등급 전용 방법 > 사업평가결과 및 결산보고

예측 모델에 대한 적용 외에도 점수 평가와 텍스트 검토를 모두 고려하는 것은 추천 시스템에서 중요한 역할을 합니다. 사용자에게 제품을 추천하기 위해서는 최종적으로 사용자가 새로운 제품에 어떻게 반응하는지 예측해야 합니다. 이를 위해서는 각 제품의 특성뿐만 아니라 각 사용자의 내재된 취향을 공개해야 합니다. 예를 들어, 사용자가 해리포터를 좋아할지 예측하려면 해당 책이 마법사에 관한 책인지 여부와 사용자의 마법에 대한 관심 수준을 판단하는 데 도움이 됩니다. 제품과 사용자의 이러한 고유한 차원을 발견하려면 사용자 피드백이 필요합니다. 이러한 피드백은 종종 리뷰 텍스트와 함께 숫자 등급의 형태로 제공됩니다. 그러나 기존 방법에서는 리뷰 텍스트를 무시하는 경우가 많아 사용자 평가를 정당화하는 동일한 텍스트를 삭제하므로 사용자 및 제품 차원을 완전히 해석하기 어렵습니다. Yu et al. [ 67 ]은 더 나은 평가 예측을 위해 사용자 또는 항목의 평균 평가를 감정 확률과 연결하는 변환을 제안했습니다. 항목의 평균 평점을 텍스트 리뷰의 감정 분포로 변환하고 평균 평점 점수를 감정 분포의 확률 공간에 매핑합니다. Amazon의 실제 데이터 세트를 사용하여 모델을 사용한 평균 제곱 오차(MSE)가 가장 작은 MSE(1.361)를 달성하여 고려된 모든 모델 중에서 가장 좋은 성능을 발휘한다는 사실을 발견했습니다. 링(Ling) 외. [ 31 ]은 주제 모델과 평가 모델을 결합한 생성 모델을 제안했습니다. 실험에 따르면 제안된 모델은 강력한 기준 방법에 비해 상당한 개선을 가져오는 것으로 나타났습니다. 특히 등급 전용 방법으로는 정확한 예측을 할 수 없는 희소 데이터 세트(콜드 스타 설정)의 경우 더욱 그렇습니다. 구글 상위노출 온라인카지노 커뮤니티 스포츠중계 스포츠중계 성인용품 성인용품 롤 토토 롤 토토 비제이벳 강남달토 강남레깅스룸 11