基于在线评论的混合推荐算法

web2.0的快速发展使得网络数据剧增,全方位刻画用户特征、分析用户偏好信息并对用户进行产品推荐成为企业和客户的迫切需要,个性化产品推荐应运而生。目前的推荐算法大多以评分数据作为获取偏好的来源,主要根据用户偏好模型评估推荐效果的好坏。本文以产品在线评论为基础,通过特征属性的情感分析补充用户对产品的倾向性意见,基于内容推荐算法根据用户评分和在线评论构建用户偏好模型与产品特征模型。以协同过滤算法为框架,结合多种相似度算法构建了基于用户偏好与产品特征的混合推荐算法。采集携程网的数据进行实验,验证了模型良好的推荐精确度。     

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.     

基于用户兴趣的混合推荐模型

从用户特征描述出发,分析用户兴趣模型的表达机制,提出一种基于用户兴趣的混合模式推荐方法.该方法将内容过滤和协同过滤的预测值进行加权求和,形成最终的综合相似度.实验结果表明,该方法的性能同时优于基于用户协同过滤的推荐方法和基于内容过滤的推荐方法,推荐系统的推荐质量得到显著提高.     

众筹项目的个性化推荐:面向稀疏数据的二分图模型

二分图模型是一种全局优化算法,本文将二分图模型应用于直接推荐众筹项目,使用PersonalRank算法迭代计算网络节点的全局关联度,从而推荐那些基于余弦相似度的协同过滤不能有效推荐的项目,适用性更加广泛.更进一步,提出将二分图模型与协同过滤算法相结合,首先把网络结构划分为二分图,采用二分图算法得到的两类节点(用户节点,项目节点)之间的全局相似度,再结合协同过滤算法,得到基于二分图模型的协同过滤算法.实验表明,在众筹项目推荐中,由于数据极端稀疏,适宜采用二分图模型来进行相似度计算并进行推荐.     

面向用户偏好的属性值评分分布协同过滤算法

针对传统协同过滤算法存在的不足,本文充分考虑用户对项目相关属性特征的偏好,将用户对项目的评价转化为用户对项目属性偏好的评分分布;在此基础上,对传统的协同过滤算法的相似性度量方法进行改进,并采用修正的用户偏好数学期望预测模型,提出一种面向用户偏好的属性值评分分布协同过滤推荐算法.实验结果表明,该算法可有效解决传统过滤算法存在的问题,推荐精度显著提高,使推荐服务更好地满足用户的偏好需求.     

一种基于用户聚类的协同过滤推荐算法

为解决传统协同过滤算法在生成推荐时的速度瓶颈问题,提出了一种基于用户聚类的协同过滤推荐算法。该算法将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,基于用户聚类的协同过滤推荐算法不仅加快了推荐生成速度,而且提高了推荐质量。     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

基于位置信息的协同过滤推荐算法

近年来O2O电子商务模式兴起并迅速发展。针对移动互联网领域的信息过载和个性化服务推荐问题,通过将移动用户的位置信息引入到协同过滤的推荐过程,提出一种基于位置信息改进的协同过滤推荐算法。该算法首先通过计算用户与项目的距离对项目集进行预过滤,以项目被评分用户的交集作为计算项目相似度的基础,对预过滤项目集进行偏好预测。实验表明,该算法能有效大幅减少推荐过程中的计算量以改善推荐的实时性,并能对新项目和新用户作出推荐。     

有向相似性对协同过滤推荐系统的影响研究

为研究用户的相似性对协同过滤个性化推荐算法的影响,认为用户的有向相似性应该由邻居用户指向目标用户,而非由目标用户指向邻居用户。基于该思想,提出了一类改进的协同过滤算法。通过对Movielens数据集的实验分析,结果发现改变用户相似性的方向可大幅提高推荐结果的准确度和推荐列表的多样性。进一步,强化相似度高的用户的推荐强度可大幅提高推荐效果,算法的准确性可提高17.94%,达到0.086 4,当推荐列表的长度为10时,推荐列表的多样性可达到0.892 9,提高20.9%。该工作表明用户相似性的方向是否合理对推荐算法具有非常大的影响。     

特征观点对购买意愿的影响:在线评论的情感分析方法

网络口碑是影响消费者购买行为的因素之一,在线评论中的各种评价信息会改变用户对产品质量的感知,进而影响购买意愿.不同产品特征对用户购买意愿的影响程度各不相同.为此,结合情感分析技术,构建计量经济模型,分析产品特征评价与用户购买意愿的关系,能够识别产品特征的重要程度.首先对产品特征进行抽取和降维,提取"特征一观点对".然后依据信息增益的思想,计算特征的信息增益.利用情感分析技术识别情感极性及其强度,结合产品特征的信息增益,建立产品特征评价对用户购买意愿的计量经济模型,得到产品特征重要度的量化方法.对亚马逊网站上386款数码相机进行持续39个月的跟踪,实证结果表明,对数码相机产品特征的重要度识别高于TF-IDF算法以及HAC算法.研究结果建立起产品特征与用户购买意愿的联系,为网络口碑营销提供了理论依据.     

