融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性。而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度。对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交互(RTRM)的深度模型,该模型能够提取评论文本和评分矩阵的深层次特征,并结合它们进行评分预测;其次,通过使用预训练的Electra模型得到每条评论的隐表达,并结合深度情感分析及注意力机制实现从上下文语义层面对评论文本的分析,解决了短文本的语义难以分析的问题;同时,在融合层模块中,用户(物品)评论和评分矩阵进行交互,最终预测出用户对商品的评分;最后,在6组数据集上,采用均方误差(MSE)进行性能对比实验,实验结果表明该文模型性能优于其他系统,且平均预测误差最大降低了12.821%,该模型适用于向用户推荐精确的物品。

结合Skip-gram和加权损失函数的神经网络推荐模型

针对网络推荐系统中传统的协同过滤技术在实际应用中存在数据稀疏、导致准确率低、推荐单一性等问题,提出一种结合Skip-gram项目嵌入和加权损失函数的深度神经网络的推荐模型DSM。采用了3层ReLU层对输出向量进行回归,在未使用附加信息的前提下提高了推荐精度;利用Skip-gram进行项目嵌入得到更稠密的表示向量,减少了计算量;并且使用加权损失函数训练深度神经网络的参数,平衡了推荐项目的受欢迎程度,保证了新颖性。在APP数据集和Last.fm数据集的实验结果表明,DSM模型在推荐应用程序和歌曲时,准确性和多样性方面相比现有方法均有一定的提高。