現代商業(yè)系統(tǒng)中,推薦系統(tǒng)在幫助用戶克服信息過載問題上發(fā)揮著重要作用。傳統(tǒng)的協同過濾方法只利用用戶交互行為進行推薦,面臨著數據稀疏性等一系列問題。用戶評論作為用戶行為的解釋,蘊含著豐富信息,利用這些信息輔助提升推薦的準確率在商業(yè)中具有重要意義,而現有的基于評論的推薦方法在建模評論語義和可擴展性上存在一定的局限性。針對這些問題,本文借助深度學習方法,通過研究組織用戶行為數據更加有效的形式,結合評論的語義特性建模評論語義,來提升推薦的準確率。本文的主要工作如下:(1)為了更有效地建模協同過濾信號,本文提出了一種基于聯合自編碼器的深度協同過濾推薦算法。該方法以二分圖代替評分矩陣組織用戶行為數據,利用自編碼器從用戶和物品節(jié)點在圖中的局部結構中學習用戶和物品表示,以此來提高協同過濾推薦的準確性和抗數據稀疏性。(2)針對協同過濾方法只建模用戶行為本身而忽略其背后動機的缺點,本文首先揭示了用戶評論的語義特性,將其與用戶購買決策的過程相聯系,提出了一種基于用戶評論語義的評分預測算法。該方法借鑒生成對抗網絡和遷移學習的思想建模用戶評論語義,同時使用單評論而非聚合評論的模式進行訓練,從而提升了評分預測的準確...

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景
    1.2 國內外研究現狀
        1.2.1 協同過濾推薦算法研究現狀
        1.2.2 基于用戶評論的推薦算法研究現狀
    1.3 論文主要內容
    1.4 論文組織結構
第二章 相關理論與技術簡介
    2.1 協同過濾推薦算法
        2.1.1 協同過濾推薦概述
        2.1.2 基于內存的算法
        2.1.3 基于模型的算法
    2.2 深度學習模型
        2.2.1 自編碼器
        2.2.2 卷積神經網絡
        2.2.3 注意力機制
        2.2.4 圖卷積神經網絡
    2.3 用戶評論分析技術
        2.3.1 詞向量化
        2.3.2 層面提取
        2.3.3 文本語義特征提取
    2.4 本章小結
第三章 基于聯合自編碼器的深度協同過濾推薦算法
    3.1 引言
    3.2 算法總體框架
    3.3 用戶和物品的表征學習
    3.4 評分預測
    3.5 聯合優(yōu)化
    3.6 本章小結
第四章 基于用戶評論語義的評分預測算法
    4.1 引言
    4.2 算法總體框架
    4.3 算法描述
        4.3.1 評論語義提取
        4.3.2 評論語義生成
        4.3.3 評分預測
    4.4 模型優(yōu)化
    4.5 算法復雜度近似分析
    4.6 本章小結
第五章 基于用戶評論的深度混合推薦算法
    5.1 引言
    5.2 算法總體框架
    5.3 物品屬性層面提取
        5.3.1 總體流程
        5.3.2 物品屬性提取
        5.3.3 層面形成
    5.4 圖構建
    5.5 用戶和物品特征學習
    5.6 混合推薦
    5.7 本章小結
第六章 實驗結果與討論
    6.1 實驗數據集
    6.2 實驗環(huán)境
    6.3 實驗評估指標
    6.4 基于聯合自編器的深度協同過濾推薦算法實驗
        6.4.1 算法有效性和抗數據稀疏性實驗
        6.4.2 算法參數影響實驗
    6.5 基于用戶評論語義的評分預測算法實驗
        6.5.1 算法有效性實驗
        6.5.2 算法參數影響實驗
        6.5.3 冷啟動實驗
        6.5.4 層面可視化實驗
        6.5.5 可擴展性驗證實驗
    6.6 基于用戶評論的深度混合推薦算法實驗
        6.6.1 算法有效性實驗
        6.6.2 算法參數影響實驗
    6.7 實驗結果總結
    6.8 本章小結
結論與展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：3875762