基于评论中用户观点挖掘的推荐方法研究

摘要

作为解决大数据时代“信息过载”问题的重要技术手段之一，推荐系统已经得到了学术界和工业界的广泛关注，随着推荐系统的不断发展，推荐方法已经得到了广泛研究。传统推荐方法往往通过用户历史评分来挖掘用户与对象的二元关系从而预测用户的满意度，但是这些方法对与用户满意度相关的多元信息的挖掘和利用不够充分，导致推荐的个性化程度不高，而用户往往通过评论充分表达了对于对象多方面的细粒度观点。因此充分挖掘用户评论中的观点，以提高推荐效果的方法值得进一步探索和研究。
　　评论中的用户观点往往表现为用户对对象多个方面的观点，因此提出挖掘评论中用户多方面观点以进行更加个性化推荐的方法。首先利用文本特征选择相关方法建立不同方面的关键词集合，提取用户对于不同方面的观点描述，然后计算每个方面观点描述的情感评分，即得到了评论中的用户多方面观点。
　　利用张量对事物多元特征属性的表达能力，以及张量分解对这些特征之间多元隐式关系的挖掘能力，将评论中的用户多方面观点引入到用户-对象评分矩阵中，构建高阶评分张量，通过张量分解建立融合了评论中用户观点的评分预测模型，并依据预测评分生成推荐。
　　通过实验对提出的推荐方法进行了验证，并与另外几种推荐方法进行了对比。实验结果表明，提出的推荐方法能够对用户进行有效的推荐，且相较另外几种推荐方法具有更高的评分预测准确度，此外，在面临数据稀疏性问题时也有更好的表现。

目录

声明

1 绪论

1.1 研究背景

1.2 研究现状

1.3 课题研究的意义、内容及目标

1.4 论文的组织结构

2 评论中用户观点的挖掘

2.1 相关定义及技术基础

2.2 技术路线

2.3 评论中用户多方面观点描述的提取

2.4 评论中用户多方面观点评分的计算

2.5 本章小结

3 基于评论中用户多方面观点的推荐生成

3.1 相关定义及技术基础

3.2 技术路线

3.3 评分张量的构建

3.4 基于张量分解的评分预测

3.5 基于预测评分的推荐生成

3.6 本章小结

4 实验及结果分析

4.1 数据集的构建

4.2 评估指标的选取

4.3 实验环境

4.4 实验步骤

4.5 实验结果分析

4.6 对比实验结果分析

4.7 本章小结

5 结束语

5.1 已完成工作

5.2 下一步工作

致谢

参考文献