论文部分内容阅读
近年来,电子商务技术迅速发展,越来越多的用户能够“零距离”选购自己感兴趣的物品。各大电商平台的数据也以指数级别的速度增加,包括用户评论与评分数据、物品软文数据以及物品标签数据等。在纷繁复杂的海量数据中,如何快速高效地为用户推荐合适的物品成为当前各电商平台亟需解决的问题。在此背景下,个性化推荐系统随之出现。电商平台上的茶产品成交量不断增加,由于难以获得用以刻画用户个体特征的有效信息,因此使用自然语言处理(Natural language processing,NLP)和深度学习(Deep Learning,DL)方法,进行用户特征的刻画,进而更好地实现茶产品推荐,对发展茶产品电子商务具有一定意义。本文在对个性化推荐相关理论进行分析的基础上,针对现有电商平台中茶产品推荐存在的不足,提出了一种基于BERT-BLSTM的茶产品个性化推荐模型。具体工作如下:(1)针对以往特征表示方法无法充分利用茶产品评论文本中的上下文信息和无法解决词语多义性的问题,基于茶产品的评论文本,引入BERT模型进行字粒度的并行语义处理,使嵌入后的向量更能反映字和字之间的关系,以此来表示用户特征偏好。(2)针对传统循环神经网络梯度消失和单向神经网络缺乏获取逆向语义信息的问题,运用双向长短期记忆网络(Bidirectional Long Short Term Memory,BLSTM)从正序和逆序两个方向同时训练茶产品评论文本,获取评论文本的语序表征。根据训练得到的文本特征,使用多层感知机(Multi-Layer Perception,MLP)进行评分预测。通过对评论文本中语义信息的充分利用,提高评分预测性能。(3)在此基础上,提出了一种基于BERT-BLSTM的茶产品个性化推荐模型。通过在京东平台采集到的真实数据集进行实验,验证了本文提出模型的有效性。