前置过滤技术在基于情感的地方建议得到了用户评论

文摘

上下文感知推荐系统试图解决识别产品或项目的挑战,最大的机会,满足用户需求,适应当前的上下文信息。许多这样的系统已经开发的领域如电影、书籍和音乐,和情感是一个上下文参数,已经被用于这些领域。本文着重于情感的使用作为一个旅游目的地的推荐系统相关参数。我们开发了一个新的语料库,结合情感参数采用语义分析技术对目的地的建议。我们复习的有效性将情感在推荐过程中使用前置过滤技术和显示的使用情感作为位置的上下文参数推荐和协同过滤可以提高用户的满意度。

1。介绍

环境敏感被引入到推荐系统,以确保长期的和短期的用户需求都被考虑不仅偏好历史也是当前形势。这是因为如果推荐过程只依赖偏好历史,它可能不会正确地丢弃一个孤立的礼物购买(即等情况。,我f a user buys a gift for a friend’s child, a baby suit, user receives suggestions for the baby items repeatedly) because it cannot adapt to the current situation. Context-aware recommendation systems (CARS) therefore incorporate contextual information including location, time, and activity and even advanced parameters such as emotion and personality.

之前的推荐系统的研究调查了公司的情感在推荐过程特别强调情感和人格特质的影响在人类决策过程。情感的作用已被确定在不同阶段的内容消费过程包括(i)进入阶段,(2)消费阶段,和(3)退出舞台,而深受情感消费阶段(1]。情绪心理状态通常是由一个事件引起的重要性的主题和在各种建模研究。的通用模型将情绪分为固定类别如埃克曼的六种基本情绪(快乐、愤怒、恐惧、悲伤、厌恶、和意外)(2]和Plutchik的八个基本的和典型的情绪(快乐、悲伤、愤怒、恐惧、信任、厌恶,惊喜,和期待)(3]。在维度模型,每一个情感描述为一个连续多维空间中的一个点,在每个维度代表了一种情感的质量。最常用的维度价,兴奋,和主导地位1]。

根据各种心理研究,会影响记忆,情绪和心理健康4]。Debored [5]介绍的概念心理地理学和跟踪的影响,地理环境对个人的情绪和行为。虽然位置通常是分析了考虑上下文及其对心理健康的影响,没有分类派生一个位置可能唤起的情感(6]。此外,它是至关重要的,任何数据集包含情感参数。音乐和电影推荐系统的研究数据集使用LDOS-CoMoDa, LJ2M, myPersonality, LDOS-PerAff-1, DEAP, ANET, IADS一新,iap和1000首歌曲的数据集7),但这些与旅游目的地推荐数据。

在开发的系统中,我们处理数据的缺乏上下文参数采用情感分析(SA)来获取用户的情绪状态基于用户评论100个目的地。然后我们派生情感标签和标签的准确性相比手动为每个目的地。

在这项研究中,一个汽车,使用局部上下文用户偏好的用户,项目,上下文和评级。这是与传统的推荐系统,它基于一组物品和偏好的知识输入数据的用户,项目,和评级。这里我们考虑的上下文信息可以应用于各个阶段的推荐过程。一辆车过程基于上下文用户偏好启发和评估可以采取三种形式如下:上下文前置过滤,上下文预滤器或上下文建模。在这项研究中,我们实现了一个上下文前置过滤paradigm-based解决方案,使用上下文信息选择最相关的项×用户数据生成建议(8]。前置过滤方法允许部署之前提出的许多传统的推荐技术(9]。

