融合用戶評分和評語的貝葉斯推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的高速發(fā)展，人類已經(jīng)步入一個全新的智能化時代。由于信息的數(shù)據(jù)量正呈現(xiàn)指數(shù)級增長，且數(shù)據(jù)的種類日益繁多，傳統(tǒng)的推薦系統(tǒng)已不能滿足商家和消費者的雙重需求。推薦算法的核心在于如何挖掘出更多的用戶偏好信息，然后根據(jù)用戶的興趣點給出推薦。能反映用戶偏好的信息除評分外，還包含伴隨評分給出的評語。對評語進行語義分析可以挖掘出大量的用戶偏好信息以及物品的潛在特征屬性，有助于改善數(shù)據(jù)稀疏性和“冷啟動”問題。本文研究的是推薦系統(tǒng)中的評分預(yù)測問題。

2、本文將抽象的用戶偏好融入到LDA(Latent Dirichlet Allocation)主題模型中，提出了引入用戶評分和評語的貝葉斯評分預(yù)測模型。在互聯(lián)網(wǎng)公開的數(shù)據(jù)集上做實驗，證明了本文提出的理論方法能顯著提高評分預(yù)測的準確度。本文的主要工作和貢獻有以下兩點:
　　(1)本文將LDA文檔生成模型引入到協(xié)同過濾推薦算法中，用主題解釋抽象的用戶偏好，并由此提出了基于貝葉斯理論的評分生成模型。該模型采用Gibbs采樣算法對可觀測到的樣

3、本信息進行參數(shù)估計。對于給定的用戶和物品，該模型可預(yù)測出用戶對物品的評分值。在MovieLens數(shù)據(jù)集上做實驗，實驗結(jié)果證明本文提出的評分預(yù)測算法比Item-CF、SVD++和PLSA-CF等傳統(tǒng)算法的評分預(yù)測準確度更高。
　　(2)為了挖掘更多的用戶偏好信息，本文對伴隨評分生成的評語信息進行了語義分析，模擬了評語中每個詞的生成過程。本文提出了融合用戶評分和評語的貝葉斯評分預(yù)測模型，并建立了基于LSTM的文本情感分析模型，對評語進