没有合适的资源?快使用搜索试试~ 我知道了~
融合深度情感分析和评分矩阵的推荐模型.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 36 浏览量
2023-02-23
20:08:26
上传
评论
收藏 637KB DOCX 举报
温馨提示
试读
11页
融合深度情感分析和评分矩阵的推荐模型.docx
资源推荐
资源详情
资源评论
1. 引言
随着互联网的蓬勃发展,电子商务也流行开来,相应的产品和服务层出不穷,对于用
户而言,很难处理提供的大量信息。因此,推荐系统在缓解信息超载方面发挥着越来越重
要的作用,它可帮助用户根据他们的喜好、需求和过去的购买行为在平台上展示他们可能
感兴趣的产品或服务。如今,推荐系统成为日常生活中不可缺少的部分,如网上购物、听
音乐以及看电影等方面。为了提供更好的个性化推荐服务,如何准确地预测用户对商品的
评分是推荐系统需要解决的关键问题
[1]
。
协同过滤(Collaborative Filtering, CF)是目前主流的推荐方法,它侧重于通过历史记录
对用户偏好和物品特性进行适当的建模
[2]
。矩阵分解是协同过滤中最常用的算法,它直接
从用户对项目的评分矩阵中学习他们的潜在向量,不仅能发现用户项目之间隐藏的因素,
还能了解这些因素对用户的重要性以及与项目之间的联系。隐语义模型(Latent Factor
Model, LFM)
[3]
是目前矩阵分解中使用比较多的模型,找出潜在的主题进行分类,通过隐含
特征联系用户偏好和物品属性来进行推荐,但是用户偏好仅通过物品评分来度量是不准确
的。对此,物品评分可结合近邻用户的影响力来度量,通过云模型
[4]
计算用户间评分的相
似性得到近邻用户。但是当评分矩阵非常稀疏时,这类模型的发展也会受到制约。为了缓
解数据稀疏性,有大量研究学者使用文本评论信息来提高评分预测性能
[5,6]
,如基于隐因子
主题(Hidden Factors and hidden Topics, HFT)的推荐模型
[7]
,基于社交的回归推荐(social
Collaborative Viewpoint Regression, sCVR)模型
[8]
。这些模型将主题模型集成到框架中,得
到用户和项目的评论文本的潜在因子,通过对评论文本的短词语进行情感分析,提取用户
偏好和项目特征。然而,这些基于用户评分和评论的模型也具有一些局限性:评论的情感
分析和特征提取只是从评论文本简单地提取词语或短语,学习文本的浅层线性特征,未挖
掘深层非线性特征,从而破坏了评论的完整性;另外,上述模型也未考虑到上下文的语义
联系,导致评论在语义层面上会存在相似之处。
深度神经网络在自然语言处理、计算机视觉方面取得了突破性的进展,其中有一些研
究尝试将不同的神经网络结构与协同过滤相结合,从而克服了传统推荐方法的局限性,并
提高了推荐性能。2017 年文献[9]提出了深度协同神经网络(Deep Cooperative Neural
Networks, DeepCoNN)模型,该模型使用卷积神经网络(Convolutional Neural Network, CNN)
分别处理用户评论和物品评论,通过最后一层共享层耦合两个评论的并行部分,达到联合
建模,最后进行评分预测。2018 年文献[10]提出了在文献[9]的基础上结合双向长短期记忆
结构网络(Long Short-Term Memory, LSTM)处理用户和物品的评论文本,在预测评分的同
时生成用户的偏好,提高了提取隐性特征的质量。深度神经网络保留了文本的词序信息,
并且可以结合注意力机制提高提取特征的质量,文献[11]结合注意力机制对评论文本的特
征进行加权,提取对评分预测有用的特征,用来提高预测结果的可解释性。但是上述方法
未能利用评分矩阵进行评分预测,提取用户和物品的隐因子,仅仅利用评分矩阵会受到评
分矩阵稀疏性的影响,导致推荐结果精度不高,从而不能真正体现用户的偏好。因此,文
献[12]提出了评论文本结合评分矩阵的模型(Neural Attentional Regression model with
Review-level Explanations, NARRE),该模型主要探讨评论的有用性,使用 Word2Vec 模型
[13]
得到用户、物品评论的隐向量,通过并行的神经网络得到隐含因子特征,最后将隐含因
子特征和评分矩阵作为隐含因子模型的输入,进行评分预测。但是该模型中 Word2Vec 产
生的词是静态的,未考虑上下文。由于相同的词在不同的语境中表示的信息是不一样的,
因此忽略上下文信息会导致模型对单词语义的理解有偏差。
对此,本文提出了一种结合评论文本和评分矩阵的深度模型(a depth model combining
Review Text and Rating Matrix, RTRM)。首先,RTRM 模型使用预训练的 Electra 模型
[14]
得
到每条评论的隐表达,并结合深度情感分析及注意力机制实现从上下文语义层面对评论文
本的分析,度量每条评论对用户、物品的贡献度;其次,使用基于近邻用户影响力的矩阵
分解模型对评分矩阵进行特征分解,得到用户和物品的隐因子;最后,在融合层模块中,
用户(物品)评论的深层特征和评分矩阵的浅层特征进行交互,使它们在其他模块中相对独
立。在 6 组数据集上进行实验,与多种经典和当前的先进算法进行性能对比,采用均方误
差进行性能评价。
2. RTRM 商品推荐模型
2.1 RTRM 模型结构
推荐系统问题可定义为给定一个包含 NN 个样本的数据集 DD,其中每个样本
(u,i,Ru,i,Wu,i)(u,i,Ru,i,Wu,i)表示用户 uu 对物品 ii 的评论 Wu,iWu,i 以及相应的评分
Ru,iRu,i,模型可以利用用户 uu 的评论集、物品 ii 的评论集、用户和物品自身的属性来预
测出评分 r^u,ir^u,i,使得 r^u,ir^u,i 与 ru,iru,i 之间的误差最小。本文提出的 RTRM 模型的
目的是推荐给用户合适的商品,该模型由两个并行的网络模块 NETuNETu, NETiNETi 以及
矩阵分解模块组成,它们分别通过输入用户评论文本和物品评论文本对用户和物品进行建
模,得到用户和物品的深层特征向量,再和矩阵分解模型分解得到浅层特征向量相结合,
得到预测模型,如图 1 所示。
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3728
- 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