|本期目录/Table of Contents|

[1]张佳晖,张宇.基于矩阵分解和评论嵌入表示的推荐模型研究[J].浙江理工大学学报,2019,41-42(自科一):79-91.
　ZHANG Jiahui,ZHANG Yu.Research on recommendation model based on matrix decomposition and reviews embedding[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):79-91.
点击复制

基于矩阵分解和评论嵌入表示的推荐模型研究()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第41-42卷
期数:
2019年自科一期
页码:
79-91
栏目:
出版日期:
2018-12-15

文章信息/Info

Title:
Research on recommendation model based on matrix decomposition and reviews embedding
文章编号:
1673-3851 (2019) 01-0079-13
作者:
张佳晖; 张宇
浙江理工大学信息学院，杭州 310018
Author(s):
ZHANG Jiahui;  ZHANG Yu
School of Information Science and Technology, Zhejiang  Sci-Tech University, Hangzhou 310018, China
关键词:
推荐系统; 协同过滤; 深度神经网络; 多任务学习; 词嵌入
分类号:
TP181
文献标志码:
A
摘要:
协同过滤是目前最为成功的推荐技术之一，但它只利用了评分数据，忽视了大量可以利用的用户评论。针对该问题提出了一种基于概率图的深度神经网络推荐模型，即共享表示模型（Shared representation model, SRM），并在SRM的基础上提出一种基于多任务学习思想的改进模型，即隐因子共同学习模型（Joint learning model with latent factor, LFJLM）。LFJLM结合了基于矩阵分解的隐因子推荐算法和doc2vec语言模型，它在doc2vec和隐因子模型的映射层使用共享的用户、商品、评论文档的向量表示，因此能够学习到具有跨任务不变性的底层特征。在Amazon数据集上对提出的两种模型与作为基线的隐因子模型和HFT模型进行了对比实验，实验结果表明：LFJLM能够有效地抽取出评论中隐含的语义信息；与隐因子模型和HFT模型相比，该算法评分预测的均方误差分别减小了7.85%和1.19%。

参考文献/References:

［1］ 王国霞,刘贺平.个性化推荐系统综述［J］.计算机工程与应用,2012,48(7):66-76.
［2］ 刘平峰,陈冬林.电子商务推荐系统研究综述［J］.情报杂志,2007,26(9):46-50.
［3］ Ricci F, Rokach L, Shapira B, et al. Recommender Systems Handbook［M］. Springer,2011:1-35.
［4］ Shang M, Lu L, Zhang Y C, et al. Empirical analysis of  webbased userobject bipartite networks［J］. Europhysics Letters,2012,90(4):1303-1324.
［5］ Purushotham S, Liu Y, Kuo C. Collaborative topic regression with social matrix factorization for recommendation systems［C］// International Conference on International Conference on Machine Learning. Omnipress. 2012:691-698.
［6］ Mcauley J, Leskovec J. Hidden factors and hidden topics: Understanding rating dimensions with review text［C］// ACM Conference on Recommender Systems. ACM, 2013:165-172.
［7］ Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems［J］. Computer,2009,42(8):30-37.
［8］ Bao Y, Fang H, Zhang J. Topic M F: Simultaneously exploiting ratings and reviews for recommendation［C］// TwentyEighth AAAI Conference on Artificial Intelligence. AAAI Press,2014:2-8.
［9］ Ling G, Lyu M R, King I. Ratings meet reviews, a combined approach to recommend［C］// Proceedings of the 8th ACM conference on recommender systems. ACM,2014:105-112．
［10］ 彭敏,席俊杰,代心媛,等.基于情感分析和LDA主题模型的协同过滤推荐算法［J］.中文信息学报,2017,31(2):194-203.

备注/Memo

备注/Memo:
收稿日期： 2018-05-17
网络出版日期： 2018-09-03
基金项目： 浙江省科协青年科技人才培育工程资助培养项目（17038001-Q）
作者简介： 张佳晖(1991-)，男，安徽黄山人，硕士研究生，主要从事机器学习、自然语言处理方面的研究
通信作者： 张宇，E-mail：yzh@zstu.edu.cn
更新日期/Last Update: 2019-03-13