• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    商品推薦系統(tǒng)中的效用估計

    2023-06-21 07:31:15朱啟杰
    上海管理科學(xué) 2023年2期
    關(guān)鍵詞:推薦系統(tǒng)神經(jīng)網(wǎng)絡(luò)

    朱啟杰

    摘 要: ??在零售商的角度,通常希望推薦系統(tǒng)的推薦產(chǎn)品能使商家的收益最大化。在以期望收益最大化為目標(biāo)的產(chǎn)品組合優(yōu)化模型中,商品效用是必不可少的參數(shù)。論文主要探究推薦系統(tǒng)中商品效用的估計方法,通過評估由商品效用計算得到的商品被點擊概率,來驗證效用估計的準(zhǔn)確性。通過數(shù)值試驗,將單值排序模型預(yù)估的點擊概率與通過MNL模型估計商品效用計算的點擊概率進(jìn)行對比,結(jié)果證明MNL模型估計的商品效用具備與單值排序模型相當(dāng)?shù)臏?zhǔn)確率。此外,論文進(jìn)一步構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型估計商品效用,并且另外構(gòu)建了一個直接計算商品點擊概率的attention選擇模型作為對比。結(jié)果證明使用神經(jīng)網(wǎng)絡(luò)模型代替MNL來估計商品效用,能夠更進(jìn)一步提升效用預(yù)估的準(zhǔn)確性。

    關(guān)鍵詞: ?推薦系統(tǒng);產(chǎn)品組合優(yōu)化;MNL;神經(jīng)網(wǎng)絡(luò);效用估計

    中圖分類號: ?G 206

    文獻(xiàn)標(biāo)志碼: ??A

    Utility Estimation in Recommendation System

    ZHU Qijie

    (Antai College of Economics & Management, Shanghai Jiao Tong University, Shanghai 200030, China)

    Abstract: ?From the retailer's perspective, it is usually hoped that the recommended products of the recommendation system can maximize the profit of the assortment. In the assortment optimization model aiming at maximizing expected revenues, product utility is an indispensable parameter. This article mainly explores the estimation method of product utility in the recommendation system, and verifies the accuracy of utility estimation by evaluating the click probability of the product calculated by the product utility. Through numerical experiments, the estimated click probability of the point-wise model is compared with the click probability calculated by the product utility estimated by the MNL model. The result proves that the product utility estimated by the MNL model has a good accuracy. In addition, this paper further builds a neural network model to estimate the utility of goods, and additionally builds an attention choice model that directly calculates the click probability of goods as a comparison. The results prove that using neural network model instead of MNL to estimate the utility of the commodity can further improve the accuracy of the utility prediction.

    Key words: ??recommender system; assortment; Multinominal Logit Model; neural network; utility estimation

    本文選擇機(jī)票訂單點擊數(shù)據(jù)作為研究數(shù)據(jù)集,首先建立機(jī)器學(xué)習(xí)模型預(yù)測單個產(chǎn)品的用戶點擊概率,選擇被點擊概率最高的商品作為被點擊的商品的預(yù)測;另一方面,本文選擇經(jīng)典的MNL(Multinomial Logit)模型作為選擇模型,該模型使用特征的線性組合來估計商品的效用,根據(jù)該模型估計的商品效用,選擇效用最高的商品作為被點擊的商品的預(yù)測;為了解決一些線性模型存在的缺陷,本文構(gòu)建了一種神經(jīng)網(wǎng)絡(luò)模型,使用其代替MNL模型估計商品效用,后續(xù)步驟不變,依然選擇效用最高的商品作為被點擊的商品的預(yù)測;最后,本文將構(gòu)建一種考慮商品之間交互作用的預(yù)測模型(attention選擇模型),用于與前述模型進(jìn)行比較。本文通過實驗證明,通過估計效用的方式估計商品被點擊的概率能夠取得不錯的準(zhǔn)確率,且使用復(fù)雜模型代替線性模型可以使準(zhǔn)確率得到一定的提升。

    1 文獻(xiàn)綜述

    近年來,深度學(xué)習(xí)被廣泛運用于推薦系統(tǒng)領(lǐng)域的研究中。基于深度學(xué)習(xí)的算法主要分為兩類:一類是通過算法進(jìn)行特征提取,另一類是通過算法直接計算用戶對產(chǎn)品的點擊概率。第一類算法主要是通過類似于自然語言處理中獲取詞向量的方式獲取產(chǎn)品在空間上的向量表示,如Perozzi等人提出了DeepWalk模型,該模型利用用戶的點擊序列構(gòu)建圖,在圖中隨機(jī)游走獲得產(chǎn)品的點擊序列,再利用Skip-Gram以及Hierarchical Softmax等算法獲取產(chǎn)品的向量表示;Wang等人提出了構(gòu)建帶權(quán)重的圖的方法獲得產(chǎn)品的點擊序列,在訓(xùn)練產(chǎn)品的向量的同時訓(xùn)練其他產(chǎn)品所屬類別特征的向量,該方法能夠在一定程度上解決冷啟動問題。第二類算法將用戶與產(chǎn)品作為輸入,通過計算得到用戶點擊相關(guān)產(chǎn)品的概率,如Rendle等人提出FM模型,該模型除線性部分外,使用了特征之間的交互信息,可以很好地解決部分參數(shù)因數(shù)據(jù)稀疏的原因無法學(xué)習(xí)的問題;Juan等人提出FFM模型,該模型在FM模型的基礎(chǔ)上做了一定的改進(jìn),每個特征不再只由單個向量表示,在與不同的特征交互時,根據(jù)交互特征的類型使用不同的語義向量,在保持參數(shù)量大致相同的同時,加快了訓(xùn)練速度,提升了訓(xùn)練效率與準(zhǔn)確率;Cheng等人提出了Wide&Deep模型,該模型結(jié)合了傳統(tǒng)的線性模型與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)勢,平衡模型的記憶能力與泛化能力,取得了較好的效果。

