深度信任网络优化的电子商务推荐系统特征选择

沙特国王大学学报基于条件全熵的特征选择对电子商务自动推荐系统Shambhu Nath Sharma Prasanna Sadagopan计算机应用系，Vels科学技术高级研究学院（VISTAS），印度阿提奇莱因福奥文章历史记录：收到2020年2020年12月30日修订2020年12月30日接受2021年1月12日在线提供保留字：电子商务推荐系统条件全熵深度信任网络优化的深度学习基于灰色关联更新的鸡群算法A B S T R A C T本文提出了一个新的贡献，电子商务评论推荐系统。在这里，它实现了基于字典的情感分析，基于四个主要步骤：（i）预处理(ii)语义词提取（iii）特征提取（iv）分类。最初，从数据库中提取的推文或评论要经过预处理，这涉及三个过程：停止词删除，词干提取和空格删除。在语义词提取过程中，通过与所提取的关键词进行匹配，从词典中提取语义词。然后进行特征提取，提取所有关键词的联合全息熵和交叉全息熵，并进一步进行基于条件全息熵的特征选择过程。最后，使用深度置信网络（DBN）对所选特征进行分类过程，DBN是一种性能良好的深度学习算法。此外，本文的主要贡献依赖于DBN结构的改进，其中隐层神经元的数量和激活函数通过一种混合优化算法，称为基于灰色关联鸡更新的鸡群优化（GCU-CSO）。最后，通过与传统推荐算法在不同性能指标上的比较分析，验证了本文提出的电子商务推荐系统的有效性。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍电子商务也被称为电子商务的成功需要在线客户决策（Sharma等人，2019年; Lin等人，2018年）。电子商务网站管理员的主要目标是如何有效地检查用户的问题，并以较少的精力和时间提供所需的修改信息（Liu等人，2018年）。对于同一个问题，许多搜索引擎将提供相同的结果集，除了谁搜索了这个问题，但不同的用户经常有不同的要求（Garín-Muñoz等人，2019; Sharma等人，2019年）。在这个查询处理部分中，给出一组关键字作为预处理的输入，*通讯作者。电子邮件地址：sharma1907@gmail.com（新加坡）Nath Sharma）。沙特国王大学负责同行审查解释了客户要求（Zheng等人， 2014; Mittal等人，2016年）。管理员的关键作用是根据质量管理产品的库存。考虑客户为指定产品质量而给出的星级（Dong等人，2018年）。如果评级是好的，该产品将在网站内提供，如果评级是差的，那么它将从网站上删除。客户需要产品的质量信息来评估产品，因此客户可以决定偏好在线产品（Lin等人，2018;Zhang和Liu，2017）。从过去10年来看，由于商业和电子商务网站的改进，情绪分析的增长 正 在 增 加 （ Zhang 和 Liu ， 2017; Paltoglou 和 Thelwallm ，2010;Cambria等人，2012; Basant和Namita，2016）。 情感分析是分析客户对服务、产品等实体的看法和情感的研究。在线产品的自动分析需要通过机器提取自然文本（Marcondes Marcacini等人，2018;Ray和Chakrabarti，2019; Ireland和Liu，2018）。电子商务的主要对抗是通过情感数据蓬勃发展（Mittal等人，2016; Digvijay Mali等人，2015年），这是挖掘大型非结构化社交数据存储以获得可操作见解的机会，因此它取决于https://doi.org/10.1016/j.jksuci.2020.12.0221319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. Nath Sharma和P. 