一种基于情感和图卷积神经网络的个性化评论推荐方法技术

一种基于情感和图卷积神经网络的个性化评论推荐方法，通过基于情感和图卷积神经网络的评论推荐方法，经初步过滤无用信息及不活跃用户后，分别提取评论和用户属性，再根据用户与评论的关系，将两者属性相互叠加，最终通过用户与评论的相似度来决定是否推荐。无需人为定义“优质评论”，实现因人而异的评论推荐，让每位用户看到更加符合自身喜好的评论。可协助网络空间的社交圈划分，使不同“圈子”的用户看到不同评论，进而减少用户间矛盾。

【技术实现步骤摘要】
一种基于情感和图卷积神经网络的个性化评论推荐方法
本专利技术涉及网络评论个性化推荐
，具体涉及一种基于情感和图卷积神经网络的个性化评论推荐方法。
技术介绍
评论，因其易表达、效率高等特点，在互联网中广泛使用。但由于评论角度不同，易使他人产生逆反心理。推荐技术在评论中的应用，使得“说者过瘾，闻者闹心”的现象有所改善。现有关评论的推荐技术多是筛选出优质评论，再统一推荐给用户。但其面对如下问题：1)“优质评论”因人而异，主观性太强；2)长篇评论用户未必会看；3)不同“圈子”的用户在同一内容上高度揉合，极易引发矛盾。
技术实现思路
本专利技术为了克服以上技术的不足，提供了一种更加用户与评论的关系，通过用户与评论的相似度决定是否推荐的基于情感和图卷积神经网络的个性化评论推荐方法。本专利技术克服其技术问题所采用的技术方案是：一种基于情感和图卷积神经网络的个性化评论推荐方法，包括如下步骤：a)获取网络评论数据并结合评论发表时间，根据评论的点赞数Nlike过滤无用评论，去掉评论数Ncomment少的不活跃用户；b)使用NaturalLanguageToolkit自然语言工具包对评论数据中的文本进行分词处理，将分词后提取的词组作为评论标签tag；c)将评论标签tag置于SenticNet概念层面情感分析数据词典中进行查找对比，得到评论标签tag中词组的情感值；d)根据用户社交网络构建用户图结构，将用户发表评论的源的主题作为用户兴趣并通过embedding算法嵌入到用户节点中，通过LightGCN轻量级图卷积神经网络学习得到用户节点的兴趣表示e)通过公式计算当前用户兴趣的最终表示UserInterset，式中αk为控制第k层的权重，K为总层数，K＝1；f)以用户为单位，将所有评论标签tag的情感值的和除去情感值的标签个数得到发表评论的平均情感值，将平均情感值附加到当前用户上构造出用户的特征属性Userfeature；g)以评论为单位，将UserInterset附加到评论上构造出评论的特征属性Commentfeature；h)通过公式计算得到用户特征与评论特征的相似度sim(Userfeature,Commentfeature)，根据相似度sim(Userfeature,Commentfeature)进行评论推荐。进一步的，步骤a)中，点赞数Nlike小于5的评论为无用评论，进行过滤操作，评论数Ncomment小于5的用户为不活跃用户，进行删除操作。进一步的，步骤b)中分词处理后去除文本中专用名词及特殊字符后，将提取的词组作为评论标签。进一步的，步骤c)中评论标签tag由单个词组构成时，当评论标签tag在SenticNet概念层面情感分析数据词典中，则通过公式Commentemotion(tag)＝EmotionScore(tag)计算情感值Commentemotion(tag)，式中EmotionScore(tag)为评论标签在SenticNet概念层面情感分析数据词典中的值，当评论标签tag不在SenticNet概念层面情感分析数据词典中，Commentemotion(tag)为0。进一步的，步骤c)中评论标签tag由多个词组构成时，当评论标签tag在SenticNet概念层面情感分析数据词典中，则通过公式计算情感值Commentemotion(tag)，式中|tagemotion|为单一评论中含有情感值的标签个数，|tag|为单一评论中所有标签个数，当评论标签tag不在SenticNet概念层面情感分析数据词典中，Commentemotion(tag)为0。进一步的，步骤d)中通过公式计算得到用户节点的兴趣表示式中NUser为与当前用户发生交互的节点数量，Userik为第k层与用户发生交互的第i个节点。本专利技术的有益效果是：通过基于情感和图卷积神经网络的评论推荐方法，经初步过滤无用信息及不活跃用户后，分别提取评论和用户属性，再根据用户与评论的关系，将两者属性相互叠加，最终通过用户与评论的相似度来决定是否推荐。无需人为定义“优质评论”，实现因人而异的评论推荐，让每位用户看到更加符合自身喜好的评论。可协助网络空间的社交圈划分，使不同“圈子”的用户看到不同评论，进而减少用户间矛盾。附图说明图1为本专利技术的流程图。具体实施方式下面结合附图1对本专利技术做进一步说明。一种基于情感和图卷积神经网络的个性化评论推荐方法，包括如下步骤：a)获取网络评论数据并结合评论发表时间，根据评论的点赞数Nlike过滤无用评论，去掉评论数Ncomment少的不活跃用户；b)使用NaturalLanguageToolkit自然语言工具包对评论数据中的文本进行分词处理，将分词后提取的词组作为评论标签tag；c)将评论标签tag置于SenticNet概念层面情感分析数据词典中进行查找对比，得到评论标签tag中词组的情感值；d)根据用户社交网络构建用户图结构，将用户发表评论的源(如新闻、音乐、商品等)的主题作为用户兴趣并通过embedding算法嵌入到用户节点中，通过LightGCN轻量级图卷积神经网络学习得到用户节点的兴趣表示e)通过公式计算当前用户兴趣的最终表示UserInterset，式中αk为控制第k层的权重，K为总层数，K＝1；f)以用户为单位，将所有评论标签tag的情感值的和除去情感值的标签个数得到发表评论的平均情感值，将平均情感值附加到当前用户上构造出用户的特征属性Userfeature；g)以评论为单位，将UserInterset附加到评论上构造出评论的特征属性Commentfeature；h)通过公式计算得到用户特征与评论特征的相似度sim(Userfeature,Commentfeature)，根据相似度sim(Userfeature,Commentfeature)进行评论推荐。sim(Userfeature,Commentfeature)越小优先级越高。通过基于情感和图卷积神经网络的评论推荐方法，经初步过滤无用信息及不活跃用户后，分别提取评论和用户属性，再根据用户与评论的关系，将两者属性相互叠加，最终通过用户与评论的相似度来决定是否推荐。无需人为定义“优质评论”，实现因人而异的评论推荐，让每位用户看到更加符合自身喜好的评论。可协助网络空间的社交圈划分，使不同“圈子”的用户看到不同评论，进而减少用户间矛盾。实施例1：步骤a)中，点赞数Nlike小于5的评论为无用评论，进行过滤操作，评论数Ncomment小于5的用户为不活跃用户，进行删除操作。实施例2：步骤b)中分词处理后去除文本中专用名词及特殊字符后，将提取的词组作为评论标签。实施例3：步骤c)中评论标签tag由单个词组构成本文档来自技高网...

