透過矩陣分解之多目標預測方法預測使用者於特殊節日前之瀏覽行為變化

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：35

、訪客IP：3.17.150.163

姓名

白國臻(Guo-Jhen Bai) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

透過矩陣分解之多目標預測方法預測使用者於特殊節日前之瀏覽行為變化
(Predicting User′s Browsing Tendency During Holidays by Matrix Factorization based Multi-objective Method)

相關論文

★ 透過網頁瀏覽紀錄預測使用者之個人資訊與性格特質	★ 動態多模型融合分析研究
★ 擴展點擊流：分析點擊流中缺少的使用者行為	★ 關聯式學習：利用自動編碼器與目標傳遞法分解端到端倒傳遞演算法
★ 融合多模型排序之點擊預測模型	★ 分析網路日誌中有意圖、無意圖及缺失之使用者行為
★ 基於自注意力機制產生的無方向性序列編碼器使用同義詞與反義詞資訊調整詞向量	★ 探索深度學習或簡易學習模型在點擊率預測任務中的使用時機
★ 空氣品質感測器之故障偵測--基於深度時空圖模型的異常偵測框架	★ 以同反義詞典調整的詞向量對下游自然語言任務影響之實證研究
★ 結合時空資料的半監督模型並應用於PM2.5空污感測器的異常偵測	★ 藉由權重之梯度大小調整DropConnect的捨棄機率來訓練神經網路
★ 使用圖神經網路偵測 PTT 的低活躍異常帳號	★ 針對個別使用者從其少量趨勢線樣本生成個人化趨勢線
★ 基於雙變量及多變量貝他分布的兩個新型機率分群模型	★ 一種可同時更新神經網路各層網路參數的新技術— 採用關聯式學習及管路化機制

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

近幾年電子商務公司在特殊節日的銷售額大於平日，然而從使用者瀏覽網頁的歷史紀錄中，我們發現僅有並非所有使用者在節日間皆比平時更常造訪電商網站，此現象表示銷售額的提升可能只是來自少數使用者所產生的影響，因此電子商務公司若能透過系統化的方式判別使用者行為，並給予不同行為表現使用者相對應的行銷手段，便能夠使市場行銷策略發揮更大的效能。

我們提出 Matrix Factorization based Multi-objective Method，當同時有多個待預測的目標時，本模型能有效利用多個預測目標之間可能存在互相影響的隱性因子。相較於為每個目標分別建立獨立的模型，本方法能有效減少模型需學習之參數，因此在訓練樣本數受限的情況，依然能達到有效的訓練結果。我們使用此方法同時預測使用者於特殊節日期間在不同類型網頁的行為變化，結果顯示：本方法在大多數時候能勝過單目標之訓練模型。

摘要(英)

It is reported that sales by e-commerce companies were greater than usual during shopping holidays and festivals. However, based on users’ browsing logs, we found that not all users visit e-commerce websites more often than they normally do during holidays. Therefore, the increase in sales may come from the purchase behaviors of a small number of users. If the e-commerce companies can systematically assess and analyze user behaviors, they might be able to apply customized marketing method to maximize the effectiveness of their sales strategies.

This study proposes a matrix factorization based multi-objective method, which effectively uses the latent variables that represent possible interactions among multiple targets. Compared with establishing separate models for each target, this method can effectively reduce the parameters that the model needs to learn, and can, therefore, achieve an effective training outcome even when training samples are limited. We use this method to simultaneously predict users’ behaviors on different types of web pages during shopping holidays and festivals. The results show that this method can outperform the single target training model most of the time.

關鍵字(中)

★ 監督式學習

關鍵字(英)

★ Matrix Factorization
★ Supervised learning

論文目次

中文摘要 p.i
ABSTRACT p.ii
目錄 p.iii
圖目錄 p.v
表目錄 p.vi
一、緒論 p.1
1.1 研究動機 p.1
1.2 研究目標 p.1
1.3 研究貢獻 p.2
1.4 論文架構 p.3
二、相關研究 p.4
2.1 使用者在Pinterest 使用行為分析 p.4
2.2 使用者圈影響力之推薦策略 p.5
2.3 Matrix Factorization介紹 p.5
三、MF based Multi-objective Method p.8
3.1 MF based Multi-objective Method概述 p.8
3.2 訓練模型 p.9
3.3 測試模型 p.10
3.4 Multi-objective method與Single-objective method的比較 p.10
四、實驗介紹 p.12
4.1 問題描述 p.12
4.2 資料集介紹 p.14
4.2.1 真實資料集 p.14
4.2.2 建立擬真資料集 p.17
4.3 真實資料集前處理 p.19
4.4 特徵說明 p.20
4.5 預測分類器介紹 p.22
五、實驗分析 p.23
5.1 實驗介紹 p.23
5.2 模型預測效果之評估指標 p.23
5.3 真實資料集之結果分析 p.24
5.4 資料量對MF based Multi-objective Method之影響分析 p.26
六、結論與未來展望 p.29
6.1 結論 p.29
6.2 未來展望 p.30
參考文獻 p.32

參考文獻

[1] “E-Commerce Continues To Be The Bright Spot For Holiday Sales,” https://www.forbes.com/sites/shoptalk/2016/12/27/ecommerce-continues-to-bethe- bright-spot-for-holiday-sales/28b1f6bb2780, accessed: 2017-06-15.
[2] “Alibaba’s Singles’ Day: What We Know About The World’s Biggest Shopping Event,” https://www.forbes.com/sites/franklavin/2016/11/06/alibabas-singles-daywhat- we-know-about-the-worlds-biggest-shopping-event/687e1e636da7, accessed:
2017-06-15.
[3] C. Lo, D. Frankowski, and J. Leskovec, “Understanding behaviors that lead to purchasing: A case study of pinterest,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016, pp. 531–540.
[4] D. Kempe, J. Kleinberg, and É. Tardos, “Maximizing the spread of influence through a social network,” in Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2003, pp. 137–146.
[5] J. Leskovec, A. Singh, and J. Kleinberg, “Patterns of influence in a recommendation network,” in Pacific-Asia Conference on Knowledge Discovery and Data Mining. Springer, 2006, pp. 380–389. 32
[6] Y. Koren, R. Bell, and C. Volinsky, “Matrix factorization techniques for recommender systems,” Computer, vol. 42, no. 8, 2009.
[7] T. K. Landauer, P. W. Foltz, and D. Laham, “An introduction to latent semantic analysis,” Discourse processes, vol. 25, no. 2-3, pp. 259–284, 1998.
[8] S. Ruder, “An overview of multi-task learning in deep neural networks,” arXiv
preprint arXiv:1706.05098, 2017.

指導教授

陳弘軒(Hung-Hsuan Chen)

審核日期

2018-6-27

推文