CN103207914A - 基于用户反馈评价的偏好向量生成方法和系统 - Google Patents

Abstract

本发明涉及一种基于用户反馈评价的偏好向量生成方法和系统，该方法包括：读取用户消费信息并提取用户评价和评分信息；获取所述消费信息与评价和评分信息的属性词和观点词；对所述消费信息与评价和评分信息的属性观点词进行极性分析；确定用户对属性偏好；建立用户偏好向量，更新用户偏好向量，本发明技术方案根据用户反馈评价中约束的属性来确定用户的偏好，从而提高确定用户偏好的准确性，节省了网站处理系统资源的时间。

Description

基于用户反馈评价的偏好向量生成方法和系统

技术领域

本发明涉及网络服务评价，具体地指一种基于用户反馈评价的偏好向量生成方法和系统。

背景技术

目前电子商务中的个性化服务系统，其基本原理是以获取和收集用户服务偏好信息为依据，进行个性化服务，以提高用户的体验。因此，准确的表示出用户服务偏好需求，也就是建立精准的用户服务偏好模型，对个性化服务系统来说至关重要。也就是说用户服务偏好模型是个性化推荐服务的基础和核心。高效的用户服务偏好模型可以提供更好的个性化服务系统。

消费者的消费需求直接制约着电子商务市场中商品的生产和销售，了解消费者的消费需求和取向，针对消费者的购买行为及消费偏好的研究正是获取这一信息最基本、也是最有效的方式。

用户偏好建模的主要任务就是将原始的、无结构的用户偏好描述信息转换成计算机能够理解和处理的结构化形式，所以用户模型是一种面向算法的、具有特定数据结构的、形式化的用户描述。用户服务偏好模型是关于用户信息、兴趣、行为等特征的可计算描述，它为用户偏好的表达提供了一种结构化的形式。

随着个性化服务系统的发展，借助用户建模技术所取得的成果，用户服务偏好表示模型的表示技术己得到很大的发展，从单一的向量空间模型到复杂的基于本体的表示方法都可以被应用。主要有基于向量空间模型的表示，基于正反例集的表示，基于案例的表示，基于本体的表示，基于树形化的表示，基于云模型的表示。

在现有的用户服务反馈偏好模型表示方法中最为常见的也是最为流行的就是基于向量空间的表示方法。该方法能够表示出各种概念属性在模型中的重要程度。它以的{(v₁,w₁),(v₂,w₂),…(v_n,w_n)}形式表示用户偏好模型，其中包含N个特征向量，(v_n,w_n)是其中一个特征向量，每一个分量由关键词v_i和与关键词对应的权重w_i组成。

层次向量空间模型（VSM）首先采用树形结构对服务偏好主题完成分类，然后用向量空间模型表示用户的服务偏好，如图1所示，图1用向量的形式可以这样理解：如果用户有N个不同的服务商品偏好类型，那么该用户的服务偏好模型可以表示为P{P₁,P₂,…,P_i,…P_n}，其中P_i表示用户对第i个类型服务商品的偏好。用户对某种服务商品的偏好表现在对服务商品属性的偏好中，P_i={P_i1,P_i2,…,P_ij,…P_im}，其中q_ij表示用户对第i个类型商品的第j个属性的偏好。用户对属性的偏好表现在两方面，一是对属性值的偏好，二是用户对该属性的感知权重。q_ij={v_ij,w_ij}。

由于用户对服务的偏好不是一成不变的，所以有必要对用户偏好模型进行适时的更新，这样才使用户对服务的偏好表达的更加准确。由于传统的评价反馈要么基于评价内容分析用户关心的属性，要么基于评分表示用户的兴趣（如协同过滤），没有考虑评价和评分的内在联系。在本发明中将用户的反馈评价信息定性的方法和定量的方法结合起来综合的分析用户的反馈评价信息，并且根据新增用户的反馈评价内容进行适时的更新用户的偏好向量。

发明内容

本发明的目的在于克服上述现有技术的不足而提供一种基于用户反馈评价的偏好向量生成方法和系统。

实现本发明目的采用的技术方案是：一种基于用户反馈评价的偏好向量生成方法，包括：

读取用户消费信息并提取用户评价和评分信息；

获取所述消费信息与评价和评分信息的属性词和观点词；

对所述消费信息与评价和评分信息的属性词和观点词进行极性分析；

确定用户对属性的偏好；

建立用户偏好向量；

对用户偏好向量进行更新。

本发明针对现有的电子商务网站上，对用户的购买行为分析，根据用户购买商品的反馈评价，获取用户的商品属性偏好信息，形成用户偏好向量，然后根据电子商务网站上随着用户对商品评价内容的增加来更新用户的反馈评价信息。

