基于卷积神经网络的电商数据深度挖掘
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 引言 | 第12-13页 |
| 1.2 研究背景 | 第13-15页 |
| 1.2.1 商品搭配推荐 | 第13-14页 |
| 1.2.2 商品销量预测 | 第14-15页 |
| 1.2.3 卷积神经网络 | 第15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文结构 | 第16-18页 |
| 第2章 相关工作 | 第18-27页 |
| 2.1 商品搭配推荐综述 | 第18-20页 |
| 2.2 商品销量预测综述 | 第20-22页 |
| 2.3 卷积神经网络综述 | 第22-26页 |
| 2.3.1 发展简史 | 第22页 |
| 2.3.2 技术详述 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于深度样式匹配的商品搭配推荐 | 第27-44页 |
| 3.1 背景介绍 | 第27-29页 |
| 3.2 算法设计 | 第29-33页 |
| 3.2.1 基于卷积神经网络的短文本模型 | 第29-31页 |
| 3.2.2 通过对拍网络在样式空间中实现搭配 | 第31-32页 |
| 3.2.3 通过K近邻搜索在推荐场景中实现加速 | 第32-33页 |
| 3.3 模型训练 | 第33-35页 |
| 3.3.1 通过舍弃操作对模型进行正则化 | 第34页 |
| 3.3.2 模型中超参数的设定 | 第34页 |
| 3.3.3 通过非监督模型对词嵌入进行初始化 | 第34页 |
| 3.3.4 求解模型的最优参数 | 第34-35页 |
| 3.4 实验验证 | 第35-43页 |
| 3.4.1 数据集 | 第35-36页 |
| 3.4.2 实验设定 | 第36-37页 |
| 3.4.3 实验结果 | 第37-41页 |
| 3.4.4 讨论 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于深度时序分析的商品销量预测 | 第44-59页 |
| 4.1 背景介绍 | 第44-46页 |
| 4.2 算法设计 | 第46-49页 |
| 4.2.1 将日志时序数据转化为数据框 | 第47-48页 |
| 4.2.2 通过卷积神经网络预测商品销量 | 第48-49页 |
| 4.3 模型训练 | 第49-51页 |
| 4.3.1 训练样本权重随时间衰减 | 第49-50页 |
| 4.3.2 通过迁移学习在区域间共享变化模式 | 第50页 |
| 4.3.3 通过舍弃操作对模型进行正则化 | 第50页 |
| 4.3.4 模型中超参数的设定 | 第50-51页 |
| 4.3.5 求解模型的最优参数 | 第51页 |
| 4.4 实验验证 | 第51-57页 |
| 4.4.1 数据集 | 第52页 |
| 4.4.2 实验设定 | 第52-54页 |
| 4.4.3 实验结果 | 第54-56页 |
| 4.4.4 讨论 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-62页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间的主要研究成果 | 第68-69页 |
| 致谢 | 第69页 |