萨达戈潘沙特国王大学学报5565命名法DBN深度信念网络FPR误报率GWO灰狼优化CSO鸡群优化FNR假阴性率基于GCU-CSO灰色关联Chick更新的CSO自然语言处理通过异构网络的SVM支持向量机UTSJ无监督主题-情感联合概率模型NPV负预测值LDA潜在Dirichlet分配NN神经网络POS词性FDR错误发现率JST联合情感/主题NMF非负因子分解 NFC不经常点击MCC马修斯相关系数MFP最常被推RBM限制Boltzmann机CD对比发散多层感知器关于复杂的NLP（Igual和Seguí，2017; Kulkarni和Shivananda，2019; Taimoor Khan等人，2016），统计学或机器学习方法来分类和限制情感值（Singh和Goel，2018）。情感分析有很多方法，包括预测，分类，离群值检测，聚类，序列分析，时间序列分析，文本挖掘和关联规则（Doloto和Chen-Burger，2015）。在这方面的研究已经有效地导致了算法，方法和工具，以解决客户问题，通过几种数据类型实现应用程序，然而，这些方法具有诸如时间消耗和昂贵的操作成本的限制另一方面，推荐系统是重要的智能系统，其在向客户提供选择性信息方面起到关键作用（Orimo等人，2007; Davies等人， 2006年）。推荐系统中的一些现有策略包括协同过滤和基于内容的过滤。然而，这些策略都有特定的边界，如执行推荐任务所需的先前客户历史和行为实践。为了减少这种依赖性的影响，需要一个有效的情感分析系统来开发一个新的研究模型（Rafter和Smyth，2005）。该文件的主要贡献是基于：1. 提出了一种基于条件全熵的特征选择方法，该方法依赖于联合全熵和交叉全熵。2. 为五个电子商务数据集执行电子商务推荐系统，如亚马逊婴儿产品，亚马逊电子产品，在线产品，亚马逊玩具和在线女装3. 为了提高基于DBN的神经网络的性能，通过调整隐层神经元的数量和激活函数，使用所提出的GCU-CSO算法，融合了GWO和CSO算法的概念。论文的内容如下：第二部分是文献综述，介绍了现有电子商务推荐系统的特点和面临的挑战。在第三节中给出了电子商务推荐系统的各个预处理阶段的流程图第IV节被指定为对所提出的用于优化DBN的 GCU-CSO的改进在第五节中详细说明了所提出的讨论在第六节中提到最后，第七节是本文的结论。2. 文献综述2.1. 相关作品2018年，Marcaciniet al.（Marcondes Marcacini等人，2018）研究了基于方面的情感分析的跨域迁移学习机制。传统的方法首先从基本区域中的方面学习分类器，然后将这些分类器应用于可能导致不一致的目的区域。为了克服不一致性，引入了CD-ALPHN。实现的系统提供了一种标签传播算法，用于异构网络中的方面提取，其中语言特征被用作这种传输的链接最后，当实验已经进行标记和未标记的数据，所得到的结果显示出更好的性能比现有的方法。在2019年，Ray和Chakrabarti（Ray和Chakrabarti，2019）提出了一种深度学习策略，用于从文本中提取方面并评估与情感相关的用户将深度学习策略和基于规则的方法相结合，提高了方面提取过程和情感评分方法的性能。结果表明，该方法的总体精度为0.87，而现有方法的精度较低，说明该方法是有效的。2018年，爱尔兰和刘（爱尔兰和刘，2018）提出了蓝图的结构，以调查在线产品的审查。为了识别客户的需求，使用了一个机器生成的系统，该系统在质量和数量上都细化了大量数据，以便设计师可以做出新的决策。此外，还采用统计学方法对在线产品评论进行了调查。评价结果表明，该方法优于传统方法. 2018年，Donget al.（Dong等人，2018）推荐了基于LDA模型的UTSJ概率模型。所提出的系统利用吉布斯采样算法找到准确的参数。 接下来，随机森林和SVM分类器都进行了离线训练。最后，与现有的模型（如n-gram，token中的字符n-gram，LDA，POS和JST）相比，在标记和未标记的真实数据集上显示的不同领域的结果最好。2019年，Sharmaet al. （Sharma等人， 2019）旨在通过数据挖掘和Web挖掘的技术，应用程序和机会来设计Web搜索。