式类似于再次过滤了句子中的无用信息。通过在餐厅数据集和笔记本电脑数据集上采用多个基准模型的实验表明,我们的模型不论在餐厅数据集还是在笔记本电脑数据集上性能都得到了一定的提升。(2)在以往的工作中,许多研究人员都是基于递归神经网络的变体来提取特征信息的。由于递归神经网络不能对数据进行并行处理使得网络的数据计算缓慢,而且当序列的长度超过一定的限制时,递归神经网络也会存在梯度消失的问题。因此,对于以上问题,我们提出了一种基于位置语法依赖矩阵的双向注意力网络来克服递归神经网络的不足。首先,该模型采用了多头注意机制和卷积网络来提取句子中的重要特征信息。其次,该模型对位置相关矩阵和上下文嵌入相结合,从而增强了句子中单词的位置信息。最后,该网络利用双向注意机制,更准确地定位和识别方面词并且对重要信息进行加权,从而更好地判断方面词对应的情感方向。通过在数据集上对模型进行测试以及与其他基准模型对比后发现,我们的模型的效果得到了一定的提升。

基于用户行为的移动电子商务推荐算法研究

这是一篇关于移动电子商务推荐,概率隐因子模型,用户行为建模,位置信息,近邻选择的论文, 主要内容为随着移动互联网、智能终端技术的快速发展,具有移动性、便捷性的移动电子商务成为电子商务发展的新方向。受移动端显示器大小的限制,移动电子商务面临严重的信息过载现象,迫切需要为用户提供个性化推荐服务。现有的推荐技术主要利用用户评分或者隐式反馈建立兴趣模型,根据设定的时间间隔或者数据累积量定期更新该模型,为用户提供个性化推荐。然而移动用户的需求会随着时间和位置的变化而发生改变,导致即时兴趣变化迅速,现有算法的兴趣模型主要反映用户的长期兴趣,需要对模型定期更新,不能满足移动电商环境下为用户提供实时推荐的要求。此外,由于新用户没有行为数据或历史数据非常稀疏,现有算法无法为新用户提供可靠的推荐结果,影响推荐质量。针对上述问题,本文提出了基于用户购买倾向和兴趣度的个性化推荐算法和基于多源信息融合的协同过滤推荐算法。本文的主要研究工作如下:(1)针对移动电子商务中用户的即时兴趣变化迅速,而现有推荐算法不能实时响应用户需求的问题,提出了一种基于用户购买倾向和兴趣度的个性化推荐算法(Purchase Intention and Interest Degree,PIID)。该算法从长期兴趣和即时兴趣两方面对用户兴趣建模,用购买倾向来量化用户对最近交互过却没有购买的商品的即时兴趣。在离线状态下,提取用户的行为特征,利用逻辑回归模型训练影响购买的行为特征所对应的回归系数,建立购买倾向预测模型;为了更精确地定位用户可能购买的商品,将购买倾向与兴趣度线性结合作为购买概率,针对购买记录,利用概率隐因子模型通过最大化购买概率来学习用户兴趣度。在线推荐时,将用户的实时行为特征带入预测模型中,得到用户的购买倾向,再与兴趣度结合,将购买概率较大的商品列表推荐给用户。在真实数据集上的实验表明,PIID算法与现有算法相比,有较高的准确率和F1指标,而且能够提供高效的实时推荐。(2)针对现有推荐算法是在大量评分或隐式反馈的基础上建立兴趣模型,无法为缺乏行为数据的新用户提供可靠推荐的问题,提出了一种基于多源信息融合的协同过滤推荐算法。算法首先利用位置信息,建立位置消费图,计算位置远近和不同用户的兴趣偏好对目标用户的影响,找到最近邻居集,可以根据近邻的偏好为新用户进行推荐;接着利用PIID算法计算用户的个人兴趣;最后利用购买概率将近邻偏好和个人兴趣对购买的影响建模,为用户推荐购买概率最大的商品列表。在真实数据集上的实验表明,该算法有较高的准确率和F1指标,而且能够为新用户提供可靠的推荐列表。(3)为了验证本文所提出算法的可行性,采用面向对象和模块化的设计思想,使用java编程语言设计并实现了一个基于用户行为的移动电子商务原型推荐系统。