CN116881556A - 资源推荐方法、装置、计算机设备和存储介质 - Google Patents

资源推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116881556A
CN116881556A CN202310846096.2A CN202310846096A CN116881556A CN 116881556 A CN116881556 A CN 116881556A CN 202310846096 A CN202310846096 A CN 202310846096A CN 116881556 A CN116881556 A CN 116881556A
Authority
CN
China
Prior art keywords
comment
emotion
target
effective
comments
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
CN202310846096.2A
Other languages
English (en)
Inventor
刘亚如
胡思远
任恺琦
胡文博
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310846096.2A priority Critical patent/CN116881556A/zh
Publication of CN116881556A publication Critical patent/CN116881556A/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
    • G06F16/90—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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • 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)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种资源推荐方法、装置、计算机设备、存储介质和计算机程序产品，涉及人工智能技术领域。所述方法包括：获取目标用户对至少一个参照资源的有效评论以及各有效评论的评论标题；针对任一评论语句，根据评论语句、预设分词词典以及预设情感值计算策略，确定评论语句的语句情感值；针对任一有效评论，根据有效评论中包括的各评论语句的语句情感值，确定有效评论的评论情感值；针对任一参照资源，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果；根据各参照资源的情感分类结果，确定至少一个目标资源，并向目标用户推荐各目标资源。采用本方法能够提高资源的推荐准确率。

Description

资源推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种资源推荐方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，出现了资源推荐技术，这个技术可以预测目标用户的情感偏好，并根据目标用户的情感偏好进行资源推荐。
传统资源推荐技术中，基于目标用户的历史资源交互记录，预测目标用户的情感偏好，并基于目标用户的情感偏好进行资源推荐。
实际上，目标用户的历史资源交互记录可以反映目标用户对历史资源的交互情况，但是并不一定能准确反映目标用户对历史资源的情感偏好。例如，若目标用户与历史资源A只发生过一次交互，则无法判定目标用户对历史资源A的情感偏好。由于传统资源推荐技术不能准确预测目标用户的情感偏好，因此，降低资源的推荐准确率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高资源的推荐准确率的资源推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种资源推荐方法。所述方法包括：
获取目标用户对至少一个参照资源的有效评论以及各所述有效评论的评论标题；所述有效评论中包括至少一个评论语句；
针对任一所述评论语句，根据所述评论语句、预设分词词典以及预设情感值计算策略，确定所述评论语句的语句情感值；
针对任一所述有效评论，根据所述有效评论中包括的各所述评论语句的语句情感值，确定所述有效评论的评论情感值；
针对任一所述参照资源，根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果；
根据各所述参照资源的所述情感分类结果，确定至少一个目标资源，并向所述目标用户推荐各所述目标资源；所述目标资源包括所述参照资源和/或所述参照资源的关联资源。
在其中一个实施例中，所述获取目标用户对至少一个参照资源的有效评论以及各所述有效评论的评论标题，包括：
获取目标用户对至少一个参照资源的评论文本；
针对任一所述评论文本，基于评论分类模型以及所述评论文本，确定所述评论文本的评论分类结果；
针对任一所述评论文本，在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为有效评论；
获取至少一个所述有效评论的评论标题。
在其中一个实施例中，所述在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为有效评论，包括：
在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为初始有效评论；
在存有所述参照资源对应多个初始有效评论的情况下，根据各所述初始有效评论的评论日期，从各所述初始有效评论中确定至少一个有效评论。
在其中一个实施例中，所述根据所述评论语句、预设分词词典以及预设情感值计算策略，确定所述评论语句的语句情感值，包括：
根据预设分词词典，对所述评论语句进行语义识别，确定所述评论语句中包括的目标词；所述目标词的词类包括情感词、程度副词以及否定词；
分别确定各所述程度副词对应的情感词、以及各所述否定词对应的情感词；
针对任一所述情感词，根据所述情感词的情感值、所述情感词对应的各所述程度副词的程度权重、以及所述情感词对应的各所述否定词的否定权重，确定所述情感词的目标情感值；
根据所述评论语句中包括的各所述情感词的目标情感值，确定所述评论语句的语句情感值。
在其中一个实施例中，所述根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果，包括：
在存有所述参照资源对应多个有效评论的情况下，根据所述参照资源对应的各有效评论的语句情感值以及评论日期，从所述参照资源对应的各有效评论中确定至少一个目标有效评论；
根据各所述目标有效评论、各所述目标有效评论的评论情感值、所述目标有效评论的评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果。
在其中一个实施例中，所述根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果，包括：
针对所述参照资源的任一所述有效评论，根据所述有效评论以及所述有效评论的评论情感值，确定所述有效评论的正文特征；
确定各所述评论标题的标题特征；
基于所述有效评论的正文特征以及标题特征，构建所述有效评论的评论特征；
