基于评论分析的群组推荐算法研究
发布时间：2021-01-25 12:25
个性化推荐系统通过分析用户在网络中产生的评分、评论等行为数据,学习用户偏好特征,为单个用户提供精准化推荐,然而在现实生活中,用户往往以群组（团购、外出旅游）的形式出现,如何为群组进行推荐成为近年来的研究热点。现有群组推荐算法大多给定群组划分结果后,融合组内成员偏好进行推荐。然而在多数情况下用户所属的群组难以确定,并且由于群组划分结果会直接影响到群组推荐的性能好坏,因此在群组推荐算法中用户群组划分显得尤为重要。本文从群组推荐算法的群组划分和群组推荐两方面入手,分析现有算法存在的问题,分别提出了基于GRU-CNN的密度峰值聚类群组划分算法和基于领袖机制的群组推荐算法。（1）在群组划分阶段,现有群组划分算法大都存在以下问题,第一,仅利用用户静态偏好特征发现网络中的群组结构,忽视了用户兴趣会随时间的变化而发生迁移,第二,利用从评论中提取的用户主题特征进行群组划分,难以挖掘用户评论文本的深度特征。针对上述问题,本文提出一种基于GRU-CNN的密度峰值聚类群组划分算法,首先利用潜在的狄利克雷主题模型对用户评论进行主题分析,提取出评论中有代表性的的主题词,然后基于门控循环神经网络对评论主题的时序信息...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
016-2020中国团购用户规模及预测
硕士学位论文201x2xy21yneuronneuronneuronneuronneuron图2-9多层神经网络结构Figure2-9Multi-layerneuralnetworkstructure卷积神经网络（ConvolutionalNeuralNetwork，CNN）作为深度神经网络的一种变体，通过池化操作减少神经网络中的神经元数量，同时对输入空间的平移不变性具有更高的鲁棒性[19]，也因此CNN最早被提出并应用于在图像处理领域。近年来，卷积神经网络已成为推荐系统中的研究热点，主要从文本、图像、音频文件中提取用户或者物品的深层次特征进行推荐[63][64][65]。CNN通常由输入层、卷积层、池化层、全连接层以及输出层组成，其中卷积操作和池化操作可以根据需要重复多次。为了更好的理解CNN，本节以图像处理为例，对CNN架构进行介绍，其框架图如图2-10所示：图2-10卷积神经网络架构Figure2-10CNNstructure（1）输入层不同于其它机器学习方法，神经网络不需要依靠人工手动进行特征提取，它可以自动从图像中提取特征。在处理图像时，直接将图像的像素矩阵mn作为输入。（2）卷积层卷积层使用多个卷积核对输入层的数据进行特征提取，不同的卷积核可以针对性提取图像中的不同的特征，卷积核的移动步长需要根据经验进行人工设定，对某一卷积核Wk来说，该卷积核下隐藏层中某一节点计算公式如下：
硕士学位论文22时序相关的数据具有天然优势，能够挖掘出时序数据中的潜在变化规律，因此常用来进行预测任务，例如股价预测、天气变化规律等。ohxWUVUnfoldOt-1ht-1Xt-1UVothtXtUVOt+1ht+1Xt+1UVWWWW图2-12循环神经网络结构Figure2-12RNNstructure文献[66]采用循环神经网络建模用户偏好和项目特征的演化，提出了一种循环推荐网络，能够预测用户未来的行为轨迹。理论上，RNN可以对任意长度的时间序列进行记忆，但是随着时间跨度不断增大，RNN会丧失对远处单元的记忆能力。这样会导致提取到的用户兴趣偏好更多的依赖用户近期访问的项目，不能全面刻画用户兴趣偏好。长短期记忆网络（LongShortTermMemory，LSTM）和门控循环单元（GatedRecurrentUnit，GRU）作为RNN的变种，通过使用门结构来改善RNN短期记忆的缺点，在保留长期序列信息下避免梯度消失问题。文献[67][68]详细对比了LSTM和GRU以及传统的RNN的异同，探讨了这些结构的好处。论文还用实验证明了相同个数参数的情况下，GRU会比LSTM稍好一些。因此，本文利用GRU来处理用户评论主题的时序信息。GRU模型的基本结构如图2-13所示。图2-13门控循环单元结构Figure2-13GRUstructure
