協(xié)同過濾算法(CF)根據(jù)用戶-物品的評分矩陣做推薦,未考慮物品自身屬性。本文將MovieLens數(shù)據(jù)集上的電影屬性,作為影響推薦結(jié)果的因素,融合電影的簡介、評論、評分、導(dǎo)演和演員等多種因素,進行推薦。使用CNN(卷積神經(jīng)網(wǎng)絡(luò))和Word2Vec(Word to Vector,詞向量模型)處理電影簡介;使用AFINN(Finn?rup Nielsen情感詞典)處理評論,并對結(jié)果進行映射;對導(dǎo)演和演員數(shù)據(jù)進行建模,得到該因素下的預(yù)測評分,最后將各因素下的結(jié)果進行加權(quán)融合,通過調(diào)整權(quán)重,得到最佳效果。經(jīng)驗證,該方法的推薦性能優(yōu)于傳統(tǒng)的CF算法。

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引 言
1 相關(guān)研究
2 融合多因素數(shù)據(jù)的模型構(gòu)建
    2.1 問題描述
    2.2 數(shù)據(jù)處理及特征提取
        2.2.1 電影的簡介信息
        2.2.2 電影的評論信息處理
        2.2.3 對電影導(dǎo)演和演員的數(shù)據(jù)進行建模
        2.2.4 用戶-電影評分對預(yù)測評分的影響
    2.3 多因素數(shù)據(jù)融合
3 實驗結(jié)果及分析
    3.1 實驗數(shù)據(jù)集
    3.2 評價指標
        1) 準確率計算公式如式 (7) 所示:
        2) 召回率計算公式如式 (8) 所示:
        3) 平均絕對偏差MAE, 體現(xiàn)預(yù)測與真實評分之間的偏差平均值, 計算公式如式 (9) 所示:
    3.3 實驗結(jié)果及分析
        3.3.1 權(quán)重調(diào)整實驗
        3.3.2 推薦性能驗證實驗
4 結(jié)束語



本文編號：3778625