基于文本挖掘的上下文感知推荐方法与体育服务可操作知识提取

### 基于文本挖掘的上下文感知推荐方法与体育服务可操作知识提取 在当今的信息时代，推荐系统和体育服务管理面临着诸多挑战。一方面，推荐系统需要更精准地考虑上下文信息以提供高质量的推荐；另一方面，体育服务提供商需要有效降低客户流失率，提高客户忠诚度。本文将介绍一种基于文本挖掘的上下文感知推荐方法，以及如何在体育服务中提取可操作知识以增加业务效用。 #### 基于文本挖掘的上下文感知推荐方法 ##### 评估概述 为了评估该推荐方法，进行了两项不同的评估。 1. **第一项评估**：将CARM - TM方法（结合CIET.5 embed和RulesContext技术）与无上下文的MF算法（基线）进行比较，以展示CIET.5 embed和RulesContext技术提取的上下文信息在上下文CAMF推荐系统中的影响。 2. **第二项评估**：使用CARM - TM方法比较CIET.5 embed和RulesContext，以确定哪种上下文提取技术能提供最佳推荐。 ##### 数据集 使用的数据集是RecSys数据集，来自2013年ACM RecSysChallenge，用于为Yelp用户定制推荐。该数据集包含11,537个项目（商家）、45,980个用户和229,901条评论。用户可以在Yelp网站上通过评论对商家进行评价，包括星级评分（1 - 5星）和文字评论。 ##### 实验设置 1. **评估指标**：为了衡量推荐系统的预测能力，使用All But One协议和10折交叉验证。将文档集划分为10个子集，每次使用n - 1个子集进行训练，剩余子集进行测试。训练集用于构建推荐模型，对于测试集中的每个用户，隐藏一个项目作为单例集H，其余项目作为推荐中使用的可观察项目集O。基于10折交叉验证，计算10个推荐的平均精度均值（MAP@10），并使用双侧配对t检验（置信水平95%）比较两个推荐算法。 2. **CIET.5 embed技术**：考虑阈值值为0.25、0.50和1.0，上下文大小为4和10个单词，共使用6种不同配置（3个阈值值×2个上下文大小）。这些值是根据先前工作的最佳结果采用的。 3. **RulesContext技术**：使用最小支持值为10%和置信值为50%生成关联规则。为了选择最相关的规则，使用MI度量的切割百分比为50%和75%。从最相关的规则中，选择前5、10和20条规则的集合，共6种组合（2个MI值×3个集合大小）。 4. **算法执行**：MF和CAMF算法执行20次，k值为5、10、50和100，λ值为1、10、100、150和200。 ##### 实验结果 1. **CIET.5 embed技术结果**：与基线MF相比，总体结果非常令人满意。上下文信息10 1提供了最佳结果，但在k = 5和λ = 150的参数下，上下文10 025呈现了最佳的MAP@10值。 | Parameters | Baseline | 4 025 | 4 05 | 4 1 | 10 025 | 10 05 | 10 1 | | --- | --- | --- | --- | --- | --- | --- | --- | | λ = 1, k = 5 | 0.001479 | 0.001436 | 0.001535 | 0.000929 | 0.001503 | 0.001929 | 0.002839 | | λ = 1, k = 10 | 0.001176 | 0.001400 | 0.001569 | 0.001431 | 0.001262 | 0.000925 | 0.003606∗ | | … | … | … | … | … | … | … | … | 2. **RulesContext技术结果**：结果同样令人满意。在大多数情况下，MI切割为50%提取的上下文呈现了最佳结果，其中上下文50 20提供了最高的MAP值。 | Parameters | Baseline | 50 5 | 50 10 | 50 20 | 75 5 | 75 10 | 75 20 | | --- | --- | --- | --- | --- | --- | --- | --- | | λ = 1, k = 5 | 0.001479 | 0.001641 | 0.002433 | 0.002041 | 0.001886 | 0.002178 | 0.001942 | | λ = 1, k = 10 | 0.001176 | 0