基于用户评论的协同过滤推荐算法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｙ ｈ ｚ ８ ７ ＠１ ６ ３ ． ｔ ｏ ｍ．
河南师范大学学报 （ 自 然科学版）
２ ０ １ ７ 生
较高的用户对预测得分的贡献也就相应较大． 相似度计算方法主要有皮尔森相关相似度（ Ｐ ｅ ａ ｒ ｓ ｏ ｎ Ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｅ ｉ ｆ ｃ ｉ ｅ ｎ ｔ ） Ⅲ 、 余弦相似度（ Ｃ ｏ ｓ ｉ ｎ ｅ Ｓ ｉ ｍ ｉ ｌ ａ ｒ ｉ ｔ ｙ ） … 等计算方法． 本算法采用的相似度
基 于 用 户 评论 的协 同过 滤 推 荐 算 法
叶 海智 ， 刘骏 飞
（ 河南师范大学 教育 学院 ， 河南 新 乡 ４ ５ ３ ０ ０ ７ ）
摘 要 ： 提出融合用户评论的协同过滤推荐算法 ， 通过挖掘电商网站的用户评论信息， 获取用户评论中的产品
特征 和意见 ， 通过计算每个特 征意见对的极性 ， 得 到特征矩阵 ， 结合 用户意 见质量形 成的用户评 分矩 阵 ， 求 出用户评 分的相似度． 最后结合特 征矩 阵和用户评分相似 度得 出 目标 用户 的综合相 似度 ， 并 由预测评 分得 出产 品推荐表 ， 对 用户进行 产品推荐． 实 验 结果 表 明 ， 提 出的 算法 与 常用 的推荐 算 法相 比， 改 善 了推 荐 的质 量 ， 同时推 荐 精度 得 到
∑（ ∈ ｍ ） ｎ ｌ Ｖ （
丙 Ｔ
其中Ｗ 表示用户 ｕ ， Ｖ 之间的余弦相似度 ， Ｎ（ ） 是用户 感兴趣的物 品集合 ， Ｉ （ ｖ ） 是用户 感兴趣的物 品 集合．
收 稿 日期 ： ２ ０ １ ６ － ０ ９ － ２ ２； 修 回 日期 ： ２ ０ １ ６ ． １ ２ ０５ － ．
基金项 目： 河南省科技攻关 重点 项 目（ １ ６ ２ １ ０ ２ ３ １ ０ ４ ４ ２ ） ； 河南省教育厅科学技术研究 重点项 目（ １ ４ Ａ ８ ８ ０ ０ １ ８ ） ． 作 者简介 【 通信作者 ） ： 叶海智 （ １ ９ ６ ３一） ， 河南 栾川人 ， 河南 师范大学 教授 ， 博士 ， 主要 研究方 向为教育数 据挖掘 ， Ｅ ． ｍ ａ ｉ ｌ ：
第４ ５卷
第１ 期
河南师范 大学学报 （自然科学版 ）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ ｔ ｔ ｅ ｎ ａ ｎ Ｎ ｏ ｒ ｍ ａ ｌ Ｕ ｎ ｗ ｅ ￣ ｉ ＠（ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）
４ ５
Ⅳ０ ． １
户评论 挖 掘技术 对 于推 动推 荐 系统 的应用 发展 具有 深 刻而 广泛 的意 义 ， 还 有 巨大 的潜 力 进行 研 究 ． 文献 ［ ３ ］
把协同过滤方法同用户评分技术相结合 ， 构建一个 自 动推荐系统为用户推荐电影或新 闻． 文献 ［ ８ ］ 将图论 的 有关方法应用到推荐系统 中， 通过用户节点构成 的有 向图来进行用户相似度的度量 ， 最后利用深度搜索为用 户提供 相 应 的推 荐 内容 ． 文献 ［ ９ ］ 将 用 户所 处 上 下文 信 息 和用 户 评论 相 结 合 ， 提 出 了新 的混 合 推荐 算 法 ， 通 过该算法可以将用户 的上下文信息 以及邻居用户对产品的喜好程度相结合为用户提供推荐产品． 本文提出融合用户评论的协同过滤推荐算法 ， 通过挖掘电商 网站的用户评论信息 ， 获取用户评论中关于 产品特征以及相关特征的意见 ， 最后结合特征矩阵和用户评分相似度得出 目 标用户 的综合相似度 ， 并设计了上下文资源推荐系统架构． 文献［ ５ ］ 提出了一种将传统协同过滤方法和用户情绪特 征、 用户所在的上下文信息结合在一起的新的推荐系统． 文献 ［ ６ ］ 将用户环境信息和用户服务结合 ， 提出一 种新的推荐系统架构． 目 前在结合评论挖掘的推荐方面， 文献 ［ ７ ］ 通过深入对 比研究各种推荐算法 ， 指出用
