第３４卷第２期 计算机应用研究 Ｖｏ１．３４ Ｎｏ．２ ２０１７年２月 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｆｅｂ．２０１７ 基于评论与评分的协同过滤算法 李伟霖，王成良，文俊浩 （重庆大学软件学院，重庆４０００４４） 摘 要：针对传统协同过滤算法中存在的数据稀疏性问题，结合用户评分及用户评论信息的特点，提出了基于 评论与评分的ｕｓｅｒ．ｂａｓｅｄ协同过滤算法和基于评论与评分的ｉｔｅｍ－ｂａｓｅｄ协同过滤算法。该算法利用主题模型产 生评论主题分布，利用评分数据生成评论态度影响因子，并通过评论态度影响因子来放大评论主题分布中的突 出特征，建立更为准确的用户偏好与物品特征，进而进行评分预测与物品推荐。实验结果表明，该算法在稀疏数 据集上可以获得较好的推荐效果，提高了推荐质量。 关键词：协同过滤；数据稀疏性；评论分析；主题模型；用户偏好 中图分类号：ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１・３６９５（２０１７）０２・０３６１－０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１７．０２．００９ Ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｒｅｖｉｅｗｓ ａｎｄ ｒａｔｉｎｇｓ Ｌｉ Ｗｅｉｌｉｎ，Ｗａｎｇ Ｃｈｅｎｇｌｉａｎｇ，Ｗｅｎ Ｊｕｎｂａｏ （Ｓｃｈｏｏｌ ｏｆＳｏｔｆｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００４４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｏｖｅｒｃｏｍｅ ｔｈｅ ｓｐａｒｓｉｔｙ ｐｒｏｂｌｅｍ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ，ｃｏｍｂｉｎｉｎｇ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓ— ｔｉｃｓ ｏｆ ｕｓｅｒ ｒａｔｉｎｇｓ ｗｉｔｈ ｕｓｅｒ ｒｅｖｉｅｗｓ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ｕｓｅｒ－ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｗｉｔｈ ｒｅｖｉｅｗｓ ａｎｄ ｒａｔｉｎｇｓ，ａｎｄ ｉｔｅｍ— ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｗｉｔｈ ｒｅｖｉｅｗｓ ａｎｄ ｒａｔｉｎｇｓ．Ｔｈｅ ａｌｇｏｒｉｔｈｍｓ ｕｔｉｌｉｚｅｄ ｔｏｐｉｃ ｍｏｄｅｌ ｔｏ ｇｅｎｅｒａｔｅ ｒｅｖｉｅｗ ｔｏｐｉｃｓ ｄｉｓｔｉｒｂｕｔｉｏｎ， ａｎｄ ｕｔｉｌｉｚｅｄ ｒａｔｉｎｇｓ ｔｏ ｇｅｎｅｒａｔｅ ｒｅｖｉｅｗ ａｔｔｉｔｕｄｅ．Ｔｈｅｎ ｉｔ ｕｓｅｄ ｔｈｅ ｒｅｖｉｅｗ ａｔｔｉｔｕｄｅ ｔｏ ｍａｇｎｉｆｙ ｔｈｅ ｐｒｏｍｉｎｅｎｔ ａｓｐｅｃｔｓ ｏｆ ｒｅｖｉｅｗ ｔｏ－ ｐｉｃｓ ｄｉｓｔｒｉｂｕｔｉｏｎ，ａｎｄ ｆｉｎａｌｌｙ ｐｒｅｄｉｃｔｅｄ ｒａｔｉｎｇｓ ａｎｄ ｍａｄｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｈｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌ— ｇｏｒｉｔｈｍｓ Ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｉｎ ｓｐａｒｓｅ ｄａｔａｓｅｔｓ． Ｋｅｙ ｗｏｒｄｓ：ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ；ｓｐａｒｓｉｔｙ ｐｒｏｂｌｅｍ；ｒｅｖｉｅｗ ａｎａｌｙｓｉｓ；ｔｏｐｉｃ ｍｏｄｅｌ；ｕｓｅｒ ｐｒｅｆｅｒｅｎｃｅ 评分信息太少，所计算出的用户或物品相似度将难以保证准确 ０ 引言 性。 随着信息技术的飞速发展，信息过载问题日益突出，而推 近年来关于评论分析及文本挖掘的研究工作越来越受到 荐系统作为解决信息过载问题的有力工具，受到了越来越广泛 研究人员的关注。当用户在网上对某样商品给出评分的同时， 的关注与研究。推荐系统通过各种显式或隐式的信息资源，为 系统通常会需要用户再给出文字性的评论信息，用以解释用户 用户提供评分预测及商品服务推荐…。推荐算法是推荐系统 评分的依据。