没有合适的资源?快使用搜索试试~ 我知道了~
融合近邻评论的GRU商品推荐模型.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 147 浏览量
2022-06-26
11:26:35
上传
评论
收藏 208KB DOCX 举报
温馨提示
试读
13页
融合近邻评论的GRU商品推荐模型.docx
资源推荐
资源详情
资源评论
1 引言
当今时代,信息过载使人们很难从海量数据中获取有价值的信息,推荐系统作
为解决这一问题的有效方法被广泛应用于电子商务、在线点评等领域。其中 ,基
于矩阵分解的协同过滤推荐模型应用最为广泛,该类推荐模型以用户的评分信息
为基础,而评分数据的稀疏性导致预测的评分不够准确,推荐效果不佳。
为取得更好的推荐效果,越来越多的研究开始关注评论数据,评论文本蕴含着
更丰富的语义信息,可以反映用户的偏好和商品的属性。例如,侯银秀等
[1
]
对评论
进行属性层面的情感分析,将用户偏好矩阵与图书属性矩阵进行匹配,实现基于情
感的推荐。随着深度学习技术的发展,有学者利用神经网络挖掘评论文本中蕴含
的深层次语义信息,开发出具有更高准确率的推荐模型,如 Zheng 等
[2
]
提出的深度
协作网络 DeepCoNN, 采 用 两个并行的卷 积神经网络( Convolutional Neural
Network,CNN)
[3
]
进行用户偏好和商品特征的提取。还有学者采用双向网络结构
并结合注意力机制获取更加准确的特征表示
[4
,5
]
。虽然通过对评论文本的分析和
挖掘在一定程度上缓解了数据的稀疏性,但评论文本相较于评分数据更难于获取,
数据稀疏的问题依旧没有得到解决。
为了 进一 步提 高推 荐的 准确 性 , 本文 提出 融合 近邻 评 论 的 门控 循环 单元
( Gated Recurrent Unit,GRU ) 商 品 推 荐 模 型 ( GRU Product
Recommendation Model Incorporating Neighbor Reviews,GRU-NR )。首先,
改进传统的矩阵分解算法
[6
]
,应用多层感知机(Multilayer Perceptron,MLP)
[7
]
网
络处理矩阵分解得到的用户和商品隐向量,获取用户和商品的深层次非线性特征
表示;然后,针对用户购买过的商品,选取出评分一致且评论文本语义相似度高的用
户作为近邻,获取近邻评论集,对用户、近邻和商品的评论集采用双向 GRU 网络
[8
]
结合注意力机制提取各自的特征表示,并将近邻特征与用户特征深度融合,获取更
加准确的用户特征表示;最后,将得到的用户特征与商品特征相结合,应用隐因子模
型(Latent Factor Model, LFM)
[6
]
进行评分预测。
2 相关研究
2.1 基于矩阵分解的推荐方法
基于矩阵分解的推荐方法通过构建一个数学模型 ,用评分去估计模型中的参
数,进而模拟用户偏好进行推荐。Koren 等
[6
]
提出的 LFM 是最经典的矩阵分解算
法之一,用户偏好和商品属性可以分别用两个隐向量表示,将两个向量作内积得到
预 测 评 分 。 Mnih 等
[9
]
提 出 的 概 率 矩 阵 分 解 ( Probabilistic Matrix
Factorization,PMF)假设用户、项目特征均服从高斯分布 ,应用概率模型得到用
户和商品的概率分布,从而进行评分预测。宋瑞雪等
[10
]
在用户隐向量部分增加该
用户评价过的物品信息,使矩阵分解求得的用户隐向量和物品隐向量能够更加准
确地描述相应的用户和物品。温彦等
[11
]
利用地理位置修正用户兴趣矩阵,同时引
入社交关系,联合分解用户兴趣矩阵和用户关系矩阵。
2.2 融合评论的推荐方法
基于评分的推荐模型存在严重的数据稀疏性,使推荐结果不准确,随后大量研
究开始考虑融合评论数据。早期研究主要使用主题模型提取评论文本中的主题
信息,如李琳等
[12
]
提出融合评分矩阵与评论文本的商品推荐模型 DTMF,将用户评
论集和商品评论集的潜在主题向量与矩阵分解的潜在因子向量进行映射,得到语
义更为丰富的向量表示。但是,主题模型不能获取评论的深层语义,随着深度学习
技术的发展,神经网络因其多层网络结构能深度挖掘评论中的语义信息而被广泛
使用。Chen 等
[13
]
采取 CNN 网络并结合注意力机制
[14
]
,为每条评论赋予不同的权
重,提升了推荐的准确性。上述方法使用静态词向量(如 GloVe
[15
]
)获得评论的
向量表示,针对不同语境得到的是相同的词向量表示,而 BERT 模型
[16
]
能够获得动
态的词向量。冯兴杰等提出 DeepCLFM 模型
[17
]
和神经协同嵌入方法 NCEM
[18
]
,在
处 理 评 论 文 本 阶 段 , 均 采 用 BERT 模 型 得 到 语 义 更 加 准 确 的 评 论 向 量 。
DeepCLFM 模型
[17
]
同时结合双向 GRU 网络与注意力机制,充分融合特征表示,取
得了更高的准确率。
上述研究虽在一定程度上提升了推荐准确度,但忽略了评论本身的稀疏性,相
较于评分数据,评论文本更难于获取。为此,本文提出 GRU-NR 模型,通过近邻评
论分析以获取更加符合有用户偏好的特征,从而使预测结果更加准确。
3 GRU-NR 模型的构建
GRU-NR 模型根据用户给出的评分和评论,提取出用户和商品的特征,然后预
测用户对商品的评分,对于评分排名靠前的商品进行推荐。模型框架如图
1
所示。
具体由三部分组成:第一部分是评分数据的处理,将矩阵分解得到的用户和商品
隐 表 示 应 用 多 层 感 知 机 网 络 得 到 用 户 特 征 Rate_URate_U 和 商 品 特 征
Rate_IRate_I;第二部分是评论文本数据的处理,首先获取近邻评论集,然后由三
个并行的神经网络分别建模用户、近邻和商品,并将得到的近邻特征与用户特征
融 合 , 得 到 最 终 的 用 户 特 征 Review_U'Review_U' 和 商 品 特 征
Review_IReview_I;第三部分为评分预测,用 LFM 模型回归出用户 uu 对商品 ii
的预测评分 ruir
<
ui。
图 1
图 1GRU-NR 模型框架
Fig.1GRU-NR Model
3.1 评分数据的处理
在矩阵分解
[6
]
中,将评分矩阵近似分解为两个低维矩阵的乘积,得到用户偏好
矩阵 UU 和商品特征矩阵 II,如公式(1)所示。
Rm×n=UIRm×n=UI
(1)
其中,AUU 中每一行代表一个用户隐向量;AII 中每一列代表一个商品隐向量。
但是矩阵分解得到的隐向量是浅层面的,为了深度挖掘评分数据,本文采用类似文
献[19
]的方法,将矩阵分解得到的用户隐向量输入到多层感知机网络
[7
]
,得到深层
非线性的用户特征 Rate_URate_U,具体过程如公式(2)所示。
Rate_U(1)=σ(W(1)u+b1)…
Rate_U=σ(W(k)u(k−1)+bk)Rate_U(1)=σ(W(1)u+b1)…Rate_U=σ(W(k)u(k-
1)+bk)
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3779
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功