收藏本站
《合肥工业大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

融合文本内容与情境信息的协同过滤推荐方法研究

段锐  
【摘要】:推荐系统是解决电子商务平台信息过载问题的主要手段之一,相关研究表明,精准的个性化推荐能够提高消费者对电子商务平台的满意度、促进捆绑销售、提高产品的销量,进而增加商家和电子商务平台的经济效益。协同过滤方法是目前应用最为广泛的推荐技术,具有简单、合理、高效、稳定的优点。传统的协同过滤方法多依赖用户评分,然而评分数据自身存在一些缺陷,主要包括评分的稀疏性、动态性和缺乏情境信息,从而导致协同过滤方法面临许多挑战。对于两类产品(或服务),基于评分数据的协同过滤方法所面临的挑战尤其严重。第一类是传统电子商务环境下的高卷入度产品推荐,高卷入度产品通常是指具有高价值的耐用品。对于这类产品,首先,用户的购买记录较少,因而评分存在更加严重的稀疏性问题;另外,关于这类产品评分的动态性,目前没有相关研究给出明确的结论。第二类是移动商务环境下的地理位置服务推荐,这类推荐的特点是需要将情境信息考虑在内,而评分难以满足这一需求。为此,本文尝试引入评论文本和签到数据两类用户生成内容弥补评分数据的缺陷,改进传统的协同过滤方法。具体的研究内容和贡献主要包括:(1)运用实证研究的方法,从时间和序列两个维度明确了高卷入度产品在线评论的动态性,填补了相关研究的空白。本文从数值评分和评论文本两个层面研究高卷入度产品在线评论的动态性:对于评分的动态性,首先从时间和序列两个维度给出动态性的直观展示,初步确定动态性的存在;然后,通过有序对数单位模型建模评分与时间和序列两个变量之间的关系,根据模型确定时间和序列两种动态性的存在和表现形式;最后,基于自选择理论和动机理论,对两种动态性的成因进行分析和解释。另外,在评论文本层面,首先通过情感分析的方法挖掘评论文本中所蕴含的用户特征层的情感;然后,与评分的动态性相似,从时间和序列两个角度对用户情感的动态性进行实证分析,并对分析结果给出理论解释。(2)针对高卷入度产品推荐,设计基于评论文本的混合协同过滤推荐模型,解决了评分的稀疏性和动态性问题。为了克服高卷入度产品的评分稀疏性问题,采用主题建模、情感分析等文本挖掘方法深入挖掘评论文本中的产品主题、特征和用户情感等信息,以推测用户的未知评分。与以往的基于评论文本的推荐方法多使用评论文本的整体情感不同,本文尝试将用户特征层的情感用于虚拟评分预测,通过把用户特征层的情感转化为物品-主题评分矩阵,将评论文本与协同过滤方法融合起来。并且,在设计推荐方法时,重点考虑了在线评论的动态性问题,给出了相应的解决方案。通过在高卷入度产品数据集上的实验证明,本文所提出的方法能够有效地提高推荐的准确度。(3)针对移动环境下的地理位置服务推荐,将签到数据的时间效应和空间效应有机地融合到协同过滤方法之中,设计了情境感知的推荐模型,满足了该类推荐对情境条件的约束。具体来说,本文从时间和空间两个方面改进了地点相似度的计算方法。时间方面,通过时间分割法将时间因素引入到用户-地点签到矩阵中,并根据用户签到在时间上的连续性和不一致性计算了不同时间段之间的相似度,用以弥补由于时间分割所导致的稀疏性问题。空间方面,提出了空间接近度的概念,根据用户的签到历史找到其活跃区域,然后,在考虑用户的活跃区域以及用户在不同活跃区域的签到比例的条件下,给出了计算空间接近度的公式。实验证明,与同类推荐方法相比,本文的方法取得更好的推荐效果。通过研究,在理论上,深化了对评论文本和签到数据两类用户生成内容的特性和变化规律的认识,同时有效地解决了传统的协同过滤所面临的评分稀疏性、动态性和情境信息缺乏的挑战,为个性化推荐的研究提供了新思路;在实践上,针对两类不同产品所设计的推荐框架可以为相关企业设计推荐系统提供参考。
【学位授予单位】:合肥工业大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:F713.36;F274

