CN110517121A - 基于评论文本情感分析的商品推荐方法及商品推荐装置 - Google Patents

基于评论文本情感分析的商品推荐方法及商品推荐装置 Download PDF

Info

Publication number
CN110517121A
CN110517121A CN201910897118.1A CN201910897118A CN110517121A CN 110517121 A CN110517121 A CN 110517121A CN 201910897118 A CN201910897118 A CN 201910897118A CN 110517121 A CN110517121 A CN 110517121A
Authority
CN
China
Prior art keywords
commodity
sequence
text
word
user
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
Application number
CN201910897118.1A
Other languages
English (en)
Inventor
李亮
周应华
曹方
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910897118.1A priority Critical patent/CN110517121A/zh
Publication of CN110517121A publication Critical patent/CN110517121A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Machine Translation (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)

Abstract

本发明涉及计算机处理技术领域，特别涉及一种基于评论文本情感分析的商品推荐方法及商品推荐装置，所述方法包括将评论文本进行基于专门用户词典和停用词表的特征化处理，与评价信息一同进行词嵌入；基于编码端的BiLSTM网络生成对每个特征结合上下文的状态向量；结合注意力机制，生成针对每个方面的句子级语义特征表示；在LSTM网络解码端解码，利用双曲正切非线性映射函数将相应的句子级特征表示映射到对应的情感类别空间，再利用softmax函数进行分类，通过对不同分类结果对应的数值进行用户自定义权重的求和来获得商品的评分，并将高分商品推荐给用户；本发明提高预测的准确性，提供更好的客户体验。

