融合評(píng)分與評(píng)論信息的推薦算法研究與應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的普及和現(xiàn)代電子商務(wù)迅速發(fā)展，推薦系統(tǒng)得到廣泛使用，但大多數(shù)推薦算法仍存在冷啟動(dòng)等問題。新用戶加入推薦系統(tǒng)后，僅對(duì)少數(shù)商品進(jìn)行了評(píng)分，這將造成評(píng)分矩陣非常稀疏，推薦系統(tǒng)無法學(xué)習(xí)到用戶準(zhǔn)確的個(gè)人偏好，因而難以向用戶推薦合適的商品，導(dǎo)致推薦結(jié)果的準(zhǔn)確率降低。本文提出了一種融合評(píng)分與評(píng)論信息的推薦算法，簡(jiǎn)稱RAR（Rating and Review）推薦算法，目的在于提高推薦結(jié)果準(zhǔn)確率的同時(shí)，緩解冷啟動(dòng)問題。
　　本文先采

2、用基于主題模型的LDA（latent dirichlet allocation）算法得到用戶偏好向量和商品屬性向量，然后經(jīng)過喜好函數(shù)和厭惡函數(shù)計(jì)算，得到用戶和商品的喜好因子向量與厭惡因子向量，并把這兩種因子向量相加以此提取得到用戶和商品的重要因子向量，進(jìn)而對(duì)評(píng)論信息進(jìn)行建模；另一方面，本文采用矩陣分解技術(shù)，把用戶-商品評(píng)分矩陣分解成用戶因子向量和商品因子向量，將兩個(gè)向量的乘積作為用戶對(duì)商品的評(píng)分，再使用改進(jìn)的最近鄰算法，進(jìn)一步提高評(píng)分模

3、型準(zhǔn)確率；進(jìn)而，通過非線性映射函數(shù)把矩陣分解得到的商品因子向量與 LDA模型中評(píng)論-主題向量進(jìn)行映射，把評(píng)論-主題向量的維度與商品因子向量維度對(duì)齊，將 LDA捕獲的評(píng)論信息融合到評(píng)分信息中，使用線性回歸模型與重要因子融合，建立 RAR推薦模型。最后，本文提出使用自由向量來捕獲評(píng)論中未出現(xiàn)的信息，對(duì)模型進(jìn)行優(yōu)化。
　　為了驗(yàn)證本文提出的 RAR推薦模型的有效性，采用了亞馬遜在線商城的真實(shí)數(shù)據(jù)集，進(jìn)行了推薦系統(tǒng)的準(zhǔn)確率實(shí)驗(yàn)和冷啟動(dòng)實(shí)驗(yàn)