學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
5 results
Search Results
Item 結合購買時間間隔資訊之類別感知序列推薦系統(2022) 陳正偉; Chen, Cheng-Wei序列推薦系統的目的是以用戶過往購買紀錄所形成的序列，預測用戶在下一次購買時有興趣的商品。過往的推薦系統由於僅考慮商品項目層級的關聯性，因此忽略了商品類別層級的購買間隔資訊。本論文擴展 TiSASRec 模型，提出了兩個可將類別資訊加入到用戶購買紀錄中的模型: TiSASRecC 及TiSASRecDual，TiSASRecC 模型採用將商品項目嵌入向量表示法與商品類別嵌入向量表示法接合，使類別資訊直接融入到商品表示法中輔助模型學習用戶行為表示法。TiSASRecDual 模型則以類別層級子網路先單獨學習商品類別結合時間間隔的用戶行為特徵，再以學習出的子分類層級特徵，間接影響項目層級子網路中用戶行為表示法的學習。在 Amazon 五個不同性質的類別資料集上之實驗結果顯示:加入類別資訊對序列推薦任務有所提升。本研究提出的兩個模型，在用戶序列長度取樣減短時比 TiSASRec 模型有更佳的推薦效果，而透過將用戶多個類別的購買紀錄形成的序列對模型進行訓練及預測，對單一類別的商品的推薦效果也比 TiSASRec 有更明顯的增進效果。Item 以類別感知之多任務學習框架增進序列推薦效果(2021) 賴薇; Lai, Wei序列推薦系統的目的是根據使用者以往與項目互動的序列資訊，預測使用者可能感興趣的下個互動項目主動進行推薦。本論文提出可套用於 GRU/bi- GRU/Caser 類神經網路模型的類別感知之多任務學習框架，利用項目的類別特徵做為項目的上層資訊，輔助模型預測使用者未互動過的下個項目預測任務。此框架以同時學習預測下個互動類別及下個互動項目為目標，在項目模組中將項目互 動序列經過類神經網路學習到項目層級行為表示法，再融合類別模組所學習到的類別層級行為表示法預測使用者下個互動項目。本論文所提出的方法，分別在 Foursquare 及 MovieLens 兩種不同序列強度的資料集上進行實驗，預測命中率的評估結果顯示：本論文提出的類別感知多任務學習框架在預測使用者下個未互動過的項目，相較只以單任務類神經網路模型的效能，在 Foursquare 資料集 Hit@10 最高可提升10.73%；MovieLens 資料集 Hit@10最高可提升7.29%。Item 協助動態節目導覽推薦系統訓練資料增量之研究(2020) 李兆珩; Li, Zhao-Heng本研究為了解決使用主動式學習的推薦系統可能面臨到因為使用者使用系統的頻率不高，而造成資料收集困難的問題，我們希望透過使用者點選的歷史資料，進行資料增量，藉由多次的觀看紀錄，也就是使用者行為資料，產生相應且大量的模擬資料，來加速使用Active Learning的推薦系統收集資料的速度，減少時間資源的浪費。 本論文以強化式學習的Policy Gradient與主動式學習結合的動態節目導覽推薦系統為例來做資料增量。我們的推薦系統同時考慮使用者的觀看節目類別的喜好，工作日與例假日，觀看時間等，因此為了有效率的產生符合一般人習慣的模擬訓練資料，我們試圖產生情境式的模擬資料來訓練類神經網路。藉由對多種情境作情境增量，我們得以解決主動式學習所面臨到需要花費大量時間收集資料的問題。Item 提供具可解釋並改善評論缺漏問題之推薦系統(2020) 陳佑翔; Chen, You-Xiang儘管以評論特徵為基礎的相關研究，證實能克服用戶-商品間評分資料稀疏的問題以提升評分預測效能，然而其並未考慮評論缺漏的問題。本論文參考採用評論之階層式注意力神經網路模型HANN，更改原模型中部分輸入特徵資訊，並調整不同層級注意力機制的權重計算方式；此模型稱為HANN-RPM，用來進行用戶對商品的評分預測。此外，另建立了一個以編碼器-解碼器架構為基礎的評論生成模型HANN-RGM，結合HANN-RPM的商品子網路架構為編碼器，不僅可用於對評分結果生成文字解釋內容，並可用於對用戶未撰寫評論的購買商品補充缺漏的評論後提供給HANN-RPM，進一步提升評分預測的效果。實驗結果顯示，不論有無缺漏評論的情況下，HANN-RPM皆較HANN有更佳評分預測效果。而當用戶具有評論缺漏的情況，透過HANN-RGM生成缺漏部份的評論補足，可令HANN-RPM預測出接近於無評論缺漏情況下的評分預測效果。此外，HANN-RGM模型透過擷取出前k筆評論中的商品語意資訊，比起NRT能生成出更長且更多樣性的評論內容，可作為評分預測之文字解釋。Item 以情境感知資料與社群資訊建構餐廳推薦系統之研究(2016) 劉書宇; Liu, Shu-Yu目前市面上大多的餐廳推薦系統當中所給予使用者的推薦資訊，皆透過開發者收集(網路相關資料、部落客體驗文章)，或經由系統平台上的使用者共同分享上傳而成的資料集。但這些資料會隨著時間長久的累積，亦或是開發人員對於資料沒有定期更新或維護，即造成了資料集過於老舊以及維護需求人力成本的問題。 本研究旨在藉由Facebook社群網站平台所提供的Graph API查詢語言技術，擷取其上的社群粉絲專頁餐廳資訊當作資料集，建構一套與Facebook同步的即時動態更新的餐廳推薦系統。此外本研究也結合情境感知(Context-aware)方式來開發應用，讓系統服務更能貼近使用者，在情境資料上利用使用者情境資料(Facebook帳號資訊、偏好餐廳設定)及實體情境資料(時間、地理位置)和使用者的Google Calendar事件；而推薦功能部分，本系統透過使用者對於個別餐廳頁面的評分紀錄，作推薦過濾的排序演算，其中也用到Facebook的按讚數，當作計算因素的依據，讓推薦達到更有效的過濾。最後，本系統實作採用響應式網站設計來建構一個可以在電腦、手機及平板都具有良好瀏覽效果的網站平台雛型。