CN107944911B - 一种基于文本分析的推荐系统的推荐方法 - Google Patents

一种基于文本分析的推荐系统的推荐方法 Download PDF

Info

Publication number
CN107944911B
CN107944911B CN201711149279.XA CN201711149279A CN107944911B CN 107944911 B CN107944911 B CN 107944911B CN 201711149279 A CN201711149279 A CN 201711149279A CN 107944911 B CN107944911 B CN 107944911B
Authority
CN
China
Prior art keywords
user
recommendation
emotion
sentence
users
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.)
Active
Application number
CN201711149279.XA
Other languages
English (en)
Other versions
CN107944911A (zh
Inventor
高建彬
陈唯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711149279.XA priority Critical patent/CN107944911B/zh
Publication of CN107944911A publication Critical patent/CN107944911A/zh
Application granted granted Critical
Publication of CN107944911B publication Critical patent/CN107944911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0217—Discounts or incentives, e.g. coupons or rebates involving input on products or services in exchange for incentives or rewards
    • G06Q30/0218—Discounts or incentives, e.g. coupons or rebates involving input on products or services in exchange for incentives or rewards based on score

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于文本分析的推荐系统的推荐方法，属于数据科学领域。它包括以下步骤：1)对用户评论进行拆分，得到若干句子；2)对步骤S1所得句子进行拆分，得到若干词汇，再对词汇进行词性标注；3)对步骤S2词性标注后的词汇进行情感分析，计算每句的情感得分；4)提取步骤S1的句子中的人物对象和描述对象，根据人物对象、描述对象和情感得分构建键值对；5)将步骤S4所得键值对作为新的特征向量整合入基于协同过滤的推荐系统中，得出推荐结果并将推荐结果推荐给用户。本发明的优点是：通过对文本的分析、处理，结合推荐系统方法，可以有效地提高推荐系统模型的效率和价值。