    另一方面,以往也有大量關(guān)于顧客選擇模型以及對應(yīng)的產(chǎn)品組合問題的研究。Vulcano等學(xué)者通過使用EM算法代替最大似然估計,估計MNL模型的參數(shù),并通過實驗說明了在收益管理領(lǐng)域使用選擇模型是可行的,并且在實際場景下能夠取得理想的收益;Davis等學(xué)者證明了基于MNL的產(chǎn)品選擇問題,在多種限制條件下,均可轉(zhuǎn)化為線性規(guī)劃問題求解;Gallego等學(xué)者提出了針對嵌套的產(chǎn)品組合問題的一種近似算法,該算法能自提升速度的同時保證結(jié)果的有效性;Feldman等學(xué)者則通過線上對比實驗比較了機(jī)器學(xué)習(xí)的算法以及基于MNL模型的產(chǎn)品組合優(yōu)化算法,后者比前者取得了更高的收益。

    2 算法模型

    2.1 MNL選擇模型

    MNL模型假定顧客與給定的商品產(chǎn)生關(guān)聯(lián)、產(chǎn)生效用,并且顧客最終只會購買效用最高的商品。在MNL模型中,顧客t對商品j的效用如下式所示:

    Ujt=Vjt+εt

    其中,Vjt為效用估計函數(shù)根據(jù)特征輸出的效用估計值,為一確定值,而εt則為一個服從Gumbel分布的獨立同分布變量。在MNL模型中,為了關(guān)聯(lián)顧客與商品之間的特征,一般使用線性組合的方式以計算效用:

    Vjt=∑ K k=1 wk xj,t,k

    其中,xj,t,k代表了顧客t與商品j的各種特征,而wk則表示各個特征的權(quán)重。假設(shè)商品總集合為N={1, …, n},該集合包含了產(chǎn)品組合中所有可選擇的商品,除了這n個商品,再假設(shè)有一編號為0的商品選項,該選項代表顧客沒有點擊購買商品組合任何一個商品。在本文中,我們將不失一般性地假設(shè)對任意顧客t,V0t=0?;谝陨霞僭O(shè),在MNL模型中,對任意顧客t,將產(chǎn)品組合StN推薦給顧客,顧客點擊產(chǎn)品組合中任意商品j∈St的概率為:

    Pjt (St,Vt)= exp(Vjt) 1+∑i∈Stexp(Vit)

    根據(jù)上式可以得出,任意商品的點擊購買概率既與商品和用戶本身的屬性特征相關(guān),同時也與產(chǎn)品組合中的其他商品相關(guān)。

    在MNL模型中,各個特征的權(quán)重wk通常使用極大似然估計獲得。假定歷史點擊數(shù)據(jù)D={(St,Xt,zt ):t=1,2,…,T},其中Xt={Xjt:j∈St},Xjt={xj,t,k,k=1,…,K},zt表示顧客最終點擊商品的編碼,若顧客未點擊任何商品則zt=0。根據(jù)歷史點擊數(shù)據(jù),通過極大似然估計得到權(quán)重:

    W=argmaxw LL(W|D)

    其中

    LL(W|D)=∑ T t=0 lg exp(Vzt t) 1+∑i∈Stexp(Vit)

    W={wk:k=1,…,K}

    由于數(shù)據(jù)量較大,本文采用梯度下降的方法求解權(quán)重。

    根據(jù)上述算法可知,MNL選擇模型通過線性組合的簡單形式計算商品效用,該模型參數(shù)量少、速度快并且具備可解釋性,但在另一方面,該模型僅考慮了特征對商品效用的一階的線性影響,并未考慮特征的高階影響以及特征之間的交互作用,若使用一些基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型,則可以在一定程度上解決這一類的問題。

    2.2 神經(jīng)網(wǎng)絡(luò)選擇模型

    在估計商品效用時,一些隱式的特征交互通常會對商品效用產(chǎn)生影響。比如顧客通常會在冬季點擊購買外套,在夏季點擊購買T恤,這是商品種類與時間兩種因素對商品效用的交互影響;若再考慮年齡要素,年輕人通常會更喜歡潮流的服飾,而中老年人則通常偏好于成熟穩(wěn)重的衣物。商品的效用可能還包括商品種類、時間以及消費者年齡三種因素之間的三階交互影響。為了更好地學(xué)習(xí)到高階特征以及特征之間的交互作用,本文將采用神經(jīng)網(wǎng)絡(luò)模型估計商品效用。

    本文所采用的模型大致如圖1所示,模型的基本架構(gòu)使用了Guo等人提出的DeepFM模型。模型的輸入主要分為兩種類型的特征:連續(xù)特征以及離散的類別特征。連續(xù)特征的取值具備實際意義,可以進(jìn)行大小比較以及加減運算;而類別特征的取值通常無實際意義,一般的做法是對類別特征采用獨熱編碼(One-Hot Encoding)進(jìn)行預(yù)處理,經(jīng)過獨熱編碼處理的數(shù)據(jù)只有0與1兩種取值。

    由于我們希望模型能夠同時學(xué)習(xí)到不同特征之間的低階以及高階的交互,因此模型分為因子分解機(jī)(FM)與深度神經(jīng)網(wǎng)絡(luò)(DNN)兩個部分。這里假定經(jīng)過預(yù)處理的輸入為X={xi:i=1,…,N}。