电子商务的设计已经成为现有商业环境的趋势，在产品超载的困难中占上风，并满足客户的需求S. Nath Sharma和P. 萨达戈潘沙特国王大学学报5566提供特殊优惠。2018年，Liuet al.（Liu等人，2018）提出了一种活跃地改变推荐列表的方法，以解决有限的推荐布局问题，然后开发了基于NMF和LDA的新的在线推荐方法，通过调查浏览信息和当前行为来预测用户对活动的偏好。基于在线活动推荐过程，考虑了兴趣分数和推送分数，这用于微调推荐列表。最后，将所提出的策略在一个在线网站上实施，并观察了其性能，结果表明，所采用的策略具有较高的效率。2018年，Jing等人（Jing et al.，2018）提出了一种改进的基于情感评估的协同过滤策略，以发现可能的偏好并预测消费者对商业服务的需求。在方面级情感评估中，OCR被转换为结构化的方面级评论向量。最后，结果优于传统的协同过滤策略，以有效的方式向消费者推荐实体的长期过程。2017年，Araque等人（Araque等人，2017）提出了一种借助词嵌入模型和线性机器学习算法的深度学习情感分类器。其次，提出了两种集成方法，将基线分类器与情感分析中使用的其他分类器相结合。接下来，引入了两个模型，用于合并表面和深度特征以组合来自不同来源的数据。后来，从现有的作品中开发了一种用于不同模型分类的分类法。最后，统计研究表明，所提出的模型在F1分数测量方面优于原始基线。为了提取输入数据的基本特征，YuminLiu等人（Liu等人，2019）开发了基于DBN的制造工艺配置文件的实时质量监控和诊断方案。它延长了生产资产的寿命。实时监测设备具有高度依赖于个人动机来管理其健康的缺点。2.2. 审查虽然不同产品评论中的情感分析已经取得了很大的进展，但仍有一些挑战需要改进的机器学习算法来解决。在这种情况下，对来自电子商务产品的在线评论进行情感分析以用于未来的推荐系统仍然被认为是一个具有挑战性的点。因此，在电子商务和普通产品中用于推荐的最先进的情感分析的特征和挑战在表1中示出。从表中可以看出，CD-ALPHN（Marcondes Marcacini等人，2018）具有高水平的准确性，并且在基于方面的情感分析的数据分析系统中具有高度的适应性。然而，需要改进转换学习方法。深度CNN（Ray and Chakrabarti，2019）的主要特点是权重共享，自动特征学习减少了个体特征提取的过程，具有较高的统计和计算效率。尽管它有一些挑战，比如基于规则的方法需要改进，超参数调优也不是微不足道的。此外，先验和支持向量机（Irelandand Liu，2018）很容易实现，并且使用了大型数据集。但是，它需要多次数据库扫描，如果数据集很小，就会产生错误的结果。CNN（Dong等人，2018）效率高，减少数据冗余。然而，它需要大量的训练数据，以及它具有很高的计算成本。分类（Sharma等人，2019）改善了现实世界的经验，和聚类（夏尔马等人，2019）简化了快速增长的系统。但是，它在提高个性化方面面临着特殊的挑战还有，NMF和LDA（Liu等人， 2018年）具有高准确性，增强用户行动意愿。然而，它有一些改进，例如实现复杂，在小数据集中产生不好的结果。 协同过滤方法（Jing等人， 2018年）在不同的领域是灵活的，并捕捉随着时间的推移用户兴趣的变化。然而，它也有一些缺点，比如情感评估和偏好挖掘的时间消耗很高，这需要提高现实生活中网站的效率，而且价格昂贵。最后，深度学习（Araque et al.，2017）可以从训练数据集中现有的有限特征中创建新的特征，并且在训练大数据集时具有很高的准确性。然而，它也有一些缺陷，比如它需要大量的时间来训练数据，并且依赖于高性能的硬件。因此，上述提供的优势和挑战可以被激发，以改进未来的研究人员开发的情感分析系统。3. 该方法3.1. 概述本节概述拟议工作所涉的整个过程所提出的电子商务推荐系统的体系结构如图1所示.在这里，客户对电子商务网站提供的服务的意见被考虑在内。基于评论和评级，区分用户的情绪，这进一步支持构建适当的推荐系统。