将所述参照资源的各有效评论的评论特征输入至目标情感分类模型，得到所述参照资源的情感分类结果。
在其中一个实施例中，所述根据各所述参照资源的所述情感分类结果，确定至少一个目标资源，并向所述目标用户推荐各所述目标资源，包括：
确定各所述参照资源的参照资源类别；
针对任一所述参照资源类别，根据所述参照资源类别下的各所述参照资源的所述情感分类结果，确定所述参照资源类别的目标情感分类结果；
针对任一所述参照资源类别，根据所述参照资源类别的目标情感分类结果，确定所述参照资源类别是否对应有目标资源；
在存有至少一个所述参照资源类别对应有目标资源的情况下，向所述目标用户推荐各所述参照资源类别对应的目标资源。
在其中一个实施例中，所述目标情感分类模型包括多核支持向量机，所述多核支持向量机的映射函数是基于正文映射函数、正文映射权重、标题映射函数以及标题映射权重构建的；所述方法还包括：
获取各样本用户对至少一个所述参照资源的样本有效评论、所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果；所述样本有效评论中包括至少一个样本评论语句；
确定各第一情感分类模型；各所述第一情感分类模型中的所述正文映射权重的权重值不同和/或所述标题映射权重的权重值不同；
针对任一所述第一情感分类模型，根据各所述样本有效评论、各所述样本有效评论的样本评论标题、各所述样本用户的实际情感分类结果以及所述第一情感分类模型，确定所述第一情感分类模型的分类精度；
根据各所述第一情感分类模型的分类精度，从各所述第一情感分类模型中确定第二情感分类模型；
根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型，得到所述目标情感分类模型。
在其中一个实施例中，所述确定各第一情感分类模型，包括：
初始化待训练的情感分类模型中除所述正文映射权重以及所述标题映射权重之外的参数，得到第三情感分类模型；
根据各预设的第一权重值、各预设的第二权重值以及所述第三情感分类模型，构建多个第一情感分类模型。
在其中一个实施例中，所述根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型，得到所述目标情感分类模型，包括：
基于根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及所述第二情感分类模型，确定所述第二情感分类模型对应的各所述样本用户的样本情感分类结果；
根据所述第二情感分类模型对应的各所述样本用户的样本情感分类结果、以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型中除所述正文映射权重和所述标题映射权重外的参数，得到所述目标情感分类模型。
第二方面，本申请还提供了一种资源推荐装置。所述装置包括：
第一获取模块，用于获取目标用户对至少一个参照资源的有效评论以及各所述有效评论的评论标题；所述有效评论中包括至少一个评论语句；
第一确定模块，用于针对任一所述评论语句，根据所述评论语句、预设分词词典以及预设情感值计算策略，确定所述评论语句的语句情感值；
第二确定模块，用于针对任一所述有效评论，根据所述有效评论中包括的各所述评论语句的语句情感值，确定所述有效评论的评论情感值；
第三确定模块，用于针对任一所述参照资源，根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果；
第四确定模块，用于根据各所述参照资源的所述情感分类结果，确定至少一个目标资源，并向所述目标用户推荐各所述目标资源；所述目标资源包括所述参照资源和/或所述参照资源的关联资源。
在其中一个实施例中，所述第一获取模块具体用于：
获取目标用户对至少一个参照资源的评论文本；
针对任一所述评论文本，基于评论分类模型以及所述评论文本，确定所述评论文本的评论分类结果；
针对任一所述评论文本，在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为有效评论；
获取至少一个所述有效评论的评论标题。
在其中一个实施例中，所述第一获取模块具体用于，包括：
在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为初始有效评论；
在存有所述参照资源对应多个初始有效评论的情况下，根据各所述初始有效评论的评论日期，从各所述初始有效评论中确定至少一个有效评论。
在其中一个实施例中，所述第一确定模块具体用于：
根据预设分词词典，对所述评论语句进行语义识别，确定所述评论语句中包括的目标词；所述目标词的词类包括情感词、程度副词以及否定词；
分别确定各所述程度副词对应的情感词、以及各所述否定词对应的情感词；
针对任一所述情感词，根据所述情感词的情感值、所述情感词对应的各所述程度副词的程度权重、以及所述情感词对应的各所述否定词的否定权重，确定所述情感词的目标情感值；
根据所述评论语句中包括的各所述情感词的目标情感值，确定所述评论语句的语句情感值。
在其中一个实施例中，所述根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果，包括：
在存有所述参照资源对应多个有效评论的情况下，根据所述参照资源对应的各有效评论的语句情感值以及评论日期，从所述参照资源对应的各有效评论中确定至少一个目标有效评论；
根据各所述目标有效评论、各所述目标有效评论的评论情感值、所述目标有效评论的评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果。
在其中一个实施例中，所述第三确定模块具体用于：
针对所述参照资源的任一所述有效评论，根据所述有效评论以及所述有效评论的评论情感值，确定所述有效评论的正文特征；
确定各所述评论标题的标题特征；
基于所述有效评论的正文特征以及标题特征，构建所述有效评论的评论特征；
将所述参照资源的各有效评论的评论特征输入至目标情感分类模型，得到所述参照资源的情感分类结果。
在其中一个实施例中，所述第四确定模块具体用于：
确定各所述参照资源的参照资源类别；
针对任一所述参照资源类别，根据所述参照资源类别下的各所述参照资源的所述情感分类结果，确定所述参照资源类别的目标情感分类结果；
针对任一所述参照资源类别，根据所述参照资源类别的目标情感分类结果，确定所述参照资源类别是否对应有目标资源；
在存有至少一个所述参照资源类别对应有目标资源的情况下，向所述目标用户推荐各所述参照资源类别对应的目标资源。
在其中一个实施例中，所述目标情感分类模型包括多核支持向量机，所述多核支持向量机的映射函数是基于正文映射函数、正文映射权重、标题映射函数以及标题映射权重构建的；所述资源推荐装置还包括：
第二获取模块，用于获取各样本用户对至少一个所述参照资源的样本有效评论、所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果；所述样本有效评论中包括至少一个样本评论语句；
第五确定模块，用于确定各第一情感分类模型；各所述第一情感分类模型中的所述正文映射权重的权重值不同和/或所述标题映射权重的权重值不同；
第六确定模块，用于针对任一所述第一情感分类模型，根据各所述样本有效评论、各所述样本有效评论的样本评论标题、各所述样本用户的实际情感分类结果以及所述第一情感分类模型，确定所述第一情感分类模型的分类精度；
第七确定模块，用于根据各所述第一情感分类模型的分类精度，从各所述第一情感分类模型中确定第二情感分类模型；
训练模块，用于根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型，得到所述目标情感分类模型。