评论文本往往包含了丰富且有价值的信息资源， 的核心部分，不同的推荐算法利用了不同的信息资源及评分预 不仅可以帮助指导用户进行网络购物、网上订餐、查找电影或 测机制。当前，受到广泛研究的推荐算法主要包括协同过滤算 书籍等活动，同时也是商家获得用户反馈信息的一种有效途 法、基于内容的推荐算法、基于知识的推荐算法、混合推荐技 径 。通常，用户所给出的评论多是出于自己对物品的感性 术、基于计算智能的推荐技术、基于社会化网络的推荐算法、基 认知及主要印象，大部分用户不会针对物品各个方面给出详细 于上下文的推荐技术、群组推荐技术等 “Ｊ。其中，协同过滤 的理性描述，而仅仅是在评论中描述少数几个令他们印象深刻 算法是最为重要且最为成功的一种推荐技术，已被广泛运用于 的方面，但正是这少数几个方面的印象，在很大程度上决定了 许多在线应用中。 用户对物品的评分高低。换个角度来看，评分可以被看做是评 传统的协同过滤算法可分为基于用户的协同过滤（ｕｓｅｒ－ 论态度的数值化表示，用户给出的评分越高，其相应的评论通 ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｒｉｎｇ，ＵＣＦ）和基于物品的协同过滤（ｉｔｅｍ— 常带有积极的态度，而在那些评分较低的评论中，常常包含了 ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｒｉｎｇ，ｉｃｒ）。ＵＣＦ算法使用用户一物品评 用户的消极情绪。图１展示了两条来自在线商店Ａｍａｚｏｎ的商 分矩阵来计算用户相似性，为目标用户计算出最相似用户（最 品评分及评论数据。 近邻），进而为目标用户推荐其最相似用户所喜欢的物品或服 本文针对传统协同过滤算法的数据稀疏性问题，结合用户 务。而ＩＣＦ算法同样是通过利用评分矩阵来计算物品相似性， 评论、评分信息的特点，提出了基于评论与评分的ｕｓｅｒ．ｂａｓｅｄ 进而进行评分预测 ｊ。但由于传统的协同过滤算法过于依赖 协同过滤算法（ｕｓｅｒ—ｂａｓｅｄ ＣＦ ｗｉｔｈ ｒｅｖｉｅｗｓ ａｎｄ ｒａｔｉｎｇｓ，ＵＣＦＲＲ） 评分数据，一旦评分矩阵过于稀疏（数据稀疏性问题），可用的 和基于评论与评分的ｉｔｅｍ—ｂａｓｅｄ协同过滤算法（ｉｔｅｍ．ｂａｓｅｄ ＣＦ 收稿日期：２０１６一Ｏ１—１８；修回日期：２０１６—０２－２５ 基金项目：国家自然科学基金资助项目（６１３７９１５８）；重庆市科技计划项目基础与前沿研 究计划资助项目（ｃｓｔｃ２０１４ｊｃｙｊＡ４００５４） 作者简介：李伟霖（１９９０一），男，福建福州人，硕士研究生，主要研究方向为Ｗｅｂ数据挖掘、个性化推荐（７０５０５３３８７＠ｑｑ．ｃｏｒｎ）；王成良（１９６４一）， 男，教授，主要研究方向为Ｗｅｂ技术研究与开发；文俊浩（１９６９．），男，教授，主要研究方向为服务计算与面向对象的软件工程． ・３６２・ 计算机应用研究 第３４卷 ｗｉｔｈ ｒｅｖｉｅｗｓ ａｎｄ ｒａｔｉｎｇｓ，ＩＣＦＲＲ）。ＵＣＦＲＲ与ＩＣＦＲＲ通过结合 数量，？ｖ代表了一篇文档中的词数量。参数 与口是语料级参 数（ｃｏｒｐｕｓ—ｌｅｖｅ１），在生成语料的过程中被采样一次；变量０是 文档级变量（ｄｏｃｕｍｅｎｔ—ｌｅｖｅ１），每篇文档被采样一次；而变量。 和变量Ｗ分别代表主题与词，是词级变量（ｄｏｃｕｍｅｎｔ—ｌｅｖｅ１），对 评论文本中的评论主题与评论态度（评分影响因子）更准确地 构建用户偏好及物品特征，然后利用用户偏好及物品特征信息 进行相似度计算，进而提高评分预测的准确性，作出更为合理 的物品推荐。 瑾ｋ Ｂ０∞Ｏ５坶９Ｃ Ｒ１ａ ４１§斟 ￡ 矗９ｋ，Ｊ￣Ａ麓Ｏ ＺＸＳ０ＯＶ＇Ｉ￣４ ｃａｔ￣ｏｔｙ Ｃ０】蚤ｌ蝴 ｌ知 ｓ Ｒ霸鹰脚咖：＾茂Ｎ ５Ｏ０ＶＴ Ｒ越ｉｎ辩５．０ Ｔｌ蚶ｅ：ｏｍ８｜卸曲ｇＰｒ￣ｔ！ Ｃｏ自呲 Ｔｈｅ∞脑喇 ｊｓｆａｎｔａｓｌｉｅ．Ｔｈｅ ｃｏ触 ｔｅｎ，霉蛭 栅晰３ｉｎｔｏｔｈｅｔｈｅｎ￣ｌ ｃ蝴ｗｉｔｈｔｈｅｔｈｅ１ｉｄ ｉｎ辨ｂ％．Ｉ． 嘲ｎ砖ｅｗｐｋｅｅＰＳｔｈｅ ｂｃｖｃ￣￥ｅ姒ｆｏｒ嗍鞠ｍｉｔｒｅｓ．ｒｄ∞ｃｏ锄娃鼬 啦 ｐｒｏｄｕｃｔ￣ｅｖｅ￣： ｃａｔｅ窖０ ：ＭＰ３Ｐ｜ａｙｅｒｓ Ｐｒｏｄｕｃｔ：Ａｐｐｌｅ－ｄａｓｓｋ－Ｓｉｌｖｅｒ－Ｇｅｎｅｒａｔｌｏｎ—ＭＯＤＥＬ Ｒｅ￣ｅｗｅ￣ｌｏ：ＡＳ９３ＧＸＭＸ６１ＮＤＲ Ｒｅｖｉｅｗｅｒ辩ａｍｅ：ｃｌｎｅｗｉｚａｒｄ Ｒａｔｉｎｇ：１．０ 俐ｅ：；Ｐｏｄｃｌａｓ￣ｃｈａｓｂｉｇｐｒｏｂ｝ｅｍｗｉｔｈｔｖＯＵｔｆｕｎｃｄｏｎ Ｃｏｎｔｅｎｔ Ｔｈｅ ｎｅｗｉＰｏｄｄａｓｓｋｈａｓ ａｂｉｇｐｒｏｂｌｅｍｆｏｒａｌｌｕｓｅｒｓｏｆｔｈｅｐｈｏｔｏａｎｄｖｉｄｅ０ｆｕｎｏｔｉｏｎｓ．