Description

基于评论文本情感分析的商品推荐方法及商品推荐装置
技术领域
本发明涉及计算机处理技术领域，特别涉及一种基于评论文本情感分析的商品推荐方法及商品推荐装置。
背景技术
近年来，电子商务的蓬勃发展，为商业方式和消费方式带来革命性的变化。网络购物平台为消费者提供了大量的选择，还通过用户对商品的评论来反馈更丰富的商品信息。消费者在购物前除查看商家提供的商品信息外，往往还会选择浏览对商品的评价信息生成对商品更全面的认知，使消费更趋于理性化。同时，这些反馈信息对商家进行商品及服务改进也提供了指导。这些以主观情绪表达的方式展现的评论文本数量每天都在指数级的增长，依靠人工方式进行分析处理将是个耗费巨大的工作。因此，采用计算机技术来处理和揭示这些文本中所蕴含的情感表达信息从而进一步发掘其中所蕴含的商品信息并利用这些信息进行商品推荐，成为数据挖掘领域的一个研究热点。
给定一个评论文本和一个方面，方面级情感分类致力于推理出句子针对特定方面的情感极。比如，在评价“这家餐馆菜品的味道很棒，但是用餐环境比较糟糕”中，目标方面为“味道”时，情感极是积极的，而当目标方面为“环境”时，所表述的情感则为消极。可见单个评论文本中包含着产品多个方面的情感指向。因此情感分类方法若能够以可接受的代价从单个评价文本中提取多个方面的情感指向信息，将使数据挖掘的维度在深度和广度上同时进行扩展，能够从单条评论中发掘更全面更丰富的商品信息，从而使需要综合这些信息以进行判断评估的工作获得更好的性能表现。
然而，现有的情感分类模型在处理多方面情感分类任务时存在一些问题。首先，目标嵌入和注意力机制的引入，在面对单个方面的情感分类时表现出了较好的结果，因为进行单个目标方面的嵌入更容易实现。但无法同时将多个目标方面进行嵌入，只能对每个方面都训练一个模型，这就需要付出极大的时间和资源代价。其次，分类任务的多个方面都源自于同一个文本，如果单纯的将多方面分类任务分解为多次的单方面分类任务，则单方面分类任务之间相互独立，从而忽略了在对齐及上下文上占用的互斥信息和情感上的关联信息，而注意力机制又无法单独胜任评论文本与目标方面对齐模型的任务。从文本上的统一性出发，对齐及上下文占用信息有助于使不同的方面减低与无关上下文的联系度，对提高方面级情感分类的准确性和效率具有很重要的意义，忽视这种互斥关系将引入更多干扰因素，降低情感分类的准确性。从评价者的主观统一性出发，在各个方面所表达的情感指向是存在一个共同的偏向或是受到在某个方面的情感主导的，忽视这种联系会降低分类的准确性。
现有的商品推荐方法所依赖的评分算法则是由用户在评价的基础上在手动进行打分，这导致了用户重复表达自己对商品的意见，且存在以下不准确的问题：首先，不同用户的评分标准不同，同样的情形可能获得不同的评分结果；其次，用户在评分时并不能准确把握不同分值所代表的满意程度，并不能分辨连续的分值在表示同一感受上的区别。
发明内容
为了提升用户体验，更好地为用户提供商品推荐的列表，本发明提供一种基于评论文本情感分析的商品推荐方法及商品推荐装置，所述商品推荐方法包括以下步骤：
S1、构建情感分类模型，获取以历史商品的评论文本作为训练集，对情感分类进行训练；
S2、在情感分类模型中，对评论文本进行预处理，获取评论文本的词特征序列；将词特征序列和方面序列通过词嵌入转换获得词向量序列和方面向量；
S3、将词向量序列输入编码端BiLSTM进行编码，获得词特征上下文语义序列；
S4、将上下文语义序列输入注意力过滤器，计算每个上下文语义对方面向量的敏感度，再计算每个语义与对应敏感度的乘积并求各乘积的和作为句子级语义特征；获得句子级语义特征是与方面相关的语义，而滤除与方面无关的语义，降低语义特征的维度并减少无关语义带来的影响；
S5、通过向量的连接将方面向量嵌入到句子级语义特征中，获得强调目标方面向量的目标语义特征；将目标语义特征在LSTM网络的解码端解码，然后采用双曲正切函数向情感分类空间进行映射，并通过softmax层将映射值最大的情感类别作为预测的情感标签；
S6、根据预测的情感标签和真实的情感标签计算损失函数，并根据损失函数更新情感分类模型的参数，完成训练；
S7、将实时的商品评论文本输入情感分类模型，获得商品预测的情感标签并按照情感标签与满意值的对应标准将评价文本情感分类预测序列转化为对应的满意值序列；其中，情感标签与满意值的对应标准是通过统计既有评论文本及满意度评分中满意度与评分的对应关系，从而获得情感标签与满意值的对应标准；
S8、求满意值序列中每个满意值与对应用户关注权重的乘积并求各乘积的和，获得该条商品评论所反应的评分；求该商品已有评论所反应商品评分的平均值作为商品的最终评分，并向用户推荐评分最高的N个商品；
其中，用户对所有目标方面的关注度之和为1，用户根据自身对商品的不同方面的关注度采用手动方式设置对商品各个方面的关注权重。
进一步的，对评论文本进行预处理包括根据用户停用词表及用户词表对评论文本进行分词、去停用词、抛弃过长文本生成每个文本的词特征序列，根据用户的词典将文本对应的词特征序列转化为one-hot表示序列；其中，用户停用词至少包括包括表情符号、电话号码以及语气助词、介词等信息量低的词；用户词表主要包含评论文本中的特有名词，作为分词的辅助信息，以减少分词过程中出现错误；用户词典为用户语料中词频最高的N个词，每个词分配一个索引号，而其他的低频词汇则标注为未知，将其全部转换为相同的索引号。
进一步的，将目标方面向量嵌入到句子级语义特征中包括：将目标方面向量嵌入到句子级语义特征中，生成强调目标的语义特征di[ci,ai]，所有目标语义特征组成序列d，表示为d＝[d1,...,di,...,dk]，并将该序列作为解码端的输入。
本发明还提供一种基于评论文本情感分析的商品推荐装置，包括预处理模块、满意值序列生成模块、用户关注权重生成模块以及商品推荐模块，满意值序列生成模块包括词嵌入模块、编码模块、注意力筛选模块、解码模块、编译和训练模块以及满意值序列转化模块，其中：
预处理模块，用于将训练集评论文本进行分词、去停用词、抛弃过长文本，生成文本的词特征表示，并统计文本中的词频并生成词表，利用词典将每个文本对应的词特征序列转化为one-hot表示序列；
词嵌入模块，生成词嵌入模型，结合词典构成词嵌入矩阵作为模型嵌入层的初始化值，并将方面序列转化为方面向量序列。词特征序列则通过初始化后的嵌入层转化成词向量序列；
编码模块，对词向量序列进行编码，获得词特征上下文语义序列；
注意力筛选模块，用于计算每个句子中的上下文语义对目标方面的敏感度，计算句子中每个上下文语义与其对应敏感度的乘积并求各乘积的和作为句子级语义特征，并对应目标序列生成句子级语义特征序列；
解码模块，将目标方面向量嵌入到对应的句子级语义特征中，获得强调目标方面向量的目标语义特征，并构成目标语义特征序列，输入LSTM中获得语义特征在情感类别空间的映射，通过激活函数softmax及时间分布式的全连接网络进行分类；
商品推荐模块用于根据解码端输出的情感标签计算商品的得分，并将得分最高的N个商品推荐给用户。
本发明能够更准确的体现词特征在文本语境下所体现出的语义；另外，一方面本发明基于注意力机制的筛选器，可以筛选出文本中与目标方面相关的语义信息并去除干扰信息，而且可以从语义角度分辨同一文本中属于多个不同目标方面的语义信息；另一方面本发明可以实现针对多个指定目标方面的情感分类。
