融合近邻评论的GRU商品推荐模型

doi:10.11925/infotech.2096-3467.2020.0328

数据分析与知识发现

本期目录 | 过刊浏览 | 高级检索

融合近邻评论的GRU商品推荐模型

冯勇,刘洋,徐红艳,王嵘冰,张永刚

（辽宁大学信息学院，辽宁沈阳 110036）
（吉林大学符号计算与知识工程教育部重点实验室, 吉林省长春市 130012）

A GRU Product Recommendation Model Incorporating Neighbor Reviews

Feng Yong,Liu Yang,Xu Hongyan,Wang Rongbing,Zhang Yonggang

(College of Information, Liaoning University, Shenyang 110036, China)
(Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun 130012, China)

摘要
相关文章
Metrics

全文: PDF (803 KB)
输出: BibTeX | EndNote (RIS)

摘要

[目的]改进矩阵分解算法，融合近邻评论缓解评论稀疏，提高推荐准确性。

[方法]应用多层感知机改进矩阵分解算法以得到用户和商品的深层非线性特征；处理评论集并深度融合近邻特征与用户特征，表征出更符合用户偏好的特征；基于所得特征预测评分进行推荐。

[结果]在亚马逊数据集上与其他深度模型进行了对比实验，发现准确率、召回率、归一化折损累计增益最多可提升8.3%、22.8%、14.9%。

[局限]未考虑用户给出评论的时间因素，并且忽略可能存在虚假评论的情况。

[结论]改进的矩阵分解算法和融合近邻评论的方法可以有效提升推荐的准确性。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章

关键词 ：推荐模型, 评分, 评论, 稀疏性, 深度学习

Abstract：

[Objective]Improved matrix factorization algorithm, fusion of neighbor comments to alleviate sparse comments and improve recommendation accuracy.

[Methods]The Multi-layer Perceptron is used to improve the matrix decomposition algorithm to obtain the deep nonlinear features of users and commodities; process the review set and deeply integrate the neighbor features and user features to characterize the features that are more in line with user preferences; and make recommendations based on the obtained feature prediction score.

[Results]Compared with other deep models on the Amazon data set, it is found that the accuracy rate, recall rate, and normalized cumulative loss gain can be increased by up to 8.3%, 22.8%, 14.9%.

[Limitations]The time factor of the user's comment is not considered, and the existence of false comments is ignored.

[Conclusions]Improved matrix factorization algorithm and fusion of neighbor comments can effectively improve the accuracy of recommendations.

Key words： Recommendation model rating reviews sparsity deep learning

出版日期: 2020-11-24

ZTFLH:	TP302
	G202

引用本文:

冯勇, 刘洋, 徐红艳, 王嵘冰, 张永刚. 融合近邻评论的GRU商品推荐模型 [J]. 数据分析与知识发现, 10.11925/infotech.2096-3467.2020.0328.
Feng Yong, Liu Yang, Xu Hongyan, Wang Rongbing, Zhang Yonggang. A GRU Product Recommendation Model Incorporating Neighbor Reviews . Data Analysis and Knowledge Discovery, 0, (): 1-.

链接本文:

http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0328 或 http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y0/V/I/1

[1]	黄露,周恩国,李岱峰. 融合特定任务信息注意力机制的文本表示学习模型^*[J]. 数据分析与知识发现, 2020, 4(9): 111-122.
[2]	余传明, 王曼怡, 林虹君, 朱星宇, 黄婷婷, 安璐. 基于深度学习的词汇表示模型对比研究*[J]. 数据分析与知识发现, 2020, 4(8): 28-40.
[3]	赵旸, 张智雄, 刘欢, 丁良萍. 基于BERT模型的中文医学文献分类研究*[J]. 数据分析与知识发现, 2020, 4(8): 41-49.
[4]	徐晨飞, 叶海影, 包平. 基于深度学习的方志物产资料实体自动识别模型构建研究*[J]. 数据分析与知识发现, 2020, 4(8): 86-97.
[5]	王鑫芸,王昊,邓三鸿,张宝隆. 面向期刊选择的学术论文内容分类研究 ^*[J]. 数据分析与知识发现, 2020, 4(7): 96-109.
[6]	焦启航,乐小虬. 对比关系句子生成方法研究[J]. 数据分析与知识发现, 2020, 4(6): 43-50.
[7]	王末,崔运鹏,陈丽,李欢. 基于深度学习的学术论文语步结构分类方法研究*[J]. 数据分析与知识发现, 2020, 4(6): 60-68.
[8]	苏庆,陈思兆,吴伟民,李小妹,黄佃宽. 基于学习情况协同过滤算法的个性化学习推荐模型研究^*[J]. 数据分析与知识发现, 2020, 4(5): 105-117.
[9]	邓思艺,乐小虬. 基于动态语义注意力的指代消解方法[J]. 数据分析与知识发现, 2020, 4(5): 46-53.
[10]	李成梁,赵中英,李超,亓亮,温彦. 基于依存关系嵌入与条件随机场的商品属性抽取方法^*[J]. 数据分析与知识发现, 2020, 4(5): 54-65.
[11]	余传明,原赛,朱星宇,林虹君,张普亮,安璐. 基于深度学习的热点事件主题表示研究*[J]. 数据分析与知识发现, 2020, 4(4): 1-14.
[12]	沈卓,李艳. 基于PreLM-FT细粒度情感分析的餐饮业用户评论挖掘[J]. 数据分析与知识发现, 2020, 4(4): 63-71.
[13]	苏传东,黄孝喜,王荣波,谌志群,毛君钰,朱嘉莹,潘宇豪. 基于词嵌入融合和循环神经网络的中英文隐喻识别*[J]. 数据分析与知识发现, 2020, 4(4): 91-99.
[14]	刘彤,倪维健,孙宇健,曾庆田. 基于深度迁移学习的业务流程实例剩余执行时间预测方法^*[J]. 数据分析与知识发现, 2020, 4(2/3): 134-142.
[15]	熊回香,李晓敏,李跃艳. 基于图书评论属性挖掘的群组推荐研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 214-222.

Viewed

Full text

Abstract

Cited

Shared

Discussed