基于用戶偏好和用戶意見的協(xié)同過濾系統(tǒng).pdf

1、隨著Web2.0的出現(xiàn)和發(fā)展，越來越多的人開始在網(wǎng)上表達(dá)他們對一些產(chǎn)品和服務(wù)的意見。用戶的意見通常包括對該產(chǎn)品的整體評分以及一些文本評論。這些信息對于生產(chǎn)者和消費(fèi)者來說都是非常有價(jià)值的。對于生產(chǎn)者來說，他們可以通過查看用戶的評論來獲取令用戶滿意的特征以及不滿意的特征，進(jìn)而對產(chǎn)品進(jìn)行改進(jìn)以提高商品的銷售量和獲取最大化的利潤。對于消費(fèi)者來說，在他們購買產(chǎn)品時，查看其他用戶對該產(chǎn)品的評價(jià)可以幫助他們做出明智的選擇。這些文本評論和評分也是形成推

2、薦系統(tǒng)的基礎(chǔ)，而推薦系統(tǒng)的目的在于盡可能準(zhǔn)確的從上億個產(chǎn)品中找出用戶最感興趣的產(chǎn)品。
　　協(xié)同過濾是推薦系統(tǒng)中一種經(jīng)常用到的技術(shù)。協(xié)同過濾分析用戶興趣，在用戶群中找到與某用戶有著相同興趣愛好的用戶，綜合這些相似用戶對某一信息的評價(jià)，系統(tǒng)能夠形成對該指定用戶在該信息上的興趣愛好進(jìn)行預(yù)測。目前，已經(jīng)出現(xiàn)了很多的協(xié)同過濾算法，這些協(xié)同過濾算法大多是只利用用戶對該產(chǎn)品的整體評分進(jìn)行預(yù)測。然而，用戶對產(chǎn)品的整體評分并不能夠給我們提供足夠多的

3、詳細(xì)的信息。例如，一個用戶對一個產(chǎn)品給予了很高的評分，這預(yù)示著他對這個產(chǎn)品非常的喜歡和滿意，但這并不代表他喜歡該產(chǎn)品的所有特征。同時，當(dāng)用戶對一個產(chǎn)品做出整體評價(jià)的時候，他對于該產(chǎn)品的不同的特征有著不同的偏好，這種偏好信息決定了用戶對該產(chǎn)品的整體評價(jià)，并且用戶在這些特征上的偏愛程度在不同的產(chǎn)品之間也是不一樣的。
　　為了解決這些問題，在這篇文章中，我們提出了一個整體的框架。在這個框架中，為了預(yù)測用戶對一個產(chǎn)品的滿意度，我們集成了用

4、戶在產(chǎn)品的各個特征上的意見信息和偏好信息。這個框架總共分為三部分，他們分別是基于特征的意見挖掘部分、基于特征的權(quán)重計(jì)算部分和評分推斷部分。在意見挖掘部分中，我們利用意見挖掘技術(shù)來從用戶的文本評論中提取產(chǎn)品的特征以及用戶在各個特征上的意見，從而計(jì)算出用戶在產(chǎn)品的各個特征上的評分。在特征權(quán)重計(jì)算部分中，我們利用用戶在產(chǎn)品上的整體評分通過張量分解方法自動的推斷出用戶在不同的特征上的偏好。評分推斷部分是基于用戶在各個特征上的評分以及權(quán)重推斷出用

5、戶在產(chǎn)品上的未知的評分。
　　我們利用兩個數(shù)據(jù)集對我們的方法進(jìn)行評估。同時，我們也將我們的方法與幾個基準(zhǔn)方法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果顯示出我們的方法要比基準(zhǔn)方法好。這篇論文的主要貢獻(xiàn)如下:
　　我們提出了一個新的預(yù)測用戶整體評分的協(xié)同過濾模型，該模型集成了用戶在產(chǎn)品的特征上的偏好信息和意見信息。
　　我們利用張量分解的方法來獲取用戶的特征權(quán)重，這一過程緩解了數(shù)據(jù)的稀疏性問題以及減少了模型的參數(shù)的個數(shù)。
　　我們再次利