融合评论信息的贝叶斯个性化排序方法的研究与应用

摘要

本文目的是为了解决信息过载、数据稀疏导致冷启动等问题，使用户从互联网的海量数据中，能保持较高的效率，更快获取到喜爱的项目。现在的系统越来越庞大，数据呈现爆炸性增长，用户想要从海量数据中选择自己喜欢的物品显得越来越困难，又由于用户表达明确偏好的数据较难获取，用户不愿意表达太多个人偏好，从而导致数据集过于稀疏。个性化推荐技术显得越来越重要，既能帮助企业提高系统效率和价值，又能帮助用户节省时间成本，增加的满意度。
　　针对以上问题，主要解决思路是：引入融合用户评论信息的贝叶斯个性化排序方法，提出了两个简单新颖的融合评论信息的贝叶斯个性化排序方法TBPR-Diff和TBPR-Shared，充分合理利用已有的数据，挖掘用户偏好，缓解数据稀疏和冷启动等问题。本文首先提出了基于贝叶斯个性化排序的矩阵分解（matrix factorization based Bayesian personalized ranking,BPR-MF）方法，表述了该方法的通用性与不足；在此基础上加入评论数据的协同主题回归方法，将项目内容（评论）与模型相结合，以完善评价预测因子，从而更好的解释用户偏好的变化。本文还采用Skip-Gram方法对评论信息进行处理，提取用户评论信息情感偏好，然后对隐性数据集构建Pair-wise序列和贝叶斯个性化排序方法进行构建，并利用矩阵因子分解和数据筛选、项目因子空间共享、序列对优化等技术降低模型的复杂度。最后将项目评论和BPR-MF相结合，提出本文的两种方法。在6个真实数据集上实验，论证了相关方法的可行性和效率，并作误差分析与算法比较，通过理论与实验对研究方法与结果作双轨验证。
　　根据本文建立的模型与方法，仅需通过google开源工具Word2vec处理评论信息，即可与 BPR-MF方法相融合，继而缓解数据集的稀疏性造成的准确率低和冷启动等问题，完成更准确的个性化排序推荐。个性化排序推荐科学合理，对系统提供决策支持，更好的支撑了行业应用。

目录

第1章 绪论

1.1 课题背景和意义

1.2 国内外研究现状

1.3 推荐系统面临的主要问题

1.4 本文的研究内容

1.5 本章小结

第2章 相关研究和技术

2.1 样本规范

2.2 排序学习方法

2.3 个性化推荐的评论类型

2.4 本章小结

第3章 改进的贝叶斯个性化排名推荐

3.1 概述

3.2 项目评论的特征提取

3.3 评论信息与BPR模型的融合

3.4 本文模型的学习

3.5 本章小结

第4章 融合评论信息的贝叶斯个性化排序方法的应用

4.1 推荐项目的冷启动

4.2 实验设计

4.3 方法比较

4.4 模型结果分析

4.5 模型分析

4.6 本章小结

结论与展望

参考文献

攻读学位期间发表的论文

声明

致谢