2021年MathorCup大数据竞优秀论文2.pdfVIP

队伍编号MCB2102360

赛道B

信息流智能推荐算法中的序列评估问题

摘要

随着移动互联网的普及和迅猛发展，面对海量的用户数据，资讯类服务平台如何通

过算法将合适的内容推送给每一个用户，不仅满足用户对内容的偏好需求，还使得信息

流获得最大的收益，那么信息流收益评估模型的建立就具有十分重要的理论和实践意义。

本文对历史序列的点击量和浏览时长进行评估，建立模型预测推荐序列的总点击收

益和总时长收益，并据此计算。此外，本文根据候选的推荐序列算法评估框架，得到的

推荐结果收益效果显著。具体本文解决了如下问题：

针对问题一，我们建立模型对收益指标进行细化，通过计算推荐序列与用户历史信

息的一致性，得到用户对推荐的内容类别和类型浏览偏好。此外，我们计算用户对序列

位置的偏好权重得到序列内容的不同排列组合对收益大小的影响。此外我们对收益模型

进行了参数设置，资讯平台可以根据市场环境和内部效益偏好对参数进行调整。

针对问题二，需要对推荐序列进行收益预测。在对数据进行预处理后，我们通过三

个误差指标对四个候选模型的预测效果进行比较，最终选取GRU模型和随机森林分别

对推荐序列的总点击量和总浏览时长进行预测，较好地实现了问题需求，并对预测效果

进行可视化处理。

针对问题三，面对工业界无法接受的算法复杂度问题，本文提出了一种逐步优化算

法（Step-wiseOptimizationAlgorithm,SOA）对成为最优序列概率较小的候选序列进行

剪枝，降低时间复杂度并提高结果精准度。通过引入参数确定剪枝序列的比例，并提



出了近似率、优越性和时间性三个指标对参数进行灵敏度分析；此外通过与其他算法



进行比较分析，可以有效证明本文所提的算法的有效性。

基于上述三个问题的讨论，充分展现了本文所提出的模型具有较好的市场适应性。

在保证结果准确率的前提下，极大降低了算法的时间复杂度，更易被工业界所接受。

关键词：推荐序列；序列收益；GRU网络；随机森林；SOA算法

目录

一、问题重述1

1.1问题背景1

1.2问题重述1

二、问题分析与技术路线2

三、模型假设与符号说明3

2.1模型假设3

2.2符号说明3

四、问题一模型的建立与求解4

4.1计算用户的位置偏好4

4.2计算推荐序列于用户历史信息的一致性5

4.3计算推荐序列的总收益7

4.3.1推荐序列的总点击收益7

4.3.2推荐序列的总时长收益7

4.3.3推荐序列总收益8

4.4问题一模型示例8

五、问题二模型的建立与求解9

5.1数据预处理9

5.2模型的建立10

5.2.1GRU网络11

5.2.2随机森林12

5.3预测结果14

5.3.2总点击量预测结果14

5.3.3总浏览时长预测结果16

六、问题三模型的建立与求解17

6.1算法介绍18

6.2实验和参数分析19

6.2.1对参数的灵敏度分析20



6.2.2算法性能的比较分析24

七、评价与推广26

参考文献27

附录28

一、问题重述

1.1问题背景

传统媒介门户为了满足用户内容品质的需求，通常需要打造出具有深度内涵且独家

的新闻报道。但随着移动互联网的普及和迅猛发展，互联网用户数量增势显著，随之而

来的海量数据给用户和服务平台造成了巨大的影响。面对下沉市场的增量用户，他们的

内容偏好需求因人而异，众口难调，只有从海量的内容中，通过算法将内容分发给受众，

才能满足用户对内容的偏好。对于资讯