發(fā)布時間：2021-01-01 19:41

　　近年來,隨著互聯(lián)網(wǎng)的普及和計算機技術的進步,信息的數(shù)量呈指數(shù)級增長,人們在享受互聯(lián)網(wǎng)帶來便利的同時,也受到“信息碎片化”和“信息過載”的困擾。個性化推薦系統(tǒng)不僅能夠滿足用戶個性化需求,提升用戶體驗,并且在具體商業(yè)場景下能夠大幅度提高用戶的行為轉化率,成為當前解決“信息過載”問題的主流方法。隨著人工智能的快速發(fā)展,深度學習越來越多的應用到推薦領域。在當今大多數(shù)電子商務平臺上,用戶對商品撰寫評論不僅是一項核心功能,同時也是一項具有很強歷史性的行為。豐富的評論內容,蘊含了大量的信息,它在捕捉用戶偏好和刻畫商品特征畫像方面尤其強大。本文主要研究了基于深度學習的評論主題推薦算法和在線實時推薦系統(tǒng)實現(xiàn),借助評論這一媒介,將深度學習與推薦算法有機地結合起來,研究的內容具體如下:（1）提出了一個加入了篩選機制的注意力神經(jīng)網(wǎng)絡模型,該網(wǎng)絡在嵌入層先進行one-hot編碼,通過類同矩陣對用戶、商品的評論列表進行計算,選擇有限條評論進入下一層。而后將經(jīng)過篩選的評論集用BERT模型進行預訓練,并通過Bi-GRU+Attention神經(jīng)網(wǎng)絡對其進行深度語義抽取,最后結合改進的概率矩陣分解來預測用戶對商品的評分,... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

亞馬遜購物網(wǎng)站商品界面圖

圖 1-2 亞馬遜購物網(wǎng)站商品評論發(fā)表展示圖根據(jù)多種研究數(shù)據(jù)表明，越來越多的用戶在購物之前，會通過互聯(lián)網(wǎng)或網(wǎng)站本身來查看待購產(chǎn)品的各類評論信息。 優(yōu)質的評論對顧客最終決定購買起到重要的影響評論通常包含以下內容：(1)產(chǎn)品優(yōu)點：可以讓顧客快速了解這個產(chǎn)品的亮點，這影響到顧客的好感；(2)產(chǎn)品缺點：產(chǎn)品有哪些缺點，是否在可以接受的范圍；(3用途：產(chǎn)品功能很多，但主要在那些方面或產(chǎn)品使用比較合適；(4)適用人群：是配顧客自己的年齡、性別和社會角色等；(5)性價比：是否在同類產(chǎn)品中性價比比；(6)使用心得：如果更快的熟悉該產(chǎn)品，避免誤操作；(7)選購技巧：如何購買配關聯(lián)的配件、其它產(chǎn)品等；(8)評論人信息：評論人在該網(wǎng)站是否是高級別用戶，的評價是否同樣中肯和公允。然而，要讓用戶在如此繁雜多樣的評論中取判斷商品類優(yōu)缺點并作出一個最佳的判斷實屬不易，如何幫助用戶擺脫傳統(tǒng)逐個游覽評論的做法，而是利用用戶以往在自己購買商品欄留下的評論來對用戶進行商品興趣度匹薦，是本文所要研究的重要問題。

圖 2-1 協(xié)同過濾矩陣分解圖推薦任務中，具體可可以描述為已知有m 個用戶 {,,...,}1 2mU uuu和 n 種商,,...,} 2nii，用戶對商品的感興趣程度可以用一個 m n維的評分矩陣R 表示，其表示用戶對該商品的興趣越高，若沒有分值則表示該用戶對此商品不感興趣或它。對于評分矩陣 R 來說，可以分解成兩個子矩陣mkP 和knQ ,對于評R 中每一個用戶i對商品 j 的評分值都可以用ijR 來表示： KnijinnjRPQ1(2-6其中矩陣P 的第i行表示用戶i對這 K 個屬性的偏好程度矩陣，矩陣Q的第 j 列 j 在這 K 個屬性上的特征。矩陣分解算法只考慮原評分矩陣中得分不為 0 的值函數(shù)可表示為： mnijijLRPQ2( ) mnijijLRPQ2( )(2-7

【參考文獻】：
期刊論文
[1]基于變分循環(huán)自動編碼器的協(xié)同推薦方法[J]. 李曉菊,顧君忠,程潔.  計算機應用與軟件. 2018(09)
[2]世界電子商務報告:中國成全球最大電子商務市場[J].   新民周刊. 2018(16)
[3]卷積神經(jīng)網(wǎng)絡特征重要性分析及增強特征選擇模型[J]. 盧泓宇,張敏,劉奕群,馬少平.  軟件學報. 2017(11)
[4]基于深度學習加強的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學學報(自然科學版). 2017(10)
[5]基于用戶評分和評論信息的協(xié)同推薦框架[J]. 譚云志,張敏,劉奕群,馬少平.  模式識別與人工智能. 2016(04)



本文編號：2951877