引入用户情感的高阶奇异值分解推荐算法研究
0 引言
推荐是解决当今互联网信息过载问题的主要途径之一[1],为此国内外的众多专家、学者们研究了各类推荐算法。其中,协同过滤(Collaboration Filtering)推荐是目前应用最广泛的个性化推荐算法。它的核心思想是,利用目标用户的相似用户对特定物品的评价来产生该用户对此物品的评价预测[24]。协同过滤算法最大的优点是对推荐对象没有特殊的要求,能处理电影、音乐等难以进行文本结构化表示的对象[5]。但协同过滤算法存在评分数据稀疏性等问题并且只考虑了用户的评分数据却忽略了项目和用户本身的诸多特征,如:电影的类型、发布的时间等,用户的性别、年龄等[6]。如何充分、合理的利用这些特征,获得更好的推荐效果,这是基于内容(content-based)的推荐算法所解决的主要问题。基于内容的推荐算法通过分析用户已经评过分的物品的特征来得到对用户兴趣的描述,通过比较用户兴趣描述与物品内容信息之间的相似性来实现推荐功能[7
9]。但基于内容的推荐算法不可避免地受到信息获取技术地约束,如自动提取图形、视频等内容特征具有技术上的困难[5]。Sarwar等人将SVD(Singular Value Decomposition)引入协同过滤算法中[10],利用SVD方法将用户对项目的评分分解为用户、项目特征向量矩阵,并利用用户和项目之间的潜在关系,用评分矩阵的奇异值去提取一些本质特征,从而用这些特征做出推荐。基于SVD的协同过滤推荐算法的提出,不仅可以不受信息挖掘技术的制约,而且可以解决协同过滤推荐算法中评分稀疏性。然而随着Web2.0时代的来临,作为Web2.0的重要特征,社会标签允许用户利用开放平台,对系统资源赋予个性化标签,为具有相同兴趣爱好的用户提供资源推荐及共享[11]。社会标签系统主要包含用户、标签和物品三元素,而上述全部推荐算法分析的都是用户和物品之间的二维关系,因而传统推荐算法不能直接应用于社会标签系统。为解决这个问题,Symeonidis等人[12]首先提出将能完整地表示高维数据并且能维持高维空间数据地本征结构信息的张量(tensor)应用于社会标签系统中,并且利用HOSVD(High Order Singular Value Decomposition)分解算法进行标签预测。
HOSVD推荐算法具有良好的性能和效果,并且在实际应用中也有着不错的表现[13],然而经典的HOSVD方法仅考虑了用户-标签-产品三部分信息,并没有将用户的情感考虑进来。与此同时,在当下在线社交网络中有这样一个趋势不可被忽视:emoji表情已经成为当今世界人们相互沟通的一件必不可少的工具[14],几乎所有社交平台中都在广泛使用emoji表情符号[15]。emoji表情符号,又被称作“绘文字”,起源于日本在无线通信中所使用的视觉情感符号,是一种能用最简单的图形表现用户十分复杂的情绪的符号[16]。Novak等人[17]认为emoji表情是用作表达情感和想法的简写,并将情感可视化的一种符号。Vidal等人[18]研究表明,在推特上12 260条关于早餐、午餐和晚餐的推文中,emoji表情比文字更频繁地用来表达用户的情感。emoji表情的日益普及,引发了不同领域众多学者的研究兴趣。Luangrath等人[19]指出emoji表情是一种有效的工具来了解消费者如何评价购买过的物品。Sugiyama等人[20]根据2006年至2010年在日本进行的焦点小组的访谈的结果,发现emoji表情在受访者维护社交关系中扮演着重要的角色。尤其是对于那些不太亲近的人,受访者会特别注意emoji表情的使用以确保创造良好的印象。Ljubeš等人[21]通过分析大约1 700万包含emoji表情并具有地理位置信息的推文,对emoji表情分布的国家进行聚类分析和对表情符号和世界发展指标进行相关性分析,指出emoji表情的使用表明了世界不同地区的生活条件。对emoji表情的分析与研究是未来的大趋势,为此本文尝试从评论中emoji表情提炼出用户情感的偏好,提出了一种引入用户情感的HOSVD推荐算法。通过提取评论中emoji表情,依据情感分成积极、中立和消极3类,分别给每类情感赋予不同的权重,之后计算不同类emoji表情数量的加权和来表征用户的情感,再利用三阶张量来存储用户-用户情感-物品这3类实体的元数据,应用HOSVD分解方法来挖掘三种类型实体之间潜在的关系,进而进行个性化推荐。最后在某在线互联网教育的实证数据集上的实验结果表明,在TOP-5推荐中,引入用户情感的HOSVD分解算法的F1值的Top1~5推荐的平均值比传统的协同过滤算法和PersonalRank在数值上分别提高了0.223和0.179。尤其是进行Top-1推荐时,本文提出的方法的准确率和召回率分别达到0.353和0.281。
通过设置主动临时横撑可以有效减小由于采用塔梁异步施工工艺引起的塔柱根部拉应力,确保塔柱施工质量,从而实现安全、质量、进度兼顾。该工艺在九江长江公路大桥的成功实施,拓展了索塔横梁的施工方法,具有较高的推广价值。
1 情感计算