本研究的主要目标如下:(1)推导适合旅游目的地的数据集时,建议考虑情绪上下文参数(2)检查情绪如何影响推荐使用前置过滤技术的目的地。

2。背景

推荐系统相关的文献不断扩大。先前的研究建议,介绍算法的改进方法,构建用户模型表示用户首选项,利益,和行为,和特定领域的应用10]。Petrevska和Koceski(2012)提出了一个旅游推荐系统基于用户偏好、兴趣和愿望和建议旅游景点根据分析用户行为,如阅读其他评审决策(11]。目的地观察对象和用户偏好的变化后回访跟踪评级和用户行为被认为是在生成的基于协同过滤的分析和建议。Sarkaleh et al。(2012)提出了一个旅游推荐系统使用位置和用户特征作为上下文参数(12]。郑et al。(2012)提出了一个汽车旅游建议使用微分上下文放松和考虑旅行类型、持续时间、创意,目的地城市,与用户协同过滤和月作为上下文参数,提出一种混合的建议来缓解个人的缺点使用前置过滤和预滤器技术(13]。De Pessemier et al。(2015)提出了一个系统,集团为旅行目的地推荐基于用户评级的简介,个人利益,和规范他们的下一个目的地后混合方法结合基于内容,协同过滤和基于知识的策略(14]。协同过滤是一种广泛适应推荐算法的预测和建议都是基于评级或系统中用户的行为15,16]。

该方法考虑的一个列表n用户数量和列表的条目的数量 。如图1,用户 被称为活跃用户的协同过滤算法的任务是找到一个项目可能性,可以以两种形式。项目预测评级吗为活跃用户 ,在哪里 。预测评级相同的数值范围是由用户提供的评级 。建议的列表活跃的用户将最喜欢的项目17]。

可以是基于用户和基于项目的协同过滤技术。基于用户的协同过滤推荐模型项目基于计算相似邻居和创建一个用户组,是兼容的目标用户。基于项目协同过滤计算项目基础上的相似度,发现项目,类似于给定用户的评分项目(18]。传统的推荐系统首先评估评级功能使用一个初始化的评级是用户提供的明确或含蓄地推断出用户的系统和项目没有评价。

在汽车、偏好预计通过将可用的上下文信息纳入推荐过程据估计, 用户和项目的空间用户和项目和评级的评级是空间对用户和项目。上下文信息可以被应用在推荐过程的不同阶段和上下文感知推荐的形式可以是上下文前置过滤(输入)把握语境,语境预滤器(输出)语境化,或上下文建模(语境化的推荐功能)(8]。在上下文前置过滤,上下文信息用于选择相关的评级,和评级预计为活跃用户使用任何传统的推荐功能。然后设置上下文作为过滤查询相关评级(见图2)。

最适合使用前置过滤技术可以随应用程序。一种方法是使用一个模型,本地上下文模型为每个目标的情况。另一个是使用广义前置过滤,允许的泛化数据过滤查询基于一个特定的上下文(19]。广义前置过滤州评级基于相关的上下文情况,得出一组预测模型基于每个段的评级。

情感计算和SA组合在不同的研究领域和许多先进的SA技术已经开发和许多商业和学术工具,如IBM (https://www.ibm.com/analytics)、SAS (https://www.sas.com/social)、甲骨文(https://www.oracle.com/social),SenticNet (http://www.business.sentic.net)和路(https://www.luminoso.com)出现促进极性评价或情绪分类,尽管他们中的大多数是昂贵的和高度有限的情感20.]。SA被认为是计算的治疗意见,观点,和文本的主体性,而舆论采矿是一项乏味的工作,因为大多数的显式和隐式的全面知识,规则和不规则的,一种语言的语法和语义规则是被认为在这个过程中(21,22]。

在情绪的艺术分类技术,词典的方法依赖于情绪词汇,使用机器学习分类方法可以进一步分为监督和非监督学习方法。监督学习方法由许多分类器包括概率分类器,朴素贝叶斯分类器,线性分类器,支持向量机分类器、神经网络、决策树分类器,基于规则的分类器和meta-based分类器(21]。目前SA技术是富含深像深卷积神经网络学习方法。卷积神经网络(cnn)非常类似于普通神经网络(NN);层数的主要区别是,CNN是几层非线性激活函数的卷积结果应用,而在传统的神经网络中,每个输入神经元连接到下一层中的每个神经元的输出。在cnn,而是使用旋转输入层计算输出。这导致本地连接,每个区域的输入与输出的神经元。每一层不同的过滤器,适用于通常成百上千,结合他们的结果(23,24]。CNN作为分类器方法的一个缺点是,它发现只是一个局部最优,因为它使用相同的反向传播技术中长期规划(25]。

