CN106202252A - 一种基于用户情绪分析的出行推荐方法、系统 - Google Patents
一种基于用户情绪分析的出行推荐方法、系统 Download PDFInfo
- Publication number
- CN106202252A CN106202252A CN201610498242.7A CN201610498242A CN106202252A CN 106202252 A CN106202252 A CN 106202252A CN 201610498242 A CN201610498242 A CN 201610498242A CN 106202252 A CN106202252 A CN 106202252A
- Authority
- CN
- China
- Prior art keywords
- emotion
- targeted customer
- user
- trip
- ground information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002996 emotional effect Effects 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000011524 similarity measure Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 23
- 230000036651 mood Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000002156 mixing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000000205 computational method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010011469 Crying Diseases 0.000 description 1
- 244000097202 Rathbunia alamosensis Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 238000003457 Shi epoxidation reaction Methods 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- ZPUCINDJVBIVPJ-LJISPDSOSA-N cocaine Chemical compound O([C@H]1C[C@@H]2CC[C@@H](N2C)[C@H]1C(=O)OC)C(=O)C1=CC=CC=C1 ZPUCINDJVBIVPJ-LJISPDSOSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户情绪分析的出行推荐方法、系统，系统包括了，预处理模块和推荐模块，方法为，根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；建立目标用户分享该出行地时对应的情绪因子与目标用户分享的出行地信息之间的关联，得到目标用户关联数据；提取目标用户关联数据，进行相似度计算；根据相似用户的出行地信息建立用户列表，计算得到目标用户对于相似用户的用户列表中用户分享的所有出行地信息的兴趣值；得到出行列表并推荐给目标用户。本发明从社交网络上提取用户在不同的粒度级别和不同时间段的情绪状态，帮助用户更好的探索和发觉自己在出行方案选择上的偏好。
Description
技术领域
本发明属于数据处理领域，特别涉及基于用户情绪分析的出行推荐方法、系统。
背景技术
人们在不同的场景和状态下，对旅行和休闲去处的选择上有着不同的喜好。目前许多推荐系统已经开始考虑结合各种用户相关的背景信息，比如推荐系统中包括时间、地点、场景、天气和其他一些混合情境来改进推荐的精准率。
但是，当用户在对出行计划进行规划的时候，情绪对于用户的影响往往是会影响到最终的结果。然而用户的情绪状态是一个典型的次级背景信息，因为它不能直接被测量，而需要通过其他类型的背景信息推断出来。因此，及时获取用户的情绪状态并在推荐系统里应用，是一项极具有挑战性的工作。虽然市面上也只有少数的推荐系统会尝试提取和利用用户的情绪并进行有效推荐，但是对于那些关注情绪如何影响到用户对于旅游和休闲出行行程推荐的推荐产品，在现有市场上还是一片空白。
发明内容
本发明要解决的技术问题是，通过情绪分析辅助的推荐方式，从社交网络上提取用户在不同的粒度级别和不同时间段的情绪状态，帮助用户更好的探索和发觉自己在出行方案选择上的偏好。
解决上述技术问题，本发明提供了一种基于用户情绪分析的出行推荐方 法，其特征在于包括如下步骤：
根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；
建立所述目标用户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；
提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；
根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值；
根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户。
更进一步，所述目标用户关联数据按照包括如下的元组结构：
{目标用户、情绪因子、出行地信息}，
所述情绪因子与出行地信息的进行同步提取，所述目标用户与所述情绪因子、出行地信息相对应。
更进一步，所述情绪因子通过情绪向量表达，所述情绪向量包括二维、七维以及二十一维，所述情绪向量的维度与所述情绪因子的分类粗、细程度呈正比，若情绪向量的维度高，则情绪因子的分类为细，若情绪向量的维度低，则情绪因子的分类为粗。
更进一步，所述情绪因子通过情绪向量表达的具体方法为：
通过收集用于表达用户情绪的词语或者字构造情绪词典；其中包括至少从通过从Web端上采集的用以表达用户情绪的词语或者字；
使用文本分割工具将采集到的社交网络中发布的状态文字分割成一系列关键词；
根据所述情感词典，计算所述关键词在所述情感词典中不同情绪向量相关的词或者语句的数量。
更进一步，所述目标用户关联数据的获得方法为：
