融合文本信息的轻量级图卷积网络推荐模型

在基于图卷积网络的推荐模型中,图卷积对仅包含编号信息的输入节点进行信息聚合会引发严重的瓶颈问题,影响推荐精度.为缓解此问题,考虑通过辅助信息丰富节点特征,提出了一种融合文本信息的轻量级图卷积网络推荐模型.模型把卷积神经网络提取出文本评论特征添加到图的节点嵌入中.为了简化图卷积网络结构,采用轻量级图卷积框架将融合的特征信息在用户-电影项目图上线性传播来学习用户和电影项目的嵌入,并将所有图卷积子层上特征嵌入的加权总和作为最终特征输出,用于预测评分.3个实际数据集上的实验结果表明,该方法可以缓解信息聚合瓶颈问题,提高推荐的准确度,并且模型可以缓解推荐中的冷启动问题.     

基于深度学习的融合多源异构数据的推荐模型

为了充分利用多源异构数据所提供的信息提高推荐准确度,提出一个基于深度学习的混合推荐模型.该模型融合评分、评论和社交网络数据进行推荐,采用深度学习方法对文本和评分进行特征学习,然后使用社交网络对采样进行约束,从而得到更准确的用户和物品的特征表示.实验结果表明,该方法具有较高的准确度.     

双重注意力充分组合评论特征的推荐模型

针对基于评论文本推荐系统的特征没有充分组合的问题,提出一种利用双重注意力实现评论特征组合的推荐模型.首先利用经情感分类任务微调后的编码模型对评论文本进行编码,得到对应的特征向量;然后利用双线性内积计算用户与商品之间评论特征向量的交叉注意力,实现用户和商品之间评论特征的交叉组合;再利用多头自注意力实现用户和商品对应评论特征的自组合,得到用户和商品最终的特征表示.在真实数据集上的实验结果表明,所提模型的均方误差相比其他模型下降了1.43%.     

基于用户打分和评论的推荐算法研究

提出了一种加权的基于LDA(Latent Dirichlet Allocation)的协同过滤算法,通过对传统协同过滤算法优缺点的分析,联合打分数据和评论数据的特征进行推荐。该算法主要研究用户评论文本的特点,通过LDA主题模型对评论文本集合进行主题提取,使用相对熵的方法计算相似度,在此基础上,研究用户评分对于每条评论文本的影响,联合LDA进行评分预测及推荐。实验结果表明,该算法能够显著提高推荐准确度。     

采用评论挖掘修正用户评分的改进协同过滤算法

针对当前电子商务网站用户评分过于集中而区分度不明显,以及整数评分可信度不高导致协同过滤推荐效果较差的问题,提出一种改进协同过滤算法. 利用改进的词性路径模板算法挖掘评论中包含的产品特征和情感词,分析并建立评论特征偏好向量;依据评论特征偏好向量计算评论中包含的情感态度,利用用户评论中包含的情感态度对评分进行修正,使得修正后的评分更接近于用户的真实评分意愿;利用修正后的评分计算评分相似度,与偏好相似度结合产生推荐. 实验结果表明,该算法有效地增加了评分区分度与可信度,提高了最近邻居的质量,从而提高了推荐结果的准确度.     

基于语义分析的在线评论文本情感分类算法研究

针对用户评论文本情感分类过程中缺乏特征词语义分析和数据维度过高的问题,提出了一种基于语义分析的在线评论情感分类方法。利用Word2Vec工具获得词向量,通过词向量运算获取评论文本中的词与情感词典中的词之间的语义相似度,然后根据此相似度的大小选择反映正面或负面情感的词作为评论文本的关键特征。通过非负矩阵分解算法,将原始评论文本映射到一个低维的语义空间,降低评论数据维度,增强评论文本之间的语义相关度。实验表明,提出的算法具有更好的文本情感分类能力。     

基于情感特征的主客观分类研究

针对描述客观事实评论中量化的情感特征片面问题,提出一种基于情感特征的主客观分类方法。将基于情感词典与机器学习结合得到的积极或消极情感权值与概率,作为新的情感特征项与评论文本的语言、属性和信息特征相结合,重新确定影响用户行为的情感特征,从而对评论文本进行主客观分类。实验结果表明,采用支持向量机算法可使基于情感特征的主客观分类效果更佳,准确率为87.20%。     

基于群体智能挖掘的个性化商品评论呈现方法

为了研究基于群体智能挖掘的个性化商品评论呈现方法,以大众点评用户评论为研究对象,对大众点评中的用户评论进行特征提取,并发现兴趣相似的用户.特别是提出基于情感特征和主题分布特征的相似群体发现方法,通过提取用户历史评论的情感特征和主题分布特征,刻画用户之间情感和主题的相似度,并发现兴趣相似的用户群体,实现个性化评论呈现.实验结果表明,采用提出的方法可以体现用户间兴趣的相似性并发现与用户有相似兴趣的群体,向用户个性化呈现评论.     

