學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Has files: NoSubject: search.filters.subject.推薦系統

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    提供具可解釋並改善評論缺漏問題之推薦系統
    (2020) 陳佑翔; Chen, You-Xiang
    儘管以評論特徵為基礎的相關研究，證實能克服用戶-商品間評分資料稀疏的問題以提升評分預測效能，然而其並未考慮評論缺漏的問題。本論文參考採用評論之階層式注意力神經網路模型HANN，更改原模型中部分輸入特徵資訊，並調整不同層級注意力機制的權重計算方式；此模型稱為HANN-RPM，用來進行用戶對商品的評分預測。此外，另建立了一個以編碼器-解碼器架構為基礎的評論生成模型HANN-RGM，結合HANN-RPM的商品子網路架構為編碼器，不僅可用於對評分結果生成文字解釋內容，並可用於對用戶未撰寫評論的購買商品補充缺漏的評論後提供給HANN-RPM，進一步提升評分預測的效果。實驗結果顯示，不論有無缺漏評論的情況下，HANN-RPM皆較HANN有更佳評分預測效果。而當用戶具有評論缺漏的情況，透過HANN-RGM生成缺漏部份的評論補足，可令HANN-RPM預測出接近於無評論缺漏情況下的評分預測效果。此外，HANN-RGM模型透過擷取出前k筆評論中的商品語意資訊，比起NRT能生成出更長且更多樣性的評論內容，可作為評分預測之文字解釋。
  • No Thumbnail Available
    Item
    以情境感知資料與社群資訊建構餐廳推薦系統之研究
    (2016) 劉書宇; Liu, Shu-Yu
    目前市面上大多的餐廳推薦系統當中所給予使用者的推薦資訊，皆透過開發者收集(網路相關資料、部落客體驗文章)，或經由系統平台上的使用者共同分享上傳而成的資料集。但這些資料會隨著時間長久的累積，亦或是開發人員對於資料沒有定期更新或維護，即造成了資料集過於老舊以及維護需求人力成本的問題。 本研究旨在藉由Facebook社群網站平台所提供的Graph API查詢語言技術，擷取其上的社群粉絲專頁餐廳資訊當作資料集，建構一套與Facebook同步的即時動態更新的餐廳推薦系統。此外本研究也結合情境感知(Context-aware)方式來開發應用，讓系統服務更能貼近使用者，在情境資料上利用使用者情境資料(Facebook帳號資訊、偏好餐廳設定)及實體情境資料(時間、地理位置)和使用者的Google Calendar事件；而推薦功能部分，本系統透過使用者對於個別餐廳頁面的評分紀錄，作推薦過濾的排序演算，其中也用到Facebook的按讚數，當作計算因素的依據，讓推薦達到更有效的過濾。最後，本系統實作採用響應式網站設計來建構一個可以在電腦、手機及平板都具有良好瀏覽效果的網站平台雛型。