CN112632377A - 一种基于用户评论情感分析与矩阵分解的推荐方法 - Google Patents
一种基于用户评论情感分析与矩阵分解的推荐方法 Download PDFInfo
- Publication number
- CN112632377A CN112632377A CN202011515118.XA CN202011515118A CN112632377A CN 112632377 A CN112632377 A CN 112632377A CN 202011515118 A CN202011515118 A CN 202011515118A CN 112632377 A CN112632377 A CN 112632377A
- Authority
- CN
- China
- Prior art keywords
- value
- text
- user
- emotion
- comment
- 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.)
- Granted
Links
Images
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
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于用户评论情感分析与矩阵分解的推荐方法,为提升文本情感分析方法对于英文文本的预测准确度,基于句向量与LSTM的英文文本情感分析,在文本预处理之后为单词分配数值以构建句向量且利用TF‑IDF方法提取其情感特征,最后采用基于LSTM的循环神经网络进行训练来预测情感倾向。另外,根据用户的历史文本评论信息提出一种基于用户评论情感分析与矩阵分解的推荐方法,该方法采用文本情感分析方法引入情感值,定义评论情感误差偏离值及用户评分标准值从而将情感值融入实际评分中,最后采用矩阵分解算法进行评分预测。
Description
技术领域
本发明属于推荐系统技术领域,具体涉及一种基于用户评论情感分析与矩阵分解的推荐方法。
背景技术
随着计算机和通信技术的高速发展,“互联网购物”方式逐渐成为人们家喻户晓的新时代名词。截至2020年10月,全球活跃站点数量达到12.03亿个,并且随着数据收集和数据存储技术的快速进步使得各大电商通过互联网可以收集海量消费者的购物数据。但是由于现有技术发展的瓶颈并未实现众多电商对海量的数据的有效且及时处理,因此各个电商平台较难的增加自身收益。为寻找消费者所感兴趣的部分商品数据,研究人员们需要花费大量的时间处理收集到的用户历史购物信息,同时用户在众多的商品信息中发现自己所满意的商品也需要花费大量的精力,这就是人们所面对的“信息过载”问题。推荐系统应用数据挖掘技术和机器学习算法构建用户模型以预测用户可能满意的商品,它是被广泛提倡和应用的为解决“信息过载”问题的技术。
现有的各大电商平台上存在着用户给予商品的海量评分信息,而这些评分信息代表着用户对于商品满意程度的主观评价。例如在beer啤酒销售网站上,用户对于啤酒给予评分值,其评分范围为[0,20],分数越高则说明用户对于该商品越满意,反之则说明越不满意。然而仅根据评分方式不能准确的表达用户对于商品的主观评分值,因此通过引入用户给予商品的评论中情感倾向信息以更准确的描述用户的主观评分值。例如啤酒网站上用户给予商品的评分值为20分表示用户对于该商品非常满意,而其评论中的情感值为18分则说明用户认为该商品仍然存在着缺陷,因此说明用户给予的评分值存在着一定的偏差。如何合理的使用用户的评论情感信息是提高推荐准确度的关键问题。针对这一问题,本发明提出了一种基于用户评论情感分析与矩阵分解的推荐方法。
发明内容
为了克服上述现有技术的不足,本发明的目的是提供一种基于用户评论情感分析与矩阵分解的推荐方法,为引入用户历史评论文本信息以提高推荐算法的推荐质量,该方法通过提取网站上用户给予商品的评论中所包含的情感倾向信息以提升用户实际主观评分的准确度,从而提高推荐算法的推荐结果的准确度。
为了实现上述目的,本发明采用的技术方案是:
一种基于用户评论情感分析与矩阵分解的推荐方法,其特征在于,包括以下步骤:
步骤1,获取用户的评论信息和评分信息,构建用户评分矩阵;
步骤2,对评论信息进行文本预处理,减少原始文本数据集中的无效字符以降低其对实验结果的影响,同时使算法能有效的抓取文本数据集中具有明显情感特征的词以提升算法对于文本的情感极性分析的准确度,因此构建能有效表示文本情感极性特征的句向量,采用消除无效字符、数字字符、替换文本缩写、大写字符转小写字符、修改文本拼写错误预处理方法对原始文本数据集进行预处理,对预处理后的文本根据其词频进行向量化编码,包括:
设定在语料库中的每个单词w都有唯一的整数数值v相互映射,其中v∈N,v的值越大则表示该单词在语料库中存在的数量越少,随后对句子中的每一个单词及其所在的位置选择语料库中该单词映射的数值,最后评论文本中所有的单词集合{w1,w2,...,wi}所对应的数值所构成的向量{v1,v2,...,vi}作为文本句向量,其中i表示为文本中词的位置;
步骤3,基于TF-IDF的文本词向量方法更新文本句向量以寻找句向量中情感特征词,得到英文评论文本句向量表示,包括:
假设文本中的目标单词w在语料库中的单词向量值为v,则可以得到基于TF-IDF方法更新后的单词向量值w2v;
其中,TF-IDF[w]代表单词w在语料库中的TF-IDF值,vector表示根据词频得到的文本句向量,而Lenth代表在文本设定的句向量中固定句向量长度,w2v为目标单词更新后的文本句向量;
步骤4,将得到的文本句向量及其对应的情感倾向标签信息输入到基于LSTM的循环神经网络中进行训练以构建文本情感倾向分析模型来预测评论情感倾向,包括:
1)将得到的文本句向量分为训练集和测试集,将得到的训练集中的句向量及其对应的情感倾向标签输入到基于LSTM的循环神经网络中进行训练,设定损失函数、优化方法使用,同时设定最大迭代次数T,Batch_size参数值及Dropout层激活概率参数后进行网络训练;
2)直到基于LSTM的循环神经网络迭代到最大迭代次数T时停止迭代,得到基于句向量的文本情感倾向分析网络,随后将测试集用于网络进行实验验证,输出网络对于测试集的预测准确度P;
3)选取目标评论文本计算得到文本句向量,将文本句向量输入到训练完成的网络中进行情感倾向分析,输出目标文本的情感倾向S;
步骤5,判定文本情感分析方法得到的情感值是否为误差偏离值,判定文本情感分析方法得到的情感值是否为误差偏离值,包括:
假设用户评论文本情感值的范围为[0,1],且用户给予商品评分的范围为[0,1],若用户的评论的情感值为S,用户评分的值为R,当且仅当用户评论情感值S与用户评分值R的相差范围小于等于0.2时评论情感值不为误差偏离值,否则评论情感值为误差偏离值,若为误差偏离值则表示该文本情感分析算法得到的文本情感值不符合用户实际评分,当且仅当文本情感值不为误差偏离值时将该情感值引入用户评分矩阵中进行后续计算;
步骤6,将用户文本评论情感值引入到用户历史评分并计算用户评分标准值,包括:
若用户的评论情感值为S,用户评分的值为R,设定评论情感值与评分值的混合参数为δ,当且仅当评论情感值S不为偏离值时进行评论情感值与评分值混合得到用户评分标准值SR;
其中,δ为用户评论情感值与用户评分情感值混合参数,SR表示用户评论情感值与历史评分值混合之后的用户评分标准值,若参数δ值越大则说明用户的评分标准值更趋向于评论情感值,而若参数δ值越小则说明用户评分标准值更趋向于用户实际评分值;
步骤7,利用矩阵分解方法对用户评分标准值进行评分预测,包括:
基于矩阵分解模型的基本思想假设存在m个用户和n个项目,对于给定的用户评分标准值矩阵,其中每一个物品i都与一个K维向量qi相关联,每一个用户都与一个K维向量pu相关联,用户评分标准值预测的计算公式如下:
其中,μ为用户的基准预测,bu为用户偏置项,bi为项目偏置项,为学习模型参数且使预测评分值能接近于实际评分值,则可通过采用随机梯度下降算法最小化正则化的平方误差。
min∑(rui-μ-bi-bu-qi Tpu)2+λ(bi 2+bu 2+||qi||2+||pu||2)。
进一步,所述的步骤1中获取用户的评论信息和评分信息,包括:用户对项目的所有评论与评分信息,获取数据的方式为利用网络爬虫。
本发明的有益效果是:
1)为提升文本情感分析方法对于英文文本的预测准确度,本发明提出基于句向量与LSTM的英文文本情感分析方法。该方法在文本预处理之后为单词分配数值以构建句向量且运用TF-IDF提取其情感特征,最后采用基于LSTM的循环神经网络进行训练以构建文本情感倾向分析模型来预测评论情感倾向。
2)根据用户的历史文本评论信息,本发明提出基于用户评论情感分析与矩阵分解的推荐方法。该方法采用文本情感分析引入情感值,定义评论情感误差偏离值及用户评分标准值将情感值融入实际评分中,最后采用矩阵分解方法进行评分预测实现推荐。
附图说明
图1为本发明的流程示意图;
图2为本发明的用户评论情感分析流程图。
具体实施方式
以下结合附图对本发明进一步叙述。
如图1、2所示,一种基于用户评论情感分析与矩阵分解的推荐方法,其特征在于,包括以下步骤:
步骤1,获取用户的评论信息和评分信息,构建用户评分矩阵;
步骤2,对评论信息进行文本预处理,减少原始文本数据集中的无效字符以降低其对实验结果的影响,同时使算法能有效的抓取文本数据集中具有明显情感特征的词以提升算法对于文本的情感极性分析的准确度,因此构建能有效表示文本情感极性特征的句向量,采用消除无效字符、数字字符、替换文本缩写、大写字符转小写字符、修改文本拼写错误预处理方法对原始文本数据集进行预处理,对预处理后的文本根据其词频进行向量化编码,包括:
设定在语料库中的每个单词w都有唯一的整数数值v相互映射,其中v∈N,v的值越大则表示该单词在语料库中存在的数量越少,随后对句子中的每一个单词及其所在的位置选择语料库中该单词映射的数值,最后评论文本中所有的单词集合{w1,w2,...,wi}所对应的数值所构成的向量{v1,v2,...,vi}作为文本句向量,其中i表示为文本中词的位置;
步骤3,基于TF-IDF的文本词向量方法更新文本句向量以寻找句向量中情感特征词,得到英文评论文本句向量表示,包括:
假设文本中的目标单词w在语料库中的单词向量值为v,则可以得到基于TF-IDF方法更新后的单词向量值w2v;
其中,TF-IDF[w]代表单词w在语料库中的TF-IDF值,vector表示根据词频得到的文本句向量,而Lenth代表在文本设定的句向量中固定句向量长度,w2v为目标单词更新后的文本句向量;
步骤4,将得到的文本句向量及其对应的情感倾向标签信息输入到基于LSTM的循环神经网络中进行训练以构建文本情感倾向分析模型来预测评论情感倾向,包括:
1)将得到的文本句向量分为训练集和测试集,将得到的训练集中的句向量及其对应的情感倾向标签输入到基于LSTM的循环神经网络中进行训练,设定损失函数、优化方法使用,同时设定最大迭代次数T,Batch_size参数值及Dropout层激活概率参数后进行网络训练;
2)直到基于LSTM的循环神经网络迭代到最大迭代次数T时停止迭代,得到基于句向量的文本情感倾向分析网络,随后将测试集用于网络进行实验验证,输出网络对于测试集的预测准确度P;
3)选取目标评论文本计算得到文本句向量,将文本句向量输入到训练完成的网络中进行情感倾向分析,输出目标文本的情感倾向S;
步骤5,判定文本情感分析方法得到的情感值是否为误差偏离值,判定文本情感分析方法得到的情感值是否为误差偏离值,包括:
假设用户评论文本情感值的范围为[0,1],且用户给予商品评分的范围为[0,1],若用户的评论的情感值为S,用户评分的值为R,当且仅当用户评论情感值S与用户评分值R的相差范围小于等于0.2时评论情感值不为误差偏离值,否则评论情感值为误差偏离值,若为误差偏离值则表示该文本情感分析算法得到的文本情感值不符合用户实际评分,当且仅当文本情感值不为误差偏离值时将该情感值引入用户评分矩阵中进行后续计算;
步骤6,将用户文本评论情感值引入到用户历史评分并计算用户评分标准值,包括:
若用户的评论情感值为S,用户评分的值为R,设定评论情感值与评分值的混合参数为δ,当且仅当评论情感值S不为偏离值时进行评论情感值与评分值混合得到用户评分标准值SR;
其中,δ为用户评论情感值与用户评分情感值混合参数,SR表示用户评论情感值与历史评分值混合之后的用户评分标准值,若参数δ值越大则说明用户的评分标准值更趋向于评论情感值,而若参数δ值越小则说明用户评分标准值更趋向于用户实际评分值;
步骤7,利用矩阵分解方法对用户评分标准值进行评分预测,包括:
基于矩阵分解模型的基本思想假设存在m个用户和n个项目,对于给定的用户评分标准值矩阵,其中每一个物品i都与一个K维向量qi相关联,每一个用户都与一个K维向量pu相关联,用户评分标准值预测的计算公式如下:
其中,μ为用户的基准预测,bu为用户偏置项,bi为项目偏置项,为学习模型参数且使预测评分值能接近于实际评分值,则可通过采用随机梯度下降算法最小化正则化的平方误差。
min∑(rui-μ-bi-bu-qi Tpu)2+λ(bi 2+bu 2+||qi||2+||pu||2)。
Claims (2)
1.一种基于用户评论情感分析与矩阵分解的推荐方法,其特征在于,包括以下步骤:
步骤1,获取用户的评论信息和评分信息,构建用户评分矩阵;
步骤2,对评论信息进行文本预处理,减少原始文本数据集中的无效字符以降低其对实验结果的影响,同时使算法能有效的抓取文本数据集中具有明显情感特征的词以提升算法对于文本的情感极性分析的准确度,因此构建能有效表示文本情感极性特征的句向量,采用消除无效字符、数字字符、替换文本缩写、大写字符转小写字符、修改文本拼写错误预处理方法对原始文本数据集进行预处理,对预处理后的文本根据其词频进行向量化编码,包括:
设定在语料库中的每个单词w都有唯一的整数数值v相互映射,其中v∈N,v的值越大则表示该单词在语料库中存在的数量越少,随后对句子中的每一个单词及其所在的位置选择语料库中该单词映射的数值,最后评论文本中所有的单词集合{w1,w2,...,wi}所对应的数值所构成的向量{v1,v2,...,vi}作为文本句向量,其中i表示为文本中词的位置;
步骤3,基于TF-IDF的文本词向量方法更新文本句向量以寻找句向量中情感特征词,得到英文评论文本句向量表示,包括:
假设文本中的目标单词w在语料库中的单词向量值为v,则可以得到基于TF-IDF方法更新后的单词向量值w2v;