基于改进CNN-SRBM文本分类的评分预测推荐研究

针对海量评论文本的情感数据复杂性、个性化推荐领域的数据稀疏性以及冷启动问题进行研究,提出了基于改进CNN-SRBM (Convolutional Neural Network-Similarity Restricted Boltzmann Machine)文本分类的评分预测推荐研究。叙述了传统CNN文本分类以及传统RBM评分预测模型;引入改进的CNN-3C、CNN-4C文本分类模型以及改进的SRBM评分预测模型;最后,融和改进的CNN-3C模型和SRBM模型,使推荐准确率达到了95. 77%。     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

基于用户兴趣的个性化推荐算法研究

针对协同过滤算法存在用户兴趣不易捕捉的问题,提出了一种基于用户兴趣偏移和项目自身属性特征的个性化推荐算法。利用滑动时间窗内项目属性和用户评分建立出用户兴趣偏爱因子,通过推荐项目自身属性特征给出用户对项目的偏爱度;最后结合项目偏爱度和协同过滤算法中预测评分产生推荐。实验结果表明,该算法准确反映出用户兴趣的偏移和项目自身属性特征,在推荐质量上也得到提高。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

一种情感分析与质量控制的异常评论识别方法

针对因数据量的增加以及异常评论策略的更新,以用户内容和行为为基础的传统微博异常评论识别方法效果不断下降的问题,提出一种基于情感分析和质量控制的微博异常评论识别方法.通过将预处理后的微博评论进行情感分析,将微博评论进行量化处理,在对微博评论进行质量控制的过程中,根据异常与正常用户在时域上对热点微博的评论分布差别检测可疑时间间隔,结合用户聚类分析,设计了异常评论识别模型.结果表明:该方法利用情感评分,对于评论文本进行较为准确的情感分类,然后通过调整边界值范围和时间阈值范围来限定异常检测等级,当边界值范围增大时,对于异常评论的检测范围扩大,容忍度下降,检测灵敏度高;当时间阈值扩大时,容忍度提高,检测灵敏度较低;适当的选择边界值和时间阈值,可以有效提高与正常评论行为相似的异常评论识别准确率.     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

基于奇异值分解的个性化评论推荐

针对如何让消费者在海量评论中快速找到自己感兴趣的评论,该文提出了一个基于奇异值分解的个性化评论推荐系统RevRecSys。该方法首先构建了用户-特征矩阵和评论-特征矩阵;然后利用矩阵分解技术把这两个矩阵压缩到隐因子向量空间;最后通过匹配用户的隐因子向量空间和评论的隐因子向量空间实现评论推荐。通过实验,验证了RevRecSys相比现有的方法,可以获得更好的推荐效果。     

基于AM的BLSTM网络电商评论情感倾向分类

针对电商评论中所包含的消费者情感倾向信息问题,提出一种基于注意力机制和双向长短期记忆(bidirectional long-short term memory,BLSTM)网络的情感倾向分类模型。该模型使用预训练的字向量作为输入特征,通过双向长短期记忆网络来学习文本的语义特征。依此特征,设计了一种新的注意力机制来捕捉BLSTM模型生成的文本语义特征中重要的信息,以降低文本中冗余噪声对于情感倾向分类的影响。实验结果表明,与传统机器学习方法以及长短期记忆模型和双向长短期记忆模型相比,所提出模型在电商评论的情感倾向分类上取得了较好的结果。     

基于在线评论情感分析的改进协同过滤推荐模型

针对在线中文评论中用户主观意见的不确定性,提出一种基于不确定理论的情感分析模型,并结合情感分析模型设计了个性化推荐算法。采用分词工具ICTCLAS和IKAnalyzer预处理在线中文评论,并基于情感词典(HowNet)计算特征词的点互信息值;应用不确定变量与不确定集设计情感分析模型;根据情感分析模型设计新的最近邻居搜索方法并产生推荐。在两个真实数据集上进行试验,试验结果表明,该方法能够有效改进推荐结果的准确率,缓解数据稀疏问题。     

可扩展的融合多源异构数据的推荐模型

社交关系在生活中扮演着重要角色,用户通常会受到其好友偏好的影响,更容易选择好友购买过的物品.为了解决推荐系统冷启动问题,对融合社交关系的推荐系统进行了研究,提出了贝叶斯个性化排序评论评分社交模型和可扩展的贝叶斯个性化排序评论评分社交模型,将评分、评论、社交关系等多源异构数据从数据源层面进行了融合,通过用户好友信任度模型将社交关系引入到推荐系统中,用基于段向量的分布式词袋模型处理评论,用全连接神经网络处理评分,用改进的贝叶斯个性化排序模型对排序结果进行优化.实验在Yelp公开数据集上进行了实验,实验结果表明,所提出的2种模型的推荐准确度均优于其他推荐模型.     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.