Description

一种基于文本分析的推荐系统的推荐方法
技术领域
本发明属于数据科学领域，具体涉及一种基于文本分析的推荐系统的推荐方法，尤其涉及自然语言处理和推荐系统。
背景技术
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情。推荐系统随之应运而生，旨在能够在用户没有明确目的的时候帮助他们发现感兴趣的新内容，从而实现个性化的定制服务。自然语言处理作为人工智能的一个重要分支，目的是建立能够理解语言的系统，也是近年来迅速发展的一个领域，在文本挖掘和文本分析方面已经得到了许多令人振奋的研究成果，目前在情感分析、人机交互、信息提取等场合都得到了非常重要的应用。
在现有的推荐系统实现方法中，协同过滤是向人们推荐产品的最受欢迎和成功的方法之一，目前大部分的公司的推荐算法的基础都是该算法。协同过滤主要有两种执行的方法：基于用户的协同过滤系统和基于物品的协同过滤系统。前者通过利用用户的历史行为计算用户之间的兴趣相似度，找到和目标用户兴趣相似的用户集合，然后将其他相似用户所感兴趣的物品推荐给目标用户。而后者主要通过分析用户行为记录计算物品之间的相似度，给用户推荐那些和他们之前喜欢的物品相似的物品。
近几年来，国内外学者对推荐系统进行了深入的研究，取得了丰硕的成果，包括对推荐系统结构和模型的讨论，提出新的方案，对现有的方案进行分析和改进等。然而推荐系统还存在以下的问题：
(1)推荐系统主要通过用户对物品的星级评价来进行协同过滤的相似度计算，而许多用户往往会在交互活动结束之后放弃评价，这就会给推荐效果造成一定的影响。
(2)在电商平台的实际交易过程中，用户对一个商品打出比较差的星级，往往并不是用户对商品本身有什么不好的感觉，有可能是对店家，快递商等有不好的购物体验。因此这会对相似度的计算造成负面的影响。
发明内容
本发明的目的在于：提供一种基于文本分析的推荐系统的推荐方法，通过分析实际应用场景中的文本信息，对文本信息进行提取、处理，并利用推荐系统方法，提高推荐系统的精确度和召回率。
本发明采用的技术方案如下：
一种基于文本分析的推荐系统的推荐方法，包括以下步骤：
步骤S1：对用户评论进行拆分，得到若干句子；
步骤S2：对步骤S1所得句子进行拆分，得到若干词汇，再对词汇进行词性标注；
步骤S3：对步骤S2词性标注后的词汇进行情感分析，计算每句的情感得分；
步骤S4：提取步骤S1的句子中的人物对象和描述对象，根据人物对象、描述对象和情感得分构建键值对；
步骤S5：将步骤S4所得键值对作为新的特征向量整合入基于协同过滤的推荐系统中，得出推荐结果并将推荐结果推荐给用户。
进一步的，本发明采用基于统计的分词方法对词性进行标注，该方法运用二阶隐马尔科夫模型将一个被标注过的大型语料库训练出一个分词模型和一个词性标注模型。
进一步的，所述步骤S3中，情感分析的具体步骤为：
S3.1，将步骤S2词性标注后的词汇依次在词性标注模型进行逐个查找，对查找出来的情感词赋予相应的当前权值g；
S3.2，对整句话的各个情感词的当前权值进行加权求和，得到整句话的情感得分gi。
进一步的，步骤S3.1中，赋予权值的具体步骤为：
S3.1.1，读取查找的情感词的极性，并赋予相应的基础权值g'；
S3.1.2，记录下情感词前面的程度词，根据程度词语气大小赋予不同的权值m；
S3.1.3，统计情感词前的否定词个数n；
S3.1.4，计算该情感词的当前权值，计算公式为：g＝(-1)n*m*g'。
进一步的，所述步骤S4中，根据人物对象、描述对象和情感得分构建键值对的步骤如下：
S4.1，若描述对象存在或描述对象不存在且根据上下文能判断出描述对象，执行步骤S4.2；若描述对象不存在且根据上下文不能判断出描述对象，放弃对本句构建键值对；
S4.2，若人物对象不存在，固定权值pi，pi＝0.5，执行步骤S4.3；若人物对象存在，按照人际关系的亲密程度赋予不同的权值pi，执行步骤S4.3；
S4.3，构建键值对，其中，键是描述对象，值是整句话的情感得分gi和权值pi的乘积。
进一步的，所述步骤S5中，推荐系统包括基于用户的协同过滤系统或基于物品的协同过滤系统。
进一步的，将步骤S5所得键值对作为新的特征向量整合入基于用户的协同过滤系统的步骤为：
S5.1，根据描述对象的类别对各个用户簇分别计算用户间的情感相似度；
S5.2，根据步骤S5.1得出的用户间的情感相似度筛选出可以用作参考的用户簇U；
S5.3，选择用户簇U中的用户u1，筛选出用户簇U中每个用户情感评价最高的K件用户u1没有接触过的商品作为候选商品，对这些候选商品进行加权确定优先级；
S5.4，从候选商品中找出优先级最高的商品推荐给用户u1。
进一步的，步骤S5.1中，对评价了相同商品或类似商品的用户簇，用欧氏距离计算用户间的情感相似度:
Figure BDA0001473123440000031