Ｙｏｕ ％ｎｎｏｔ ｐｈｏ￣，￣ｄｅｏｓｏｒ ｐｏｄｃａｓｔｓｏｎｙｏｕｒｗ ｓｃｔｒｅｅｎ．∞ｙｏｕｃａｎｎｏｔｃｈａｎｓｅ ｔｈｅＴＶｏｕｔｆｕｎｃｔｔｏｎＯｎｔｈｅｉＰｏｄｆｒｏｍ０ 协ＯＮ Ｉｆｙｏｕｗａｎｔｔｏ ｓｅｅｙｏｕｒｖｉｄｅｏｓｆｒｏｍｔｈｅ ；Ｐｏｄｏｎｔｈｅ ｓｃｒｅｅｎ，ｔｈｅｎｄｏｎａｔｔｍ￣ｙｔｈｅ ｏｄｄ￣ｓｉｃｕｎｔｉｌＡＷｌＩｅｈａｓｆｉｘｅｄ蛳．临ｐｒｏ铋ｅｍ 图１用户评论示例 １ 相关工作 １．１ 传统的协同过滤算法 协同过滤算法已被成功运用于许多推荐系统中，它通过利 用用户的历史评分数据来预测用户偏好并推荐物品 ’ 。在 协同过滤算法中，所有评分数据组成了一个ｍ行ｎ列的评分 矩阵 ，其中行对应于用户，列对应于物品。对于ＵＣＦ算 法，用户Ｕ对物品ｉ的预测评分计算如下： ｒｅａ ｃ“， ，＝ｒ一ｕ＋ ； ｃ 其中：Ⅳ表示用户ｕ的最近邻集合；ｒｖ表示用户 对物品，ｉ ｉ 的评分； 和ｒ 分别表示用户Ｕ和用户口的平均评分；ｓｉｍ（ｕ， ） 则代表了用户ｕ和 之间的相似度。计算相似度的方法主要 有三种，分别是余弦相似度、改进的余弦相似度以及Ｐｅａｒｓｏｎ相 关系数。Ｐｅａｒｓｏｎ相关系数的计算方法如下： ｓｉｍ（ （２） √∑ｔ ｆ（， 。 —ｒｕ） ￣／∑￡ Ｉ（，ｒｖ 一 ） 其中ｆ表示物品集合。而在ＩＣＦ算法中，用户ｕ对物品ｉ的预 测评分计算如下： 乞 ｔｕＳｉｍ（ ，Ｊ） ｕｐｒｅｄ（ ）．、 ■ …ｆ．…～历一 。＂， ， … ‘ ） 其中：， 代表用户 评分过的物品集合；ｓｉｍ（ｉ， ）代表了物品ｉ 与物品 问的相似度，使用改进的余弦相似度计算相似度为 ｓｉｍ㈨ 熹ｃ４， √∑ Ｕｉｄ （ｒ ， 一ｒ ） √∑ ｕ（ｉ，ｊ √一 ） 其中ｕ 表示同时对物品ｉ与Ｊ给出评分的用户集合。传统协 同过滤方法实现简单并有效，因此得到了广泛的应用。 １．２ Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ ａｌｌｏｃａｔｉｏｎ模型 Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ ａｌｌｏｃａｔｉｏｎ（ＬＤＡ） 是一种概率生成模型， 目的是通过聚类文档现的词来形成主题 。ＬＤＡ将每一 篇文档ｄ与一个 维主题分布０相联系，同时每一个主题ｊ｝有 相应的词分布 ， 代表了文档中一个词属于主题ｋ的概率。 如图２所示，ＬＤＡ模型图分为三层， 代表了文档集中的文档 应于每篇文档中的每一个词被采样一次。使用ＬＤＡ模型能够 有效地揭示一篇文档中所讨论的主题及其分布情况。 。 图２ ＬＤＡ模型图 １．３相关研究工作 近年来，越来越多的研究工作致力于用户评论分析以及利 用评论内容进行物品推荐，有许多新颖的方法被提出。Ｇａｎｕ 等人 “ 提出了一种基于ＳＶＭ多标签文本分类器，在该方法 中，每条评论文本中的每一个句子都被标注上对应的主题类别 与情感，一个句子所代表的主题类别可不唯一，但所属情感只 能有一个。在其所使用的餐厅数据集中，该方法事先设定了餐 厅主题类别词：ｆ０ｏｄ、ｓｅｒｖｉｃｅ、ｐｒｉｃｅ、ａｍｂｉｅｎｃｅ、ａｎｅｃｄｏｔｅｓ以及ｍｉｓ— ｃｅｌｌａｎｅｏｕｓ，并设置了四种情感主题词：ｐｏｓｉｔｉｖｅ、ｎｅｇａｔｉｖｅ、ｎｅｕｔｒａｌ 和ｃｏｎｆｌｉｃｔ。在设定好句子类别及情感后，结合手动注释及自 动句子分类的方式对训练集进行训练，最后通过评论生成文本 评分（ｔｅｘｔ ｒａｔｉｎｇ），并利用文本评分进行评分预测及物品推荐。 但在该方法中，需要人工注释大约３ ４００条句子的主题类别与 情感分类，不仅需耗费大量时间资源，而且难以扩展使用到其 他领域。 文献［１２］提出了一种基于主题模型的协同过滤算法（ＴＭ・ ＣＦ）用于解决数据稀疏性问题，该算法将评论主题与ＵＣＦ算法 相结合，利用ＡＳＵＭ（ａｓｐｅｃｔ ａｎｄ ｓｅｎｔｉｍｅｎｔ ｕｎｉｉｆｃａｔｉｏｎ ｍｏｄｅ１） 副 产生评论主题分布，然后通过评论主题分布计算用户偏好，获 得用户最重视特征信息并计算用户相似性，进而预测评分并作 出推荐。ＴＭＣＦ算法在一定程度上有效地缓解了数据稀疏性 问题，但在稍稠密的数据集上却表现不稳定。由于ＴＭＣＦ中用 户偏好的计算是通过评论主题分布的平均值得到的，使得用户 偏好分布趋向于平均化，无法突出用户真正关注的主题特征， 同时ＴＭＣＦ算法忽略了评分与评论之间的关系。 ＭｃＡｕｌｅｙ等人 通过结合ｌａｔｅｎｔ—ｆａｃｔｏｒ模型与ＬＤＡ方法， 提出了ＨＦＴ（ｈｉｄｄｅｎ ｆａｃｔｏｒｓ ａｓ ｔｏｐｉｃｓ）模型。在该方法中，每件 商品的所有评论集被定义为一个文档，利用ＬＤＡ方法获得该 商品的评论主题分布，该主题分布解释了对应商品的特征分 布，再将评论主题分布与ｌａｔｅｎｔ－ｆａｃｔｏｒ模型相结合，建立评论主 题与评分维度之间的关系。