论文部分内容阅读
随着移动互联时代的到来,人们的消费习惯和信息获取途径正在发生翻天覆地的变化。推荐系统作为筛选个性化信息的有效手段,正越来越受到电子商务和信息门户网站的关注。然而,伴随着信息多样化程度和推荐任务规模的快速增长,推荐系统的发展面临诸多亟待解决的关键科学问题和技术挑战。本论文主要关注现有推荐系统对于信息的利用不够充分、缺少多任务知识积累和使用方法等问题,在总结现有研究成果的基础上,围绕评分与评论的时间动态、视觉图像和评论主题关联关系及推荐任务中的知识积累与使用这三个方面对提高推荐系统信息利用能力和推荐精度的问题开展研究工作。具体的研究内容和创新点总结如下。在评分与评论的时间动态研究方面,本论文主要聚焦于挖掘评论内容包含的项目时间特征,并提出了动态主题评分预测模型,该模型能够同时挖掘评论与评分的时间动态,提高评分预测精度。同时,研究评论中的时间动态还能够使人们了解项目评分的变化原因,从而追踪和解释用户的兴趣转移过程。该模型在训练中能自动将评论文本中的词语分为短期词汇和固有词汇,并将短期词汇与项目的短期特征关联,固有词汇与项目长期不变的固有特征关联。采用这种方法,该模型能够在一个学习过程中同时完成对用户及项目特征的学习和评论文本主题的挖掘。在28个收集自Amazon网站的真实数据集上的实验结果表明,该模型在评分预测精度上优于已有的主要评分预测模型。并且,该模型能够自动识别每个时期项目评论中有代表性的词汇,以及在所有时间内代表项目固有特征的词汇。识别这些词汇对于服务提供商理解用户对项目的兴趣变化过程具有重要意义。在视觉图像和评论主题关联关系的研究方面,本论文重点研究在视觉图像信息和评论文本中挖掘项目的潮流趋势特征的方法,提出了视觉感知动态评分模型。该模型借助对评论文本的挖掘,能够帮助推荐系统了解用户受到项目的哪些外在特征吸引,并能获知项目的哪些特征对其评分的贡献较大。本论文在评分预测模型中加入项目的视觉信息处理方法,同时提供了自动划分评论词语类别的主题模型用于识别评论中的视觉与非视觉词汇。在评分预测任务的知识积累与使用方面,本论文主要研究了基于终身学习机制构建推荐系统的方法。首先,本论文提出了能够挖掘评分数据的终身学习评分预测模型。该模型采用终身学习机制,专为多任务场景设计,能够在处理评分预测任务的过程中不断积累知识,并将知识用于对新任务的学习,提高模型在新任务中的预测精度。本文构建的历史知识库能够提取和储存任务处理过程中得到的知识,并在新任务中利用特殊设计的评分预测模型将知识融入训练过程。其次,本论文还提出了基于终身学习的主题与评分联合模型。该模型聚焦于评论文本的相关知识积累,并将积累的文本知识用于后续任务的训练,提高模型对新任务中评论文本的学习效率和评分预测精度。