隨著移動互聯(lián)網(wǎng)的不斷發(fā)展,用戶通過互聯(lián)網(wǎng)產(chǎn)生了大量的用戶評價數(shù)據(jù),例如電子商務(wù)中用戶對商品給出的評價,這些數(shù)據(jù)體現(xiàn)了用戶對商品的滿意（即偏好）程度。充分挖掘用戶評價數(shù)據(jù)中包含的有效信息,并為用戶提供個性化的產(chǎn)品、服務(wù)具有重要意義。用戶評價數(shù)據(jù)包括評分數(shù)據(jù)和評論數(shù)據(jù),評分數(shù)據(jù)可以從整體上體現(xiàn)用戶偏好,評論數(shù)據(jù)則可以表達用戶對產(chǎn)品不同方面的關(guān)注和偏好。近年來,已有許多研究工作利用評價數(shù)據(jù)進行用戶偏好建模,但這些方法往往忽略了評論數(shù)據(jù)中不同評價方面之間的內(nèi)在聯(lián)系,難以描述用戶評價數(shù)據(jù)中不同屬性之間的不確定性依賴關(guān)系。本文將用戶對評價對象在不同方面的評論,分別描述為不同的評論屬性,使用詞向量工具挖掘評論數(shù)據(jù)中用戶針對不同評論屬性的語義信息。同時,隱變量模型可以通過隱變量描述隱含知識,所以本文將用戶偏好用隱變量進行表示,構(gòu)建基于用戶評價數(shù)據(jù)的用戶偏好模型。綜上,本文的主要研究內(nèi)容可以概括成以下三點:1)針對評論文本數(shù)據(jù)的預(yù)處理,本文首先使用Word2vec詞向量工具將評論文本數(shù)據(jù)轉(zhuǎn)化為文本詞向量,通過k-means聚類算法對評論數(shù)據(jù)的詞向量進行最優(yōu)聚類,根據(jù)聚類結(jié)果確定評論數(shù)據(jù)中包含的評論屬性個... 

【文章來源】：云南大學云南省 211工程院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?ＮＮＬＭ網(wǎng)絡(luò)結(jié)構(gòu)示意圖??

cB0w模型和SU卜gra

圖２．３貝葉斯網(wǎng)舉例??

【參考文獻】：
期刊論文
[1]融合評分矩陣與評論文本的商品推薦模型[J]. 李琳,劉錦行,孟祥福,蘇暢,李鑫,鐘珞.  計算機學報. 2018(07)
[2]基于貝葉斯網(wǎng)的評價數(shù)據(jù)分析和動態(tài)行為建模[J]. 王飛,岳昆,孫正寶,武浩,馮輝.  計算機研究與發(fā)展. 2017(07)
[3]基于Word2vec的微博短文本分類研究[J]. 張謙,高章敏,劉嘉勇.  信息網(wǎng)絡(luò)安全. 2017(01)
[4]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)



本文編號：3395560