设置一时间窗口，用以获取用户在分享出行地信息之前，在社交网络中分享的内容列表；
根据所述内容列表计算所有与分享出行地信息相关的社交网络中的情绪因子，把目标用户分享的不同出行地信息转换成相应的情绪向量，生成目标用户关联数据。
更进一步，时间窗口设置为一个小时前，三个小时前，五个小时前或者一天前。
更进一步，根据所述兴趣值将所述出行地信息进行排序时，还包括如下步骤：
通过合并UCFE基于用户的情绪协同过滤算法和ICFE基于物品的情绪协同过滤算法，得到推荐策略后输出：出行列表并推荐给目标用户。
更进一步，在所述UCFE算法中，将情绪语境作为计算目标用户相似度的因素，在对所述目标用户进行推荐时，将所述目标用户的当前语境加入到推荐过程中；
在所述ICFE算法中，将情绪语境作为计算出行地信息相似度的因素，在为目标用户进行推荐时候，将当前情绪语境加入到推荐过程中。
本发明还提供了基于用户情绪分析的出行推荐系统，包括预处理模块和 推荐模块，
所述预处理模块用以，
根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；
建立所述目标用户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；
所述推荐模块用以，
提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；
根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值；
根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户。
更进一步，所述预处理模块还用以，储存所有用户的关联数据，并将其中目标用户的关联数据同步至所述推荐模块。
本发明能够针对不同用户进行出行地推荐，从用户的历史行为选择和消费中学习用户的偏好，并对用户所处环境敏感程度，提供个性化定制的智能推荐系统。
本发明的有益效果：
1)在本发明中基于用户情绪分析的出行推荐方法，能够通过分析在社交网络中用户公开分享的内容和目标用户分享该出行地时对应的情绪因子，并建立关联数据，从而推断出相关的用户情绪语境，并利用一种新的情绪感 知混合推荐算法把情绪语境融入到用户的出行地的推荐中。
2)本发明中基于用户情绪分析的出行推荐方法，远优于没有考虑用户情绪的推荐方法。经过仿真模拟，将用户的情绪语境作为重要的因素大大提高了推荐方法的命中率、精度和召回率方面的表现。此外，相对于粒度级别更低的情绪信息，粒度级别越高的信息越能够提高推荐的命中率和精度。
3)对本发明中基于用户情绪分析的出行推荐系统在实际使用时，出于对出行推荐系统运行环境有限资源的考虑，在选择合适的粒度级别能够更好的平衡推荐的速度和精度。
4)本发明中将情绪因子通过情绪向量表达，所述情绪向量包括二维、七维以及二十一维，所述情绪向量的维度与所述情绪因子的分类粗、细程度呈正比，若情绪向量的维度高，则情绪因子的分类为细，若情绪向量的维度低，则情绪因子的分类为粗，可选择不同的粒度级别从而更好的平衡推荐的速度和精度。
附图说明
图1是本发明一实施例中的基于用户情绪分析的出行推荐方法流程示意图。
图2是图1中的目标用户关联数据结构示意图。
图3是图1中的情绪因子通过情绪向量表达示意图。
图4是图1中的情绪因子通过情绪向量表达的流程示意图。
图5是图1中目标用户关联数据获得方法流程图。
图6是是图1中的兴趣值计算方法流程图。
图7是本发明一实施例中的基于用户情绪分析的出行推荐系统结构示意 图。
图8是图7中的操作步骤示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
图1是本发明一实施例中的基于用户情绪分析的出行推荐方法流程示意图。
在本实施例中的一种基于用户情绪分析的出行推荐方法，包括如下步骤：
步骤S100根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；采用社交网络作为用户情绪数据来源的原因是因为，对于许多人来说，经常在社交网络平台上分享自己最新的状态已经成为他们的日常生活不可或缺的一部分。在本实施例中基于这样的设定情况，即社交网络可以在特定的时刻显性或隐性的反映用户的情绪，比如，用户通过新浪微博分享美食，则显性的表示用户喜爱美食，通过所分享的具体美食隐性表示用户当时的情绪，是开心、兴奋、烦恼亦或是沮丧。又比如，用户通过微信的朋友圈分享去处和感受，则通过分析用户分享时当下的感受，对用户的情绪进行判断。
在一些实施例中，所述目标用户包括但不限于，不同年龄段的用户，18-22岁的学生用户，22-28岁的青年用户，28-35岁的上班族用户，35-45岁的中年用户等。
在一些实施例中，所述目标用户包括但不限于，男性or女性用户，已 婚or未婚用户。
在一些实施例中，所述目标用户包括但不限于，通过OAUTH协议授权的第三方方式从社交平台、旅游专题以及论坛获得。所述OAUTH协议为用户资源的授权提供了一个安全的、开放而又简易的标准。与以往的授权方式不同之处是OAUTH的授权不会使第三方触及到用户的帐号信息(如用户名与密码)，即第三方无需使用用户的用户名与密码就可以申请获得该用户资源的授权。
在一些实施例中，社交网络中的用户行为包括但不限于，发表文字评论、数字评分、分享图片、分享视频。由于用户在SNS平台上分享着各类的信息，包括新闻、知识、资源、他们的意见和状态。因此，就可以从用户在社交平台或微博上分享的信息推断出他们所感兴趣的点和相关的背景信息。特别是用户还会在平台上分享自己在某段旅游和休闲出行时的情绪状态，这意味着用户在分享自己出行经历时的情绪和分享的出行地有着潜在的相关性。
上述提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子是指，比如用户发表的微博状态，特别是状态所表现出来的情绪，和去处之间的关联，让我们可以从另一个角度了解用户的偏好。
通过所述步骤S100，至少包括如下的技术效果：能够通过分析在社交网络中用户公开分享的内容和目标用户分享该出行地时对应的情绪因子，并建立关联数据，从而推断出相关的用户情绪语境。
步骤S101建立所述目标用户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；所述目标用户分享该出行地时对应的情绪因子是指用户分享时的情绪。建立所述目标用 户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联是指，情绪因子与出行地信息的关联关系。一般而言，当用户发布了一个关于旅游和休闲出行相关的微博分享时，在这个分享时间点之前所分享的微博文本状态，可以从最大程度上反映了用户的情绪。即在本实施例中尝试发现用户情感与出行地去处的联系的时候，只需要考虑在用户分享去处那个时间戳之前的微博分享状态来挖掘用户的情绪。