附图说明
图1是本发明一种基于评论文本情感分析的商品推荐方法的流程图；
图2是本发明实施例中多方面情感分类模型训练装置结构图；
图3是本发明实施例中提出的注意力筛选器的原理图；
图4是本发明实施例中多方面情感分类模型训练集情感分类方法原理图；。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于评论文本情感分析的商品推荐方法，如图1，包括：
S1、构建情感分类模型，获取以历史商品的评论文本作为训练集，对情感分类进行训练；
S2、在情感分类模型中，对评论文本进行预处理，获取评论文本的词特征序列；将词特征序列和方面序列通过词嵌入转换获得词向量序列和方面向量；
S3、将词向量序列输入编码端BiLSTM进行编码，获得词特征上下文语义；
S4、将上下文语义序列输入注意力过滤器，计算每个上下文语义对方面向量的敏感度，再计算每个语义与对应敏感度的乘积并求各乘积的和作为句子级语义特征，从而获得与方面相关的语义，而滤除与方面无关的语义，降低语义特征的维度并减少无关语义带来的干扰；
S5、通过向量的连接将方面向量嵌入到句子级语义特征中，获得强调目标方面向量的目标语义特征；将目标语义特征在LSTM网络的解码端解码，然后采用双曲正切函数向情感分类空间进行映射，并通过softmax层将映射值最大的情感类别作为预测的情感标签；
S6、根据预测的情感标签和真实的情感标签计算损失函数，并根据损失函数更新情感分类模型的参数，完成训练；
S7、将实时的商品评论文本输入情感分类模型，获得商品预测的情感标签。通过统计既有评论文本及满意度评分中满意度与评分的对应关系获得情感标签与满意值的对应标准，并按照该标准将评价文本情感分类预测序列转化为对应的满意值序列；
S8、求满意值序列中每个满意值与对应用户关注权重的乘积并求各乘积的和，获得该条商品评论所反应的评分；求该商品已有评论所反应商品评分的平均值作为商品的最终评分，并向用户推荐评分最高的N个商品；其中，用户对所有目标方面的关注度之和为1，用户根据自身对商品的不同方面的关注度设置对商品各个方面的关注权重。
在本实施例中，对评论文本进行预处理包括根据用户停用词表及用户词表对评论文本进行分词、去停用词、抛弃过长文本生成每个文本的词特征序列，根据用户的词典将文本对应的词特征序列转化为one-hot表示序列；其中，用户停用词至少包括包括表情符号、电话号码以及语气助词、介词等信息量低的词；用户词表主要包含评论文本中的特有名词，作为分词的辅助信息，以减少分词过程中出现错误；用户词典为用户语料中词频最高的N个词，每个词分配一个索引号，而其他的低频词汇则标注为未知，将其全部转换为相同的索引号。
优选的，由于评论文本存在专门词汇多且口语化表达的特点，通关增加特定的用户词库来增加中文分词的准确性，同事利用针对评价文本的停用词表去除文本中信息量低的词和常见的的表情符、电话等，将文本序列转化为词特征序列，表示为S1＝[w1,w2,...,wn]；其中，S1为词特征序列，n为文本词特征化后的长度，在减少干扰因素的同时减少词特征序列的长度；wn为评论文本进行预处理后产生的词特征。
同时，根据词特征在整个训练集语料中出现的频率选取高频词作为词典并按序分配索引号，然后将词特征序列按照词特征在字典中的索引值转化为one-hot表示序列，表示为S2＝[i1,i2,...,in]，其中，S2为one-hot表示的词特征序列；in为词特征的one-hot值，取值为该词在词典中的索引值，in∈R|V|，|V|表示词典的规模。
优选的，利用文本生成的词特征序列作为语料训练Word2Vector模型，模型采用skip-gram算法进行词嵌入，对于生成的模型则按照词典中的索引逐词计算其对应的嵌入向量，并生成一个词嵌入矩阵，词嵌入矩阵表示为Memb∈RD×|V|，其中D表示嵌入空间的维度，该矩阵作为编码端嵌入层的初始化参数值。
优选的，将每个词特征的one-hot编码映射到词嵌入空间，将原文的词特征序列转化为词向量序列，表示为：S3＝[v1,v2,...,vn]，其中，S3为词向量序列，vi为词特征的one-hot值通过嵌入层产生的词向量，vi∈RD,i∈{1,2,...,n}。词向量序列作为BiLSTM的输入数据，由正向的LSTM获取词的上文语义信息并输出状态向量，正向上文语义向量表示为由反向的LSTM获取词的下文语义信息并输出状态向量，反向下文语义向量表示为结合BiLSTM的双向输出状态向量作为词的上下文语义，即上下文语义表示为并生成对应的上下文语义序列S4＝[h1,h2,...,hn]，S4表示上下文语义序列；BiLSTM通过结合上下文可以减少文本中多义词及隐含语义所带来的干扰信息，并结合上下文将其抽取出来从而生成更丰富、更准确的语义。
在理解了词特征的上下文语义后可以计算词特征与目标方面的关联度信息，即计算该语义对当前目标方面的敏感度score(hj,ai)，表示为：
其中，Wa和vT表示计算语义对目标方面敏感度的参数矩阵和参数向量，vT是参数向量的转置。Wa和vT在训练过程中会不断优化并得到针对训练集文本的最优值。
某个评论文本整体对特定目标方面的情感表述是确定的、完整的，而不同的词特征对应的语义则包含不同比例的表述信息，为便于计算设置文本整体对特定目标方面的敏感权值为1，可以通过softmax函数计算每个词特征对应的语义所占的敏感权值，计算公式：
其中，αij表达了语义hj在整个文本对目标方面ai的情感表述中的占比，采用注意力机制将语义信息进行加权，对目标方面敏感度高的语义信息权值高保留得更多，而对目标方面不敏感或弱敏感的的语义信息权值低被筛除或有限的保留从而完成信息筛选，最终采用所有词语义的加权和而获得对目标方面敏感的句子级语义ci，即：
其中，αij·hj即某个词特征对应的上下文语义在目标方面上被筛选出的相关语义信息。对于面向目标方面序列a＝[a1,a2,...,ak]，则生成对应的句子级语义特征序c＝[c1,c2,...,ck]，其中k指目标方面的数量，即从k个方面来判断该文本所表达的不同的情感偏向。对于每个目标方面，都有通过注意力机制从原文本中提取的与该目标方面高度相关的句子语义信息。
如图3为本发明的注意力筛选器原理，图3以四个时步在第i～i+2个方面注意力筛选过程为例，将BiLSTM网络每个时步的输出状态向量组成的上下文语义序列，表示为[ht,ht+1,ht+2,ht+3]，上下文语义包括正向上文向量和反向下文向量，表示为计算序列中每一个上下文语义对当前目标方面的敏感度，并构成敏感度序列；对敏感度度序列采用softmax函数计算每个词特征在词特征序列中的敏感权重，生成敏感权重序列αi；将词特征序列与敏感权重序列的对应位置相乘，获得乘积序列；求乘积序列各元素的和作为对目标方面敏感的句子级语义ci。
将目标方面信息进一步通过向量的连接嵌入到句子级语义中生成目标方面语义e1＝[ci,ai]，通过嵌入强调当前时步所针对的目标信息。基于文本及评论主观的一致性，使用LSTM作为解码端，e作为LSTM网络的输入，生成在情感分类空间上的映射，这种映射表示为：
