契合用戶興趣變化的評論文本深度建模

作者:黃文明;張健; 刊名:計算機工程與設計 上傳者:魏政君

【摘要】針對目前推薦系統對評論文本的特征提取能力不足導致的性能局限,以及數據稀疏性問題和用戶興趣漂移問題導致的推薦精度下降問題進行研究,提出一種契合用戶興趣變化的評論文本深度建模方法,基于深度學習改進傳統推薦算法。使用詞嵌入技術,挖掘并利用數據集評論中的語義得到表達結果;通過使用并行的一組卷積神經網絡,充分挖掘用戶和項目評論數據中的隱含特征;設計興趣衰減曲線,針對用戶興趣漂移現象進一步調整用戶建模的契合度;設計一層耦合結構,將兩組特征作為輸入使用因子分解機進行評分預測,得到推薦結果。仿真結果表明,推薦結果的準確度得到了提升,該方法可行有效。

全文閱讀

0 引 言由于傳統推薦系統自身結構上的限制,極度依賴人工進行規則的設計與特征的提取,使得算法模型對于特征和隱信息的提取能力有限。一定程度上限制了推薦系統的性能,造成推薦系統的發展難有較大突破。本文基于深度學習對數據特征進行挖掘和提取的優勢,針對目前大部分推薦系統主要基于數據中的數值型數據和人工分類數據進行算法設計造成對于文本數據的特征提取深度及性能有限的問題,通過設計興趣衰減函數結合卷積神經網絡(CNN)提出一種契合用戶興趣變化的評論文本深度建模方法,利用用戶評論文本數據實現對其隱含信息的充分挖掘,由此提升推薦系統性能并提高推薦準確度。1 相關研究1.1 基于傳統機器學習的推薦算法目前,傳統推薦算法主要分兩大類:基于內容的推薦和協同過濾推薦,具體如下:(1)基于內容的推薦算法,基本步驟是先獲取目標項目和有過用戶行為的項目特征,接著計算其相似度,再結合歷史評分進行推薦。田耕等基于聯合已有信息組合的模型進行下一步的推薦,從而解決數據稀疏性問題并滿足推薦多樣性[1]。張桂平等提出一種融合用戶主題興趣和用戶行為的文檔推薦方法,實現主題興趣與行為的融合,再基于此應用推薦算法,解決了個性化推薦不足及數據稀疏性問題[2]。楊武等基于內容發現用戶潛在興趣并與既有興趣融合,得到個性化與多樣化兼具的用戶模型再與項目模型進行相似度計算進而得到推薦結果,提高了推薦系統多樣性并解決混合推薦中的冷啟動問題[3]。(2)協同過濾推薦,作為業界當前應用最廣泛的推薦算法,主要包含兩個方向:基于模型的協同過濾和基于內存的協同過濾[4]。基于模型的協同過濾算法根據大量的用戶歷史行為數據設計出可用模型,基于此對目標用戶的未來行為進行預測[5],產生推薦結果。由選取的目標對象不同,基于內存的協同過濾又可分為兩類:基于用戶的協同過濾和基于項目的協同過濾[6]。于金明等提出一種基于改進相似度量方法的項目協同過濾算法,其核心是充分考慮項目評分之間的差值、單個評分與中值之差,以及項目評分與其它評分的均值之差,從而解決冷啟動問題,提升推薦準確度[7]。彭敏等提出一種基于情感分析的推薦算法,在協同過濾算法的基礎上,考慮評論文本對相似度計算的影響,解決數據稀疏性問題并充分利用評論文本[8]。高茂庭等為使協同過濾能更真實反映用戶本身評分偏好,提出一種結合用戶聚類和評分偏好的推薦算法,解決了用戶評分矩陣維度高、計算量大等問題[9]。葉曉慶等提出一種基于協同過濾的三支粒推薦算法,在推薦過程中引入三支決策,考慮了推薦過程中產生的誤分類成本和學習成本,基于用戶真實的評分偏好構建三支推薦。降低傳統協同過濾算法的推薦成本,并解決評分信息單一的問題[10]。張磊通過將遺忘函數結合數據集中的用戶評分進行衰減,由此反應用戶興趣變化以得到符合用戶興趣漂移的個性化協同過濾推薦[11]。研究者們在傳統推薦算法的基礎上對影響系統性能的問題進行多年的研究和解決,目前大量的推薦系統研究主要針對挖掘系統中的數值型數據和通過人工設計規則提取數據的特征進行算法設計。但隨著網絡日新月異的發展,交互式的應用遍布所有角落,由此產生了巨量的用戶生成內容。推薦系統能夠獲取數據更加豐富多樣,受限于目前推薦算法對數據中尤其是文本內容的特征提取能力不足,業界逐漸將目光投向深度學習領域。1.2 基于深度學習的推薦算法近年,深度學習在計算機視覺、自然語言處理等領域取得大量成功,又掀起了人工智能領域的發展浪潮。尤其是深度學習在自然語言處理方面取得的進展,高度契合推薦系統使用原始評論文本數據的需求。目前,基于深度學習的推薦算法仍是嶄新的概念。直至2016年,業內

參考文獻

引證文獻

問答

我要提問
ub8优游 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>