在一些实施例中，所述目标用户关联数据的获得方法为：设置一时间窗口，用以获取用户在分享出行地信息之前，在社交网络中分享的内容列表；根据所述内容列表计算所有与分享出行地信息相关的社交网络中的情绪因子，把目标用户分享的不同出行地信息转换成相应的情绪向量，生成目标用户关联数据。具体地，以微博为例，通过设置一个可以用于获取用户在发布旅游和休闲出行相关分享前的微博列表的时间窗口(例如，一小时前，三小时前，五小时前或一天前)，并计算所有与分享去处微博相关的符合条件的微博的情绪向量。这样，我们就可以把所有用户对于不同去处的分享转换成相应的情绪向量，生成能代表所有用户的出行去处和情绪的关联数据。
通过所述步骤S101，至少包括如下的技术效果：通过准确建立目标用户关联数据，考虑到了情绪与去处的关联性，能够实现情绪影响到用户对于旅游和休闲出行行程推荐。
步骤S102提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；一般来说，如果两个用户分享了同一类型的旅游和休闲出行相关的信息，就代表了他们可能是相似的。而且，如果两个用户分享越多的共同去处信息，那么他们就越相似。此外，如果两个用 户是在同一种情绪语境下分享相同类型的去处信息，则他们就比那些在不同情绪语境下分享同一类去处信息的用户更相似。
在一些实施例中，目标用户和相似用户的相似度包括转发的和原创的。
在一些实施例中，使用词袋法将微博信息表示成词语向量，然后直接使用余弦方法计算其相似度。
在一些实施例中，采用Simhash算法去重，并计算出相似度。
在一些实施例中，相似度计算包括但不限于，基于LDA(隐含狄利克雷分布)的相似度计算方法。
在一些实施例中，在LDA模型下，对于每篇文档分享或者评论：从主题分布中抽取一个主题；从该主题的词语分布中抽取一个词语；重复上述步骤直到该文档的所有词语都生成。通过LDA可以得到每个用户的微博信息的主题分布，然后使用余弦方法、KL距离等计算相似度的方法来得到用户间主题分布的相似度，以之作为用户之间的相似度。
在一些实施例中，提取目标用户关联数据中包括但不限于以下的事件，原创、转发、回复、阅读、点赞、评论、关注、@等。
在一些实施例中，用户转发某好友的微博/微信朋友圈的频率越高，用户与该好友的兴趣相似度越大。
在一些实施例中，用户微博中@某用户的频率越高，用户与该好友的兴趣相似度越大。
在一些实施例中，两个用户的共同好友越多，这两个好友的关系相似度越高。
在一些实施例中，两个用户的共同粉丝越多，这两个好友的关系相似度 越高。
在一些实施例中，首先采用类算法如K-Means、DBSCAN进行聚类操作，再进行相似度的计算。
步骤S103根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值；把所有的用户根据他们与目标用户的相似度进行排序，并得到一个相似用户列表。相似用户在与目标用户所处相似情绪语境下所分享的去处信息，很可能会被目标用户在该语境下所喜欢。本领域技术人员能够明了，所有出行地信息的兴趣值包括但不限于，对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值排名列表，列出与目标用户相关的兴趣值。
根据所述兴趣值将所述出行地信息进行排序时，还包括如下步骤：
在一些实施例中，通过合并UCFE基于用户的情绪协同过滤算法和ICFE基于物品的情绪协同过滤算法，得到推荐策略后输出：出行列表并推荐给目标用户。
优选地，在所述UCFE算法中，将情绪语境作为计算目标用户相似度的因素，在对所述目标用户进行推荐时，将所述目标用户的当前语境加入到推荐过程中；在所述ICFE算法中，将情绪语境作为计算出行地信息相似度的因素，在为目标用户进行推荐时候，将当前情绪语境加入到推荐过程中。
步骤S104根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户，比如：
○云南石林+昆明+大理+丽江+双廊+洱海+玉龙雪山↑95％
○日本大阪+京都+箱根+东京↓50％
○北京+故宫+天坛+颐和园+山海关+北戴河+秦皇岛↑45％
○澳大利亚悉尼+墨尔本+凯恩斯+新西兰奥克兰+罗托鲁瓦↓72％
图2是图1中的目标用户关联数据结构示意图。
在本实施例中，所述目标用户关联数据按照包括如下的元组结构：
{目标用户201、情绪因子202、出行地信息200}，其中所述情绪因子201与出行地信息200的进行同步提取，所述目标用户201与所述情绪因子202、出行地信息200相对应。
在一些实施例中，目标用户201包括但不限于，通过SNS服务器分享出行地的用户。
在一些实施例中，情绪因子202包括但不限于，去游玩的高兴情绪，去游玩的失望情绪，去游玩的兴奋情绪，游玩前激动的情绪，游玩前准备的情绪等。
在一些实施例中，出行地信息200包括但不限于，出发的城市信息、出发的国家信息，基于LBS位置分享的信息等。
图3是图1中的情绪因子通过情绪向量表达示意图。
在一些实施例中，所述情绪因子通过情绪向量表达，所述情绪向量包括二维300、七维301以及二十一维302，所述情绪向量的维度与所述情绪因子的分类粗、细程度呈正比，若情绪向量的维度高，则情绪因子的分类为细，若情绪向量的维度低，则情绪因子的分类为粗。
所述情绪向量可按照如下表进行划分：
表1
表2
图4是图1中的情绪因子通过情绪向量表达的流程示意图。
在本实施例中，所述情绪因子通过情绪向量表达的具体方法为：
步骤S400通过收集用于表达用户情绪的词语或者字构造情绪词典；其中包括至少从通过从Web端上采集的用以表达用户情绪的词语或者字；
在一些实施例中，若情绪为欢喜，则包括但不限于该些词语或者字：{爱、愉悦、看上、入迷、爱好}；
若情绪为惊喜，则包括但不限于该些词语或者字：{笑呵呵、乐悠悠、笑眯眯、兴冲冲、哇、啊、哈、嘿}；
若情绪为生气，则包括但不限于该些词语或者字：{怒气冲冲、怒火冲天、火冒三丈、气}；
若情绪为悲伤，则包括但不限于该些词语或者字：{哎、呜呜、心如刀割、难受、想哭}；
若情绪为恐惧，则包括但不限于该些词语或者字：{害怕、哎吖、惊慌惊吓惧怕恐惧胆怯畏缩发慌心慌恐慌}；