si＝LSTM(si-1,ci,ai)
其中，si-1表示文本在前一个目标方面上生成的映射，使前一个方面的映射结果对当前方面的映射产生影响，而前一个方面有受到其前序映射的影响，这体现了基于同一文本的不同方面的情感倾向在主观上存在一致性，即评价者在各个方面的情感倾向是基于一个共同的情感基础，在每个方面上的情感倾向受此情感基础的影响。
LSTM涉及的各个门计算中具体体现了这种影响过程，LSTM的忘记门计算公式：
fi＝σ(Wf[si-1,ei])
其中，fi为LSTM网络的忘记门的输出；Wf是可以训练的参数矩阵，忘记门读取前序映射结果及当前方面语义的信息，输出一个0至1之间的数值给前序的细胞状态Ci-1，由此来决定从前序的细胞状态中保留多少信息，0表示完全舍弃前序细胞状态，1表示完全保留前序细胞状态。
LSTM的细胞状态计算公式：
其中，WC是可以训练的参数矩阵，通过综合前序映射和当前方面语义信息，生成一个新的细胞状态候选值向量。
LSTM的输入门计算公式：
ri＝σ(Wr[si-1,ei])
其中Wr是可以训练的参数矩阵，输入门层决定从候选的细胞状态中抽取哪些部分作为新细胞状态的更新值。
结合忘记门从前序细胞状的保留信息和输入门从候选细胞状态中的更新信息，则当前细胞状态的计算公式为：
LSTM的输出门计算公式：
oi＝σ(Wo[si-1,ei])
其中Wo是可以训练的参数矩阵，输出门层决定当前细胞状态的哪个部分可以作为输出，计算公式为：
si＝oi*tanh(Ci)
目标方面在方面语义中的嵌入对LSTM网络各门运算中相应的参数矩阵Wo，Wr，Wf和WC的迭代更新产生影响，进而使LSTM网络在继承前序信息和采用当前输入信息的过程中加入将目标方面信息，通过该过程加强文本所产生的句子级特征与目标方面的关联，在生成si时强调当前目标方面信息，从而增强从语义特征映射到情感类别空间中时对ai的敏感性和关联度。
利用softmax函数计算映射属于情感分类空间中不同标签的概率，其计算公式为：
其中，p(li,t＝1|ai)是文本在方面ai上预测的情感标签li为类别t的概率，向量wt取自参数矩阵Wp。最终将选择概率最大的类别标签作为最终的输出标签，即预测值。
则根据所有样本在所有方面各情感分类标签上预测值与真实值的分布计算累计的分类交叉熵损失函数，计算公式为：
其中，是样本m在目标方面k上是否属于类别t的布尔值，属于时为1不属于时为0，则为样本m在目标方面k上属于类别t的概率。损失函数将只计入真实标签分布位置的预测概率值，由于在该区间中且为关于的增函数，而对应的且为关于的减函数，即对应真实标签位置上的概率越小(预测结果越差)则该处的损失值越大，总的分类交叉熵损失值累积每个样本在每个方面的数值。获得损失函数值之后，将根据BPTT算法(时序反向传播算法)更新模型中的各参数矩阵和参数向量，从而获得最优模型。
由用户根据自身对商品不同方面的关注度设置对商品各个方面的关注度，生成权值序列g＝[g1,g2,...,gk,...,gK]，gk表示用户设置对商品在第k个方面的关注度，K为商品的方面数目；
将评价文本情感分类预测序列l＝[l1,l2,...,lk,...,lK]，其中，lk表示对评价文本在第k方面的情感分类预测，lk∈RT，T为情感标签的种类，按照统一的映射规则，即通过统计既有评论文本及满意度评分中满意度与评分的对应关系获得情感标签与满意值的对应标准rule＝{θ1:μ1,θ2:μ2,...,θK:μK}，转化为对应的满意值序列u＝[u1,u2,...,uk,...,uK]，其中uk表示对商品第k个方面的满意度值，uk∈RT；θ1表示通过统计从既有文本中选取的具有代表性的满意度表述；
求取每个方面满意度值与该方面用户关注度的乘积并求和，即作为该条商品评论所反应的评分；
求该商品已有评论所反应商品评分的平均值作为商品最终评分，即并向用户提供若干评分最高的商品；其中，M为商品已有的评论条数。
根据上述步骤构建的多方面情感分类模型，将训练数据集中的评论文本数据输入其中，采用自适应学习率调整方法Adam优化模型参数，并采用k折交叉验证调整模型的超参数使达到最优，以获得在训练集上分类效果最优的模型。图4展示了训练产生最优模型并在测试集上使用该最优模型进行分类预测的原理及过程。
本发明提出一种基于评论文本情感分析的商品推荐装置，如图2，包括预处理模块、情感预测模块以及商品推荐模块，情感预测模块包括词嵌入模块、编码模块、注意力筛选模块、解码模块以及编译和训练模块；其中：
预处理模块，用于将训练集评论文本进行分词、去停用词、抛弃过长文本，生成文本的词特征表示，并统计文本中的词频并生成词表，利用词典将每个文本对应的词特征序列转化为one-hot表示序列；
词嵌入模块，生成词嵌入模型，结合词典构成词嵌入矩阵作为模型嵌入层的初始化值，并将方面序列转化为方面向量序列。词特征序列则通过初始化后的嵌入层转化成词向量序列；
编码模块，对词向量序列进行编码，获得词特征上下文语义序列；
注意力筛选模块，用于计算每个句子中的上下文语义对目标方面的敏感度，计算句子中每个上下文语义与其对应敏感度的乘积并求各乘积的和作为句子级语义特征，并对应目标序列生成句子级语义特征序列；
解码模块，将目标方面向量嵌入到对应的句子级语义特征中，获得强调目标方面向量的目标语义特征，并构成目标语义特征序列，输入LSTM中获得语义特征在情感类别空间的映射，通过激活函数softmax及时间分布式的全连接网络进行分类；
商品推荐模块用于根据解码端输出的情感标签计算商品的得分，并将得分最高的N个商品推荐给用户。
进一步的，商品推荐模包括满意值序列转化模块、用户关注权重生成模块、乘法器、加法器以及排序器，其中：
满意值序列转化模块用于将解码模块输出的商品情感标签与满意值序列进行映射，得到商品的满意值序列；
用户关注权重生成模块用于获取用户对商品各个方面的关注度；
乘法器用于计算一个方面的满意度值与该方面用户关注度的乘积；
加法器用于计算所有方面的满意度值与对应方面用户关注度的乘积之和，并将该和作为商品的评分；
排序器用于对每个商品的评分进行排序，并将评分最高的N个商品推荐给用户。
在本发明中，“目标方面”或者“方面”的释意包括：例如在一个商品评价文本“这家餐厅菜品味道很棒，但是用餐环境比较糟糕。”中，“味道”和“环境”是这条评论的两个“方面”，若目标方面为味道，则对应的是积极的情感词“很棒”，所以目标方面为味道时，表述的情感是积极的；若目标方面为环境，则对应的是消极的情感词“糟糕”，所以目标方面为环境时，表述的情感是消极的。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于评论文本情感分析的商品推荐方法，其特征在于，包括以下步骤：
S1、构建情感分类模型，获取商品的历史评论文本作为训练集，对情感分类进行训练；
S2、在情感分类模型中，对评论文本进行预处理，获取评论文本的词特征序列；将词特征序列和方面序列通过词嵌入转换获得词向量序列和方面向量；
S3、将词向量序列输入编码端BiLSTM进行编码，获得词特征上下文语义；
S4、将上下文语义序列输入注意力过滤器，计算每个上下文语义对方面向量的敏感度，再计算每个语义与对应敏感度的乘积并求各乘积的和作为句子级语义特征；