因此，具有来自现有客户的积极反馈的产品被推荐给新客户。因此，根据评论，客户来知道是否购买产品或不。在这里，数据库，如婴儿产品从亚马逊，电子产品从亚马逊，玩具从亚马逊，在线产品，在线女装被用于当前的实验。建议的电子商务网站推荐系统包括四个阶段，如预处理，语义词提取，特征提取和分类。为了从评论中去除冗余信息，考虑了预处理阶段这个阶段经历了三个步骤，如停用词删除，词干提取和空格删除。停用词去除用于去除频繁使用的常用词，而空格去除用于去除空格，从而降低了处理评论的复杂性和时间词干可以通过从文本中删除重复的前缀或后缀来减少特征数量在预处理阶段之后，从整个数据集的每个评论中提取很少的关键字接下来，对提取的关键词进行语义词提取阶段，在该阶段中，针对预处理之后获得的整个关键词从词典中提取语义词此外，在特征提取过程中，条件全息-对主要关键词以及语义词提取熵。在确定了联合全息熵和交叉全息熵这两个全息熵特征后，进行了基于条件全息熵的特征评价。之后，使用DBN对所获取的全息熵特征进行分类在传统的DBN结构中，隐层神经元的数量和激活函数的类型由建议的GCU-CSO优化，这是现有的CSO算法的修改版本。优化的DBN的主要目的是最小化在推荐系统测量的实际结果和分类结果之间获得的误差建议的推荐系统的输出是在5类基于评级。即优秀，非常好，好，坏，非常坏。S. Nath Sharma和P. 萨达戈潘沙特国王大学学报5567表1电子商务中情感分析的特点和挑战与常规产品推荐。作者[引文]方法论特点挑战Marcacini等人（MarcondesMarcacini等人， 2018年）《雷与查克拉巴蒂》（RayandChakrabarti，2019）Ireland and Liu（IrelandandLiu，2018）CD-ALPHN算法● 准确度高● 高度适应基于方面的情感分析。深度CNN● 它的主要特点是重量共享。● 自动特征学习减少了个体特征提取的过程。● 具有高统计和计算效率Apriori和SVM 易于实施。● 使用大型数据集。● 还需要改进转换式学习方法。● 基于规则的方法需要改进。● 超参数调优是不平凡的。● 需要多次数据库扫描。● 如果数据集很小，可能会产生错误的结果。Dong等人（Dong等人， 2018年）CNN●高效率。● 减少冗余。● 他们需要大量的训练数据。● 计算成本高。Sharma等人（Sharma等人，2019年度）分类和聚类● 分类改善了现实世界的体验。● 简化快速增长的系统。● 个性化需要改进。Liu等人（Liu等人，2018）非负因子分解和潜在狄利克雷分配● 增强用户行动意愿。● 高精度。● NMF实现起来更加复杂。● 在小数据集中产生不好的结果。Jing等人（Jing等人， 2018）协同过滤方法● 它在不同领域都很灵活。● 捕捉用户兴趣随时间的变化● 情感评估和偏好挖掘需要大量的时间。● 需要提高现实生活中网站的效率。● 它很贵。Araque等人（Araque等人，（2017年）Yumin Liu等人（Liu等人，2019年度）深度学习●它可以从训练数据集中存在的有限特征中创建新特征。● 当训练大型数据集时，它具有很高的准确性。DBN●监控和诊断制造过程。● 它需要高性能的硬件。● 训练数据需要很多时间● 它需要通过带有标签的数据进行更好的训练。DBN中的每一层都学习整个输入。Fig. 1. 提出的电子商务推荐系统的框图。3.2. 电子商务推荐系统3.2.1. 数据预处理在这种情况下，执行数据预处理以减少重复内容。它是通过三个步骤完成的：（a）停止词删除，（b）词干，和（c）空白空间删除。它们是：(a) 停用词删除（Gurusamy和Kannan，2014）：停用词是每个记录中频繁出现的特征的索引。像她这样的代词的一般特征，他，它，等等，和连词如and，but，or，等等要S. Nath Sharma和P. 萨达戈潘沙特国王大学学报5568i;j.Σ.;;因为这些词不影响分类程序。应该删除停止字以减小数据的大小。