現(xiàn)有的推薦算法存在著冷啟動性、稀疏性及可擴展性等問題。本文針對這些問題引入用戶評分偏好信息提出了基于Jaccard相似度與矩陣分解的混合推薦算法,且為提升英文文本的情感分析算法的準確率提出了基于句向量與LSTM的英文文本情感分析算法,最后考慮用戶評論中含有的情感傾向信息研究提出了基于用戶評論情感與矩陣分解推薦算法。本文主要研究工作和成果如下:1.為引入相似用戶的評分偏好信息,研究提出基于Jaccard相似度與矩陣分解的混合推薦算法HRA-JSMD①。算法根據(jù)Jaccard相似度挖掘評分相似性的用戶集群,且采用矩陣分解方法對相似用戶的局部評分項進行預測,最后對填充后的評分矩陣進行矩陣分解,通過算法實例分析HRA-JSMD算法的可行性。實驗結果表明HRA-JSMD算法能得到更優(yōu)的推薦質量及更低的計算時間。2.為提升文本情感分析算法對于英文文本的預測準確度,研究提出基于句向量與LSTM的英文文本情感分析算法SA-SVL②。算法在文本預處理之后為單詞分配數(shù)值以構建句向量且運用TF-IDF提取其情感特征,最后采用基于LSTM的循環(huán)神經網絡進行訓練。通過算法實例分析SA-SVL算法的可行性且實驗結... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【部分圖文】：

循環(huán)神經網絡示意圖

．％／ｔ＇??Ｆｉｇｕｒｅ?３．１?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｒａｔｉｎｇｓ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ?ｂａｓｅ?ｏｎ?Ｍａｔｒｉｘ?Ｆｉｌｌ??該算法根據(jù)用戶－項目評分矩陣（ｍｘ？）通過算法３．１得到的用戶的Ｋ個相??似鄰居集合，隨后根據(jù)Ｋ個相似鄰居與同標用戶／的評分矩陣尋找到它們已經評??分的列號。并將尋找到的評分列構成新的獨立矩陣，采用矩陣分解技術對獨立??矩陣進行預測評分。最終將未評分項的預測值填充至原始評分矩陣中以降低用??戶－項ｇ評分的稀疏度。??如圖３．１所示假定算法３．１從用戶－項目評分矩陣（ａ）中選取目標用戶ｔａｒｇｅｔ－ｉｄ??

．Ｆｉｇｕｒｅ．３．２?Ｔｈｅ?ｒｅｓｕｌｔ?ｏｆ?ｏｆ?ｔｈｒｅｅ?ｓｉｍｉｌａｒｉｔｙ?ｏｎ?Ｍｏｖｉｅｌｅｎｓ?ｄａｔａｓｅｔ：（ａ）ＭＡＥ?；（ｂ）ＲＭＳＥ??由圖３．２（ａ）及表３．７中可知，當鄰居數(shù)量為５吋，基于余弦相似度的算法??相比其他算法得到的平均ＭＡＥ值較高，說明該算法得到的推薦質量最差，而基??于皮爾森算法較于Ｊａｃｃａｒｄ算法得到的平均ＭＡＥ值略低。當鄰居數(shù)量ｄ?＾?１０??時，三種相似度的推薦算法得到推薦準確度都有著明顯提高。當鄰居數(shù)量??

【參考文獻】：
期刊論文
[1]基于SVD++與標簽的跨域推薦模型[J]. 邢長征,楊曉婷.  計算機工程. 2018(04)
[2]基于聯(lián)合概率矩陣分解的個性化試題推薦方法[J]. 李全,劉興紅,許新華,林松.  計算機應用. 2018(03)
[3]基于混合卡方統(tǒng)計量與邏輯回歸的文本情感分析[J]. 李平,戴月明,王艷.  計算機工程. 2017(12)
[4]基于神經網絡的文本表示模型新方法[J]. 曾誰飛,張笑燕,杜曉峰,陸天波.  通信學報. 2017(04)
[5]基于項目屬性偏好的協(xié)同過濾算法[J]. 朱明,魏慧琴.  計算機與現(xiàn)代化. 2017(04)
[6]改進的協(xié)同過濾推薦算法[J]. 張亮,趙娜.  計算機系統(tǒng)應用. 2016(07)
[7]融合用戶信任模型的協(xié)同過濾推薦算法[J]. 楊秀梅,孫詠,王丹妮,李巖.  計算機系統(tǒng)應用. 2016(07)
[8]基于耦合相似度的矩陣分解推薦方法[J]. 郭夢嬌,孫勁光,孟祥福.  計算機科學. 2016(04)
[9]基于主題模型的矩陣分解推薦算法[J]. 林曉勇,代苓苓,史晟輝,李芳.  計算機應用. 2015(S2)
[10]基于用戶偏好的矩陣分解推薦算法[J]. 劉慧婷,陳艷,肖慧慧.  計算機應用. 2015(S2)

博士論文
[1]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D]. 孫小華.浙江大學 2005

碩士論文
[1]推薦系統(tǒng)中基于內存的協(xié)同過濾算法研究[D]. 王賈予灃.西安電子科技大學 2015
[2]基于詞典的中文微博情緒分析[D]. 潘明慧.南京航空航天大學 2014



本文編號：3054453