9篇关于评论的计算机毕业论文

今天分享的是关于评论的9篇计算机毕业论文范文, 如果你的论文涉及到评论等主题,本文能够帮助到你

基于注意力机制的茶产品深度协同推荐研究

这是一篇关于茶产品,文本卷积神经网络,交互对注意力机制,评论,推荐的论文, 主要内容为随着农产品电商的飞速发展,茶产品作为一种特色农产品,正努力开辟电商渠道,从线下迈向线上,通过网络走向千家万户。推荐系统当前在电影、图书等电子商务中的应用与研究越来越广泛,也将成为未来茶产品电子商务发展的必然趋势。当前的茶产品推荐系统,不能识别用户关注点的差异,而识别用户的兴趣点,对进一步挖掘用户偏好和提高推荐精度有着重要的意义。在深度学习中,注意力机制通过对特征向量的权重进行重新赋值,提高对重点特征的关注效率,因此利用注意力机制的特性,提高协同过滤方法对稀疏数据中重点特征的关注能力是本文的研究重点。本论文以茶产品电子商务个性化推荐为研究对象,基于茶产品的评论信息,分别提取用户偏好和茶产品特征。主要研究内容如下:(1)针对当前的茶产品推荐系统,很少考虑用户和茶产品的交互信息对关注重点特征的影响,提出了用户与茶产品信息关联的注意力机制模型—Pair-Attention。在计算用户特征的注意力权重时,加入茶产品特征的影响,获取用户的关注点;在更新茶产品特征的注意力权值时,将用户特征作为辅助信息,探究交互信息对获取茶产品重点特征的影响。(2)提出了一种基于注意力机制的茶产品深度协同推荐模型。该模型利用评论文本形成的词向量矩阵作输入。并采用多组不同尺寸卷积核的文本卷积神经网络对文本向量矩阵进行特征提取。同时结合Pair-Attention,对用户和茶产品特征向量进行赋权,起到关注重点特征的作用。最后通过多层感知机完成用户的评分预测和推荐任务。(3)利用真实茶产品数据集进行相关实验仿真,验证本文提出的交互对注意力机制—Pair-Attention的有效性,并探究不同参数设置对茶产品推荐过程中评分预测精度的影响。同时,将本文提出的算法与传统的矩阵分解算法、多层感知机算法和扩展奇异值分解算法等进行对比,实验结果表明,本文提出的融合交互对注意力机制的茶产品推荐方法在性能上明显优于传统的推荐方法。

面向智慧旅游的情感分析

这是一篇关于智慧旅游,情感分析,评论,BERT的论文, 主要内容为情感分析是采用特定的计算机技术对数据进行情感极性判断或情感方面的处理。情感分析在人们生活的各个方面体现出不可或缺的重要性,然而情感分析的相关研究主要集中在电影评论、电商评价等领域,缺少对旅游评论的情感分析研究。因为主流的商品评论情感分析数据集比旅游评论情感分析数据集更丰富和标准。而且商品评论情感分析的技术成果对旅游评论数据不适用,对旅游评论进行情感分析需要进行专门的研究与设计。本文通过对旅游评论进行情感分析,为因疫情而疲软的旅游行业赋能,提高旅游行业的智能化程度,促进我国旅游事业发展。为了更加有效的对旅游评论进行情感分析,实现旅游评论情感分析工具,本文做了如下研究工作:首先,构建了旅游评论数据集。对美团、同程、携程、马蜂窝四个知名在线旅游商务平台的旅游评论进行爬取。通过包含不同性别的三个年龄段的人,对景区评论进行积极、消极、中立三种标签的标注,筛选出12000条有效的无争议评论。其中积极、消极、中立评论各4000条,每个在线旅游商务平台的三种评论各1000条。构建了景区旅游评论数据集。其次,提出了Glove-BiLSTM-CNN模型。通过尝试不同的词向量编码,对经典的网络模型进行复现对比,寻找最适合在线旅游评论文本情感分析的网络模型。巧妙地将CNN与RNN网络相结合,实现对经典网络模型的改进。与其他不同的结合方式作对比,证明了本文提出的Glove-BiLSTM-CNN模型的有效性,在算力有限的条件下,该模型对在线旅游评论情感极性分析任务具有最好的效果。然后,改进了BERT预训练模型。通过对BERT模型的微调,得到适合本文任务的BERT-Fine Tune模型,提高了情感分析的准确率。我们又采用BiLSTM-CNN网络结构,实现对BERT预训练模型的另一种微调方式。最终得出了BERT-BiLSTM-CNN网络模型,进一步超越了BERT-Fine Tune模型创下的最好成绩。最后通过跨平台的实验方法,验证了本文的三个模型均具有一定的普适性和实用价值。最后,完成了面向智慧旅游领域的情感分析系统。通过输入对景区的评论文本信息,系统会快速给出情感极性的判断。也可以批量导入景区评论进行情感分析。用户可以根据自己的任务需求选用适合的模型算法。当有更全面,更好的数据集时,用户也可以采用自己的数据集训练现有模型,延长系统的生命周期。

文本信息增强的矩阵分解模型及其在推荐系统中的应用研究

这是一篇关于矩阵分解,推荐系统,文本,评论的论文, 主要内容为在过去的十多年中,推荐系统被学者们广泛研究,一些实用的推荐方法也被运用到了现实的工业系统之中,如移动软件市场、电商网站、电影网站等等。传统的推荐系统的方法主要集中研究用户对物品的评分,但是在现实的系统中,用户在对物品打分时,通常会留下一段文本描述自己的感受,表明自己评分的原因和立场。这些文本信息中通常包含丰富且重要的信息,如用户的偏好,物品的特性。但是,大多数已有的推荐系统模型常常会忽略这些文本信息,原因在于文本信息处理困难并常带有大量噪音、数据维度不一致、难以与传统模型相整合等等。本文提出了一种文本信息增强的矩阵分解模型,尝试同时利用评分和文本信息,并研究其在推荐系统中的各项应用。本文的贡献如下：一、提出了一个利用文本中名词的主题特征建模来增强用户特征矩阵的矩阵分解模型。二、进一步提出了一个同时利用文本中名词和修饰词来增强物品特征矩阵的矩阵分解模型。三、实现了一个基于本文提出的模型的原型系统,展示了本文的模型能在现实中被合理地利用。同时,依据提出的模型和方法,本文在现实的数据集上进行了大量的相关实验,证明了模型对文本信息的有效利用,并研究了模型在推荐系统上的各项应用,如提高推荐准确度、改善冷启动问题等等。

基于标签的个性化推荐系统的研究与实现

这是一篇关于协同过滤,评论,情感标签,相似度,推荐的论文, 主要内容为随着电子商务和Internet的飞速发展,愈来愈多的消费者学会了在网上浏览信息资源,极大的方便了用户。然而随着各种信息资源的选择愈来愈多,人们经常会迷失于繁多的资源空间里面,无法迅速且准确的找到自己所需,借助于个性化推荐系统,这一问题得到了极大的缓解。协同过滤是推荐系统的主流推荐算法,但随着用户物品数目的日益增多和系统规模的不断扩大,许多问题的出现严重导致推荐系统的推荐质量严重下降,如稀疏性问题、Cold-Start问题等等。本文提出了一种基于情感标签的改进的协同过滤推荐算法(Collaborative Filtering Based on Preference Tag,CFBPT),从用户评论数据中自动抽取情感标签,结合情感标签和评分数据共同产生推荐结果,来缓解传统协同过滤推荐算法的稀疏性问题和用户冷启动问题,并对其做了实验分析,结果证明本文的研究成果具有一定的有效性和可行性。本文的主要工作如下:(1)从用户评论中提取情感标签(Preference Tag,PT)。传统的标签的定义是指用来描述信息的关键词,是由专业的研究人员或者用户自动生成标注的文字,呈现自由性。本文提出一种新的标签形式——情感标签,它是来源于用户评论,根据算法自动生成,将其作为数据源运用到改进的CFBPT算法中。(2)针对物品邻居集计算不准确问题,提出了一种改进的综合相似度计算方法。本文将评论挖掘技术引入协同过滤算法中,根据Apriori算法和句法模板等技术抽取特征词和情感词对,量化物品在各个特征上的分数,经过聚类形成一个新的矩阵即物品-特征矩阵,将其结合用户评分共同计算物品相似度。实验证明不仅经过聚类之后,矩阵维度降低,计算量减少,而且通过情感标签的修正相似性值,使得物品邻居集更准确。(3)针对用户-物品评分矩阵存在的稀疏性问题,将得到的物品预测评分填充到用户-物品评分矩阵,结合基于用户的协同过滤思想对用户产生推荐。实验结果表明,改进的CFBPT算法提高了推荐结果的精确度。(4)针对传统协同过滤算法存在的冷启动问题,本文对新用户表达的相关特征偏好构建伪物品-特征向量,寻找与其相似的物品聚类簇。(5)最后构建了个性化推荐系统,对以上改进的算法进行了实验验证,得出结论。

文本信息增强的矩阵分解模型及其在推荐系统中的应用研究

基于评论数据的注意力推荐模型的研究

这是一篇关于推荐系统,注意力机制,评论,矩阵分解,协同过滤的论文, 主要内容为随着智能化、数据化的兴起,大数据与人工智能在科技发展中起着越来越重要的作用。大数据中蕴含着丰富的价值和巨大的潜力,如果能够充分挖掘这些价值和潜力,那么信息社会的发展将突飞猛进。推荐系统能够挖掘大数据中蕴含的价值与潜力,所以推荐系统在企业的发展和互联网行业的兴起中扮演者一个重要的角色。协同过滤是传统推荐系统的主要方法。时至今日,协同过滤算法依然是现有推荐系统的主流算法。协同过滤主要应用的方法是矩阵分解,通过将评分矩阵分解为用户的隐含因子以及商品的隐含因子两个矩阵进行交互后,来对未评分的商品进行预测评分。但是协同过滤方法在数据稀疏程度较高的情况下推荐效果不佳。通过借助一些辅助信息如商品ID、用户ID、商品评论、用户评论等可以在一定程度上解决数据稀疏问题。所以,基于评论的推荐模型应运而生,但是普通的基于评论的推荐模型没有考虑不同的词对于建模用户和商品的重要性,许多基于评论的模型没有对评论中的词划分权重,导致许多无效词没有被过滤,影响推荐效果。所以,在基于评论的模型中仍存在以下问题:(1)评论中的词语没有划分权重,无效词语没有被过滤。(2)基于评论的模型可解释性差。传统的基于评论的推荐模型对用户的评论和商品的评论分别进行建模,没有考虑二者之间的关联,导致预测结果的可解释性差。(3)过于陈旧的用户评论对商品的推荐意义不大。(4)基于评论的推荐模型虽然能够从文本信息中提取用户偏好和商品特征,有效缓解了评分数据的稀疏性,但由于没有使用评分矩阵,所以无法获取的用户和商品的潜在因子。针对以上问题,本文从以下两个方面进行研究:(1)基于双重注意力机制的文本推荐模型:针对评论中关键词与无效词语没有加以区分以及没有考虑商品和用户二者之间的关联性上,Deep Recommendation Based on Dual Attention Mechanism(DARA)模型运用了双重注意力机制,首先局部注意力机制提取了文本中的关键字,提取了现有评论的特征同时过滤掉了无用信息。之后使用商品描述注意力与用户特征相结合,增强用户商品之间的关联性。实验结果表明,DARA模型在特定数据集上的推荐效果优于其他模型。(2)基于评论文本热度的推荐模型:针对太过久远用户的评论对即将被推荐给用户的商品没有实际意义的问题,本文提出的Recommendation model based on the heat of comment text(RRHP)模型设计了一个时间制裁函数。对当前需要推荐的商品进行时间间隔惩罚,时间间隔越久,用户对商品的评论对模型的影响越小。同时,在解决用户特征与商品的深层隐特征未被充分挖掘的问题上,本文将已有的评分矩阵的隐特征加入用户与商品的特征之中,提高预测的准确率。在实验部分,针对Amazon 5-core上的四个数据集进行了实验,实验结果表明RRHP模型的推荐效果优于其他模型。

基于评论的推荐模型设计与实现

这是一篇关于推荐系统,评论,局部注意力机制,联邦学习,数据孤岛的论文, 主要内容为近年来互联网行业发展迅猛,数据量呈指数式增长,信息过载问题也日益严重。推荐系统作为一种解决手段已被广泛采用,推荐系统可以帮助用户根据历史记录中找到用户自身偏好。这种便捷、智能的系统已在用户中非常流行。随着推荐系统的发展和企业间的竞争,提高推荐系统的准确性已成为企业增强核心竞争力的关键。推荐系统通过信息过滤为人们提供有价值的信息,基于矩阵分解的推荐模型已被广泛应用于推荐系统中。但是在数据稀疏程度高时,这种模型的推荐效果不佳。为了缓解数据稀疏的问题,许多推荐模型利用了附属信息,基于评论的推荐模型是其中一种。它将评论信息作为辅助信息来提取用户特征和项目特征,缓解数据稀疏带来的冷启动问题。但是这些模型普遍没有考虑评论中单词或短语的权重以及评论中的序列信息,因此推荐的质量受到限制。同数据稀疏问题一样,数据孤岛问题也会导致推荐效果受到影响。由于商业竞争和数据隐私等因素导致许多业务类似的公司之间数据不共享。因此在推荐时会因为单一公司数据量和数据类型不足影响推荐效果和用户体验。解决这种数据孤岛问题可以采用联邦学习和推荐系统相结合的方法。基于联邦学习的推荐模型采用分布式结构联合各个不同客户端的数据,使得推荐模型能利用更多的数据类型进行模型训练以提高推荐性能。针对上述推荐系统存在的问题,本文从以下两个方面进行研究:(1)基于局部注意力和GRU的推荐模型。本文提出了一种结合局部注意力和门控循环单元的推荐模型(Deep Recommendation Based on Local attention and GRU,DLAG)。DLAG模型的思路如下:首先使用局部注意力为评论中的单词或短语分配权重。其次将带有权重的评论信息送入卷积神经网络提取评论特征。得到用户特征向量和商品特征向量后再利用双向门控循环单元提取出评论之间的序列信息,并生成最终特征向量。最后,利用神经协同过滤算法预测用户对商品的评分。该模型通过对评论的单词进行加权和提取序列信息的方式缓解数据稀疏的问题。通过对三个不同的数据集进行训练,实验结果表明,DLAG模型在特定数据集上的推荐性能优于其他模型。(2)基于联邦学习的推荐模型。用户的购买数据普遍分散在各个网购平台,而组成这些购买数据的特征相似,它们能映射在同一特征空间,这样就为联合这些数据训练推荐模型提供了方便。为了使DLAG模型在这种数据分散情况下推荐效果更佳,本文提出利用联邦学习的思想训练DLAG模型(Fed-DLAG),模型采用的算法为联邦平均算法(Fed AVG)。该算法需要多个客户端和一个中央服务器共同协作完成推荐模型的训练。首先中央服务器初始化模型参数并为各个客户端分配权重,其次中央服务器在客户端上传梯度时根据权重进行加权汇总,最后再向各个客户端分发中央服务器更新后的参数。这一过程会循环多次直至模型收敛。本文在此基础上增加了差分隐私算法来实现上传梯度时的私密性,并在模型训练时控制客户端训练的轮次,减少了多余的通信成本。实验结果表明,Fed-DLAG模型能够保证用户数据隐私的情况下与DLAG模型的推荐性能相当。