商业大数据分析之个性化推荐引擎浅析

针对目前商业数据的庞大与大众消费观念的转变问题,从信息挖掘的角度研究了商品个性化推荐系统的设计与现状。对国内外软件公司推出的各种个性化推荐引擎,分析其优势与劣势,总结现阶段个性化推荐系统存在的不足与发展方向。

算法型内容生产的侵权纠纷和伦理问题分析

随着以大数据挖掘和人工智能为技术特征的算法型内容生产模式的崛起,一批基于算法分析的个性化推荐引擎产品在积累了为数众多的用户后,也屡屡遭遇版权侵权的风波.同时,通过数据挖掘用户信息并进行智能兴趣推荐,从而实现商业性目的的做法不仅招致隐私权侵权的争议,更引发令专业人士所不忍的茧房效应.本文基于信息聚合型媒体的内容生产和分发逻辑,对其中的侵权纠纷和伦理问题加以分析,认为数字时代的内容生产需要通过立法手段进行规范,并提供行业内自律模式对技术造成的无序性加以规制,同时增强公众的个人素养和法律意识.

《新媒体的逻辑:内容生产与商业变现》

本研究从内容生产与商业变现这两个核心环节及其互动机制的视角探讨新媒体社会经济价值的创造和实现过程.围绕内容生产者,生产方式,生产过程,注意力资源的获取与转售等要素系统梳理了新媒体是如何构建不同于传统媒体的组织分工与价值生产体系,又是如何塑造不同于传统媒体产业链的价值交换与依存生态.结合来自腾讯,字节跳动,谷歌等新媒体公司的充足案例,深入分析了大数据,人工智能,推荐引擎等内容生产新形态在新媒体价值创造流程中的应用模式和信息流,内容付费.

基于深度学习的商品评论主题推荐算法研究与实现

随着大数据与人工智能技术日益进步,各行业的信息数据呈现指数型增长.海量数据可以提供便利,同时也带来了"信息过载","信息碎片化"等突出问题.面对此类问题,目前的解决方法有搜索引擎和推荐系统两大类.优秀的推荐系统不仅可以为用户提供更精确快速的检索服务,还可以帮助商家更好地定位潜在目标用户.由此可见,对于推荐算法的深入研究是非常重要且具有实际意义的.近年来,深度学习在个性化推荐领域中被广泛应用,典型的模型有Deep Crossing,DIN,Deep FM,AFM等.与传统推荐模型相比,深度学习模型的表达能力更强,能够挖掘出更多数据中隐藏的特征.但基于深度学习的推荐模型大多存在一些不足,如(1)商品评论文本通常作为单一特征进行建模,没有用来表征用户历史行为特征;(2)用户在不同时段的评论对用户兴趣的变化有着重要的参考价值,当前没有考虑这两者的关系;(3)图像与文本特征的融合研究较少.针对上述问题,本文的主要工作如下:首先,提出"基于双层筛选机制的评论文本推荐模型"(Review Text Recommendation Model Based On Two-Layer Filtering Mechanism)—TFM.该模型在文本特征处理部分引入用户评论时间戳与自注意力机制,对于给定候选物品,通过研究用户历史行为与该物品的相关性,自适应地计算用户兴趣的表示向量.其次,提出"基于多模态特征融合的深度学习推荐模型"(Deep Learning Recommendation Model Based on Multimodal Feature Fusion)—MFM.该模型分为用户侧与物品侧.在用户侧提出采用Transformer对用户评论文本进行预训练,在一定程度上缓解特征信息丢失问题.在物品侧提出一种特征聚合模块,该模块将物品的描述文本以及图像特征引入到构建物品画像的过程中.最后,以Amazon商品数据集作为实验数据,通过设计与搭建在线商品推荐系统,对所提两种推荐算法进行在线验证.该系统综合考虑了用户冷启动与物品冷启动问题,并结合大数据组件完成线上部署和可视化展示效果.