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,2022,41(3):333-338
基于用户评论文本情感分类的推荐算法ABFR
Recommendation algorithm ABFR based on sentiment classification of user comment text
  
DOI:10.12130/znmdzk.20220312
中文关键词: 推荐算法  文本评论  情感倾向  协同过滤  相似度
英文关键词: recommendation algorithm  text comment  emotional inclination  collaborative filtering  similarity
基金项目:国家自然科学基金资助项目(61902437)
作者单位
朱千谦 中南民族大学 计算机科学学院武汉 430074 
蓝雯飞 中南民族大学 计算机科学学院武汉 430074 
孙惠 中南民族大学 计算机科学学院武汉 430074 
张雨绮 中南民族大学 计算机科学学院武汉 430074 
田鹏 中南民族大学 计算机科学学院武汉 430074 
摘要点击次数: 242
全文下载次数: 275
中文摘要:
      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.
英文摘要:
      In the era of big data, the data load makes it more and more difficult for people to obtain effective information from the Internet. The interaction between single-dimensional users and the system can no longer be accurately recommended. However, user's comments on items in the system can often express user's emotional inclination and interest preferences. By using natural language processing of ALBERT model combined with BiLSTM neural network, the emotional inclination of user comment text on the item is mined. The user's emotional inclination is binary classified and inserted into user scoring matrix. This method solves the sparse problem of user scoring matrix data. Finally, similarity calculation and item prediction score are used to provide personalized recommendation for neighborhood users. The comparison experiment on Douban movie review data set shows that the precision of the proposed algorithm reaches 25.36%, which is better than the recently proposed weighted regular matrix decomposition method and sparse linear model recommendation method.
查看全文   查看/发表评论  下载PDF阅读器
关闭