在其中一个实施例中，所述第五确定模块具体用于：
初始化待训练的情感分类模型中除所述正文映射权重以及所述标题映射权重之外的参数，得到第三情感分类模型；
根据各预设的第一权重值、各预设的第二权重值以及所述第三情感分类模型，构建多个第一情感分类模型。
在其中一个实施例中，所述训练模块具体用于：
基于根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及所述第二情感分类模型，确定所述第二情感分类模型对应的各所述样本用户的样本情感分类结果；
根据所述第二情感分类模型对应的各所述样本用户的样本情感分类结果、以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型中除所述正文映射权重和所述标题映射权重外的参数，得到所述目标情感分类模型。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以第一方面所述的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以第一方面所述的步骤。
上述资源推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标用户对至少一个参照资源的有效评论以及各有效评论的评论标题；有效评论中包括至少一个评论语句；针对任一评论语句，根据评论语句、预设分词词典以及预设情感值计算策略，确定评论语句的语句情感值；针对任一有效评论，根据有效评论中包括的各评论语句的语句情感值，确定有效评论的评论情感值；针对任一参照资源，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果；根据各参照资源的情感分类结果，确定至少一个目标资源，并向目标用户推荐各目标资源；目标资源包括参照资源和/或参照资源的关联资源。上述方法中，根据各参照资源的有效评论、各有效评论的评论情感值、各有效评论的评论标题以及目标情感分类模型，预测目标用户的情感分类结果。可以理解，有效评论的评论情感值可以表征目标用户对于参照资源的情感偏好，进而提高基于评论情感值确定的情感分类结果的预测精度。另外，易知有效评论的评论标题也同样可以反映目标用户对于参照资源的情感偏好，因此，结合有效评论、有效评论的评论情感值以及有效评论的评论标题来确定情感分类结果，可以进一步提高情感分类结果的预测精度，进而提高基于情感分类结果确定的目标资源的推荐准确率。
附图说明
图1为一个实施例中资源推荐方法的流程示意图；
图2为一个实施例中语句情感值的确定方法的流程示意图；
图3为一个实施例中情感分类结果的确定方法的流程示意图；
图4为一个实施例中目标情感分类模型的训练方法的流程示意图；
图5为一个实施例中目标函数中的超平面达到最优时的示意图；
图6为一个实施例中资源推荐装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种资源推荐方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取目标用户对至少一个参照资源的有效评论以及各有效评论的评论标题。
其中，有效评论中包括至少一个评论语句。
在本申请实施例中，终端获取目标用户的至少一个有效评论以及各有效评论的评论标题，其中，有效评论是目标用户对参照资源的有效评论。可以理解，终端获取的有效评论中可以包括不同参照资源对应的有效评论，也可以包括对同一参照资源对应的多个有效评论。其中，有效评论包括但不限于包含对参照资源的使用感受的评论。
步骤104，针对任一评论语句，根据评论语句、预设分词词典以及预设情感值计算策略，确定评论语句的语句情感值。
其中，预设分词词典包括网络用语词典、情感词典以及结巴词典。结巴词典是指通过结巴(jieba)库分词得到的词典。情感词典包括目标领域对应的情感词典，目标领域包括参照资源所属的领域、以及参照资源的关联资源所属的领域。在一个实施例中，情感词典可以是目标领域的专家构建的词典。网络用语词典包括但不限于网络语言、网络表情包以及网络表情符号。
在本申请实施例中，针对任一评论语句，终端根据预设分词词典，对评论语句进行语义识别，得到评论语句中包括的目标词。可以理解，对未包括目标词的评论语句进行语义识别后，不会得到评论语句中包括的目标词，相应的，该评论语句的语句情感值为默认值。在一个实施例中，默认值可以为0，其中，若评论语句的语句情感值为默认值，则表示目标用户对该评论语句对应的参照资源的情感保持中立。针对任一评论语句，在评论语句中包括目标词的情况下，终端根据评论语句中包括的至少一个目标词，计算该评论语句的语句情感值。具体的，参照步骤202至步骤208。
步骤106，针对任一有效评论，根据有效评论中包括的各评论语句的语句情感值，确定有效评论的评论情感值。
在本申请实施例中，针对任一有效评论，终端统计有效评论中包括的各评论语句的语句情感值，得到该有效评论的评论情感值。其中，有效评论的评论情感值等于有效评论中包括的各评论语句的语句情感值的总和。
步骤108，针对任一参照资源，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果。
在本申请实施例中，针对任一参照资源，终端根据参照资源对应的各有效评论、参照资源对应的各有效评论的评论情感值以及各评论标题，确定参照资源对应的评论特征。可选的，评论特征可以是特征向量，也可以是特征向量矩阵。针对任一参照资源，终端将参照资源对应的评论特征输入至目标情感分类模型，输出该参照资源的情感分类结果。其中，情感分类结果用于表征目标用户对参照资源的喜爱程度。在一个实施例中，情感分类结果包括“情感M”、“情感M-1”、…、“情感1”等共M类情感，其中，M为正整数，M的大小与目标用户对参照资源的喜爱程度正相关。
步骤110，根据各参照资源的情感分类结果，确定至少一个目标资源，并向目标用户推荐各目标资源。
其中，目标资源包括参照资源和/或参照资源的关联资源。
在本申请实施例中，终端根据各参照资源的情感分类结果，确定至少一个目标资源，并向标用户推荐各目标资源。可以理解，针对单个参照资源而言，该参照资源的对应的目标资源的数目与目标用户对参照资源的喜爱程度正相关。当一参照资源的情感分类结果表征目标用户对参照资源的喜爱程度为0时，则该参照资源可以没有对应的目标资源。示例性的，假设参照资源1的情感分类结果1为“情感1”，则参照资源1没有对应的目标资源1。
上述资源推荐方法中，根据各参照资源的有效评论、各有效评论的评论情感值、各有效评论的评论标题以及目标情感分类模型，预测目标用户的情感分类结果。可以理解，有效评论的评论情感值可以表征目标用户对于参照资源的情感偏好，进而提高基于评论情感值确定的情感分类结果的预测精度。另外，易知有效评论的评论标题也同样可以反映目标用户对于参照资源的情感偏好，因此，结合有效评论、有效评论的评论情感值以及有效评论的评论标题来确定情感分类结果，可以进一步提高情感分类结果的预测精度，进而提高基于情感分类结果确定的目标资源的推荐准确率。
在一个实施例中，获取目标用户对至少一个参照资源的有效评论以及各有效评论的评论标题，包括：
获取目标用户对至少一个参照资源的评论文本；针对任一评论文本，基于评论分类模型以及评论文本，确定评论文本的评论分类结果；针对任一评论文本，在评论文本的评论分类结果表征评论文本为有效评论的情况下，将评论文本作为有效评论；获取至少一个有效评论的评论标题。
