請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/67677完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 張瑞益(Ray-I Chang) | |
| dc.contributor.author | Yi Ho | en |
| dc.contributor.author | 何怡 | zh_TW |
| dc.date.accessioned | 2021-06-17T01:43:37Z | - |
| dc.date.available | 2019-08-01 | |
| dc.date.copyright | 2017-08-01 | |
| dc.date.issued | 2017 | |
| dc.date.submitted | 2017-07-26 | |
| dc.identifier.citation | [1] Robin Burke. Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4):331–370, 2002.
[2] Songjie Gong. A collaborative filtering recommendation algorithm based on user clustering and item clustering. JSW, 5(7):745–752, 2010. [3] Nathaniel Good, J Ben Schafer, Joseph A Konstan, Al Borchers, Badrul Sarwar, Jon Herlocker, John Riedl, et al. Combining collaborative filtering with personal agents for better recommendations. In AAAI/IAAI, pages 439–446, 1999. [4] George Karypis. Evaluation of item-based top-n recommendation algorithms. In Proceedings of the tenth international conference on Information and knowledge management, pages 247–254. ACM, 2001. [5] Yehuda Koren, Robert Bell, and Chris Volinsky. Matrix factorization techniques for recommender systems. Computer, 42(8), 2009. [6] Quoc Le and Tomas Mikolov. Distributed representations of sentences and documents. In Proceedings of the 31st International Conference on Machine Learning (ICML-14), pages 1188–1196, 2014. [7] Prem Melville, Raymond J Mooney, and Ramadass Nagarajan. Content-boosted collaborative filtering for improved recommendations. In Aaai/iaai, pages 187–192, 2002. [8] Manos Papagelis, Dimitris Plexousakis, and Themistoklis Kutsuras. Alleviating the sparsity problem of collaborative filtering using trust inferences. In International Conference on Trust Management, pages 224–239. Springer, 2005. [9] Francesco Ricci, Lior Rokach, and Bracha Shapira. Introduction to recommender systems handbook. Springer, 2011. [10]Royi Ronen, Noam Koenigstein, Elad Ziklik, and Nir Nice. Selecting content-based features for collaborative filtering recommenders. In Proceedings of the 7th ACM conference on Recommender systems, pages 407–410. ACM, 2013. [11] Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl. Application of dimensionality reduction in recommender system-a case study. Technical report, DTIC Document, 2000. [12] Nava Tintarev and Judith Masthoff. A survey of explanations in recommender systems. In Data Engineering Workshop, 2007 IEEE 23rd International Conference on, pages 801–810. IEEE, 2007. [13] Hilmi Yildirim and Mukkai S Krishnamoorthy. A random walk method for alleviating the sparsity problem in collaborative filtering. In Proceedings of the 2008 ACM conference on Recommender systems, pages 131–138. ACM, 2008. [14] Wei Zhang, Jianyong Wang, and Wei Feng. Combining latent factor model with location features for event-based group recommendation. In Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 910–918. ACM, 2013. [15] Yongfeng Zhang, Guokun Lai, Min Zhang, Yi Zhang, Yiqun Liu, and Shaoping Ma. Explicit factor models for explainable recommendation based on phrase-level sentiment analysis. In Proceedings of the 37th international ACM SIGIR conference on Research & development in information retrieval, pages 83–92. ACM, 2014. [16] 台灣網路資訊中心. 域名統計查詢. http://statistics.twnic.net.tw/item02.htm, may 2017. [17] 吴颜, 沈洁, 顾天竺, 陈晓红, 李慧, and 张舒. 协同过滤推荐系统中数据稀疏问题的解决. 计算机应用研究, 24(6):94–97, 2007. [18] 罗辛, 欧阳元新, 熊璋, and 袁满. 通过相似度支持度优化基于犓近邻的协同过滤算法. 方法, 2:5, 2010. [19] 臺北市數位行銷經營協會. 2016 年上半年廣告量調查.http://www.dma.org.tw/trend/2, sep 2016. [20] 邱建晴. 以卷積神經網路分析部落格社群網站垃圾文章. 臺灣大學工程科學及海洋工程學研究所學位論文, pages 1–68, 2016. [21] 项亮. 推荐系统实践. 北京: 人民邮电出版社, 2012. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/67677 | - |
