基于用户评论文本情感分类的推荐算法ABFR

摘要

大数据时代,数据负载使得人们从互联网中获取有效信息的难度越来越大,单维度用户与系统的交互行为已经无法进行精确地推荐,而用户在系统中对物品的评论信息常常能够表达用户的情感倾向和兴趣偏好.利用自然语言处理的ALBERT模型结合BiLSTM神经网络来挖掘用户对物品评论文本中的情感倾向,将用户的情感倾向进行二分类并数值化代入到用户评分矩阵中,此方法解决了用户评分矩阵数据稀疏的问题,最后利用相似度计算和对物品预测评分来为邻域用户提供个性化推荐.在豆瓣电影评论数据集上进行了对比实验,结果表明:所提出算法的精确率达到25.36%,优于近期提出的加权正则的矩阵分解方法和稀疏线性模型推荐方法,具有更好的推荐效果.