摘要：传统的推荐算法,如协同过滤等只能进行输入特征之间的简单组合,不能很好的挖掘特征之间的隐含信息,表达能力不强,很难为用户提供个性化推荐,近些年来深度学习在推荐系统领域的应用取得了很好的推荐效果。本文主要采用DIN深度学习模型作为排序层算法,采用Embedding技术作为快速召回算法,并利用TensorFlow Server建立模型服务;采用HDFS,Spark,Kafka,Flink等大数据存储,传输,计算框架完成特征的存储、离线计算与实时计算,通过对用户历史行为以及实时特征的采集处理,结合推荐算法完成对用户的离线推荐与实时推荐,生成用户感兴趣的Top-N电影列表,通过SSM框架实现完整的推荐系统前后端搭建。该系统保证了运行时的稳定性,推荐实时性,并在一定程度上提升了推荐效果。

摘要：基于改进的客体回溯范式,以客体预览利化效应量(Object-Spectic Preview Benefits,OSPBs)作为指标,探究表面形状变化方式、上下视野与内源性线索在客体连续性表征中的作用机制。实验1和实验2均采用3(变化方式:不变、渐变和随机变)×2(垂直视野:上视野和下视野)的混合实验设计,分别考察在无内源性线索和有内源性线索时,形状变化方式和上下视野对OSPB效应的影响。实验1发现,无内源性线索时,在不变条件下,出现上视野优势;在渐变条件下,上下视野差异不显著在随机变条件下,出现下视野优势。实验2发现,有内源性线索时,在不变条件下,上下视野的OSPB效应无显著差异;在渐变和随机变条件下,出现下视野优势。以上结果表明,上下视野的不对称性存在于客体连续性表征中,其不对称性随形状变化方式不同而有差异性,并且在一定程度上受内源性线索的调节。