在本申请实施例中，终端获取目标用户对至少一个参照资源的评论文本。在一个实施例中，评论文本的数据源包括但不限于用于推荐参照资源的资源应用程序(例如手机银行)、用于介绍参照资源的相关资源信息的媒介(例如公众号自媒体)、用于讨论参照资源的使用感受的相关平台(例如在线论坛)。针对任一评论文本，终端将评论文本输入至评论分类模型，输出该评论文本的评论分类结果。其中，评论分类结果包括有效评论或者无效评论，无效评论包括但不限于未包含对参照资源的使用感受的评论，示例性的，只针对服务质量的评论等。在一个实施例中，评论分类模型可以是预先训练好的随机森林模型。针对任一评论文本，在评论文本的评论分类结果表征评论文本为有效评论的情况下，终端将该评论文本作为有效评论。针对任一有效评论，终端获取有效评论的评论标题。
本实施例中，通过根据参照资源的评论文本以及评论分类模型确定参照资源的有效评论，进而获取有效评论的评论标题，从而为后续基于有效评论以及有效评论的评论标题确定参照资源的情感分类结果的方法提供前提条件。另外，在情感分类结果的确定只用到有效评论，因此，可以避免评论文本中的无效评论对情感分类结果带来的误差，进而提高情感分类结果的准确性。
在一个实施例中，在评论文本的评论分类结果表征评论文本为有效评论的情况下，将评论文本作为有效评论，包括：
在评论文本的评论分类结果表征评论文本为有效评论的情况下，将评论文本作为初始有效评论；在存有参照资源对应多个初始有效评论的情况下，根据各初始有效评论的评论日期，从各初始有效评论中确定至少一个有效评论。
在本申请实施例中，在评论文本的评论分类结果表征评论文本为有效评论的情况下，终端将该评论文本作为初始有效评论。在存有参照资源对应多个初始有效评论的情况下，终端根据各初始有效评论的评论日期，从各初始有效评论中确定至少一个有效评论。在一个实施例中，终端将在各初始有效评论中预设数目个最晚评论日期对应的初始有效评论，作为有效评论。示例性的，预设数目为2，参照资源1对应有3个初始有效评论{初始有效评论a，初始有效评论b，初始有效评论c}，其中，初始有效评论a的评论日期为2020年1月3日，初始有效评论b的评论日期为2021年6月1日，初始有效评论c的评论日期为2021年8月10日，则参照资源1对应的有效评论包括初始有效评论b和初始有效评论c。
本实施例中，通过根据参照资源对应的各初始有效评论的评论日期，从各初始有效评论中，选取有效评论。可以理解，根据评论日期来选取得到的有效评论可以表征目标用户对参照资源的最新的使用感受，也即有效评论更具有参考价值，因此，基于有效评论能得到准确率更高的情感分类结果。
在一个实施例中，如图2所示，根据评论语句、预设分词词典以及预设情感值计算策略，确定评论语句的语句情感值，包括：
步骤202，根据预设分词词典，对评论语句进行语义识别，确定评论语句中包括的目标词。
其中，目标词的词类包括情感词、程度副词以及否定词。
在本申请实施例中，针对任一评论语句，终端根据预设分词词典，对评论语句进行语义识别，确定评论语句中包括的目标词。
步骤204，分别确定各程度副词对应的情感词、以及各否定词对应的情感词。
在本申请实施例中，针对任一评论语句，终端计算各程度副词分别与各情感词之间的字距，确定各程度副词对应的情感词。为了方便区分，针对任一程度副词，将该程度副词对应的情感词称为目标情感词，将不与该程度副词对应的情感词称为其他情感词。其中，针对任一程度副词，程度副词与程度副词的目标情感词之间的字距小于程度副词与程度副词的其他情感词的字距。可以理解，程度副词与程度副词对应的情感词属于同一评论语句。
针对任一评论语句，终端计算各否定词分别与各情感词之间的字距，确定各否定词对应的情感词。为了方便区分，针对任一否定词，将该否定词对应的情感词称为目标情感词，将不与该否定词对应的情感词称为其他情感词。其中，针对任一否定词，否定词与否定词的目标情感词之间的字距小于否定词与否定词的其他情感词的字距。可以理解，否定词和否定词对应的情感词属于同一评论语句。
步骤206，针对任一情感词，根据情感词的情感值、情感词对应的各程度副词的程度权重、以及情感词对应的各否定词的否定权重，确定情感词的目标情感值。
在本申请实施例中，预先设置记录有各情感词的情感值的情感值列表，终端根据情感值列表，查询得到各情感词的情感值。在一个实施例中，各情感词的情感值均为同一常数。预先设置记录有各程度副词的程度权重的程度权重列表，终端根据程度权重列表，查询得到各程度副词的程度权重。预先设置否定词的否定权重为-1。针对任一情感词，终端计算情感词对应的各程度副词的程度权重的和，得到情感词对应的目标程度权重。针对任一情感词，终端计算情感词的情感值、该情感词对应的目标程度权重以及该情感词对应的各否定词的否定权重的乘积，得到该情感词的目标情感值。
步骤208，根据评论语句中包括的各情感词的目标情感值，确定评论语句的语句情感值。
在本申请实施例中，针对任一评论语句，终端计算评论语句中包括的各情感词的目标情感值的和，得到该评论语句的语句情感值。
本实施例中，先确定各程度副词以及各否定词分别对应的情感词，然后计算各情感词的目标情感值，最后计算评论语句的语句情感值。其中，针对任一情感词，情感词与情感词对应的至少一个程度副词以及对应的至少一个否定词均在同一评论语句中。因此，减少了程度副词(或者否定词)错误匹配到与程度副词(或者否定词)属于不同评论语句的情感词的情况，进而提高程度副词以及否定词与情感词的匹配准确性，从而提高情感词的目标情感值的准确性。
在一个实施例中，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果，包括：
在存有参照资源对应多个有效评论的情况下，根据参照资源对应的各有效评论的语句情感值以及评论日期，从参照资源对应的各有效评论中确定至少一个目标有效评论；根据各目标有效评论、各目标有效评论的评论情感值、目标有效评论的评论标题以及目标情感分类模型，确定参照资源的情感分类结果。
在本申请实施例中，在存有参照资源对应多个有效评论的情况下，终端根据参照资源对应的各有效评论的语句情感值以及评论日期，从参照资源对应的各有效评论中确定至少一个目标有效评论。具体的，在存有参照资源对应多个有效评论的情况下，终端统计在该参照资源对应的有效评论中，语句情感值大于默认值的有效评论的数目(为了方便区分，称为喜爱情感数目)、以及语句情感值小于默认值的有效评论的数目(为了方便区分，称为厌恶情感数目)。终端比较喜爱情感数目与厌恶情感数目，得到比较结果，并根据比较结果，确定第一有效评论。具体的，在喜爱情感数目大于厌恶情感数目的情况下，终端将在参照资源对应的有效评论中，语句情感值大于默认值的有效评论，作为该参照资源的第一有效评论。在喜爱情感数目小于厌恶情感数目的情况下，终端将在参照资源对应的有效评论中，语句情感值小于默认值的有效评论，作为该参照资源的第一有效评论。
在存有参照资源对应多个有效评论的情况下，终端根据该参照资源的第一有效评论的评论日期，从该参照资源的第一有效评论中，确定至少一个目标有效评论。可以理解，根据第一有效评论的评论日期确定目标有效评论的方法与前述根据初始有效评论的评论日期确定目标有效评论的方法类似，这里不在赘述。
针对任一参照资源，终端根据参照资源对应的各目标有效评论、参照资源对应的各目标有效评论的评论情感值以及各评论标题，确定参照资源对应的评论特征。针对任一参照资源，终端将参照资源对应的评论特征输入至目标情感分类模型，输出该参照资源的情感分类结果。终端根据各参照资源的情感分类结果，确定至少一个目标资源，并向标用户推荐各目标资源。可以理解，根据目标有效评论确定参照资源的情感分类结果的方法与步骤108类似，这里不再赘述。