与文献［１４］的思路类似，文献 ［１５］同样利用ＬＤＡ方法来处理评论数据，并基于评论主题分 布获得用户偏好与商品画像信息，最后利用回归模型建立评论 与评分的关系。但这两种方法默认将评论主题分布与潜在评 分维度视为一致并建立转换，缺乏较好的解释性与扩展性。 ． ２基于评论与评分的协同过滤算法 由于前述数据稀疏性问题的存在，传统协同过滤算法的推 荐质量无法得到保证。用户评论文本往往包含了丰富且有价 值的信息，即便在用户评分数据稀少的情况下，简单的一条评 第２期 李伟霖，等：基于评论与评分的协同过滤算法 ・３６３・ 论文本也可提取出许多关于用户偏好及物品特征的信息。基 于此，本文通过挖掘评论文本所包含的主题分布信息，将评分 其中：ｒ 表示物品ｉ的平均评分，ｔ 的取值为０～１。评论态度 越大，表明ｉ的物品特征越受用户 喜欢，相应评论的主题 分布描述就越有可能体现物品ｉ的突出特征。因此，这类特征 在物品整体特征的建立过程当中理应占有更大的权重。本文 影响因子作为评论态度，提出了ＵＣＦＲＲ和ＩＣＦＲＲ算法。 ２．１ 基于评论与评分的ｕｓｅｒ．ｂａｓｅｄ协同过滤算法 ＵＣＦＲＲ算法将评论主题分布与ｕｓｅｒ－ｂａｓｅｄ协同过滤算法 相结合，其流程如图３所示。 在ＵＣＦＲＲ算法中，将每一条用户ｕ对物品ｉ的评论看做 一定义物品特征ｑ 如下： ｑｉ： —— — Ｌｙ， 篇文档ｄ ，使用ＬＤＡ模型对评论进行处理，产生相应的Ｋ 是一个概率分布，指示了用户ｕ在对物品 其中：吼：（ｇ ｑ ，…，ｑ ）； 代表所有对物品ｉ给出过评论的 用户集合，Ｄ 表示物品ｉ的评论集合，ＩＤ Ｉ＝Ｉ Ｉ。定义物品 相似度如下： 维主题分布口 。 ｉ的评论中所讨论主题的分布情况，可以用来指示用户的个人 偏好特点。同时，每条评论都有一个相应的评分ｒ ． 值越 ｓｉｍ（ｉ，ｆ）：—：兰竺 （１０） 高，表明物品ｉ的特征越符合用户“的个人偏好，对应的评论 主题分布也更能反映用户ｕ的偏好特点，评论态度往往也越积 极。因此，这类评论所产生的评论主题分布更具有价值，在用 户偏好的计算中理应获得更多权重。评论态度ｆ 定义如下： ＝ 南 （５） 其中：ｒ 表示用户ｕ的平均评分，￡ 的取值为０～１。本文定义 用户偏好Ｐ 如下： ｐ ＝—— ㈤ ＬＯ 其中：ｐ ＝（Ｐ Ｐ ，…，Ｐ ）；Ｌ表示用户“评论过的物品集合， Ｄ 表示用户 的评论集合，ｌ Ｄ Ｉ＝Ｉ， Ｉ。利用结合了评论态 度的用户偏好来计算用户相似性，如下所示： ｓｉａｒ（ｎ， ）＝—＝ 尘 竺＝＝ （７） ￣／∑ ：ｌｐ ×￣／∑ ：ｌ西 其中：ｐ 和ｐ 分别代表用户ｕ与 在第 个主题上的偏好分 布。最后，利用式（１）来计算预测评分。 评论态度￡ 通过用户评分得到，ｔ ． 越大，表明用户／／，对物 品ｉ越满意，其对应的评论主题分布 也越接近用户 的个 人兴趣偏好。通过放大该评论主题分布 在用户偏好计算 中所占有的权重，使用户的兴趣特征得以突出，从而使得用户 偏好的建立过程更为合理、准确。此外，即便是在评分数据稀 疏的情况下，同样可以依靠评论主题分布来建立用户偏好。 ２．２基于评论与评分的ｉｔｅｍ．ｂａｓｅｄ协同过滤算法 ＩＣＦＲＲ算法将评论主题分布与ｉｔｅｍ—ｂａｓｅｄ协同过滤算法 相结合，其流程如图４所示。 图３ ｕｃＦＲＲ算法流程 图４［ＣＦＲＲ￣Ｉ：法流程 在ＩＣＦＲＲ算法中，同样将每一条评论视为一篇文档，并使 用ＬＤＡ模型进行处理，得到相应的评论主题概率分布 从 物品的角度来看，口 代表了物品ｉ从用户ｕ得到的一个特征 分布描述，物品ｉ所得到的所有评论信息可以用来描绘其整体 特征轮廓。利用物品的评分数据引入评论态度ｔ ： ｔｕｉ＝ ，南 （８） ∑ ｋ；ｌｇ２ ∑ ：１ｇ 其中：ｇ 和ｇ 分别表示物品ｉ和物品 在第ｍ个主题上的特 征分布情况，最后，利用式（３）来计算预测评分。 推荐系统的主要目标在于个性化地为用户推荐其可能感 兴趣的物品，不同用户的偏好不同，不同物品的特征也不同。 通过使用评论态度ｆ 来放大用户偏好中的兴趣偏好，放大物 品特征中的突出特征，一方面使得用户偏好、物品特征的主题 分布不会趋于平均化，另一方面能有效刻画出用户与物品特 点，进而实现为特定用户推荐其感兴趣的物品，提高推荐质量。 此外，评论态度的计算虽然依靠评分数据，但即使是在评分数 据稀疏的情况下，依然可利用评论文本生成的主题分布来建立 用户偏好及物品特征，有效缓解了数据稀疏性问题。 ３实验 ３．１实验数据集 本文实验所使用的数据集来源自文献［１３］所提供的Ａｍａ— ｚｏｎ电子设备评论数据集。