• <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
    久久久久久国产a免费观看| 精品人妻熟女av久视频| 日本在线视频免费播放| 麻豆一二三区av精品| 三级男女做爰猛烈吃奶摸视频| 日本五十路高清| 美女高潮喷水抽搐中文字幕| 真人一进一出gif抽搐免费| 欧美丝袜亚洲另类 | 一级av片app| 亚洲国产精品久久男人天堂| 黄色配什么色好看| 久久精品夜夜夜夜夜久久蜜豆| 久久久久久久午夜电影| 亚洲人成电影免费在线| 日日摸夜夜添夜夜添小说| 久久精品91蜜桃| www.色视频.com| 90打野战视频偷拍视频| 欧美黄色淫秽网站| 亚洲最大成人中文| 国产精品av视频在线免费观看| 亚洲最大成人av| 欧美日韩福利视频一区二区| 在线国产一区二区在线| 国产三级在线视频| 欧美成人性av电影在线观看| 久久精品国产亚洲av天美| 黄色一级大片看看| avwww免费| 日日干狠狠操夜夜爽| 成年免费大片在线观看| 757午夜福利合集在线观看| 无遮挡黄片免费观看| 变态另类丝袜制服| 日本a在线网址| 欧美在线一区亚洲| 欧美一区二区亚洲| 99国产综合亚洲精品| 狂野欧美白嫩少妇大欣赏| 国产色婷婷99| 波多野结衣高清无吗| 国产三级黄色录像| 成年免费大片在线观看| 伦理电影大哥的女人| 中文字幕人成人乱码亚洲影| 日本a在线网址| 久久草成人影院| 国产伦一二天堂av在线观看| 午夜福利欧美成人| 桃红色精品国产亚洲av| 日日夜夜操网爽| 我的老师免费观看完整版| 亚洲av美国av| 日韩 亚洲 欧美在线| a级一级毛片免费在线观看| 免费在线观看影片大全网站| 亚洲无线在线观看| 久久草成人影院| 日韩国内少妇激情av| 国产真实伦视频高清在线观看 | 18禁黄网站禁片午夜丰满| 成人一区二区视频在线观看| av在线观看视频网站免费| a级毛片免费高清观看在线播放| 国产美女午夜福利| 特级一级黄色大片| 色哟哟哟哟哟哟| www日本黄色视频网| 在线免费观看的www视频| 一边摸一边抽搐一进一小说| 国产又黄又爽又无遮挡在线| 午夜福利高清视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美中文日本在线观看视频| 少妇熟女aⅴ在线视频| 一级a爱片免费观看的视频| 一夜夜www| 老司机午夜福利在线观看视频| 久久精品国产亚洲av涩爱 | 直男gayav资源| .国产精品久久| 91av网一区二区| 哪里可以看免费的av片| 一级毛片久久久久久久久女| 黄色视频,在线免费观看| 欧美成人一区二区免费高清观看| 美女高潮的动态| 又爽又黄无遮挡网站| 亚洲在线自拍视频| 麻豆一二三区av精品| 亚洲va日本ⅴa欧美va伊人久久| 亚洲五月天丁香| 最近在线观看免费完整版| 校园春色视频在线观看| 熟妇人妻久久中文字幕3abv| 我的老师免费观看完整版| 男女下面进入的视频免费午夜| 久久精品综合一区二区三区| 99riav亚洲国产免费| 亚洲精品456在线播放app | 亚洲天堂国产精品一区在线| 一个人看视频在线观看www免费| 色哟哟哟哟哟哟| 国产伦精品一区二区三区视频9| 中文字幕熟女人妻在线| 麻豆国产av国片精品| 天堂影院成人在线观看| 午夜免费男女啪啪视频观看 | 亚洲国产精品成人综合色| 欧美极品一区二区三区四区| 成人特级黄色片久久久久久久| 久久婷婷人人爽人人干人人爱| 国产高清视频在线观看网站| 久久精品久久久久久噜噜老黄 | 亚洲美女搞黄在线观看 | 国产一区二区激情短视频| 亚洲成人久久爱视频| 赤兔流量卡办理| 99国产极品粉嫩在线观看| 观看美女的网站| 中文字幕免费在线视频6| 亚洲精品一卡2卡三卡4卡5卡| www.