分类： 图书馆学、情报学 >> 情报学 提交时间： 2023-04-01 合作期刊: 《图书情报工作》
摘要： [目的/意义] 针对目前推荐模型愈加复杂、数据输入越来越多、传统推荐模型可解释性较低、推荐结果"过度特化"等问题，提出面向用户长短偏好调节的可解释个性化推荐方法。[方法/过程] 从用户近期产品需求及其长期生活方式两个维度构建用户长短偏好模型，借鉴用户评分偏置及注意力机制，将用户长短偏好与其评分相结合进行评分预测，从而形成Top-N推荐。[结果/结论] 通过在两个数据集上的实验结果表明，本方法对于不同的用户行为（显式反馈或隐式反馈），不同的推荐项目个数及在不同的推荐算法中都有良好表现。在无需对各种推荐模型进行较大改变的情况下，提升了推荐结果的准确率、召回率与多样性；另外基于对长短偏好系数的改变，实现对推荐结果多样性与准确率的调整，并且形成相应的推荐解释。
分类： 图书馆学、情报学 >> 情报学 提交时间： 2017-12-05 合作期刊: 《数据分析与知识发现》
摘要： 【目的】识别并获取细粒度的用户偏好信息, 优化图书个性化推荐的效果。【方法】使用情感分析方法对 用户图书评论进行属性层文本挖掘, 通过用户本身的图书评论获取用户对图书属性的偏好; 基于每本图书的所 有评论的情感计算获得其属性评分; 将用户偏好矩阵、图书属性得分矩阵进行匹配, 从而实现用户对图书属性情 感偏好的个性化推荐。【结果】利用亚马逊图书评论数据作为数据来源分别对传统的协同过滤方法与本文提出的 推荐方法进行实验对比。结果表明, 本文提出的方法在准确性、召回率、覆盖率上分别提高了 0.030、0.097、0.2812。 【局限】未考虑时间因素对用户偏好的影响, 并且属性类型的全面程度受亚马逊图书评论数量和质量的限制。 【结论】本文计算用户对图书属性的情感得分, 得到细粒度的用户偏好信息, 并通过与图书属性的得分进行匹配, 提升了图书个性化推荐的效果。
分类： 图书馆学、情报学 >> 情报学 提交时间： 2017-11-30 合作期刊: 《数据分析与知识发现》
摘要： 【目的】识别并获取细粒度的用户偏好信息, 优化图书个性化推荐的效果。【方法】使用情感分析方法对 用户图书评论进行属性层文本挖掘, 通过用户本身的图书评论获取用户对图书属性的偏好; 基于每本图书的所 有评论的情感计算获得其属性评分; 将用户偏好矩阵、图书属性得分矩阵进行匹配, 从而实现用户对图书属性情 感偏好的个性化推荐。【结果】利用亚马逊图书评论数据作为数据来源分别对传统的协同过滤方法与本文提出的 推荐方法进行实验对比。结果表明, 本文提出的方法在准确性、召回率、覆盖率上分别提高了 0.030、0.097、0.2812。 【局限】未考虑时间因素对用户偏好的影响, 并且属性类型的全面程度受亚马逊图书评论数量和质量的限制。 【结论】本文计算用户对图书属性的情感得分, 得到细粒度的用户偏好信息, 并通过与图书属性的得分进行匹配, 提升了图书个性化推荐的效果。
点击量
点击量
下载量
评论