应删除停用词以提高性能。此外，如果字符是一个数字或一个特殊的符号，那么该特定的字符被废除。为了获得停用词，从列表中的频繁出现的单词进行排序，并选择最常见的基于语义值的要求。一旦这些词被选中，它们应该被删除，并删除不常见的词，例如存在于某些地方的词。(b) 词干（Gurusamy和Kannan，2014）：这是一个从特征中消除后缀和前缀的过程，这样做是为了减少词干的属性。它不需要识别单词的真正的词根，它是常见的足以将单词标在同一词干中。采用词干技术来减少特征空间中存在的特征数量，提高分类器性能，而特征的不同配置植根于一个独特的特征。E. g.：拿，拿。由此，通过消除后缀而组合形成一个孤立的特征。词干提取工作速度快，用于清除复数错误。它改进了索引的大小它缩短了词汇空间。(c) 空格消除：额外的空格将扩大单词的大小，以便空格被识别和终止。添加的制表符空格和空白从数据中根除，并仅用一个空白替代。因此，在预处理阶段，从数据库的每个评论中提取关键字，并且使用基于情感词典的方法将相应的关键字这些进一步进行语义词提取建议的电子商务推荐系统。3.2.2. 语义词抽取本 节 通 过 使 用 “www.example.com central/fileexchange/5408-dictionary” 将 提 取 的 关 键 字 与 互 联 网 中 链 接 的https://in.mathworks.com/matlab-这里，所收集的语义词与所提取的关键词高度匹配，并且针对每个语义词确定相似性得分。3.2.3. 数据表示假设一条推文，其中Pok表示肯定关键字，Nek表示中性关键字，并且Negk作为否定关键字，其中k1/41 ;2;·· ·;Nf，Nf是关键字的总数。存在于每一组肯定、中性或否定中的语义词被表示为Pokl、Nekl和Negkl，其中l/41; 2;·· ·;NS，其中NS是语义词的总数。让我们假设，两个积极的词Po1和Po2在一条推文中，这些关键字包括两个语义。语义Po1被认为是Po11和Po12，而Po2是Po21和Po22。 对于同一条推文，假设一个中性关键词Ne1，其中Ne11和Ne12是两个语义。与此同时，假设两个否定关键字，例如Neg1和Neg2，其中每个关键字分别具有两个语义Neg11和Neg12，Neg21和Neg22。4. 基于灰色关联chick更新算法的改进建议的电子商务推荐系统中的tion编码是优化隐藏神经元NH层的数量和激活函数，如Relu，Sigmoid，tanh。优化后，选择最佳的隐层神经元数目和激活函数。由方程式在等式（1）中，Opg表示测量的DBN输出，Meg是期望的DBN输出。错误：操作g-设备g错误1所提出的解决方案编码的图解表示如图2所示。这里，解的总长度为6。在DBN中，有一个输入层和一个输出层。此外，还有5个隐藏层。必须优化隐藏神经元的数量NHlay，其中lay 1/41; 2; 3; 4; 5。 层2、3和4被认为是隐藏层，其中neu-采用GCU-CSO算法对该算法进行了优化因此，基于GCU-CSO的DBN分类器的输出给出推荐输出为优秀、非常好、好、坏、非常坏类别。4.2.传统CSO算法CSO（Xianbing Meng等人，2014）是基于小鸡的等级顺序和鸡群的行为的相似性而启发的，鸡群由小鸡、母鸡和公鸡组成。CSO算法模拟了事物的有序排列和鸡群觅食的特点，每只鸡代表一个问题的可能解。鸡群的行为遵循如下规律：鸡群由多个群体组成。在每一组中，都会有小鸡，母鸡和公鸡。根据适应度值将鸡群划分为多个群体，并描述了鸡群的个体特征。如果鸡的适应值是最好的，那么它将被认为是公鸡类别下的领导者。如果鸡的适应度值最差，那么就是小鸡，其余的都是母鸡。母鸡选择它们喜欢生活的群体。母鸡和小鸡之间的母子关系是随机形成的。群体中的母子关系和优越关系保持不变。这将针对每个TS时间步长进行更新。为了寻找食物，这些鸡会跟随着一群公鸡，因为它们不再吃其他公鸡的食物。想象一下，鸡会抢别人找到的食物。小企鹅在妈妈周围寻找食物。