    在FM部分,對于每個輸入xi,模型都會賦予其一個參數(shù)wi以及一個隱向量vi,wi表示xi的一階線性影響,而vi則用于計算特征之間的交互作用。FM部分主要通過不同特征對應(yīng)的隱向量vi之間的內(nèi)積來計算特征之間的二階交互作用,在輸入端數(shù)據(jù)十分稀疏的情況下,這種做法比給每一對輸入特征的交互作用單賦予一個參數(shù)來計算交互作用更為有效以及可靠。這是因為若對每一對輸入特征的交互作用單賦予一個參數(shù),則只有這一對特征均不為0的情況下,該參數(shù)才能被學(xué)習(xí);而在使用隱向量的方法時,在對應(yīng)特征以及任意其他特征不為0的情況下,該特征對應(yīng)的隱向量的參數(shù)都可以被學(xué)習(xí)。FM部分的輸出為:

    y1=∑ N i=1 wi xi

    y2=∑ N-1 i1=1 ∑ N i2=i1+1 〈vi1,vi2〉xi1xi2

    其中,y1表示特征的一階線性作用,y2表示特征的二階交互作用。

    在DNN部分,將所有不為0的輸入按順序找到每一個輸入所對應(yīng)的隱向量vi,在將隱向量乘對應(yīng)的輸入后,通過向量拼接得到輸入a(0)=[v1,v2,…,vK]。這里a(0)的維度為d×K,其中d表示隱向量的維度,K表示預(yù)處理前特征的總個數(shù)。DNN部分為一個前饋神經(jīng)網(wǎng)絡(luò),由于神經(jīng)網(wǎng)絡(luò)具備自動學(xué)習(xí)特征交互能力,模型該部分用于學(xué)習(xí)特征之間的高階交互作用,前饋神經(jīng)網(wǎng)絡(luò)的計算方式如下:

    a(l+1)=σ(W(l) a(l)+b(l))

    其中,a(l)為神經(jīng)網(wǎng)絡(luò)上一層的輸出,W(l)為l層的權(quán)重參數(shù),b(l)為l層的偏移參數(shù),a(l+1)為輸出,σ為激活函數(shù)。模型的DNN部分的輸出y3=a(L+1),L為前饋神經(jīng)網(wǎng)絡(luò)的總層數(shù)。

    模型計算的效用為V=w0+y1+y2+y3,w0為偏置項。與MNL模型計算一樣,假設(shè)V0t=0,通過Pjt(St,Vt)= exp(Vjt) 1+∑i∈Stexp(Vit) 計算顧客點擊產(chǎn)品組合中任意商品j∈St的概率。沿用MNL模型相同的損失函數(shù),通過梯度下降的方式估計模型參數(shù)。

    2.3 考慮商品交互作用的attention選擇模型

    對于商品集合中每個商品點擊概率預(yù)測的問題,目前的最優(yōu)做法是通過神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對商品特征進(jìn)行編碼,將每一個候選集中的商品通過神經(jīng)網(wǎng)絡(luò)生成一個可以代表該商品所有特征的向量,再使用attention等方法將不同的商品間的交互特征結(jié)合進(jìn)來,最終輸出候選集中每個商品被點擊的概率。

    在本次研究中,為了更好地評估通過效用估計的商品點擊概率的準(zhǔn)確性,防止因為使用不同的網(wǎng)絡(luò)結(jié)構(gòu)影響到結(jié)果的準(zhǔn)確性,因此在這個部分使用的神經(jīng)網(wǎng)絡(luò)模型依然為前述的神經(jīng)網(wǎng)絡(luò)模型,僅去除最后的輸出層,將最后的隱層拼接作為網(wǎng)絡(luò)學(xué)習(xí)到的商品的向量表示。

    在這里,假設(shè)商品i的向量表示為di,通過attention的方法計算不同商品之間的交互作用,最終得到商品i的輸出向量oi=∑Nj=1wijdj。這里wij計算的是商品j對商品i的輸出向量的貢獻(xiàn),其計算方式為:

    wij= cij ∑Nj=1cij

    其中,

    cij=vT (Wq di+Wv dj)

    在這里,Wq, Wv∈Rd×d, di, v∈RN。最后,每個商品通過前饋神經(jīng)網(wǎng)絡(luò)得到對應(yīng)的輸出,再使用前述相同的方式計算每個商品被點擊的概率。

    該模型充分考慮了產(chǎn)品組合中不同商品的相互交互作用,是目前最優(yōu)的選擇模型構(gòu)建思路,但也由于其考慮到了其他商品對于單個商品的影響,沒有估計單個商品產(chǎn)生的效用,因此無法與優(yōu)化模型相結(jié)合來得到最優(yōu)產(chǎn)品組合。

    3 數(shù)值實驗

    本文的實驗數(shù)據(jù)來源于全球分銷系統(tǒng)Amadeus收集的機(jī)票預(yù)訂數(shù)據(jù)。在顧客預(yù)訂機(jī)票時,顧客進(jìn)行一些搜索,系統(tǒng)返回不同的航班信息,顧客選擇點擊這些航班中的一個。本文選擇部分?jǐn)?shù)據(jù)集,共16861條數(shù)據(jù)作為訓(xùn)練集,1000條數(shù)據(jù)作為測試集,每條數(shù)據(jù)含三十個備選航線。每條航線包含數(shù)值特征與類別特征,如表1所示。出于法律上的原因,數(shù)據(jù)并未包含乘客的相關(guān)信息。