附图说明

图1为基于层次向量空间的用户服务偏好表示模型；

图2为本发明基于用户反馈评价的偏好向量生成方法的流程图；

图3为本发明基于用户反馈评价的偏好向量生成系统的结构框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

如图2所示，本发明基于用户反馈评价的偏好向量生成系统包括：用户消费信息读取并提取用户评价评分模块100，属性词和观点词匹配模块200，极性分析模块300，用户偏好属性获取模块400，偏好向量生成模块500，用户偏好更新模块600。

其中，读取用户消费信息并提取用户评价评分模块100用于记录用户的基本消费情况，消费过程，基本注册信息，消费内容，负责在消费服务性网站上搜集获取用户的评价反馈信息，并实时更新用户在获取服务之后对此次服务的反馈信息。反馈信息包括评论和评分两个部分，并结合用户的相应的消费项目归档归类。便于模块200对约束属性词和观点词的匹配。

用户属性词和观点词匹模块200用于处理约束词和观点词的匹配，该模块通过文本的处理过程，首先对文本进行句子进行边界识别，以标点符号作为句子分界的标识，其次剔除文本中一些常见的功能词，如：“地”，“的”，“得”，“而且”，“虽然”等，此外还要剔除数字，英文符号串等词汇，最后以向量空间模型表示文本，比如( ai,ri)，要将中文文本表示成向量形式首先对文本分词，由这些词表示成向量来表示文本，要用中文文本表示成向量形式，首先要对文本分词，此处采用N-gram算法，根据属性词和观点词的互依赖性，匹配提炼属性词和观点词。

极性分析模块300对观点词进行极性分析，用中国科学院计算技术研究所研制出了汉语语法分析系统ICTCLAS对评论句进行分词和词性分析，基于HowNet的极性判别方法是利用语义相似度来判断一个词语的语义是消极还是积极。除了那些在不同语言环境中有着不同语义的词语，我们通常认为词语的语义越相似，表达的感情也越相似，进而词语的极性也越接近。反之词语的语义越相悖，表达的感情也越相反，进而词语的极性也越远离。所以我们可以利用这个原理来计算词语的极性。选取一组积极词语集合和一组消极词语集合，分别计算观点词和这两组词语集合的相似度，根据相似度的计算结果归类整理观点词的极性。

用户偏好属性获取模块400处理用户对商品属性的评分，取用户对所有商品属性的评分均值与该用户对商品属性评分差的绝对值，然后结合该属性的极性分析建立用户的属性偏好。

偏好向量生成模块500负责存储上述模块生成的反馈信息偏好向量。

用户偏好更新模块600负责用随着用户对商品反馈评价的增加，而新生的用户偏好向量，更新用户原有的偏好向量。

本实施例以电子商务服务性网站为服务平台，比如淘宝网、携程网等，将本发明基于用户反馈评价的偏好向量生成系统设置在服务器端，并生成用户偏好更新系统。如图3所示，基于用户反馈评价的偏好向量生成方法和系统包括：

S101、用户开始使用一种电子商务网站，从网上购买所需商品和服务。

S102、获取用户的消费信息包括基本消费情况，消费过程，基本注册信息，消费内容。根据网站的记录提取用户的反馈信息包括评论和评分，反馈评论信息明显地指出了用户在本次服务中的商品属性以及用户对该属性的主观性评价，这些评论大多形式简短且明确，基本上没有比喻词。

S103、电子商务网站中所用评论形式最多的是自由形式。因此，本发明以自由形式的评论文本来获取商品属性词与观点词。

S104、用N-gram模型切词，根据属性词和观点词的互依赖性，再去掉高频和较低频的词，得到用户的属性词和观点词的集合。

S105、对已得出的属性词和观点词集合进行依赖度检验，分别设置最大阈值和最小阈值，对于大于最大阈值的，则用观点词和属性词出现的频率之和减去i-gram词的频率，对于在最大阈值和最小阈值之间的，保持其频率不变，对小于最小阈值的，则从集合中删去，最后根据对已经匹配的属性词和观点词的频率，删去较高频率和较低频率的属性词和观点词。

S106、对于已经得出的属性词和观点词，构建评价反馈向量<属性词，观点词，偏好>，此时偏好为空集。

S107、对观点词和属性词进行极性分析，它用来判断用户的评论是褒义还是贬义，是积极还是消极。在识别和抽取观点词的基础上，则需要对抽取的观点词进行积极消极分析。选取一组消极词词语集合和一组积极词词语集合，然后计算观点词分别与这两组集合的词语相似度，最后将计算出的两组相似度做差，结果就是该观点词的极性。

