本文關(guān)鍵詞：基于評論分析的推薦算法的設(shè)計與實現(xiàn)

  更多相關(guān)文章： 評論文本 評分預(yù)測 推薦 可信度 語義

【摘要】：隨著Web2.0的迅猛發(fā)展,互聯(lián)網(wǎng)為用戶間交互提供了平臺。以電子商務(wù)平臺為例,用戶可以在消費(fèi)后撰寫描述性評論,并給出總體評估分?jǐn)?shù)。評論內(nèi)容可以反映用戶對商品的滿意程度和意見,有助于潛在購物者做出消費(fèi)選擇。然而,用戶反饋信息的爆炸式增長,對用戶的建模和商品的推薦帶來巨大挑戰(zhàn)。推薦系統(tǒng)被廣泛地應(yīng)用在網(wǎng)絡(luò)平臺中,利用推薦模型預(yù)測用戶喜好,幫助用戶找到適合的電影、書籍、音樂等商品。對用戶的評論文本進(jìn)行分析,可以發(fā)現(xiàn)用戶關(guān)注的商品特征。根據(jù)商品的特征,可以推測用戶對該商品各個屬性的喜好程度。本文通過對用戶評論數(shù)據(jù)進(jìn)行分析,構(gòu)建評分預(yù)測模型,設(shè)計推薦算法。另一方面,由于生活背景和興趣偏好不同,導(dǎo)致用戶給出的反饋信息存在偏差,本文針對用戶可信度的評估提出了新的方案。本文從以下三個方面展開研究·基于畫像建模的整體評分預(yù)測將評論中隱含的語義內(nèi)容與評分相結(jié)合,設(shè)計并實現(xiàn)一種新穎的商品推薦模型。首先利用主題模型挖掘評論文本中隱含的主題分布,用主題分布刻畫用戶偏好和商品畫像。在回歸模型上訓(xùn)練主題與評分的關(guān)系,最終評分可以被視為是對用戶偏好和商品畫像相似程度的量化表示。·基于語義分析的多維評分預(yù)測由于每個用戶對商品不同維度的關(guān)注度不同,因此設(shè)計了一種提取評論中不同維度評分的方法。首先利用bootstrapping算法將評論中的句子匹配到不同的維度中,然后結(jié)合情感極性詞典和程度詞詞典,對每個維度進(jìn)行評分預(yù)測�！び脩艨尚哦仍u估模型假設(shè)：用戶評分越接近商品真實評分,則用戶可信度越高。商品的真實評分由評論過該商品的用戶評分及其可信度加權(quán)計算得出。設(shè)計評估用戶在不同維度上可信度的迭代算法,在迭代計算同時,該方法也可以修正商品的真實評分。
【關(guān)鍵詞】：評論文本 評分預(yù)測 推薦 可信度 語義
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 緒論13-23
• 1.1 研究背景13-16
• 1.2 研究內(nèi)容與主要貢獻(xiàn)16-22
• 1.2.1 基于畫像建模的整體評分預(yù)測17-19
• 1.2.2 基于語義分析的多維評分預(yù)測19-21
• 1.2.3 用戶可信度評估21-22
• 1.3 組織結(jié)構(gòu)22-23
• 第二章 研究現(xiàn)狀23-28
• 2.1 推薦算法23-25
• 2.2 評論文本分析25-26
• 2.3 可信度評估26-27
• 2.4 本章小結(jié)27-28
• 第三章 基于畫像建模的整體評分預(yù)測28-45
• 3.1 預(yù)備知識28-31
• 3.1.1 問題描述28-29
• 3.1.2 模型框架29
• 3.1.3 主題分析29-31
• 3.2 畫像生成模型31-32
• 3.3 評分預(yù)測方法32-35
• 3.3.1 數(shù)據(jù)樣例32-33
• 3.3.2 學(xué)習(xí)模型33-34
• 3.3.3 強(qiáng)化模型34-35
• 3.4 實驗研究35-42
• 3.4.1 數(shù)據(jù)集35-36
• 3.4.2 評價指標(biāo)和對比方法36-39
• 3.4.3 實驗結(jié)果及分析39-42
• 3.5 代表性評論選擇42-43
• 3.6 本章小結(jié)43-45
• 第四章 基于語義分析的多維評分預(yù)測45-56
• 4.1 預(yù)備知識45-48
• 4.1.1 問題描述45-46
• 4.1.2 模型框架46-47
• 4.1.3 自然語言處理47-48
• 4.2 維度提取48-50
• 4.3 多維評分預(yù)測50-51
• 4.4 實驗研究51-55
• 4.4.1 評估指標(biāo)51-52
• 4.4.2 對比方法52-53
• 4.4.3 維度提取53-54
• 4.4.4 評分預(yù)測54-55
• 4.5 本章小結(jié)55-56
• 第五章 用戶可信度度量56-67
• 5.1 預(yù)備知識56-58
• 5.1.1 問題定義56-58
• 5.1.2 模型描述58
• 5.2 UCA評估模型58-61
• 5.2.1 用戶可信度計算58-60
• 5.2.2 推薦應(yīng)用60-61
• 5.3 實驗研究61-66
• 5.3.1 定量實驗61-64
• 5.3.2 定性實驗64-66
• 5.4 本章小結(jié)66-67
• 第六章 總結(jié)與展望67-69
• 附錄A CCF推薦系統(tǒng)展示69-71
• 參考文獻(xiàn)71-78
• 致謝78-80
• 發(fā)表論文和科研情況80-81

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機(jī)系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機(jī)應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機(jī)應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機(jī)信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：762615