【技术保护点】
1.一种基于情感和图卷积神经网络的个性化评论推荐方法，其特征在于，包括如下步骤：/na)获取网络评论数据并结合评论发表时间，根据评论的点赞数N

【技术特征摘要】
1.一种基于情感和图卷积神经网络的个性化评论推荐方法，其特征在于，包括如下步骤：
a)获取网络评论数据并结合评论发表时间，根据评论的点赞数Nlike过滤无用评论，去掉评论数Ncomment少的不活跃用户；
b)使用NaturalLanguageToolkit自然语言工具包对评论数据中的文本进行分词处理，将分词后提取的词组作为评论标签tag；
c)将评论标签tag置于SenticNet概念层面情感分析数据词典中进行查找对比，得到评论标签tag中词组的情感值；
d)根据用户社交网络构建用户图结构，将用户发表评论的源的主题作为用户兴趣并通过embedding算法嵌入到用户节点中，通过LightGCN轻量级图卷积神经网络学习得到用户节点的兴趣表示
e)通过公式计算当前用户兴趣的最终表示UserInterset，式中αk为控制第k层的权重，K为总层数，K＝1；
f)以用户为单位，将所有评论标签tag的情感值的和除去情感值的标签个数得到发表评论的平均情感值，将平均情感值附加到当前用户上构造出用户的特征属性Userfeature；
g)以评论为单位，将UserInterset附加到评论上构造出评论的特征属性Commentfeature；
h)通过公式



计算得到用户特征与评论特征的相似度sim(Userfeature,Commentfeature)，根据相似度sim(Userfeature,Commentfeature)进行评论推荐。


2.根据权利要求1所述的基于情感和图卷积神经网络的个性化评论推荐方法，其特征在于：步骤a)中，点赞数Nlike小于5的评论为无用评论，进行过滤操作，评论数Ncomment小于5...

【专利技术属性】
技术研发人员：舒明雷，王沐晨，王英龙，李钊，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：山东;37