若情绪为厌恶，则包括但不限于该些词语或者字：{讨厌、烦人、恶心、无聊}。
在一些实施例中，收集的用户情绪的词语或者字还包括用户事先录入的情绪词语或者字。
步骤S401使用文本分割工具将采集到的社交网络中发布的状态文字分割成一系列关键词；
步骤S402根据所述情感词典，计算所述关键词在所述情感词典中不同情绪向量相关的词或者语句的数量。
图5是图1中目标用户关联数据获得方法流程图。
步骤S500设置一时间窗口，用以获取用户在分享出行地信息之前，在社交网络中分享的内容列表；
还包括步骤S501时间窗口设置为一个小时前，三个小时前，五个小时前或者一天前；为了能够实时获得目标用户的状态信息，需要将时间进行不同的设定，比如一天当中目标用户分享出行地信息之前的，蔽日一个小时前
步骤S502根据所述内容列表计算所有与分享出行地信息相关的社交网络中的情绪因子，把目标用户分享的不同出行地信息转换成相应的情绪向量，生成目标用户关联数据。
在一些实施例中，把目标用户分享的不同出行地信息转换成相应的情绪向量的方式包括但不限于，二维的情绪、七维的情绪或者二十一维的情绪。
图6是是图1中的兴趣值计算方法流程图。
在一些实施例中，根据所述兴趣值将所述出行地信息进行排序时，还包括如下步骤：
S600通过合并UCFE基于用户的情绪协同过滤算法和ICFE基于物品的情绪协同过滤算法，得到推荐策略后输出：出行列表并推荐给目标用户。UCFE是指(User-basedcollaborative filtering with emotion)，ICFE是指(Item-based collaborativeFiltering with emotion)。
优选地步骤S601中在所述UCFE算法中，将情绪语境作为计算目标用户相似度的因素，在对所述目标用户进行推荐时，将所述目标用户的当前语境加入到推荐过程中。具体地，UCFE算法其它思路是基于的推荐算法是协同过滤(Collaborative Filtering，CF)推荐算法，根据用户之前的喜好以及 其他兴趣相近的用户的选择来给用户推荐物品。一个为预测过程，另一个为推荐过程。预测过程是预测用户对没有购买过的物品的可能打分值，推荐是根据预测阶段的结果推荐用户最可能喜欢的一个或Top-N个物品。
优选地步骤S602中在所述ICFE算法中，将情绪语境作为计算出行地信息相似度的因素，在为目标用户进行推荐时候，将当前情绪语境加入到推荐过程中。
上述算法在对推荐去处信息根据相似度进行排列的时候，合并了基于用户的情绪协同过滤算法(UCFE)和基于物品的情绪协同过滤算法(ICFE)的推荐策略。传统的基于用户的协同过滤算法会找到和目标用户兴趣相似的用户集合，再找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。传统的基于物品的协同过滤算法会计算物品之间的相似度，再根据物品的相似度和用户的历史行为给用户生成推荐列表。而UCFE和ICFE则在传统的协同过滤算法的基础上，将情绪语境整合进了推荐流程。
具体地，在UCFE中，首先会将情绪语境作为计算用户相似度的因素，然后在为目标用户进行推荐的时候，把他的当前语境加入到推荐过程中。因此，该情绪感知推荐算法的特点就是可以为目标用户推荐与目标用户相似用户在同一类情绪语境下感兴趣的去处。
具体地，在ICFE中，首先会将情绪语境作为计算去处相似度的因素，然后在为目标用户进行推荐时候，把他的当前情绪语境加入到推荐过程中。因此，该情绪感知推荐算法的特点就是可以为目标用户推荐与他感兴趣的去处相似的去处。在所述ICFE算法中，将情绪语境作为计算所有出行地之间相似度的因素，在为目标用户进行推荐时候，将当前情绪语境加入到推荐过 程中。
而混合了UCFE和ICFE推荐策略的情绪感知推荐算法，则会在UCFE和ICFE的推荐结果加入一定比例的权重，使得混合推荐算法的推荐结果能够在UCFE和ICFE的推荐策略中得到平衡。
在一些实施例中，所述比例权重按照1：1的权重。
在一些实施例中，所述情绪语境是指情感上下文，情感语境。在自然环境中，与待分析对象活动相关的上下文信息对人的情感表达有重要影响，如说话人的性别、年龄、教育背景、语言、周围环境、与其交流的对象的信息及待分析对象前一段时间的活动等。其中，与情感相关的上下文信息成为情感上下文。
图7是本发明一实施例中的基于用户情绪分析的出行推荐系统结构示意图。
在本实施例中的基于用户情绪分析的出行推荐系统70，包括预处理模块702和推荐模块701，
所述预处理模块702，用以根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；建立所述目标用户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；
在一些实施例中，所述预处理模块702能够从海量数据中预处理得到目标用户关联数据，并按照{目标用户、情绪因子、出行地信息}的元组结构存放。
在一些实施例中，{目标用户、情绪因子、出行地信息}包括但不限于： {小学生、开心、日本}、{上班族、消极、北京}、{中层阶级、欢喜、南京}、{儿童、厌恶、中国台湾}、{中学生、高兴、北戴河}、{高中生、惊喜、海边}。
在一些实施例中，所述预处理模块还用以，储存所有用户的关联数据，并将其中目标用户的关联数据同步至所述推荐模块。
在一些实施例中，选择合适的粒度级别为七维情绪，高兴(积极)、欢喜(积极)、惊喜(积极)、生气(消极)、悲伤(消极)、恐惧(消极)、厌恶(消极)。
所述推荐模块701，用以提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值；根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户。
在一些实施例中，所述推荐模块701中计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值按照ICFE算法和UCFE算法的混合。
在一些实施例中，所述推荐模块701中，混合推荐算法在对推荐去处信息根据相似度进行排列的时候，合并了基于用户的情绪协同过滤算法(UCFE)和基于物品的情绪协同过滤算法(ICFE)的推荐策略。传统的基于用户的协同过滤算法会找到和目标用户兴趣相似的用户集合，再找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。传统的基于物品的协同过滤算法会计算物品之间的相似度，再根据物品的相似度和用户的历史行为给用户生成推荐列表。而UCFE和ICFE则在传统的协同过滤算法的基 础上，将情绪语境整合进了推荐流程。
