留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于奇异值分解的个性化评论推荐

余刚 王知衍 邵璐 胡舒悦 蔡毅

余刚, 王知衍, 邵璐, 胡舒悦, 蔡毅. 基于奇异值分解的个性化评论推荐[J]. 电子科技大学学报, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
引用本文: 余刚, 王知衍, 邵璐, 胡舒悦, 蔡毅. 基于奇异值分解的个性化评论推荐[J]. 电子科技大学学报, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
YU Gang, WANG Zhi-yan, SHAO Lu, HU Shu-yue, CAI Yi. Singular Value Decomposition-Based Personalized Review Recommendation[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
Citation: YU Gang, WANG Zhi-yan, SHAO Lu, HU Shu-yue, CAI Yi. Singular Value Decomposition-Based Personalized Review Recommendation[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022

基于奇异值分解的个性化评论推荐

doi: 10.3969/j.issn.1001-0548.2015.04.022
详细信息
  • 中图分类号: TP391

Singular Value Decomposition-Based Personalized Review Recommendation

  • 摘要: 针对如何让消费者在海量评论中快速找到自己感兴趣的评论,该文提出了一个基于奇异值分解的个性化评论推荐系统RevRecSys。该方法首先构建了用户-特征矩阵和评论-特征矩阵;然后利用矩阵分解技术把这两个矩阵压缩到隐因子向量空间;最后通过匹配用户的隐因子向量空间和评论的隐因子向量空间实现评论推荐。通过实验,验证了RevRecSys相比现有的方法,可以获得更好的推荐效果。
  • [1] XU Hai-lin, WU Xiao, LI Xiao-dong, et al. Comparison study of internet recommendation system[J]. Journal of Software, 2009, 20(2): 350-362.
    [2] KIM S M, PANTEL P, CHKLOVSKI T, et al. Automatically assessing review helpfulness[C]//Proceedings of the 2006 Conference on Empirical Methods in Natural Language Processing. [S.l.]: Association for Computational Linguistics, 2006: 423-430.
    [3] ZHAO Liang, HU Nai-jing, ZHANG Shou-zhi. Algorithm design for personalization recommendation systems[J]. Journal of Computer Research and Development, 2012, 39(8): 986-991.
    [4] LU Y, TSAPARAS P, NTOULAS A, et al. Exploiting social context for review quality prediction[C]//Proceedings of the 19th International Conference on World Wide Web. [S.l.]: ACM Press, 2010: 691-700.
    [5] O'MAHONY M P, SMYTH B. Learning to recommend helpful hotel reviews[C]//Proceedings of the 3th ACM Conference on Recommender Systems. [S.l.]: ACM Press, 2009: 305-308.
    [6] ADOMAVICIUS G, TUZHILIN A. Toward the next generation of recommender systems: a survey of the state- of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6): 734-749.
    [7] 许海玲, 吴潇, 李晓东, 等. 互联网推荐系统比较研究[J]. 软件学报, 2009(02): 350-362.
    [8] 赵亮, 胡乃静, 张守志. 个性化推荐算法设计[J]. 计算机研究与发展, 2002, 39(8): 986-991.
    [9] XIE H R, LI Q, CAI Y. Community-aware resource profiling for personalized search in folksonomy[J]. Journal of Computer Science and Technology, 2012, 27(3): 599-610.
    [10] DI NOIA T, MIRIZZI R, OSTUNI V C, et al. Linked open data to support content-based recommender systems[C]// Proceedings of the 8th International Conference on Semantic Systems. [S.l.]: ACM Press, 2012: 1-8.
    [11] LIN C J, KUO T T, LIN S D. A content-based matrix factorization model for recipe recommendation[C]//The 18th Pacific-Asia Conference on Knowledge Discovery and DataMining. Tainan, Taiwan, China: Springer, 2014: 560- 571.
    [12] NOEL J, SANNER S, TRAN K N, et al. New objective functions for social collaborative filtering[C]//Proceedings of the 21st International Conference on World Wide Web. [S.l.]: ACM Press, 2012: 859-868.
    [13] CHEN K, CHEN T, ZHENG G, et al. Collaborative personalized tweet recommendation[C]//Proceedings of the 35th International ACM SIGIR Conference on Researchand Development in Information Retrieval. [S.l.]: ACM Press, 2012: 661-670.
    [14] BOBADILLA J S, ORTEGA F, HERNANDO A, et al. A collaborative filtering approach to mitigate the new user cold start problem[J]. Knowledge-Based Systems, 2012(26): 225-238.
    [15] KARDAN A A, EBRAHIMI M. A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups[J]. Information Sciences, 2013(219): 93-110.
    [16] CHEN W, NIU Z, ZHAO X, et al. A hybrid recommendation algorithm adapted in e-learning environments[J]. World Wide Web, 2014, 17(2): 271-284.