S5、通过向量的连接将方面向量嵌入到句子级语义特征中，获得强调目标方面向量的目标语义特征；将目标语义特征在LSTM网络的解码端解码，然后采用双曲正切函数向情感分类空间进行映射，并通过softmax层将映射值最大的情感类别作为预测的情感标签；
S6、根据预测的情感标签和真实的情感标签计算损失函数，并根据损失函数更新情感分类模型的参数，完成训练；
S7、将实时的商品评论文本输入情感分类模型，获得商品预测的情感标签；通过统计既有评论文本及满意度评分中满意度与评分的对应关系获得情感标签与满意值的对应标准，并按照该标准将评价文本情感分类预测序列转化为对应的满意值序列；
S8、求满意值序列中每个满意值与对应用户关注度的乘积并求各乘积的和，获得该条商品评论所反应的评分；求该商品已有评论所反应商品评分的平均值作为商品的最终评分，并向用户推荐评分最高的N个商品；
其中，用户对所有目标方面的关注度之和为1，用户根据自身对商品的不同方面的关注度手动设置对商品各个方面的关注权重。
2.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，对评论文本进行预处理包括根据用户停用词表及用户词表对评论文本进行分词、去停用词、抛弃过长文本生成每个文本的词特征序列，根据用户的词典将文本对应的词特征序列转化为one-hot表示序列；其中，用户停用词为信息量低的词，至少包括包括表情符号、电话号码以及语气助词、介词；用户词表主要包含评论文本中的特有名词，作为分词的辅助信息，以减少分词过程中出现错误；用户词典为用户语料中词频最高的N个词，每个词分配一个索引号，而其他的低频词汇则标注为未知，将其全部转换为相同的索引号。
3.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于：将目标方面向量嵌入到句子级语义特征中，生成强调目标方面的目标语义特征di[ci,ai]，所有目标语义特征组成序列d，表示为d＝[d1,...,di,...,dk]，并将该序列作为解码端的输入。
4.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，进行空间分类映射包括采用双曲正切函数tanh作为激活函数将每个语义特征映射到对应目标方面的情感类别空间中，表示为：
si＝oi*tanh(Ci)；
其中，si为LSTM网络的解码端的输出；oi为LSTM网络的输出门的值；Ci为在LSTM网络中当前细胞状态，即基于注意力机制取得文本针对第i个目标方面ai的句子级语义特征。
5.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，基于注意力机制取得文本针对第i个目标方面ai的句子级语义特征表示为：
其中，为编码端BiLSTM网络中的前向及后向LSTM网络输出的状态向量的结合，为编码端BiLSTM网络中的前向LSTM网络输出的状态向量，为编码端BiLSTM网络中的后向LSTM网络输出的状态向量；aij表示隐层状态向量序列中的第j个状态向量hj对目标方面向量ai的敏感权值。
6.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，通过softmax层预测的情感标签表示为：
其中，p(li,k＝1|ai)是预测评论文本在方面ai上预测的情感标签是类别k的概率；wm为时间分布式全连接层网络中权值矩阵Wd的第m行；si为LSTM网络的解码端的输出；K表示商品的方面的总数目。
7.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，根据预测的情感标签和真实的情感标签计算损失函数包括将预测的情感标签和真实的情感标签的累计的分类交叉熵作为损失函数，表示为：
其中，loss为损失值；是评论文本m在目标方面k上是否属于类别t的布尔值，属于时值为1，否则为0；为样本m在目标方面k上属于类别t的概率。
8.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，商品的最终评分包括：
其中，Δ为商品的最终评分；M为商品已有的评论条数；markm商品已有的第m条评论所反应在各个方面反映的商品评分之和；K为商品的方面数目；gk为用户设置的对商品第k个方面的关注度；uk为用户对商品第k个方面的满意度值。
9.基于评论文本情感分析的商品推荐装置，其特征在于，包括预处理模块、情感预测模块以及商品推荐模块，情感预测模块包括词嵌入模块、编码模块、注意力筛选模块、解码模块以及编译和训练模块；其中：
预处理模块，用于将训练集评论文本进行分词、去停用词、抛弃过长文本，生成文本的词特征表示，并统计文本中的词频并生成词表，利用词典将每个文本对应的词特征序列转化为one-hot表示序列；
词嵌入模块，生成词嵌入模型，结合词典构成词嵌入矩阵作为模型嵌入层的初始化值，并将方面序列转化为方面向量序列，词特征序列则通过初始化后的嵌入层转化成词向量序列；
编码模块，对词向量序列进行编码，获得词特征上下文语义序列；
注意力筛选模块，用于计算每个句子中的上下文语义对目标方面的敏感度，计算句子中每个上下文语义与其对应敏感度的乘积并求各乘积的和作为句子级语义特征，并对应目标序列生成句子级语义特征序列；
解码模块，将目标方面向量嵌入到对应的句子级语义特征中，获得强调目标方面向量的目标语义特征，并构成目标语义特征序列，输入LSTM中获得语义特征在情感类别空间的映射，通过激活函数softmax及时间分布式的全连接网络进行分类；
商品推荐模块，用于根据解码端输出的情感标签计算商品的得分，并将得分最高的N个商品推荐给用户。
10.根据权利要求8所述的基于评论文本情感分析的商品推荐装置，其特征在于，商品推荐模包括满意值序列转化模块、用户关注权重生成模块、乘法器、加法器以及排序器，其中：
满意值序列转化模块，用于将解码模块输出的商品情感标签与满意值序列进行映射，得到商品的满意值序列；
用户关注权重生成模块，用于获取用户对商品各个方面的关注度；
乘法器，用于计算一个方面的满意度值与该方面用户关注度的乘积；
加法器，用于计算所有方面的满意度值与对应方面用户关注度的乘积之和，并将该和作为商品的评分；
排序器，用于对每个商品的评分进行排序，并将评分最高的N个商品推荐给用户。
CN201910897118.1A 2019-09-23 2019-09-23 基于评论文本情感分析的商品推荐方法及商品推荐装置 Pending CN110517121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897118.1A CN110517121A (zh) 2019-09-23 2019-09-23 基于评论文本情感分析的商品推荐方法及商品推荐装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897118.1A CN110517121A (zh) 2019-09-23 2019-09-23 基于评论文本情感分析的商品推荐方法及商品推荐装置