本文使用某在线互联网教育中用户评论的数据集来评估所提出算法的性能。该数据集包含2017年1月至3月间的一共1 324 501条用户评论记录,其中用户评论是指用户在选择过的某一社团刊物(下文简称为社刊)上发表评论,一个用户可以对某一社刊进行多次评论。本文定义上述实证数据为原始数据,在原始数据中不难发现用户会在社刊上发表带有emoji表情的评论,其中单个社刊中含有emoji表情的评论记录数的概率分布如图1所示,其中表示单个社刊中含有emoji表情的评论记录的数量,表示的概率分布函数。
![width=280,height=167,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/6afff26c24671f2f1ce423d13b25f566.png)
图1 社刊-emoji表情概率分布图
Fig.1 Probability distribution of the mag-emoji
结合图1,经统计可知,即有emoji表情评论记录的社刊占所有全部社刊数量的89%,也就是绝大部分社刊中都有用户发表包含emoji表情的评论记录。
色谱柱:ZORBAX Eclispse SB-C18(250 mm×4.6 mm,5µm);流动相:乙腈(A)-水(B)为流动相,梯度洗脱(0~8 min,15%A→20%A;8~25 min,20%A→23%A;25~40 min,23%A→30%A;40→50 min,30%A→32%A;50~68 min,32%A→35%A;68~75 min,35%A→45%A;75~80 min,45%A→60%A;80~85 min,60%A→15%A);流速:1.0 mL/min;柱温:30℃;检测波长:270 nm;进样量:5µL。
1.1 emoji表情提取
在计算用户情感之前,需要对原始数据进行数据清洗和emoji表情提取。首先删除不含emoji表情的评论记录。其次,结合图2主图可知,用户通常在评论中发表的不同的emoji表情的数量不大于3种,为了防止用户灌水即在一条评论中发很多不同的emoji表情,删除表情种类数大于3种的记录。接下来,结合图2子图可知,极小部分的社刊拥有的用户数小于3个,其中拥有用户数为1的社刊,那唯一一个用户是社刊的创刊者,故考虑到社刊的品质,删除拥有用户数小于3个的社刊记录。
![width=302,height=237,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/e4802abe9259efcf6de76bb0b1ea873c.png)
图2 原始数据统计直方图
Fig.2 Histogram of the original data
本文定义原始数据在经过上述3个步骤后,保留下来的数据称为筛选数据。为了获得更稠密的数据,本文在筛选数据上构造了如图3所示的投影网络[22],即把某一用户评论过某一社刊视作一个新单元节点,若与其他单元节点存在相同的用户或者社刊则产生连边。
如图3所示,用户a在社刊1上评论过,将这条记录看作一个单元节点,用A表示,即A中既包含用户也包含社刊信息。相应的,将用户b和社刊1看作一个单元节点B。因为单元节点A和B中包含同样的社刊1,则A与B之间存在一条连边。以此类推,单元节点之间依靠是否拥有同样的用户或者社刊信息而建立连边,这样便构成了本文使用的投影网络。最后,在投影网络上应用k核分解[23]。实验中k取最大值3 442,便可得到最核心的单元节点。
![width=257,height=142,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/cb7999f564c151eb9fd520e4b4b72c5e.png)
图3 投影网络构建示意图
Fig.3 Construction of projection network
![width=279,height=151,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/f9fe975412230a1cf035b9d195294844.png)
图4 数据清洗流程图
Fig.4 Workflow of data cleansing
表1 实验数据与原始数据对照表
Tab.1 Comparison between experimental data and original data
![width=372,height=79,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/0d709908ecea2d7184dc6c4b97447b30.png)
记录数用户数社刊数表情数原始数据1 324 501152 6883 344330实验数据15 370863433126