色视频.com| 男人和女人高潮做爰伦理| 看黄色毛片网站| 无遮挡黄片免费观看| 亚洲黑人精品在线| 免费观看精品视频网站| 午夜影院日韩av| 久久久久久久精品吃奶| 可以在线观看毛片的网站| 嫩草影视91久久| 制服丝袜大香蕉在线| 51国产日韩欧美| 尤物成人国产欧美一区二区三区| 天堂网av新在线| 看片在线看免费视频| 网址你懂的国产日韩在线| 亚洲美女视频黄频| 国产人妻一区二区三区在| 91在线观看av| 91麻豆精品激情在线观看国产| 99在线视频只有这里精品首页| 欧美高清成人免费视频www| 亚洲欧美日韩无卡精品| 午夜福利视频1000在线观看| 欧美乱色亚洲激情| 国产91精品成人一区二区三区| 最近在线观看免费完整版| av专区在线播放| 人人妻人人看人人澡| 一个人免费在线观看电影| 欧美一区二区国产精品久久精品| 久久亚洲真实| 一卡2卡三卡四卡精品乱码亚洲| 在线观看免费视频日本深夜| 亚洲最大成人av| 一卡2卡三卡四卡精品乱码亚洲| 一区二区三区激情视频| 观看美女的网站| 在线播放国产精品三级| 久久欧美精品欧美久久欧美| 一区二区三区免费毛片| 一本综合久久免费| 欧美精品国产亚洲| 老司机福利观看| 中文亚洲av片在线观看爽| 女生性感内裤真人,穿戴方法视频| 国产精品亚洲av一区麻豆| 在线观看66精品国产| 亚洲熟妇熟女久久| 久久久国产成人精品二区| av福利片在线观看| avwww免费| 国产成人福利小说| 每晚都被弄得嗷嗷叫到高潮| 国产精品日韩av在线免费观看| 国产黄色小视频在线观看| 久9热在线精品视频| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 波多野结衣高清无吗| а√天堂www在线а√下载| 99久久成人亚洲精品观看| 91久久精品电影网| 天天躁日日操中文字幕| 免费人成在线观看视频色| 深夜a级毛片| 日韩高清综合在线| 成人高潮视频无遮挡免费网站| 亚洲,欧美精品.| 国产视频内射| 亚洲电影在线观看av| 俄罗斯特黄特色一大片| 日韩大尺度精品在线看网址| avwww免费| 精品人妻熟女av久视频| 午夜两性在线视频| 最近中文字幕高清免费大全6 | 精品久久久久久,| 超碰av人人做人人爽久久| 别揉我奶头 嗯啊视频| 午夜福利高清视频| 99国产精品一区二区蜜桃av| 亚洲午夜理论影院| 国产成年人精品一区二区| 亚洲一区高清亚洲精品| 99久久久亚洲精品蜜臀av| 狠狠狠狠99中文字幕| 久久精品夜夜夜夜夜久久蜜豆| 99精品久久久久人妻精品| 老司机深夜福利视频在线观看| 丰满人妻一区二区三区视频av| 非洲黑人性xxxx精品又粗又长| 老熟妇乱子伦视频在线观看| 俄罗斯特黄特色一大片| 观看免费一级毛片| 男人舔女人下体高潮全视频| 欧美色欧美亚洲另类二区| 国产老妇女一区| 欧美日韩中文字幕国产精品一区二区三区| 国产在线精品亚洲第一网站| 日韩中字成人| 麻豆av噜噜一区二区三区| 国产亚洲精品久久久久久毛片| 久久久精品欧美日韩精品| 国产又黄又爽又无遮挡在线| 精华霜和精华液先用哪个| 1024手机看黄色片| 一级黄色大片毛片| 日本a在线网址| 日日夜夜操网爽| 久久亚洲精品不卡| 99热6这里只有精品| av天堂中文字幕网| 久久6这里有精品| 免费在线观看日本一区| 亚洲激情在线av| 欧美中文日本在线观看视频| 久久欧美精品欧美久久欧美| 麻豆成人午夜福利视频| 熟女电影av网| 啪啪无遮挡十八禁网站| 熟妇人妻久久中文字幕3abv| 久久久精品欧美日韩精品| 又黄又爽又刺激的免费视频.