具体地，在UCFE中，首先会将情绪语境作为计算用户相似度的因素，然后在为目标用户进行推荐的时候，把他的当前语境加入到推荐过程中。因此，该情绪感知推荐算法的特点就是可以为目标用户推荐与目标用户相似用户在同一类情绪语境下感兴趣的去处。在ICFE中，我们首先会将情绪语境作为计算去处相似度的因素，然后在为目标用户进行推荐时候，把他的当前情绪语境加入到推荐过程中。因此，该情绪感知推荐算法的特点就是可以为目标用户推荐与他感兴趣的去处相似的去处。混合了UCFE和ICFE推荐策略的情绪感知推荐算法，则会在UCFE和ICFE的推荐结果加入一定比例的权重，使得混合推荐算法的推荐结果能够在UCFE和ICFE的推荐策略中得到平衡。
本实施例中的基于用户情绪分析的出行推荐系统，至少包括如下的有益效果：通过分析用户公开分享的微博内容，推断出相关的用户情绪语境，并利用一种新的情绪感知混合推荐算法把情绪语境融入到用户的出行去处推荐中。而且这种情绪感知的推荐方法远优于没有考虑用户情绪的推荐算法。将用户的情绪语境作为重要的因素确实可以提高推荐系统在命中率，精度和召回率方面的表现。此外，相对于粒度级别更低的情绪信息，粒度级别越高的信息越能够提高推荐的命中率和精度。但是出于对推荐系统运行环境有限资源的考虑，在选择合适的粒度级别能够更好的平衡推荐的速度和精度。
图8是图7中的操作步骤示意图。
在本实施例中，以社交平台微博为例，在推荐模块701进行预处理阶段，根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；建立所述目标用户分享该出 行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值。具体地，先从社交网络平台或微博上，提取用户曾经发布的旅游休闲出行相关的内容并记录下用户发布内容的时间戳，再通过针对特定自然语(如中文或者英文)的语义处理技术分析这些用户在某些时间，地点和场景下出行时的情绪特征，然后在基于用户的情绪特征分类的基础上，在数据库里记录下用户对于出行和情绪间的历史关联。
以社交平台微博为例，在预处理模块702进行预测阶段,根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户；所述目标用户关联数据按照包括如下的元组结构：{目标用户、情绪因子、出行地信息}，所述情绪因子与出行地信息的进行同步提取，所述目标用户与所述情绪因子、出行地信息相对应。具体地，系统将通过获取当前用户的情绪，再基于用户的相关历史数据为用户推荐适合该用户当前情绪语境的旅游和休闲出行信息。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户情绪分析的出行推荐方法，其特征在于包括如下步骤：
根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；
建立所述目标用户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；
提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；
根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值；
根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户。
2.根据权利要求1所述的基于用户情绪分析的出行推荐方法，其特征在于，所述目标用户关联数据按照包括如下的元组结构：
{目标用户、情绪因子、出行地信息}，
所述情绪因子与出行地信息的进行同步提取，所述目标用户与所述情绪因子、出行地信息相对应。
3.根据权利要求1所述的基于用户情绪分析的出行推荐方法，其特征在于，所述情绪因子通过情绪向量表达，所述情绪向量包括二维、七维以及二十一维，所述情绪向量的维度与所述情绪因子的分类粗、细程度呈正比，若情绪向量的维度高，则情绪因子的分类为细，若情绪向量的维度低，则情绪因子的分类为粗。
4.根据权利要求1所述的基于用户情绪分析的出行推荐方法，其特征在于，所述情绪因子通过情绪向量表达的具体方法为：
通过收集用于表达用户情绪的词语或者字构造情绪词典；其中包括至少从通过从Web端上采集的用以表达用户情绪的词语或者字；
使用文本分割工具将采集到的社交网络中发布的状态文字分割成一系列关键词；
根据所述情感词典，计算所述关键词在所述情感词典中不同情绪向量相关的词或者语句的数量。
5.根据权利要求1所述的基于用户情绪分析的出行推荐方法，其特征在于，所述目标用户关联数据的获得方法为：
设置一时间窗口，用以获取用户在分享出行地信息之前，在社交网络中分享的内容列表；
根据所述内容列表计算所有与分享出行地信息相关的社交网络中的情绪因子，把目标用户分享的不同出行地信息转换成相应的情绪向量，生成目标用户关联数据。
6.根据权利要求5所述的基于用户情绪分析的出行推荐方法，其特征在于，时间窗口设置为一个小时前，三个小时前，五个小时前或者一天前。
7.根据权利要求1所述的基于用户情绪分析的出行推荐方法，其特征在于，根据所述兴趣值将所述出行地信息进行排序时，还包括如下步骤：
通过合并UCFE基于用户的情绪协同过滤算法和ICFE基于物品的情绪协同过滤算法，得到推荐策略后输出：出行列表并推荐给目标用户。
8.根据权利要求7所述的基于用户情绪分析的出行推荐方法，其特征在于，在所述UCFE算法中，将情绪语境作为计算目标用户相似度的因素，在对所述目标用户进行推荐时，将所述目标用户的当前语境加入到推荐过程中；
在所述ICFE算法中，将情绪语境作为计算出行地信息相似度的因素，在为目标用户进行推荐时候，将当前情绪语境加入到推荐过程中。
9.基于用户情绪分析的出行推荐系统，其特征在于，包括预处理模块和推荐模块，
所述预处理模块用以，根据目标用户在社交网络中的用户行为，提取得到目标用户分享的出行地信息和目标用户分享该出行地时对应的情绪因子；
建立所述目标用户分享该出行地时对应的情绪因子与所述目标用户分享的出行地信息之间的关联，得到目标用户关联数据；
所述推荐模块用以，提取目标用户关联数据，进行相似度计算，所述计算包括计算出目标用户和相似用户的相似度；
根据所述相似用户的出行地信息建立用户列表，计算得到所述目标用户对于相似用户的所述用户列表中用户分享的所有出行地信息的兴趣值；
根据所述兴趣值将所述出行地信息进行排序，得到出行列表并推荐给目标用户。