通过实例中用户、社刊以及用户对社刊的情感三者关系来构造一个三阶张量A∈R3×3×3,并将某个用户对某个社刊的情感这一条记录出现的权重作为张量A的元素。为了避免高维张量导致算法具有高阶时间复杂度,Symeonidis[14]定义了一个稀疏张量即将图5中出现的5条记录的权重全部初始化为1,如表3所示。相应地,图5中没出现的记录的权重全部为0。
1.2 情感计算
在本文中,根据用户在相应社刊评论中emoji表情数据提炼出用户情感。大致过程为:首先将emoji表情分成3类,分别是:积极、中立和消极;检验分类结果的一致性;之后给积极、中立和消极分别赋值权重为:1、0和-1,再结合每条记录中3类表情各自出现的频次,如此便可得到某个用户对其选择过的某个社刊的情感。详细用户情感计算过程如下:
在n模展开矩阵A1、A2、A3上分别进行SVD分解,如式(3)所示。其中,U表示SVD分解后的左奇异矩阵,S是由奇异值组成的对角矩阵,V表示右奇异矩阵。
实例中,计算出的近似核心张量如图8所示。近似核心张量
结合式(6)易知,矩阵A1、A2、A3对应的k值决定了张量
的维度。
表2 emoji表情分类部分结果
Tab.2 Partial results of classification of the emoji
![width=293,height=152,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/2d610d61c107817f1774c3c88e6fe7bc.png)
积极表情中立消极表情送花天然呆晕得意扭扭尴尬………拍地大笑滚床委屈超人饿汗
本文中,为了取得最佳的实验结果,经过多次实验,最终确定在A1、A2、A3上进行SVD分解所取的信息量阈值σ分别是:0.5,0.9,0.5。信息量阈值确定后就可以求k的值。k是满足式(4)的最小整数值。当k值确定后,从对角矩阵S中取出前k大奇异值组建成新的对角矩阵Sk;从U和V中选取相应的前k个左右奇异向量,分别组建成新的Uk和Vk,则降噪后的A1、A2、A3如式(5)所示。
表情分类结束后,本文根据式(1)来计算用户在某条记录表达对社刊的情感:
![width=70,height=38,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/3df33270979fb1ce5aef8c8f61ded14f.png)
(1)
其中,为在记录x上用户u对社刊m的情感,pa为积极表情的数量,na为消极表情的数量,n1为记录x上emoji表情的总个数。
综合某一用户对某一社刊的所有记录,根据式(2)即可得到,总体上用户对社刊的情感:
![width=82,height=67,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/e8a94c07439b6941bcd6e72609310ca8.png)
(2)
其中,n2为用户u对社刊m的所有评论记录数。由式(1)和式(2)可知,用户u对社刊m的情感eum的取值范围是(-1,1),其中eum=1,即表示用户u对社刊m的评论中全部是积极的emoji表情,透露出用户u对社刊m的称赞、喜爱的情感;反之,eum=-1即表示用户u对社刊m的厌恶的情感。
2 引入用户情感的三阶HOSVD分解算法
本节通过一个实例阐述整个引入用户情感的三阶HOSVD分解算法(下文简称HOSVD(uem)分解算法)流程。实例中用户、社刊以及用户对社刊的情感三者之间的关系如图5所示,其中用户u1和u2对社刊m1的情感为e1,用户u2对社刊m2的情感为e2,用户u3对社刊m2和社刊m3的情感为e3。
2.1 构造初始张量
从上述k值最大所对应的单元节点中,保留用户和社刊信息,并定义这部分用户与社刊为核心用户与社刊。再从筛选数据中筛选出包含这部分核心用户与社刊的评论数据即筛选后的评论数据是由核心用户对核心社刊所发表的包含emoji表情的评论数据,本文定义这部分筛选后的数据为实验数据。至此,数据清洗及emoji表情提取工作全部结束,总体流程图如图4所示,其中原始数据和实验数据两者的核心字段变化对比如表1所示。
![width=195,height=163,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/3667ac411345cefe561f763af35c653b.png)
图5 实例数据关系图
Fig.5 Relation of the instance data
表3 通过实例中数据构造的初始张量A
Tab.3 Representation of original tensor A
![width=293,height=152,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/86d80d89e2180f4f20af6d2c26df6307.png)
用户用户情感社刊关联权重u1e1m11u2e1m11u2e2m21u3e3m21u3e3m31