3所示。建议将情感融入到地方

3.1。情感标签收购

汽车领域的主要挑战是缺乏适当的上下文数据集。LDOS-PerAff-1语料库的创建的数据集来满足这个问题(26]。它把视频的用户响应与人格特质情绪刺激和评级。数据采集是由展示一组图片和要求受试者率图像就像选择图像的电脑壁纸。LDOS-CoMoDa语料库是另一个数据集介绍了电影作为一个环境敏感数据集包括12语境维度与2291年评级额定在1232件121用户。在上下文参数建议,三个情感维度包括;endEmo,在电影的结尾的情绪状态;domEmo,情绪状态经历了大多数在电影;和情绪,用户的情感,当他们正在看电影27]。情感的收购已经调查了使用各种的检测技术,如面部表情,情绪推理从传感器、基于语音和其他方法,演讲,肢体语言,和姿势。困难在推荐系统中应用这些技术领域的复杂性适应系统实现这些技术。因此,以往的研究都集中在情感状态从评论利用SA理论推断。SA技术可以用来提取评论文本的情感包括快乐、悲伤、恐惧、愤怒、和惊喜21]。情感检测可以使用机器学习或lexicon-based实现方法,后者是更频繁地使用(27]。

在这项研究中,上下文感知数据集收集数据导出了2016年全球前100名的旅游景点。数据包括描述、位置和图片来自维基百科(https://en.wikipedia.org/),而每个目的地的平均评级和100用户评论收集从TripAdvisor (https://www.tripadvisor.com/)。评论进行分析和分类获得情感标签来表示用户的情绪状态在两个阶段。首先,我们使用音调分析仪(https://tone-analyzer-demo.mybluemix.net/),衡量感情基调的整体基调的审查(快乐、恐惧、悲伤、厌恶和愤怒)。第二,我们扩大了积极情绪规模从“快乐”到“快乐,期待,信任,惊喜”和采用SA技术。文本预处理技术被用来获得情感标签从评论为每个位置。使用一个单词列表的每个情绪的说明。情感词典的国家研究委员会(NRC),加拿大,基于Plutchik的八种情绪,和两个正面和负面的情绪(28)被用来计算词的频率。

词典设置导出了NRC包括unigrams和一定范围的麦格理的同义词典(29日),所有条款一般发出询盘,WordNet-Affect辞典。因此,使用词典设置包括unigrams和麦格理的同义词典的三元:800年和787年词典形容词、副词、名词、动词,分别;中的所有条款一般询问者:8132词汇是消极的,积极的,和中立的;和WordNet-Affect词典:640词汇代表情感类别愤怒,厌恶,恐惧,快乐,惊喜,和悲伤。

音调分析仪分析,对于每一个情感,小于0.5的分数表明,情感不太可能在内容和分数大于0.75意味着高情感的可能性将感知到的。总体结果表明,最高的音调值被记录欢乐组的所有位置,和88%的欢乐组表明,情绪可能会认为在选中的评论文本(见表1)。

文本预处理是一个重要的任务在文本挖掘技术及其应用是任何系统的第一步。它背后的主要目的是将每个文档表示为一个特征向量,因此,分离成单个单词的文本。分类过程的质量很大程度上取决于这个特性选择过程。因此,重要的是要选择有意义的关键字和丢弃的话,不使区别的文件30.]。

接下来,我们进行了一个学期的频率(TFs)计算基于八情感的词汇组。表2说明了分类中使用的词汇的一部分。我们选择目的地的情感类别根据最大频率值如表所示3。TFs计算每个审查和总TFs计算为每个情感。然后我们选择每个目的地的情感标签基于最高频率(见表4)。

在多种情绪的发生,我们认为如果出现了消极情绪和积极的情感类别以同样的频率,消极的人强。这种假设是基于人类的事实陈述负面情绪时更诚实。积极情绪的发生频率相等,我们假设快乐,信任、期待和惊喜在降序排列,考虑到人类倾向于这些情绪识别和状态(见表4)。