10.根据权利要求9所述的基于用户情绪分析的出行推荐系统，其特征在于，
所述预处理模块还用以，储存所有用户的关联数据，并将其中目标用户的关联数据同步至所述推荐模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610498242.7A CN106202252A (zh) | 2016-06-29 | 2016-06-29 | 一种基于用户情绪分析的出行推荐方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610498242.7A CN106202252A (zh) | 2016-06-29 | 2016-06-29 | 一种基于用户情绪分析的出行推荐方法、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106202252A true CN106202252A (zh) | 2016-12-07 |
Family
ID=57462689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610498242.7A Pending CN106202252A (zh) | 2016-06-29 | 2016-06-29 | 一种基于用户情绪分析的出行推荐方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106202252A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107943884A (zh) * | 2017-11-15 | 2018-04-20 | 河南工学院 | 旅游信息的处理方法及处理装置 |
| CN109213852A (zh) * | 2018-07-13 | 2019-01-15 | 北京第二外国语学院 | 一种旅游目的地图片推荐方法 |
| CN109271508A (zh) * | 2018-08-23 | 2019-01-25 | 海南大学 | 基于情感的个性化区域生成与展示方法 |
| CN109493192A (zh) * | 2018-12-17 | 2019-03-19 | 广州市位讯信息科技有限责任公司 | 一种智能推荐商品的方法及系统 |
| CN110245286A (zh) * | 2019-05-08 | 2019-09-17 | 特斯联（北京）科技有限公司 | 一种基于数据挖掘的旅行推荐方法及装置 |
| CN111177296A (zh) * | 2019-12-30 | 2020-05-19 | 科大讯飞股份有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
| CN111442779A (zh) * | 2019-01-16 | 2020-07-24 | 百度在线网络技术（北京）有限公司 | 出行方式推荐方法及装置 |
| CN111666503A (zh) * | 2019-03-05 | 2020-09-15 | 百度在线网络技术（北京）有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
| CN115203555A (zh) * | 2022-07-15 | 2022-10-18 | 重庆工商大学 | 一种基于大数据的景区景点推荐方法及系统 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2043087A1 (en) * | 2007-09-19 | 2009-04-01 | Sony Corporation | Method and device for content recommendation |
| CN102300163A (zh) * | 2011-09-22 | 2011-12-28 | 宇龙计算机通信科技(深圳)有限公司 | 信息推送方法、移动终端和系统 |
| CN102984219A (zh) * | 2012-11-13 | 2013-03-20 | 浙江大学 | 一种基于媒体多维内容表达的旅游移动终端信息推送方法 |
| CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
| CN103313108A (zh) * | 2013-06-14 | 2013-09-18 | 山东科技大学 | 一种基于情景感知的智能电视节目推荐方法 |
| CN103559197A (zh) * | 2013-09-23 | 2014-02-05 | 浙江大学 | 基于上下文预过滤的实时音乐推荐方法 |
| CN103593375A (zh) * | 2012-08-17 | 2014-02-19 | 国基电子（上海）有限公司 | 信息获取系统、社交网络服务器及其信息获取方法 |
| CN103714130A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 视频推荐系统及方法 |
| CN103870604A (zh) * | 2014-04-04 | 2014-06-18 | 北京航空航天大学 | 旅游推荐方法和装置 |
| CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
| CN104391849A (zh) * | 2014-06-30 | 2015-03-04 | 浙江大学苏州工业技术研究院 | 融入时间上下文信息的协同过滤推荐方法 |
| CN104408643A (zh) * | 2014-10-30 | 2015-03-11 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
| CN104634358A (zh) * | 2015-02-05 | 2015-05-20 | 惠州Tcl移动通信有限公司 | 多种线路规划推荐方法、系统及移动终端 |
| CN104699812A (zh) * | 2015-03-23 | 2015-06-10 | 苏州大学张家港工业技术研究院 | 一种旅游信息推送方法及系统 |
| US9122757B1 (en) * | 2011-06-19 | 2015-09-01 | Mr. Buzz, Inc. | Personal concierge plan and itinerary generator |