让RoN是公鸡，HeN是母鸡，ChN是小鸡，MoN是母鸡，其中N是虚拟鸡的数量。鸡的位置可以表示为：在ts个时间步长处在DS维空间中搜索食物具有最佳适应值的公鸡有更多的偏好比健康值差的公鸡更容易获得食物。roster的更新方程如方程所示。其中Randn0;r2表示具有平均值0和标准偏差r2的高斯分布，如等式（1）所示（二）、这里，术语e是指避免零除法误差的最小常数适应度值表示为根据X的fit，公鸡的指数表示为X它是ω。1分兰德。0;r2=0鸡群算法优化DBNi;jR2i;j（1;if fiti6fitc;C1N c i34.1.目标模型和解决方案编码1/4expectfittc-fitti否则健康与健康2½;];在这里，所提出的电子商务推荐系统的基本目标模型是使用DBN分类来最小化实际结果与测量结果之间的误差，其在等式中表示（一）. 解决方案的主要目的为了寻找食物，母鸡会跟随同组的公鸡，甚至会吃其他鸡得到的食物。在这里，更有竞争力的雌鸽是优势雌鸽。这在Eq.（4），Eq.（5）、Eq.其中，Rand是S. Nath Sharma和P. 萨达戈潘沙特国王大学学报5569.Σcm;jð2 ½ ···]..i;jð Þ ð Þ ð Þ ð Þi;jrn1;ji;j1NHNHNH陆乙状H图二. 电子商务推荐系统中优化DBN的解编码。（Marcondes Marcacini等人， 2018年）。公鸡的指数是表示为rn12 1/21;·· ·;N]，其是第i只母鸡当然，拟合i>拟合rn1;拟合i>拟合rn2，所以并使其它搜索代理更新它们的位置以对应于最佳搜索代理位置。振荡的数学方程表示为Eq.（11），方程。（12），Eq.（十三）EPa 1/4 jE1·Xa-Xj;D2<11eX112：1，k>0当量（34），CHae i指示的条件全熵，p;qSSst-1/4similarity t-1/2Pos;Negt-1/28这里，计算逐行平均语义相似度，其中，正面和中性之间的分配为1YSSN，并且正面和负面关键字被分配为分配为1YSS-。此外，平均熵的定义类似于其中平均熵lYS SsN表示为lYM hN，lYM h-是lYS S-的 平 均 熵。根据最后，建议GCU-CSO是用来分类的评论推荐使用选定的功能。5.2. 深度信念网络DBN是一种生成图形模型或一类由多层潜变量组成的深层神经网络，层与层之间的连接，而不是内部单元s s s等式（16）中，正字和中性字之间的交叉全熵的数学公式表示为等式（16）。 （29），以及正负之间的交叉全息熵公式keywor dsis表示在等式（30），其中的大小。lYMhNT和每一层。当在没有监督的情况下对一组示例进行训练时，DBN可以学习以概率方式重建其输入。层然后充当特征检测器。在这个学习步骤之后，DBN可以在监督下进一步训练以执行分类。DBNs可以被看作是一个简单的，无监督的网络组成，lYMh-不 是N. 我是YSS，×1<$T，<$1×Nb <$是的大小。lYSSNand例如受限玻尔兹曼机或自动编码器，其中每个子网络下一个RBM是一种无向的、基于生成能量的模型YC HN。IYM hNT. lYMh-29不，S类似地，在否定词和肯定词、否定词和中性词以及中性关键词和肯定关键词、中性关键词和否定关键词之间评估交叉全熵。因此，正FNegFP1×、负FNeg2和中性词FNe3的特征的总数表示在等式（1）中。（31），Eq. （32），Eq. （三十三）。F P1¼。ACH1;ACH2;· ··;ACH-31FNe g2¼。ACH-1;ACH-2;·· ·;ACH-NFN e3¼。ACHNe;ACHNe;· ··;ACHN-33具有“可见”输入层和隐藏层以及层之间但不在层内的连接。这种组合导致了一个快速的，逐层的无监督训练过程，其中对比发散依次应用于每个子网络，从“最低”的一对层开始观察到DBN可以一次一层地训练，这导致了第一个有效的深度学习算法之一总的来说，在现实生活中的应用程序和场景中，DBN有许多有吸引力的实现和使用提取的基于条件全熵的特征将被分类，以使用优化的DBN进行最佳推荐DBN（Liu等人，2019）由几个层组成，如隐藏层，输入层和输出层。