    對于中轉(zhuǎn)時間、總價格以及飛行時間等連續(xù)型變量,數(shù)值的取值范圍過大,若單個特征對應(yīng)數(shù)值過大,很可能會直接影響模型結(jié)果。因此,對中轉(zhuǎn)時間,總價格以及飛行時間三個變量,計算每個變量在所有樣本中的最大值max以及最小值min,采用歸一化的方式進(jìn)行預(yù)處理,加快模型的收斂速度:

    x′= x-min max-min

    對于出發(fā)時間以及到達(dá)時間,將時間特征投影到極坐標(biāo),00:00(0分鐘)對應(yīng)0,24:00(1440分鐘)對應(yīng)2π。根據(jù)時間的特性可知,兩個時間對應(yīng)的角度夾角越小,則表示這兩個時間越接近,因此采用計算sin與cos的方式轉(zhuǎn)換對應(yīng)的時間特征:

    xsin=sin ?x 1440 ×2π

    xcos=cos ?x 1440 ×2π

    本文使用上述仿真數(shù)據(jù),采用了LightGBM、MNL選擇模型、神經(jīng)網(wǎng)絡(luò)選擇模型以及attention選擇模型4種模型對用戶可能點擊的商品進(jìn)行預(yù)測。

    LightGBM是一種基于分類回歸樹的梯度提升樹改進(jìn)算法,在本次研究中,將所有訓(xùn)練數(shù)據(jù)中的所有商品作為樣本,使用每個商品被點擊的概率作為標(biāo)簽,訓(xùn)練LightGBM模型。在測試階段,對商品候選集里的所有商品都預(yù)測一個點擊概率,選擇預(yù)測概率最高的商品作為預(yù)測的被點擊對象。

    MNL選擇模型、神經(jīng)網(wǎng)絡(luò)選擇模型的訓(xùn)練過程與LightGBM不同,其輸入為產(chǎn)品組合中的一個商品,通過模型計算商品的效用,最后將產(chǎn)品組合中所有商品的效用進(jìn)行歸一化處理,計算產(chǎn)品組合中每個商品的點擊概率,并通過梯度下降的方式訓(xùn)練模型。在測試階段,使用模型估計商品候選集中每個商品的效用,選擇效用最高的商品作為預(yù)測的被點擊對象。

    Attention選擇模型的輸入是一個產(chǎn)品組合,其中的每個商品通過網(wǎng)絡(luò)被編碼為一個向量,再通過這些向量計算交互因素,最終通過歸一化的方式輸出商品在該產(chǎn)品組合中被點擊的概率。在測試階段,選擇被點擊概率最高的商品作為預(yù)測的被點擊對象。

    本次實驗的評價指標(biāo)為被點擊概率top K商品的被點擊率,實驗結(jié)果如表2和圖2所示。由表2可以看出,盡管MNL模型結(jié)構(gòu)簡單,擬合能力不強,但通過其預(yù)估的商品效用具備一定的準(zhǔn)確性,通過效用計算的被點擊概率能夠取得與LightGBM模型相近的結(jié)果,并且MNL模型還具備可解釋性以及高效快速等優(yōu)勢。而使用神經(jīng)網(wǎng)絡(luò)模型來估計效用,同樣也是根據(jù)效用來推薦商品,其表現(xiàn)明顯好于MNL模型,說明優(yōu)化模型的結(jié)構(gòu)、考慮更多特征的交互能夠顯著提升效用估計的準(zhǔn)確性。最后,使用attention選擇模型的表現(xiàn)則略微好于前述估計單個商品效用的模型,說明在該場景下,前述模型對于商品效用的估計還是比較準(zhǔn)確的,可以通過將效用估計和優(yōu)化模型結(jié)合的方式來確定最優(yōu)的產(chǎn)品組合。

    4 總結(jié)

    本文從如何進(jìn)行產(chǎn)品組合推薦才能使得商家期望收益最大化這一背景出發(fā),對如何準(zhǔn)確估計商品對顧客產(chǎn)生的效用這一問題進(jìn)行了探究。本文使用了LightGBM、MNL選擇模型、神經(jīng)網(wǎng)絡(luò)選擇模型以及attention選擇模型4種模型,通過數(shù)值實驗,得到了如下結(jié)論:(1)通過線性模型估計的商品效用可以取得令人滿意的準(zhǔn)確率,并且線性模型還具備可解釋性等優(yōu)勢。(2)通過神經(jīng)網(wǎng)絡(luò)來估計商品效用,能夠解決線性模型存在的問題,大大提升了估計的準(zhǔn)確性,并且通過其計算得到的商品點擊概率與attention選擇模型相比差距不大。因此,使用神經(jīng)網(wǎng)絡(luò)模型估計商品效用具備一定的實際意義,可以將其運用于產(chǎn)品組合優(yōu)化模型中,這對商家的推薦系統(tǒng)如何進(jìn)行商品推薦具備一定的參考意義。

    參考文獻(xiàn):

    [1] ?MCFADDEN D. Conditional logit analysis of qualitative choice behavior[J]. 1973.

    [2] GUO H, TANG R, YE Y, et al. DeepFM: a factorization-machine based neural network for CTR prediction[J]. arXiv preprint arXiv:1703.04247, 2017.

    [3] MOTTINI A, ACUNA-AGOST R. Deep choice model using pointer networks for airline itinerary prediction[C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2017: 1575-1583.

    [4] KE G, MENG Q, FINLEY T, et al. Lightgbm: a highly efficient gradient boosting decision tree[C]//Advances in neural information processing systems. 2017: 3146-3154.

    [5] PEROZZI B, AL-RFOU R, SKIENA S. Deepwalk: online learning of social representations[C]//Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2014: 701-710.

    [6] MIKOLOV T, CHEN K, CORRADO G, et al. Efficient estimation of word representations in vector space[J]. arXiv preprint arXiv:1301.3781, 2013.

    [7] WANG J, HUANG P, ZHAO H, et al. Billion-scale commodity embedding for e-commerce recommendation in alibaba[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 839-848.

    [8] RENDLE S. Factorization machines[C]//2010 IEEE International Conference on Data Mining. IEEE, 2010: 995-1000.

    [9] JUAN Y, ZHUANG Y, CHIN W S, et al. Field-aware factorization machines for CTR prediction[C]//Proceedings of the 10th ACM Conference on Recommender Systems. ACM, 2016: 43-50.