其中,TF-IDF[w]代表单词w在语料库中的TF-IDF值,vector表示根据词频得到的文本句向量,而Lenth代表在文本设定的句向量中固定句向量长度,w2v为目标单词更新后的文本句向量;
步骤4,将得到的文本句向量及其对应的情感倾向标签信息输入到基于LSTM的循环神经网络中进行训练以构建文本情感倾向分析模型来预测评论情感倾向,包括:
1)将得到的文本句向量分为训练集和测试集,将得到的训练集中的句向量及其对应的情感倾向标签输入到基于LSTM的循环神经网络中进行训练,设定损失函数、优化方法使用,同时设定最大迭代次数T,Batch_size参数值及Dropout层激活概率参数后进行网络训练;
2)直到基于LSTM的循环神经网络迭代到最大迭代次数T时停止迭代,得到基于句向量的文本情感倾向分析网络,随后将测试集用于网络进行实验验证,输出网络对于测试集的预测准确度P;
3)选取目标评论文本计算得到文本句向量,将文本句向量输入到训练完成的网络中进行情感倾向分析,输出目标文本的情感倾向S;
步骤5,判定文本情感分析方法得到的情感值是否为误差偏离值,判定文本情感分析方法得到的情感值是否为误差偏离值,包括:
假设用户评论文本情感值的范围为[0,1],且用户给予商品评分的范围为[0,1],若用户的评论的情感值为S,用户评分的值为R,当且仅当用户评论情感值S与用户评分值R的相差范围小于等于0.2时评论情感值不为误差偏离值,否则评论情感值为误差偏离值,若为误差偏离值则表示该文本情感分析算法得到的文本情感值不符合用户实际评分,当且仅当文本情感值不为误差偏离值时将该情感值引入用户评分矩阵中进行后续计算;
步骤6,将用户文本评论情感值引入到用户历史评分并计算用户评分标准值,包括:
若用户的评论情感值为S,用户评分的值为R,设定评论情感值与评分值的混合参数为δ,当且仅当评论情感值S不为偏离值时进行评论情感值与评分值混合得到用户评分标准值SR;
其中,δ为用户评论情感值与用户评分情感值混合参数,SR表示用户评论情感值与历史评分值混合之后的用户评分标准值,若参数δ值越大则说明用户的评分标准值更趋向于评论情感值,而若参数δ值越小则说明用户评分标准值更趋向于用户实际评分值;
步骤7,利用矩阵分解方法对用户评分标准值进行评分预测,包括:
基于矩阵分解模型的基本思想假设存在m个用户和n个项目,对于给定的用户评分标准值矩阵,其中每一个物品i都与一个K维向量qi相关联,每一个用户都与一个K维向量pu相关联,用户评分标准值预测的计算公式如下:
其中,μ为用户的基准预测,bu为用户偏置项,bi为项目偏置项,为学习模型参数且使预测评分值能接近于实际评分值,则可通过采用随机梯度下降算法最小化正则化的平方误差。
min∑(rui-μ-bi-bu-qi Tpu)2+λ(bi 2+bu 2+||qi||2+||pu||2)。
2.根据权利要求1所述的一种基于用户评论情感分析与矩阵分解的推荐方法,其特征在于,所述的步骤1中获取用户的评论信息和评分信息,包括:用户对项目的所有评论与评分信息,获取数据的方式为利用网络爬虫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011515118.XA CN112632377B (zh) | 2020-12-21 | 2020-12-21 | 一种基于用户评论情感分析与矩阵分解的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011515118.XA CN112632377B (zh) | 2020-12-21 | 2020-12-21 | 一种基于用户评论情感分析与矩阵分解的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632377A true CN112632377A (zh) | 2021-04-09 |
CN112632377B CN112632377B (zh) | 2023-06-27 |
Family
ID=75317884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011515118.XA Active CN112632377B (zh) | 2020-12-21 | 2020-12-21 | 一种基于用户评论情感分析与矩阵分解的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632377B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308685A (zh) * | 2023-05-18 | 2023-06-23 | 湖南工商大学 | 一种基于方面情感预测和协同过滤的产品推荐方法及系统 |