我们收集了9998评级从100年的8470用户选定的地点和派生情感标签为每个用户对每个位置。从这个信息,我们得到两个数据集:将数据集 和用户数据集 。图3说明了情感标签推导过程。

是总病例数(目的地)的系统分配情感标签。

的数量是正确的情况下,基于人工判断。

我们计算情感标签检测的精度和比较结果手动阅读评论文本数据集的地方。结果表明,检测过程的精度是63.3% (31日]。

3.2。推荐系统开发

我们实现了该推荐系统使用两个派生的数据集和加载系统的位置数据到数据库中。数据被输入到推荐功能根据用户的情绪状态时,登录,如图4。使用前置过滤技术在汽车、相似度计算和预测评分值为每个用户生成和五大建议。系统的基于协同过滤的推荐引擎由两个阶段组成,没有情感与情感(CFN)和协同过滤(CFE)。

在实现中,我们使用开发项目协同过滤和审查我们的上下文参数对派生的数据集。建议流程见图5。

每个推荐基于情感分析考虑到三个情绪组根据Plutchik派生的情感分类系统。在推荐过程中,数据被选中的位置推荐引擎基于这些假设的三组建议应落在积极情绪。音调分析仪的结果分析了积极情绪量表的使用,因为收集评论更有可能有积极的情感。因此,厌恶,恐惧,愤怒和悲伤被重新安排到三个阳性组(期待、喜悦和信任)基于Plutchik的综合列表排列的八个主要情感作为反对双(见表5)。避免负面情绪类别,恐惧和愤怒被分配到快乐和信任组,分别。进一步,我们使用这些三组来评估用户情感的影响的建议。

在推荐过程中,预测目标用户的评级未分级的目标项计算通过考虑用户的评级的观察项。这允许使用user-item评级对速度值预测,如图6(32]。

项目协同过滤,用户评价两项和项目提出问题,然后相似性计算(33]。相似度的计算根据皮尔逊相关性等措施执行,欧几里得距离,Tanimoto系数,或对数似相似。在拟议的过程中,相似度计算,是基于对数似然比依靠统计两项或用户之间的相似度并产生足够数量的推荐项目。利用事件相关的对数似然比用户或项目,如用户或项目重叠和用户和条目的事件没有偏好(34,35]。

预测算法预测用户提供的评级目标项目(36]。基于项目的预测的简单的加权平均可以用来预测评级(34]。在这里,我们计算了预测评级由用户为项目如下: 在哪里 之间的相似之处吗th项目和用户和是用户的评级吗的项目对所有基于Mahout的物品数量基于项目推荐算法(37]。相似性的计算范围从−1.0到1.0,1.0,避免消极的价值观,我们添加了相似性值相似的范围从0.0到2.0。前5位的推荐列表创建基于相似性值最高最相似的地方设置从地方池。图7说明了样本用户行为行动四个用户,而图8显示了这个示例对数似值四个用户和四个地方。因此,预测评分的计算是通过使用一个例子所示user-item矩阵和相似度值在推荐过程中用户1的地方1 ()和用户1 2 ()。

3.3。预测评级计算(项目合作)

图9显示前5位列表为用户提供的一个例子。

3.4。评价

的旅游目的地位置推荐系统提出了16个用户。每个用户被要求评估两个推荐列表根据用户的喜好为每个位置和整体偏好列表根据用户当前的情感和基于五点李克特量表的整体满意度。执行评估,评估用户的意见CFE的推荐算法的质量这样一个基线与CFN算法可以被执行。

我们使用精度和均值的平均精度(地图)值两种方法在我们的评估。同样,一个以及分析测试的优越性CFE对基线的方法。的以及评估两种平均精度(AveP)值平均偏好评级(4月)的基础上首选和喜欢多用户评分在五点李克特量表。此外,我们评估建议通过考虑情感组列表派生的推荐引擎设计阶段跟踪列表对应用户的情绪。的整体用户满意度推荐系统也进行了分析。用户被要求输入他们的情绪表情符号的规模和评估五个位置的两个列表。