    [10] ?CHENG H T, KOC L, HARMSEN J, et al. Wide & ?deep learning for recommender systems[C]//Proceedings of the 1st workshop on deep learning for recommender systems. ACM, 2016: 7-10.

    [11] VULCANO G, VAN RYZIN G, CHAAR W. Om practice—choice-based revenue management: an empirical study of estimation and optimization[J]. Manufacturing & Service Operations Management, 2010, 12(3): 371-392.

    [12] DAVIS J, GALLEGO G, TOPALOGLU H. Assortment planning under the multinomial logit model with totally unimodular constraint structures[J]. Work in Progress, 2013.

    [13] GALLEGO G, TOPALOGLU H. Constrained assortment optimization for the nested logit model[J]. Management Science, 2014, 60(10): 2583-2601.

    [14] FELDMAN J, ZHANG D, LIU X, et al. Taking assortment optimization from theory to practice: evidence from large field experiments on alibaba[J].

    [15] FRIEDMAN J H. Greedy function approximation: a gradient boosting machine[J]. Annals of Statistics, 2001: 1189-1232.

    猜你喜歡
    推薦系統(tǒng)神經(jīng)網(wǎng)絡(luò)
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    數(shù)據(jù)挖掘在選課推薦中的研究
    軟件(2016年4期)2017-01-20 10:09:33
    基于用戶偏好的信任網(wǎng)絡(luò)隨機(jī)游走推薦模型
    基于個性化的協(xié)同過濾圖書推薦算法研究
    個性化推薦系統(tǒng)關(guān)鍵算法探討
    淺談Mahout在個性化推薦系統(tǒng)中的應(yīng)用
    關(guān)于協(xié)同過濾推薦算法的研究文獻(xiàn)綜述
    商(2016年29期)2016-10-29 15:22:08
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    成人黄色视频免费在线看| 一级毛片精品| 在线观看免费视频日本深夜| 日韩欧美一区视频在线观看| 精品免费久久久久久久清纯| av片东京热男人的天堂| 看片在线看免费视频| 在线观看www视频免费| 久久国产精品男人的天堂亚洲| 国产一区二区三区在线臀色熟女 | 日韩精品青青久久久久久| 免费在线观看完整版高清| 18禁美女被吸乳视频| 一进一出抽搐动态| 怎么达到女性高潮| 天堂俺去俺来也www色官网| 欧美av亚洲av综合av国产av| 天天添夜夜摸| 久久久久久亚洲精品国产蜜桃av| 不卡av一区二区三区| 欧美+亚洲+日韩+国产| 亚洲av成人av| 女警被强在线播放| 丰满人妻熟妇乱又伦精品不卡| 最近最新中文字幕大全电影3 | 精品人妻1区二区| av中文乱码字幕在线| 神马国产精品三级电影在线观看 | 亚洲黑人精品在线| 嫁个100分男人电影在线观看| av福利片在线| 色婷婷av一区二区三区视频| 欧美丝袜亚洲另类 | 欧美精品亚洲一区二区| 国产主播在线观看一区二区| 嫁个100分男人电影在线观看| 天堂影院成人在线观看| 欧美亚洲日本最大视频资源| 90打野战视频偷拍视频| www国产在线视频色| 高清欧美精品videossex| 村上凉子中文字幕在线| 欧美激情 高清一区二区三区| 男女下面进入的视频免费午夜 | 无限看片的www在线观看| 精品国产超薄肉色丝袜足j| 自线自在国产av| 国产精品国产av在线观看| 黄色视频,在线免费观看| 国产色视频综合| 日本三级黄在线观看| 高清欧美精品videossex| 国产视频一区二区在线看| 999久久久国产精品视频| 精品人妻在线不人妻| 亚洲成人国产一区在线观看| 久久香蕉国产精品| 啪啪无遮挡十八禁网站| 免费不卡黄色视频| 久久久久精品国产欧美久久久| 国产精品野战在线观看 | 天天添夜夜摸| 亚洲av熟女| 青草久久国产| 久99久视频精品免费| 欧美人与性动交α欧美精品济南到| 成人国语在线视频| 成熟少妇高潮喷水视频| 午夜免费鲁丝| 99国产精品99久久久久| 国产乱人伦免费视频| 