基于评论分析的推荐算法的设计与实现

发布时间：2017-08-31 01:20

  本文关键词：基于评论分析的推荐算法的设计与实现

  更多相关文章： 评论文本 评分预测 推荐 可信度 语义

【摘要】：随着Web2.0的迅猛发展,互联网为用户间交互提供了平台。以电子商务平台为例,用户可以在消费后撰写描述性评论,并给出总体评估分数。评论内容可以反映用户对商品的满意程度和意见,有助于潜在购物者做出消费选择。然而,用户反馈信息的爆炸式增长,对用户的建模和商品的推荐带来巨大挑战。推荐系统被广泛地应用在网络平台中,利用推荐模型预测用户喜好,帮助用户找到适合的电影、书籍、音乐等商品。对用户的评论文本进行分析,可以发现用户关注的商品特征。根据商品的特征,可以推测用户对该商品各个属性的喜好程度。本文通过对用户评论数据进行分析,构建评分预测模型,设计推荐算法。另一方面,由于生活背景和兴趣偏好不同,导致用户给出的反馈信息存在偏差,本文针对用户可信度的评估提出了新的方案。本文从以下三个方面展开研究·基于画像建模的整体评分预测将评论中隐含的语义内容与评分相结合,设计并实现一种新颖的商品推荐模型。首先利用主题模型挖掘评论文本中隐含的主题分布,用主题分布刻画用户偏好和商品画像。在回归模型上训练主题与评分的关系,最终评分可以被视为是对用户偏好和商品画像相似程度的量化表示。·基于语义分析的多维评分预测由于每个用户对商品不同维度的关注度不同,因此设计了一种提取评论中不同维度评分的方法。首先利用bootstrapping算法将评论中的句子匹配到不同的维度中,然后结合情感极性词典和程度词词典,对每个维度进行评分预测。·用户可信度评估模型假设：用户评分越接近商品真实评分,则用户可信度越高。商品的真实评分由评论过该商品的用户评分及其可信度加权计算得出。设计评估用户在不同维度上可信度的迭代算法,在迭代计算同时,该方法也可以修正商品的真实评分。
【关键词】：评论文本 评分预测 推荐 可信度 语义
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 绪论13-23
• 1.1 研究背景13-16
• 1.2 研究内容与主要贡献16-22
• 1.2.1 基于画像建模的整体评分预测17-19
• 1.2.2 基于语义分析的多维评分预测19-21
• 1.2.3 用户可信度评估21-22
• 1.3 组织结构22-23
• 第二章 研究现状23-28
• 2.1 推荐算法23-25
• 2.2 评论文本分析25-26
• 2.3 可信度评估26-27
• 2.4 本章小结27-28
• 第三章 基于画像建模的整体评分预测28-45
• 3.1 预备知识28-31
• 3.1.1 问题描述28-29
• 3.1.2 模型框架29
• 3.1.3 主题分析29-31
• 3.2 画像生成模型31-32
• 3.3 评分预测方法32-35
• 3.3.1 数据样例32-33
• 3.3.2 学习模型33-34
• 3.3.3 强化模型34-35
• 3.4 实验研究35-42
• 3.4.1 数据集35-36
• 3.4.2 评价指标和对比方法36-39
• 3.4.3 实验结果及分析39-42
• 3.5 代表性评论选择42-43
• 3.6 本章小结43-45
• 第四章 基于语义分析的多维评分预测45-56
• 4.1 预备知识45-48
• 4.1.1 问题描述45-46
• 4.1.2 模型框架46-47
• 4.1.3 自然语言处理47-48
• 4.2 维度提取48-50
• 4.3 多维评分预测50-51
• 4.4 实验研究51-55
• 4.4.1 评估指标51-52
• 4.4.2 对比方法52-53
• 4.4.3 维度提取53-54
• 4.4.4 评分预测54-55
• 4.5 本章小结55-56
• 第五章 用户可信度度量56-67
• 5.1 预备知识56-58
• 5.1.1 问题定义56-58
• 5.1.2 模型描述58
• 5.2 UCA评估模型58-61
• 5.2.1 用户可信度计算58-60
• 5.2.2 推荐应用60-61
• 5.3 实验研究61-66
• 5.3.1 定量实验61-64
• 5.3.2 定性实验64-66
• 5.4 本章小结66-67
• 第六章 总结与展望67-69
• 附录A CCF推荐系统展示69-71
• 参考文献71-78
• 致谢78-80
• 发表论文和科研情况80-81

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：762615