【技术实现步骤摘要】
一种基于用户评分分析的推荐方法
本专利技术涉及数据科学领域，特别涉及一种基于用户评分分析的推荐方法。
技术介绍
随着互联网技术的发展，信息过载已成为当前用户面临的一个重要难题，个性化推荐技术的出现为解决电子商务领域的信息过载问题提供了一种非常有效的手段。推荐技术能有效的为用户提供个性化的主动推荐服务，已被广泛地应用到电子商务及其他相关领域。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。目前主流的推荐技术有3中：基于内容的推荐，协同过滤推荐以及混合策略推荐。其中，协同过滤算法根据用户的历史评价数据进行推荐，避免了对项目属性的文字描述。凭借算法的简单性，实现的便捷性以及推荐的准确性等优点，协同过滤已经成为目前广泛应用的一项个性化推荐技术。传统的协同过滤技术由于依赖用户的评分数据，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，而且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...
【技术保护点】
1.一种基于用户评分分析的推荐方法，其特征在于，该方法包含如下步骤：/nS1，采集用户对商品或者项目的评价信息；/nS2，对评论信息中的主题、情感词、以及情感倾向进行提取、分析与量化，具体包括提取评论主题、抽取情感词、对用户的主题情感词向量进行量化处理，从而得出关于用户、项目、主题和情感值的四元向量；/nS3，找出用户之间有共同评论的项目，依次对共同评论的项目和主题进行分析计算，利用皮尔森相关性系数，计算得出用户之间在所述项目的情感相关性，得到用户间的信任关系值；/nS4，对用户自主管理信任的好友列表，同时根据信任关系的变化情况来挖掘用户短期兴趣的迁移；/nS5，根据所述的...
【技术特征摘要】
1.一种基于用户评分分析的推荐方法，其特征在于，该方法包含如下步骤：
S1，采集用户对商品或者项目的评价信息；
S2，对评论信息中的主题、情感词、以及情感倾向进行提取、分析与量化，具体包括提取评论主题、抽取情感词、对用户的主题情感词向量进行量化处理，从而得出关于用户、项目、主题和情感值的四元向量；
S3，找出用户之间有共同评论的项目，依次对共同评论的项目和主题进行分析计算，利用皮尔森相关性系数，计算得出用户之间在所述项目的情感相关性，得到用户间的信任关系值；
S4，对用户自主管理信任的好友列表，同时根据信任关系的变化情况来挖掘用户短期兴趣的迁移；
S5，根据所述的用户短期兴趣的迁移生成推荐列表。
2.如权利要求1所述的基于用户评分分析的推荐方法，其特征在于，所述的步骤S2包括：
S2.1，利用LDA主题模型抽取主题属性词和情感词：
构建用户对商品评价信息的集合，记为D，LDA主题模型包含每个主题词汇的分布概率，记为φK，每个的主题分布的概率记为θd，评价信息中的每个词汇的主题分配序列记为λd,j和评价信息中的主题分配序列可以利用吉布斯采样获取，LDA主题模型依据概率式(1)生成文本集合：
参数d表示用户对商品的评论文档，D表示用户对商品的评论文档集合，参数Nd表示文档d中主题词个数，参数θλdj表示某个特定主题产生的概率，参数φλdj，ωdj则表示词汇ωdj属于某个主题的概率值；
S2.2，对评论的句子进行依存句法解析，并对需要的依存关系进行筛选与过滤，对不在种子库中的词汇进行极性的判断；
S2.3，为了对用户的主题情感词进行量化处理，并给予用户评论中常用副词的词库，并为每一类副词设定一个程度的值，用于描述用户的情感倾向的程度，将副词的程度百分比作为系数，得到最终的情感值。
3.如权利要求1所述的基于用户评分分析的推荐方法，其特征在于，所述的步骤S3中：利用皮尔森相关性系数，计算Ui和Uj情感值向量的相关性，
其中，参数k是主题n的个数，参数Ui表示用户i，参数Uj表示用户...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。