序列特征的处理方法之二：基于卷积神经网络方法

最新推荐文章于 2023-12-11 09:45:45 发布
最新推荐文章于 2023-12-11 09:45:45 发布
阅读量1.4k 收藏 4
点赞数
分类专栏： 推荐系统 推荐算法 ctr预估 文章标签： 推荐系统 机器学习 深度学习 卷积神经网络 ctr预估
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37922734/article/details/104102710
版权
本文介绍了基于卷积神经网络（TextCNN）处理序列特征的方法，重点在于如何利用TextCNN捕获用户行为序列中的局部信息，以提升推荐系统的性能。通过卷积、最大池化等操作，提取多样化特征，同时结合全局池化补充全局信息。
摘要由CSDN通过智能技术生成

前言

上一篇文章介绍了基本的基于注意力机制方法对序列特征的处理，这篇主要介绍一下基本的基于卷积神经网络方法对序列特征的处理，也就是TextCNN方法。序列特征的介绍，背景以及应用可以参考上一篇的详细介绍，这里简单回顾一下定义，用户在使用APP或网站的时候，用户会产生一些针对物品的行为，比如点击感兴趣的物品，收藏或购买物品等，而这些行为往往代表着用户对这些物品是感兴趣的，而将这些交互过的物品放在时间轴来看，就形成了用户感兴趣的物品序列，我们要处理的数据对象类似如图 1 所示具有时序关系的序列特征，这里拿用户感兴趣的物品序列为例作为处理对象。

▲ 图1. 用户感兴趣的物品序列

 

我们都知道用户的历史行为中可能存在着一些局部的连续行为，比如最近新型冠状病毒疫情严重，可能用户在过去几天内连续买了口罩和酒精这种消毒和防护用品，那么在推荐中可以根据这种局部信息来推荐一些跟防护和消毒相关的商品。而浅层的卷积神经网络由于其卷积感受野比较小，善于捕获局部信息，因此可以利用浅层卷积神经网络来对序列特征中的局部行为模式进行建模。鉴于针对句子序列建模的卷积神经网络TextCNN也是针对embedding matrix做处理，因此选用TextCNN来对用户感兴趣的物品序列进行处理。

