近年來,隨著互聯(lián)網(wǎng)的普及和計(jì)算機(jī)技術(shù)的進(jìn)步,信息的數(shù)量呈指數(shù)級(jí)增長,人們?cè)谙硎芑ヂ?lián)網(wǎng)帶來便利的同時(shí),也受到“信息碎片化”和“信息過載”的困擾。個(gè)性化推薦系統(tǒng)不僅能夠滿足用戶個(gè)性化需求,提升用戶體驗(yàn),并且在具體商業(yè)場景下能夠大幅度提高用戶的行為轉(zhuǎn)化率,成為當(dāng)前解決“信息過載”問題的主流方法。隨著人工智能的快速發(fā)展,深度學(xué)習(xí)越來越多的應(yīng)用到推薦領(lǐng)域。在當(dāng)今大多數(shù)電子商務(wù)平臺(tái)上,用戶對(duì)商品撰寫評(píng)論不僅是一項(xiàng)核心功能,同時(shí)也是一項(xiàng)具有很強(qiáng)歷史性的行為。豐富的評(píng)論內(nèi)容,蘊(yùn)含了大量的信息,它在捕捉用戶偏好和刻畫商品特征畫像方面尤其強(qiáng)大。本文主要研究了基于深度學(xué)習(xí)的評(píng)論主題推薦算法和在線實(shí)時(shí)推薦系統(tǒng)實(shí)現(xiàn),借助評(píng)論這一媒介,將深度學(xué)習(xí)與推薦算法有機(jī)地結(jié)合起來,研究的內(nèi)容具體如下:（1）提出了一個(gè)加入了篩選機(jī)制的注意力神經(jīng)網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)在嵌入層先進(jìn)行one-hot編碼,通過類同矩陣對(duì)用戶、商品的評(píng)論列表進(jìn)行計(jì)算,選擇有限條評(píng)論進(jìn)入下一層。而后將經(jīng)過篩選的評(píng)論集用BERT模型進(jìn)行預(yù)訓(xùn)練,并通過Bi-GRU+Attention神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行深度語義抽取,最后結(jié)合改進(jìn)的概率矩陣分解來預(yù)測(cè)用戶對(duì)商品的評(píng)分,... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

亞馬遜購物網(wǎng)站商品界面圖

圖 1-2 亞馬遜購物網(wǎng)站商品評(píng)論發(fā)表展示圖根據(jù)多種研究數(shù)據(jù)表明，越來越多的用戶在購物之前，會(huì)通過互聯(lián)網(wǎng)或網(wǎng)站本身來查看待購產(chǎn)品的各類評(píng)論信息。 優(yōu)質(zhì)的評(píng)論對(duì)顧客最終決定購買起到重要的影響評(píng)論通常包含以下內(nèi)容：(1)產(chǎn)品優(yōu)點(diǎn)：可以讓顧客快速了解這個(gè)產(chǎn)品的亮點(diǎn)，這影響到顧客的好感；(2)產(chǎn)品缺點(diǎn)：產(chǎn)品有哪些缺點(diǎn)，是否在可以接受的范圍；(3用途：產(chǎn)品功能很多，但主要在那些方面或產(chǎn)品使用比較合適；(4)適用人群：是配顧客自己的年齡、性別和社會(huì)角色等；(5)性價(jià)比：是否在同類產(chǎn)品中性價(jià)比比；(6)使用心得：如果更快的熟悉該產(chǎn)品，避免誤操作；(7)選購技巧：如何購買配關(guān)聯(lián)的配件、其它產(chǎn)品等；(8)評(píng)論人信息：評(píng)論人在該網(wǎng)站是否是高級(jí)別用戶，的評(píng)價(jià)是否同樣中肯和公允。然而，要讓用戶在如此繁雜多樣的評(píng)論中取判斷商品類優(yōu)缺點(diǎn)并作出一個(gè)最佳的判斷實(shí)屬不易，如何幫助用戶擺脫傳統(tǒng)逐個(gè)游覽評(píng)論的做法，而是利用用戶以往在自己購買商品欄留下的評(píng)論來對(duì)用戶進(jìn)行商品興趣度匹薦，是本文所要研究的重要問題。

圖 2-1 協(xié)同過濾矩陣分解圖推薦任務(wù)中，具體可可以描述為已知有m 個(gè)用戶 {,,...,}1 2mU uuu和 n 種商,,...,} 2nii，用戶對(duì)商品的感興趣程度可以用一個(gè) m n維的評(píng)分矩陣R 表示，其表示用戶對(duì)該商品的興趣越高，若沒有分值則表示該用戶對(duì)此商品不感興趣或它。對(duì)于評(píng)分矩陣 R 來說，可以分解成兩個(gè)子矩陣mkP 和knQ ,對(duì)于評(píng)R 中每一個(gè)用戶i對(duì)商品 j 的評(píng)分值都可以用ijR 來表示： KnijinnjRPQ1(2-6其中矩陣P 的第i行表示用戶i對(duì)這 K 個(gè)屬性的偏好程度矩陣，矩陣Q的第 j 列 j 在這 K 個(gè)屬性上的特征。矩陣分解算法只考慮原評(píng)分矩陣中得分不為 0 的值函數(shù)可表示為： mnijijLRPQ2( ) mnijijLRPQ2( )(2-7

【參考文獻(xiàn)】：
期刊論文
[1]基于變分循環(huán)自動(dòng)編碼器的協(xié)同推薦方法[J]. 李曉菊,顧君忠,程潔.  計(jì)算機(jī)應(yīng)用與軟件. 2018(09)
[2]世界電子商務(wù)報(bào)告:中國成全球最大電子商務(wù)市場[J].   新民周刊. 2018(16)
[3]卷積神經(jīng)網(wǎng)絡(luò)特征重要性分析及增強(qiáng)特征選擇模型[J]. 盧泓宇,張敏,劉奕群,馬少平.  軟件學(xué)報(bào). 2017(11)
[4]基于深度學(xué)習(xí)加強(qiáng)的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(10)
[5]基于用戶評(píng)分和評(píng)論信息的協(xié)同推薦框架[J]. 譚云志,張敏,劉奕群,馬少平.  模式識(shí)別與人工智能. 2016(04)



本文編號(hào)：2951877