[发明专利]一种基于观点增强的主题协同过滤推荐方法

权利要求书

1.一种基于观点增强的主题协同过滤推荐方法，其特征在于，包括以下步骤：

步骤1：基于LDA主题模型提取评论文本属性面；

步骤2：根据LDA提取到的属性词，利用word2vec模型计算属性词之间的关系，将相似的属性词归为一类；

步骤3：通过属性面观点增强分析得到评论文本的情感极性；

步骤4：根据情感词极性和属性词构建打分矩阵，根据打分方式通过协同过滤算法计算用户之间的相似性；

步骤5：对任意用户u，从步骤4中的相似度矩阵选择与其最相似的k个邻居，将相似度最高的商品推荐给用户u。

2.根据权利要求1所述的基于观点增强的主题协同过滤推荐方法，其特征在于：步骤1中，利用LDA算法进行短文本的主题挖掘，挖掘一个商品的各属性词。

3.根据权利要求1所述的基于观点增强的主题协同过滤推荐方法，其特征在于：步骤2中，word2vec模型将每个属性词映射到一个低维稠密的实数向量空间，在空间上，语义相似的词能够汇聚成一起形成一个属性面。

4.根据权利要求1所述的基于观点增强的主题协同过滤推荐方法，其特征在于：步骤3中，评论文本的情感极性表达了用户对商品的情感倾向，分为积极、消极和中性三种；采用观点增强的方法来计算每个评论文本的情感倾向；同时，结合每个评论文本的用户总体星数评分与情感倾向进行判断，对不一致情况下的评论文本进行剔除；其中，将评论文本一颗或两颗星定义为消极，得分为-1；评论是三颗星的定义为中性，得分为0；评论是四颗或五颗星则定义为积极，得分为1。

5.根据权利要求1所述的基于观点增强的主题协同过滤推荐方法，其特征在于：步骤4中，根据主题-词汇分布以及情感极性打分，得到用户i对商品j的f_k属性面的偏好度为：

其中，为主题词w_n在属性面f_k分布中的概率值，属性面f_k由主题f_n根据word2vec模型汇集而成；S_ij为用户i对商品j评论的情感打分；N表示评论文本中总的用户数；

结合关注度的影响，得到用户i对商品j的f_k属性面的综合评分：

P_ijk＝θ_ikF_ijk (2)

其中，LDA主题模型中所得到的文档-主题分布矩阵θ_ik用于表达用户i对第k个属性面的关注度；

结合公式(2)提供的用户i对商品j的f_k属性面的综合评分，对于用户u和用户v，定义它们对商品j的属性面情感评分分别为P_ujk和P_vjk，进而通过协同过滤算法得到用户u和用户v在评论文本属性面上的相似度：

其中，I_u和I_v分别表示商品评论集合，k_uj和k_vj分别表示用户u和用户v对商品j的属性面的评论文本集合；根据属性面相似度评分，对用户u的n个邻近用户计算商品c的评分：

其中，b_uc表示基准的平均推荐评分，r_uj表示用户u对商品j的评分，b_aj表示用户u的相似用户对商品j的平均评分；a表示用户u相似用户中的其中一个，总共n个。

6.根据权利要求1-5任意一项所述的基于观点增强的主题协同过滤推荐方法，其特征在于：步骤5中，通过计算不同主题数k下的MAE值并确定最优的主题数；

其中，{p₁,p₂,...,p_n}表示通过推荐算法得到的用户评论文本集合，p_i表示集合中的一个值；{q₁,q₂,...,q_n}表示实际的用户评分集合，q_j表示此集合中的一个值。