基于评论分析的群组推荐算法研究.pdfVIP

摘 要 个性化推荐系统通过分析用户在网络中产生的评分、评论等行为数据，学习 用户偏好特征，为单个用户提供精准化推荐，然而在现实生活中，用户往往以群 组（团购、外出旅游）的形式出现，如何为群组进行推荐成为近年来的研究热点。 现有群组推荐算法大多给定群组划分结果后，融合组内成员偏好进行推荐。 然而在多数情况下用户所属的群组难以确定，并且由于群组划分结果会直接影响 到群组推荐的性能好坏，因此在群组推荐算法中用户群组划分显得尤为重要。本 文从群组推荐算法的群组划分和群组推荐两方面入手，分析现有算法存在的问题， 分别提出了基于 GRU-CNN 的密度峰值聚类群组划分算法和基于领袖机制的群 组推荐算法。 （1）在群组划分阶段，现有群组划分算法大都存在以下问题，第一，仅利 用用户静态偏好特征发现网络中的群组结构，忽视了用户兴趣会随时间的变化而 发生迁移，第二，利用从评论中提取的用户主题特征进行群组划分，难以挖掘用 户评论文本的深度特征。针对上述问题，本文提出一种基于GRU-CNN 的密度峰 值聚类群组划分算法，首先利用潜在的狄利克雷主题模型对用户评论进行主题分 析，提取出评论中有代表性的的主题词，然后基于门控循环神经网络对评论主题 的时序信息进行建模，提取用户动态主题特征，同时融合卷积神经网络挖掘评论 主题的深层次特征，最后基于深度混合特征利用密度峰值聚类算法进行群组划分。 在真实数据集上的实验结果表明，这种融合深度神经网络模型挖掘到的特征能够 有效地捕捉用户动态兴趣偏好，群组划分效果优于现有算法。 （2 ）在群组推荐阶段，现有群组推荐算法问题如下，第一，忽视了群组结 构对推荐系统计算规模的影响，第二，忽略了组内权威性较高用户对组内成员的 影响。针对以上问题，本文提出一种基于领袖机制的群组推荐算法，首先对组内 成员的影响力进行建模，综合考虑成员间的交互和活跃度等因素，选取群组中权 威性高的用户作为领袖，然后采用领袖决策的方式产生群组推荐结果，由于领袖 大多具有较高的专业度，推荐结果能够满足大多数成员的偏好。在真实数据集上 的实验表明，该算法的推荐结果准确率明显高于主流群组推荐算法。 本文共有图33 幅，表9 个，参考文献83 篇。 关键词：群组推荐；群组划分；领袖决策；门控循环神经网络；卷积神经网络 I Abstract Personalized recommendation system can provide accurate recommendation for individual users by analyzing users behavior data such as rating and review in the network, learning users preference characteristics. However, in real life, users often perform daily activities in different groups. How to recommend group has become a research hotspot in recent years. Most existing group recommendation algorithms recommend a group by fusing the preferences of members in the group. However, in most cases, we dont know the group information of users, and because the result of group detection directly affects the performance of group recommendation, so group detection is particularly important in the group recommendation algorithm. This paper analyzes the existing problems of the group recommendation