基于文本深层语义特征的亚马逊商品推荐

摘要：

商品评论挖掘在商品推荐领域取得了越来越多的成果.传统的评论挖掘方法只集中在挖掘评论中隐含的浅层语义,其语义表达效果不理想.因此,目前商品推荐领域的一大挑战是如何挖掘商品评论的深层语义,提升语义表达能力,以及最大化地利用商品评论来提升商品的推荐效果.文中使用深度学习中的跨思维向量模型(Skip Thought Vectors,STV)来学习评论的潜在语义特征.为了提升评论的语义表达能力,把深度学习中的长短记忆模型(Long Short-Term Memory,LSTM)应用于STV,结合双向信息流挖掘方法、用户情感偏好挖掘方法以及深度层级模型,引入了一种深层语义特征挖掘模型.该模型不仅能挖掘评论的深层语义特征,还能挖掘发表评论的用户的情感偏好.然后,将深层语义特征挖掘模型与矩阵分解模型(Singular Value Decomposition,SVD)相结合来实现商品推荐.在两个亚马逊数据集上的实验结果证明,所提模型在深度语义挖掘能力上优于传统的评论挖掘模型,相比使用传统评论挖掘模型的商品推荐系统提升了商品推荐的效果.

关键词：商品推荐、深度学习、语义挖掘、矩阵分解模型、文本表示

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：重庆市教育科学“十三五”规划2016年度重点规划课题;重庆第二师范学院特指项目

在线出版日期：2020-04-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：65-71