S108、获取用户的对商品的属性偏好。为消除个人评价习惯不同造成的差异，取用户对所有商品属性的评分均值与该用户对商品属性评分差的绝对值，然后结合该属性的极性分析建立用户的属性偏好。

S109、该次反馈评价生成，结合前面生成的匹配的属性词和观点词建立用户的反馈评价的偏好向量三元组生成，<属性词，观点词，偏好>。

S110、随着用户对商品评价内容的增加来更新用户的偏好向量。

具体算法的实现如下：

输入：原始的收集到的用户在电子商务网站上的购物反馈信息（评分与评论）；用户原有的偏好向量D={d₁,d₂,…d_M}，d_i=(a_i, r_i ,p_i),（i=1,2,…n）其中a_i表示反馈的指标属性词，r_i表示用户指标观点词，p_i表示用户反馈偏好。

输出：D^，={d₁,d₂,…d_M}，d_i=(a_i, r_i , p_i),（i=1,2,…n）。

Step1：给定初始用户消费服务资源体系，抽取每位用户的反馈意见；

Step2：令

，

,对于用户的反馈意见用N-gram模型切词，再去掉高频和较低频的词，得到词集U(x)( a_i, r_i)= {x|x∈U_j-gram,1≤gram≤n}, U_j-gram为反馈意见中长度为j的词；

Step3：判断U（x）中词语之间的相关性，提取反馈意见中的属性词短语u_i（noun phrases）和观点词r_i,从N- gram开始处理，然后处理（N-1）-gram，循序渐进处理，直到1-gram，在处理i- gram词时，X_i ∈U(x)( 2≤i≤n),将其分割成长度为j （1≤j＜i）的属性短语x_i ^j和长度为k（k=i-j）的观点词短语x_i ^k,计算x_i ^j和x_i ^k之间的互依赖性（MD）(x_i ^k，x_i ^j)，其中MD(x_i ^j, x_i ^k)= 

,其中

和

是两个变量出现的频率，f(s)是两个变量共同出现的频率，L是样本长度，取属性选择时互依赖性的阈值，取上阈值为μ_U，下阈值为μ_L；

Step4：如果（MD）(x_i ^k，x_i ^j)> μ_L,则转Step5，如果（MD）(x_i ^k，x_i ^j)< μ_L,则转Step6，如果μ_U≤（MD）(x_i ^k，x_i ^j) ≤ μ_L,则转Step7；

Step5：将x_i ^j和x_i ^k的频率之和减去x_i的频率；

Step6：将x_i从U（x）中删除；

Step7：则U（x）不变；

Step8：删除U（x）中较高频和较低频的词；

Step9：得出情感单元的属性词和观点词的向量集合：D_New={d_i=(a_i,r_i,

)},对D_New中所有d_i采用Step10~ Step11，执行完毕后，转Step12；

Step10:对观点词r_i极性分析，选取一组消极词语集合Ne和一组积极词语集合Po，计算观点词r_i分别和这两组集合的词语相似度，取观点词r_i的极性区间在[-1,1]，若r_i∈[-1,0]说明该观点词偏向消极，若r_i∈[0,1]说明该观点词偏向积极，

$\mathrm{Orientation}\left(r_i\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Sim}({\mathrm{key}}_{-p_i},r_i)-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Sim}({\mathrm{key}}_{-n_j},r_i)$ ，

Step11:记录观点词极性分析的得分Sr_i，设用户对商品某属性的评分为S=（S₁，S₂ …S_n），取S^，=, 

，其中P_i∈[0,1]

Step12：遍历D_New中元素，取 d_i∈D_New，d_i=(a_i, r_i , p_i)（i=1,2,…n），若

，有（）a_i∈d_i则将d_i加入集合D_New；否则有

，

，

，

,其中

，P_i∈d_i，其中α为遗忘因子，α∈[0,1]，同理更新

。

本发明采用反馈评价的方法来更新用户偏好。首先根据用户面向电子商务网站，抽取用户对购买商品的评价信息（评分和评论），通过对评价信息的分析，形成用户购买商品偏好向量。然后随着用户对电子商务网站的评价信息的更新用户偏好信息。

个性化服务是基于用户偏好的，而用户的偏好被表示为特定类型商品服务的用户偏好。因此，高质量的个性化服务必须得到用户在相关领域的偏好信息，偏好信息可以从用户主动表达自己喜好的显式方法中得到，也可以从用户的网络使用行为中挖掘的隐式方法中得到。另一方面，偏好信息可以从用户实时使用行为中得到，也可以从用户以前使用系统时获得的信息中得到。本发明中采用隐式获取用户偏好信息的方式，通过用户的信息（评论和评分），抽取用户的属性词和观点词通过极性分析挖掘出用户的偏好信息。

