基于直觉模糊情感和双注意力BILSTM的商家排序方法

如何充分利用在线口碑中的情感信息和消费者的个性化偏好,实现具有较高准确性的在线商家排序,对于提高消费者在海量信息中的决策效率具有重要的现实意义和理论价值。提出了一种基于深度学习的考虑模糊情感、个性化偏好,并融合在线评论、评分及人气的排序方法。首先构建双注意力BILSTM方面级情感分类模型识别在线评论情感,将情感值转换为直觉模糊值,应用直觉模糊TOPSIS方法计算贴近度,然后结合消费者评分、商家人气度量确定排序。以标准数据集进行对比实验,表明双注意力BILSTM模型优于LR、SVM等传统模型以及BILSTM和单注意力BILSTM模型。在实例分析中,大众点评8家餐厅的排序结果与平台排序平均重叠分数较高,说明本文所提出的商家排序方法的有效性。

基于深度学习的直觉模糊集隶属度确定方法

直觉模糊集隶属度、非隶属度和犹豫度的确定方法是直觉模糊集理论与应用研究中一个十分重要的问题,其直接影响着相关方法的可扩展性及应用结果。然而,现有方法存在主观性强、标准难以统一等问题,并且大多基于模拟数据进行实验,难以应用至实际数据。针对上述问题以及大规模非结构化数据,提出一种基于深度学习的直觉模糊集隶属度、非隶属度和犹豫度确定方法。新方法克服了传统方法的技术和思维局限,拓展了直觉模糊集相关问题的研究思路,为其实际应用提供了更多可能。