Publications (1)

Publication Number Publication Date
CN110517121A true CN110517121A (zh) 2019-11-29

Family

ID=68633259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897118.1A Pending CN110517121A (zh) 2019-09-23 2019-09-23 基于评论文本情感分析的商品推荐方法及商品推荐装置

Country Status (1)

Country Link
CN (1) CN110517121A (zh)

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178946A (zh) * 2019-12-17 2020-05-19 清华大学深圳国际研究生院 一种用户行为表征的方法及系统
CN111209386A (zh) * 2020-01-07 2020-05-29 重庆邮电大学 一种基于深度学习的个性化文本推荐方法
CN111222332A (zh) * 2020-01-06 2020-06-02 华南理工大学 一种结合注意力网络和用户情感的商品推荐方法
CN111259674A (zh) * 2020-01-13 2020-06-09 济南浪潮高新科技投资发展有限公司 基于gan网络的文字校对和情感分析方法、设备及介质
CN111259153A (zh) * 2020-01-21 2020-06-09 桂林电子科技大学 一种完全注意力机制的属性级情感分析方法
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111274398A (zh) * 2020-01-20 2020-06-12 福州大学 一种方面级用户产品评论情感分析方法及系统
CN111311364A (zh) * 2020-02-13 2020-06-19 山东大学 基于多模态商品评论分析的商品推荐方法及系统
CN111428039A (zh) * 2020-03-31 2020-07-17 中国科学技术大学 一种方面级别的跨领域情感分类方法及系统
CN111488524A (zh) * 2020-04-08 2020-08-04 吉林大学 一种面向注意力的语义敏感的标签推荐方法
CN111581981A (zh) * 2020-05-06 2020-08-25 西安交通大学 基于评价对象强化和带约束标签嵌入的方面类别检测系统及方法
CN111651558A (zh) * 2020-05-09 2020-09-11 清华大学深圳国际研究生院 基于预训练语义模型的超球面协同度量推荐装置和方法
CN111667339A (zh) * 2020-05-26 2020-09-15 吉林大学 一种基于改进递归神经网络的诽谤性恶意用户检测方法
CN111782964A (zh) * 2020-06-23 2020-10-16 北京智能工场科技有限公司 一种社区帖子的推荐方法
CN111798262A (zh) * 2020-05-20 2020-10-20 合肥工业大学 用户关注点识别方法、系统和存储介质
CN111897954A (zh) * 2020-07-10 2020-11-06 西北大学 一种用户评论方面挖掘系统、方法、及存储介质
CN112069402A (zh) * 2020-08-28 2020-12-11 山东省人工智能研究院 一种基于情感和图卷积神经网络的个性化评论推荐方法
CN112329474A (zh) * 2020-11-02 2021-02-05 山东师范大学 融合注意力的方面级用户评论文本情感分析方法及系统
CN112465389A (zh) * 2020-12-12 2021-03-09 广东电力信息科技有限公司 一种基于词频的相似供应商推荐方法及装置
CN112507164A (zh) * 2020-12-07 2021-03-16 重庆邮电大学 基于内容和用户标识的弹幕过滤方法、装置及存储介质
CN112541077A (zh) * 2020-11-26 2021-03-23 深圳供电局有限公司 一种用于电网用户服务评价的处理方法及系统
CN112732915A (zh) * 2020-12-31 2021-04-30 平安科技（深圳）有限公司 情感分类方法、装置、电子设备及存储介质
CN112860894A (zh) * 2021-02-10 2021-05-28 北京百度网讯科技有限公司 情感分析模型的训练方法、情感分析方法、装置和设备
WO2021109671A1 (zh) * 2019-12-02 2021-06-10 广州大学 一种支持跨语言迁移的细粒度情感分析方法
CN112991017A (zh) * 2021-03-26 2021-06-18 刘秀萍 基于用户评论解析的标签体系精准推荐方法
CN113032554A (zh) * 2019-12-24 2021-06-25 Tcl集团股份有限公司 一种决策系统和计算机可读存储介质
CN113255665A (zh) * 2021-06-04 2021-08-13 明品云(北京)数据科技有限公司 一种目标文本提取方法及系统
CN113255360A (zh) * 2021-04-19 2021-08-13 国家计算机网络与信息安全管理中心 基于层次化自注意力网络的文档评级方法和装置
CN113343645A (zh) * 2020-03-03 2021-09-03 北京沃东天骏信息技术有限公司 信息提取模型的建立方法及装置、存储介质及电子设备
CN113361617A (zh) * 2021-06-15 2021-09-07 西南交通大学 基于多元注意力修正的方面级情感分析建模方法
CN113378047A (zh) * 2021-06-10 2021-09-10 武汉大学 一种基于多方面增强的图神经网络推荐方法
CN113421006A (zh) * 2021-07-01 2021-09-21 宁波大学 一种基于语义的可解释人职匹配方法及系统
CN113449100A (zh) * 2020-03-26 2021-09-28 北京国双科技有限公司 文本的评论性质识别方法、机器学习模型训练方法及装置
CN113689267A (zh) * 2021-08-31 2021-11-23 华东师范大学 一种自适应卷积网络协同过滤的商品推荐方法
CN113722477A (zh) * 2021-08-09 2021-11-30 北京智慧星光信息技术有限公司 基于多任务学习的网民情绪识别方法、系统及电子设备
CN113722487A (zh) * 2021-08-31 2021-11-30 平安普惠企业管理有限公司 用户情感分析方法、装置、设备及存储介质
CN113761882A (zh) * 2020-06-08 2021-12-07 北京沃东天骏信息技术有限公司 一种词典构建方法和装置
CN115018588A (zh) * 2022-06-24 2022-09-06 平安普惠企业管理有限公司 产品推荐方法、装置、电子设备及可读存储介质
CN116257623A (zh) * 2022-09-07 2023-06-13 中债金科信息技术有限公司 文本情感分类模型训练方法、文本情感分类方法及设备
CN116805256A (zh) * 2023-07-04 2023-09-26 深圳市斗鲸科技有限公司 基于情感分析的广告推送系统及方法
CN116957740A (zh) * 2023-08-01 2023-10-27 哈尔滨商业大学 一种基于词特征的农产品推荐系统
CN117851688A (zh) * 2024-03-06 2024-04-09 成都理工大学 基于深度学习及用户评论内容的个性化推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN108269169A (zh) * 2017-12-29 2018-07-10 武汉璞华大数据技术有限公司 一种导购方法及系统
CN108363753A (zh) * 2018-01-30 2018-08-03 南京邮电大学 评论文本情感分类模型训练与情感分类方法、装置及设备
CN109992780A (zh) * 2019-03-29 2019-07-09 哈尔滨理工大学 一种基于深度神经网络特定目标情感分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN108269169A (zh) * 2017-12-29 2018-07-10 武汉璞华大数据技术有限公司 一种导购方法及系统
CN108363753A (zh) * 2018-01-30 2018-08-03 南京邮电大学 评论文本情感分类模型训练与情感分类方法、装置及设备
CN109992780A (zh) * 2019-03-29 2019-07-09 哈尔滨理工大学 一种基于深度神经网络特定目标情感分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆伟 等: "《情报学研究进展》", 30 June 2017, 武汉大学出版社 *

