基于终身机器学习的主题挖掘与评分预测联合模型
Topic Mining and Ratings Prediction Joint Model Based on Lifelong Machine Learning

刘一宁申彦明

文摘	为充分利用历史知识,提高评分预测精度,基于终身机器学习(LML)机制提出一种同时挖掘用户评分和评论的推荐模型。在执行任务时积累知识并用于后续任务的训练,提高评分预测精度。在真实数据集上的实验结果表明,与无LML 能力的模型相比,该模型预测评分的均方误差降低5.4‰,且随着知识的积累,误差不断降低,提高了主题词语分类的精度。
其他语种文摘	In order to make full use of the historical knowledge and improve the accuracy of rating prediction,a recommendation model based on Lifelong Machine Learning (LML) is proposed to mine both user ratings and comments.The model accumulates knowledge from previous tasks and utilizes it in future tasks to help improve the rating prediction accuracy.Experimental results on real datasets show that compared with models without LML ability,the mean square error of the predicted ratings of this model is reduced by 5.4‰,and with the accumulation of knowledge,its error is continuely dropped.The accuracy of topic word classification results is improved.
来源	计算机工程 ,2019,45(6):237-241,248 【扩展库】
DOI	10.19678/j.issn.1000-3428.0051131
关键词	文本主题模型 ; 推荐算法 ; 终身机器学习 ; 评分预测 ; 协同过滤
地址	大连理工大学电子信息与电气工程学部, 辽宁, 大连, 116024
语种	中文
文献类型	研究性论文
ISSN	1000-3428
学科	自动化技术、计算机技术
基金	国家自然科学基金重点项目 ; 中央高校基本科研业务费专项资金
文献收藏号	CSCD:6513231