其中ui表示第i个用户，fi表示第i个用户的情感得分，sim(u1,u2)分数越大表示两个用户越相似；步骤S5.2中，通过滤波函数
Figure BDA0001473123440000032
筛选出filter(u1,u2)值大于0.5的用户作参考的用户簇U，其中α为函数的曲线平滑程度，δ为函数的开启阈值；步骤S5.3中，根据公式q(m)＝∑filter(u1,ui)×t(m,ui)确认候选商品的优先级，其中ui为所有购买过或评价过商品m的用户簇U中的用户，t(m,ui)表示协同过滤系统中用户ui对商品m的评价得分。
进一步的，所述步骤S5中，将键值对整合入基于协同过滤的推荐系统中，为用户进行商品、店铺和快递服务三方面的相似度计算，并将计算结果加权到基于协同过滤的推荐系统中。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，利用用户反馈的数据，通过对数据进行分析、处理，利用推荐系统方法，达到了辅佐推荐系统算法的目的，提高被加强算法的精确度和召回率，可以使用在任何有文本型数据的推荐业务场景中。
2、相比于星级评价，用户评论是主观性最强的反馈数据，分析用户评论可以有效地提高整个推荐系统模型的效率和价值。
附图说明
图1为本发明推荐系统辅助优化的流程图。
图2为本发明句子拆分及词性标注的流程图。
图3为本发明生成键值对的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了解决现有技术的缺陷，本发明提供了一种基于文本分析的推荐系统的推荐方法，具体实现步骤如下：
步骤S1：对用户评论进行拆分，得到若干句子。
步骤S2：对步骤S1所得句子进行拆分，得到若干词汇，再对词汇进行词性标注。
词性标注的方法采用基于字符串匹配的分词方法、基于理解的分词方法或基于统计的分词方法，本发明选择使用基于统计的分词方法。在系统运行之前，运用二阶隐马尔科夫模型将一个被标注过的大型语料库训练出一个分词模型和一个词性标注模型，完成对句子的拆分和标注。如图2所示，其为本发明句子拆分及词性标注的流程图。对给定的一个句子，它的分词方法有如下的种类：
Figure BDA0001473123440000041
Figure BDA0001473123440000042
……
Figure BDA0001473123440000043
我们从中找出概率最大的那种分词方式
Figure BDA0001473123440000044
然后对得到的这个分好词的句子进行词性标注，具体过程类似于分词操作，即是在一个句子的各种词性组合中找出概率最大的那个。例如
Figure BDA0001473123440000045
的一种词性标注序列为：
Figure BDA0001473123440000046
Figure BDA0001473123440000047
其中y的取值可以为：N(表示该词是名词)，V(表示该词是动词)，P(表示该词是形容词)等等，取
Figure BDA0001473123440000048
步骤S3：对步骤S2词性标注后的词汇进行情感分析，计算每句的情感得分。情感分析的具体步骤为：
S3.1，将步骤S2词性标注后的词汇依次在词性标注模型进行逐个查找，对查找出来的情感词赋予相应的当前权值g。当前权值g的计算步骤如下：
S3.1.1，读取查找的情感词的极性，并赋予相应的基础权值g'；
S3.1.2，记录下情感词前面的程度词，根据程度词语气大小赋予不同的权值m；
S3.1.3，统计情感词前的否定词个数n；
S3.1.4，计算该情感词的当前权值，计算公式为：g＝(-1)n*m*g'。
S3.2，对整句话的各个情感词的当前权值进行加权求和，得到整句话的情感得分gi。
对于一个给定的句子，
Figure BDA0001473123440000051
从第一个词开始从前向后进行情感词匹配，如果该词是情感词，则为每个情感词赋予相应的权重并计数。在搜索的过程中，同时记录下情感词前面的程度词，根据程度词语气大小赋予不同的权值，例如“喜欢”是1。如果情感词前存在否定词，例如“不”、“讨厌”，需通过统计出具体的否定次数来判断情感词的情感极性是肯定还是否定，若为否定，则对修饰该情感词的否定词集合赋予反转的权值-1。然后对整句话的各个情感词进行加权求和，得到整句话的情感得分gi。
步骤S4：提取步骤S1的句子中的人物对象和描述对象，其中，描述对象包括商品、店铺和快递服务。根据人物对象、描述对象和情感得分构建键值对的步骤如下：
S4.1，若描述对象存在或描述对象不存在且根据上下文能判断出描述对象，执行步骤S4.2；若描述对象不存在且根据上下文不能判断出描述对象，放弃对本句构建键值对；
S4.2，若人物对象不存在，固定权值pi，pi＝0.5，执行步骤S4.3；若人物对象存在，按照人际关系的亲密程度赋予不同的权值pi，执行步骤S4.3；