    [17] KOREN Y, BELL R, VOLINSKY C. Matrix factorization techniques for recommender systems[J]. Computer, 2009, 42(8): 30-37.
    [18] DEERWESTER S, DUMAIS S T, FURNAS G W, et al. Indexing by latent semantic analysis[J]. Journal of the American society for information science, IEEE, 1990, 41(6): 391-407.
    [19] RICCI F, ROKACH L, SHAPIRA B, et al. Recommender systems handbook [M]. New York: Springer, 2010.
    [20] HOFMANN T. Probabilistic latent semantic indexing[C]// Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. [S.l.]: ACM Press, 1999: 50-57.
    [21] BLEI D M, NG A Y JORDAN M I. Latent dirichlet allocation[J]. The Journal of Machine Learning Research, 2003(3): 993-1022.
    [22] RAMAGE D, MANNING C D, DUMAIS S. Partially labeled topic models for interpretable text mining[C]// Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. [S.l.]: ACM Press, 2011.
    [23] RAMAGE D. Labeled LDA: a supervised topic model for credit attribution in multi-labeled corpora [C]//Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing. [S.l.]: Association for Computational Linguistics, 2009: 248-256.
    [24] XIE H, LI Q, MAO X. Community-aware user profile enrichment in folksonomy[J]. Neural Networks, 2014(58): 111-121.
    [25] XIE H R, LI Q, CAI Y. Community-aware resource profiling for personalized search in folksonomy[J]. Journal of Computer Science and Technology, 2012, 27(3): 599-610.
  • [1] 崔少国, 独潇, 张宜浩.  基于兴趣注意力网络的会话推荐算法 . 电子科技大学学报, 2024, 53(1): 67-75. doi: 10.12178/1001-0548.2022307
    [2] 张少东, 杨兴耀, 于炯, 李梓杨, 刘岩松.  基于对比学习和傅里叶变换的序列推荐算法 . 电子科技大学学报, 2023, 52(4): 610-619. doi: 10.12178/1001-0548.2022164
    [3] 叶进, 肖庆宇, 陈梓晗, 陈贵豪, 李陶深.  以用户QoE预测值为奖励的视频自适应比特率算法 . 电子科技大学学报, 2021, 50(2): 236-242. doi: 10.12178/1001-0548.2020325
    [4] 王永, 冉珣, 尹恩民, 王利.  满足差分隐私保护的矩阵分解推荐算法 . 电子科技大学学报, 2021, 50(3): 405-413. doi: 10.12178/1001-0548.2020359
    [5] 孙抗, 李万建, 张静.  含窄带噪声和白噪声的复杂染噪局部放电信号提取及应用 . 电子科技大学学报, 2021, 50(1): 14-23. doi: 10.12178/1001-0548.2020245
    [6] 陈玲姣, 蔡世民, 张千明, 周涛, 张翼成.  基于信任关系的资源分配推荐算法改进研究 . 电子科技大学学报, 2019, 48(3): 449-455. doi: 10.3969/j.issn.1001-0548.2019.03.022
    [7] ALI Waqar, 邵杰, KHAN Abdullah Aman, TUMRANI Saifullah.  上下文感知推荐系统:挑战和机遇 . 电子科技大学学报, 2019, 48(5): 655-673. doi: 10.3969/j.issn.1001-0548.2019.05.002
    [8] 吴琳拥, 毛谨, 白渭雄.  基于奇异值分解的雷达微小目标检测方法 . 电子科技大学学报, 2019, 48(3): 326-330. doi: 10.3969/j.issn.1001-0548.2019.03.002
    [9] 郭强, 岳强, 李仁德, 刘建国.  基于四阶奇异值分解的推荐算法研究 . 电子科技大学学报, 2019, 48(4): 586-594. doi: 10.3969/j.issn.1001-0548.2019.04.017
    [10] 丁哲, 秦臻, 郑文韬, 秦志光.  基于移动用户浏览行为的推荐模型 . 电子科技大学学报, 2017, 46(6): 907-912. doi: 10.3969/j.issn.1001-0548.2017.06.020
    [11] 姚敦红, 李石君, 胡亚慧.  三维有偏权值张量分解在授课推荐上的应用研究 . 电子科技大学学报, 2017, 46(5): 747-754. doi: 10.3969/j.issn.1001-0548.2017.05.018
    [12] 黄一鸣, 雷航, 周瑞, 桑楠.  基于手机传感器的握持方式判断及运动状态识别 . 电子科技大学学报, 2017, 46(2): 399-406. doi: 10.3969/j.issn.1001-0548.2017.02.014
    [13] 徐雅斌, 石伟杰.  微博用户推荐模型的研究 . 电子科技大学学报, 2015, 44(2): 254-259. doi: 10.3969/j.issn.1001-0548.2015.02.016
    [14] 张亮, 柏林森, 周涛.  基于跨电商行为的交叉推荐算法 . 电子科技大学学报, 2013, 42(1): 154-160. doi: 10.3969/j.issn.1001-0548.2013.01.031
    [15] 朱郁筱, 吕琳媛.  推荐系统评价指标综述 . 电子科技大学学报, 2012, 41(2): 163-175. doi: 10.3969/j.issn.1001-0548.2012.02.001
    [16] 罗光春, 狄翠霞, 李炯.  新型用户访问模式挖掘方法研究 . 电子科技大学学报, 2012, 41(1): 70-73. doi: 10.3969/j.issn.1001-0548.2012.01.014
    [17] 张靖, 何发镁, 邱云.  个性化推荐系统描述文件攻击检测方法 . 电子科技大学学报, 2011, 40(2): 250-254. doi: 10.3969/j.issn.1001-0548.2011.02.019
    [18] 刘旭, 许宗泽.  应用Khatri-Rao积分解的DS-CDMA盲多用户检测 . 电子科技大学学报, 2011, 40(1): 20-25. doi: 10.3969/j.issn.1001-0548.2011.01.004
    [19] 赵学智, 叶邦彦.  单向收缩QR算法在奇异值分解中的收敛特性 . 电子科技大学学报, 2010, 39(5): 762-768. doi: 10.3969/j.issn.1001-0548.2010.05.024
    [20] 吴祖峰, 葛丽, 李刚.  传感器个数及距离对盲分离影响的分析 . 电子科技大学学报, 2006, 35(2): 186-188.
  • 加载中
计量
  • 文章访问数:  4234
  • HTML全文浏览量:  142
  • PDF下载量:  138
  • 被引次数: 0
出版历程
  • 刊出日期:  2015-08-15