| dc.description.abstract | 目前大量網站應用都離不開推薦系統，而協同過濾式推薦系統 (CF)則是近年常被業界採用的技術，但在大量使用者或物件的情況下，若樣本資料分布過於分散，則CF將會有稀疏性問題，將難以找到真正有推薦價值的物件，勉強使用則效果不佳甚至造成錯誤。在資料過於稀疏的問題下，各常見推薦演算法的準確度皆不高，而本研究以文本特徵作為CF的額外特徵，透過添加額外特徵來降低CF的資料稀疏程度，以突顯出較值得推薦之物件作為推薦結果，並將此方法命名為CFWCB (Collaborative Filtering With Content-Based features)，在時間、空間複雜度不變的情況下，最大化利用可取得之資訊，以降低資料稀疏程度為目標，並比較文本特徵抽取方法在CFWCB下的準確度提升程度及其所需成本。本研究利用痞客邦真實資料集進行實驗，比較各相關推薦演算法在此資料集之準確度，以及CFWCB在利用各種不同特徵抽取方法或特徵來源產生之文本特徵於推薦準確度及推薦結果的影響。實驗發現，基礎CF較其餘方法準確，而CFWCB則是可以再大幅提升準確度，其中利用專家定義特徵結合文章內容有著最多的準確度提升，可將準確度提升至基礎CF的兩倍，而利用機器學習Doc2Vec對文章標題抽取特徵則是可將準確度提升到接近基礎CF的兩倍，除了可以節省專家定義所需的人力消耗外，準確度提升效果也僅略低於專家定義特徵，缺點則是各特徵較無獨立意義，推薦解釋性較不直覺，在近年機器學習技術日益提升的背景下，相信未來可以找到取代專家定義特徵且效果更好的機器學習特徵抽取方法；對於兩種特徵抽取方法的選擇則可視使用情境調整：較高的推薦準確率及推薦解釋性或是以機器取代人力、降低人力消耗，各有其優缺點。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2021-06-17T01:43:37Z (GMT). No. of bitstreams: 1 ntu-106-R04525056-1.pdf: 1960878 bytes, checksum: 299d6813f7b7b2660d32e338ade25312 (MD5) Previous issue date: 2017 | en |
| dc.description.tableofcontents | 誌謝. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii 摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v 1 緒論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 背景介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2 相關研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1 基於物件內容之推薦系統. . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2 協同過濾推薦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.3 資料稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4 混合式推薦系統. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.5 推薦解釋性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.6 矩陣拆解及Latent Factor Machine . . . . . . . . . . . . . . . . . . . . 10 2.7 文本特徵. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.8 既有方法分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 3 研究方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.1 方法推論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.2 演算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.3 時間複雜度及空間複雜度. . . . . . . . . . . . . . . . . . . . . . . . . 16 3.4 推薦解釋性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.5 文本特徵抽取方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.5.1 專家定義特徵. . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.5.2 機器學習特徵. . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.6 討論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4 實驗與結果討論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.1 資料集. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.2 實驗流程. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.3 實驗評估方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.4 實驗結果與討論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 5 結論與展望. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 附錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 | |
| dc.language.iso | zh-TW | |
| dc.title | 以文本特徵提升協同過濾推薦系統之準確度 | zh_TW |
| dc.title | Improve the Precision of Collaborative Filtering Recommender System by Content-Based Features | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 105-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 丁肇隆,呂承諭,王家輝 | |
| dc.subject.keyword | 推薦系統,協同過濾,資料稀疏性,文本內容,基於內容之特徵, | zh_TW |
| dc.subject.keyword | Recommender System,Collaborative Filtering,Data Sparsity,Contents,Content- Based Features, | en |
| dc.relation.page | 37 | |
| dc.identifier.doi | 10.6342/NTU201702004 | |
| dc.rights.note | 有償授權 | |
| dc.date.accepted | 2017-07-27 | |
| dc.contributor.author-college | 工學院 | zh_TW |
| dc.contributor.author-dept | 工程科學及海洋工程學研究所 | zh_TW |
| 顯示於系所單位： | 工程科學及海洋工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-106-1.pdf 目前未授權公開取用 | 1.91 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。