一种利用深度学习进行基于情感分析的电影推荐方法技术

本发明专利技术公开了一种利用深度学习进行基于情感分析的电影推荐的方法，获取用户的电影在线评论与电影状态信息，并对电影及其评论信息进行清洗操作并进行预处理；进行数据的结构及特征信息提取，通过深度学习对特征信息进行情感分析；之后基于情感分析数据建立用户兴趣模型，再计算用户对电影兴趣度并进行电影推荐。本发明专利技术采用Bagging算法与双向长短期记忆网络作为情感倾向分析的方法，挖掘文本信息中用户表达的主观情感，构建出有效的用户兴趣模型，提高了推荐系统的精度，优化电影推荐的质量。

A method of movie recommendation based on sentiment analysis based on deep learning

The invention discloses a method for movie recommendation based on emotional analysis by depth learning, which obtains online movie reviews and movie status information of users, cleans and preprocesses movie reviews and comments, extracts data structure and feature information, and extracts feature information by depth learning. Affective analysis; then based on the emotional analysis data to establish a user interest model, and then calculate the user interest in the film and film recommendation. The method adopts Bagging algorithm and bidirectional long-term and short-term memory network as the method of affective orientation analysis, mines the subjective emotion expressed by users in text information, constructs an effective user interest model, improves the precision of recommendation system, and optimizes the quality of movie recommendation.

【技术实现步骤摘要】
一种利用深度学习进行基于情感分析的电影推荐方法
本专利技术涉及电影推荐
，尤其涉及一种利用深度学习进行基于情感分析的电影推荐方法。
技术介绍
随着信息科技的发展，各种互联网应用层出不穷，逐渐渗透到大众日常生活娱乐等各个方面。人们的经济与生活水平逐渐提高，电影已经成为现代人的一种重要娱乐休闲方式，越来越多的人选择网上观看电影并参与在线评论。同时随着电影资源的丰富，如何从过量的电影信息中找到自己感兴趣的成为人们选择的难点。这使得电影的信息筛选成为当前的一个热门研究方向，而电影推荐系统也成为解决上述问题的有效手段。推荐系统一方面它可以帮助用户发现有价值的信息，另一方面也可以让信息能够展现在对它感兴趣的用户面前。目前在主流的推荐算法主要有：基于协同过滤的推荐系统，包含基于用户的协同过滤算法与基于物品的协同过滤算法；另外有基于内容的推荐系统、基于知识的推荐以及混合推荐系统。协同过滤算法更多地是通过构建用户兴趣模型基于用户行为数据进行推荐，通过使用用户数据，来发现拥有偏好相似度较高的用户和电影，但系统可能向用户推荐其并不感兴趣但其相似用户却喜欢的电影，此外协同过滤算法的冷启动状况，即对新用本文档来自技高网...

【技术保护点】
1.一种利用深度学习进行基于情感分析的电影推荐方法，其特征在于，包括以下步骤：步骤S1：获取用户的电影在线评论与电影状态信息；步骤S2：对电影及其评论信息进行清洗操作并进行预处理；步骤S3：对获取的数据的结构及特征信息进行提取；步骤S4：通过深度学习对特征信息进行情感分析；步骤S5：基于情感分析数据建立用户兴趣模型；步骤S6：计算用户对电影兴趣度并进行电影推荐。

【技术特征摘要】
1.一种利用深度学习进行基于情感分析的电影推荐方法，其特征在于，包括以下步骤：步骤S1：获取用户的电影在线评论与电影状态信息；步骤S2：对电影及其评论信息进行清洗操作并进行预处理；步骤S3：对获取的数据的结构及特征信息进行提取；步骤S4：通过深度学习对特征信息进行情感分析；步骤S5：基于情感分析数据建立用户兴趣模型；步骤S6：计算用户对电影兴趣度并进行电影推荐。2.根据权利要求1所述的方法，其特征在于，所述步骤S2中，对数据的清洗操作包括剔除数据类型项目缺失以及评价字符数小于预设字符数的数据项，而预处理操作包括对电影评论信息进行分词操作与词性标注操作。3.根据权利要求3所述的分词操作与词性标注操作，其特征在于，分词操作采用结巴分词工具进行以词为单位的切分并使用PMI算法提取电影名词特征集；词性标注操作设置为四词位标注或者六词位标注。4.根据权利要求1所述的方法，其特征在于，所述步骤S3中，对经过S2步骤处理后的数据进行特征提取的操作包括词性序列模板匹配，设置维度参数，训练并构建词向量矩阵。5.根据权利要求4所述的词性序列模板与词向量矩阵，其特征在于，词性序列模板为评论数据集中提取的候选属性词的词性序列；词向量矩阵的行数为每个文本的词数，列数为每个词对应向量所指定的维数。6.根据权利要求1所述的方法，其特征在于，所述步骤S4中，所采取的深度学习网络模型为双...

【专利技术属性】
技术研发人员：高俊山，张孟逸，邓立为，孙安祺，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23