计算机论文哪里有？本文为了实现情感表示问题，建立了基于 PAD 情感值的统一的情感描述模型，从而为后面的情感提取和情感相似度计算提供情感理论模型。实验结果表明，我们提出的情绪表示方法是有效的。
第1章 绪论
1.2国内外研究现状
本文重点考虑多模态内容中的情感因素，我们的假设是考虑顾客情绪可以提高推荐质量，用户发布内容中的情感表达决定了电影的个性化选择。本文主要介绍基于多模态的个性化电影推荐算法研究，涉及到个性化推荐算法、情感计算及多模态的处理，从以下三个方面分别介绍。
1995 年罗伯特·阿姆斯特朗等人[7]设计了个性化导航系统 WebWatcher，Marko Balabanovich 等[8]推出了向个人提供个性化的 LIRA 保险单。1995 年 8 月，亨利·利伯曼推出了基于内容的 Letizia 的在线推荐系统[9]。1997 年，AT＆T 推出了系统过滤的个性化推荐系统 PHOAKS[10]和 ReferralWeb[11]。GroupLen[12]研究计划提供了一种基于协同过滤的新闻和电影推荐的解决方案。Google 关键字广告（AdWords）[13]可以根据用户搜索内容和网络历史记录了解用户的偏好，然后提供与内容相关的广告，这些内容可增加广告投放精度并增加用户点击的机会。Tapestry 系统首先使用协同过滤算法[14]，之后 GroupLen 团队应用协同过滤算法在电影推荐。电影推荐 MovieLens[15]和豆瓣电影、音乐推荐 Ringo 和豆瓣音乐、视频推荐 Video Recommender 和 Youtube[16]、笑话推荐 Jster、亚马逊的在线预订以及淘宝均使用了协同过滤。贝叶斯、聚类、Horting、SVD 和机器学习技术[17]等算法均已应用于推荐系统。Hartigan 等[18]设计 k-means 算法以计算用户邻居。Sarwar 等人[19]提出了奇异值分解（SVD）方法来降维，解决评分矩阵稀疏问题，但是降维有可能损失数据精度。Koren[20]提出了 SVD++在线推荐方法。MichaelJahrer 等人[21]在著名 NetflixPrize 举办的电影推荐大赛中提出了混合推荐算法，结合了不同学习算法，实现较好的准确性。Badrul Sarwar[22]改进了协同过滤算法中的余弦测量方法，并使用统计用户评分来比较用户评分数据，从而改善了协同过滤的推荐效果。
推荐算法的本质是通过一定的方式将用户和物品联系起来，搜索和推荐至少要分两个阶段：召回和排序。在召回阶段，因为处理的数据量较大，要求速度快，模型要简单，且特征少。但在排序阶段，数据较少，模型可复杂达到精确，多特征训练。
第3章 PSO优化的图像特征和文本特征的多模态整合你算法
3.1引言
随着深度神经网络的发展，许多研究工作已经提出了用深度融合策略预测多模态情感。Chen 等[77]提出了门控多模态嵌入模型，以解决输入声音和视觉内容中存在的带有噪声信息的融合挑战。You 等[78]建立了一个名为 CCR 的多模态回归模型预测视觉和文字内容的共同情感，针对不同形态特征预测的情绪通过一致的 KL 散度损失加强了一致性。Chen 等[79]学习双义表情符号嵌入，并使用基于注意力的 LSTM 将这些嵌入用于 Twitter 情绪分析。Hu and Flaxman[80]开发了一种多模式情感分析模型，通过对社交媒体上的图像、文本和标签进行联合分析来推断用户的潜在情绪状态。TFN[81]概述了时间上视图之间的相互关系，并用多视图融合存储统一了序列以执行顺序学习以进行情感分析。Deep CU[82]提出了通过深度融合网络结合独特和共同的潜在信息进行多模态情感分析的方法。张等[83]采用深度强化模型，通过关注文本和声音内容来进行多模式情感分析，他们首先使用深度强化学习在话语中探讨子句级别的结构，然后构建用于情感推断的分层交互式嵌入。MIMN[84]使用多交互记忆网络进行基于方面的多模态情感分析，它利用给定方面的两种记忆网络，学习交叉模式中的交互影响和单模式数据中的自影响。
多模态融合包括模型无关的方法和基于模型的方法，其中模型无关的方法包括早期、晚期、混合融合；基于模型的方法包括多核学习、图像模型、神经网络的方法[85]。本文针对文本和图像的特征提取，为了更好捕捉模态间的关系，采用模型无关的方法。因为本文提出的是个性化电影推荐算法，从豆瓣电影网站和微博平台收集的数据，其涉及到的文本和图像信息较多，且目前文本处理技术和图像处理技术较为成熟，多模态融合多用于视频分类、检测事件、情感识别、不同模态间的翻译、视觉问答、语音识别等，将两者融合提取信息用于推荐算法的研究较少，因此本文设计了基于图像特征和文本特征的多模态特征融合算法。
第5章 实验与分析
5.1实验环境简介
本研究实验过程中，使用的具体的硬件环境和软件平台如下所示。
1）硬件环境
CPU 处理器：2.6 GHz Intel Core i7 内存：32 GB 2400 MHz DDR4 图形卡：Intel UHD Graphics 630 1536 MB 硬盘：1GB
2）软件平台
操作系统：macOS Mojave 版本 10.14.6 开发工具：PyCharm 2019.2.3 (Professional Edition)，Jupyter Notebook，Visual Studio Code Python 版本：3.7.2 Anaconda 版本：anaconda-client 1.7.2
5.2实验数据
提出了一种跨平台用户情感偏好建模方法，通过提取用户的个性化信息，对两个平台的重叠用户进行建模。本文共获取了新浪微博和豆瓣网共同用户 2896个(数据集的具体介绍参见第 4 章)。对于每个实验用户，本文收集了豆瓣网上的多部电影标题、简介和海报，另有在豆瓣网上对观看的电影的评论。此外，还收集了前文提到用于用户建模的微博上发表的所有原创微博以及对应图片，具体如表 5-1 所示。
第6章 总结和展望
6.2 展望
近年来，情感分析算法和推荐系统已成为自然语言处理领域的研究热点之一。随着互联网时代的到来，社交媒体发展迅速，并已开始影响人们生活的方方面面。针对个性化推荐的研究已成为一项非常具有社会意义的任务。在推荐算法研究领域，尽管本文取得了一些进展，但仍然存在很多可以拓展的研究方向，预期在以下领域可以进行进一步的研究。
（1）通过抓取更全面的用户信息和微博内容，收集更多的用户行为数据，可以更准确地描述用户，提高基于用户画像的个性化推荐算法的准确性。
（2）对于实验中使用的数据集，手动标记的情绪的极性可能存在一些偏差。如果拥有更准确的数据集，则可以显著提高数据的可靠性，并更好地证明算法的有效性。
（3）在以后的工作中，可以通过指定引荐路线，同时提供引荐列表（例如基于朋友的引荐和基于关键字项的引荐）来改善用户体验。
（4）希望在推荐系统中包括时间限制。这可以进一步帮助在这些系统中输入时间特征，例如可以根据不同季节提出有关季节的推荐，因为人们更喜欢在圣诞节看节日主题的电影或在假期看大片等。
（5）除了可以提取图像、文本特征，还可以提取视频特征。将三者融合后进一步验证基于情感值的个性化推荐算法。
（6）根据本文进行的研究，分析表明，与不同的 CF 模型一起使用时，集成方法显示出改进，这表明可以进一步研究不同的集成学习技术，以提高推荐系统的效率。
参考文献（略）
