基于多属性在线评价信息的商品购买推荐排序方法

针对支持消费者购买决策,提出了一种基于多属性在线评价信息的商品购买推荐排序方法.在该方法中,首先将消费者关注的备选商品各属性在线评价信息转化为关于属性评价标度的概率分布,并确定备选商品各属性在线评价结果的累积分布函数,进而构建加权累积分布函数决策矩阵;然后,依据该决策矩阵,确定正、负理想商品加权累积分布向量,并计算各备选商品与正、负理想商品的加权累积分布向量的距离以及相应的贴近度;进一步地,依据贴近度的大小,可确定备选商品的推荐排序结果.最后,以一个支持消费者购买轿车决策为例说明了该方法的可行性和有效性.

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动时该问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次,将用户偏好信息融入贝叶斯个性化排名(Bayesian personalized ranking,BPR)算法。然后,挖掘用户之间的相似关系以及信任用户的直接和间接关系,并量化用户之间的信任关系,从而研究不同项目之间用户的偏好差异。最后,将以上信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行算法的有效性验证。通过Precision、MAP和NGCD这3种排序评估指标分别在全数据集和用户冷启动中验证本文算法与SBPR、TBPR、BPR和MostPopular等算法之间排序推荐的优劣性。实验结果表明本文算法明显优于其他对比的排序推荐算法,并可以获得更好的推荐准确率。可见本文算法可以有效改善由于数据稀疏性和用户冷启动所引起的推荐效果差的问题。

基于在线评论且考虑特征关联性的酒店推荐排序方法

本文考虑旅游网站提供的在线评论对旅行者预定酒店的影响,提出了一种基于在线评论且考虑特征关联性的酒店推荐排序方法。首先,利用AS-Capsules模型识别每条在线评论关于备选酒店各特征的情感倾向,并将备选酒店各特征情感倾向识别结果转换成图像模糊数形式;然后,对特征进行主客观赋权,并基于模糊测度方法计算考虑不同特征关联性的特征集模糊测度;在此基础上,提出一种图像模糊数Choquet积分算子(PFSCA)集结备选酒店关于各特征的图像模糊数形式的评价信息,得到考虑不同特征关联性的备选酒店的推荐排序结果,旅游网站可依据此结果辅助潜在旅行者做出酒店选择决策。最后,以Tripadvisor(猫途鹰)网站提供的酒店在线评论进行实例分析,说明该方法的有效性和可行性。

基于在线评论的学习资源推荐方法设计与实证

广泛、便利地传播优质的学习资源本是在线教育的重要教育价值所在,然而在线课程数量的迅猛增长对在线学习者形成了“资源过载”压力和优质课程选择难题.另一方面,学习者在学习过程中对在线学习资源留下了丰富的在线评论信息.由此,为提高在线学习者在海量的同类学习资源中选择恰当的优质课程的效率,在充分挖掘在线评论数据价值的基础上,设计提出了相应的学习资源画像与推荐方法:基于Apriori算法和文本情感分析法等对在线评论信息所隐含的词语频繁项集、课程特征、使用者情感倾向、在线学习平台服务质量等信息进行挖掘、建立学习资源多维度特征体系,进而采用Topsis方法对备选课程进行多指标综合分析,探寻各对象与最优理想解的接近程度和与最劣理想解的远离程度,最终完成课程的排序与推荐.基于中国大学MOOC平台七门英语口语相关课程在线评论信息的实证研究验证了这一基于在线评论的学习资源推荐方法的有效性.