| CN105138574A (zh) * | 2015-07-28 | 2015-12-09 | 黄杨 | 用于推荐旅游休闲出行地的基于人机交互的混合推荐系统 |
| CN105426381A (zh) * | 2015-08-27 | 2016-03-23 | 浙江大学 | 一种基于微博情绪上下文的音乐推荐方法 |
| CN105426382A (zh) * | 2015-08-27 | 2016-03-23 | 浙江大学 | 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 |
| CN105610884A (zh) * | 2014-11-21 | 2016-05-25 | 阿里巴巴集团控股有限公司 | 旅游信息的提供方法及装置 |
-
2016
- 2016-06-29 CN CN201610498242.7A patent/CN106202252A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2043087A1 (en) * | 2007-09-19 | 2009-04-01 | Sony Corporation | Method and device for content recommendation |
| US9122757B1 (en) * | 2011-06-19 | 2015-09-01 | Mr. Buzz, Inc. | Personal concierge plan and itinerary generator |
| CN102300163A (zh) * | 2011-09-22 | 2011-12-28 | 宇龙计算机通信科技(深圳)有限公司 | 信息推送方法、移动终端和系统 |
| CN103593375A (zh) * | 2012-08-17 | 2014-02-19 | 国基电子（上海）有限公司 | 信息获取系统、社交网络服务器及其信息获取方法 |
| CN102984219A (zh) * | 2012-11-13 | 2013-03-20 | 浙江大学 | 一种基于媒体多维内容表达的旅游移动终端信息推送方法 |
| CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
| CN103313108A (zh) * | 2013-06-14 | 2013-09-18 | 山东科技大学 | 一种基于情景感知的智能电视节目推荐方法 |
| CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
| CN103559197A (zh) * | 2013-09-23 | 2014-02-05 | 浙江大学 | 基于上下文预过滤的实时音乐推荐方法 |
| CN103714130A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 视频推荐系统及方法 |
| CN103870604A (zh) * | 2014-04-04 | 2014-06-18 | 北京航空航天大学 | 旅游推荐方法和装置 |
| CN104391849A (zh) * | 2014-06-30 | 2015-03-04 | 浙江大学苏州工业技术研究院 | 融入时间上下文信息的协同过滤推荐方法 |
| CN104408643A (zh) * | 2014-10-30 | 2015-03-11 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
| CN105610884A (zh) * | 2014-11-21 | 2016-05-25 | 阿里巴巴集团控股有限公司 | 旅游信息的提供方法及装置 |
| CN104634358A (zh) * | 2015-02-05 | 2015-05-20 | 惠州Tcl移动通信有限公司 | 多种线路规划推荐方法、系统及移动终端 |
| CN104699812A (zh) * | 2015-03-23 | 2015-06-10 | 苏州大学张家港工业技术研究院 | 一种旅游信息推送方法及系统 |
| CN105138574A (zh) * | 2015-07-28 | 2015-12-09 | 黄杨 | 用于推荐旅游休闲出行地的基于人机交互的混合推荐系统 |
| CN105426381A (zh) * | 2015-08-27 | 2016-03-23 | 浙江大学 | 一种基于微博情绪上下文的音乐推荐方法 |
| CN105426382A (zh) * | 2015-08-27 | 2016-03-23 | 浙江大学 | 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王立才: "上下文感知推荐系统若干关键技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107943884A (zh) * | 2017-11-15 | 2018-04-20 | 河南工学院 | 旅游信息的处理方法及处理装置 |
| CN109213852B (zh) * | 2018-07-13 | 2021-10-22 | 北京第二外国语学院 | 一种旅游目的地图片推荐方法 |
| CN109213852A (zh) * | 2018-07-13 | 2019-01-15 | 北京第二外国语学院 | 一种旅游目的地图片推荐方法 |
| CN109271508A (zh) * | 2018-08-23 | 2019-01-25 | 海南大学 | 基于情感的个性化区域生成与展示方法 |
| CN109271508B (zh) * | 2018-08-23 | 2019-11-15 | 海南大学 | 基于情感的个性化区域生成与展示方法 |
| CN109493192A (zh) * | 2018-12-17 | 2019-03-19 | 广州市位讯信息科技有限责任公司 | 一种智能推荐商品的方法及系统 |
| US11313694B2 (en) | 2019-01-16 | 2022-04-26 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for recommending travel way |
