典型文献
基于用户评论文本情感分类的推荐算法ABFR
文献摘要：
大数据时代,数据负载使得人们从互联网中获取有效信息的难度越来越大,单维度用户与系统的交互行为已经无法进行精确地推荐,而用户在系统中对物品的评论信息常常能够表达用户的情感倾向和兴趣偏好.利用自然语言处理的ALBERT模型结合BiLSTM神经网络来挖掘用户对物品评论文本中的情感倾向,将用户的情感倾向进行二分类并数值化代入到用户评分矩阵中,此方法解决了用户评分矩阵数据稀疏的问题,最后利用相似度计算和对物品预测评分来为邻域用户提供个性化推荐.在豆瓣电影评论数据集上进行了对比实验,结果表明:所提出算法的精确率达到25.36％,优于近期提出的加权正则的矩阵分解方法和稀疏线性模型推荐方法,具有更好的推荐效果.
文献关键词：
推荐算法;文本评论;情感倾向;协同过滤;相似度
中图分类号：
作者姓名：
朱千谦;蓝雯飞;孙惠;张雨绮;田鹏
作者机构：
中南民族大学 计算机科学学院,武汉 430074
文献出处：
引用格式：
[1]朱千谦;蓝雯飞;孙惠;张雨绮;田鹏-.基于用户评论文本情感分类的推荐算法ABFR)[J].中南民族大学学报（自然科学版）,2022(03):333-338
A类：
ABFR
B类：
用户评论,评论文本,文本情感分类,推荐算法,数据负载,有效信息,交互行为,评论信息,情感倾向,兴趣偏好,自然语言处理,ALBERT,BiLSTM,品评,二分类,代入,评分矩阵,数据稀疏,相似度计算,预测评分,分来,邻域,个性化推荐,豆瓣,电影评论,评论数据,精确率,正则,矩阵分解,分解方法,线性模型,推荐方法,推荐效果,文本评论,协同过滤
AB值：
0.461405
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