２ ０ １ ７年 １月
Ｊ ａ ｎ ．２ ０ １ ７
文章编号 ： １ ０ ０ ０—２ ３ ６ ７ （ ２ ０ １ ７ ） ０ １ － ０ ０ ７ ９— ０ ６
Ｄ ＯＩ ： １ ０ ． １ ６ ３ ６ ６ ／ ｊ ． ｃ ｎ ｋ ｉ ． １ ０ ０ ０— ２ ３ ６ ７ ． ２ ０ １ ７ ． ０ １ ． ０ １ ３
提高．
关键 词 ： 用户评论 ； 推荐算法； 相似度； 协同过滤 中图 分类 号 ： Ｔ Ｐ ３ ０ １ ． ６ 文献 标志 码 ： Ａ
随着 Ｗｅ ｂ ２ ． ０技术的迅速发展 ， “ 信息过载” 与用户个性化需求之间的矛盾 日益突出 ， 传统的基于搜索 引擎的方式 已经难以满足用户 的需求． 推荐系统成为解决用户个性化需求的有效途径 ， 它可以通过系统提供 的用户信息 ， 为其推荐个性化内容． 目前 ， 推荐系统主要有基于内容的推荐系统 、 基于产品的推荐系统以及协 同过滤 的 推荐 系 统 ， 相较 于 前 两类 ， 协 同过滤 系 统应 用 更 为广 泛 ． 最 早 的协 同过 滤 系统 是 由文 献 ［ １ ］ 提 出 的 Ｔ ａ ｐ ｅ ｓ ｔ ｒ ｙ 系统． 随着推荐技术 的迅猛发展 ， 文献 ［ ２ — ３ ］ 将用户环境信息和基 于内容协 同过滤算法相结合提出 种混合上下文推荐系统． 文献 ［ ４ ］ 将上下文推荐系统同贝叶斯 网络相结合 ， 提出了一个基 于贝叶斯 网络上
结 果．
１ 相 关 知 识
１ ． １ 基 于用户 的协 同过滤 算法 基 于用户 的协 同过 滤 主要是 利用 和推 荐用 户 有一 定联 系 的其他 用户 所 做 出的选 择或 购买 行为 之类 的数
据， 给出推荐用户需要的结果 ， 相似性用户需要 由用户项 目的评分数据集计算得出 ， 通常和 目 标用 户相 似 度
河南师范大学学报 （ 自 然科学版）
２ ０ １ ７ 生
较高的用户对预测得分的贡献也就相应较大． 相似度计算方法主要有皮尔森相关相似度（ Ｐ ｅ ａ ｒ ｓ ｏ ｎ Ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｅ ｉ ｆ ｃ ｉ ｅ ｎ ｔ ） Ⅲ 、 余弦相似度（ Ｃ ｏ ｓ ｉ ｎ ｅ Ｓ ｉ ｍ ｉ ｌ ａ ｒ ｉ ｔ ｙ ） … 等计算方法． 本算法采用的相似度
基 于 用 户 评论 的协 同过 滤 推 荐 算 法
叶 海智 ， 刘骏 飞
（ 河南师范大学 教育 学院 ， 河南 新 乡 ４ ５ ３ ０ ０ ７ ）
摘 要 ： 提出融合用户评论的协同过滤推荐算法 ， 通过挖掘电商网站的用户评论信息， 获取用户评论中的产品
特征 和意见 ， 通过计算每个特 征意见对的极性 ， 得 到特征矩阵 ， 结合 用户意 见质量形 成的用户评 分矩 阵 ， 求 出用户评 分的相似度． 最后结合特 征矩 阵和用户评分相似 度得 出 目标 用户 的综合相 似度 ， 并 由预测评 分得 出产 品推荐表 ， 对 用户进行 产品推荐． 实 验 结果 表 明 ， 提 出的 算法 与 常用 的推荐 算 法相 比， 改 善 了推 荐 的质 量 ， 同时推 荐 精度 得 到
∑（ ∈ ｍ ） ｎ ｌ Ｖ （
丙 Ｔ
其中Ｗ 表示用户 ｕ ， Ｖ 之间的余弦相似度 ， Ｎ（ ） 是用户 感兴趣的物 品集合 ， Ｉ （ ｖ ） 是用户 感兴趣的物 品 集合．
收 稿 日期 ： ２ ０ １ ６ － ０ ９ － ２ ２； 修 回 日期 ： ２ ０ １ ６ ． １ ２ ０５ － ．