韩国精品一区二区三区| 女生性感内裤真人,穿戴方法视频| 久久天躁狠狠躁夜夜2o2o| 一级作爱视频免费观看| 看片在线看免费视频| 日韩精品青青久久久久久| 黑丝袜美女国产一区| 亚洲成a人片在线一区二区| 精品久久久精品久久久| 国产主播在线观看一区二区| 成人手机av| 黄色a级毛片大全视频| 国产99白浆流出| 美女高潮喷水抽搐中文字幕| 热99re8久久精品国产| 9191精品国产免费久久| 一区福利在线观看| tocl精华| 好看av亚洲va欧美ⅴa在| 最好的美女福利视频网| 大型av网站在线播放| 亚洲国产中文字幕在线视频| 999久久久精品免费观看国产| 日本精品一区二区三区蜜桃| 99久久精品国产亚洲精品| 久久精品亚洲精品国产色婷小说| 国产av一区二区精品久久| 18美女黄网站色大片免费观看| 欧美大码av| 色哟哟哟哟哟哟| 久久香蕉国产精品| 成人三级做爰电影| 丰满饥渴人妻一区二区三| 亚洲成人国产一区在线观看| 中文字幕人妻熟女乱码| 一区二区三区国产精品乱码| 美女大奶头视频| av网站免费在线观看视频| 成人18禁在线播放| 久久婷婷成人综合色麻豆| av有码第一页| 美女扒开内裤让男人捅视频| 精品国产亚洲在线| 美女高潮到喷水免费观看| 在线观看免费日韩欧美大片| 亚洲avbb在线观看| 亚洲一区二区三区色噜噜 | 高清毛片免费观看视频网站 | 国产精品国产av在线观看| 国产色视频综合| 99国产精品99久久久久| 国产主播在线观看一区二区| 日本一区二区免费在线视频| 老司机亚洲免费影院| av欧美777| 黄片大片在线免费观看| 91精品国产国语对白视频| 涩涩av久久男人的天堂| 18禁裸乳无遮挡免费网站照片 | 99热国产这里只有精品6| 午夜91福利影院| 天天影视国产精品| 麻豆国产av国片精品| 热re99久久国产66热| 国产三级在线视频| 日韩人妻精品一区2区三区| 久久久久久久久免费视频了| 日韩免费av在线播放| 国产精品爽爽va在线观看网站 | 精品福利永久在线观看| 国产1区2区3区精品| 亚洲少妇的诱惑av| 免费人成视频x8x8入口观看| 日日夜夜操网爽| 午夜影院日韩av| 母亲3免费完整高清在线观看| 久久国产精品人妻蜜桃| 国产野战对白在线观看| 国产精品成人在线| 精品熟女少妇八av免费久了| 欧美另类亚洲清纯唯美| 黑人巨大精品欧美一区二区mp4| 老熟妇乱子伦视频在线观看| 搡老熟女国产l中国老女人| 侵犯人妻中文字幕一二三四区| 中文字幕精品免费在线观看视频| 麻豆久久精品国产亚洲av | 国产成人一区二区三区免费视频网站| 久久久久精品国产欧美久久久| 亚洲专区字幕在线| 少妇粗大呻吟视频| 欧美老熟妇乱子伦牲交| 很黄的视频免费| 色老头精品视频在线观看| 美女高潮喷水抽搐中文字幕| 亚洲欧美精品综合久久99| 国产亚洲精品久久久久久毛片| 日本黄色日本黄色录像| 国产激情久久老熟女| 激情视频va一区二区三区| 国产一区二区三区在线臀色熟女 | 亚洲熟妇熟女久久| 国产精品永久免费网站| 女人高潮潮喷娇喘18禁视频| tocl精华| 97人妻天天添夜夜摸| 亚洲久久久国产精品| 99久久精品国产亚洲精品| 变态另类成人亚洲欧美熟女 | 精品国产一区二区久久| 亚洲中文字幕日韩| 国产成人精品无人区| 国产成人av激情在线播放| 欧美日本亚洲视频在线播放| 波多野结衣一区麻豆| 国产成人精品久久二区二区免费| 大型黄色视频在线免费观看| 亚洲精品美女久久av网站| 黄片大片在线免费观看| 亚洲精品国产色婷婷电影| 欧美乱码精品一区二区三区| 悠悠久久av| a级片在线免费高清观看视频| 超碰成人久久| 欧美+亚洲+日韩+国产| 亚洲熟妇熟女久久| 亚洲色图 男人天堂 中文字幕| 欧美成人免费av一区二区三区| 高清欧美精品videossex| 乱人伦中国视频| 久久久精品欧美日韩精品| 亚洲国产中文字幕在线视频| 91成人精品电影| a在线观看视频网站| 99久久99久久久精品蜜桃| 两个人免费观看高清视频| 亚洲人成电影免费在线| 黑人巨大精品欧美一区二区mp4| 国产一区二区三区在线臀色熟女 | 国产精品九九99| 精品久久久久久成人av| 国产三级在线视频| 女警被强在线播放| 不卡一级毛片| 亚洲五月天丁香| 中文字幕高清在线视频| 宅男免费午夜| 精品日产1卡2卡| 999精品在线视频| 性色av乱码一区二区三区2| 91老司机精品| 国产又爽黄色视频| 极品人妻少妇av视频| 侵犯人妻中文字幕一二三四区| 久久久精品欧美日韩精品| av天堂久久9| 亚洲美女黄片视频| 国产成人一区二区三区免费视频网站| 国产无遮挡羞羞视频在线观看| 国产亚洲精品久久久久5区| 国产日韩一区二区三区精品不卡| 男女下面进入的视频免费午夜 | 成在线人永久免费视频| 国产日韩一区二区三区精品不卡| 国产成人系列免费观看| 精品无人区乱码1区二区| 亚洲精品成人av观看孕妇| 亚洲九九香蕉| 免费一级毛片在线播放高清视频 | www.www免费av| 无限看片的www在线观看| 亚洲av成人av| 久久热在线av| 久久精品国产亚洲av香蕉五月| 极品人妻少妇av视频| 亚洲 欧美 日韩 在线 免费| 一个人观看的视频www高清免费观看 | 丝袜人妻中文字幕| 女性被躁到高潮视频| 国产三级黄色录像| 50天的宝宝边吃奶边哭怎么回事| 国产一卡二卡三卡精品| 国产成人啪精品午夜网站| 欧美+亚洲+日韩+国产| 午夜免费激情av| 亚洲va日本ⅴa欧美va伊人久久| 久久香蕉国产精品| 免费在线观看日本一区| 国产精品免费一区二区三区在线| 亚洲男人的天堂狠狠| 精品人妻1区二区| 亚洲色图 男人天堂 中文字幕| 精品福利观看| 天堂中文最新版在线下载| 99精品在免费线老司机午夜| 亚洲成av片中文字幕在线观看| 熟女少妇亚洲综合色aaa.