基于奇异值分解的个性化评论推荐

doi: 10.3969/j.issn.1001-0548.2015.04.022
  • 中图分类号: TP391

摘要: 针对如何让消费者在海量评论中快速找到自己感兴趣的评论,该文提出了一个基于奇异值分解的个性化评论推荐系统RevRecSys。该方法首先构建了用户-特征矩阵和评论-特征矩阵;然后利用矩阵分解技术把这两个矩阵压缩到隐因子向量空间;最后通过匹配用户的隐因子向量空间和评论的隐因子向量空间实现评论推荐。通过实验,验证了RevRecSys相比现有的方法,可以获得更好的推荐效果。

English Abstract

余刚, 王知衍, 邵璐, 胡舒悦, 蔡毅. 基于奇异值分解的个性化评论推荐[J]. 电子科技大学学报, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
引用本文: 余刚, 王知衍, 邵璐, 胡舒悦, 蔡毅. 基于奇异值分解的个性化评论推荐[J]. 电子科技大学学报, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
YU Gang, WANG Zhi-yan, SHAO Lu, HU Shu-yue, CAI Yi. Singular Value Decomposition-Based Personalized Review Recommendation[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
Citation: YU Gang, WANG Zhi-yan, SHAO Lu, HU Shu-yue, CAI Yi. Singular Value Decomposition-Based Personalized Review Recommendation[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(4): 605-610. doi: 10.3969/j.issn.1001-0548.2015.04.022
参考文献 (25)

目录

    /

    返回文章
    返回