基于注意力模型的推荐算法研究
推荐算法向用户推荐符合用户喜好的商品,使商家获得更多的利益,让用户有更好的使用体验。

常见的推荐算法通过协同过滤的过程,根据用户对商品的评分历史,寻找具有相似喜好的用户,进行相互推荐。

但有时用户的评分并不能准确地代表用户的喜爱程度,因为每个人评价标准不同,所以用户的评分行为存在差异,导致推荐效果不佳。

本文提出一种基于注意力模型的推荐算法(Attention-Based Recommendation Algorithm,ABRA)。

通过构建情感注意力模型,分析用户的评论,对用户的评论进行情感分析及情感极性鉴定。

为了能够识别用户情感,将注意力模型加入循环神经网络中,利用情感词典判
断每个词语的情感倾向值,通过训练使模型具有识别情感词的能力。

在情感注意力模型训练的过程中,不仅拟合情感分类的结果,而且模
型隐藏层节点的注意力权重拟合情感词典中词语的情感倾向值,从而为模型生成情感特征向量。

提出的上下文注意力模型使单词的状态由窗口大小为w的上下文状态决定,达到充分利用上下文信息的目的。

本文将情感注意力模型应用在推荐系统中,但是并不是每一条用户项目评分矩阵中的记录都需要被更新。

因此提出评分更正门,判断用户的评分操作是否与真实情感相符,并将不相符的评分校正。

再将经过校正的用户-项目矩阵应用在推荐算法中,为用户进行协同过滤推荐,实现更合理的推荐。

最后,将算法应用在Amazon Movies&TV和Yelp 数据集上进行用户评分的预测和Top-N推荐,验证ABRA可以感知用户的情感,从而使推荐的准确率更高。