![width=249,height=286,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/5e0895d09eee1e886c50f1bc53f83e1e.png)
图6 实例中的初始张量A Fig.6 Original tensor A of instance data
由表3可知,初始张量A中的元素分别是:a111=a211=a222=a332=a333,其余元素的值全部为0。其中,a111=1对应表3中的第一条记录,即u1用户对社刊m1的情感为e1;相反的,以a112=0为例,a112表示用户u1对社刊m2的情感为e1,而这条记录并没有出现在表3中,则a112=0。为了更形象的表示三阶张量A,将张量A写成三维矩阵的形式,如图6所示。
2.2 初始张量n-模展开
为了在三阶张量A上应用奇异值分解(下文简称SVD分解),首先需要将张量A进行矩阵展开,即将张量A按照n-模重新排列成一个矩阵。三阶张量A的n-模展开示意图如图7所示,其中I1、I2、I3表示三阶张量的三个维度,并且A1∈RI1×I2I3,A2∈RI2×I1I3,A3∈RI1I2×I3。
实例中初始张量A的1-模、2-模和3-模展开的矩阵A1、A2、A3分别表示为
![width=265,height=165,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/7cbbaca433ca201856c4beb848e536ee.png)
图7 三阶张量A的n-模展开示意图 Fig.7 n-mode unfolding of 3rd-tensor
![width=249,height=67,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/2794247a171462ec131010f24c50e068.png)
![width=249,height=67,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/c6e6852d77e7005eb11f8bcdce18d24e.png)
![width=249,height=67,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/921f672507aabb6472ef88bb9ddc9633.png)
2.3 SVD分解
经过数据清洗,得到15 370条记录的数据。在这些记录中一共提取出126种emoji表情,并由7名志愿者主观的对这126种emoji表情分成3类,分别是:积极、中立和消极。为了检验志愿者主观分类的结果的一致性,避免出现某个志愿者胡乱分类的情况,本文对分类结果进行了Krippendorff’s alpha检验[24],检验结果如表2所示。
![width=123,height=70,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/f4b4beaa8470af7ccb6315ff4424ef0a.png)
(3)
SVD分解过程中需要对S矩阵进行调整,以便于过滤掉原始矩阵中的噪声信息。在本文中,将保留原始矩阵中信息量多少定义为信息量阈值σ,即信息量阈值不大于为对角矩阵S中前k大奇异值的和与所有奇异值和的比例。设对角矩阵前k大奇异值的和为pk,所有奇异值和为p,则信息量阈值计算如式(4)所示。
![width=46,height=38,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/19638d042554075094788f2b8ed9db7b.png)
(4)
当Alpha值大于基准值0.6时,则表明不同志愿者的分类结果之间的差异是可以被接受的[24]。文中实验的Alpha值为0.706 9大于基准值0.6,所以志愿者的分类结果是可取的。之后,对7名志愿者的分类结果取众数即获得相应emoji表情的所属分类。部分emoji表情分类结果如表2所示。
![width=134,height=79,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/890825e09bc102f19dcae361e3104208.png)
(5)
综上所述,理论上,具备海外背景的独立董事可以有效提高企业现金持有的水平。在信息大爆炸的时代,一个人的知识素养和能力经验决定了他的高度。独立董事如果拥有海外背景,那么他们也就被自动默认为拥有了这两项技能。聘用他们有利于董事会有效发挥职能并且提高公司内部治理水平。我国自从提出建设创新型国家后,出台了多种吸引海外优秀人才回国就业的优惠政策,这也促进更多的上市公司有机会去聘请具有海外经历的独立董事,从而为企业注入新鲜血液。
实例中,在信息量阈值σ等于0.5,0.9,0.5的情况下,矩阵A1、A2、A3对应的k值分别是:2,3,2。进而降噪后的分别表示为