4所示。结果与讨论

我们使用了分类精度测量、精度评价。这需要一个二进制 规模,所以我们认为4和5的评级是好的建议(38]。

基于精密召回矩阵(见表6),精密陈述如下:

CFN精度值和CFE下面的16个用户计算,平均精度值相比CFN CFE的更大。平均精度计算精度在每个正确的位置的推荐列表项排名结果。均值的平均精度在所有相关列表意味着平均精度(地图)。地图对CFE CFN相比也更大(见表7):

在上面的,的精度th元素,是1,如果th相关项的列表列表的总数。

此外,我们分析了基于情感的意思是平均精度为每个方法组(日军): 在哪里是情绪组的数量基于三组。

在图10,CFE_Joy CFE_Trust CFE_Anitcipation, CFE_Overall表示信任的协同过滤方法,快乐,和预期情绪组,分别。我们比较CF方法的表演都有和没有情感的平均精度值和平均评级的偏好。假设如下:H₀: 和另外H_一个: 和H_一个: ,在那里和意思是上下文感知的平均精度等级和noncontext协同过滤方法,分别。H₀: 和另外H_一个: 和H_一个: ,在那里和环境敏感的评级意味着偏好和noncontext协同过滤方法,分别。

自(测试数据)<(临界值),我们在这两种情况下拒绝零假设,得出结论,这两个人口意味着0.05显著性水平是不同的,而对于备择假设, 和 。因此,试验结果表明,不同的基线推荐(CFN)的平均精度(值= 0.509)和平均评级偏好(值= 0.344)是显著的。最后,用户的反馈对整体满意度的推荐名单以及他们的意见根据其当前的情绪如表所示8。结果显示,60%的用户满意整体推荐列表。进一步,53.3%承认提供的列表匹配他们当前的情感。

5。结论

在这项研究中,我们建立了情绪如何影响旅游目的地推荐过程。情感作为上下文参数的使用位置与协同过滤推荐增加用户满意度。此外,我们推导出基于用户评论情感标签为每个位置检查目的地是如何影响情绪在一个旅游目的地的推荐系统。尽管先前的研究已经把情感到预定义的室内场所,建议我们的研究整合到一个著名的旅游景点推荐系统。的准确性检测正确的情感标签使用lexicon-based方法是63%。然而,我们认为,这可以提高使用其他公司的方法。

Plutchik的情感分类是用来获得情感标签和获取用户的情绪,和推荐列表包含积极情绪类别。此外,情绪上下文参数的敏感性分析了推荐基于为用户名单的准确性。

6。讨论和未来的工作

在我们的方法中,我们专注于推导一种情感标签为每个目的地基于用户评论。基本上,我们推导出基于Plutchik标签的情感类别。SA的lexicon-based方法是健壮,导致跨域性能好,可以很容易地增强知识的多个来源(39与其他方法相比。

派生情感标签,认为采矿和其他语义分析技术还可以用于提高准确性和一个这样的词汇资源,SentiWordNet,一个固执己见的术语字典,用于这样的技术。同时,深度学习方法和发表意见挖掘技术,解释背景,也可以用来增强情感词分类的准确性。SenticNet构建基于SentiWordNet词典和适应沙漏的情绪。在这个模型中,情绪在四个独立的重组维度代表不同程度的激活。事实上,在这个模型中,情感状态不是传统的情感分类;相反,它们分为四个相伴,但独立的维度:愉快,注意力、敏感性,和能力40]。

