基于深度学习的多源用户行为分析关键技术研究

发布时间:2022-01-17 06:02
  近年来,随着移动互联网和物联网等计算机信息技术和应用的快速发展,各种互联网媒体中数以亿计的用户无时无刻地在产生各种交互行为数据,数据量巨大、格式多样。本文围绕用户生成的交互行为数据,综合分析用户的行为,开展其中的典型关键性问题研究,包括点击流行为、文本内容、图像识别和视频动作识别等。研究成果概述如下:(1)针对用户的点击流行为分别提出基于点击流和基于自定义事件的两层模型聚类算法。首先,设计通用的方法来计算会话的相似度;接着,利用改进的DBSCAN算法在第一层聚类中获取会话聚类;最后,在第二层聚类中利用K-means算法,根据每一个用户在不同会话聚类中产生的所有会话的分布对用户进行聚类。(2)针对用户行为分析中的文本识别问题,结合辅助句子提出一种基于BERT的改进文本分类模型,通过构造辅助句子的方式将训练数据中的知识更好地引入到BERT模型的微调中,同时针对学习率、句子长度和模型结构等方面对BERT模型上的一些不同微调策略进行对比分析。(3)针对用户行为分析中的图像识别问题,重点以衣物复杂图片作为目标研究对象,利用逆卷积上采样特征图的方法,解决了衣物关键点预测的热力图分辨率过低的问题,并... 

【文章来源】:华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】:120 页

【学位级别】:博士

【部分图文】:

基于深度学习的多源用户行为分析关键技术研究


存在的问题及对应的研究内容具体来说,主要的研究内容包括:(1)针对用户的点击流行为分析问题,分别提出基于点击流和基于自定义事

架构图,架构,卷积


华南理工大学博士学位论文22图2-3CNN基础架构图2-3显示了一个CNN的基础架构,主要包括两个部分:特征提取器和分类器。在特征提取层中,网络的每一层都将其上一层的输出作为输入,并将其输出作为输入传递到下一层。特征提取器往往处于网络的低层和中层,包含了两种类型的层:卷积层和池化层。首先,卷积层的层用线性滤波器计算其输入的卷积(很久以前就有人建议用线性滤波器来模拟视觉皮层中的神经反应)。每个卷积核的系数的学习方法与神经网络中的权值相同。通常,在卷积之后,非线性(激活)函数应用于卷积结果的每个元素。因此,卷积层可被视为标准神经网络中神经元共享权重的层,定义为:11()illllF=fX=W×X(2-16)卷积层的输出称为特征图。卷积层的输入可以是前一层的输入图像或输出,即另一个特征映射。卷积层中的特定类型的权重共享不仅降低了自由度,而且确保了平移的不变性。卷积层之后是池化层,池化层计算特征图一个区域上的最大值或平均值,如图2-4和2-5所示。图2-4池化操作图2-5池化层:相当于降采样

基于深度学习的多源用户行为分析关键技术研究


池化操作

【参考文献】:
期刊论文
[1]基于多特征融合的多尺度服装图像精准化检索[J]. 王志伟,普园媛,王鑫,赵征鹏,徐丹,钱文华.  计算机学报. 2020(04)
[2]面向自然语言处理的预训练技术研究综述[J]. 李舟军,范宇,吴贤杰.  计算机科学. 2020(03)
[3]基于自回归预测模型的深度注意力强化学习方法[J]. 梁星星,冯旸赫,黄金才,王琦,马扬,刘忠.  软件学报. 2020(04)
[4]基于时空关注度LSTM的行为识别[J]. 谢昭,周义,吴克伟,张顺然.  计算机学报. 2021(02)
[5]基于双深度网络的安全深度强化学习方法[J]. 朱斐,吴文,伏玉琛,刘全.  计算机学报. 2019(08)
[6]用户序列行为分析研究与应用综述[J]. 陈恩红,陈玉莹,潘镇,李徵.  安徽大学学报(自然科学版). 2018(05)
[7]采用词向量注意力机制的双路卷积神经网络句子分类模型[J]. 郭宝震,左万利,王英.  浙江大学学报(工学版). 2018(09)
[8]基于稀疏自学习卷积神经网络的句子分类模型[J]. 高云龙,左万利,王英,王鑫.  计算机研究与发展. 2018(01)
[9]ESSK:一种计算点击流相似度的新方法[J]. 刘嘉,祁奇,陈振宇,惠成峰.  计算机科学. 2012(06)



本文编号:3594182

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/3594182.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户2318e***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com