本实施例中，通过根据参照资源对应的各有效评论的语句情感值以及评论日期，从参照资源对应的各有效评论中确定至少一个目标有效评论。因此，可以进一步筛选出更能代表参照资源的使用感受的目标有效评论，也即目标有效评论更具有参考价值，因此，基于目标有效评论能得到准确率更高的情感分类结果。
在一个实施例中，如图3所示，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果，包括：
步骤302，针对参照资源的任一有效评论，根据有效评论以及有效评论的评论情感值，确定有效评论的正文特征。
在本申请实施例中，针对参照资源的任一有效评论，终端对有效评论以及有效评论的评论情感值进行特征提取，得到有效评论的正文特征。在一个实施例中，正文特征是特征向量。示例性的，针对参照资源的任一有效评论，终端将有效评论以及有效评论的评论情感值，输入至预先训练好的特征提取神经网络，输出有效评论的正文特征。
步骤304，确定各评论标题的标题特征。
在本申请实施例中，针对任一评论标题，终端对评论标题进行特征提取，得到该评论标题的标题特征。示例性的，针对任一评论标题，终端将评论标题输入至预先训练好的特征提取神经网络，输出该评论标题的标题特征。
步骤306，基于有效评论的正文特征以及标题特征，构建有效评论的评论特征。
在本申请实施例中，针对参照资源的任一有效评论，终端基于有效评论的正文特征以及标题特征，构建该有效评论的评论特征。
步骤308，将参照资源的各有效评论的评论特征输入至目标情感分类模型，得到参照资源的情感分类结果。
在本申请实施例中，终端将参照资源的各有效评论的评论特征输入至目标情感分类模型，得到参照资源的情感分类结果。在一个实施例中，目标情感分类模型包括多核支持向量机。
本实施例中，通过根据有效评论以及有效评论的评论情感值确定正文特征，并根据评论标题确定标题特征，进而基于正文特征和标题特征构建有效评论的评论特征。由于有效评论的评论特征中包括了多维度的特征，因此，可以更准确更全面地表征有效评论的特征，从而提高基于有效评论的特征确定的情感分类结果的预测精度，进而提高基于情感分类结果确定的目标资源的推荐准确率。
在一个实施例中，根据各参照资源的情感分类结果，确定至少一个目标资源，并向目标用户推荐各目标资源，包括：
确定各参照资源的参照资源类别；针对任一参照资源类别，根据参照资源类别下的各参照资源的情感分类结果，确定参照资源类别的目标情感分类结果；针对任一参照资源类别，根据参照资源类别的目标情感分类结果，确定参照资源类别是否对应有目标资源；在存有至少一个参照资源类别对应有目标资源的情况下，向目标用户推荐各参照资源类别对应的目标资源。
在本申请实施例中，终端确定各参照资源的参照资源类别。针对任一参照资源类别，终端统计参照资源类别下的各参照资源的情感分类结果，并将参照资源类别下的各参照资源的情感分类结果中的众数对应的情感分类结果，作为照资源类别的目标情感分类结果。其中，目标情感分类结果用于表征目标用户对参照资源类别的喜爱程度。针对任一参照资源类别，终端根据参照资源类别的目标情感分类结果，确定参照资源类别是否对应有目标资源。具体的，针对任一参照资源类别，终端根据预设分类结果与目标资源的对应关系以及目标情感分类结果，查找目标情感分类结果对应的目标资源。若查找到目标情感分类结果对应的至少一个目标资源，则将至少一个目标资源作为参照资源类别对应的目标资源。若未查找到目标情感分类结果对应的目标资源，则将该参照资源类别未有对应的目标资源。在存有至少一个参照资源类别对应有目标资源的情况下，向目标用户推荐各参照资源类别对应的目标资源。其中，参照资源类别对应的目标资源所属的资源类别包括该参照资源类别或者与该参照资源类别关联的资源类别。
本实施例中，通过先统计同一参照资源类别下的各参照资源的情感分类结果，确定参照资源类别对应的目标情感分类结果，进而确定参照资源类别是否对应有目标资源。因此，相比于单个参照资源的情感分类结果，目标情感分类结果可以更准确地目标用户对参照资源类别的喜爱程度，进而提高基于目标情感分类结果确定的目标资源的准确率。
在一个实施例中，如图4所示，目标情感分类模型包括多核支持向量机，多核支持向量机的映射函数是基于正文映射函数、正文映射权重、标题映射函数以及标题映射权重构建的；方法还包括：
步骤402，获取各样本用户对至少一个参照资源的样本有效评论、样本有效评论的样本评论标题以及各样本用户的实际情感分类结果。
其中，样本有效评论中包括至少一个样本评论语句。
在本申请实施例中，终端获取各样本用户对至少一个参照资源的样本有效评论、样本有效评论的样本评论标题以及各样本用户的实际情感分类结果。样本有效评论的获取方法与前述的有效评论的获取方法类似，这里不再赘述。
步骤404，确定各第一情感分类模型。
其中，各第一情感分类模型中的正文映射权重的权重值不同和/或标题映射权重的权重值不同。在一个实施例中，第一情感分类模型包括最小二乘支持向量机，示例性的，第一情感分类模型为多核最小二乘支持向量机。
在本申请实施例中，终端基于各预设的第一权重值以及各预设的第二权重值，构建各第一情感分类模型。可以理解，第一权重值与第二权重值可能相同，也可能不同，第一权重值和第二权重值根据人为经验进行预先设置。其中，第一权重值用于确定正文映射权重的权重值，第二权重用于确定标题映射权重的权重值。在一个实施例中，各第一情感分类模型的正文映射权重的权重值均为1，各第一情感分类模型的正文映射权重的权重值为γ，其中，γ∈{0.25，0.5，0.75，1.0，2.0，2.5，3.0，3.5，4.0，4.5，5.0}，具体的，如下公式(1)所示。
φ(xi，γ)＝γφt(xi)+φb(xi)公式(1)
其中，φ(xi，γ)表示第一情感分类模型的映射函数，φt(xi)表示第一情感分类模型的标题映射函数，φb(xi)表示第一情感分类模型的正文映射函数，γ表征标题映射权重，xi表示第一情感分类模型的第i个输入向量(包括评论特征)。
步骤406，针对任一第一情感分类模型，根据各样本有效评论、各样本有效评论的样本评论标题、各样本用户的实际情感分类结果以及第一情感分类模型，确定第一情感分类模型的分类精度。
在本申请实施例中，针对任一第一情感分类模型，终端根据各样本有效评论、各样本有效评论的样本评论标题以及第一情感分类模型，确定各参照资源的第一情感分类结果。可以理解，第一情感分类结果的确定方法与前述的情感分类结果的确定方法类似，这里不再赘述。针对任一第一情感分类模型，终端根据第一情感分类模型输出的各第一情感分类结果、各实际情感分类结果以及损失函数，计算第一情感分类模型的分类精度。
步骤408，根据各第一情感分类模型的分类精度，从各第一情感分类模型中确定第二情感分类模型。
在本申请实施例中，终端比较根据各第一情感分类模型的分类精度，并根据比较结果，从各第一情感分类模型中确定第二情感分类模型。其中，在各第一情感分类模型中第二情感分类模型的分类精度最高。
步骤410，根据各样本有效评论、各样本有效评论的样本评论标题以及各样本用户的实际情感分类结果，训练第二情感分类模型，得到目标情感分类模型。
在本申请实施例中，终端根据各样本有效评论、各样本有效评论的样本评论标题以及第二情感分类模型，确定各第二情感分类结果。终端基于各第二情感分类结果、实际情感分类结果以及损失函数，训练第二情感分类模型，得到训练后的第二情感分类模型(也即目标情感分类模型)。其中，目标情感分类模型的映射函数中的正文映射权重和标题映射权重是在步骤408中确定的，也即目标情感分类模型的映射函数中的正文映射权重为第二情感分类模型的映射函数中的正文映射权重，目标情感分类模型的映射函数中的标题映射权重为第二情感分类模型的映射函数中的标题映射权重。具体的，第二情感分类模型的目标函数如下公式(2)所示，第二情感分类模型的约束条件如下公式(3)所示。