| CN111442779A (zh) * | 2019-01-16 | 2020-07-24 | 百度在线网络技术（北京）有限公司 | 出行方式推荐方法及装置 |
| CN111666503B (zh) * | 2019-03-05 | 2023-08-18 | 百度在线网络技术（北京）有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
| CN111666503A (zh) * | 2019-03-05 | 2020-09-15 | 百度在线网络技术（北京）有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
| CN110245286A (zh) * | 2019-05-08 | 2019-09-17 | 特斯联（北京）科技有限公司 | 一种基于数据挖掘的旅行推荐方法及装置 |
| CN110245286B (zh) * | 2019-05-08 | 2020-01-31 | 特斯联（北京）科技有限公司 | 一种基于数据挖掘的旅行推荐方法及装置 |
| CN111177296A (zh) * | 2019-12-30 | 2020-05-19 | 科大讯飞股份有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
| CN111177296B (zh) * | 2019-12-30 | 2022-12-06 | 科大讯飞股份有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
| CN115203555A (zh) * | 2022-07-15 | 2022-10-18 | 重庆工商大学 | 一种基于大数据的景区景点推荐方法及系统 |
| CN115203555B (zh) * | 2022-07-15 | 2024-03-19 | 重庆工商大学 | 一种基于大数据的景区景点推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106202252A (zh) | 一种基于用户情绪分析的出行推荐方法、系统 | |
| CN108304556B (zh) | 基于内容与协同过滤相结合的个性化推荐方法 | |
| CN112313644A (zh) | 基于会话数据构建定制的用户简档 | |
| Ali et al. | Sentiment analysis as a service: a social media based sentiment analysis framework | |
| Sharma et al. | The impact of Instagram on young Adult's social comparison, colourism and mental health: Indian perspective | |
| CN109783614B (zh) | 一种社交网络待发布文本的差分隐私泄露检测方法及系统 | |
| CN109983455A (zh) | 在在线社交网络上多样化媒体搜索结果 | |
| CN107577782B (zh) | 一种基于异质数据的人物相似度刻画方法 | |
| Liu et al. | The relation of culture, socio-economics, and friendship to music preferences: A large-scale, cross-country study | |
| CN107122455A (zh) | 一种基于微博的网络用户增强表示方法 | |
| CN105354305A (zh) | 一种网络谣言的识别方法及装置 | |
| Xie et al. | Does the internet use improve the mental health of Chinese older adults? | |
| CN106776928A (zh) | 基于内存计算框架、融合社交环境及时空数据的位置推荐方法 | |
| EP3557500A1 (en) | Building customized user profiles based on conversational data | |
| Gao et al. | Echo chamber effects on short video platforms | |
| Krommyda et al. | Emotion detection in Twitter posts: a rule-based algorithm for annotated data acquisition | |
| Li et al. | Study on tourism consumer behavior and countermeasures based on big data | |
| CN105869058A (zh) | 一种多层潜变量模型用户画像提取的方法 | |
| De Choudhury et al. | She said yes! | |
| Moh et al. | New factors for identifying influential bloggers | |
| Mi et al. | Text Mining Attitudes toward Climate Change: Emotion and Sentiment Analysis of the Twitter Corpus | |
| CN107832304A (zh) | 一种基于消息文本判断用户性别的方法和系统 | |
| Radhika et al. | Personalized language-independent music recommendation system | |
| Ishihara et al. | Development of a kansei engineering artificial intelligence sightseeing application | |
| Sun et al. | Mining Multiplatform Opinions During Public Health Crisis: A Comparative Study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |