推薦系統–矩陣分解(1)
推薦系統–矩陣分解(2)
推薦系統–矩陣分解(3)
推薦系統–矩陣分解(4)
推薦系統–矩陣分解(5)
推薦系統–矩陣分解(6)

7 基于情感分析的矩陣分解

7.1 引入

【摘要】推薦系統旨在基于豐富的信息預測用戶的偏好，例如用戶評分、人口統計和評論。 盡管評論比評級更稀疏，但它們提供了有關用戶真實偏好的更詳細和可靠的信息。 目前，評論通常用于提高推薦系統的可解釋性。 在本文中，我們提出了基于情感的具有可靠性的矩陣分解（SBMF+R）算法來利用評論進行預測。 首先，我們開發了一種情感分析方法，使用一種新的基于星的字典構建技術來獲得情感分數。 其次，我們設計了一個結合用戶一致性和評論反饋的用戶可靠性度量。 第三，我們將用戶評分、評論和反饋納入概率矩陣分解框架進行預測。 對八個亞馬遜數據集的實驗表明，SBMF+R 比最先進的算法更準確。

核心思想：分析發現，用戶評論和用戶評分存在一定的偏差（圖1所示），為此我們將用戶評論轉換為情感分數，將用戶評分、評論和反饋納入概率矩陣分解框架進行預測。

7.2 評論的情感分析

在第一階段，我們從評論文本構建基于星級的情感詞典。 表 2 顯示了從基于星的字典中選擇的一些具有情感分數的單詞。 基于星級的意思是我們在情感詞的分類中考慮評分星級。 我們的直覺是 5 星的評論主要傳達積極的情緒，反之亦然。
因此，評論中的關鍵詞應該符合評論的整體情緒。 我們設計了兩種構建字典的技術。 大多數現有的情感詞典只用二個值（正或負）標記單詞。 我們根據不同的情緒強度分配不同的分數以獲得更準確的結果。 同一個詞可以對不同類別的產品表達不同的情感。 因此，我們為每個類別構建了一個不同的字典來緩解這個問題。

否定可用于拒絕或拒絕語句。 我們考慮兩種類型的否定反轉來檢查是否應該調整情緒分數。 一種否定完全顛倒了情緒的極性。 例如，如果我們假設“舒適”的分數是+1，那么“不舒服”的分數就反轉為-1。 另一種類型的否定是非常積極（否定）的形容詞，它稍微顛倒了極性。 例如，如果我們假設“優秀”的分數是+2，那么“不優秀”的分數乘以-0.5 到1。
情態是在句子中嵌入可能性、必要性或能力的語法表達。 它通過情態動詞如“maybe”、“certainly”和“may”在語法上表達。 我們采用并考慮減弱情感強度的情態動詞的方法。 因此，出現在情態范圍內的情感詞乘以0.5以抑制其強度。
表 3 顯示了否定和模態操作后的最終情緒分數。

7.3 SBMF

考慮情感分數的矩陣分解優化目標函數為：

$$L(\theta )=\sum _{u,i}{I}_{ui}\left[{\left(r_{ui}?p_u^T{q}_i\right)}^2\right]+\sum _{u,i}{I}_{ui}\left[{\left(S_{ui}?p_u^T{q}_i\right)}^2\right]+\lambda (\Vert p_u{\Vert }_F^2+\Vert q_i{\Vert }_F^2)$$
注意：為了保持上下文符號統一，圖中的$S_{ij}$在公式中用$S_{ui}$替換了。

7.4 SBMF+R

只有少數作者討論了評分或評論在預測任務中是否更可靠。 我們同時考慮用戶一致性和評論反饋作為可靠性衡量標準。 然后我們計算每個評級的可靠性度量，為它們分配個性化的權重。
我們將用戶$u$ 的評分向量表示為 $r_u=[r_{u1},\dots ,r_{un}]$。 設 $S_u=[S_{u1},\dots ,S_{un}]$ 是我們使用情感分析計算的用戶情感得分向量。 用戶$u$ 的一致性定義為用戶評分向量與用戶情感得分向量之間的歐氏距離 $C_u$。 評分和評論之間的距離越大，用戶的一致性越低。 用戶一致性定義為
$$C_u=\sqrt{\sum _{i=1}^n{\left(R_{ui}?S_{ui}\right)}^2}$$
除了用戶一致性之外，我們還會考慮每條評論的有用性。 大多數電子商務網站都允許用戶以贊成或反對的方式提供評論反饋。 此反饋被視為評論的有用性，反映了評論的真實性。 因此，我們使用正面反饋作為評論的有用性。 一些研究人員提出自動評估每個評論的反饋。讓 $F_{ui}$ 和 $F_{ui}^P$表示用戶 $u$對項目 $t_i$評論的總票數和正面票數。 然后，評論$H_{ui}$的有用性由下式給出：
$$H_{ui}=F_{ui}^P/F_{ui}$$
讓 $W_{ui}$ 表示用戶$u$對項目$t_i$的評論的可靠性。 那么評分$r_{ui}$ 的可靠性因子為：
$$W_{ui}=\frac{H_{ui}}{1?C_u}$$
類似地，情感得分$S_{ui}$的可靠性因子是 $1?W_{ui}$。 我們將可靠性區間歸一化為 [0, 1]。 使用可靠性估計，我們最終獲得每個評級的個性化權重。
我們根據其可靠性為評分和評論分配不同的權重。 計算可靠性因子 $W_{ui}$ 后，誤差平方和目標函數由下式給出：
$$\begin{array}{rl}L(\theta )=& \sum _{u,i}{I}_{ui}\left[W_{ui}{\left(r_{ui}?p_u^T{q}_i\right)}^2\right]\\ & +\sum _{u,i}{I}_{ui}\left[(1?W_{ui}){\left(S_{ui}?p_u^T{q}_i\right)}^2\right]+\lambda (\Vert p_u{\Vert }_F^2+\Vert q_i{\Vert }_F^2)\end{array}$$

參考文獻

Sentiment based matrix factorization with reliability for recommendation

總結

以上是生活随笔為你收集整理的推荐系统--矩阵分解(4)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。