Ein hybrides Empfehlungsmodell in sozialen Medien basierend auf tiefen Emotionsanalysen und der Fusion von Mehrquellenansichten

Zusammenfassung Das Empfehlungssystem ist ein effektives Mittel zur Lösung des Problems der Informationsüberlastung in sozialen Netzwerken, das auch eine der häufigsten Anwendungen der Big Data-Technologie darstellt. Das auf Bewertungsdaten basierende Matrixzerlegungs-Empfehlungsmodell wurde in den letzten Jahren umfassend untersucht und angewendet, jedoch beeinträchtigt das Problem der Datensparsamkeit die Empfehlungsqualität des Modells. Zu diesem Zweck schlägt dieses Papier ein hybrides Empfehlungsmodell vor, das auf tiefen Emotionsanalysen und der Fusion von Mehrquellenansichten basiert und personalisierte Empfehlungen mit den Interaktionsbewertungen von Nutzern und Posts, implizitem Feedback und zusätzlichen Informationen in einem hybriden Empfehlungssystem erstellt. Konkreter wird der HITS-Algorithmus verwendet, um den Datensatz zu verarbeiten, der die Nutzer und Posts mit hoher Einflussnahme herausfiltern und die meisten der minderwertigen Nutzer und Posts eliminieren kann. Zweitens werden die Berechnungsmethode zur Messung der Ähnlichkeit von Kandidaten-Posts und die Methode zur Berechnung der K nächsten Nachbarn entwickelt, die das Problem löst, dass die textuellen Beschreibungsinformationen des Postinhalts im Empfehlungssystem schwer zu analysieren und zu nutzen sind. Dann wird die kooperative Trainingsstrategie verwendet, um die Fusion von zwei empfohlenen Ansichten zu erreichen, wodurch die Abweichung der Datenverteilung, die dem Trainingsdatenpool im iterativen Training hinzugefügt wurde, beseitigt wird. Schließlich wird die Leistung des in diesem Papier vorgeschlagenen DMHR-Algorithmus mit anderen modernen Algorithmen basierend auf dem Twitter-Datensatz verglichen. Die experimentellen Ergebnisse zeigen, dass der DMHR-Algorithmus signifikante Verbesserungen bei der Punktvorhersage und der Empfehlungsleistung aufweist.