Identificação do Perfil de Clientes Utilizando Redes Neurais Convolucionais

V. D. Azevedo, Nadia Nedjah, Luiza de Macedo Mourelle
{"title":"Identificação do Perfil de Clientes Utilizando Redes Neurais Convolucionais","authors":"V. D. Azevedo, Nadia Nedjah, Luiza de Macedo Mourelle","doi":"10.21528/cbic2019-45","DOIUrl":null,"url":null,"abstract":"Resumo—Neste trabalho são utilizadas as técnicas de redes neurais convolucionais e aprendizagem profunda a fim de prever o interesse de usuários de redes sociais em determinadas categorias de produtos. O objetivo consiste em realizar a classificação de imagens de interesses de um certo tipo de usuário de redes sociais. A classificação de imagens permite segmentar usuários de redes sociais como potenciais consumidores de determinados tipos de produtos. Para isto foi realizada a comparação do desempenho dos seguintes algoritmos de taxa de aprendizagem adaptativa de redes neurais artificiais: descida do gradiente estocástico, descida de encosta adaptativa, estimativa de momento adaptativo e suas variações baseado na norma infinita e na raiz quadrada média dos gradientes. A comparação dos algoritmos de treinamento mostra que o algoritmo de estimativa de momento adaptativo é o mais adequado para prever o interesse e o perfil do usuário. A classificação de imagens em 17 subcategorias alcançou uma precisão de classificação de aproximadamente 99%. Keywords—Redes Neurais Convolucionais, Aprendizagem profunda, Classificação imagens de redes sociais, Identificação do perfil de clientes","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"135 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21528/cbic2019-45","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Resumo—Neste trabalho são utilizadas as técnicas de redes neurais convolucionais e aprendizagem profunda a fim de prever o interesse de usuários de redes sociais em determinadas categorias de produtos. O objetivo consiste em realizar a classificação de imagens de interesses de um certo tipo de usuário de redes sociais. A classificação de imagens permite segmentar usuários de redes sociais como potenciais consumidores de determinados tipos de produtos. Para isto foi realizada a comparação do desempenho dos seguintes algoritmos de taxa de aprendizagem adaptativa de redes neurais artificiais: descida do gradiente estocástico, descida de encosta adaptativa, estimativa de momento adaptativo e suas variações baseado na norma infinita e na raiz quadrada média dos gradientes. A comparação dos algoritmos de treinamento mostra que o algoritmo de estimativa de momento adaptativo é o mais adequado para prever o interesse e o perfil do usuário. A classificação de imagens em 17 subcategorias alcançou uma precisão de classificação de aproximadamente 99%. Keywords—Redes Neurais Convolucionais, Aprendizagem profunda, Classificação imagens de redes sociais, Identificação do perfil de clientes
使用卷积神经网络识别客户档案
摘要:在这项工作中,我们使用卷积神经网络和深度学习技术来预测社交网络用户对某些产品类别的兴趣。目标是对特定类型的社交网络用户感兴趣的图片进行分类。图像分类允许将社交网络用户划分为某些类型产品的潜在消费者。为此,比较了以下人工神经网络自适应学习速率算法的性能:随机梯度下降、自适应斜坡下降、自适应动量估计及其基于无限范数和梯度均方根的变化。训练算法的比较表明,自适应力矩估计算法最适合预测用户的兴趣和轮廓。将图像分类为17个子类别,分类准确率约为99%。关键词:卷积神经网络,深度学习,社交媒体图像分类,客户档案识别
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信