虽然我们使用确切的前置过滤,使用传统推荐算法不考虑任何评级的情况下获得哪怕是轻微的不同目标,提出现行制度是与上下文的建模方法在汽车相比,以便评估推荐引擎的性能,而系统扩展将系统中的用户行为,以量化推荐过程中每个参数的敏感性。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. m . Tkalcic a Kosir, j . Tasic”情感推荐系统:情绪在推荐系统中,所扮演的角色”Proc。RecSys 2011车间对人类决策的推荐系统2011年10月,第四页。。视图:谷歌学术搜索
2. p·埃克曼,“基本的情绪,”手册的认知和情感,45 - 60,1999页。视图:谷歌学术搜索
3. r . Plutchik“一般psychoevolutionary情感理论,”理论的情感,1卷,不。4,3-31,1980页。视图:谷歌学术搜索
4. l . Castello反思的意义:在architecture-urbanism怀孕。劳特利奇(2016)。
5. g .德波介绍城市地理学的批判。关键区域数据的集合(1955)。
6. m . Kaminskas f·里奇,“基于感性匹配音乐的地方,”个性化服务的情绪和个性施普林格,页287 - 310年,2016年。视图:谷歌学术搜索
7. a .颂歌的a . Koir和m . Tkalcic“情感和个性全集,”个性化服务的情绪和个性施普林格,页163 - 178年,2016年。视图:谷歌学术搜索
8. Adomavicius和a . Tuzhilin“上下文感知推荐系统”推荐系统手册激飞美国,页191 - 226年,第二版,2015年版。视图:出版商的网站|谷歌学术搜索
9. g . Adomavicius和a . Tuzhilin”向下一代的推荐系统:一项调查的最先进的和可能的扩展,“IEEE工程知识和数据,17卷,不。6,734 - 749年,2005页。视图:出版商的网站|谷歌学术搜索
10. g·冈萨雷斯,l . j . De La Rosa m .褐煤和美国中指出,“嵌入情绪上下文在推荐系统中,”数据工程研讨会,IEEE国际到23日IEEE,页845 - 852年,2007年。视图:谷歌学术搜索
11. b . Petrevska和s Koceski”旅游推荐系统:实证调查”,航空杂志上turism-studii si cercetari旅游业卷14日,11到18门,2012页。视图:谷歌学术搜索
12. m . k . Sarkaleh m . Mahdavi和m . Baniardalan”设计一个旅游推荐系统基于位置、移动设备和用户特征博物馆”国际管理信息技术杂志》上,4卷,不。2,p。2012。视图:谷歌学术搜索
13. y郑、r·伯克和b . Mobasher“微分上下文环境敏感的放松旅行建议,”电子商务和网络技术国际会议,页88 - 99年,柏林,德国,2012年。视图:谷歌学术搜索
14. t . De Pessemier j . Dhondt k . Vanhecke和l . Martens”TravelWithFriends,混合组对旅游目的地的推荐系统,”旅游推荐系统研讨会(TouRS15),结合第九届ACM会议推荐系统(RecSys 2015),51-60,2015页。视图:谷歌学术搜索
15. p . Resnick h·r·瓦里安,“推荐系统”,ACM的通信,40卷,不。3,56-58,1997页。视图:谷歌学术搜索
16. k·戈德堡,t·罗德·d·古普塔,c·珀金斯”Eigentaste:一个常数时间协同过滤算法,”信息检索,4卷,不。2、133 - 151年,2001页。视图:出版商的网站|谷歌学术搜索
17. b·萨瓦尔g . Karypis j . Konstan, j . Riedl“基于项目的协同过滤推荐算法,”学报第十届国际会议在万维网上ACM, 295,页285 - 2001。视图:谷歌学术搜索
18. m . Tkalčiča Košir, j . Tasič”表情LDOS-PerAff-1语料库的视频剪辑与情感、个性与用户交互的元数据,”在多通道用户界面》杂志上,7卷,不。1 - 2、143 - 155年,2013页。视图:出版商的网站|谷歌学术搜索
19. g . Adomavicius r . Sankaranarayanan领导美国森,a . Tuzhilin“结合上下文信息在推荐系统中使用一个多维的方法,”ACM交易信息和系统安全,23卷,不。1,第145 - 103页,2005。视图:出版商的网站|谷歌学术搜索