CN117132004A (zh) * | 2023-10-27 | 2023-11-28 | 四川省建筑设计研究院有限公司 | 基于神经网络的公共场所人流密度预测方法、系统及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204833A1 (en) * | 2012-02-02 | 2013-08-08 | Bo PANG | Personalized recommendation of user comments |
JP2016040660A (ja) * | 2014-08-12 | 2016-03-24 | 日本電信電話株式会社 | コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム |
CN106202519A (zh) * | 2016-07-22 | 2016-12-07 | 桂林电子科技大学 | 一种结合用户评论内容和评分的项目推荐方法 |
CN108681739A (zh) * | 2018-03-26 | 2018-10-19 | 安徽师范大学 | 一种基于用户情感和时间动态的旅游目的地推荐方法 |
CN108920503A (zh) * | 2018-05-28 | 2018-11-30 | 哈尔滨工程大学 | 一种基于社交网络信任度的微视频个性化推荐算法 |
CN108959409A (zh) * | 2018-06-06 | 2018-12-07 | 电子科技大学 | 一种结合评论中主题与情感信息的矩阵分解推荐算法 |
CN109408702A (zh) * | 2018-08-29 | 2019-03-01 | 昆明理工大学 | 一种基于稀疏边缘降噪自动编码的混合推荐方法 |
KR102032091B1 (ko) * | 2019-03-15 | 2019-10-14 | 배준철 | 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템 |
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 |
-
2020
- 2020-12-21 CN CN202011515118.XA patent/CN112632377B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204833A1 (en) * | 2012-02-02 | 2013-08-08 | Bo PANG | Personalized recommendation of user comments |
JP2016040660A (ja) * | 2014-08-12 | 2016-03-24 | 日本電信電話株式会社 | コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム |
CN106202519A (zh) * | 2016-07-22 | 2016-12-07 | 桂林电子科技大学 | 一种结合用户评论内容和评分的项目推荐方法 |
CN108681739A (zh) * | 2018-03-26 | 2018-10-19 | 安徽师范大学 | 一种基于用户情感和时间动态的旅游目的地推荐方法 |
CN108920503A (zh) * | 2018-05-28 | 2018-11-30 | 哈尔滨工程大学 | 一种基于社交网络信任度的微视频个性化推荐算法 |
CN108959409A (zh) * | 2018-06-06 | 2018-12-07 | 电子科技大学 | 一种结合评论中主题与情感信息的矩阵分解推荐算法 |
CN109408702A (zh) * | 2018-08-29 | 2019-03-01 | 昆明理工大学 | 一种基于稀疏边缘降噪自动编码的混合推荐方法 |
KR102032091B1 (ko) * | 2019-03-15 | 2019-10-14 | 배준철 | 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템 |
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 |
Non-Patent Citations (2)
Title |
---|
YUANBO XU等: "Exploiting the Sentimental Bias between Ratings and Reviews for Enhancing Recommendation", 《2018 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》 * |
