【技术实现步骤摘要】
一种融合情感计算和网络众包的并行推荐方法
本专利技术属于互联网数据
，具体涉及一种融合情感计算和网络众包的并行推荐方法。
技术介绍
目前，随着互联网的飞速发展和大数据时代的到来，数据呈爆发式增长。据IDC统计，2020年全球数据存量将增长至44ZB，2025年高达160ZB。这为我们提供了便捷的同时，也带来了一定的困扰，主要体现在：一是数据过载，这就要求提供大量或大容量的存储设备来跟进存储；二是如何在众多数据中找到用户真正有用、需要的信息。如何帮助用户高效地在浩瀚的网络资源中找到有用的信息，提高效用性价比，成为普遍关注的热点和亟待解决的问题。推荐方法为解决此问题开辟了新思路，且引起人们越来越多的关注。回顾推荐方法的研究发展，主要集中在以下几方面：基于内容的推荐、协同过滤推荐、基于关联规则推荐、基于知识推荐、基于上下文推荐、基于深度学习推荐和混合推荐。目前的推荐方法多是基于用户的离线的、静态的特征，而缺乏用户实时的、动态的特征融入，且缺乏用户情感信息的考虑。然而，近三年来，随着移动互联网和社交网络的快速发展，用户...
【技术保护点】
1.一种融合情感计算和网络众包的并行推荐方法，其特征在于：包括以下步骤：/nS1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；/nS11：建立层次化特征分析框架；/nS12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法；/nS2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；/nS21：兴趣度模型的构建；/nS22：推荐算法的产生：融合用户意图和网络众包的推测算法；/nS3：基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求...
【技术特征摘要】
1.一种融合情感计算和网络众包的并行推荐方法，其特征在于：包括以下步骤：
S1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；
S11：建立层次化特征分析框架；
S12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法；
S2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；
S21：兴趣度模型的构建；
S22：推荐算法的产生：融合用户意图和网络众包的推测算法；
S3：基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求，给用户推荐其当前最感兴趣的项目；
S31：控制流程图的生成；
S32：推荐算法推测并行化：基于算法分析和推测多线程技术。
2.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S11中，所述层次化特征分析框架包括6层，即用户信息层、用户特征分析层、心理特征挖掘层、意图检测层、兴趣模型层和推荐列表层；其中，所述用户信息层包括个人特征和社交网络，所述用户特征分析层包括表情识别和社交关系分析，所述兴趣模型层为用户兴趣模型，所述推荐列表层为推荐列表。
3.根据权利要求2所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述意图检测层包括：个人特征、表情分析、心理状态挖掘和用户意图检测。
4.根据权利要求2所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：在用户信息层，提取用户的特征信息，包括：表情特征和社交网络特征；在用户特征分析层，研究基于深度学习方法的表情识别和基于社交网络的社交活动、行为分析以及关系数据分析；在意图检测层，研究用户心理-意图的转化，深度挖掘用户意图；在兴趣模型层，以目标用户意图为导向，采用网络众包方法反馈众包用户的兴趣点，构建目标用户的兴趣模型；在推荐列表层，针对目标用户的兴趣点，实施最符合其兴趣的项目推荐，并基于算法设计与分析理论，完成推荐算法的设计与实现。
5.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S12包括：
A1：针对社交网络应用场景，分析目标用户的表情和社交网络特征，融合深度学习方法和情感计算理论，研究构建涵盖上述六个层次的层次化特征分析框架，建立用户表情-心理-意图的目标模式，获取目标用户当前的心理；
A2：基于心理学理论和情感计算理论挖掘出用户当前意图，意图用公式(1)表示，其中I,N,C,F,R分别表示目标用户意图、项目的名称、...
【专利技术属性】
技术研发人员：李玉祥，张志勇，宋斌，荆军昌，靳正芬，张丽丽，牛丹梅，赵长伟，孔功胜，张蓝方，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南;41
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。