基于关联规则的协同过滤改进算法

针对传统协同过滤算法过分依赖用户历史评分数据及评分数据存在严重稀疏性问题的情况,提出一种基于关联规则的协同过滤改进算法。该算法设置相似度阈值,计算近邻用户与目标用户之间的相似度,选取相似度最高的近邻用户组成邻居集,若邻居集中的所有近邻用户与目标用户的相似度都高于阈值则按照传统协同过滤进行评分预测,否则引入关联规则的算法对目标用户进行评分预测。首先,对利用Apriori算法输出的关联规则进行拆分,得到一对一、多对一两种形式的规则;其次,基于支持度和置信度构建推荐度计算方法;再次,形成引入关联规则的算法;最后,根据阈值选择相应的算法进行评分预测,将评分高的项目推荐给用户。实验结果表明:所提出的算法与传统协同过滤算法、基于用户平均值填充的协同过滤算法相比,在MAE、RMSE上都有明显下降,可以在一定程度上提高推荐质量。

一种基于双通道卷积神经网络的短文本分类方法

传统卷积神经网络文本分类的效果依赖输入文本表示的准确度,如果文本表示不准确,则输入的噪音将直接导致分类准确性的大幅下降。针对此问题,本文提出一种基于结合词性概率(coefficient part of speech,CPOS)特征和应用场景(application scene,AS)改进的双通道文本卷积神经网络模型Word-CPOS&AS DCNN(WCA-DCNN),通过引入词性的贡献度和设定场景权重2个因子,改善传统方法中短文本表示特征稀疏及不精确的问题。实验结果表明:WCA-DCNN算法在准确率、召回率和F1值等指标上都有明显提升。

融合CNN和LDA的短文本分类研究

应用卷积神经网络分类文本是自然语言处理领域的研究热点,针对神经网络输入矩阵只提取词粒度层面的词向量矩阵,忽略了文本粒度层面整体语义特征的表达,导致文本特征表示不充分,影响分类准确度的问题。本文提出一种结合word2vec和LDA主题模型的文本表示矩阵,结合词义特征和语义特征,输入卷积神经网络进行文本分类,以丰富池化层特征,达到精确分类的效果。对本文提出模型进行文本分类实验,结果表明,本文算法相比传统特征输入的卷积神经网络文本分类,在F度量值上取得一定程度的提升。