融合用户兴趣特征和情感偏好的个性化电影推荐
发布时间：2021-01-15 23:04
随着网络信息量的急剧增长,传统的信息检索方法出现了一些性能瓶颈。例如,对于内容信息的检索需要用户提供明确的需求,输入关键词进行查找的方式无法解决海量检索结果的筛选问题等。智能推荐系统的出现可以在一定程度上缓解这种信息超载问题,提高信息的使用效率。此外,推荐系统也是增强用户体验和促进许多在线网站与移动应用程序进行销售和服务的关键工具。例如,在视频服务商Netflix上观看的电影有80%来自推荐功能,而在自媒体内容网站YouTube上有60%的视频点击来自于用户的主页推荐。个性化的电影推荐系统能够为用户推荐与他们喜好相符的电影,不仅可以大量节省用户信息查找的时间,而且能在网站和用户之间建立密切的联系,让用户对推荐产生依赖,从而形成良性循环。而对电影推荐网站和视频网站来说,准确的推荐能够提高用户的点击率和购买率,从而为企业带来大量利润。基于以上背景,本文主要开展了以下三个方面的创新研究:第一,构建融合评分和评论的混合电影推荐模型。该模型可以分为融合用户兴趣特征和情感的个性化推荐算法（SentiNMF-U）,以及融合电影主题特征和用户情感偏好的个性化推荐算法（SentiNMF-I）。本文利用影...
【文章来源】：深圳大学广东省
【文章页数】：53 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于评分的推荐技术
1.2.2 融合评分和评论的推荐技术
1.2.3 电影推荐研究现状
1.2.4 文献小结
1.3 本文主要工作
1.4 本文创新点
1.5 本文的组织结构
第2章 协同过滤算法和文本情感分析
2.1 协同过滤算法
2.1.1 基于用户的协同过滤算法
2.1.2 基于物品的协同过滤算法
2.1.3 非负矩阵分解
2.1.4 协同过滤算法的瓶颈
2.2 文本情感分析
第3章 融合用户兴趣特征和情感的个性化推荐算法
3.1 符号定义
3.2 算法整体流程
3.3 句子层面的情感分析
3.4 非负矩阵分解计算用户评论主题特征
3.5 融合用户兴趣特征和情感的个性化推荐算法（SentiNMF-U）
3.5.1 用户兴趣主题分布
3.5.2 用户相似度
3.5.3 基于用户协同过滤的推荐列表的生成
3.6 融合电影主题特征和用户情感偏好的个性化推荐算法（SentiNMF-I）
3.6.1 电影特征主题分布
3.6.2 电影相似度
3.6.3 基于电影协同过滤的推荐列表的生成
第4章 实验与分析
4.1 数据集
4.1.1 数据集特征
4.1.2 数据预处理
4.2 评价标准
4.2.1 准确率
4.2.2 召回率
4.2.3 F1度量
4.3 实验结果与分析
4.3.1 第一阶段实验
4.3.2 第二阶段实验
第5章 总结与展望
5.1 本文总结
5.2 局限性与未来工作展望
参考文献
致谢
攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]基于用户打分和评论的推荐算法研究[J]. 祁燕,岳添骏,杨大为. 沈阳理工大学学报. 2018(02)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[3]基于多特征的微博情感分析研究[J]. 刘续乐,何炎祥. 计算机工程. 2017(12)
[4]融入情感差异和用户兴趣的微博转发预测[J]. 唐晓波,罗颖利. 图书情报工作. 2017(09)
[5]LDA-RR:一种基于评分和评论的推荐方法[J]. 王建,黄佳进. 计算机科学. 2017(02)
[6]基于词向量与句法树的中文句子情感分析[J]. 相若晨,孙美凤. 计算机与现代化. 2016(08)
[7]基于上下文语义的句子情感分类[J]. 王伟,韩立新,夏建华. 信息技术. 2016(04)
[8]基于情感分析的企业产品级竞争对手识别研究——以用户评论为数据源[J]. 肖璐,陈果,刘继云. 图书情报工作. 2016(01)
[9]LDA-CF:一种混合协同过滤方法[J]. 廉涛,马军,王帅强,崔超然. 中文信息学报. 2014(02)
