典型文献
基于评论和物品描述的深度学习推荐算法
文献摘要：
评论文本中蕴含着丰富的用户和物品信息,将其应用于推荐算法有助于缓解数据稀疏问题,提高推荐准确度.然而,现有的基于评论的推荐模型对评论文本的挖掘不够充分和有效,并且大多忽视了用户兴趣随时间的迁移和蕴含物品属性的物品描述文档,使得推荐结果不够准确.基于此,文中提出了一种基于深度语义挖掘的推荐模型(Deep Semantic Mining based Recommendation,DSMR),通过深度挖掘评论文本和物品描述文档的语义信息,更精确地提取用户特征和物品属性特征,从而实现更准确地推荐.首先,所提模型利用BERT预训练模型来处理评论文本和物品描述文档,深度挖掘用户特征和物品属性,有效缓解了数据稀疏和物品冷启动问题;然后,利用前向LSTM来关注用户偏好随时间产生的变化,得到了更精确的推荐;最后,在模型训练阶段,将实验数据按1～5分1:1:1:1:1等量随机抽取,保证每个分值的数据量相等,使结果更加准确,模型鲁棒性更强.在4个常用的亚马逊公开数据集上进行实验,结果表明,以均方根误差为评价指标,DSMR推荐结果的误差比2个仅基于评分数据的经典推荐模型至少平均降低了11.95％,同时优于基于评论文本的3个最新推荐模型,且比其中最优的模型平均降低了5.1％.
文献关键词：
推荐算法;深度学习;评论文本;物品描述;数据稀疏性;冷启动
中图分类号：
作者姓名：
王美玲;刘晓楠;尹美娟;乔猛;荆丽娜
作者机构：
数学工程与先进计算国家重点实验室(信息工程大学) 郑州450002
文献出处：
引用格式：
[1]王美玲;刘晓楠;尹美娟;乔猛;荆丽娜-.基于评论和物品描述的深度学习推荐算法)[J].计算机科学,2022(03):99-104
A类：
物品描述,DSMR
B类：
推荐算法,评论文本,解数,推荐模型,用户兴趣,文档,语义挖掘,Deep,Semantic,Mining,Recommendation,深度挖掘,语义信息,取用,用户特征,属性特征,BERT,预训练模型,冷启动问题,用户偏好,模型训练,训练阶段,等量,随机抽取,数据量,相等,模型鲁棒性,亚马逊,公开数据集,评分数据,模型平均,数据稀疏性
AB值：
0.296023
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。