很少个性化服务技术解决用户实时偏好信息的问题。然而，由于在某些主题上用户的偏好是随时间改变的，所以提取用户实时偏好信息的技术必须运用到相关的个性化服务中。同一个用户可能在不同时间对同一个商品的偏好不同，人们由于过去获取服务后数据的缺乏难以运用传统的数据挖掘技术。因此，需要一种新的方法去获得和分析用户实时的偏好信息。

相比从用户显示反馈中获取偏好信息而对用户增加负担而言，从用户隐式反馈中推断出偏好信息较为可取。因此web挖掘技术已经被视为克服传统技术所固有的一些问题的一种手段。跟非在线商务数据相比，电子商务的数据（例如点击流量和通过一个Web站点的访问者的路径）更加丰富和详细。与传统只分析用户的购买记录相比，分析用户的购买行为可以更好地获得用户兴趣和对商品的偏好。

使用本发明基于用户反馈评价的偏好向量生成系统，用户在网站上获取服务之后，会将本次服务后用户的体验、反馈评论和评分的形式出现并记录在用户评价详情里，本系统根据用户的评价反馈详情将评分和评论结合起来，建立用户偏好向量，提取用户的偏好，并在本系统内储存和更新数据偏好向量，通过获取访问用户的反馈信息，针对获取到的每个反馈信息，分别在属性信息和偏好项目之间的对应关系中，查找该属性信息对应的偏好项目，根据商品属性信息确定用户在该网站的偏好类目，以便用户选取和关注感兴趣的服务属性和偏好项目，并随着用户评价信息的实时更新来更新用户的偏好向量，提高用户的体验满意度，使用方便。

由此可见，本技术方案不仅根据用户的操作行为来确定用户访问电子商务网站时的偏好项目，而且根据用户的属性值来确定用户的偏好，从而提高确定用户偏好的准确性，并对用户的偏好向量实施实时更新，节省了网站处理系统资源的时间。

Claims (6)

1.一种基于用户反馈评价的偏好向量生成方法，其特征在于，包括：读取用户消费信息并提取用户评价和评分信息；

获取所述消费信息与评价和评分信息的属性词和观点词；

对所述消费信息与评价和评分信息的属性词和观点词进行极性分析；

确定用户对属性的偏好；

建立用户偏好向量；

对用户偏好向量进行更新。

2.根据权利要求1所述基于用户反馈评价的偏好向量生成方法，其特征在于，所述用户消费信息包括：注册信息、消费过程和消费内容，以自由形式的评论文本来获取所述消费信息与评价和评分信息的属性词与观点词。

3.根据权利要求1所述基于用户反馈评价的偏好向量生成方法，其特征在于：

用N-gram模型切词，根据属性词和观点词的互依赖性，设定最大和最小的阈值范围，再去掉大于最大阈值的高频词和小于最大阈值的低频词，得到用户的属性词和观点词的集合；

对已得出的属性词和观点词集合进行依赖度检验，分别设置最大阈值和最小阈值，对于大于最大阈值的，则用观点词和属性词出现的频率之和减去i-gram词的频率；对于在最大阈值和最小阈值之间的，保持其频率不变；对小于最小阈值的，则从集合中删去，最后根据对已经匹配的属性词和观点词的频率，删去较高频率和较低频率的属性词和观点词。

4.根据权利要求1所述基于用户反馈评价的偏好向量生成方法，其特征在于：

对得到的属性观点词进行极性分析，得到观点词的极性值，根据用户对商品的评分来计算每个属性的评分，然后结合属性评分和极性值求得用户对属性的偏好。

5.根据权利要求1所述基于用户反馈评价的偏好向量生成方法，其特征在于：

对已经生成的用户偏好实施更新，根据用户在电子商务网站上的消费行为，对已经生成的用户偏好随着用户对商品评价内容的增加来更新用户的反馈评价信息。

6.一种基于用户反馈评价的偏好向量生成系统，其特征在于：包括：

读取模块，用于读取用户消费信息并提取用户评价和评分信息；

属性词和观点词匹配模块，用于获取所述消费信息与评价和评分信息的属性词和观点词；

极性分析模块，用于对所述消费信息与评价和评分信息的属性词和观点词进行极性分析；

偏好属性获取模块，用于确定用户对属性的偏好；

偏好向量生成模块，用于建立用户偏好向量；

用户偏好更新模块，用于对用户偏好向量进行更新。

Images