現(xiàn)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(xié)同過濾方法只利用用戶交互行為進(jìn)行推薦,面臨著數(shù)據(jù)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(zhǔn)確率在商業(yè)中具有重要意義,而現(xiàn)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(xué)習(xí)方法,通過研究組織用戶行為數(shù)據(jù)更加有效的形式,結(jié)合評論的語義特性建模評論語義,來提升推薦的準(zhǔn)確率。本文的主要工作如下:(1)為了更有效地建模協(xié)同過濾信號,本文提出了一種基于聯(lián)合自編碼器的深度協(xié)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(shù)據(jù),利用自編碼器從用戶和物品節(jié)點在圖中的局部結(jié)構(gòu)中學(xué)習(xí)用戶和物品表示,以此來提高協(xié)同過濾推薦的準(zhǔn)確性和抗數(shù)據(jù)稀疏性。(2)針對協(xié)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(lián)系,提出了一種基于用戶評論語義的評分預(yù)測算法。該方法借鑒生成對抗網(wǎng)絡(luò)和遷移學(xué)習(xí)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(jìn)行訓(xùn)練,從而提升了評分預(yù)測的準(zhǔn)確...

【文章頁數(shù)】：77 頁

【學(xué)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(nèi)外研究現(xiàn)狀
        1.2.1 協(xié)同過濾推薦算法研究現(xiàn)狀
        1.2.2 基于用戶評論的推薦算法研究現(xiàn)狀
    1.3 論文主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)理論與技術(shù)簡介
    2.1 協(xié)同過濾推薦算法
        2.1.1 協(xié)同過濾推薦概述
        2.1.2 基于內(nèi)存的算法
        2.1.3 基于模型的算法
    2.2 深度學(xué)習(xí)模型
        2.2.1 自編碼器
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 注意力機制
        2.2.4 圖卷積神經(jīng)網(wǎng)絡(luò)
    2.3 用戶評論分析技術(shù)
        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(jié)
第三章 基于聯(lián)合自編碼器的深度協(xié)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(xué)習(xí)
    3.4 評分預(yù)測
    3.5 聯(lián)合優(yōu)化
    3.6 本章小結(jié)
第四章 基于用戶評論語義的評分預(yù)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(yù)測
    4.4 模型優(yōu)化
    4.5 算法復(fù)雜度近似分析
    4.6 本章小結(jié)
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(gòu)建
    5.5 用戶和物品特征學(xué)習(xí)
    5.6 混合推薦
    5.7 本章小結(jié)
第六章 實驗結(jié)果與討論
    6.1 實驗數(shù)據(jù)集
    6.2 實驗環(huán)境
    6.3 實驗評估指標(biāo)
    6.4 基于聯(lián)合自編器的深度協(xié)同過濾推薦算法實驗
        6.4.1 算法有效性和抗數(shù)據(jù)稀疏性實驗
        6.4.2 算法參數(shù)影響實驗
    6.5 基于用戶評論語義的評分預(yù)測算法實驗
        6.5.1 算法有效性實驗
        6.5.2 算法參數(shù)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(shù)影響實驗
    6.7 實驗結(jié)果總結(jié)
    6.8 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號：3875762