版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著互聯(lián)網(wǎng)的高速發(fā)展,人類已經(jīng)步入一個(gè)全新的智能化時(shí)代。由于信息的數(shù)據(jù)量正呈現(xiàn)指數(shù)級(jí)增長(zhǎng),且數(shù)據(jù)的種類日益繁多,傳統(tǒng)的推薦系統(tǒng)已不能滿足商家和消費(fèi)者的雙重需求。推薦算法的核心在于如何挖掘出更多的用戶偏好信息,然后根據(jù)用戶的興趣點(diǎn)給出推薦。能反映用戶偏好的信息除評(píng)分外,還包含伴隨評(píng)分給出的評(píng)語。對(duì)評(píng)語進(jìn)行語義分析可以挖掘出大量的用戶偏好信息以及物品的潛在特征屬性,有助于改善數(shù)據(jù)稀疏性和“冷啟動(dòng)”問題。本文研究的是推薦系統(tǒng)中的評(píng)分預(yù)測(cè)問題。
2、本文將抽象的用戶偏好融入到LDA(Latent Dirichlet Allocation)主題模型中,提出了引入用戶評(píng)分和評(píng)語的貝葉斯評(píng)分預(yù)測(cè)模型。在互聯(lián)網(wǎng)公開的數(shù)據(jù)集上做實(shí)驗(yàn),證明了本文提出的理論方法能顯著提高評(píng)分預(yù)測(cè)的準(zhǔn)確度。本文的主要工作和貢獻(xiàn)有以下兩點(diǎn):
(1)本文將LDA文檔生成模型引入到協(xié)同過濾推薦算法中,用主題解釋抽象的用戶偏好,并由此提出了基于貝葉斯理論的評(píng)分生成模型。該模型采用Gibbs采樣算法對(duì)可觀測(cè)到的樣
3、本信息進(jìn)行參數(shù)估計(jì)。對(duì)于給定的用戶和物品,該模型可預(yù)測(cè)出用戶對(duì)物品的評(píng)分值。在MovieLens數(shù)據(jù)集上做實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明本文提出的評(píng)分預(yù)測(cè)算法比Item-CF、SVD++和PLSA-CF等傳統(tǒng)算法的評(píng)分預(yù)測(cè)準(zhǔn)確度更高。
(2)為了挖掘更多的用戶偏好信息,本文對(duì)伴隨評(píng)分生成的評(píng)語信息進(jìn)行了語義分析,模擬了評(píng)語中每個(gè)詞的生成過程。本文提出了融合用戶評(píng)分和評(píng)語的貝葉斯評(píng)分預(yù)測(cè)模型,并建立了基于LSTM的文本情感分析模型,對(duì)評(píng)語進(jìn)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 融合用戶屬性和興趣的最大熵推薦算法研究.pdf
- 基于攻擊用戶識(shí)別和貝葉斯概率矩陣分解的魯棒推薦算法.pdf
- 貝葉斯博弈信息融合模型及其算法的研究和應(yīng)用.pdf
- 融合用戶注冊(cè)信息的協(xié)同過濾推薦算法.pdf
- 基于正則化樸素貝葉斯的用戶分類算法的研究.pdf
- 人臉識(shí)別中基于貝葉斯決策融合的算法.pdf
- 結(jié)合用戶興趣變化的推薦算法研究.pdf
- 基于多貝葉斯并行融合模型的郵件過濾算法研究.pdf
- 融合用戶信任與項(xiàng)目關(guān)系的社會(huì)化推薦算法研究.pdf
- 融合用戶信任與項(xiàng)目關(guān)系的社會(huì)化推薦算法研究
- 基于貝葉斯網(wǎng)絡(luò)的用戶模型研究.pdf
- 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法和算法研究.pdf
- 融合用戶差異度及信息熵的協(xié)同過濾推薦算法.pdf
- 貝葉斯算法原理分析
- 樸素貝葉斯分類改進(jìn)算法的研究.pdf
- 貝葉斯網(wǎng)絡(luò)推理算法研究.pdf
- 基于屬性加權(quán)和歸約的樸素貝葉斯算法研究.pdf
- 貝葉斯分類算法的研究與應(yīng)用.pdf
- 一種融合用戶上下文信息和評(píng)分傾向度的協(xié)同過濾推薦系統(tǒng).pdf
- 基于快速稀疏貝葉斯學(xué)習(xí)算法的雷達(dá)數(shù)據(jù)融合技術(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論