基于文本情感分析的个性化影片推荐模型的研究

发布时间：2021-09-03 01:03

　　随着电子商务快速发展,推荐系统成为电子商务里是必不可少的工具。目前推荐模型面对的最大问题是原始数据的强稀疏性和高维度,这些问题将会导致模型个性化低和计算效率低。传统的推荐算法是直接利用用户已观看过的行为数据来做分析,但是观众会随着心情随意打分以及某些制片商通过恶意刷分来提高自己的收益,这些行为都会影响最终推荐结果的准确度。针对上述问题,本文对推荐算法中最主流的协同过滤算法进行研究,并且引入文本情感分析来提高推荐精确度。主要研究内容包括:1.针对待分析的原始数据存在强稀疏和高维度等问题,在最近邻模型基础上引入矩阵分解构成混合算法。首先对皮尔逊相似度做改进,使其考虑到更多的隐式特征,可以更精确地计算出用户和项目的各自“邻居”集合。然后用获得的两个“邻居”集合来构建评分矩阵,这个过程相当于提前把信息过滤了一遍,避免遍历其它稀疏数据,从而降低稀疏数据对实验的影响。利用矩阵分解的方法可以加快运算速度,降低时间复杂度和提高推荐精确度。2.传统的推荐算法只分析了用户评分等历史行为数据,这些数据质量的好坏会影响推荐的精确度。通过影评情感分析对泛推结果进行过滤,从而达到精确推荐。针对影评上下文信息带有自... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

RMSE随着a、f的变化情况

23(b) 均方根误差的变化（影片数据）图 3.3 随着训练集的增大模型效果变化情况.3 中图(a)表示随着训练集的增大，推荐结果的覆盖率变化情况。覆“长尾商品”的处理越好，意味着推荐商品更全面。图 3.3 中图大，模型的误差平方和的变化情况，根据这个图可以判别推荐算法

有效地降低稀疏数据对模型推荐效果的影响。在一种算法结果会出现相似。所以在一定的范围内，算法的准确性时间推移就会出现变化，因此会影响推荐的精确性，从而带来外用户在不同的地方会拥有不同的心情，这些都会影响他的评然实验是不可能把所有影响因素考虑进计算模型，但是在本结果影响最大的因素是信息的不充分和数据稀疏问题，这些获取量的缺少。创新评分矩阵可以获取更多用户与影片间的特时，增加了数据的密集度。并且由上述可知，训练集中的评分比，结果就会得以改善。消融学习，从精确性来判断混合模型的效果。本文把 KNN-D 算法作比较，随着选取训练集大小的变化，F1 值也发生变化以选取合适大小的训练集。最优 X 的值确定如图 3.4 所示。


本文编号：3380089