一种基于方面情感预测和协同过滤的产品推荐方法及系统技术方案

本申请涉及一种基于方面情感预测和协同过滤的产品推荐方法及系统；该方法基于用户之间隐性信任，并根据已知用户评论的方面类别和情感值预测出用户对未参评产品的方面类别和情感值，改善了现有方法存在的数据稀疏问题；而且该方法提供了多种推荐方式，能够满足多种情况需求，是一种实时响应、推广性好的个性化推荐方法，能够大幅改善用户体验。系统包括：数据采集模块、数据预处理模块、方面情感预测模块、用户隐性信任度计算模块、数据填充模块、产品综合得分计算模块。品综合得分计算模块。品综合得分计算模块。

【技术实现步骤摘要】
一种基于方面情感预测和协同过滤的产品推荐方法及系统


[0001]本申请涉及产品推荐
，特别是涉及一种基于方面情感预测和协同过滤的产品推荐方法及系统。

技术介绍

[0002]在线评论是影响消费者购买决策的关键因素之一，然而消费者精力有限，在海量的评论数据中找到消费者关注的信息成为了亟待解决的问题。
[0003]现有的产品推荐方法没有从根本上解决个性化产品推荐的难题，主要集中在以下方面：1）现有方法很少将文本数据和评分数据结合起来转化成结构化数据，导致数据的利用率较低；2）现有基于在线评论的推荐方法通常识别属性标签或情感极性，很少识别句子中的属性及其对应的情感值；3）现有的协同过滤推荐方法存在数据稀疏问题，由于数据稀疏，用户共同参评的数据较为稀缺，用户交互的点赞、关注更为稀少，于是在获取相似用户集时有较大难度；4）现有的协同过滤推荐方法存在冷启动问题；当对新用户进行推荐时，无法计算相似度来识别相似用户，于是针对新用户的推荐容易不准确。

技术实现思路

[0004]基于此，有必要提供一种基于方面情感预测和协同过滤的产品推荐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于方面情感预测和协同过滤的产品推荐方法，其特征在于，包括：S1：获取产品的历史在线评论；并对历史在线评论进行清洗；S2：将多个清洗后的所述历史在线评论输入情感预测模型得到各评论的方面类别及其对应的情感值；基于各评论的方面类别及其对应的情感值构建产品评价矩阵；S3：基于所述各评论的方面类别及其情感值确定用户之间的隐性信任情况；基于所述隐性信任情况，预测出用户对未参评过的产品的评论的方面类别及其对应的情感值；S4：基于用户对未参评过的产品的评论的方面类别及其对应的情感值补全所述产品评价矩阵；S5：进行产品推荐，其包括：根据用户查询获取用户实时关注的方面类别，并基于用户实时关注的方面类别对产品进行排序推荐；基于所述历史在线评论确定历史在线评论的方面类别及其情感值，并基于历史在线评论的方面类别及其情感值对产品进行排序推荐；基于补全的所述产品评价矩阵计算各产品的推荐得分，根据所述推荐得分进行排序推荐。2.根据权利要求1所述的产品推荐方法，其特征在于，S2中，还包括训练方面情感预测模型，得到所述情感预测模型；训练过程为：步骤1：从清洗后的所述历史在线评论中选取部分评论作为原始评论文本；并对所述原始评论文本进行方面情感四元组的标记；步骤2：定义投影函数，采用所述投影函数将每条原始评论文本中标记的方面情感四元组转化为自然语言序列，并采用特殊符号将所述自然语言序列连接，得到目标序列；基于所述原始评论文本以及所述目标序列，生成原始评论文本
‑
目标序列的数据集；步骤3：将原始评论文本
‑
目标序列的数据集按照比例分为训练集和测试集；并对数据集中的所述原始评论文本以及目标序列均进行向量化处理；步骤4：基于向量化处理后训练集中的原始评论文本
‑
目标序列，采用序列到序列学习方式对初始的方面情感预测模型进行训练；训练完成的所述方面情感预测模型即为所述情感预测模型；步骤5：将测试集中的原始评论文本输入所述情感预测模型，输出对测试集中目标序列的预测值；将测试集中的目标序列作为真实值；基于预测值和真实值计算F1得分，以所述F1得分作为情感预测模型的准确率评估所述情感预测模型。3.根据权利要求2所述的产品推荐方法，其特征在于，所述方面情感预测模型为方面情感四元组预测模型，其分为编码器和解码器；所述编码器和所述解码器均包括嵌入层、多头注意力层以及全连接层，且解码器还包括输出层；所述嵌入层用于为输入序列添加前缀；所述多头注意力层用于计算注意力分数；所述全连接层为前馈神经网络的结构层；编码器的全连接层输出的数据与解码器的多头注意力层输出的数据一并输入至解码器的全连接层；所述输出层用于将经过解码器的全连接层的数据输出；方面情感四元组预测模型输出的四元组的元素包括：方面类别、方面术语、意见术语以及情感值。4.根据权利要求3所述的产品推荐方法，其特征在于，S2中，所述历史在线评论输入至所述情感预测模型，输出的形式为：方面类别:情感值；
基于各评论的方面类别及其对应的情感值构建产品评价矩阵，其表示为：；其中，R表示产品评价矩阵，user
11
表示第1个产品的第1个用户；user
1n
表示第1个产品的第n个用户；user
k1
表示第k个产品的第1个用户；user
kn
表示第k个产品的第n个用户；product1表示第一个产品；product
k
表示第k个产品；矩阵的行表示用户对于各产品的评论经情感预测模型的输出；矩阵的列表示产品的各用户的评论经情感预测模型的输出；表示第1个产品的第1个用户点评的第1个产品的第1个方面类别； 表示第1个产品的第1个用户点评的第1个产品的第1个方面类别的情感值，其余参数以此类推。5.根据权利要求4所述的产品推荐方法，其特征在于，S3中，隐性信任情况包括隐性相互信任和隐性不相互信任；比对不同用户之间对于不同产品的评论的方面类别数量；当用户之间对于不同产品的评论的方面类别数量相同时，表示用户之间的隐性信任情况为隐性相互信任，否则为隐性不相互信任；根据隐性信任情况计算用户之间的隐性信任度；当用户之间的隐性信任情况为隐性相互信任时，用户i对用户j的隐性信任度记为S
ij
；计算公式为：；其中，S
ji
表示用户j对用户i的隐性信任度；表示第k个产品的第i个用户点评的第k个产品的方面类别与第l个产品的第j个用户点评的第l个产品的方面类别的交集中所含元素的数量；表示第k个产品的第i个用户点评的所有方面类别；表示第l个产品的第j个用户点评的所有方面类别；t表示第t个方面类别； 表示第k个产品的第i个用户点评的第k个产品的第t个方面类别的情感值； 表示第l个产品的第j个用户点评的第l个产品的第t个方面类别的情感值；当用户之间的隐性信任情况为隐性不相互信任时，用户a对用户b的隐性信任度记为S
ab
，用户b对用户a的隐性信任度记为S
ba
；计算公式为：
；；其中，、分别表示第k个产品的第a个用户点评的第k个产品的方面类别与第l个产品的第b个用户点评的...

【专利技术属性】
技术研发人员：任剑，何雨欣，易国栋，谢恩坪，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：