![width=146,height=211,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/2ee49e5bea7d491bac444509104901ba.png)
2.4 计算核心张量
近似核心张量是由初始张量A和降噪后的Uk矩阵来构造的,具体计算式(6)所示。
![width=181,height=23,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/63e9c864149c5f451eebe47db97451e6.png)
(6)
其中,符号×n(n=1,2,3)表示矩阵与张量A的n-模乘积。
2000年,国家及各省市成立药品监督管理局,吴浈任江西省药品监管局党组副书记、副局长,后任党组书记、局长,后又出任江西省食品药品监督管理局局长、党组书记。
观察组满意37例,较满意15例,不满意2例,总满意度为96.30%;对照组满意24例,较满意21例,不满意9例,总满意度为83.33%,观察组明显优于对照组,两组比较,差异有统计学意义(P<0.05)。
![width=251,height=158,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/fb053b5dab4c41b7243f826c530653bb.png)
图8 实例中近似核心张量
Fig.8 Core tensor of instance data
热力公司应以科学的思维方式和思想方法深入开展党建工作,尤其应该着重开展基层党组织建设工作,使得基层党组织的纽带作用得到充分的发挥,从而激发热力公司的职工都能够自主的投身于热力事业的积极性,进而提升热力公司职工的工作效率及工作水平。另外,热力公司基层党组织应加强自身建设,坚定不移地做好热力公司的思想政治工作,紧密联系群众,充分发挥政治核心作用。
2.5 计算近似张量
由Tucker分解法可知,初始张量A的近似张量的计算方式如式(7)所示。
![width=167,height=23,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/3775b215952a3a49e3b2d8752fa554ad.png)
(7)
式(7)中,等号右边部分在上述步骤中都已求解,故易得实例中的近似张量如图9所示。
为了方便生成推荐列表,将图9中的三维矩阵写成表4的形式。
从Q型聚类结果分析可知,49个土壤样本可以大致分为5类,各个类别的综合得分范围及养分指标的平均值见表5。
![width=245,height=247,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/06db542e552d643a00ee9f8146cba515.png)
图9 实例中近似张量
表4 实例中计算出的近似张量
Tab.4 tensor of instance data
![width=293,height=222,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/b8a1e8ef0d5960659814dc7ce861d34e.png)
用户用户情感社刊关联权重u1e1m10.723 6u2e1m11.170 8u2e2m20.523 6u3e3m21.170 8u3e3m30.720 6u1e2m20.323 6u1e2m30.200 0u2e2m30.323 6
2.6 生成推荐列表
近似张量反映用户、用户情感和社刊之间的关联,其中近似张量
中的每一个元素表示用户、用户情感以及社刊之间的关联权重。对比初始张量A,不难发现近似张量
中的元素值发生了变化,不再是1或者0;并且会增加一些新元素即出现了用户选择社刊的新纪录。如果要向用户推荐k个社刊,只需选择该用户在近似张量
中出现的新记录中关联权重最高的前k条记录即可,即Top
k推荐。
2.3 肥水管理 第1年,从5月底开始,当年枝条长到10 cm左右时,20天追施1次尿素,每次100 g/株,连施2~3次。9月底10月初每亩施入腐熟有机肥2~3 m3,复合肥50 kg。
在实例中,近似张量中出现的新记录分别是用户u1选择了社刊m2和m3以及用户u2选择了社刊m3,各记录的关联权重分别是0.323 6,0.2和0.323 6。若进行Top
1推荐即给每个用户推荐一种社刊,则在这个实例中,因0.323 6大于0.2,所以给用户u1推荐社刊m2,给用户u2推荐社刊m3。
3 实验设置与结果
3.1 实验设置
按照本文1.1节清洗数据后,以用户与社刊为主键来划分训练集和测试集[25],即用户选择某一社刊的全部记录只会同时存在于训练集中或者测试集中,并同时保证训练集与测试集的比例为6∶4。实验一共进行20次,每次都重新划分训练集与测试集。最终实验结果为20次实验的平均值。本文采用的对比算法采用的主要是三种,分别是基于物品的协同过滤算法(下文简称itemCF算法)、PersonalRank算法和采用用户社刊分类