S4.3，构建键值对，其中，键是描述对象，值是整句话的情感得分gi和权值pi的乘积。
如图3所示，其为本发明生成键值对的流程图。对人物对象赋权值时，按照人际关系的亲密程度赋予不同的权值pi。比如，“我”这类描述自己的词语，则赋予最高的权值1；如果是“孩子”这类描述最亲近家人的词语，赋予次高的权值如0.8。
大部分情况下，用户评论反馈中，人物对象和描述对象共存时，情感反馈由人物对象发出指向描述对象。当只有人物对象时，通常为人物对象直接性地宣泄情感。以电商场景为例，对人物对象和描述对象均存在和人物对象存在、描述对象缺失两种情况分开讨论：
(1)先建立一张基于人际关系亲密度的权重表单，用户如果是帮助别人而产生的购买行为，则会根据亲密度的关系产生频率上的波动。例如，可以把该表单划分为(自己；家人；朋友；其他……)，权值依次递减。如果用户的消费行为指向自己，则该反馈最能有效表达用户自己的意愿，故而拥有最大的权值。根据句中人物对象可以有效地进行这种划分，然后根据描述对象的不同，我们生成一个键值对判断出用户情感指向的实体类型(物品本身，出售物品的卖家，传递物品的快递商)。
(2)如果描述对象缺失，需要根据上下文的关系分析出可能的描述对象种类，将分析出来的描述对象种类用于构建键值对。如果分析不出，则放弃对本句构建键值对。
步骤S5：将步骤S4所得键值对作为新的特征向量整合入基于协同过滤的推荐系统中，得出推荐结果并将推荐结果推荐给用户。其中，推荐系统包括基于用户的协同过滤系统或基于物品的协同过滤系统。
将所得键值对作为新的特征向量整合入基于用户的协同过滤系统的步骤为：
S5.1，根据描述对象的类别对各个用户簇分别计算用户间的情感相似度；
S5.2，根据步骤S5.1得出的用户间的情感相似度筛选出可以用作参考的用户簇U；
S5.3，选择用户簇U中的用户u1，筛选出用户簇U中每个用户情感评价最高的K件用户u1没有接触过的商品作为候选商品，对这些候选商品进行加权确定优先级；
S5.4，从候选商品中找出优先级最高的商品推荐给用户u1。
步骤S5.1中，对评价了相同商品或类似商品的用户簇，用欧氏距离计算用户间的情感相似度:
Figure BDA0001473123440000061
其中ui表示第i个用户，fi表示第i个用户的情感得分，sim(u1,u2)分数越大表示两个用户越相似。
步骤S5.2中，通过滤波函数
Figure BDA0001473123440000062
筛选出filter(u1,u2)值大于0.5的用户作参考的用户簇U，其中α为函数的曲线平滑程度，δ为函数的开启阈值。
步骤S5.3中，根据公式q(m)＝∑filter(u1,ui)×t(m,ui)确认候选商品的优先级，其中ui为所有购买过或评价过商品m的用户簇U中的用户，t(m,ui)表示协同过滤系统中用户ui对商品m的评价得分。
如图1所示，其为本发明推荐系统辅助优化的流程图。对于基于用户的协同过滤算法：首先我们根据描述对象的类别对各个用户簇分别计算簇内相似度，以“商品”这个类别为例，对评价了相同商品或类似商品的用户簇，用欧氏距离计算用户间的情感相似度：
Figure BDA0001473123440000063
其中ui表示第i个用户，fi表示第i个用户的情感得分。sim(u1,u2)分数越大表示两个用户越相似。我们设置一个滤波函数
Figure BDA0001473123440000064
其中α控制函数的曲线平滑程度，δ是函数的开启阈值。当filter(u1,u2)>0.5时，我们认为两个用户的相似性达到了用作参考的最低要求。对于用户u1而言，我们先筛选出所有可以用作参考的用户簇U，然后筛选出用户簇U中每个用户情感评价最高的K件用户u1没有接触过的商品，对这些商品进行加权，如商品m的优先级为：q(m)＝∑filter(u1,ui)×t(m,ui)，其中ui为所有购买过或评价过商品m的用户簇U中的用户，t(m,ui)表示协同过滤系统中用户ui对商品m的历史评价(例如星级评分)，最终根据需要从候选的商品列表中找出优先级最高的一系列商品推荐给当前用户。
同时，将所得键值对作为新的特征向量整合入基于用户的协同过滤系统中为用户进行商品、店铺和快递服务三方面的相似度计算，将计算结果乘以某个权值系数，再加权到基于协同过滤的推荐系统中，达到辅佐推荐系统算法的目的，提高被加强算法的精确度和召回率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于文本分析的推荐系统的推荐方法，其特征在于，包括以下步骤：
步骤S1：对用户评论进行拆分，得到若干句子；
步骤S2：对步骤S1所得句子进行拆分，得到若干词汇，再对词汇进行词性标注；
步骤S3：对步骤S2词性标注后的词汇进行情感分析，计算每句的情感得分；
