- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
摘要
摘要
近年来,推荐系统的发展有效缓解了信息超载带来的问题,为用户提供了精准
的推荐服务。然而,数据稀疏问题仍然是制约推荐效果的关键因素。随着深度学习
技术在自然语言处理领域的广泛应用,推荐系统取得了良好的效果。研究发现,通
过从用户对项目的评论中提取用户的喜好特征与项目的属性特征,可以更好地缓
解数据稀疏问题,从而提高推荐准确性。然而如何更有效地从评论文本中获取精准
的用户与项目特征表示已经成为当前研究的热点问题。因此,本文研究根据评分与
评论融合的方式进行评分预测,并根据评分预测的准确率判定推荐效果,主要研究
工作如下:
(1)针对评分数据存在严重的稀疏性以及用户随时间引起的动态兴趣变化问
题,本文在评分数据的基础上,借助用户对项目的评论信息进一步挖掘用户和项目
的深度特征信息。传统推荐算法难以充分挖掘评分数据中的用户和项目特征,本文
采用DMF深度矩阵分解模型,以提取更为准确的用户和项目特征表示。在对评论
文本进行特征提取时,先采用BERT预训练模型分别对用户评论集与项目评论集
进行向量化处理,捕捉上下文语义信息,再利用GRU模型分别提取用户与项目的
深层特征。提取用户深层特征时,考虑到用户的兴趣可能会随时间动态变化,因此
在GRU模型中引入了时间权值,获取更为关键的用户动态兴趣特征表示。
(2)评分和评论文本属于异构性数据,如何更有效地融合用户与项目特征成
为提高评分预测效果的关键。为了有效地融合异构性数据以获取更加精确的用户
与项目表示,本文在进行特征融合时添加了注意力机制。通过学习评分与评论对最
终的用户与项目表示的影响,更好地平衡数据信息,防止关键特征信息丢失,使得
两个子模块提取的特征可以做到互补,获取更加精准的评分预测,最终提升推荐效
果。
(3)根据本文提出的推荐模型设计一个基于评分与评论的个性化电影推荐系
统。该系统基于Python语言,运用Django框架实现整个电影推荐系统。前端使用
CSS、HTML、JavaScript技术进行开发,并使用Bootstrap对前端进行渲染,使用
MySQL与Redis进行数据的存储。
关键词:推荐系统;评分矩阵;评论文本;时间权值;注意力机制
Ⅰ
Abstract
Abstract
Inrecentyears,thedevelopmentofrecommendationsystemshaseffectively
alleviatedtheissueofinformationoverloadandprovideduserswithprecise
recommendationservices.However,datasparsityandcoldstartproblemsremaincritical
factorslimitingtheeffectivenessofrecommendations.Withthewidespreadapplication
ofdeeplearningtechniquesinnaturallanguageprocessing,recommendationsystems
haveachievedgoodresults.Researchhasfoundthatextractinguserpreferencefeatures
fromusercommentsonitemsanditemattributefeaturescanbettermitigatedatasparsity
issuesandimproverecommendationaccuracy.How
文档评论(0)