基金项 目： 河南省科技攻关 重点 项 目（ １ ６ ２ １ ０ ２ ３ １ ０ ４ ４ ２ ） ； 河南省教育厅科学技术研究 重点项 目（ １ ４ Ａ ８ ８ ０ ０ １ ８ ） ． 作 者简介 【 通信作者 ） ： 叶海智 （ １ ９ ６ ３一） ， 河南 栾川人 ， 河南 师范大学 教授 ， 博士 ， 主要 研究方 向为教育数 据挖掘 ， Ｅ ． ｍ ａ ｉ ｌ ：
第４ ５卷
第１ 期
河南师范 大学学报 （自然科学版 ）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ ｔ ｔ ｅ ｎ ａ ｎ Ｎ ｏ ｒ ｍ ａ ｌ Ｕ ｎ ｗ ｅ ￣ ｉ ＠（ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）
４ ５
Ⅳ０ ． １
户评论 挖 掘技术 对 于推 动推 荐 系统 的应用 发展 具有 深 刻而 广泛 的意 义 ， 还 有 巨大 的潜 力 进行 研 究 ． 文献 ［ ３ ］
把协同过滤方法同用户评分技术相结合 ， 构建一个 自 动推荐系统为用户推荐电影或新 闻． 文献 ［ ８ ］ 将图论 的 有关方法应用到推荐系统 中， 通过用户节点构成 的有 向图来进行用户相似度的度量 ， 最后利用深度搜索为用 户提供 相 应 的推 荐 内容 ． 文献 ［ ９ ］ 将 用 户所 处 上 下文 信 息 和用 户 评论 相 结 合 ， 提 出 了新 的混 合 推荐 算 法 ， 通 过该算法可以将用户 的上下文信息 以及邻居用户对产品的喜好程度相结合为用户提供推荐产品． 本文提出融合用户评论的协同过滤推荐算法 ， 通过挖掘电商 网站的用户评论信息 ， 获取用户评论中关于 产品特征以及相关特征的意见 ， 最后结合特征矩阵和用户评分相似度得出 目 标用户 的综合相似度 ， 并设计了上下文资源推荐系统架构． 文献［ ５ ］ 提出了一种将传统协同过滤方法和用户情绪特 征、 用户所在的上下文信息结合在一起的新的推荐系统． 文献 ［ ６ ］ 将用户环境信息和用户服务结合 ， 提出一 种新的推荐系统架构． 目 前在结合评论挖掘的推荐方面， 文献 ［ ７ ］ 通过深入对 比研究各种推荐算法 ， 指出用
２ ０ １ ７年 １月
Ｊ ａ ｎ ．２ ０ １ ７
文章编号 ： １ ０ ０ ０—２ ３ ６ ７ （ ２ ０ １ ７ ） ０ １ － ０ ０ ７ ９— ０ ６
Ｄ ＯＩ ： １ ０ ． １ ６ ３ ６ ６ ／ ｊ ． ｃ ｎ ｋ ｉ ． １ ０ ０ ０— ２ ３ ６ ７ ． ２ ０ １ ７ ． ０ １ ． ０ １ ３
提高．
关键 词 ： 用户评论 ； 推荐算法； 相似度； 协同过滤 中图 分类 号 ： Ｔ Ｐ ３ ０ １ ． ６ 文献 标志 码 ： Ａ
随着 Ｗｅ ｂ ２ ． ０技术的迅速发展 ， “ 信息过载” 与用户个性化需求之间的矛盾 日益突出 ， 传统的基于搜索 引擎的方式 已经难以满足用户 的需求． 推荐系统成为解决用户个性化需求的有效途径 ， 它可以通过系统提供 的用户信息 ， 为其推荐个性化内容． 目前 ， 推荐系统主要有基于内容的推荐系统 、 基于产品的推荐系统以及协 同过滤 的 推荐 系 统 ， 相较 于 前 两类 ， 协 同过滤 系 统应 用 更 为广 泛 ． 最 早 的协 同过 滤 系统 是 由文 献 ［ １ ］ 提 出 的 Ｔ ａ ｐ ｅ ｓ ｔ ｒ ｙ 系统． 随着推荐技术 的迅猛发展 ， 文献 ［ ２ — ３ ］ 将用户环境信息和基 于内容协 同过滤算法相结合提出 种混合上下文推荐系统． 文献 ［ ４ ］ 将上下文推荐系统同贝叶斯 网络相结合 ， 提出了一个基 于贝叶斯 网络上
结 果．
１ 相 关 知 识
１ ． １ 基 于用户 的协 同过滤 算法 基 于用户 的协 同过 滤 主要是 利用 和推 荐用 户 有一 定联 系 的其他 用户 所 做 出的选 择或 购买 行为 之类 的数
据， 给出推荐用户需要的结果 ， 相似性用户需要 由用户项 目的评分数据集计算得出 ， 通常和 目 标用 户相 似 度