步骤S4：提取步骤S1的句子中的人物对象和描述对象，根据人物对象、描述对象和情感得分构建键值对；
所述步骤S4中，构建键值对的步骤如下：
S4.1，若描述对象存在或描述对象不存在且根据上下文能判断出描述对象，执行步骤S4.2；若描述对象不存在且根据上下文不能判断出描述对象，放弃对本句构建键值对；
S4.2，若人物对象不存在，固定权值pi，pi＝0.5，执行步骤S4.3；若人物对象存在，按照人际关系的亲密程度赋予不同的权值pi，执行步骤S4.3；
S4.3，构建键值对，其中，键是描述对象，值是整句话的情感得分gi和权值pi的乘积；
步骤S5：将步骤S4所得键值对作为新的特征向量整合入基于协同过滤的推荐系统中，得出推荐结果并将推荐结果推荐给用户。
2.根据权利要求1所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，本发明采用基于统计的分词方法进行词性标注，该方法运用二阶隐马尔科夫模型将一个被标注过的大型语料库训练出一个分词模型和一个词性标注模型。
3.根据权利要求1或2所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，所述步骤S3中，情感分析的具体步骤为：
S3.1，将步骤S2词性标注后的词汇依次在词性标注模型进行逐个查找，对查找出来的情感词赋予相应的当前权值g；
S3.2，对整句话的各个情感词的当前权值进行加权求和，得到整句话的情感得分gi。
4.根据权利要求3所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，步骤S3.1中，赋予权值的具体步骤为：
S3.1.1，读取查找的情感词的极性，并赋予相应的基础权值g'；
S3.1.2，记录下情感词前面的程度词，根据程度词语气大小赋予不同的权值m；
S3.1.3，统计情感词前的否定词个数n；
S3.1.4，计算该情感词的当前权值，计算公式为：g＝(-1)n*m*g'。
5.根据权利要求1所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，所述步骤S5中，推荐系统包括基于用户的协同过滤系统或基于物品的协同过滤系统。
6.根据权利要求1所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，将步骤S5所得键值对作为新的特征向量整合入基于用户的协同过滤系统的步骤为：
S5.1，根据描述对象的类别对各个用户簇分别计算用户间的情感相似度；
S5.2，根据步骤S5.1得出的用户间的情感相似度筛选出可以用作参考的用户簇U；
S5.3，选择用户簇U中的用户u1，筛选出用户簇U中每个用户情感评价最高的K件用户u1没有接触过的商品作为候选商品，对这些候选商品进行加权确定优先级；
S5.4，从候选商品中找出优先级最高的商品推荐给用户u1。
7.根据权利要求6所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，步骤S5.1中，对评价了相同商品或类似商品的用户簇，用欧氏距离计算用户间的情感相似度:
Figure FDA0003254163740000021
其中ui表示第i个用户，fi表示第i个用户的情感得分，sim(u1,u2)分数越大表示两个用户越相似；步骤S5.2中，通过滤波函数
Figure FDA0003254163740000022
筛选出filter(u1,u2)值大于0.5的用户作参考的用户簇U，其中α为函数的曲线平滑程度，δ为函数的开启阈值；步骤S5.3中，根据公式q(m)＝∑filter(u1,ui)×t(m,ui)确认候选商品的优先级，其中ui为所有购买过或评价过商品m的用户簇U中的用户，t(m,ui)表示协同过滤系统中用户ui对商品m的评价得分。
8.根据权利要求1所述的一种基于文本分析的推荐系统的推荐方法，其特征在于，所述步骤S5中，将键值对整合入基于协同过滤的推荐系统中，为用户进行商品、店铺和快递服务三方面的相似度计算，并将计算结果加权到基于协同过滤的推荐系统中。
CN201711149279.XA 2017-11-18 2017-11-18 一种基于文本分析的推荐系统的推荐方法 Active CN107944911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711149279.XA CN107944911B (zh) 2017-11-18 2017-11-18 一种基于文本分析的推荐系统的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711149279.XA CN107944911B (zh) 2017-11-18 2017-11-18 一种基于文本分析的推荐系统的推荐方法