本文选取其中的六类产品数据集 进行实验，分别是Ｃａｎｉｓｔｅｒ ｖａｃｕｕｍ、Ｄｉｇｉｔａｌ ＳＬＲ、Ｌａｐｔｏｐｓ、ＭＰ３ ｐｌａｙｅｒ、Ｓｐａｃｅ ｈｅａｔｅｒ以及Ｃｏｆｆｅｅ ｍａｃｈｉｎｅ，数据集中每条评论都 带有一个对应的评分。表Ｉ显示了这些数据集的一些基本 信息。 表１数据集信息 其中，用户平均评论数等于评论数除以用户数，数据集稀疏度 的计算公式如下： 稀疏度＝评论数／（用户数Ｘ物品数） （１１） 从表１可以看出，这六个数据集都非常稀疏，如果仅依靠 用户评分来进行物品推荐，推荐质量将无法得到保证。同时， 本文计算了用户平均评论数，表１中各数据集的顺序是按照用 户平均评论数大小来排列的，实验结果表明，这个值与推荐质 量的好坏有着较大关系。为了便于与后面的实验结果进行对 比，图５显示了用户平均评论数曲线。本文随机选择每个数据 集中的８０％作为训练集，２０％作为测试集。 ３．２评价指标 本文采用平均绝对误差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ，ＭＡＥ）作为衡 ・３６４・ 计算机应用研究 第３４卷 量实验结果的评价指标。ＭＡＥ作为最为常用的评价指标之 一据集上的实验结果几乎都优于其他三种算法（除了在数据集 Ｌａｐｔｏｐｓ上的ＭＡＥ值稍高于Ｓｌｏｐｅ Ｏｎｅ）。而ＵＣＦＲＲ算法的实 验结果也要好于对比算法，在六个数据集上的ＭＡＥ值都低于 ，通过计算预测评分与用户实际评分的偏差来度量推荐算法 的准确性，ＭＡＥ越小，则准确度越高。ＭＡＥ定义如下： ＭＡＥ： 越 ＩｔｅｓｔｓｅｔＩ （１２） ＴＭＣＦ，在四个数据集上的ＭＡＥ值要低于Ｓｌｏｐｅ Ｏｎｅ。对比图５ 可以发现，四个算法的ＭＡＥ曲线随着数据集用户平均评论数 的上升，整体都呈现下降趋势。通过以上实验可以看出，ＵＣ． ＦＲＲ与ＩＣＦＲＲ算法在稀疏数据集上可获得较好的推荐质量。 其中ｔｅｓｔｓｅｔ代表测试集数据。 ３．３实验结果及分析 为了验证ＵＣＦＲＲ与ＩＣＦＲＲ的算法质量，本文设计了两组 实验。在实验１中，通过设置不同的参数来分别获得ＵＣＦＲＲ 与ＩＣＦＲＲ在各种条件下的ＭＡＥ值。而在实验２中，将利用其 他算法来进行对比分析。 ３．３．１ ＵＣＦＲＲ与ＩＣＦＲＲ在不同参数下的实验结果比较 本文分别实验对比了ＵＣＦＲＲ与ＩＣＦＲＲ算法在不同主题 图５数据集的用户平均评论数 图６对比算法实验结果 窖 数Ｋ下的实验结果，发现当Ｋ＝１０时，ＵＣＦＲＲ与ＩＣＦＲＲ在各 个数据集上的平均ＭＡＥ都为最小。表２显示了在不同邻居数 （ＮＮ）下ＵＣＦＲＲ算法的实验结果（取Ｋ＝ｌｏ）。 表２ ＵＣＦＲＲ算法结果 数据集 ＮＮ：５ ＮＮ＝１０ ＮＮ＝１５ ＮＮ＝２０ ＮＮ：２５ ＮＮ＝３０ ＮＮ＝３５平均值 １．２７２ １．０５８ ０．９４ １．０９９ １．０４７ １．０７１ １．１１５ １．１４９ ４结束语 本文通过挖掘用户评论文本中所隐含的主题分布信息，结 合评分数据，提出了基于评论与评分的ｕｓｅｒ—ｂａｓｅｄ协同过滤算 法ＵＣＦＲＲ和基于评论与评分的ｉｔｅｍ—ｂａｓｅｄ协同过滤算法Ｉｃ— ＦＲＲ。ＵＣＦＲＲ与ＩＣＦＲＲ利用ＬＤＡ模型产生评论主题分布，利 Ｃｏｆｆｅｅ ｍａｃｈｉｎｅ １．３８２ Ｃａｎｉｓｔｅｒ ｖａｃｕｕｍ １．１４９ ０．９９２ Ｓｐａｃｅ ｈｅａｔｅｒ ＭＰ３ ｐｌａｙｅｒ Ｌａｔ￣ｏｐｓ Ｄｉｇｉｔａｌ ＳＬＲ １．３０３ １．１８５ ０ ９２８ ０．９３３ ０．９２９ ０．９３４ ０．９７２ １．０１６ ０．９５５ ０．９４２ ０．９５９ １．０４３ 用评分数据计算评论态度，通过结合评论态度与评论主题分 布，使得用户个人偏好中的兴趣特点以及物品特征中的代表性 特征得以突出体现，以此来建立更为准确的用户偏好及物品特 征。实验结果显示，ＵＣＦＲＲ与ＩＣＦＲＲ算法在评分数据稀疏的 情况下，依然可获得较好的推荐精度。在下一步的研究工作 １ １５６ ０．９６８ １．０７７ ０．８９１ ０．８５６ ０．８６３ ０．９０６ ０．８９２ ０．９５３ ０．８８６ ０ ８２９ ０ ｇ２３ ０ ７２７ ０．７４１ ０．７３４ ０．６９５ ０．７７６ ０ ８０４ ０．７２６ ０ ６４１ ０．６１８ ０．５９２ ０．６１３ ０．６３８ ０．６６２ 平均值 １．１１８ １．００９ ０ ８８７ ０．８７４ ０．８５５ ０．８６６ ０．８７２ 表３显示了ＩＣＦＲＲ算法在不同主题数 下的实验结果。 表３ ＩＣＦＲＲ算法结果 中，将尝试在本文算法的基础上，结合其他非评分信息或方法 （如引入信任度或物品元数据）来建立更为准确的用户偏好与 物品特征分布，进而提高推荐质量。 参考文献： ［１］Ｂａｂａｄｉｌｌａ Ｊ，Ｏｒｔｅｇａ Ｆ，Ｈｅｒｎａｎｄｏ Ａ，ｅｔ ａ１．Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｓｕｒｖｅｙ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－Ｂａｓｅｄ Ｓｙｓｔｅｍｓ，２０１３，４６（１）：１０９—１３２． ［２］Ｓｕ Ｘｉａｏｙｕａｎ，Ｋｈｏｓｈｇｏｆｔａａｒ Ｔ Ｍ．Ａ ｓｕｒｖｅｙ ｏｆ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ａｄｖａｎｃｅｓ ｉｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００９，２００９ （１２）：４２１—４４５． ［３］Ｓｕｎ Ｚｈｏｕｂａｏ，Ｈａｒｔ Ｌｉｘｉｎ，Ｈｕａｎｇ Ｗｅｎｌｉｍ￣ｇ，ｅｔ ａ１．Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓ・ 观察表２和３中的实验结果可以看出，ＵＣＦＲＲ与ＩＣＦＲＲ ｔｅｍｓ ｂａｓｅｄ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍｓ＆Ｓｏｆｔｗａｒｅ， ２０１５，９９：１０９－１１９． 算法在数据集Ｃｏｆｆｅｅ ｍａｃｈｉｎｅ上的效果都不大好，而在数据集 Ｄｉｇｉｔａｌ ＳＬＲ上都取得了各自最小的平均ＭＡＥ值。结合各个数 据集的用户平均评论数来看，随着数据集的用户平均评论数增 大。ＵＣＦＲＲ与ＩＣＦＲＲ算法的平均ＭＡＥ整体呈下降趋势，这点 在实验２的曲线图中将有更为直观的体现。此外，ＩＣＦＲＲ算法 在各个数据集上的整体性能表现要好于ＵＣＦＲＲ算法，这是由 于在各个数据集上，物品数量都要少于用户数量，则相应的物 品平均评论数要大于用户平均评论数，这意味着相较于用户而 ［４］Ｌｕ ｄｉｅ，Ｗｕ Ｄｉａｎｓｈｕａｎｇ，Ｍａｏ Ｍｉｎｇｓｏｎｇ，ｅｔ ａ１．Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍ ａｐｐｌｉｃａｔｉｏｎ ｄｅｖｅｌｏｐｍｅｎｔｓ：ａ ｓｕｒｖｅｙ［Ｊ］．Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓ－ ｔｅｍｓ，２０１５，７４（Ｃ）：１２－３２． ［５］Ｃｈｅｎ Ｌｉ，Ｃｈｅｎ Ｇｕａｎｌｉａｎｇ，Ｗａｎｇ Ｆ．Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｕｓｅｒ ｒｅｖｉｅｗｓ：ｔｈｅ ｓｔａｔｅ ｏｆ ｔｈｅ ａｒｔ［Ｊ］．Ｕｓｅｒ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｕｓｅｒ－ Ａｄａｐｔｅｄ Ｉｎｔｅｒａｃｔｉｏｎ，２０１５，２５（２）：９９－１５４． ［６］Ｒｅｓｎｉｃｋ Ｐ，Ｉａｃｏｖｏｕ Ｎ，Ｓｕｃｈａｋ Ｍ，ｅｔ ａ１．ＧｒｏｕｐＬｅｎｓ：ａｎ ｏｐｅｎ ａｒｅｈｉ— ｔｅｃｔｕｒｅ ｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｉｒｎｇ ｏｆ ｎｅｔｎｅｗｓ［Ｃ］／／Ｐｍｃ ｏｆ ＡＣＭ Ｃｏｎ－ ｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔｅｄ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ．Ｎｅｗ Ｙｏｒｋ：ＡＣＭ Ｐｒｅｓｓ，１９９４：１７５—１８６． 言，物品往往带有更多的评论文本信息，使得物品特征的建立 过程更为精确可靠。 ３．３．２ 与其他算法的实验结果比较 ［７］Ｌｉｎｄｅｎ Ｇ，Ｓｍｉｔｈ－Ｂ，Ｙｏｒｋ Ｊ．Ａｍａｚｏｎ．ｃｏｎｒ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ：ｉｔｅｍ—ｔｏ— ｉｔｅｍ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥ Ｉｎｔｅｒｎｅｔ Ｃｏｍｐｕｔｉｎｇ，２００３，７ （１）：７６－８０． 本文使用文献［１２］中的ＴＭＣＦ模型及Ｓｌｏｐｅ Ｏｎｅ 算法 进行对比实验。ＴＭＣＦ模型是基于主题模型的协同过滤方法， ［８］Ｂｌｅｉ Ｄ Ｍ，Ｎｇ Ａ Ｙ Ｊｏｒｄａｎ Ｍ Ｉ．Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ ａｌｌｏｃａｔｉｏｎ［Ｊ］．ｄｏｕｒ・ ｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｍｉｎｇ Ｒｅｓｅａｒｃｈ，２００３，３（４—５）：９９３－１０２２． 