张宜浩等: "基于用户评论的深度情感分析和多视图协同融合的混合推荐方法", 《计算机学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308685A (zh) * | 2023-05-18 | 2023-06-23 | 湖南工商大学 | 一种基于方面情感预测和协同过滤的产品推荐方法及系统 |
CN116308685B (zh) * | 2023-05-18 | 2023-07-25 | 湖南工商大学 | 一种基于方面情感预测和协同过滤的产品推荐方法及系统 |
CN117132004A (zh) * | 2023-10-27 | 2023-11-28 | 四川省建筑设计研究院有限公司 | 基于神经网络的公共场所人流密度预测方法、系统及设备 |
CN117132004B (zh) * | 2023-10-27 | 2024-02-09 | 四川省建筑设计研究院有限公司 | 基于神经网络的公共场所人流密度预测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112632377B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN105095444A (zh) | 信息获取方法和装置 | |
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 | |
CN111259153B (zh) | 一种完全注意力机制的属性级情感分析方法 | |
CN111339260A (zh) | 一种基于bert和qa思想的细粒度情感分析方法 | |
US20210004602A1 (en) | Method and apparatus for determining (raw) video materials for news | |
CN111753082A (zh) | 基于评论数据的文本分类方法及装置、设备和介质 | |
CN112632377B (zh) | 一种基于用户评论情感分析与矩阵分解的推荐方法 | |
CN111897954A (zh) | 一种用户评论方面挖掘系统、方法、及存储介质 | |
CN115357719A (zh) | 基于改进bert模型的电力审计文本分类方法及装置 | |
CN116258137A (zh) | 文本纠错方法、装置、设备和存储介质 | |
Ayyadevara | Neural Networks with Keras Cookbook: Over 70 recipes leveraging deep learning techniques across image, text, audio, and game bots | |
Zhang et al. | Modeling and prediction of stock price with convolutional neural network based on blockchain interactive information | |
CN112862569B (zh) | 基于图像和文本多模态数据的产品外观风格评价方法和系统 | |
CN111241273A (zh) | 文本数据分类方法、装置、电子设备及计算机可读介质 | |
CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
CN113761910A (zh) | 一种融合情感特征的评论文本细粒度情感分析方法 | |
Zhang et al. | Probabilistic verb selection for data-to-text generation | |
CN114911940A (zh) | 文本情感识别方法及装置、电子设备、存储介质 | |
Arthamevia et al. | Aspect-Based Sentiment Analysis in Beauty Product Reviews Using TF-IDF and SVM Algorithm | |
CN112527866A (zh) | 基于文本摘要情感挖掘的股票趋势预测方法和系统 | |
Bharathi et al. | Twitter Text Sentiment Analysis of Amazon Unlocked Mobile Reviews Using Supervised Learning Techniques | |
Rao et al. | Qualitative Stock Market Predicting with Common Knowledge Based Nature Language Processing: A Unified View and Procedure |
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 |