Publications (2)

Publication Number Publication Date
CN107944911A CN107944911A (zh) 2018-04-20
CN107944911B true CN107944911B (zh) 2021-12-03

Family

ID=61932925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711149279.XA Active CN107944911B (zh) 2017-11-18 2017-11-18 一种基于文本分析的推荐系统的推荐方法

Country Status (1)

Country Link
CN (1) CN107944911B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694647B (zh) * 2018-05-11 2021-04-23 北京三快在线科技有限公司 一种商户推荐理由的挖掘方法及装置，电子设备
CN109684641B (zh) * 2018-12-26 2023-04-07 广东工业大学 一种数据提取装置、方法、电子设备和存储介质
CN109697657A (zh) * 2018-12-27 2019-04-30 厦门快商通信息技术有限公司 一种餐饮推荐方法、服务器及存储介质
CN110008408B (zh) * 2019-04-12 2021-04-06 山东大学 一种会话推荐方法、系统、设备及介质
CN110060132B (zh) * 2019-04-24 2021-09-24 吉林大学 基于细粒度数据的可解释商品推荐方法
CN110825847B (zh) * 2019-10-31 2022-09-02 北京奇艺世纪科技有限公司 目标人物间亲密度识别方法、装置、电子设备及存储介质
CN110888990B (zh) * 2019-11-22 2024-04-12 深圳前海微众银行股份有限公司 文本推荐方法、装置、设备及介质
CN111275091B (zh) * 2020-01-16 2024-05-10 平安科技（深圳）有限公司 文本结论智能推荐方法、装置及计算机可读存储介质
CN117573844B (zh) * 2024-01-15 2024-04-05 深圳市加推科技有限公司 一种基于上下文感知的数据推荐方法、装置及相关介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005115863A (ja) * 2003-10-10 2005-04-28 Ntt Docomo Inc サービス推薦システム
CN1959719A (zh) * 2005-11-01 2007-05-09 国际商业机器公司 评估个人之间的相关性的系统和方法
CN102200969A (zh) * 2010-03-25 2011-09-28 日电（中国）有限公司 基于句子顺序的文本情感极性分类系统和方法
CN103890761A (zh) * 2011-09-08 2014-06-25 阿克塞尔斯普林格数字电视指导有限责任公司 自动生成推荐的方法和装置
CN104484815A (zh) * 2014-12-18 2015-04-01 刘耀强 基于模糊本体面向产品方面的情感分析方法及系统
CN105095477A (zh) * 2015-08-12 2015-11-25 华南理工大学 一种基于多指标评分的推荐算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130119246A (ko) * 2012-04-23 2013-10-31 한국전자통신연구원 감성 기반 콘텐츠 추천 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005115863A (ja) * 2003-10-10 2005-04-28 Ntt Docomo Inc サービス推薦システム
CN1959719A (zh) * 2005-11-01 2007-05-09 国际商业机器公司 评估个人之间的相关性的系统和方法
CN102200969A (zh) * 2010-03-25 2011-09-28 日电（中国）有限公司 基于句子顺序的文本情感极性分类系统和方法
CN103890761A (zh) * 2011-09-08 2014-06-25 阿克塞尔斯普林格数字电视指导有限责任公司 自动生成推荐的方法和装置
CN104484815A (zh) * 2014-12-18 2015-04-01 刘耀强 基于模糊本体面向产品方面的情感分析方法及系统
CN105095477A (zh) * 2015-08-12 2015-11-25 华南理工大学 一种基于多指标评分的推荐算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
协同过滤推荐算法研究：考虑在线评论情感倾向;王伟，王洪伟，孟园;《系统工程理论与实践》;20141231;第3238-3249页 *
面向评论文本基于情感分析的可信推荐模型研究;刘妙;《中国优秀硕士学位论文信息科技辑》;20160831;论文第5.3节、第6章 *
面向话题型微博评论的观点识别及其情感倾向分析研究;黄时友;《中国优秀硕士学位论文信息科技辑》;20151030;论文第2.3节、第4.5节 *