文献［１２］的研究结果表明，ＴＭＣＦ算法在稀疏数据集上能实现 比传统协同过滤算法更好的推荐效果。实验２的结果如图６ 所示。 ［９］Ｇａｎｕ Ｇ，Ｅｌｈａｄａｄ Ｎ，Ｍａｒｉａｎ Ａ．Ｂｅｙｏｎｄ ｔｈｅ ｓｔａｒｓ：ｉｍｐｒｏｖｉｎｇ ｒａｔｉｎｇ ｐｒｅｄｉｃｔｉｏｎｓ ｕｓｉｎｇ ｒｅｖｉｅｗ ｔｅｘｔ ｃｏｎｔｅｎｔ［Ｃ］／／Ｐｒｏｃ ｏｆ ｌｎｔｅｍａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ０ｎ Ｗｅｂ＆Ｄａｔａｂａｓｅｓ．２００９． （下转第４１２页） 从图６可以看出，ＩＣＦＲＲ算法的整体效果最好，在六个数 ・４１２・ 计算机应用研究 第３４卷 法搜索ＬＳＳＶＭ参数的时间，单位为Ｓ。 表１不同核函数预测结果比较 他两模型的对应值；从ＴＩＭＥ指标可看出，相对于ＧＡ和ＰＳＯ 算法，ＦＯＡ搜索最优参数所用时间较少，这说明ＦＯＡ在寻优效 率方面优于其他两优化算法，能够正确找到混合核ＬＳＳＶＭ的 全局最优参数。由此可见，基于ＦＯＡ优化的混合核ＬＳＳＶＭ是 一种有效的铁路货运量预测方法。由于结合了Ｐｏｌｙ核函数与 ＲＢＦ核函数的优点，混合核ＬＳＳＶＭ比两单一核ＬＳＳＶＭ能更好 地揭示铁路货运量的复杂变化，通过ＦＯＡ实现参数的全局最 优选择之后，使混合核ＬＳＳＶＭ充分融人了铁路货运量的相关 信息，从而提高了ＬＳＳＶＭ预测精度。 管 蜘 趣 ４结束语 本文提出将ＦＯＡ与混合核ＬＳＳＶＭ相结合的铁路货运量 预测方法，混合核ＬＳＳＶＭ用于构建铁路货运量预测模型，ＦＯＡ 用于搜寻混合核ＬＳＳＶＭ最优参数 对我国铁路货运量的实例 验证表明，ＦＯＡ可以快速、准确地获得混合核ＬＳＳＶＭ的全局最 优参数，基于ＦＯＡ优化的混合核ＬＳＳＶＭ在预测性能方面优于 各单一核ＬＳＳＶＭ，为铁路货运量的短期预测提供了一种有效 方法。 参考文献： 年份 年份 ［１］张飞涟，史峰．铁路客货运量预测的随机灰色系统模型［Ｊ］．中南 大学学报：自然科学版，２００５，３６（１）：１５８—１６２． 图１不同核函数预测值比较 图２不同算法预测值比较 表２不同算法预测结果比较 ［２］昊华稳，王富章．基于最大Ｌｙａｐｕｎｏｖ指数的铁路货物运量预测研 究［Ｊ］．铁道学报，２０１４，３６（４）：７－１３． 、 ［３］郭玉华，陈治亚，冯芬玲，等．基于经济周期的铁路货运量神经网 络预测研究ｃ Ｊ］．铁道学报，２０１０，３２（５）：１—６． ［４］刘强，陆化普，王庆云，等．基于支持向量机的区域运量滚动预测 模型［Ｊ］．哈尔滨工业大学学报，２０１１，４３（２）：１３８—１４３． ［５］Ｓｕｙｋｅｎｓ Ｊ Ａ Ｋ，Ｖａｎｄｅｖａｌｌｅ Ｊ．Ｌｅａｓｔ ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｌａｓｓｉｉｆｅｒｓ【Ｊ］．Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，１９９９，９（３）：２９３—３００． ［６］耿立艳，梁毅刚．基于灰色自适应粒子群ＬＳＳＶＭ的铁路货运量预 测［Ｊ］．西南交通大学学报，２０１２，４７（１）：ｌ４４・１５０． ［７］赵连彬，苏成利．双核函数最小二乘支持向量机汽油干点软测量 建模［Ｊ］．石油化工高等学校学报，２０１３，２６（３）：７４—７８． ［８］邓浒楠，朱信山，张琼，等．基于多核最小二乘支持向量机的短期 公交客流预测［Ｊ］．交通运输工程与信息学报，２０１２，１０（２）：８４－ ８８．１３１， ［９］李炜，章寅，赵小强．混合核函数稀疏ＬＳ—ＳＶＭ软测量建模与应用 通过比较表２和图２可知，ＦＯＡ优化的Ｍｉｘｅｄ—ＬＳＳＶＭ较 ［Ｊ］．控制工程，２０１２，１９（１）：８１—８５． ［１Ｏ］Ｐａｎ Ｗ Ｔ．Ａ ｎｅｗ ｆｒｕｉｔ ｆｌｙ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ：ｔａｋｉｎｇ ｔｈｅ ｆｉｎａｎｃｉａｌ ｄｉｓｔｒｅｓｓ ｍｏｄｅｌ ａｓ ａｎ ｅｘａｍｐｌｅ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－Ｂａｓｅｄ Ｓｙｓｔｅｍｓ， ２０１２．２６（１）：６９．７４． ＧＡ、ＰＳＯ算法优化的Ｍｉｘｅｄ—ＬＳＳＶＭ具有更优的预测效果，其四 个预测性能评价标准以及最大、最小相对预测误差分别小于其 （上接第３６４页） ｓｔａｎｄｉｎｇ ｒａｔｉｎｇ ｄｉｍｅｎｓｉｏｎｓ ｗｉｔｈ ｒｅｖｉｅｗ ｔｅｘｔ［Ｃ］／／Ｐｒｏｅ ｏｆ ｔｈｅ ７ｔｈ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙｓｔｅｍｓ．Ｎｅｗ Ｙｏｒｋ：ＡＣＭ Ｐｒｅｓｓ，２０１３： ［１０］Ｇａｎｕ Ｇ，Ｍａｒｉａｎ Ａ，Ｅｌｈａｄａｄ Ｎ．ＵＲＳＡ：ｕｓｅｒ ｒｅｖｉｅｗ ｓｔｒｕｃｔｕｒｅ ａｎｌａｙ・ ｓｉｓ：ｕｎｄｅｒｓｔａｎｄｉｎｇ ｏｎｌｉｎｅ ｒｅｖｉｅｗｉｎｇ ｔｒｅｎｄｓ，ＴＲ ６６８［Ｒ］．Ｐｉｓｃａｔａｗａｙ： Ｒｕｔｇｅｒｓ Ｕｎｉｖｅｒｓｉｔｙ，２０１０． １６５．１７２． ［１５］高神墙，余文拮，晁平复，等．基于评论分析的评分预测与推荐 ［Ｊ］．华东师范大学学报：自然科学版，２０１５（３）：８０—９Ｏ． ［１６］Ｌｅｍｉｒｅ Ｄ，Ｍａｃｌａｃｈｌａｎ Ａ．Ｓｌｏｐｅ ｏｎｅ ｐｒｅｄｉｃｔｏｒｓ ｆｏｒ ｏｎｌｉｎｅ ｒａｔｉｎｇ—ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ［Ｃ］／／Ｐｒｏｃ ｏｆ ＳＩＡＭ Ｄａｔａ Ｍｉｎｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ． ２００５：１—５． ［１ １］Ｇａｎｕ Ｇ，Ｋａｋｏｄｋａｒ Ｙ，Ｍａｒｉａｎ Ａ．Ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｐｒｅｄｉｃｔｉｏｎｓ ｕｓｉｎｇ ｔｅｘｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｏｎｌｉｎｅ ｕｓｅｒ ｒｅｖｉｅｗｓ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓ－ ｔｏｍｓ，２０１３，３８（１）：ｌ一１５． ［１２］Ｘｕ Ｊｉｎｇｎａｎ，Ｚｈｅｎｇ Ｘｉａｏｌｉｎ，Ｄｉｎｇ Ｗｅｉｆｅｎｇ．Ｐｅｓｒｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎ－ ｄａｔｉｏｎ ｂａｓｅｄ ｏｎ ｒｅｖｉｅｗｓ ａｎｄ ｒａｔｉｎｇｓ ａｌｌｅｖｉａｔｉｎｇ ｔｈｅ ｓｐａｒｓｉｔｙ ｐｒｏｂｌｅｍ ｏｆ ［１７］Ｐａｐａｇｅｌｉｓ Ｍ，Ｐｌｅｘｏｕｓａｋｉｓ Ｄ，Ｋｕｔｓｕｒｓ Ｔ．Ａｌａｌｅｖｉａｔｉｎｇ ｔｈｅ ｓｐａｒｓｉｔｙ ｐｒｏｂｌｅｍ ｏｆ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｕｓｉｎｇ ｔｒｕｓｔ ｉｆｅｒｅｎｃｅｓ［Ｃ］／／Ｐｒｎｏｃ ｏｆ ｔｈｅ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｔｒｕｓｔ Ｍａｎａｇｅｍｅｎｔ．Ｂｅｒｌｉｎ： Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００５：２２４—２３９． ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ９ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ・ ｆｅｒｅｎｃｅ ｏｎ Ｅ－ｂｕｓｉｎｅｓｓ Ｅｎｇｉｎｅｅｒｉｎｇ．Ｗａｓｈｉｎｇｔｏｎ ＤＣ：１ＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ．２０１２：９—１６． ［１３］Ｊ０ Ｙ，Ｏｈ Ａ Ｈ．Ａｓｐｅｃｔ ａｎｄ ｓｅｎｔｉｍｅｎｔ ｕｎｉｉｆｃａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｏｎｌｉｎｅ ｒｅ． ｖｉｅｗ ａｎａｌｙｓｉｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ４ｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｓｅａｒｃｈ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ．Ｎｅｗ Ｙｏｒｋ：ＡＣＭ Ｐｒｅｓｓ．２０１１：８１５－８２４． ［１８］Ｄｏｎｇ Ｒｕｉｈａｉ，Ｏ’Ｍａｈｏｎｙ Ｍ Ｐ，ＳｃｈａＭ Ｍ，ｅｔ ａ１．Ｃｏｍｂｉｎｉｎｇ ｓｉｍｉｌａｒｉｔｙ ａｎｄ ｓｅｎｔｉｍｅｎｔ ｉｎ ｏｐｉｎｉｏｎ ｍｉｎｉｎｇ ｆｏｒ ｐｒｏｄｕｃｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１６，４６（２）：２８５－ ３】２ ［１４］ＭｃＡｕｌｅｙ Ｊ，Ｌｅｓｋｏｖｅｃ Ｊ．Ｈｉｄｄｅｎ ｆａｃｔｏｒｓ ｎｄａ ｈｉｄｄｅｎ ｔｏｐｉｃｓ：ｕｎｄｅｒ－
