Subjects: Library Science，Information Science >> Information Science submitted time 2023-04-01 Cooperative journals: 《图书情报工作》
Abstract： [Purpose/significance] We put forward an explainable personalized recommendation method based on adjustment of users' long- and short-preferences in view of the current problems that increasingly complexity and more feature data inputs of recommendation models, low interpretability of traditional recommendation models and over-specialization of recommendation results.[Method/process] We constructed a user preference model from two dimensions of users' recent product needs and their long-term lifestyles, used the user's rating bias and attention mechanism for reference, combined the user's long- and short-term preference with their direct score to predict the score of unknown items, and formed the Top-N recommendations.[Result/conclusion] The experimental results on two datasets showed that our method had a good performance to different user behaviors (explicit feedback or implicit feedback), different number of Top-N recommended items, and in different recommendation algorithms. It improves the accuracy, recall and diversity of the recommendation results without making great changes to various recommendation models, and based on the change of long- and short-term preference coefficients, it realizes the adjustment to the diversity and accuracy of the recommendation results, and form the corresponding recommended explanation.
Subjects: Library Science，Information Science >> Information Science submitted time 2017-12-05 Cooperative journals: 《数据分析与知识发现》
Abstract：【目的】识别并获取细粒度的用户偏好信息, 优化图书个性化推荐的效果。【方法】使用情感分析方法对 用户图书评论进行属性层文本挖掘, 通过用户本身的图书评论获取用户对图书属性的偏好; 基于每本图书的所 有评论的情感计算获得其属性评分; 将用户偏好矩阵、图书属性得分矩阵进行匹配, 从而实现用户对图书属性情 感偏好的个性化推荐。【结果】利用亚马逊图书评论数据作为数据来源分别对传统的协同过滤方法与本文提出的 推荐方法进行实验对比。结果表明, 本文提出的方法在准确性、召回率、覆盖率上分别提高了 0.030、0.097、0.2812。 【局限】未考虑时间因素对用户偏好的影响, 并且属性类型的全面程度受亚马逊图书评论数量和质量的限制。 【结论】本文计算用户对图书属性的情感得分, 得到细粒度的用户偏好信息, 并通过与图书属性的得分进行匹配, 提升了图书个性化推荐的效果。
Subjects: Library Science，Information Science >> Information Science submitted time 2017-11-30 Cooperative journals: 《数据分析与知识发现》
Abstract：【目的】识别并获取细粒度的用户偏好信息, 优化图书个性化推荐的效果。【方法】使用情感分析方法对 用户图书评论进行属性层文本挖掘, 通过用户本身的图书评论获取用户对图书属性的偏好; 基于每本图书的所 有评论的情感计算获得其属性评分; 将用户偏好矩阵、图书属性得分矩阵进行匹配, 从而实现用户对图书属性情 感偏好的个性化推荐。【结果】利用亚马逊图书评论数据作为数据来源分别对传统的协同过滤方法与本文提出的 推荐方法进行实验对比。结果表明, 本文提出的方法在准确性、召回率、覆盖率上分别提高了 0.030、0.097、0.2812。 【局限】未考虑时间因素对用户偏好的影响, 并且属性类型的全面程度受亚马逊图书评论数量和质量的限制。 【结论】本文计算用户对图书属性的情感得分, 得到细粒度的用户偏好信息, 并通过与图书属性的得分进行匹配, 提升了图书个性化推荐的效果。
Hits
Hits
Downloads
Comment