Also Published As

Publication number Publication date
CN107944911A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107944911B (zh) 一种基于文本分析的推荐系统的推荐方法
CN107133224B (zh) 一种基于主题词的语言生成方法
CN109933664B (zh) 一种基于情感词嵌入的细粒度情绪分析改进方法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN111797898B (zh) 一种基于深度语义匹配的在线评论自动回复方法
CN103646088B (zh) 基于CRFs和SVM的产品评论细粒度情感要素提取
CN109492229B (zh) 一种跨领域情感分类方法和相关装置
CN105183717B (zh) 一种基于随机森林和用户关系的osn用户情感分析方法
CN108694647B (zh) 一种商户推荐理由的挖掘方法及装置，电子设备
CN112861541B (zh) 一种基于多特征融合的商品评论情感分析方法
Chang et al. Research on detection methods based on Doc2vec abnormal comments
CN110929034A (zh) 一种基于改进lstm的商品评论细粒度情感分类方法
CN110955750A (zh) 评论区域和情感极性的联合识别方法、装置、电子设备
CN112069320B (zh) 一种基于跨度的细粒度情感分析方法
CN110377840A (zh) 一种基于用户长短期偏好的音乐列表推荐方法及系统
CN109325120A (zh) 一种分离用户和产品注意力机制的文本情感分类方法
CN108733652B (zh) 基于机器学习的影评情感倾向性分析的测试方法
CN111353044A (zh) 一种基于评论的情感分析方法及系统
Rani et al. Study and comparision of vectorization techniques used in text classification
Suresh et al. Mining of customer review feedback using sentiment analysis for smart phone product
CN105760502A (zh) 一种基于大数据文本挖掘的商品质量情感词典构建系统
CN108804416B (zh) 基于机器学习的影评情感倾向性分析的训练方法
Shama et al. A meticulous critique on prevailing techniques of aspect-level sentiment analysis
CN113722487A (zh) 用户情感分析方法、装置、设备及存储介质
Kumar A Machine Learning-based Automated Approach for Mining Customer Opinion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant