基于用户评论的深度推荐算法研究

发布时间：2023-12-27 19:30

　　现代商业系统中,推荐系统在帮助用户克服信息过载问题上发挥着重要作用。传统的协同过滤方法只利用用户交互行为进行推荐,面临着数据稀疏性等一系列问题。用户评论作为用户行为的解释,蕴含着丰富信息,利用这些信息辅助提升推荐的准确率在商业中具有重要意义,而现有的基于评论的推荐方法在建模评论语义和可扩展性上存在一定的局限性。针对这些问题,本文借助深度学习方法,通过研究组织用户行为数据更加有效的形式,结合评论的语义特性建模评论语义,来提升推荐的准确率。本文的主要工作如下:(1)为了更有效地建模协同过滤信号,本文提出了一种基于联合自编码器的深度协同过滤推荐算法。该方法以二分图代替评分矩阵组织用户行为数据,利用自编码器从用户和物品节点在图中的局部结构中学习用户和物品表示,以此来提高协同过滤推荐的准确性和抗数据稀疏性。(2)针对协同过滤方法只建模用户行为本身而忽略其背后动机的缺点,本文首先揭示了用户评论的语义特性,将其与用户购买决策的过程相联系,提出了一种基于用户评论语义的评分预测算法。该方法借鉴生成对抗网络和迁移学习的思想建模用户评论语义,同时使用单评论而非聚合评论的模式进行训练,从而提升了评分预测的准确...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 选题背景
    1.2 国内外研究现状
        1.2.1 协同过滤推荐算法研究现状
        1.2.2 基于用户评论的推荐算法研究现状
    1.3 论文主要内容
    1.4 论文组织结构
第二章 相关理论与技术简介
    2.1 协同过滤推荐算法
        2.1.1 协同过滤推荐概述
        2.1.2 基于内存的算法
        2.1.3 基于模型的算法
    2.2 深度学习模型
        2.2.1 自编码器
        2.2.2 卷积神经网络
        2.2.3 注意力机制
        2.2.4 图卷积神经网络
    2.3 用户评论分析技术
        2.3.1 词向量化
        2.3.2 层面提取
        2.3.3 文本语义特征提取
    2.4 本章小结
第三章 基于联合自编码器的深度协同过滤推荐算法
    3.1 引言
    3.2 算法总体框架
    3.3 用户和物品的表征学习
    3.4 评分预测
    3.5 联合优化
    3.6 本章小结
第四章 基于用户评论语义的评分预测算法
    4.1 引言
    4.2 算法总体框架
    4.3 算法描述
        4.3.1 评论语义提取
        4.3.2 评论语义生成
        4.3.3 评分预测
    4.4 模型优化
    4.5 算法复杂度近似分析
    4.6 本章小结
第五章 基于用户评论的深度混合推荐算法
    5.1 引言
    5.2 算法总体框架
    5.3 物品属性层面提取
        5.3.1 总体流程
        5.3.2 物品属性提取
        5.3.3 层面形成
    5.4 图构建
    5.5 用户和物品特征学习
    5.6 混合推荐
    5.7 本章小结
第六章 实验结果与讨论
    6.1 实验数据集
    6.2 实验环境
    6.3 实验评估指标
    6.4 基于联合自编器的深度协同过滤推荐算法实验
        6.4.1 算法有效性和抗数据稀疏性实验
        6.4.2 算法参数影响实验
    6.5 基于用户评论语义的评分预测算法实验
        6.5.1 算法有效性实验
        6.5.2 算法参数影响实验
        6.5.3 冷启动实验
        6.5.4 层面可视化实验
        6.5.5 可扩展性验证实验
    6.6 基于用户评论的深度混合推荐算法实验
        6.6.1 算法有效性实验
        6.6.2 算法参数影响实验
    6.7 实验结果总结
    6.8 本章小结
结论与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3875762