融合評(píng)論信息的貝葉斯個(gè)性化排序方法的研究與應(yīng)用.pdf

1、本文目的是為了解決信息過(guò)載、數(shù)據(jù)稀疏導(dǎo)致冷啟動(dòng)等問(wèn)題，使用戶從互聯(lián)網(wǎng)的海量數(shù)據(jù)中，能保持較高的效率，更快獲取到喜愛(ài)的項(xiàng)目。現(xiàn)在的系統(tǒng)越來(lái)越龐大，數(shù)據(jù)呈現(xiàn)爆炸性增長(zhǎng)，用戶想要從海量數(shù)據(jù)中選擇自己喜歡的物品顯得越來(lái)越困難，又由于用戶表達(dá)明確偏好的數(shù)據(jù)較難獲取，用戶不愿意表達(dá)太多個(gè)人偏好，從而導(dǎo)致數(shù)據(jù)集過(guò)于稀疏。個(gè)性化推薦技術(shù)顯得越來(lái)越重要，既能幫助企業(yè)提高系統(tǒng)效率和價(jià)值，又能幫助用戶節(jié)省時(shí)間成本，增加的滿意度。
　　針對(duì)以上問(wèn)題，主要

2、解決思路是：引入融合用戶評(píng)論信息的貝葉斯個(gè)性化排序方法，提出了兩個(gè)簡(jiǎn)單新穎的融合評(píng)論信息的貝葉斯個(gè)性化排序方法TBPR-Diff和TBPR-Shared，充分合理利用已有的數(shù)據(jù)，挖掘用戶偏好，緩解數(shù)據(jù)稀疏和冷啟動(dòng)等問(wèn)題。本文首先提出了基于貝葉斯個(gè)性化排序的矩陣分解（matrix factorization based Bayesian personalized ranking,BPR-MF）方法，表述了該方法的通用性與不足；在此基礎(chǔ)上加

3、入評(píng)論數(shù)據(jù)的協(xié)同主題回歸方法，將項(xiàng)目?jī)?nèi)容（評(píng)論）與模型相結(jié)合，以完善評(píng)價(jià)預(yù)測(cè)因子，從而更好的解釋用戶偏好的變化。本文還采用Skip-Gram方法對(duì)評(píng)論信息進(jìn)行處理，提取用戶評(píng)論信息情感偏好，然后對(duì)隱性數(shù)據(jù)集構(gòu)建Pair-wise序列和貝葉斯個(gè)性化排序方法進(jìn)行構(gòu)建，并利用矩陣因子分解和數(shù)據(jù)篩選、項(xiàng)目因子空間共享、序列對(duì)優(yōu)化等技術(shù)降低模型的復(fù)雜度。最后將項(xiàng)目評(píng)論和BPR-MF相結(jié)合，提出本文的兩種方法。在6個(gè)真實(shí)數(shù)據(jù)集上實(shí)驗(yàn)，論證了相關(guān)方法