Cited By (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021109671A1 (zh) * 2019-12-02 2021-06-10 广州大学 一种支持跨语言迁移的细粒度情感分析方法
CN111178946B (zh) * 2019-12-17 2023-07-18 清华大学深圳国际研究生院 一种用户行为表征的方法及系统
CN111178946A (zh) * 2019-12-17 2020-05-19 清华大学深圳国际研究生院 一种用户行为表征的方法及系统
CN113032554A (zh) * 2019-12-24 2021-06-25 Tcl集团股份有限公司 一种决策系统和计算机可读存储介质
CN111222332A (zh) * 2020-01-06 2020-06-02 华南理工大学 一种结合注意力网络和用户情感的商品推荐方法
CN111209386A (zh) * 2020-01-07 2020-05-29 重庆邮电大学 一种基于深度学习的个性化文本推荐方法
CN111209386B (zh) * 2020-01-07 2022-04-12 重庆邮电大学 一种基于深度学习的个性化文本推荐方法
CN111259674A (zh) * 2020-01-13 2020-06-09 济南浪潮高新科技投资发展有限公司 基于gan网络的文字校对和情感分析方法、设备及介质
CN111259674B (zh) * 2020-01-13 2023-07-25 山东浪潮科学研究院有限公司 基于gan网络的文字校对和情感分析方法、设备及介质
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111274398B (zh) * 2020-01-20 2022-06-14 福州大学 一种方面级用户产品评论情感分析方法及系统
CN111274398A (zh) * 2020-01-20 2020-06-12 福州大学 一种方面级用户产品评论情感分析方法及系统
CN111259153B (zh) * 2020-01-21 2021-06-22 桂林电子科技大学 一种完全注意力机制的属性级情感分析方法
CN111259153A (zh) * 2020-01-21 2020-06-09 桂林电子科技大学 一种完全注意力机制的属性级情感分析方法
CN111311364A (zh) * 2020-02-13 2020-06-19 山东大学 基于多模态商品评论分析的商品推荐方法及系统
CN113343645A (zh) * 2020-03-03 2021-09-03 北京沃东天骏信息技术有限公司 信息提取模型的建立方法及装置、存储介质及电子设备
CN113449100A (zh) * 2020-03-26 2021-09-28 北京国双科技有限公司 文本的评论性质识别方法、机器学习模型训练方法及装置
WO2021190275A1 (zh) * 2020-03-26 2021-09-30 北京国双科技有限公司 文本的评论性质识别方法、机器学习模型训练方法及装置
CN111428039A (zh) * 2020-03-31 2020-07-17 中国科学技术大学 一种方面级别的跨领域情感分类方法及系统
CN111428039B (zh) * 2020-03-31 2023-06-20 中国科学技术大学 一种方面级别的跨领域情感分类方法及系统
CN111488524A (zh) * 2020-04-08 2020-08-04 吉林大学 一种面向注意力的语义敏感的标签推荐方法
CN111488524B (zh) * 2020-04-08 2022-08-16 吉林大学 一种面向注意力的语义敏感的标签推荐方法
CN111581981B (zh) * 2020-05-06 2022-03-08 西安交通大学 基于评价对象强化和带约束标签嵌入的方面类别检测系统及方法
CN111581981A (zh) * 2020-05-06 2020-08-25 西安交通大学 基于评价对象强化和带约束标签嵌入的方面类别检测系统及方法
CN111651558B (zh) * 2020-05-09 2023-04-07 清华大学深圳国际研究生院 基于预训练语义模型的超球面协同度量推荐装置和方法
CN111651558A (zh) * 2020-05-09 2020-09-11 清华大学深圳国际研究生院 基于预训练语义模型的超球面协同度量推荐装置和方法
CN111798262A (zh) * 2020-05-20 2020-10-20 合肥工业大学 用户关注点识别方法、系统和存储介质
CN111798262B (zh) * 2020-05-20 2022-09-06 合肥工业大学 用户关注点识别方法、系统和存储介质
CN111667339A (zh) * 2020-05-26 2020-09-15 吉林大学 一种基于改进递归神经网络的诽谤性恶意用户检测方法
CN111667339B (zh) * 2020-05-26 2022-05-27 吉林大学 一种基于改进递归神经网络的诽谤性恶意用户检测方法
CN113761882A (zh) * 2020-06-08 2021-12-07 北京沃东天骏信息技术有限公司 一种词典构建方法和装置
CN111782964A (zh) * 2020-06-23 2020-10-16 北京智能工场科技有限公司 一种社区帖子的推荐方法
CN111782964B (zh) * 2020-06-23 2024-02-09 北京智能工场科技有限公司 一种社区帖子的推荐方法
CN111897954A (zh) * 2020-07-10 2020-11-06 西北大学 一种用户评论方面挖掘系统、方法、及存储介质
CN111897954B (zh) * 2020-07-10 2024-04-02 西北大学 一种用户评论方面挖掘系统、方法、及存储介质
CN112069402B (zh) * 2020-08-28 2021-04-20 山东省人工智能研究院 一种基于情感和图卷积神经网络的个性化评论推荐方法
CN112069402A (zh) * 2020-08-28 2020-12-11 山东省人工智能研究院 一种基于情感和图卷积神经网络的个性化评论推荐方法
CN112329474A (zh) * 2020-11-02 2021-02-05 山东师范大学 融合注意力的方面级用户评论文本情感分析方法及系统
CN112329474B (zh) * 2020-11-02 2022-10-04 山东师范大学 融合注意力的方面级用户评论文本情感分析方法及系统
CN112541077B (zh) * 2020-11-26 2023-11-17 深圳供电局有限公司 一种用于电网用户服务评价的处理方法及系统
CN112541077A (zh) * 2020-11-26 2021-03-23 深圳供电局有限公司 一种用于电网用户服务评价的处理方法及系统
CN112507164A (zh) * 2020-12-07 2021-03-16 重庆邮电大学 基于内容和用户标识的弹幕过滤方法、装置及存储介质
CN112507164B (zh) * 2020-12-07 2022-04-12 重庆邮电大学 基于内容和用户标识的弹幕过滤方法、装置及存储介质
CN112465389A (zh) * 2020-12-12 2021-03-09 广东电力信息科技有限公司 一种基于词频的相似供应商推荐方法及装置
WO2022141861A1 (zh) * 2020-12-31 2022-07-07 平安科技（深圳）有限公司 情感分类方法、装置、电子设备及存储介质
CN112732915A (zh) * 2020-12-31 2021-04-30 平安科技（深圳）有限公司 情感分类方法、装置、电子设备及存储介质
CN112860894B (zh) * 2021-02-10 2023-06-27 北京百度网讯科技有限公司 情感分析模型的训练方法、情感分析方法、装置和设备
CN112860894A (zh) * 2021-02-10 2021-05-28 北京百度网讯科技有限公司 情感分析模型的训练方法、情感分析方法、装置和设备
CN112991017A (zh) * 2021-03-26 2021-06-18 刘秀萍 基于用户评论解析的标签体系精准推荐方法
CN113255360A (zh) * 2021-04-19 2021-08-13 国家计算机网络与信息安全管理中心 基于层次化自注意力网络的文档评级方法和装置
CN113255665A (zh) * 2021-06-04 2021-08-13 明品云(北京)数据科技有限公司 一种目标文本提取方法及系统
CN113255665B (zh) * 2021-06-04 2021-12-21 明品云(北京)数据科技有限公司 一种目标文本提取方法及系统
CN113378047A (zh) * 2021-06-10 2021-09-10 武汉大学 一种基于多方面增强的图神经网络推荐方法
CN113361617A (zh) * 2021-06-15 2021-09-07 西南交通大学 基于多元注意力修正的方面级情感分析建模方法
CN113421006B (zh) * 2021-07-01 2022-05-17 宁波大学 一种基于语义的可解释人职匹配方法及系统
CN113421006A (zh) * 2021-07-01 2021-09-21 宁波大学 一种基于语义的可解释人职匹配方法及系统
CN113722477B (zh) * 2021-08-09 2023-09-19 北京智慧星光信息技术有限公司 基于多任务学习的网民情绪识别方法、系统及电子设备
CN113722477A (zh) * 2021-08-09 2021-11-30 北京智慧星光信息技术有限公司 基于多任务学习的网民情绪识别方法、系统及电子设备
CN113689267A (zh) * 2021-08-31 2021-11-23 华东师范大学 一种自适应卷积网络协同过滤的商品推荐方法
CN113722487A (zh) * 2021-08-31 2021-11-30 平安普惠企业管理有限公司 用户情感分析方法、装置、设备及存储介质
CN113689267B (zh) * 2021-08-31 2022-04-05 华东师范大学 一种自适应卷积网络协同过滤的商品推荐方法
CN115018588A (zh) * 2022-06-24 2022-09-06 平安普惠企业管理有限公司 产品推荐方法、装置、电子设备及可读存储介质
CN116257623A (zh) * 2022-09-07 2023-06-13 中债金科信息技术有限公司 文本情感分类模型训练方法、文本情感分类方法及设备
CN116257623B (zh) * 2022-09-07 2023-11-28 中债金科信息技术有限公司 文本情感分类模型训练方法、文本情感分类方法及设备
CN116805256A (zh) * 2023-07-04 2023-09-26 深圳市斗鲸科技有限公司 基于情感分析的广告推送系统及方法
CN116957740A (zh) * 2023-08-01 2023-10-27 哈尔滨商业大学 一种基于词特征的农产品推荐系统
CN116957740B (zh) * 2023-08-01 2024-01-05 哈尔滨商业大学 一种基于词特征的农产品推荐系统
CN117851688A (zh) * 2024-03-06 2024-04-09 成都理工大学 基于深度学习及用户评论内容的个性化推荐方法
CN117851688B (zh) * 2024-03-06 2024-05-03 成都理工大学 基于深度学习及用户评论内容的个性化推荐方法

