【技术实现步骤摘要】
结合评论文本挖掘的个性化推荐算法
本专利技术属于商品个性化推荐领域。更具体地说，本专利技术涉及一种结合评论文本挖掘的个性化推荐算法。
技术介绍
推荐系统以其解决“信息过载”，提供个性化服务的特点，受到各个应用领域的高度关注。推荐系统的核心是推荐算法，现存的推荐算法主要可分为基于内容的推荐、协同过滤和混合推荐三大类，其中最为常用的是协同过滤算法。然而，由于数据的稀疏，传统的协同过滤算法的推荐的效果不尽如人意。因此研究者通常利用用户与项目的属性、标签等元数据进行辅助推荐,以此缓解数据稀疏的问题。如今，大多数网络平台都提倡“以用户为中心”的理念，用户既可针对项目的真实体验发表自己看法，也可通过浏览评论了解项目的真实特征，明确大众的舆论倾向。以淘宝购物为例，由于评论文本具有一定的真实性、可靠性与参考性，多数用户在购买商品之前，会参考已购买者对于产品的评论。数据的稀疏，导致传统的协同过滤算法的推荐的效果不尽如人意。为此大多数研究者通常利用用户与项目的属性、标签等元数据进行辅助推荐,以此缓解数据稀疏的问题。如巫可等将用户...
【技术保护点】
1.一种结合评论文本挖掘的个性化推荐算法，包括：/n利用传统的隐语义模型获取用户特征P
【技术特征摘要】
1.一种结合评论文本挖掘的个性化推荐算法，包括：
利用传统的隐语义模型获取用户特征Pu；
利用堆栈降噪自动编码器获取项目特征Qi；
将用户特征Pu和项目特征Qi输入多层感知器来预测评分
2.根据权利要求1所述的结合评论文本挖掘的个性化推荐算法，将原始评分矩阵分解后获取用户特征，并用于算法后期的评分预测，原始的评分矩阵R分解为两个低秩矩阵相乘R＝PQ；
其中P∈Rm×F，Q∈RF×n，
对于每个用户u，令Pu＝(Pu1，Pu2，…，PuF)表示用户与隐因子的关联程度；
对于每个项目i，令Qi＝(Qi1，Qi2，…，QiF)表示项目与因子的关联程度；
用户对项目的总体兴趣度定义为：
为了学习模型中的PwQi，通过最小化损失函数来近似估计，具体表示为：
式中：λ是正则化项参数，用来防止过拟合；yu，i代表真实评分。
3.根据权利要求1所述的结合评论文本挖掘的个性化推荐算法，基于堆栈降噪自动编码器的项目特征的提取包括以下步骤：
步骤一、将每个商品的评论整合为一个文档，经过TF-IDE处理后，采用词袋模型表示为项目的内容向量，作为SDAE的输入数据；
步骤二、采用逐层贪心算法对DAE进行预训练，得到SDAE网络权重，预训练完成后，将DAE展开得到SDAE的网络结构；
步骤三、使用BP算法优化网络，采用梯度下降算法进行微调。
4.根据权利要求3所述的结合评论文本挖掘的个性化推荐算法，基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。