基于地理標簽和用戶評論情感分析的興趣點推薦模型
發(fā)布時間：2022-01-26 15:07
近些年,商品推薦模型越來越多的融入了用戶個人相關信息,這些信息有效的增強了用戶與商品之間的粘合度,提高了推薦的準確度�；谟脩粜畔⒌膫�性化推薦算法已經(jīng)成為重點研究方向,針對于不同類別的用戶,推薦結果也呈現(xiàn)多樣性,其中基于地域劃分和情感分析的推薦方法逐漸體現(xiàn)出越來越重要的地位。地理區(qū)域的不同影響著用戶興趣的變化。同時,時間因素對于評論情感的極性的變化有著一定的影響,進而影響著用戶的抉擇,一些研究沒有著重考慮這些問題。針對于上述問題,本文的主要工作包括以下4點:1.提出了基于地理標簽和用戶評論情感分析的興趣點推薦模型（Point-of-Interest Recommendation Model Based on Geo-Tagging and Sentiment Analysis of User Reviews,GTSA）,實現(xiàn)了用戶的本地和外地推薦。2.通過對興趣點內(nèi)容描述文本信息的擴充,實現(xiàn)了興趣點之間相似性的度量,從而構建出基于內(nèi)容的推薦模型。3.提出了一套對于無標簽評論數(shù)據(jù)情感挖掘的方法,從而獲得興趣點評論的情感極性偏好,并將時間窗口和用戶評論的情感值結合,分析得出興趣點整體評論的...
【文章來源】：河北大學河北省
【文章頁數(shù)】：67 頁
【學位級別】：碩士
【部分圖文】：
文章框架
第二章相關研究技術和基礎理論知識9圖2-1基于內(nèi)容的推薦圖2-1給出了CB方法的例子。該例子中以手機推薦為例，首先對手機進行特征提取，圖中手機特征包括了品牌名稱、內(nèi)存大小，其他特征還包括手機屏幕的大孝處理器的類型和電池等等。本例中以前兩者為推薦依據(jù)。通過對用戶A的挖掘發(fā)現(xiàn)，該用戶喜愛蘋果品牌，并且喜愛內(nèi)存大手機，而手機D的特征與用戶A的喜好相符所以把手機D推薦給用戶A。同樣的，手機D的特征與用戶B和用戶C的喜好特點不相符，所以不會推薦給用戶B和C。CB方法其推薦過程大概包括3個步驟：1.根據(jù)每個商品的內(nèi)容描述信息抽取特征以此表示該商品；2.根據(jù)用戶的歷史記錄挖掘用戶的喜好特征；3.根據(jù)用戶的喜好特征，選擇商品集中與用戶喜好相似度高的商品推薦給用戶。CB方法有如下的優(yōu)點：1.用戶與用戶之間是無關聯(lián)的：各個用戶的喜好特點是根據(jù)其歷史特性來獲得，因此與其他用戶是無關的，這一點與協(xié)同過濾算法(CollaborativeFiltering，CF)不同，CF算法需要利用其他用戶人的數(shù)據(jù)。CB方法的特點使得無論商家或用戶對商品如何造假，都不會改變用戶的個人興趣。2.可解釋性強：當系統(tǒng)給用戶推薦某一類商品時，我們可以向用戶解釋，由于該商品符合用戶的潛在興趣，所以才會推薦給用戶。
第二章相關研究技術和基礎理論知識11圖2-2LDA模型對于文檔集中的每一篇文檔，其生成過程如圖2-3所示。圖2-3LDA生成過程以上對LDA做簡要的敘述，接下來將簡要介紹下LDA模型中涉及到的理論知識。2.3.1二項分布和Beta分布LDA的思想是基于貝葉斯模型的，貝葉斯模型涉及到先驗分布、后驗分布和似然函數(shù)。貝葉斯學派的思想：先驗分布+似然=后驗分布。對于似然函數(shù)，可以用二項分布(BinomialDistribution)來表示如公式(2.1)所示：Binom(|,)(1)knknknpppk(2.1)其中的p代表擲硬幣正面朝上的次數(shù)，n為擲硬幣的總次數(shù)。在貝葉斯學派中如果先驗分布和后驗分布屬于同一個分布，則稱先驗分布和后驗分布為共軛分布，并且先驗分布稱為似然函數(shù)的共軛先驗。Beta分布是BinomialDistribution的共軛分布，Beta分布的表達式如公式(2.2)所示：
【參考文獻】：
期刊論文
[1]LBSN中基于社區(qū)聯(lián)合聚類的協(xié)同推薦方法[J]. 龔衛(wèi)華,金蓉,裴小兵,梅建萍. 計算機研究與發(fā)展. 2019(11)
[2]一種基于矩陣分解的上下文感知POI推薦算法[J]. 彭宏偉,靳遠遠,呂曉強,王曉玲. 計算機學報. 2019(08)
[3]基于位置社會網(wǎng)絡的雙重細粒度興趣點推薦[J]. 廖國瓊,姜珊,周志恒,萬常選. 計算機研究與發(fā)展. 2017(11)
[4]一種改進的偏好融合組推薦方法[J]. 胡川,孟祥武,張玉潔,杜雨露. 軟件學報. 2018(10)
[5]基于用戶簽到行為的興趣點推薦[J]. 任星怡,宋美娜,宋俊德. 計算機學報. 2017(01)
碩士論文
[1]基于地理社交因素和分類信息的地點推薦算法研究與實現(xiàn)[D]. 張朝輝.北京郵電大學 2018
[2]基于排序?qū)W習的興趣點推薦系統(tǒng)設計與實現(xiàn)[D]. 申鵬.北京郵電大學 2018
本文編號：3610701
【文章來源】：河北大學河北省
【文章頁數(shù)】：67 頁
【學位級別】：碩士
【部分圖文】：
文章框架
第二章相關研究技術和基礎理論知識9圖2-1基于內(nèi)容的推薦圖2-1給出了CB方法的例子。該例子中以手機推薦為例，首先對手機進行特征提取，圖中手機特征包括了品牌名稱、內(nèi)存大小，其他特征還包括手機屏幕的大孝處理器的類型和電池等等。本例中以前兩者為推薦依據(jù)。通過對用戶A的挖掘發(fā)現(xiàn)，該用戶喜愛蘋果品牌，并且喜愛內(nèi)存大手機，而手機D的特征與用戶A的喜好相符所以把手機D推薦給用戶A。同樣的，手機D的特征與用戶B和用戶C的喜好特點不相符，所以不會推薦給用戶B和C。CB方法其推薦過程大概包括3個步驟：1.根據(jù)每個商品的內(nèi)容描述信息抽取特征以此表示該商品；2.根據(jù)用戶的歷史記錄挖掘用戶的喜好特征；3.根據(jù)用戶的喜好特征，選擇商品集中與用戶喜好相似度高的商品推薦給用戶。CB方法有如下的優(yōu)點：1.用戶與用戶之間是無關聯(lián)的：各個用戶的喜好特點是根據(jù)其歷史特性來獲得，因此與其他用戶是無關的，這一點與協(xié)同過濾算法(CollaborativeFiltering，CF)不同，CF算法需要利用其他用戶人的數(shù)據(jù)。CB方法的特點使得無論商家或用戶對商品如何造假，都不會改變用戶的個人興趣。2.可解釋性強：當系統(tǒng)給用戶推薦某一類商品時，我們可以向用戶解釋，由于該商品符合用戶的潛在興趣，所以才會推薦給用戶。
第二章相關研究技術和基礎理論知識11圖2-2LDA模型對于文檔集中的每一篇文檔，其生成過程如圖2-3所示。圖2-3LDA生成過程以上對LDA做簡要的敘述，接下來將簡要介紹下LDA模型中涉及到的理論知識。2.3.1二項分布和Beta分布LDA的思想是基于貝葉斯模型的，貝葉斯模型涉及到先驗分布、后驗分布和似然函數(shù)。貝葉斯學派的思想：先驗分布+似然=后驗分布。對于似然函數(shù)，可以用二項分布(BinomialDistribution)來表示如公式(2.1)所示：Binom(|,)(1)knknknpppk(2.1)其中的p代表擲硬幣正面朝上的次數(shù)，n為擲硬幣的總次數(shù)。在貝葉斯學派中如果先驗分布和后驗分布屬于同一個分布，則稱先驗分布和后驗分布為共軛分布，并且先驗分布稱為似然函數(shù)的共軛先驗。Beta分布是BinomialDistribution的共軛分布，Beta分布的表達式如公式(2.2)所示：
【參考文獻】：
期刊論文
[1]LBSN中基于社區(qū)聯(lián)合聚類的協(xié)同推薦方法[J]. 龔衛(wèi)華,金蓉,裴小兵,梅建萍. 計算機研究與發(fā)展. 2019(11)
[2]一種基于矩陣分解的上下文感知POI推薦算法[J]. 彭宏偉,靳遠遠,呂曉強,王曉玲. 計算機學報. 2019(08)
[3]基于位置社會網(wǎng)絡的雙重細粒度興趣點推薦[J]. 廖國瓊,姜珊,周志恒,萬常選. 計算機研究與發(fā)展. 2017(11)
[4]一種改進的偏好融合組推薦方法[J]. 胡川,孟祥武,張玉潔,杜雨露. 軟件學報. 2018(10)
[5]基于用戶簽到行為的興趣點推薦[J]. 任星怡,宋美娜,宋俊德. 計算機學報. 2017(01)
碩士論文
[1]基于地理社交因素和分類信息的地點推薦算法研究與實現(xiàn)[D]. 張朝輝.北京郵電大學 2018
[2]基于排序?qū)W習的興趣點推薦系統(tǒng)設計與實現(xiàn)[D]. 申鵬.北京郵電大學 2018
本文編號：3610701
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3610701.html
最近更新
教材專著