20. e·威尔士“情感计算和情绪分析,”IEEE智能系统没有,卷。31日。2、102 - 107年,2016页。视图:出版商的网站|谷歌学术搜索
21. w . Medhat, a·哈桑,h . Korashy“情感分析算法和应用程序:一项调查,”Ain Shams工程杂志,5卷,不。4、1093 - 1113年,2014页。视图:出版商的网站|谷歌学术搜索
22. e·威尔士云苓,r .亚太区和b . w .舒乐问,“SenticNet 4:基于概念语义资源情感分析原语,”科尔,第2677 - 2666页,2016年。视图:谷歌学术搜索
23. m·m·洛佩兹和j . Kalita“深度学习应用于NLP,”https://arxiv.org/abs/1703.03091。视图:谷歌学术搜索
24. o . Araque Corcuera-Platas, j . f . Sanchez-Rada和c·a·伊格莱西亚斯”加强深度学习情绪分析与整体技术在社会应用中,“专家系统与应用程序卷,77年,第246 - 236页,2017年。视图:出版商的网站|谷歌学术搜索
25. 美国云苓、e·威尔士和a . Gelbukh“深卷积神经网络文本功能和多个内核学习utterance-level multimodal情绪分析,”会议的程序实证方法在自然语言处理中,EMNLP 2015prt,页2539 - 2544年,2015年9月。视图:谷歌学术搜索
26. y郑,“适应环境敏感个性化、情感反应”进行第四届研讨会的情绪和个性在个性化系统(帝国),p . 2016。视图:谷歌学术搜索
27. s·m·穆罕默德·p·d·特尼,“众包word-emotion协会词典”,计算智能卷,29号3、436 - 465年,2013页。视图:出版商的网站|谷歌学术搜索
28. 黄懿慧胡,p . j . Lee, k . Chen j . m .冰斗湖和d . v .见鬼,”酒店推荐系统基于审查和上下文信息:一个协作过滤Appro,”奶嘴,221年,页2016。视图:谷歌学术搜索
29. j·伯纳德,Ed。麦格理的同义词典。麦格理(Macquarie)图书馆,悉尼,澳大利亚,1986年。
30. 美国哈曼和s Szpakowicz”在文本识别情感的表达,”国际会议上文本、演讲和对话,页196 - 205年,柏林,德国,2007年。视图:谷歌学术搜索
31. h, s . Tan, x成“情感探测的评论、调查”专家系统与应用程序,36卷,不。7,10760 - 10773年,2009页。视图:出版商的网站|谷歌学术搜索
32. 美国锣”,基于用户聚类的协同过滤推荐算法和项目集群,”软件学报,5卷,不。7,745 - 752年,2010页。视图:谷歌学术搜索
33. x苏和t . m . Khoshgoftaar“协同过滤技术的一项调查,”人工智能的发展,4卷,2009年。视图:谷歌学术搜索
34. t·邓宁”,准确的方法统计的意外和巧合,”计算语言学,19卷,不。1,第74 - 61页,1993。视图:谷歌学术搜索
35. M.-Y。谢长廷,W.-K。周,K.-C。李”,构建一个移动电影推荐服务用户评级与关联数据和应用程序使用Hadoop,”多媒体工具和应用程序,卷76,不。3、3383 - 3401年,2017页。视图:出版商的网站|谷歌学术搜索
36. m . Papagelis和d . Plexousakis定性分析的基于用户和基于项目的预测算法推荐代理商,“人工智能技术的工程应用,18卷,不。7,781 - 789年,2005页。视图:出版商的网站|谷歌学术搜索
37. Schelter和s·欧文,“与apache mahout协同过滤,”诉讼的ACM RecSys挑战,2012年。视图:谷歌学术搜索
38. g·沙尼和a . Gunawardana”评价推荐系统”,推荐系统手册,第297 - 257页,2011年。视图:谷歌学术搜索
39. m . Taboada j·布鲁克,m . Tofiloski k .沃尔和m . Stede“Lexicon-based情感分析的方法,”计算语言学,37卷,不。2、267 - 307年,2011页。视图:出版商的网站|谷歌学术搜索
40. e·威尔士r·斯皮尔,c . Havasi和A·侯赛因”SenticNet:公开的语义资源的观点挖掘,”学报2010年AAAI研讨会2010年11月,页14 - 18,。视图:谷歌学术搜索

版权

版权©2017 a . Piumi Ishanka Takashi汤川。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。