移动商务中融合签到位置与用户间相似性的兴趣点精准推荐

向位置频繁变化的移动用户进行精准推荐,如何提高推荐准确性,已经成为一个理论研究与实践中的热点与难点问题.针对于此,本文提出了面向移动社交商务的精准用户兴趣点推荐模型--MRGR.首先,利用用户的历史签到信息,通过改进核密度估计对兴趣点进行预测;其次,进一步考虑到用户间的签到相似性,使用信息熵定量表示用户移动的随机性和不确定性;最后,融合地理位置信息与用户间相似性,精准推荐用户兴趣点,并在Foursquare数据集上进行验证.实验结果表明:与传统模型相比,提出的模型在准确预测用户兴趣点的同时,可以有效缓解数据稀疏性和冷启动问题,并在准确率和召回率上都取得了显著的提高.成果将为移动商务中,如何更好满足企业的精准推送与用户个性化需求提供有力的技术支持和决策服务.     

基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术, 但面临着严重的用户评分数据高维化和稀疏性问题. 同时, 传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响, 因而对评分预测的精度影响较大. 此外, 在移动环境下, 传统协同过滤未结合情境信息, 导致推荐质量下降. 对此, 提出一种基于情境聚类和用户评级的协同过滤模型. 首先, 根据情境信息对用户进行聚类, 降低用户评分数据维度和稀疏性; 然后, 引入社会网络理论分析用户间关系, 建立用户评级模型用于评价用户推荐能力, 并结合评级指标进行评分预测. 通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明: 本模型在所有数据集上都获得了最高的预测精度, 同时还具有最佳的推荐覆盖度, 可显著提高预测精度, 更适用于移动电子商务环境下的个性化推荐问题.     

基于CNN-BiLSTM的消费者网络评论情感分析

现如今,商品在线评论的情感分析业已成为许多商家不可忽视的重要工作,它对于商家了解用户偏好有着重要意义,同时,它还能够为相关产品下一步的改进工作提供方向指导.然而,传统的分析方法已无法解决现在情感分析中特征提取及语义理解等方面存在的问题.针对此类问题,本文提出一种基于CNN-BiLSTM的在线评论情感分析方法,不仅可以像LSTM一样建立时序关系,而且可以像CNN一样刻画局部空间特征.医疗服务、物流快递、金融服务、旅游住宿和食品餐饮数据集的实验结果表明,该方法能有效判别消费者在线评论情感倾向,在文本的情感分类中效果较传统机器学习算法更准确,F1值可以达到94.67%.同时,实验证明该方法具有较好的领域可拓展性.     

Products Ranking Through Aspect-Based Sentiment Analysis of Online Heterogeneous Reviews

With the rapid growth of online shopping platforms, more and more customers intend to share their shopping experience and product reviews on the Internet. Both large quantity and various forms of online reviews bring difficulties for potential consumers to summary all the heterogenous reviews for reference. This paper proposes a new ranking method through online reviews based on different aspects of the alternative products, which combines both objective and subjective sentiment values. Firstly, weights of these aspects are determined with LDA topic model to calculate the objective sentiment value of the product. During this process, the realistic meaning of each aspect is also summarized. Then, consumers’ personalized preferences are taken into consideration while calculating total scores of alternative products. Meanwhile, comparative superiority between every two products also contributes to their final scores. Therefore, a directed graph model is constructed and the final score of each product is computed by improved PageRank algorithm. Finally, a case study is given to illustrate the feasibility and effectiveness of the proposed method. The result demonstrates that while considering only objective sentiment values of the product, the ranking result obtained by our proposed method has a strong correlation with the actual sales orders. On the other hand, if consumers express subjective preferences towards a certain aspect, the final ranking is also consistent with the actual performance of alternative products. It provides a new research idea for online customer review mining and personalized recommendation.     

基于网络浏览行为的小众领域用户画像建模

基于网络浏览行为,研究小众领域的用户画像建模方法.本文提出构造领域文本伪本体的方法,并从用户的网络浏览行为中挖掘用户兴趣,生成了基于领域兴趣的用户画像,随后将构建的用户画像应用于个性化推荐领域,解决了小众领域因用户量少、信息不足而难以精准刻画用户画像的问题.该方法在以下三方面显著不同于其他相关研究工作:1)基于领域文本快速构建领域伪本体,构建基于伪本体的用户画像建模方法;2)采用词向量将网页映射到伪本体,构建画像生成算法;3)基于领域概念间相似度构建画像优化算法.最后,本文使用了交响乐团的售票数据及用户的网络浏览数据,采用多个指标进行实证分析,验证了本文提出的画像建模方法的有效性与合理性.     

在线评论中基于动态窗口提取特征观点对的产品推荐模型

在线评论所包含的产品特征观点在帮助用户做出购买决策时发挥着重要作用,然而,目前还没有挖掘客户评论中的产品特征观点作为主要数据来源的推荐系统,并且,监督型方法中提取特征观点对的算法较少关注中文句式结构,提取规则缺乏动态适应性.因此,提出一种基于特征观点对的产品推荐模型,首先,结合中文句式构成分析及特征观点的匹配关系分析,采用动态窗口提取特征观点对;在此基础上,结合特征树汇聚特征观点用于产品间比较,并为用户做出产品推荐;同时,提出情感可信度指标用于展示特征的典型评论.与采用静态窗口的基准方法相比,本模型的召回率和F值都有大幅提升,表明其可以为基于特征观点对的产品推荐提供可靠的数据来源,进而有效帮助用户做出购买决策.