隨著網(wǎng)絡(luò)信息量的急劇增長,傳統(tǒng)的信息檢索方法出現(xiàn)了一些性能瓶頸。例如,對于內(nèi)容信息的檢索需要用戶提供明確的需求,輸入關(guān)鍵詞進行查找的方式無法解決海量檢索結(jié)果的篩選問題等。智能推薦系統(tǒng)的出現(xiàn)可以在一定程度上緩解這種信息超載問題,提高信息的使用效率。此外,推薦系統(tǒng)也是增強用戶體驗和促進許多在線網(wǎng)站與移動應(yīng)用程序進行銷售和服務(wù)的關(guān)鍵工具。例如,在視頻服務(wù)商Netflix上觀看的電影有80%來自推薦功能,而在自媒體內(nèi)容網(wǎng)站YouTube上有60%的視頻點擊來自于用戶的主頁推薦。個性化的電影推薦系統(tǒng)能夠為用戶推薦與他們喜好相符的電影,不僅可以大量節(jié)省用戶信息查找的時間,而且能在網(wǎng)站和用戶之間建立密切的聯(lián)系,讓用戶對推薦產(chǎn)生依賴,從而形成良性循環(huán)。而對電影推薦網(wǎng)站和視頻網(wǎng)站來說,準確的推薦能夠提高用戶的點擊率和購買率,從而為企業(yè)帶來大量利潤�；谝陨媳尘�,本文主要開展了以下三個方面的創(chuàng)新研究:第一,構(gòu)建融合評分和評論的混合電影推薦模型。該模型可以分為融合用戶興趣特征和情感的個性化推薦算法（SentiNMF-U）,以及融合電影主題特征和用戶情感偏好的個性化推薦算法（SentiNMF-I）。本文利用影... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于評分的推薦技術(shù)
        1.2.2 融合評分和評論的推薦技術(shù)
        1.2.3 電影推薦研究現(xiàn)狀
        1.2.4 文獻小結(jié)
    1.3 本文主要工作
    1.4 本文創(chuàng)新點
    1.5 本文的組織結(jié)構(gòu)
第2章 協(xié)同過濾算法和文本情感分析
    2.1 協(xié)同過濾算法
        2.1.1 基于用戶的協(xié)同過濾算法
        2.1.2 基于物品的協(xié)同過濾算法
        2.1.3 非負矩陣分解
        2.1.4 協(xié)同過濾算法的瓶頸
    2.2 文本情感分析
第3章 融合用戶興趣特征和情感的個性化推薦算法
    3.1 符號定義
    3.2 算法整體流程
    3.3 句子層面的情感分析
    3.4 非負矩陣分解計算用戶評論主題特征
    3.5 融合用戶興趣特征和情感的個性化推薦算法（SentiNMF-U）
        3.5.1 用戶興趣主題分布
        3.5.2 用戶相似度
        3.5.3 基于用戶協(xié)同過濾的推薦列表的生成
    3.6 融合電影主題特征和用戶情感偏好的個性化推薦算法（SentiNMF-I）
        3.6.1 電影特征主題分布
        3.6.2 電影相似度
        3.6.3 基于電影協(xié)同過濾的推薦列表的生成
第4章 實驗與分析
    4.1 數(shù)據(jù)集
        4.1.1 數(shù)據(jù)集特征
        4.1.2 數(shù)據(jù)預(yù)處理
    4.2 評價標準
        4.2.1 準確率
        4.2.2 召回率
        4.2.3 F1度量
    4.3 實驗結(jié)果與分析
        4.3.1 第一階段實驗
        4.3.2 第二階段實驗
第5章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 局限性與未來工作展望
參考文獻
致謝
攻讀碩士學位期間的研究成果


【參考文獻】：
期刊論文
[1]基于用戶打分和評論的推薦算法研究[J]. 祁燕,岳添駿,楊大為.  沈陽理工大學學報. 2018(02)
[2]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[3]基于多特征的微博情感分析研究[J]. 劉續(xù)樂,何炎祥.  計算機工程. 2017(12)
[4]融入情感差異和用戶興趣的微博轉(zhuǎn)發(fā)預(yù)測[J]. 唐曉波,羅穎利.  圖書情報工作. 2017(09)
[5]LDA-RR:一種基于評分和評論的推薦方法[J]. 王建,黃佳進.  計算機科學. 2017(02)
[6]基于詞向量與句法樹的中文句子情感分析[J]. 相若晨,孫美鳳.  計算機與現(xiàn)代化. 2016(08)
[7]基于上下文語義的句子情感分類[J]. 王偉,韓立新,夏建華.  信息技術(shù). 2016(04)
[8]基于情感分析的企業(yè)產(chǎn)品級競爭對手識別研究——以用戶評論為數(shù)據(jù)源[J]. 肖璐,陳果,劉繼云.  圖書情報工作. 2016(01)
[9]LDA-CF:一種混合協(xié)同過濾方法[J]. 廉濤,馬軍,王帥強,崔超然.  中文信息學報. 2014(02)
[10]國外電影推薦系統(tǒng)網(wǎng)站研究與評述[J]. 孫海峰,甘明鑫,劉鑫,吳越.  計算機應(yīng)用. 2013(S2)

碩士論文
[1]互聯(lián)網(wǎng)電影推薦方法的研究與實現(xiàn)[D]. 陳天昊.中國科學技術(shù)大學 2014
[2]基于評論和評分的個性化推薦算法研究[D]. 許景楠.浙江大學 2013
[3]電影推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 尤方圓.華中科技大學 2013
[4]中文句子情感傾向分析[D]. 郭葉.北京郵電大學 2010



本文編號：2979663