可见神经元出现在输入层，隐藏神经元出现在输出层。DBN利用玻尔兹曼网络以概率的方式获得结果DBN的结果用op表示，它捕获二进制格式。结果由以下概率组成：正弦函数。B op bk在Eq. （36）Eq.FP1的长度是NPo<$2NNeg< $2，FNeg2的长度是NNe <$2，FNe3的长度是NNe<$2。联合交叉提取特征噪音的概率。随机模型在Eq. （38）.三种情感中所有词的全熵列于表2中。因此，提取最终特征FP FP1;FNeg2;FNe3。一旦这些特征被提取，所提出的模型使用一个控制器，操作¼1个，带1-Bopbpbbk0，带Bopbk1ð36Þ基于全息熵的特征选择过程。在该特征选择方法中，需要考虑输入属性aei和类属性ce，基于条件全熵的特征选择基于Eq. （三十四）。BopbKTemp18><0对于k01Tempð37ÞFEFβi;CE βFP βi-CHβi;CEβ34li mTem p！0B op bkli mTem p！0-k¼2对于k¼0þð38Þ其使用Eq.其中Ne是特征的数量，Pei是特征的概率。NeCHaei;ce Pei×FP aei;ce351/4表2联合和交叉全熵特征。在玻尔兹曼分布的基础上，引入玻尔兹曼模型，以优化设计输入模式为目标。为了配置神经元状态ns，玻尔兹曼系统的能量是在等式（1）中表示的主要输入。（39）。玻尔兹曼系统存在于包围神经元的DBN中，并且在等式中示出。（40）。 神经元之间的质量表示为Q·p;q和b表示神经元的偏差。EBns1¼XQ·p;qnsp nsq-bpnsp39FP1FNeg2FNe3ACH-1ACH-1ACHNDE B. xpΩ/VXnspQ·布Qð40Þ此外，关于能量的可见神经元和隐藏神经元之间的配置在等式中描绘（41），Eq.（42），Eq.Po（43）.在这里，可见神经元和隐藏神经元的二进制状态是表示为vip和hidq。可见和不可见的偏见权重单位为vw p 和hwq。 成果管理制培训教材.pq（三十七）. Temp是处理pBACH-2ACH-2ACHN2......ACHNACH-N阴性ACHNNNe公司简介YCH-N公司简介公司简介公司简介公司简介S. Nath Sharma和P. 萨达戈潘沙特国王大学学报5572.ΣF¼¼ðÞX xX由于权函数的参数限制了输入信息的概率分布，因此减少了RBM学习过程中分配的概率。权重分配的数值方程如方程所示（44）。EB0;hi d-Q·p;qviphi dq-vipP aωp-hidqhwq41p;q6. 结果和讨论6.1. 实验装置在MATLAB 2018a中实现了所提出的电子商务推荐系统，并进行了性能分析对于实验，考虑了来自电子商务的五个数据集。这里的测试 用 例 1 是 来 自 Amazon“ （ www.example.com ） 的 婴 儿 产 品https://www.kaggle.com/sameersmahajan/reviews-of-amazon-D EB. 躲起来！XQ·隐藏q<$Paωð42Þ婴儿产品/下载/reviews-of-amazon-baby-products.zip/p;q pQDEB. vi！;hidqXQ·pqviphwq431https://www.kaggle.com/datafiniti/consumer-amazon-products.zip/5#Datafiniti_Amazon_Consumer_Reviews_q;of_Amazon_Products_May19.csv案例3是来自亚马逊的玩具https://www.kaggle.com/Prompt-CloudHQ/toy-products-on-amazon/downloads/toy-products-on-Wma xWPF！2TrJ0vi0！ð44Þ此外，RBM可以通过从