Similar Documents

Publication Publication Date Title
CN110517121A (zh) 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN107862087B (zh) 基于大数据和深度学习的情感分析方法、装置和存储介质
Sharma et al. Comparative Analysis of Online Fashion Retailers Using Customer Sentiment Analysis on Twitter
CN110555717A (zh) 基于用户行为特征挖掘用户潜在购买商品和品类的方法
CN109635291A (zh) 一种基于协同训练的融合评分信息和物品内容的推荐方法
US6631362B1 (en) General decision-making support method and system
CN103123633A (zh) 评价参数的生成方法以及基于评价参数的信息搜索方法
CN110096575B (zh) 面向微博用户的心理画像方法
CN110717654B (zh) 基于用户评论的产品质量评价方法和系统
CN109903099B (zh) 用于评分预测的模型构建方法和系统
US20220172258A1 (en) Artificial intelligence-based product design
CN111339439A (zh) 一种融合评论文本与时序效应的协同过滤推荐方法和装置
CN112287197B (zh) 动态记忆案件描述的涉案微博评论讽刺句检测方法
CN110263147A (zh) 推送信息的生成方法及装置
CN108363691A (zh) 一种用于电力95598工单的领域术语识别系统及方法
CN111353044A (zh) 一种基于评论的情感分析方法及系统
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
CN114255096A (zh) 数据需求匹配方法和装置、电子设备、存储介质
CN115906842A (zh) 一种政策信息识别方法
CN115481219A (zh) 一种基于语法序列嵌入模型的售电公司评价情感分类方法
CN113704459A (zh) 一种基于神经网络的在线文本情感分析方法
CN112632377B (zh) 一种基于用户评论情感分析与矩阵分解的推荐方法
Gu et al. Stock prediction based on news text analysis
CN113919906A (zh) 商品评论数据的推送方法、装置及存储介质
CN114942991A (zh) 一种基于隐喻识别的情感分类模型构建方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129

RJ01 Rejection of invention patent application after publication