融合用戶評(píng)分和評(píng)語的貝葉斯推薦算法研究.pdf

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)