传统推荐算法仅依靠用户的历史评分数据来挖掘相似用户,这一方法会面临着严重的数据稀疏性和冷启动问题,造成推荐效果不理想.为解决数据稀疏性,提高推荐质量,通过深度挖掘评论文本和评分数据的语义信息,提出了基于多源特征融合的推荐算...传统推荐算法仅依靠用户的历史评分数据来挖掘相似用户,这一方法会面临着严重的数据稀疏性和冷启动问题,造成推荐效果不理想.为解决数据稀疏性,提高推荐质量,通过深度挖掘评论文本和评分数据的语义信息,提出了基于多源特征融合的推荐算法模型(recommendation algorithm model based on multi-source feature fusion,MSFF),该模型通过CNN和SA_BiLSTM混合模型对评论文本信息进行特征提取,并在特征提取时引入自注意力机制动态地调整评论信息的重要性,从而更好地捕捉评论信息中的深层关键信息.接着通过隐语义模型LFM分解评分矩阵得到用户和物品潜在特征.然后将两种模型所得的非同源特征进行有效融合得到高阶特征,进而预测评分,并根据最终的预测评分生成推荐列表.为了验证模型的有效性,在Yelp评论数据集和亚马逊评论数据集Amazon5-core中的3个子数据集上进行实验,结果表明,该模型不仅缓解推荐算法中评分数据稀疏性的影响,而且有效地提升了推荐结果的准确性.展开更多
文摘传统推荐算法仅依靠用户的历史评分数据来挖掘相似用户,这一方法会面临着严重的数据稀疏性和冷启动问题,造成推荐效果不理想.为解决数据稀疏性,提高推荐质量,通过深度挖掘评论文本和评分数据的语义信息,提出了基于多源特征融合的推荐算法模型(recommendation algorithm model based on multi-source feature fusion,MSFF),该模型通过CNN和SA_BiLSTM混合模型对评论文本信息进行特征提取,并在特征提取时引入自注意力机制动态地调整评论信息的重要性,从而更好地捕捉评论信息中的深层关键信息.接着通过隐语义模型LFM分解评分矩阵得到用户和物品潜在特征.然后将两种模型所得的非同源特征进行有效融合得到高阶特征,进而预测评分,并根据最终的预测评分生成推荐列表.为了验证模型的有效性,在Yelp评论数据集和亚马逊评论数据集Amazon5-core中的3个子数据集上进行实验,结果表明,该模型不仅缓解推荐算法中评分数据稀疏性的影响,而且有效地提升了推荐结果的准确性.