| 午夜免费成人在线视频| 一进一出抽搐动态| 国产精品综合久久久久久久免费 | 18禁黄网站禁片午夜丰满| 亚洲成人免费电影在线观看| 欧美在线一区亚洲| 久久久久国产精品人妻aⅴ院| 久久精品人人爽人人爽视色| 日日摸夜夜添夜夜添小说| 亚洲视频免费观看视频| 欧美成人免费av一区二区三区| 成人国产一区最新在线观看| 69精品国产乱码久久久| 在线观看免费视频日本深夜| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久成人av| 国产亚洲欧美在线一区二区| 99精品在免费线老司机午夜| 国产一区二区三区综合在线观看| 91老司机精品| 中文字幕人妻丝袜一区二区| 黑人猛操日本美女一级片| 无遮挡黄片免费观看| 欧美日韩福利视频一区二区| 老汉色∧v一级毛片| 久久精品成人免费网站| 97人妻天天添夜夜摸| 国产伦人伦偷精品视频| 日韩免费高清中文字幕av| 色综合站精品国产| 啦啦啦在线免费观看视频4| 午夜免费观看网址| www.精华液| 搡老岳熟女国产| 欧美成狂野欧美在线观看| 精品久久久精品久久久| 校园春色视频在线观看| 日日摸夜夜添夜夜添小说| 新久久久久国产一级毛片| 亚洲av第一区精品v没综合| √禁漫天堂资源中文www| 国产精品99久久99久久久不卡| 天堂动漫精品| 欧美黄色淫秽网站| 欧美日韩亚洲高清精品| 如日韩欧美国产精品一区二区三区| 亚洲色图av天堂| 一夜夜www| 亚洲av片天天在线观看| 国产成人精品在线电影| netflix在线观看网站| 久久香蕉国产精品| 99国产精品99久久久久| 久久久久久久午夜电影 | 亚洲视频免费观看视频| 久久午夜综合久久蜜桃| 宅男免费午夜| 人人澡人人妻人| 日韩精品免费视频一区二区三区| 熟女少妇亚洲综合色aaa.| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲成国产人片在线观看| av中文乱码字幕在线| 热99re8久久精品国产| 少妇粗大呻吟视频| 99久久国产精品久久久| 国产深夜福利视频在线观看| 免费在线观看亚洲国产| 国产男靠女视频免费网站| 久久久国产成人免费| 超碰97精品在线观看| 久久久久国内视频| 午夜两性在线视频| 在线观看免费日韩欧美大片| 国产一区二区三区视频了| 丝袜人妻中文字幕| 国产无遮挡羞羞视频在线观看| 久久久久九九精品影院| 超碰97精品在线观看| 国产精华一区二区三区| 热re99久久精品国产66热6| 久久久久九九精品影院| 亚洲人成网站在线播放欧美日韩| 国产精品成人在线| 每晚都被弄得嗷嗷叫到高潮| 在线观看免费午夜福利视频| 乱人伦中国视频| 久久这里只有精品19| 日韩精品青青久久久久久| 视频区图区小说| 纯流量卡能插随身wifi吗| 欧美色视频一区免费| 老司机亚洲免费影院| 国产亚洲精品久久久久5区| 一本综合久久免费| 在线看a的网站| 免费日韩欧美在线观看| 久久久久久久精品吃奶| 一级黄色大片毛片| 欧美乱妇无乱码| 国产无遮挡羞羞视频在线观看| 久久九九热精品免费| 精品国产超薄肉色丝袜足j| 人成视频在线观看免费观看| 可以在线观看毛片的网站| 80岁老熟妇乱子伦牲交| 日本一区二区免费在线视频| 麻豆久久精品国产亚洲av | 亚洲精品成人av观看孕妇| 亚洲精品中文字幕一二三四区| 国产激情欧美一区二区| 少妇被粗大的猛进出69影院| 三级毛片av免费| 国产精品亚洲一级av第二区| 亚洲九九香蕉| 精品国产乱子伦一区二区三区| 亚洲第一av免费看| 亚洲人成电影免费在线| 亚洲精品一卡2卡三卡4卡5卡| 国产av精品麻豆| 夜夜躁狠狠躁天天躁| 男女下面进入的视频免费午夜 | 12—13女人毛片做爰片一| 日韩av在线大香蕉| 精品国产国语对白av| 88av欧美| 丰满人妻熟妇乱又伦精品不卡| 欧美日本亚洲视频在线播放| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲专区国产一区二区| 18禁美女被吸乳视频| 亚洲欧美日韩高清在线视频| 欧美在线黄色| 中文字幕人妻熟女乱码| 亚洲欧美精品综合一区二区三区| 日韩欧美免费精品| 男男h啪啪无遮挡| 中文字幕人妻丝袜一区二区| 国产成人免费无遮挡视频| 露出奶头的视频| 色播在线永久视频| 精品免费久久久久久久清纯| 亚洲专区国产一区二区| 男人操女人黄网站| 嫩草影视91久久| x7x7x7水蜜桃| 免费少妇av软件| 法律面前人人平等表现在哪些方面| 日韩欧美一区二区三区在线观看| 午夜免费鲁丝| 嫩草影院精品99| 欧美人与性动交α欧美软件| 电影成人av| 国产亚洲av高清不卡| tocl精华| 女人高潮潮喷娇喘18禁视频| 校园春色视频在线观看| 黄片小视频在线播放| 精品久久久久久久久久免费视频 | 最近最新中文字幕大全电影3 | 自线自在国产av| 亚洲免费av在线视频| 