基于K-medoids项目聚类的协同过滤推荐算法

针对传统协同过滤推荐算法通常针对整个评分矩阵进行计算,存在效率不高的问题,提出一种基于K-medoids项目聚类的协同过滤推荐算法。该算法根据项目的类别属性对项目进行聚类,构建用户的偏好领域,使用用户偏好领域内的评分矩阵进行用户间相似度的计算,得到目标用户的最近邻居集,并生成推荐结果。与常用的Kmeans聚类方法相比,采用K-medoids方法对项目类别属性进行聚类,不仅克服了评分聚类可靠性不高的问题,而且算法还具有更好的鲁棒性。实验结果表明,该算法能有效提高推荐质量。

中文网络评论中的产品特征情感倾向提取算法研究

Web中的客户评论信息挖掘是大数据分析中的一项重要内容。分析客户评论中所包含的产品特征情感倾向,不仅可为消费者购买产品提供更具体的决策支持,还能有效帮助企业改进产品质量。针对商业应用的实际需要,提出了一种自动从中文客户评论中抽取产品特征并判断其情感倾向的方案。基于frequent pattern-tree(FP-tree)方法提取产品特征,结合基于语料库的方法和依存句法分析方法识别关于产品特征的主观评论语句、情感词及其情感词的依存关系,综合考虑情感词、否定词、程度词计算产品特征的情感倾向值。采用公开数据中的600篇手机评论作为实验数据,检验了算法的准确性。对比分析的结果说明,算法有很好的应用潜力,能够有效地从网络评论中获取有价值的商业信息。

基于网络评论中产品特征的提取优化

针对现有网络评论中产品特征提取算法运行效率低和准确率低的问题,提出了改进Apriori算法并用于候选特征集合的抽取,结合单字词规则和邻近剪枝规则对候选特征集合进行初步过滤,采用频繁项名词非特征规则及PMI阈值过滤技术对候选产品特征集进行筛选,得到最终产品特征集.以从互联网下载的手机评论语料作为实验对象进行实验,结果验证了该方法具有较高的准确率和查全率.

探究高校云课堂混合式教学模式

随着网络技术的发展,信息化教育发展已成为必然趋势。传统教学模式存在着教师主体地位严重、课堂氛围枯燥、学生压力大等问题,严重降低了课堂教学效率。混合教学模式作为信息技术与教育教学有效融合的载体,已经逐渐成为一种广受欢迎的教学形态。在该模式下,借助网络教学平台进行线上+线下相结合的教学活动,有助于提高学生学习主动性,提高课堂教学质量。

基于word2vec和自训练的无监督情感分类方法

针对现有情感分类算法中存在的问题,本文提出了一种基于word2vec和自训练的无监督情感分类方法。该方法首先利用word2vec和词性标签构建领域情感词典,并在此基础上融合否定词和程度副词来计算评论的情感倾向值;其次,选取情感倾向强烈的评论作为已标注训练集,剩余部分作为待分类数据集;最后,采用机器学习方法生成分类器进行自训练学习,直到迭代结束。采用手机评论作为实验数据,结果证实了该方法的有效性。