| 精品久久久久久,| 99在线视频只有这里精品首页| 日韩国内少妇激情av| 久久精品国产亚洲av香蕉五月| 亚洲精品影视一区二区三区av| 久久伊人香网站| 一个人看的www免费观看视频| 九色成人免费人妻av| 久久伊人香网站| 欧美日本亚洲视频在线播放| 可以在线观看的亚洲视频| av福利片在线观看| 日韩av在线大香蕉| 亚洲一区二区三区不卡视频| 色综合站精品国产| 欧美最黄视频在线播放免费| 亚洲自偷自拍三级| 尤物成人国产欧美一区二区三区| 最新中文字幕久久久久| 如何舔出高潮| 精品人妻视频免费看| 能在线免费观看的黄片| 不卡一级毛片| 十八禁人妻一区二区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲国产欧美人成| 亚洲欧美日韩高清在线视频| 我的女老师完整版在线观看| 久久久国产成人精品二区| 婷婷精品国产亚洲av| 大型黄色视频在线免费观看| 宅男免费午夜| 青草久久国产| 夜夜躁狠狠躁天天躁| 日韩精品青青久久久久久| 国产精品爽爽va在线观看网站| 51国产日韩欧美| 18+在线观看网站| 一a级毛片在线观看| 在线看三级毛片| 12—13女人毛片做爰片一| 91久久精品国产一区二区成人| 色尼玛亚洲综合影院| 亚洲专区国产一区二区| 色噜噜av男人的天堂激情| 国产伦人伦偷精品视频| 中文字幕高清在线视频| 亚洲内射少妇av| 又爽又黄a免费视频| 日韩成人在线观看一区二区三区| 色视频www国产| 在线观看av片永久免费下载| 1024手机看黄色片| 三级国产精品欧美在线观看| 一本一本综合久久| 国内精品美女久久久久久| 18美女黄网站色大片免费观看| 久久久精品大字幕| 久久国产乱子伦精品免费另类| 亚洲精品久久国产高清桃花| 内地一区二区视频在线| 色哟哟哟哟哟哟| 嫩草影院精品99| 亚洲三级黄色毛片| 国产精品一区二区三区四区久久| 国产色爽女视频免费观看| 婷婷六月久久综合丁香| 亚洲久久久久久中文字幕| 中文亚洲av片在线观看爽| 他把我摸到了高潮在线观看| 麻豆成人午夜福利视频| 好看av亚洲va欧美ⅴa在| 久久久久久久久大av| bbb黄色大片| 色综合婷婷激情| 精品人妻视频免费看| 51午夜福利影视在线观看| 老司机午夜福利在线观看视频| 欧美最新免费一区二区三区 | 一边摸一边抽搐一进一小说| 老司机福利观看| 亚洲中文字幕日韩| 国产野战对白在线观看| 午夜老司机福利剧场| 少妇的逼水好多| 少妇丰满av| 首页视频小说图片口味搜索| 亚洲国产精品999在线| 在线免费观看不下载黄p国产 | 五月玫瑰六月丁香| 啦啦啦观看免费观看视频高清| 亚洲,欧美精品.| 精品99又大又爽又粗少妇毛片 | 此物有八面人人有两片| 69人妻影院| 国产高清三级在线| 国产午夜精品久久久久久一区二区三区 | 91狼人影院| 九九热线精品视视频播放| 脱女人内裤的视频| 国产三级黄色录像| 18+在线观看网站| 综合色av麻豆| 色5月婷婷丁香| 最近视频中文字幕2019在线8| 日日夜夜操网爽| 天堂√8在线中文| 国产高清三级在线| 亚洲av成人av| 99精品在免费线老司机午夜| 久久久久久久午夜电影| 99久久久亚洲精品蜜臀av| 午夜亚洲福利在线播放| 欧美日韩瑟瑟在线播放| 亚洲性夜色夜夜综合| 中文字幕av在线有码专区| 国产黄a三级三级三级人| 午夜精品一区二区三区免费看| 欧美黄色片欧美黄色片| 脱女人内裤的视频| 欧美性猛交黑人性爽| 