TextCNN原理

如图 2 所示为TextCNN对句子序列建模并进行分类的示意图：

最低0.47元/天 解锁文章
Wanderist_ZK
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【分类模型】卷积神经网络时间序列预测模型
Fanjufei的博客
05-10 365
指定了训练选项，包括最大的训练轮数、验证数据集、绘图格式以及是否显示详细训练信息。下是一个使用MATLAB实现1D-CNN的时间序列预测的示例代码。分别表示输入层、卷积层、池化层、全连接层和隐藏层中神经元的数量。函数预测测试集的结果，并将预测结果和观察值进行比较。分别表示输入序列和对应的目标输出序列。函数用于训练神经网络。用于创建卷积神经网络对象。是内置的太阳黑子数据集。
Matlab实现CNN卷积神经网络多变量时间序列预测（完整程序和数据）
04-08
Matlab实现CNN卷积神经网络多变量时间序列预测（完整程序和数据） 1.输入多个特征，输出单个变量； 2.考虑历史特征的影响，多变量时间序列预测； 4.excel数据，方便替换； 5.运行环境Matlab2018b及以上； 6.输出R2、MAE、MBE等评价指标。
matlab实现卷积神经网络CNN（二）——代码实现与解析
Mono的博客
05-23 9283
用来随机划分训练集、测试集和验证集，当然你也可以自行划分好后分别导入。总之，train_x、test_x和val_x数据格式应该分别为。
matlab的2DCNN、1DCNN、BP、SVM故障诊断与结果可视化
m0_61363749的博客
05-13 4206
0、前言 本文针对十分类轴承故障诊断问题，采用四种经典方法2DCNN、1DCNN、BP、SVM进行建模，并对比最终结果。 1、理论介绍 BP和SVM理论不再进行描述。1DCNN指的是采用一维卷积，2DCNN采用二维卷积，相关理论请参考论文《一种用于轴承故障诊断的二维卷积神经网络优化方法》。该论文提出一种新的数据预处理方式，将原始时域信号数据转换成二维灰度图像来提取转换后的图像特征，消除手工特征的影响；同时，在验证分类前对实验采集故障数据集添加了降噪处理，并对卷积神经网络......
卷积神经网络CNN原理——结合实例matlab实现
热门推荐
u010540396的博客
10-22 12万+
卷积神经网络CNN是深度学习的一个重要组成部分，由于其优异的学习性能（尤其是对图片的识别）。近年来研究异常火爆，出现了很多模型LeNet、Alex net、ZF net等等。由于大多高校在校生使用matlab比较多，而网上的教程代码基本都基于caffe框架或者python，对于新入门的同学来说甚是煎熬，所以本文采用matlab结合MNIst手写数据库完成对手写数字的识别。
卷积神经网络处理文本序列
li123128的博客
03-19 871
　　我们之前讨论了卷积神经网络，从局部可以提取出特征，用于小猫小狗的图片识别处理，非常有效；也讨论了循环神经网络进行文本的处理，因为文本的顺序是顺序相关的。基于以上特点，我们把时间或者说文本的前后看做一个维度，那一段文本就是一个一维空间，相比图片的二维空间，变得更加简单了，那卷积神经网络是否可以处理这样的情况呢？ 　　 　　先亮出结论，答案是肯定的。图片是二维的数据，文本是一维的数据，因此我们可以...
一维CNN,二维CNN以及三维CNN的训练模型matlab仿真
fpga/matlab/simulink算法仿真工程
01-18 1947
如果将过滤器的数量增加至16，即16个大小为10×10×310×10×3的过滤器，最终输出的数据维度就变为10×10×1610×10×16。假设输入数据的大小为a1×a2×a3a1×a2×a3，channel数为cc，过滤器大小为ff，即过滤器维度为f×f×f×cf×f×f×c（一般不写channel的维度），过滤器数量为nn。图中的输入的数据维度为14×1414×14，过滤器大小为5×55×5，二者做卷积，输出的数据维度为10×1010×10（14−5+1=1014−5+1=10）。
Matlab编程之——卷积神经网络CNN代码解析
CAD之路
04-25 1万+
deepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE，卷积CAE）的作者是 RasmusBerg Palm。 今天给介绍deepLearnToolbox-master中的CNN部分。 DeepLearnToolbox-master中CNN内的函数：
（ICCV-2021）通过有效的全局-局部特征表示和局部时间聚合进行步态识别（二）
顾道长生的科研笔记
01-08 1604
3. Proposed Method \quad \quad在本节中，首先概述了所提出方法的框架。然后描述了所提出方法的关键组件，包括局部时间聚合(LTA)、全局和局部特征提取器 (GLFE) 和广义均值(GeM)池化层。最后，介绍了训练和测试的细节。 3.1. Overview \quad \quad所提出方法的概述如图1所示，其目的是为步态识别提取更全面的特征表示，包括三个关键组成部分。首先，使用卷积从原始输入序列中提取浅层特征。接下来，局部时间聚合（LTA）操作被设计用来聚合时间信息，并保留更多的
RNN：循环神经网络的基本知识
