基于用戶偏好和用戶意見的協(xié)同過濾系統(tǒng).pdf

1、隨著Web2.0的出現(xiàn)和發(fā)展，越來(lái)越多的人開始在網(wǎng)上表達(dá)他們對(duì)一些產(chǎn)品和服務(wù)的意見。用戶的意見通常包括對(duì)該產(chǎn)品的整體評(píng)分以及一些文本評(píng)論。這些信息對(duì)于生產(chǎn)者和消費(fèi)者來(lái)說都是非常有價(jià)值的。對(duì)于生產(chǎn)者來(lái)說，他們可以通過查看用戶的評(píng)論來(lái)獲取令用戶滿意的特征以及不滿意的特征，進(jìn)而對(duì)產(chǎn)品進(jìn)行改進(jìn)以提高商品的銷售量和獲取最大化的利潤(rùn)。對(duì)于消費(fèi)者來(lái)說，在他們購(gòu)買產(chǎn)品時(shí)，查看其他用戶對(duì)該產(chǎn)品的評(píng)價(jià)可以幫助他們做出明智的選擇。這些文本評(píng)論和評(píng)分也是形成推

2、薦系統(tǒng)的基礎(chǔ)，而推薦系統(tǒng)的目的在于盡可能準(zhǔn)確的從上億個(gè)產(chǎn)品中找出用戶最感興趣的產(chǎn)品。
　　協(xié)同過濾是推薦系統(tǒng)中一種經(jīng)常用到的技術(shù)。協(xié)同過濾分析用戶興趣，在用戶群中找到與某用戶有著相同興趣愛好的用戶，綜合這些相似用戶對(duì)某一信息的評(píng)價(jià)，系統(tǒng)能夠形成對(duì)該指定用戶在該信息上的興趣愛好進(jìn)行預(yù)測(cè)。目前，已經(jīng)出現(xiàn)了很多的協(xié)同過濾算法，這些協(xié)同過濾算法大多是只利用用戶對(duì)該產(chǎn)品的整體評(píng)分進(jìn)行預(yù)測(cè)。然而，用戶對(duì)產(chǎn)品的整體評(píng)分并不能夠給我們提供足夠多的

3、詳細(xì)的信息。例如，一個(gè)用戶對(duì)一個(gè)產(chǎn)品給予了很高的評(píng)分，這預(yù)示著他對(duì)這個(gè)產(chǎn)品非常的喜歡和滿意，但這并不代表他喜歡該產(chǎn)品的所有特征。同時(shí)，當(dāng)用戶對(duì)一個(gè)產(chǎn)品做出整體評(píng)價(jià)的時(shí)候，他對(duì)于該產(chǎn)品的不同的特征有著不同的偏好，這種偏好信息決定了用戶對(duì)該產(chǎn)品的整體評(píng)價(jià)，并且用戶在這些特征上的偏愛程度在不同的產(chǎn)品之間也是不一樣的。
　　為了解決這些問題，在這篇文章中，我們提出了一個(gè)整體的框架。在這個(gè)框架中，為了預(yù)測(cè)用戶對(duì)一個(gè)產(chǎn)品的滿意度，我們集成了用

4、戶在產(chǎn)品的各個(gè)特征上的意見信息和偏好信息。這個(gè)框架總共分為三部分，他們分別是基于特征的意見挖掘部分、基于特征的權(quán)重計(jì)算部分和評(píng)分推斷部分。在意見挖掘部分中，我們利用意見挖掘技術(shù)來(lái)從用戶的文本評(píng)論中提取產(chǎn)品的特征以及用戶在各個(gè)特征上的意見，從而計(jì)算出用戶在產(chǎn)品的各個(gè)特征上的評(píng)分。在特征權(quán)重計(jì)算部分中，我們利用用戶在產(chǎn)品上的整體評(píng)分通過張量分解方法自動(dòng)的推斷出用戶在不同的特征上的偏好。評(píng)分推斷部分是基于用戶在各個(gè)特征上的評(píng)分以及權(quán)重推斷出用

5、戶在產(chǎn)品上的未知的評(píng)分。
　　我們利用兩個(gè)數(shù)據(jù)集對(duì)我們的方法進(jìn)行評(píng)估。同時(shí)，我們也將我們的方法與幾個(gè)基準(zhǔn)方法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果顯示出我們的方法要比基準(zhǔn)方法好。這篇論文的主要貢獻(xiàn)如下:
　　我們提出了一個(gè)新的預(yù)測(cè)用戶整體評(píng)分的協(xié)同過濾模型，該模型集成了用戶在產(chǎn)品的特征上的偏好信息和意見信息。
　　我們利用張量分解的方法來(lái)獲取用戶的特征權(quán)重，這一過程緩解了數(shù)據(jù)的稀疏性問題以及減少了模型的參數(shù)的個(gè)數(shù)。
　　我們?cè)俅卫?/p>