[10]国外电影推荐系统网站研究与评述[J]. 孙海峰,甘明鑫,刘鑫,吴越. 计算机应用. 2013(S2)
硕士论文
[1]互联网电影推荐方法的研究与实现[D]. 陈天昊.中国科学技术大学 2014
[2]基于评论和评分的个性化推荐算法研究[D]. 许景楠.浙江大学 2013
[3]电影推荐系统的设计与实现[D]. 尤方圆.华中科技大学 2013
[4]中文句子情感倾向分析[D]. 郭叶.北京邮电大学 2010
本文编号：2979663
【文章来源】：深圳大学广东省
【文章页数】：53 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于评分的推荐技术
1.2.2 融合评分和评论的推荐技术
1.2.3 电影推荐研究现状
1.2.4 文献小结
1.3 本文主要工作
1.4 本文创新点
1.5 本文的组织结构
第2章 协同过滤算法和文本情感分析
2.1 协同过滤算法
2.1.1 基于用户的协同过滤算法
2.1.2 基于物品的协同过滤算法
2.1.3 非负矩阵分解
2.1.4 协同过滤算法的瓶颈
2.2 文本情感分析
第3章 融合用户兴趣特征和情感的个性化推荐算法
3.1 符号定义
3.2 算法整体流程
3.3 句子层面的情感分析
3.4 非负矩阵分解计算用户评论主题特征
3.5 融合用户兴趣特征和情感的个性化推荐算法（SentiNMF-U）
3.5.1 用户兴趣主题分布
3.5.2 用户相似度
3.5.3 基于用户协同过滤的推荐列表的生成
3.6 融合电影主题特征和用户情感偏好的个性化推荐算法（SentiNMF-I）
3.6.1 电影特征主题分布
3.6.2 电影相似度
3.6.3 基于电影协同过滤的推荐列表的生成
第4章 实验与分析
4.1 数据集
4.1.1 数据集特征
4.1.2 数据预处理
4.2 评价标准
4.2.1 准确率
4.2.2 召回率
4.2.3 F1度量
4.3 实验结果与分析
4.3.1 第一阶段实验
4.3.2 第二阶段实验
第5章 总结与展望
5.1 本文总结
5.2 局限性与未来工作展望
参考文献
致谢
攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]基于用户打分和评论的推荐算法研究[J]. 祁燕,岳添骏,杨大为. 沈阳理工大学学报. 2018(02)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[3]基于多特征的微博情感分析研究[J]. 刘续乐,何炎祥. 计算机工程. 2017(12)
[4]融入情感差异和用户兴趣的微博转发预测[J]. 唐晓波,罗颖利. 图书情报工作. 2017(09)
[5]LDA-RR:一种基于评分和评论的推荐方法[J]. 王建,黄佳进. 计算机科学. 2017(02)
[6]基于词向量与句法树的中文句子情感分析[J]. 相若晨,孙美凤. 计算机与现代化. 2016(08)
[7]基于上下文语义的句子情感分类[J]. 王伟,韩立新,夏建华. 信息技术. 2016(04)
[8]基于情感分析的企业产品级竞争对手识别研究——以用户评论为数据源[J]. 肖璐,陈果,刘继云. 图书情报工作. 2016(01)
[9]LDA-CF:一种混合协同过滤方法[J]. 廉涛,马军,王帅强,崔超然. 中文信息学报. 2014(02)
[10]国外电影推荐系统网站研究与评述[J]. 孙海峰,甘明鑫,刘鑫,吴越. 计算机应用. 2013(S2)
硕士论文
[1]互联网电影推荐方法的研究与实现[D]. 陈天昊.中国科学技术大学 2014
[2]基于评论和评分的个性化推荐算法研究[D]. 许景楠.浙江大学 2013
[3]电影推荐系统的设计与实现[D]. 尤方圆.华中科技大学 2013
[4]中文句子情感倾向分析[D]. 郭叶.北京邮电大学 2010
本文编号：2979663
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2979663.html
