软件学报

作者：李琳,朱阁,解庆,苏畅,杨征路

单位：李琳，武汉理工大学 计算机科学与技术学院, 湖北 武汉 43007011,朱阁，武汉理工大学 计算机科学与技术学院, 湖北 武汉 43007002,解庆，武汉理工大学 计算机科学与技术学院, 湖北 武汉 43007003,苏畅，武汉理工大学 计算机科学与技术学院, 湖北 武汉 43007004,杨征路，南开大学 计算机与控制工程学院, 天津 30007105

关键词：评论文本;评分数据;推荐系统;潜在主题;潜在因子

基金：国家社会科学基金（15BGL048）；国家自然科学基金（61602353，11431006，U1636116）；湖北省科技支撑计划（2015BAA072）；中央高校基本科研业务费专项资金（WUT：2017II39GX）；武汉理工大学研究生优秀学位论文培育项目（2016-YS-068）

根据用户的历史评分数据为用户提供推荐的商品列表，是目前推荐系统研究的主流.研究者发现，随着用户参与度的不断提高，将反映用户偏好的评论文本与评分数据结合，可以进一步提高推荐的质量.提出了基于潜在特征同步学习和偏好引导的商品推荐方法，将评论文本的主题与用户的"打分偏好"进行关联，同步学习用户评论文本的潜在主题、评分矩阵的用户潜在因子和商品潜在因子，并将潜在主题作为用户个人偏好引导来约束推荐方法对商品的预测打分.该方法对推荐质量的优化主要体现在两个方面：一是在评论文本的潜在主题和评分数据的两种潜在因子之间建立映射关系，同步求解主题模型和矩阵分解模型；二是将从评论文本中学习得到的潜在主题作为用户对商品的个性偏好引入到矩阵分解中，进一步优化推荐方法.在来自Amazon网站的28组真实数据集上进行实验，以均方误差为评价指标，与已有的模型进行了对比分析.实验结果表明，该方法有效减少了推荐误差，与已有的TopicMF方法相比，均方误差在数据子集上最大减少了3.32%，平均减少了0.92%.

来源：2019年第11期

《软件学报》期刊编辑部

查看软件学报杂志2019年第11期