社刊三元组信息的HOSVD算法(下文简称HOSVD(utm)算法)。其中PersonalRank算法[9]是基于PageRank的推荐算法,在用户、情感和物品三部图上计算各顶点之间的相关性,根据相关性大小从而进行推荐;HOSVD(utm)算法输入的是用户、社刊分类信息以及社刊三部分信息。实验中itemCF算法中的最近邻k=10,PersonalRank算法中标度常数α=0.85,HOSVD(utm)算法中的信息量阈值σ分别是:0.5,0.7,0.5。
2.1 饥饿对按蚊吸血的影响 称重法绘制吸血率曲线显示,饥饿处理能提高按蚊的吸血率,二者差异有统计学意义(P<0.05)。在吸血5 min时,饥饿组按蚊的吸血率达到21.4%,显著高于对照组的15.6%。饥饿处理组按蚊经15 min的吸血即可达到最高吸血率(69.5%),而对照组按蚊则需要20 min才能达到最高吸血率(32.5%),见图1A。目视法绘制结果显示吸血率的结果与称重法结果一致,见图1B。然而对照组和饥饿组按蚊的最大吸血量差异无统计学意义(P>0.05),平均为1.43 mg/只和1.37 mg/只,见图1C。
评价指标采用推荐算法中常见的准确率(Precision)、召回率(Recall)以及F1值[25]。其中对于目标用户ui(i=1,2…n)来说,进行Topk推荐,准确率被定义为测试集中记录同时出现在推荐列表中的个数与推荐列表长度k的比值,计算所有用户的准确率的平均值P(k):
![width=134,height=41,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/14ba731469f2c9a85b5718f030ec3035.png)
(8)
其中,di(k)表示用户ui在测试集中记录同时出现在推荐列表中前k个位置的记录个数;召回率是出现在在测试集中记录的同时也位于推荐列表前k个位置的记录个数与测试集中所有记录个数Ci的比值。平均所有用户的召回率,得到数据集上所有用户的平均召回率,即为:
4号煤层地应力测试显示[17],潞新矿区的地应力场类型为水平应力控制型,最大应力为最大水平主应力,侧压比为1.33~1.99,且随着埋深的增加而减小。最大与最小水平主应力差值较大,偏应力大。地应力量值属于中等应力,一矿东翼采区接近高应力。
![width=134,height=44,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/d1b93bc9db5536125a16523d90720ebd.png)
(9)
F1值是一种统一准确率和召回率的系统性能评估标准,定义为
![width=134,height=41,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/b104edb2984374e533f243a8035dbab5.png)
(10)
3.2 实验结果
如图10a所示,横坐标分别表示Top1~5推荐,纵坐标表示F1值。以HOSVD(uem)算法为例,第一个点表示HOSVD(uem)算法在进行Top
1推荐时F1值是0.313。为了更直观的看出本文提出的引入用户情感的HOSVD(uem)算法的推荐效果,下文进行各个算法的准确率和召回率对比分析。如图10b所示,横坐标表示召回率,纵坐标表示准确率。图10b中每个算法出现5个点由左至右依次表示Top
1~5推荐,以HOSVD(uem)算法为例,第一个点表示HOSVD(uem)算法在进行Top
1推荐时准确率和召回率分别是0.353和0.281,依次类推。
![width=547,height=226,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/5e0fdb9584e7e685d6b46409dc5cc2bc.png)
图10 各算法F1值、准确率和召回率结果对比图
Fig.10 F1、Precision and Recall of each algorithm
表5 各算法F1值的Top1~5的平均值
Tab.5 The average value of F1 value Top1~5 of each algorithm
![width=398,height=52,dpi=110](https://qkk.lw71.com/uploads/image/2018/04/5a76ec2bd797d53ac42604339858de7a.png)
HOSVD(uem)HOSVD(utm)Personal RankitemCFF1均值0.2370.1700.0580.014