【参考文献】：
期刊论文
[1]基于联合概率矩阵分解的群推荐方法研究[J]. 王刚,蒋军,王含茹,杨善林. 计算机学报. 2019(01)
[2]基于网络节点中心性度量的重叠社区发现算法[J]. 杜航原,王文剑,白亮. 计算机研究与发展. 2018(08)
[3]一种基于社区专家信息的协同过滤推荐算法[J]. 张凯涵,梁吉业,赵兴旺,王智强. 计算机研究与发展. 2018(05)
[4]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)
[5]基于动态卷积概率矩阵分解的潜在群组推荐[J]. 王海艳,董茂伟. 计算机研究与发展. 2017(08)
[6]基于文本与社交信息的用户群组识别[J]. 王中卿,李寿山,周国栋. 软件学报. 2017(09)
[7]社交网络中快速群组生成及群组推荐研究[J]. 金涛,谢瑾奎,杨宗源. 小型微型计算机系统. 2017(03)
[8]基于动态主题模型融合多维数据的微博社区发现算法[J]. 刘冰玉,王翠荣,王聪,王军伟,王兴伟,黄敏. 软件学报. 2017(02)
[9]融合社区结构和兴趣聚类的协同过滤推荐算法[J]. 郭弘毅,刘功申,苏波,孟魁. 计算机研究与发展. 2016(08)
[10]融合社交网络信息的协同过滤推荐算法[J]. 郭兰杰,梁吉业,赵兴旺. 模式识别与人工智能. 2016(03)
博士论文
[1]考虑社会网络的模糊群决策方法及其商务推荐应用[D]. 楚俊峰.东南大学 2017
[2]动态用户兴趣模型构建及推荐算法研究[D]. 冯浩源.天津大学 2017
硕士论文
[1]个性化推荐系统中冷启动问题研究[D]. 雷秋雨.北京交通大学 2019
[2]基于手机传感器的群组识别及监测方法研究[D]. 杨静雯.西安电子科技大学 2019
[3]基于内容和用户行为的个性化微博推荐算法研究与实现[D]. 张川.北京邮电大学 2018
[4]LBSN融合用户群聚度与活跃度的群体推荐方法研究[D]. 陈翠平.重庆邮电大学 2017
[5]基于群组关系的推荐算法研究与应用[D]. 曾雪琳.北京邮电大学 2017
[6]存在社会影响的群体推荐用户建模研究[D]. 李嫒嫒.天津大学 2014
本文编号：2999221
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
016-2020中国团购用户规模及预测
硕士学位论文201x2xy21yneuronneuronneuronneuronneuron图2-9多层神经网络结构Figure2-9Multi-layerneuralnetworkstructure卷积神经网络（ConvolutionalNeuralNetwork，CNN）作为深度神经网络的一种变体，通过池化操作减少神经网络中的神经元数量，同时对输入空间的平移不变性具有更高的鲁棒性[19]，也因此CNN最早被提出并应用于在图像处理领域。近年来，卷积神经网络已成为推荐系统中的研究热点，主要从文本、图像、音频文件中提取用户或者物品的深层次特征进行推荐[63][64][65]。CNN通常由输入层、卷积层、池化层、全连接层以及输出层组成，其中卷积操作和池化操作可以根据需要重复多次。为了更好的理解CNN，本节以图像处理为例，对CNN架构进行介绍，其框架图如图2-10所示：图2-10卷积神经网络架构Figure2-10CNNstructure（1）输入层不同于其它机器学习方法，神经网络不需要依靠人工手动进行特征提取，它可以自动从图像中提取特征。在处理图像时，直接将图像的像素矩阵mn作为输入。（2）卷积层卷积层使用多个卷积核对输入层的数据进行特征提取，不同的卷积核可以针对性提取图像中的不同的特征，卷积核的移动步长需要根据经验进行人工设定，对某一卷积核Wk来说，该卷积核下隐藏层中某一节点计算公式如下：
