论文部分内容阅读
互联网及电子商务行业的发展促使了越来越多的消费者选择网上购物。为了提高网上购物的用户体验，购物网站纷纷采用评论与评分机制和推荐系统(Recommender Systems)来了解消费者的消费满意度与潜在的消费倾向。事实上，评分仅仅代表了用户对商品的总体印象而评论则包含了用户对商品具体特征的情感倾向。因此，商品评论信息具有更大的挖掘价值。一方面，消费者的购买意向和偏好受到多方面因素的影响，例如流行趋势、公共政策等等。消费者常常通过撰写评论来表达对某件商品的关注程度。因此对于一件商品来说，其收到的评论数量可以很好地作为其在消费者中流行程度的判别指标。对于互有竞争关系几件商品，可以通过它们所收到的评论数量来判断各自未来流行趋势。另一方面，如何正确合理地利用用户评论来了解消费者偏好倾向也是亟待解决的重要问题。传统的推荐系统往往只利用了评分信息来挖掘用户偏好，必须考虑如何将商品评论加入到推荐系统这一框架之中。针对以上问题，本文主要提出了如下解决方法: (1)对用户评论的数量特征和分布特征进行了研究，并总结了评论文本包含的信息。 (2)针对互有竞争关系的商品，本文提出了一个预测用户短时关注量分布变化的框架。在该框架中，用户评论被作为用户关注程度的衡量指标，通过一系列用户评论特征，可以很好地预测出在未来的短时间来，处于竞争关系的几件商品谁会获得最多的用户关注量。通过此项研究方法，可以判断网上市场的流行趋势变化和用户的消费习惯走向。 (3)提出log-bilinear矩阵分解模型，该模型基于传统推荐系统和log-bilinear文本模型，同时挖掘评分信息和评论文本内容，提高了推荐结果准确度。该模型在多个亚马逊数据集的实验结果表明其相较于之前的推荐模型的有效性和高效性。