天堂av国产一区二区熟女人妻| 国产一区二区在线av高清观看| 99精品在免费线老司机午夜| 亚洲无线在线观看| 国产精品亚洲美女久久久| 舔av片在线| 亚洲无线观看免费| 超碰av人人做人人爽久久| 熟妇人妻久久中文字幕3abv| 亚洲av熟女| 欧美不卡视频在线免费观看| 亚洲精品久久国产高清桃花| 999久久久精品免费观看国产| 美女cb高潮喷水在线观看| 亚洲成人免费电影在线观看| 欧美色视频一区免费| 99久久久亚洲精品蜜臀av| 国产人妻一区二区三区在| 日韩免费av在线播放| 狂野欧美白嫩少妇大欣赏| 亚洲av成人不卡在线观看播放网| 成年免费大片在线观看| 中文字幕人成人乱码亚洲影| 黄色丝袜av网址大全| 91麻豆精品激情在线观看国产| 国产aⅴ精品一区二区三区波| 国产91精品成人一区二区三区| 国产色爽女视频免费观看| 国产高清视频在线观看网站| 午夜视频国产福利| 国产精品女同一区二区软件 | 最好的美女福利视频网| 色综合欧美亚洲国产小说| av国产免费在线观看| 老司机午夜福利在线观看视频| 亚洲精品日韩av片在线观看| 亚洲国产精品久久男人天堂| 久久久久久久久久黄片| 窝窝影院91人妻| 综合色av麻豆| 91在线观看av| 久久6这里有精品| 网址你懂的国产日韩在线| 嫩草影院入口| 欧美日韩黄片免| 国产欧美日韩一区二区精品| 成人av一区二区三区在线看| x7x7x7水蜜桃| 免费看a级黄色片| 亚洲一区高清亚洲精品| 3wmmmm亚洲av在线观看| 直男gayav资源| 97超视频在线观看视频| 可以在线观看毛片的网站| 成年女人永久免费观看视频| 欧美+日韩+精品| 制服丝袜大香蕉在线| 国产精品国产高清国产av| 国模一区二区三区四区视频| 久久香蕉精品热| 成年人黄色毛片网站| 日本黄大片高清| 成人性生交大片免费视频hd| 午夜福利18| 特大巨黑吊av在线直播| 国产精品久久久久久精品电影| 国产综合懂色| 色综合站精品国产| 天天一区二区日本电影三级| 啪啪无遮挡十八禁网站| 日本黄大片高清| 亚洲人与动物交配视频| 午夜免费成人在线视频| 蜜桃久久精品国产亚洲av| 久久婷婷人人爽人人干人人爱| 男女那种视频在线观看| 久久久久久久午夜电影| 91九色精品人成在线观看| 国产亚洲欧美在线一区二区| 日本黄色视频三级网站网址| 亚洲人与动物交配视频| 日韩精品中文字幕看吧| av视频在线观看入口| 搡老熟女国产l中国老女人| 国产精品,欧美在线| 嫁个100分男人电影在线观看| 亚洲av二区三区四区| 日韩av在线大香蕉| 内射极品少妇av片p| 波多野结衣高清作品| 人妻丰满熟妇av一区二区三区| 国产精品一区二区三区四区久久| 如何舔出高潮| 午夜a级毛片| 国产久久久一区二区三区| 国产伦精品一区二区三区视频9| 日本在线视频免费播放| 国产精品久久久久久精品电影| 一卡2卡三卡四卡精品乱码亚洲| 3wmmmm亚洲av在线观看| 亚洲欧美激情综合另类| 国产老妇女一区| 99国产精品一区二区蜜桃av| 国产精品99久久久久久久久| 色综合站精品国产| 在线十欧美十亚洲十日本专区| 精品久久久久久久末码| 91久久精品电影网| 99久国产av精品| 他把我摸到了高潮在线观看| 免费一级毛片在线播放高清视频| 黄色视频,在线免费观看| 日韩精品中文字幕看吧| 久久九九热精品免费| 国内少妇人妻偷人精品xxx网站| 久久久久性生活片| 男女做爰动态图高潮gif福利片| 久久久久久久亚洲中文字幕 | 精品午夜福利视频在线观看一区| 国产91精品成人一区二区三区| 免费一级毛片在线播放高清视频| а√天堂www在线а√下载| 