qq_43160049的博客
07-20 3723
RNN（Recurrent Neural Network），又称循环神经网络。RNN是一类用于处理序列数据的神经网络，所谓的序列数据就是指这一些列的数据其前后的输入数据是有关联的，序列前面的数据特征有可能影响到序列后面的数据。如文字数据“我喜欢吃苹果”，在“我喜欢”的后面最有可能加的是名词或者动词，这就是所谓的序列数据中序列数据之间的影响作用。根据序列数据的特征，产生了RNN神经网络，RNN能处理序列的输入，发现前后输入的关系，对比起其它神经网络如CNN只能接受独立的输入，这是RNN与CNN...
回归与时间序列分析
pengxiang1998的博客
10-09 1万+
这篇博客是记录在数据挖掘中的回归与时间序列分析的学习过程。
时序数据特征提取方法
weixin_43910935的博客
03-06 1万+
在对如传感器数据等时间序列数据进行机器学习时，特征提取是非常重要的一环，本文主要介绍时序数据特征提取的几种方法。 1 时域与频域 时域和频域是信号的基本性质，这样可以用多种方式来分析信号，每种方式提供了不同的角度。解决问题的最快方式不一定是最明显的方式，用来分析信号的不同角度称为域。时域频域可清楚反应信号与互连线之间的相互影响。 时域（Time domain）是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。是真实世界，是惟一实际存在的域。因为我们的经历都是在时域中发展
机器学习时间序列特征处理与构造，这篇我建议你收藏
m0_59596937的博客
12-31 1308
如果每条数据为一条训练样本，时间变量提取出来的特征可以直接作为训练样本的特征使用。例子：用户注册时间变量。对于每个用户来说只有一条记录，提取出来的特征可以直接作为训练样本的特征使用，不需要进行二次加工。如果每条数据不是一条训练样本，时间变量提取出来的特征需要进行二次加工（聚合操作）才能作为训练样本的特征使用。例子：用户交易流水数据中的交易时间。由于每个用户的交易流水数量不一样，从而导致交易时间提取出来的特征的数据不一致，所以这些特征不能直接作为训练样本的特征来使用。
【深度学习】基于华为MindSpore和pytorch的卷积神经网络LeNet5实现MNIST手写识别
m0_53700832的博客
05-08 3071
共享权重（Shared Weights）：在卷积过程中，每个卷积核所对应的窗口会以一定的步长在输入矩阵（图像）上不断滑动并进行卷积操作，最后，每个卷积核会生成一个对应的feature map（也就是卷积核的输出），一个feature map中的每一个单元都是由相同的权重（也就是对应的卷积核内的数值）计算得到的，这就是共享权重。请基于pytorch和mindspore平台，利用MNIST数据集，选择一个典型卷积模型，构建一个自己的卷积模型，以分类的准确度和混淆矩阵为衡量指标，分析两个模型的分类精度。
时序预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
09-19 3万+
时序预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)时间序列预测 目录时序预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)时间序列预测基本介绍CNN-LSTM模型CNN网络架构LSTM网络架构CNN-LSTM网络数据下载程序设计预测结果参考资料致谢 基本介绍 本次运行测试环境MATLAB2020b 深度学习方法因其具有较强的数据特征提取和拟合能 力，近年来得到迅速发展，常见的深度学习模型有深度信念网 络（deep belief networks，DBN）、深度受限
【CNN时序预测】基于卷积神经网络的多变量时间序列预测附matlab代码
最新发布
m0_60703264的博客
12-11 1734
随着人工智能和机器学习技术的快速发展，时间序列预测成为了许多领域中的一个重要问题。在金融、气象、交通等领域，时间序列预测能够帮助人们更好地理解和预测未来的趋势，从而做出更明智的决策。卷积神经网络（CNN）作为一种强大的深度学习模型，已经在图像处理、自然语言处理等领域取得了巨大成功。在时间序列预测中，CNN也展现出了出色的性能，特别是在多变量时间序列预测方面。本文将探讨基于卷积神经网络的多变量时间序列预测方法，并分析其在实际应用中的优势和局限性。首先，让我们深入了解卷积神经网络在多变量时间序列预测中的应用。
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
真的是个瘦子
05-04 4367
摘要 top-n序列推荐模型讲每个用户过去有过交互的商品看成一个序列，目的是来预测用户未来可能有交互行为的商品的前N个的排序。这个交互作用的顺序揭示了序列patterns扮演了一个重要的角色，揭示了序列中最近的项目对下一个项目的影响更大。在这篇论文中提出了convoltional sequence embedding recommendation model (caser).其主要思想是将在时间和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值