s.t. yi[ωTφ(xi，γ)+b]＝1-εi(i＝1,2,3，...，n) 公式(3)
其中，ω表征超平面的法向量，C表征惩罚系数，εi表征第i个松弛变量，yi表征第二情感分类模型的第i个输出结果，b表征超平面的截距。具体的，如图5所示。
具体的，基于公式(2)和公式(3)得到第二情感分类模型的拉格朗日函数，如下公式(4)所示。
其中，L(ω，b，ε，a)表征第二情感分类模型的拉格朗日函数，ai表征第i个拉格朗日乘子。
终端通过最小二乘法对公式(4)进行求解，得到a和b，具体的，如下公式(5)和公式(6)所示。
其中，E为单位矩阵，Ω＝yiyjφT(xi，γ)φ(xi，γ)＝yiyjK(xi，xj)，K(xi，xj)为核函数，具体如下公式(7)所示，其中，核函数的约束条件如下公式(8)所示。
其中，αp、bm为核函数K(x，xi)的参数，αp、Km表征子核函数，H＝ZL1/2，Zij∈{0，1}n×k，L是k阶对角矩阵。αp是基于拉格朗日乘子a确定的，bm是基于超平面的截距b确定的，具体的确定方法请参照相关技术，这里不再赘述。
在本实施例中，先构建各第一情感分类模型，并从各第一情感分类模型中确定第二情感分类模型，也即确定目标情感分类模型中的正文映射权重以及标题映射权重。然后，通过训练第二情感分类模型，得到目标情感分类模型，也即确定目标情感分类模型中除正文映射权重以及标题映射权重之外的参数。也就是说，在训练第二情感分类模型时正文映射权重以及标题映射权重相当于第二情感分类模型的超参数，也即只需要训练除正文映射权重以及标题映射权重之外的参数，进而提高模型的训练效率。
在一个实施例中，确定各第一情感分类模型，包括：
初始化待训练的情感分类模型中除正文映射权重以及标题映射权重之外的参数，得到第三情感分类模型；根据各预设的第一权重值、各预设的第二权重值以及第三情感分类模型，构建多个第一情感分类模型。
在本申请实施例中，终端初始化待训练的情感分类模型中除正文映射权重以及标题映射权重之外的参数，得到第三情感分类模型。终端基于各预设的第一权重值、各预设的第二权重值以及第三情感分类模型，构建多个第一情感分类模型。可以理解，对于第三情感分类模型而言，除正文映射权重以及标题映射权重之外的参数均为超参数。
在本实施例中，先初始化待训练的情感分类模型中除正文映射权重以及标题映射权重之外的参数，再基于各预设的第一权重值以及各预设的第二权重值，构建第一情感分类模型。因此，为后续基于第一情感分类模型确定第二情感分类模型的方法提供前提条件。
在一个实施例中，根据各样本有效评论、各样本有效评论的样本评论标题以及各样本用户的实际情感分类结果，训练第二情感分类模型，得到目标情感分类模型，包括：
基于根据各样本有效评论、各样本有效评论的样本评论标题以及第二情感分类模型，确定第二情感分类模型对应的各样本用户的样本情感分类结果；根据第二情感分类模型对应的各样本用户的样本情感分类结果、以及各样本用户的实际情感分类结果，训练第二情感分类模型中除正文映射权重和标题映射权重外的参数，得到目标情感分类模型。
在本申请实施例中，终端根据各样本有效评论、各样本有效评论的样本评论标题以及第二情感分类模型，确定各第二情感分类结果。终端基于第二情感分类模型对应的各样本用户的样本情感分类结果、各样本用户的实际情感分类结果以及损失函数，训练第二情感分类模型中除正文映射权重和标题映射权重外的参数，得到目标情感分类模型。可以理解，对于第二情感分类模型而言，正文映射权重和标题映射权重为超参数。
在本实施例中，根据各样本有效评论、各样本有效评论的样本评论标题以及各样本用户的实际情感分类结果，训练第二情感分类模型中除正文映射权重和标题映射权重外的参数，得到目标情感分类模型。因此，为后续基于目标情感分类模型确定目标用户对参照资源的情感分类结果的方法提供前提条件。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的资源推荐方法的资源推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个资源推荐装置实施例中的具体限定可以参见上文中对于资源推荐方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种资源推荐装置，包括：
第一获取模块602，用于获取目标用户对至少一个参照资源的有效评论以及各有效评论的评论标题；有效评论中包括至少一个评论语句；
第一确定模块604，用于针对任一评论语句，根据评论语句、预设分词词典以及预设情感值计算策略，确定评论语句的语句情感值；
第二确定模块606，用于针对任一有效评论，根据有效评论中包括的各评论语句的语句情感值，确定有效评论的评论情感值；
第三确定模块608，用于针对任一参照资源，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果；
第四确定模块610，用于根据各参照资源的情感分类结果，确定至少一个目标资源，并向目标用户推荐各目标资源；目标资源包括参照资源和/或参照资源的关联资源。
上述资源推荐装置中，根据各参照资源的有效评论、各有效评论的评论情感值、各有效评论的评论标题以及目标情感分类模型，预测目标用户的情感分类结果。可以理解，有效评论的评论情感值可以表征目标用户对于参照资源的情感偏好，进而提高基于评论情感值确定的情感分类结果的预测精度。另外，易知有效评论的评论标题也同样可以反映目标用户对于参照资源的情感偏好，因此，结合有效评论、有效评论的评论情感值以及有效评论的评论标题来确定情感分类结果，可以进一步提高情感分类结果的预测精度，进而提高基于情感分类结果确定的目标资源的推荐准确率。
在一个实施例中，第一获取模块602具体用于：
获取目标用户对至少一个参照资源的评论文本；
针对任一评论文本，基于评论分类模型以及评论文本，确定评论文本的评论分类结果；
针对任一评论文本，在评论文本的评论分类结果表征评论文本为有效评论的情况下，将评论文本作为有效评论；
获取至少一个有效评论的评论标题。
在一个实施例中，第一获取模块602具体用于，包括：
在评论文本的评论分类结果表征评论文本为有效评论的情况下，将评论文本作为初始有效评论；
在存有参照资源对应多个初始有效评论的情况下，根据各初始有效评论的评论日期，从各初始有效评论中确定至少一个有效评论。
在一个实施例中，第一确定模块604具体用于：
根据预设分词词典，对评论语句进行语义识别，确定评论语句中包括的目标词；目标词的词类包括情感词、程度副词以及否定词；
分别确定各程度副词对应的情感词、以及各否定词对应的情感词；
针对任一情感词，根据情感词的情感值、情感词对应的各程度副词的程度权重、以及情感词对应的各否定词的否定权重，确定情感词的目标情感值；
根据评论语句中包括的各情感词的目标情感值，确定评论语句的语句情感值。
在一个实施例中，根据各有效评论、各有效评论的评论情感值、各评论标题以及目标情感分类模型，确定参照资源的情感分类结果，包括：
在存有参照资源对应多个有效评论的情况下，根据参照资源对应的各有效评论的语句情感值以及评论日期，从参照资源对应的各有效评论中确定至少一个目标有效评论；
根据各目标有效评论、各目标有效评论的评论情感值、目标有效评论的评论标题以及目标情感分类模型，确定参照资源的情感分类结果。
在一个实施例中，第三确定模块608具体用于：
针对参照资源的任一有效评论，根据有效评论以及有效评论的评论情感值，确定有效评论的正文特征；