由图10可知,HOSVD(uem)算法在准确率、召回率及F1值性能指标上,实验结果相较于其他3种对比算法表现都要优异。HOSVD(uem)算法的准确率、召回率和F1值的Top1~5推荐的平均值分别是:0.199、0.349和0.237。其中结合表5可知,HOSVD(uem)算法的F1值的Top1~5的平均值,在数值上比HOSVD(utm)算法提高了0.067,比PersonalRank算法提高了0.179,比itemCF算法提高了0.223。除此之外,相较于Top2~5推荐,HOSVD(uem)算法在Top1推荐时的表现最为优异,准确率、召回率和F1值分别是:0.353、0.281和0.313。
4 结语
基于从评论中emoji表情提炼出的用户情感偏好,本文将用户情感引入到HOSVD推荐算法。该方法通过提取评论中emoji表情,依据情感分成积极、中立和消极三类,分别给每类情感赋予不同的权重,之后计算不同类emoji表情数量的加权和来表征用户的情感;再利用三阶张量来存储用户用户情感
物品这3类实体的元数据,应用HOSVD分解方法来挖掘3种类型实体之间潜在的关系,进而进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,引入用户情感的HOSVD分解算法的F1值的Top1~5推荐的平均值,在数值上比HOSVD(utm)算法提高了0.067,比PersonalRank算法提高了0.179,比itemCF算法提高了0.223。其中进行Top
1推荐时,本文提出的方法的准确率和召回率分别达到0.353和0.281。Top
1推荐结果的优异也表明了本文的方法更适合应用在移动通信段的个性化推荐中。
emoji表情已经成为互联网时代必不可少的元素之一,是人们表达情感的重要载体。通过分析海量的emoji表情信息,可以了解用户的情绪状况、对某个社会的现象的观点、对某款产品的喜好等,意义非凡。目前国内外学术界关于emoji表情的研究尚处于起步阶段,但随着emoji表情的蔓延式发展,可以肯定的是对emoji表情的分析与研究是未来的大趋势。对emoji表情的分析不仅可以对人机交互、市场营销等领域产生重要影响,具有十分可观的商业价值;还可以用来分析用户心理、态度等,对维护社会稳定有所帮助。本文只是从用户情感的角度入手,将emoji表情引入到推荐算法中。但因涉及到三阶张量,本文提出的算法的时间复杂度较高,不适用于大规模网络。同时该方法推荐效果依赖评论中emoji表情转化成用户情感的准确性,因此未来的工作可以进一步将文中emoji表情的分类分的更细致,使提炼出的用户情感更精确,从而提高推荐的效果。
通过上述分析可知,妊娠合并甲状腺功能异常疾病会严重损害母儿的健康,需要在早期阶段给予筛查以及预防,基于此,就需要分别在孕前、妊娠孕期内有效筛查甲状腺功能,保证早发现、早治疗,从而最大限度促使甲状腺功能异常的孕妇及胎儿的症状都能够得到改善。
[1]刘建国, 周涛, 郭强,等.个性化推荐系统评价方法综述[J]. 复杂系统与复杂性科学, 2009, 6(3): 1-10.
Liu Jianguo, Zhou Tao, Guo Qiang, et al. Overview of the evaluated algorithms for the personal recommendation systems[J]. Complex Systems and Complexity Science, 2009, 6(3): 1-10.
[2]Resnick P, Iacovou N, Suchak M, et al. GroupLens: An open architecture for collaborative filtering of netnews[C]∥ ACM Conference on Computer Supported Cooperative Work. New York,USA: ACM, 1994: 175-186.
[3]朱国玮, 周利. 基于遗忘函数和领域最近邻的混合推荐研究[J]. 管理科学学报, 2012, 15(5): 55-64.
Zhu Guowei, Zhou Li. Hybrid recommendation based on forgetting curve and domain nearest neighbor[J]. Journal of Management Sciences in China, 2012, 15(5): 55-64.
[4]仲秋雁, 张媛, 李晨,等. 考虑用户兴趣和能力的众包任务推荐方法[J]. 系统工程理论与实践, 2017, 37(12): 3270-3280.
Zhou Qiuyan, Zhang Yuan, Li Chen, et al. Task recommendation method based on workers' interest and competency for crowdsourcing[J]. Systems Engineering-Theory & Practice, 2017, 37(12): 3270-3280.
[5]刘建国, 周涛, 汪秉宏. 个性化推荐系统的研究进展[J]. 自然科学进展, 2009, 19(1): 1-15.
