基于深度学习的评论主题分析推荐算法研究

发布时间：2021-01-01 19:41

　　近年来,随着互联网的普及和计算机技术的进步,信息的数量呈指数级增长,人们在享受互联网带来便利的同时,也受到“信息碎片化”和“信息过载”的困扰。个性化推荐系统不仅能够满足用户个性化需求,提升用户体验,并且在具体商业场景下能够大幅度提高用户的行为转化率,成为当前解决“信息过载”问题的主流方法。随着人工智能的快速发展,深度学习越来越多的应用到推荐领域。在当今大多数电子商务平台上,用户对商品撰写评论不仅是一项核心功能,同时也是一项具有很强历史性的行为。丰富的评论内容,蕴含了大量的信息,它在捕捉用户偏好和刻画商品特征画像方面尤其强大。本文主要研究了基于深度学习的评论主题推荐算法和在线实时推荐系统实现,借助评论这一媒介,将深度学习与推荐算法有机地结合起来,研究的内容具体如下:（1）提出了一个加入了筛选机制的注意力神经网络模型,该网络在嵌入层先进行one-hot编码,通过类同矩阵对用户、商品的评论列表进行计算,选择有限条评论进入下一层。而后将经过筛选的评论集用BERT模型进行预训练,并通过Bi-GRU+Attention神经网络对其进行深度语义抽取,最后结合改进的概率矩阵分解来预测用户对商品的评分,... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

亚马逊购物网站商品界面图

图 1-2 亚马逊购物网站商品评论发表展示图根据多种研究数据表明，越来越多的用户在购物之前，会通过互联网或网站本身来查看待购产品的各类评论信息。 优质的评论对顾客最终决定购买起到重要的影响评论通常包含以下内容：(1)产品优点：可以让顾客快速了解这个产品的亮点，这影响到顾客的好感；(2)产品缺点：产品有哪些缺点，是否在可以接受的范围；(3用途：产品功能很多，但主要在那些方面或产品使用比较合适；(4)适用人群：是配顾客自己的年龄、性别和社会角色等；(5)性价比：是否在同类产品中性价比比；(6)使用心得：如果更快的熟悉该产品，避免误操作；(7)选购技巧：如何购买配关联的配件、其它产品等；(8)评论人信息：评论人在该网站是否是高级别用户，的评价是否同样中肯和公允。然而，要让用户在如此繁杂多样的评论中取判断商品类优缺点并作出一个最佳的判断实属不易，如何帮助用户摆脱传统逐个游览评论的做法，而是利用用户以往在自己购买商品栏留下的评论来对用户进行商品兴趣度匹荐，是本文所要研究的重要问题。

图 2-1 协同过滤矩阵分解图推荐任务中，具体可可以描述为已知有m 个用户 {,,...,}1 2mU uuu和 n 种商,,...,} 2nii，用户对商品的感兴趣程度可以用一个 m n维的评分矩阵R 表示，其表示用户对该商品的兴趣越高，若没有分值则表示该用户对此商品不感兴趣或它。对于评分矩阵 R 来说，可以分解成两个子矩阵mkP 和knQ ,对于评R 中每一个用户i对商品 j 的评分值都可以用ijR 来表示： KnijinnjRPQ1(2-6其中矩阵P 的第i行表示用户i对这 K 个属性的偏好程度矩阵，矩阵Q的第 j 列 j 在这 K 个属性上的特征。矩阵分解算法只考虑原评分矩阵中得分不为 0 的值函数可表示为： mnijijLRPQ2( ) mnijijLRPQ2( )(2-7

【参考文献】：
期刊论文
[1]基于变分循环自动编码器的协同推荐方法[J]. 李晓菊,顾君忠,程洁.  计算机应用与软件. 2018(09)
[2]世界电子商务报告:中国成全球最大电子商务市场[J].   新民周刊. 2018(16)
[3]卷积神经网络特征重要性分析及增强特征选择模型[J]. 卢泓宇,张敏,刘奕群,马少平.  软件学报. 2017(11)
[4]基于深度学习加强的混合推荐方法[J]. 张敏,丁弼原,马为之,谭云志,刘奕群,马少平.  清华大学学报(自然科学版). 2017(10)
[5]基于用户评分和评论信息的协同推荐框架[J]. 谭云志,张敏,刘奕群,马少平.  模式识别与人工智能. 2016(04)



本文编号：2951877