确定各评论标题的标题特征；
基于有效评论的正文特征以及标题特征，构建有效评论的评论特征；
将参照资源的各有效评论的评论特征输入至目标情感分类模型，得到参照资源的情感分类结果。
在一个实施例中，第四确定模块610具体用于：
确定各参照资源的参照资源类别；
针对任一参照资源类别，根据参照资源类别下的各参照资源的情感分类结果，确定参照资源类别的目标情感分类结果；
针对任一参照资源类别，根据参照资源类别的目标情感分类结果，确定参照资源类别是否对应有目标资源；
在存有至少一个参照资源类别对应有目标资源的情况下，向目标用户推荐各参照资源类别对应的目标资源。
在一个实施例中，目标情感分类模型包括多核支持向量机，多核支持向量机的映射函数是基于正文映射函数、正文映射权重、标题映射函数以及标题映射权重构建的；资源推荐装置还包括：
第二获取模块，用于获取各样本用户对至少一个参照资源的样本有效评论、样本有效评论的样本评论标题以及各样本用户的实际情感分类结果；样本有效评论中包括至少一个样本评论语句；
第五确定模块，用于确定各第一情感分类模型；各第一情感分类模型中的正文映射权重的权重值不同和/或标题映射权重的权重值不同；
第六确定模块，用于针对任一第一情感分类模型，根据各样本有效评论、各样本有效评论的样本评论标题、各样本用户的实际情感分类结果以及第一情感分类模型，确定第一情感分类模型的分类精度；
第七确定模块，用于根据各第一情感分类模型的分类精度，从各第一情感分类模型中确定第二情感分类模型；
训练模块，用于根据各样本有效评论、各样本有效评论的样本评论标题以及各样本用户的实际情感分类结果，训练第二情感分类模型，得到目标情感分类模型。
在一个实施例中，第五确定模块具体用于：
初始化待训练的情感分类模型中除正文映射权重以及标题映射权重之外的参数，得到第三情感分类模型；
根据各预设的第一权重值、各预设的第二权重值以及第三情感分类模型，构建多个第一情感分类模型。
在一个实施例中，训练模块具体用于：
基于根据各样本有效评论、各样本有效评论的样本评论标题以及第二情感分类模型，确定第二情感分类模型对应的各样本用户的样本情感分类结果；
根据第二情感分类模型对应的各样本用户的样本情感分类结果、以及各样本用户的实际情感分类结果，训练第二情感分类模型中除正文映射权重和标题映射权重外的参数，得到目标情感分类模型。
上述资源推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源推荐方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (14)

1.一种资源推荐方法，其特征在于，所述方法包括：
获取目标用户对至少一个参照资源的有效评论以及各所述有效评论的评论标题；所述有效评论中包括至少一个评论语句；
针对任一所述评论语句，根据所述评论语句、预设分词词典以及预设情感值计算策略，确定所述评论语句的语句情感值；
针对任一所述有效评论，根据所述有效评论中包括的各所述评论语句的语句情感值，确定所述有效评论的评论情感值；
针对任一所述参照资源，根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果；
根据各所述参照资源的所述情感分类结果，确定至少一个目标资源，并向所述目标用户推荐各所述目标资源；所述目标资源包括所述参照资源和/或所述参照资源的关联资源。
2.根据权利要求1所述的方法，其特征在于，所述获取目标用户对至少一个参照资源的有效评论以及各所述有效评论的评论标题，包括：
获取目标用户对至少一个参照资源的评论文本；
针对任一所述评论文本，基于评论分类模型以及所述评论文本，确定所述评论文本的评论分类结果；
针对任一所述评论文本，在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为有效评论；
获取至少一个所述有效评论的评论标题。
3.根据权利要求2所述的方法，其特征在于，所述在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为有效评论，包括：
在所述评论文本的评论分类结果表征所述评论文本为有效评论的情况下，将所述评论文本作为初始有效评论；
在存有所述参照资源对应多个初始有效评论的情况下，根据各所述初始有效评论的评论日期，从各所述初始有效评论中确定至少一个有效评论。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述评论语句、预设分词词典以及预设情感值计算策略，确定所述评论语句的语句情感值，包括：
根据预设分词词典，对所述评论语句进行语义识别，确定所述评论语句中包括的目标词；所述目标词的词类包括情感词、程度副词以及否定词；
分别确定各所述程度副词对应的情感词、以及各所述否定词对应的情感词；
针对任一所述情感词，根据所述情感词的情感值、所述情感词对应的各所述程度副词的程度权重、以及所述情感词对应的各所述否定词的否定权重，确定所述情感词的目标情感值；
根据所述评论语句中包括的各所述情感词的目标情感值，确定所述评论语句的语句情感值。
5.根据权利要求1或2所述的方法，其特征在于，所述根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果，包括：
在存有所述参照资源对应多个有效评论的情况下，根据所述参照资源对应的各有效评论的语句情感值以及评论日期，从所述参照资源对应的各有效评论中确定至少一个目标有效评论；
根据各所述目标有效评论、各所述目标有效评论的评论情感值、所述目标有效评论的评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果。
6.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果，包括：
针对所述参照资源的任一所述有效评论，根据所述有效评论以及所述有效评论的评论情感值，确定所述有效评论的正文特征；
确定各所述评论标题的标题特征；
基于所述有效评论的正文特征以及标题特征，构建所述有效评论的评论特征；
将所述参照资源的各有效评论的评论特征输入至目标情感分类模型，得到所述参照资源的情感分类结果。
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据各所述参照资源的所述情感分类结果，确定至少一个目标资源，并向所述目标用户推荐各所述目标资源，包括：
确定各所述参照资源的参照资源类别；
针对任一所述参照资源类别，根据所述参照资源类别下的各所述参照资源的所述情感分类结果，确定所述参照资源类别的目标情感分类结果；
针对任一所述参照资源类别，根据所述参照资源类别的目标情感分类结果，确定所述参照资源类别是否对应有目标资源；
在存有至少一个所述参照资源类别对应有目标资源的情况下，向所述目标用户推荐各所述参照资源类别对应的目标资源。
8.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标情感分类模型包括多核支持向量机，所述多核支持向量机的映射函数是基于正文映射函数、正文映射权重、标题映射函数以及标题映射权重构建的；所述方法还包括：
获取各样本用户对至少一个所述参照资源的样本有效评论、所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果；所述样本有效评论中包括至少一个样本评论语句；
确定各第一情感分类模型；各所述第一情感分类模型中的所述正文映射权重的权重值不同和/或所述标题映射权重的权重值不同；