硕士学位论文22时序相关的数据具有天然优势，能够挖掘出时序数据中的潜在变化规律，因此常用来进行预测任务，例如股价预测、天气变化规律等。ohxWUVUnfoldOt-1ht-1Xt-1UVothtXtUVOt+1ht+1Xt+1UVWWWW图2-12循环神经网络结构Figure2-12RNNstructure文献[66]采用循环神经网络建模用户偏好和项目特征的演化，提出了一种循环推荐网络，能够预测用户未来的行为轨迹。理论上，RNN可以对任意长度的时间序列进行记忆，但是随着时间跨度不断增大，RNN会丧失对远处单元的记忆能力。这样会导致提取到的用户兴趣偏好更多的依赖用户近期访问的项目，不能全面刻画用户兴趣偏好。长短期记忆网络（LongShortTermMemory，LSTM）和门控循环单元（GatedRecurrentUnit，GRU）作为RNN的变种，通过使用门结构来改善RNN短期记忆的缺点，在保留长期序列信息下避免梯度消失问题。文献[67][68]详细对比了LSTM和GRU以及传统的RNN的异同，探讨了这些结构的好处。论文还用实验证明了相同个数参数的情况下，GRU会比LSTM稍好一些。因此，本文利用GRU来处理用户评论主题的时序信息。GRU模型的基本结构如图2-13所示。图2-13门控循环单元结构Figure2-13GRUstructure
【参考文献】：
期刊论文
[1]基于联合概率矩阵分解的群推荐方法研究[J]. 王刚,蒋军,王含茹,杨善林. 计算机学报. 2019(01)
[2]基于网络节点中心性度量的重叠社区发现算法[J]. 杜航原,王文剑,白亮. 计算机研究与发展. 2018(08)
[3]一种基于社区专家信息的协同过滤推荐算法[J]. 张凯涵,梁吉业,赵兴旺,王智强. 计算机研究与发展. 2018(05)
[4]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)
[5]基于动态卷积概率矩阵分解的潜在群组推荐[J]. 王海艳,董茂伟. 计算机研究与发展. 2017(08)
[6]基于文本与社交信息的用户群组识别[J]. 王中卿,李寿山,周国栋. 软件学报. 2017(09)
[7]社交网络中快速群组生成及群组推荐研究[J]. 金涛,谢瑾奎,杨宗源. 小型微型计算机系统. 2017(03)
[8]基于动态主题模型融合多维数据的微博社区发现算法[J]. 刘冰玉,王翠荣,王聪,王军伟,王兴伟,黄敏. 软件学报. 2017(02)
[9]融合社区结构和兴趣聚类的协同过滤推荐算法[J]. 郭弘毅,刘功申,苏波,孟魁. 计算机研究与发展. 2016(08)
[10]融合社交网络信息的协同过滤推荐算法[J]. 郭兰杰,梁吉业,赵兴旺. 模式识别与人工智能. 2016(03)
博士论文
[1]考虑社会网络的模糊群决策方法及其商务推荐应用[D]. 楚俊峰.东南大学 2017
[2]动态用户兴趣模型构建及推荐算法研究[D]. 冯浩源.天津大学 2017
硕士论文
[1]个性化推荐系统中冷启动问题研究[D]. 雷秋雨.北京交通大学 2019
[2]基于手机传感器的群组识别及监测方法研究[D]. 杨静雯.西安电子科技大学 2019
[3]基于内容和用户行为的个性化微博推荐算法研究与实现[D]. 张川.北京邮电大学 2018
[4]LBSN融合用户群聚度与活跃度的群体推荐方法研究[D]. 陈翠平.重庆邮电大学 2017
[5]基于群组关系的推荐算法研究与应用[D]. 曾雪琳.北京邮电大学 2017
[6]存在社会影响的群体推荐用户建模研究[D]. 李嫒嫒.天津大学 2014
本文编号：2999221
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2999221.html
最近更新
教材专著