手机知网App
【参考文献】
中国期刊全文数据库 前10条
1 赵宇翔;范哲;朱庆华;;用户生成内容(UGC)概念解析及研究进展[J];中国图书馆学报;2012年05期
2 赵妍妍;秦兵;刘挺;;文本情感分析[J];软件学报;2010年08期
3 张紫琼;叶强;李一军;;互联网商品评论情感分析研究综述[J];管理科学学报;2010年06期
4 刘建国;周涛;郭强;汪秉宏;;个性化推荐系统评价方法综述[J];复杂系统与复杂性科学;2009年03期
5 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期
6 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期
7 蔺丰奇;刘益;;信息过载问题研究述评[J];情报理论与实践;2007年05期
8 刘维湘;郑南宁;游屈波;;非负矩阵分解及其在模式识别中的应用[J];科学通报;2006年03期
9 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期
10 潘晓军,陈宏民;产品差异化与序贯推出的策略选择[J];系统工程理论与实践;2002年08期
【共引文献】
中国期刊全文数据库 前10条
1 兰月新;夏一雪;刘冰月;高扬;李增;;面向舆情大数据的网民情绪演化机理及趋势预测研究[J];情报杂志;2017年11期
2 赵琪;于海帆;胡桓;张力;刘宏生;;推荐系统算法在生物信息学中应用的研究进展[J];辽宁大学学报(自然科学版);2017年04期
3 丁铛;张志飞;苗夺谦;陈岳峰;;基于消费者行为的点餐推荐算法[J];计算机科学;2017年S2期
4 伊华伟;张付志;;融合k-距离和项目类别信息的鲁棒推荐算法[J];小型微型计算机系统;2017年11期
5 汪旭晖;郭一凡;;用户生成内容如何影响多渠道零售商品牌权益——一个调节聚焦范式下的研究框架[J];中国流通经济;2017年11期
6 李成;冯青青;;推荐系统准确度衡量方案——引入权重概念[J];工业设计研究;2017年00期
7 赵栋;景晓冬;;工程经验反馈推荐系统在核电设备设计中的应用研究[J];制造业自动化;2017年10期
8 施萱轩;姜红红;梁浩;梁明;;文本挖掘技术研究及其在电力行业的应用[J];机电信息;2017年30期
9 樊利;林满山;;基于信息熵与Mahout的推荐算法的研究[J];计算机与数字工程;2017年10期
10 张圣筛;陈家琪;;一种改进相似度计算的Slope One推荐算法[J];电子科技;2017年10期
【二级参考文献】
中国期刊全文数据库 前10条
1 杨风雷;黎建辉;;用户生成内容中的垃圾意见研究综述[J];计算机应用研究;2011年10期
2 潘洪涛;王新新;;虚拟社群中的品牌定位——基于用户生成内容点互信息的实证研究[J];财贸研究;2011年04期
3 赵宇翔;朱庆华;;Web 2.0环境下用户生成视频内容质量测评框架研究[J];图书馆杂志;2010年04期
4 范哲;朱庆华;赵宇翔;;Web2.0环境下UGC研究述评[J];图书情报工作;2009年22期
5 陈欣;朱庆华;赵宇翔;;基于YouTube的视频网站用户生成内容的特性分析[J];图书馆杂志;2009年09期
6 赵宇翔;朱庆华;;Web2.0环境下影响用户生成内容的主要动因研究[J];中国图书馆学报;2009年05期
7 李实;叶强;李一军;Rob Law;;中文网络客户评论的产品特征挖掘方法研究[J];管理科学学报;2009年02期
8 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期
9 周立柱;贺宇凯;王建勇;;情感分析研究综述[J];计算机应用;2008年11期
10 张慧霞;;美国UGC规则探讨——兼论网络自治与法治的关系[J];电子知识产权;2008年05期
【相似文献】
中国期刊全文数据库 前10条
1 徐义峰;陈春明;徐云青;;一种基于分类的协同过滤算法[J];计算机系统应用;2007年01期
2 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期
3 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期
4 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期
5 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期
6 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期
7 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期
8 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期
9 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期
10 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期
中国重要会议论文全文数据库 前10条
1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集(研究报告篇)[C];2004年
3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集(上册)[C];2009年
4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年
5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集(B辑)[C];2009年
6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年
8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年
中国博士学位论文全文数据库 前10条
1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年
2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年
3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年
4 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年
5 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年
6 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年
7 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年
8 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年
9 高旻;基于计算语用学和项目的资源协同过滤推荐研究[D];重庆大学;2010年
10 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年
中国硕士学位论文全文数据库 前10条
1 邹腾飞;基于多特征融合的混合协同过滤算法研究[D];西南大学;2015年
2 于钰雯;基于项目凝聚层次聚类的协同过滤推荐算法研究[D];辽宁大学;2015年
3 杜文刚;基于多属性评分的协同过滤推荐算法研究[D];辽宁大学;2015年
4 揭正梅;基于协同过滤的高校个性化就业推荐系统研究[D];昆明理工大学;2015年
5 高慧敏;融合占有度的时间遗忘协同过滤混合推荐算法研究[D];燕山大学;2015年
6 苏靖涵;面向SaaS多租户的动态推荐方法研究[D];辽宁大学;2015年
7 徐晓妮;基于人工鱼群算法的协同过滤推荐算法研究[D];辽宁大学;2015年
8 罗培;移动购物导购关键技术的研究与系统实现[D];西南交通大学;2015年
9 李婧;融合用户差异度及信息熵的协同过滤推荐算法[D];西安建筑科技大学;2015年
10 乐柱;基于误差反馈的协同过滤算法[D];华南理工大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026