九九在线视频观看精品| 日韩 亚洲 欧美在线| 五月伊人婷婷丁香| 国产成人a区在线观看| 国产成人福利小说| 国内精品一区二区在线观看| 美女cb高潮喷水在线观看| 久久久久亚洲av毛片大全| 欧美极品一区二区三区四区| 亚洲国产欧洲综合997久久,| 国产成+人综合+亚洲专区| 久久天躁狠狠躁夜夜2o2o| 91久久精品电影网| 人妻久久中文字幕网| 深夜精品福利| 久久久久免费精品人妻一区二区| 成人无遮挡网站| 成人国产一区最新在线观看| 99热这里只有精品一区| 女生性感内裤真人,穿戴方法视频| 天天一区二区日本电影三级| 一本一本综合久久| 美女免费视频网站| 欧美一级a爱片免费观看看| 我要搜黄色片| 国产极品精品免费视频能看的| 成年免费大片在线观看| 精品乱码久久久久久99久播| 91九色精品人成在线观看| 一边摸一边抽搐一进一小说| av天堂在线播放| 国产精品永久免费网站| 丰满乱子伦码专区| 免费av不卡在线播放| 可以在线观看的亚洲视频| 最新中文字幕久久久久| 看片在线看免费视频| 久久亚洲真实| 国产三级中文精品| 直男gayav资源| 淫秽高清视频在线观看| 亚洲专区国产一区二区| 老司机午夜十八禁免费视频| 久久精品国产清高在天天线| 欧美日本视频| 免费观看的影片在线观看| 日本与韩国留学比较| 久久人妻av系列| 听说在线观看完整版免费高清| 婷婷精品国产亚洲av| 午夜激情欧美在线| 欧美午夜高清在线| 在线国产一区二区在线| 18禁裸乳无遮挡免费网站照片| 国产av在哪里看| 最近最新中文字幕大全电影3| 美女xxoo啪啪120秒动态图 | xxxwww97欧美| 一进一出好大好爽视频| 欧美日韩国产亚洲二区| 给我免费播放毛片高清在线观看| 久久国产乱子伦精品免费另类| 久久久久久久亚洲中文字幕 | 久久精品91蜜桃| 久久精品国产99精品国产亚洲性色| 欧美黑人欧美精品刺激| 成人高潮视频无遮挡免费网站| 亚洲国产色片| 久久这里只有精品中国| netflix在线观看网站| a在线观看视频网站| 久久人人精品亚洲av| 精品久久久久久久久久免费视频| 久久久久久国产a免费观看| 中文资源天堂在线| 丝袜美腿在线中文| 不卡一级毛片| 最新在线观看一区二区三区| 色综合亚洲欧美另类图片| av专区在线播放| 亚洲av一区综合| 亚洲专区国产一区二区| 久久久国产成人免费| 亚洲成人精品中文字幕电影| 免费黄网站久久成人精品 | 人妻丰满熟妇av一区二区三区| 欧美日韩中文字幕国产精品一区二区三区| 搡老熟女国产l中国老女人| 亚洲欧美日韩卡通动漫| 国产乱人视频| 亚洲不卡免费看| 国产精品精品国产色婷婷| 久久精品91蜜桃| 色av中文字幕| 欧美一区二区国产精品久久精品| 欧美日韩综合久久久久久 | 日韩欧美国产在线观看| 日本免费a在线| 欧美一区二区精品小视频在线| 别揉我奶头 嗯啊视频| 欧美性感艳星| 悠悠久久av| 丰满人妻熟妇乱又伦精品不卡| 欧美一区二区亚洲| 国产高清视频在线播放一区| 在线播放国产精品三级| 天美传媒精品一区二区| 久久热精品热| 最近最新中文字幕大全电影3| 国产高清有码在线观看视频| 又粗又爽又猛毛片免费看| 最近最新中文字幕大全电影3| 最近中文字幕高清免费大全6 | 一区福利在线观看| 中文资源天堂在线| 最近在线观看免费完整版| 黄色女人牲交| 欧美乱色亚洲激情| 日韩有码中文字幕| 国产精品,欧美在线| 欧美激情久久久久久爽电影| 精品无人区乱码1区二区| 亚洲18禁久久av| 网址你懂的国产日韩在线| 最新在线观看一区二区三区| 麻豆国产97在线/欧美|