融合評分與評論信息的推薦算法研究與應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的普及和現(xiàn)代電子商務(wù)迅速發(fā)展，推薦系統(tǒng)得到廣泛使用，但大多數(shù)推薦算法仍存在冷啟動等問題。新用戶加入推薦系統(tǒng)后，僅對少數(shù)商品進行了評分，這將造成評分矩陣非常稀疏，推薦系統(tǒng)無法學習到用戶準確的個人偏好，因而難以向用戶推薦合適的商品，導(dǎo)致推薦結(jié)果的準確率降低。本文提出了一種融合評分與評論信息的推薦算法，簡稱RAR（Rating and Review）推薦算法，目的在于提高推薦結(jié)果準確率的同時，緩解冷啟動問題。
　　本文先采

2、用基于主題模型的LDA（latent dirichlet allocation）算法得到用戶偏好向量和商品屬性向量，然后經(jīng)過喜好函數(shù)和厭惡函數(shù)計算，得到用戶和商品的喜好因子向量與厭惡因子向量，并把這兩種因子向量相加以此提取得到用戶和商品的重要因子向量，進而對評論信息進行建模；另一方面，本文采用矩陣分解技術(shù)，把用戶-商品評分矩陣分解成用戶因子向量和商品因子向量，將兩個向量的乘積作為用戶對商品的評分，再使用改進的最近鄰算法，進一步提高評分模

3、型準確率；進而，通過非線性映射函數(shù)把矩陣分解得到的商品因子向量與 LDA模型中評論-主題向量進行映射，把評論-主題向量的維度與商品因子向量維度對齊，將 LDA捕獲的評論信息融合到評分信息中，使用線性回歸模型與重要因子融合，建立 RAR推薦模型。最后，本文提出使用自由向量來捕獲評論中未出現(xiàn)的信息，對模型進行優(yōu)化。
　　為了驗證本文提出的 RAR推薦模型的有效性，采用了亞馬遜在線商城的真實數(shù)據(jù)集，進行了推薦系統(tǒng)的準確率實驗和冷啟動實驗