精品国产一区二区三区四区第35| 欧美大码av| 天堂√8在线中文| 久久久久久久久中文| 午夜亚洲福利在线播放| 黄色成人免费大全| 国产av又大| 日韩精品青青久久久久久| 在线av久久热| 国产高清激情床上av| 欧美久久黑人一区二区| 亚洲中文av在线| 女人爽到高潮嗷嗷叫在线视频| 高清黄色对白视频在线免费看| 久久国产精品影院| 99香蕉大伊视频| 18禁观看日本| 欧美人与性动交α欧美精品济南到| 天堂俺去俺来也www色官网| 国产成人精品久久二区二区91| 人人妻人人添人人爽欧美一区卜| 一级a爱片免费观看的视频| 视频区图区小说| 18禁观看日本| 99香蕉大伊视频| 老汉色∧v一级毛片| 男人的好看免费观看在线视频 | 欧美成狂野欧美在线观看| 欧美性长视频在线观看| 久久中文字幕人妻熟女| 欧美国产精品va在线观看不卡| 1024视频免费在线观看| 老熟妇仑乱视频hdxx| 国产亚洲欧美98| 久久亚洲精品不卡| 亚洲色图综合在线观看| 性色av乱码一区二区三区2| 亚洲专区国产一区二区| 久99久视频精品免费| 波多野结衣av一区二区av| 亚洲第一欧美日韩一区二区三区| 免费看a级黄色片| 操美女的视频在线观看| 亚洲精品在线观看二区| 女警被强在线播放| 午夜视频精品福利| 欧美日韩福利视频一区二区| 精品国产超薄肉色丝袜足j| 中亚洲国语对白在线视频| 美女国产高潮福利片在线看| 性色av乱码一区二区三区2| 国产伦一二天堂av在线观看| 丝袜美腿诱惑在线| 午夜日韩欧美国产| 美女高潮到喷水免费观看| 亚洲精品av麻豆狂野| 久久精品影院6| 怎么达到女性高潮| 十八禁网站免费在线| 国产成人av激情在线播放| 欧美黄色片欧美黄色片| 成人18禁在线播放| 80岁老熟妇乱子伦牲交| 国产精品永久免费网站| 80岁老熟妇乱子伦牲交| 黄色丝袜av网址大全| 少妇被粗大的猛进出69影院| 高清在线国产一区| 婷婷六月久久综合丁香| 亚洲精品国产一区二区精华液| 在线永久观看黄色视频| 国产精品野战在线观看 | 日本黄色视频三级网站网址| x7x7x7水蜜桃| 日韩欧美一区二区三区在线观看| 精品高清国产在线一区| a级毛片在线看网站| 少妇粗大呻吟视频| 高清av免费在线| 国产精品二区激情视频| 国产成+人综合+亚洲专区| 国产成人影院久久av| 大型黄色视频在线免费观看| 法律面前人人平等表现在哪些方面| 久久精品影院6| 亚洲va日本ⅴa欧美va伊人久久| 91国产中文字幕| 欧美日本亚洲视频在线播放| 国产日韩一区二区三区精品不卡| 国产精品av久久久久免费| 九色亚洲精品在线播放| 国产国语露脸激情在线看| 精品一品国产午夜福利视频| 在线观看免费高清a一片| 久久亚洲真实| 男人舔女人的私密视频| √禁漫天堂资源中文www| 美女高潮到喷水免费观看| 激情在线观看视频在线高清| 亚洲人成电影免费在线| av欧美777| 免费一级毛片在线播放高清视频 | 久久久久精品国产欧美久久久| 久久精品人人爽人人爽视色| 精品久久久久久成人av| 国产精品九九99| 精品福利观看| 日本wwww免费看| 欧美黑人精品巨大| 色播在线永久视频| 十八禁人妻一区二区| 亚洲精品一区av在线观看| 国产人伦9x9x在线观看| 国内毛片毛片毛片毛片毛片| 少妇 在线观看| 久久久精品国产亚洲av高清涩受| 他把我摸到了高潮在线观看| 香蕉久久夜色| 制服诱惑二区| av在线播放免费不卡| 国产精品野战在线观看 | 日韩免费av在线播放| 欧美中文综合在线视频| 90打野战视频偷拍视频| 午夜两性在线视频| 狂野欧美激情性xxxx| www.999成人在线观看| 亚洲国产精品合色在线| 女警被强在线播放| 一进一出好大好爽视频| 日韩免费高清中文字幕av| 欧美成狂野欧美在线观看| 天天影视国产精品| 国产精品野战在线观看 | 97碰自拍视频| 制服人妻中文乱码| 天堂中文最新版在线下载| 99久久久亚洲精品蜜臀av| 国产精品久久电影中文字幕| 亚洲人成77777在线视频| 亚洲人成网站在线播放欧美日韩| 国产精品亚洲av一区麻豆| 一二三四社区在线视频社区8| 亚洲一区中文字幕在线| 国产精品秋霞免费鲁丝片| 欧美老熟妇乱子伦牲交| 欧美国产精品va在线观看不卡| 精品熟女少妇八av免费久了| 少妇被粗大的猛进出69影院| 国产亚洲精品一区二区www| 欧美精品一区二区免费开放| 99re在线观看精品视频| 日日爽夜夜爽网站| 中文字幕另类日韩欧美亚洲嫩草| 看片在线看免费视频| 亚洲av日韩精品久久久久久密| av电影中文网址| 亚洲中文av在线| 免费观看精品视频网站| 日韩三级视频一区二区三区| 9191精品国产免费久久| 久久久久久久精品吃奶| 神马国产精品三级电影在线观看 | 国产av精品麻豆| 久久婷婷成人综合色麻豆| 午夜久久久在线观看| 国产精品一区二区三区四区久久 | 国产伦人伦偷精品视频| 国产欧美日韩一区二区三区在线| 级片在线观看| 少妇裸体淫交视频免费看高清 | 动漫黄色视频在线观看| 国产国语露脸激情在线看| 91成人精品电影| svipshipincom国产片| 亚洲男人天堂网一区| 精品卡一卡二卡四卡免费| 精品免费久久久久久久清纯| 午夜两性在线视频| 日本一区二区免费在线视频| 在线视频色国产色| 国产人伦9x9x在线观看| 女性生殖器流出的白浆| 国产免费男女视频| 国产成人影院久久av|