Liu Jianguo, Zhou Tao,Wang Binghong. Research progress of personalized recommendation system[J]. Progress in Natural Science, 2009, 19(1): 1-15.
[6]邓晓懿, 金淳, 韩庆平,等. 基于情境聚类和用户评级的协同过滤推荐模型[J]. 系统工程理论与实践, 2013, 33(11): 2945-2953.
Deng Xiaoyi, Jin Chun, Han Qingping, et al. Improved collaborative filtering model based on context clustering and user ranking[J]. System Engineering Theory and Practice, 2013, 33(11):2945-2953.
[7]Mooney R J, Bennett P N, Roy L. Book recommending using text categorization with extracted information[C]∥Proc Recommender Systems Papers from 1998 Workshop, Technical Report WS-98-08. Menlo Park, 1998.
[8]Chang Y I, Shen J H, Chen T I. A data mining-based method for the incremental update of supporting personalized information filtering[J]. Journal of Information Science & Engineering, 2008, 24(1): 129-142.
[9]Zhou T, Ren J, Medo M, et al. Bipartite network projection and personal recommendation[J]. Physical Review E, 2007, 76(4): 046115.
[10]Sarwar B M, Karypis G, Konstan J A, et al. Application of cimensionality reduction in recommender system—a case study[C]∥ ACM Webkdd Workshop. New York, 2000.
[11]Heymann P, Koutrika G, Garcia-Molina H. Can social bookmarking improve web search?[C]∥Proceedings of the 2008 International Conference on Web Search and Data Mining. Palo Alto, California, USA: ACM, 2008: 195-206.
[12]Symeonidis P, Nanopoulos A, Manolopoulos Y. Tag recommendations based on tensor dimensionality reduction[C]∥Proceedings of the 2008 ACM conference on Recommender systems. Lausanne, Switzerland, ACM, 2008: 43-50.
[13]Symeonidis P. ClustHOSVD: item recommendation by combining semantically enhanced tag clustering with tensor HOSVD[J]. IEEE Transactions on Systems Man & Cybernetics Systems, 2016, 46(9): 1240-1251.
[14]赵屹星垚. Emoji表情中的受众心理研究[J]. 设计艺术研究, 2016, 6(1): 46-49.
Zhao Yixingyao. Study of receiver psychology of emoji icon[J]. Design Research, 2016, 6(1): 46-49.
[15]Tang D, Qin B, Liu T. Document modeling with gated recurrent neural network for sentiment classification[C]∥Conference on Empirical Methods in Natural Language Processing. Lisbon, 2015: 1422-1432.
[16]董晶晶. 基于符号互动理论的社交媒体表情符号使用分析[J]. 新媒体研究, 2016(3):6-7.
Dong Jingjing, Analysis on the use of emotional symbols in social media based on symbolic interaction theory[J]. New Media Research, 2016(3):6-7.
[17]Novak P K, J, Sluban B, et al. Sentiment of emojis[J]. PloS one, 2015, 10(12): e0144296.
[18]Vidal L, Ares G, Jaeger S R. Use of emoticon and emoji in tweets for food-related emotional expression[J]. Food Quality & Preference, 2015, 49: 119-128.
[19]Luangrath A W, Peck J, Barger V A. Textual paralanguage and its implications for marketing communications[J]. Journal of Consumer Psychology, 2017, 27(1): 98-107.
[20]Sugiyama S. Kawaii meiru and Maroyaka neko: Mobile emoji for relationship maintenance and aesthetic expressions among Japanese teens[J]. First Monday, 2015, 20(10): 139-149.
[21]Ljubeš N, Fišer D. A Global Analysis of Emoji Usage[C]∥Web As Corpus Workshop. Humboldt University, Berlin, 2016:82-89.
[22]Jäschke R, Marinho L, Hotho A, et al. Tag recommendations in folksonomies[J]. Lecture Notes in Computer Science, 2007, 4702: 506-514.
[23]Batagelj V, Zaveršnik M. Generalized cores[DB/OL].[2018-03-08]. http:∥arXiv.org/abs/cs/0202039.
[24]Krippendorff K. Agreement and information in the reliability of coding[J]. Communication Methods and Measures, 2011, 5(2): 93-112.
[25]项亮. 推荐系统实践[M]. 北京:人民邮电出版社, 2012.
上一篇:没有了