针对任一所述第一情感分类模型，根据各所述样本有效评论、各所述样本有效评论的样本评论标题、各所述样本用户的实际情感分类结果以及所述第一情感分类模型，确定所述第一情感分类模型的分类精度；
根据各所述第一情感分类模型的分类精度，从各所述第一情感分类模型中确定第二情感分类模型；
根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型，得到所述目标情感分类模型。
9.根据权利要求8所述的方法，其特征在于，所述确定各第一情感分类模型，包括：
初始化待训练的情感分类模型中除所述正文映射权重以及所述标题映射权重之外的参数，得到第三情感分类模型；
根据各预设的第一权重值、各预设的第二权重值以及所述第三情感分类模型，构建多个第一情感分类模型。
10.根据权利要求8所述的方法，其特征在于，所述根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型，得到所述目标情感分类模型，包括：
基于根据各所述样本有效评论、各所述样本有效评论的样本评论标题以及所述第二情感分类模型，确定所述第二情感分类模型对应的各所述样本用户的样本情感分类结果；
根据所述第二情感分类模型对应的各所述样本用户的样本情感分类结果、以及各所述样本用户的实际情感分类结果，训练所述第二情感分类模型中除所述正文映射权重和所述标题映射权重外的参数，得到所述目标情感分类模型。
11.一种资源推荐装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标用户对至少一个参照资源的有效评论以及各所述有效评论的评论标题；所述有效评论中包括至少一个评论语句；
第一确定模块，用于针对任一所述评论语句，根据所述评论语句、预设分词词典以及预设情感值计算策略，确定所述评论语句的语句情感值；
第二确定模块，用于针对任一所述有效评论，根据所述有效评论中包括的各所述评论语句的语句情感值，确定所述有效评论的评论情感值；
第三确定模块，用于针对任一所述参照资源，根据各所述有效评论、各所述有效评论的评论情感值、各所述评论标题以及目标情感分类模型，确定所述参照资源的情感分类结果；
第四确定模块，用于根据各所述参照资源的所述情感分类结果，确定至少一个目标资源，并向所述目标用户推荐各所述目标资源；所述目标资源包括所述参照资源和/或所述参照资源的关联资源。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
14.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202310846096.2A 2023-07-11 2023-07-11 资源推荐方法、装置、计算机设备和存储介质 Pending CN116881556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310846096.2A CN116881556A (zh) 2023-07-11 2023-07-11 资源推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310846096.2A CN116881556A (zh) 2023-07-11 2023-07-11 资源推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116881556A true CN116881556A (zh) 2023-10-13

Family

ID=88263828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310846096.2A Pending CN116881556A (zh) 2023-07-11 2023-07-11 资源推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116881556A (zh)

Similar Documents

Publication Publication Date Title
Fang et al. Exploring deep neural networks via layer-peeled model: Minority collapse in imbalanced training
Kosinski et al. Mining big data to extract patterns and predict real-life outcomes.
AU2016225947A1 (en) System and method for multimedia document summarization
Wang et al. Trust-aware collaborative filtering with a denoising autoencoder
CN115409111A (zh) 命名实体识别模型的训练方法和命名实体识别方法
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
CN116308551A (zh) 基于数字金融ai平台的内容推荐方法及系统
CN116881556A (zh) 资源推荐方法、装置、计算机设备和存储介质
He et al. Rank-based greedy model averaging for high-dimensional survival data
Dieng Deep Probabilistic Graphical Modeling
Zhao et al. Structural reliability assessment based on low-discrepancy adaptive importance sampling and artificial neural network
CN117786234B (zh) 一种基于两阶段对比学习的多模态资源推荐方法
CN115017291B (zh) 热点问题分析方法、装置、计算机设备和存储介质
CN117436501A (zh) 产品推荐模型的训练方法、装置、计算机设备和存储介质
CN117436972A (zh) 资源对象推荐方法、装置、计算机设备和存储介质
CN117407291A (zh) 需求校验方法、装置、计算机设备及其存储介质
CN117786231A (zh) 虚拟资源推荐方法、装置、计算机设备和存储介质
CN116010705A (zh) 推荐对象的确定方法、装置、计算机设备和存储介质
Yang et al. Deep User-Item Interaction Learning for Recommendation
CN114239603A (zh) 业务需求匹配方法、装置、计算机设备和存储介质
CN117932071A (zh) 反馈信息变化趋势确定方法、装置、计算机设备及介质
CN114647792A (zh) 内容推荐方法、装置、计算机设备和存储介质
CN116431790A (zh) 答复输出方法、装置、计算机设备及其存储介质
CN117648427A (zh) 数据查询方法、装置、计算机设备和存储介质
CN117807303A (zh) 服务信息的推荐方法、装置、计算机设备和存储介质

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