基于用户多维相似度的协同过滤推荐算法

摘要

随着手持设备和桌面电脑的普及，网络已经成为了人们生活中不可缺少的一部分。人们通过互联网进行着诸多的社会活动，网络信息的增长速度日益加快，合理利用互联网信息首先要做的就是信息的过滤和分类。推荐系统在网络信息和用户之间建起一座桥梁，在一定程度上方便了人们的生活。上世纪90年代初到现在的20余年中，推荐系统日益成熟，本文从用户信息出发，多角度分析用户属性及其网络行为，研究如何利用和挖掘用户信息进而改进协同过滤推荐系统，主要工作如下：
　　1.本文介绍了推荐系统在国内外的发展现状，对协同过滤推荐算法进行归纳整理，并对其进行原理分析，对其中相关的关键技术进行分析。
　　2.相似度计算。作为推荐系统的核心模块，相似度的计算直接影响推荐的结果，对推荐精度、覆盖率、召回率有直接的关系，优化推荐系统的关键在于优化相似度计算，本文通过研究相似度计算原理对传统相似度计算方法进行改进，利用用户之间的个体差异计算用户对项目的偏好差别，进而计算出用户之间相似度。通过在公开数据集上进行实验，并不断调整相关参数，使得到的推荐精度达到较理想水平。
　　3.评论文本信息挖掘与利用。相对常规的评分或等级评定，自然语言评论更能代表用户的直观体验，文本评论无疑包含着大量的用户信息和用户喜恶。本文通过爬虫工具爬取了互联上网具有代表性的大量酒店评论文本，并构建中文评论文本处理系统，对包含用户情感的评论文本进行信息提取和量化，将得到的用户情感进行倾向性分析，并将其作为计算用户间相似度的数据。
　　4.多维相似度算法。相似度的计算不应是基于某一用户属性或行为，应当全面考虑可影响用户选择的信息，这样才能计算出较为准确的用户近邻，从而进行精确推荐。本文将用户自身属性、用户评分集合、用户文本评论中包含的情感倾向等要素，赋以不同的权重参与相似度的计算。对得到的推荐结果进行分析并不断调整权重以选取最优推荐结果。
　　本文从多维度计算用户之间的相似度，重点分析了用户评论信息包含的情感倾向，从而得到更为准确的用户近邻。通过实验分析和对比，本文模型可以为用户提供较为理想的推荐结果。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文主要研究内容及创新点

1.4 本文的组织结构

第二章 相关理论与技术

2.1 相关概念

2.2 推荐系统分类

2.3 推荐系统相关理论与技术

2.4 评论文本挖掘与情感分析技术

2.5 本章小结

第三章 协同过滤推荐算法相似度的改进

3.1 传统的基于用户的协同过滤算法

3.2 相关工作

3.3 用户多维相似度的协同过滤推荐算法

3.4 实验结果及分析

3.5 本章小结

第四章 文本评论在推荐系统中的情感量化

4.1 文本处理模型构建

4.2 获取结构化评论对象集

4.3 评论文本情感词典的构建

4.4 评论文本情感量化分析

4.5 实验设计及结果分析

4.6 本章小结

第五章 结合用户评论的多维度推荐模型

5.1 基于用户评论的相似度

5.2 多维相似度计算

5.3 整体模型设计

5.4 实验设计与结果分析

5.5 本章小结

第六章 结 论

6.1 本文总结

6.2 未来展望

参考文献

致谢

攻读学位期间的研究成果