基于評論分析的協(xié)同過濾推薦算法研究.pdf

1、個性化推薦系統(tǒng)可以幫助用戶在海量的項目集合中找到他們喜愛的項目，其被廣泛地應用于電子商務網(wǎng)站、在線內(nèi)容提供平臺以及社交網(wǎng)絡平臺中，并成為這些網(wǎng)站提升服務質(zhì)量的重要技術(shù)之一。其中，協(xié)同過濾方法是最成功的推薦方法之一。利用集體智慧的思想，協(xié)同過濾可以產(chǎn)生精確的個性化推薦。然而，傳統(tǒng)的協(xié)同過濾推薦系統(tǒng)面臨著數(shù)據(jù)稀疏和冷啟動問題，即，當用戶、產(chǎn)品的交互信息非常稀疏時，協(xié)同過濾算法常常會失效。
　　近年來，隨著在線用戶反饋信息的爆炸性增長，

2、伴隨著評論的評分反饋也越來越豐富。這些評論包含著用戶和項目豐富的信息。本文通過對評論文本的分析，提出了兩個改進的評分預測方法，在數(shù)據(jù)稀疏和冷啟動的情況下，顯著提高了評分預測的精度。
　　第一，本文提出了一個基于文檔向量和回歸模型的評分預測框架，它利用文檔向量表示模型將非結(jié)構(gòu)化的評論文本用相同維度的向量表示，進而構(gòu)造出刻畫用戶和產(chǎn)品的特征向量，并使用這些向量和用戶與產(chǎn)品的偏置一同構(gòu)造用戶-產(chǎn)品對特征實例集，最終融合多個回歸模型進行評

3、分預測?？蚣苁褂梦臋n向量模型，為用戶-產(chǎn)品對構(gòu)造了較為精確的特征空間，并利用高效的回歸模型，使得其數(shù)據(jù)稀疏時的評分預測精度顯著地優(yōu)于傳統(tǒng)的協(xié)同過濾方法。
　　第二，本文提出了一個基于方面情感統(tǒng)一模型（ASUM）的潛在因子作為主題（HFT）的擴展模型：評分即情感（RAS）模型。由于文本評論中不僅包含了用戶對產(chǎn)品的不同方面的關(guān)注情況，還包含了對特定產(chǎn)品具體方面的情感，這些情感在很大程度上影響了用戶的評分。因此，RAS將用戶在評論中表達