个性化推荐已成为现代智能化服务中的重要技术,时间信息是影响个性化推荐效果的重要因素。然而现有基于网络表示学习的个性化推荐方法,有的将事物及其关系抽象为同质网络,忽视了固有的异质性;有的虽将事物及其关系建模为异质网络,但没...个性化推荐已成为现代智能化服务中的重要技术,时间信息是影响个性化推荐效果的重要因素。然而现有基于网络表示学习的个性化推荐方法,有的将事物及其关系抽象为同质网络,忽视了固有的异质性;有的虽将事物及其关系建模为异质网络,但没有较好地利用时间信息。因此,文中提出一种基于时间信息表示学习的个性化推荐方法(Time Representation Learning Incorporating into User Collaborative Filtering, TRLIUCF),TRLIUCF方法综合利用了评论的时间信息、文本信息、评分信息,获得了较好的推荐结果。首先,根据评论文本提取评论情绪特征,并根据时间信息提取评论时间特征,基于二者提出评论综合情绪-贡献值及其计算方法。然后,基于评论综合情绪-贡献值和用户评论数据构建用户-商品-评论异质网络,并采用网络表示学习方法学习节点嵌入向量。最后,通过用户节点嵌入向量计算用户相似性,并采用基于用户的协同过滤进行TOP-N推荐。在两个不同规模的真实数据集上的实验表明,与基准方法相比,TRLIUCF方法提高了推荐精确率和召回率。展开更多
文摘个性化推荐已成为现代智能化服务中的重要技术,时间信息是影响个性化推荐效果的重要因素。然而现有基于网络表示学习的个性化推荐方法,有的将事物及其关系抽象为同质网络,忽视了固有的异质性;有的虽将事物及其关系建模为异质网络,但没有较好地利用时间信息。因此,文中提出一种基于时间信息表示学习的个性化推荐方法(Time Representation Learning Incorporating into User Collaborative Filtering, TRLIUCF),TRLIUCF方法综合利用了评论的时间信息、文本信息、评分信息,获得了较好的推荐结果。首先,根据评论文本提取评论情绪特征,并根据时间信息提取评论时间特征,基于二者提出评论综合情绪-贡献值及其计算方法。然后,基于评论综合情绪-贡献值和用户评论数据构建用户-商品-评论异质网络,并采用网络表示学习方法学习节点嵌入向量。最后,通过用户节点嵌入向量计算用户相似性,并采用基于用户的协同过滤进行TOP-N推荐。在两个不同规模的真实数据集上的实验表明,与基准方法相比,TRLIUCF方法提高了推荐精确率和召回率。
