论文部分内容阅读
随着电子商务行业的迅猛发展,交易和技术等服务的不断改进,越来越多的用户热衷于在电商平台进行网络购物,并对其所购买的物品发表评论。用户在电商网站上发表的产品评论对商家改进产品质量以及其他用户的购买决策有着很重要的参考价值。由于电商平台上产品的评论数量众多,使得用户短时间内很难找到对他们购物有帮助的评论,因此评论推荐成为近年来的研究热点。
之前较多的工作注重从非个性化的角度给用户推荐有用的评论。由于个性化的评论推荐考虑了用户的不同偏好,从而使得推荐结果更加具有针对性。但是,之前的个性化评论推荐工作存在着三个不足:(1)忽略了用户对产品评论在方面级别的偏好,事实上,用户更倾向于看到那些包含了他们所关注的产品方面的评论;(2)衡量用户相似度时,现有工作忽略了用户与产品之间的交互信息;(3)现有工作是从整体的评论级别来计算评论对于用户购物的帮助性,而不是从细粒度的方面级别预测评论的帮助性。
本文致力于探索用户对评论方面级别的偏好,考虑用户与产品之间的交互,然后从细粒度水平衡量评论的帮助性。本文的主要研究内容、贡献以及创新点如下:
(1)提出了基于用户方面情感的个性化评论推荐问题。考虑到非个性化的评论推荐方式不能较好地推荐满足用户需求的评论,本文在考虑用户方面级别的偏好及情感的基础上,提出基于用户方面情感的个性化评论推荐问题。并且,通过开展大量的数据分析,发现了用户在评论方面级别偏好的差异性以及产品之间共同评论人的存在。
(2)提出基于用户方面情感相似度的个性化评论推荐模型(A2SPR)。该模型包含了四个子部分:计算产品关联度、分析评论的方面情感、衡量用户相似度以及个性化的评论推荐。为了更清晰地解释提出的A2SPR模型,本文给出了一个完整的案例分析。
(3)在真实的评论数据集上开展大量的对比实验,提出实验所使用的评估方法及评估指标,并实现包括非个性化和个性化评论推荐的两组八个基准实验。在真实数据集上的实验结果表明,当给用户推荐推荐前3条评论时,本文提出的基于用户方面情感相似度的个性化评论推荐模型比最优的非个性化评论推荐模型在覆盖率和精度上的取值分别提升了9%和4%,较最优的个性化评论推荐模型在覆盖率和精度上的取值分别提升了2%和1%。
之前较多的工作注重从非个性化的角度给用户推荐有用的评论。由于个性化的评论推荐考虑了用户的不同偏好,从而使得推荐结果更加具有针对性。但是,之前的个性化评论推荐工作存在着三个不足:(1)忽略了用户对产品评论在方面级别的偏好,事实上,用户更倾向于看到那些包含了他们所关注的产品方面的评论;(2)衡量用户相似度时,现有工作忽略了用户与产品之间的交互信息;(3)现有工作是从整体的评论级别来计算评论对于用户购物的帮助性,而不是从细粒度的方面级别预测评论的帮助性。
本文致力于探索用户对评论方面级别的偏好,考虑用户与产品之间的交互,然后从细粒度水平衡量评论的帮助性。本文的主要研究内容、贡献以及创新点如下:
(1)提出了基于用户方面情感的个性化评论推荐问题。考虑到非个性化的评论推荐方式不能较好地推荐满足用户需求的评论,本文在考虑用户方面级别的偏好及情感的基础上,提出基于用户方面情感的个性化评论推荐问题。并且,通过开展大量的数据分析,发现了用户在评论方面级别偏好的差异性以及产品之间共同评论人的存在。
(2)提出基于用户方面情感相似度的个性化评论推荐模型(A2SPR)。该模型包含了四个子部分:计算产品关联度、分析评论的方面情感、衡量用户相似度以及个性化的评论推荐。为了更清晰地解释提出的A2SPR模型,本文给出了一个完整的案例分析。
(3)在真实的评论数据集上开展大量的对比实验,提出实验所使用的评估方法及评估指标,并实现包括非个性化和个性化评论推荐的两组八个基准实验。在真实数据集上的实验结果表明,当给用户推荐推荐前3条评论时,本文提出的基于用户方面情感相似度的个性化评论推荐模型比最优的非个性化评论推荐模型在覆盖率和精度上的取值分别提升了9%和4%,较最优的个性化评论推荐模型在覆盖率和精度上的取值分别提升了2%和1%。