基于时间门控循环网络的用户行为序列建模
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景和意义 | 第11-12页 |
| 1.2 用户时序行为建模介绍 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.3.1 传统时序行为建模 | 第14-16页 |
| 1.3.2 基于循环神经网络的序列建模 | 第16-17页 |
| 1.4 研究内容和目标 | 第17-18页 |
| 1.5 文章组织结构 | 第18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 相关工作 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 基于隐马尔可夫的时序模型 | 第19-23页 |
| 2.2.1 马尔可夫过程和状态转移 | 第19-20页 |
| 2.2.2 隐马尔可夫 | 第20-21页 |
| 2.2.3 相关时序行为建模工作 | 第21-23页 |
| 2.3 基于动态矩阵分解 | 第23-25页 |
| 2.4 基于循环神经网络的时序建模 | 第25-30页 |
| 2.4.1 传统循环网络结构和缺陷 | 第25-27页 |
| 2.4.2 核单元 | 第27页 |
| 2.4.3 注意力机制 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于时序循环网络的序列建模 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 问题描述 | 第31-34页 |
| 3.2.1 抽象化问题 | 第31-32页 |
| 3.2.2 算法框架 | 第32-34页 |
| 3.3 本文的时间门循环单元 | 第34-37页 |
| 3.3.1 GRU网络门控的原理 | 第34-35页 |
| 3.3.2 时间层面的缩放策略 | 第35-36页 |
| 3.3.3 时间门的整体结构设计 | 第36-37页 |
| 3.4 本文的注意力机制 | 第37-39页 |
| 3.4.1 注意力机制的计算方法 | 第38-39页 |
| 3.4.2 本文注意力机制的计算方式 | 第39页 |
| 3.5 相似度度量 | 第39-42页 |
| 3.5.1 特征一致性思想 | 第40页 |
| 3.5.2 空间距离思想 | 第40-41页 |
| 3.5.3 向量夹角思想 | 第41-42页 |
| 3.6 损失函数 | 第42-43页 |
| 3.6.1 平方损失 | 第42页 |
| 3.6.2 Softmax | 第42页 |
| 3.6.3 间距最大化思想 | 第42-43页 |
| 3.7 模型及训练方法 | 第43-46页 |
| 3.7.1 模型结构细节说明 | 第43-45页 |
| 3.7.2 本文使用的训练方法 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第4章 实验结果 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 实验数据集和对比算法 | 第47-49页 |
| 4.2.1 实验数据集 | 第47-48页 |
| 4.2.2 对比算法 | 第48-49页 |
| 4.3 评价指标和实验环境 | 第49-51页 |
| 4.3.1 离线实验评价指标 | 第49-50页 |
| 4.3.2 线上AB测试指标 | 第50-51页 |
| 4.3.3 实验环境 | 第51页 |
| 4.4 实验设计与结果分析 | 第51-57页 |
| 4.4.1 实验设计 | 第51页 |
| 4.4.2 离线数据集实验结果和分析 | 第51-57页 |
| 4.4.3 线上实验结果和分析 | 第57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间的主要研究成果 | 第66-67页 |
| 致谢 | 第67页 |
