基于文本主題模型和樸素貝葉斯的樂評網(wǎng)站音樂自動打分算法研究.pdf

1、隨著機器學習的發(fā)展，意見挖掘技術(shù)也越來越成熟，另一方面，工業(yè)和互聯(lián)網(wǎng)的發(fā)展又催生出很多需求機器進行情感分類的應用場景，比如評分預測。本研究首先綜述了自然語言處理中意見挖掘研究的現(xiàn)狀，繼而討論了傳統(tǒng)內(nèi)容推薦算法在內(nèi)容推薦和評分預測方面的優(yōu)缺點，并且針對音樂評論為數(shù)據(jù)源的推薦和評分算法做了算法可行性的分析，之后發(fā)現(xiàn)基于主題模型的樸素貝葉斯音樂評分預測算法在音樂評分預測問題上非常合適，并將算法與Supervised LDA，SVM，Textg

2、rocery等算法進行了比較。
　　UNBTM首先使用主題模型方法對用戶評論進行處理，產(chǎn)生評論主題概率分布。之后從評論主題概率分布中計算用戶主題概率分布和用戶最重視特征?；谟脩糇钪匾曁卣鳎嬎銞l件概率分布，再根據(jù)貝葉斯公式計算用戶在已有評分分段上的評分概率。評分和檢驗方面，研究采用最高概率評分作為用戶的評分預測并且利用實驗設(shè)計來驗證結(jié)果。
　　主要結(jié)論如下:
　　1)分析了目前在評論挖掘、主題模型、協(xié)同過濾算法領(lǐng)域國

3、內(nèi)外的研究發(fā)展現(xiàn)狀，創(chuàng)造性地提出了基于主題模型的樸素貝葉斯音樂評分預測算法UNBTM。
　　2)樸素貝葉斯音樂評分預測算法能對音樂評論的情感偏好（好評，差評）進行預測，但對于具體的評分預測效果，受到數(shù)據(jù)集和主題模型的限制。
　　3)通過與相關(guān)的算法Supervised LDA，SVM，Textgrocery對比，UNBTM在評分預測上的表現(xiàn)與三種算法相當，在情感分類上和Textgrocery表現(xiàn)相當。但是它對于數(shù)據(jù)稀疏的問題