[发明专利]一种基于观点增强的主题协同过滤推荐方法在审
申请号: | 201810036537.1 | 申请日: | 2018-01-15 |
公开(公告)号: | CN108228867A | 公开(公告)日: | 2018-06-29 |
发明(设计)人: | 彭敏;施洪亮;胡刚 | 申请(专利权)人: | 武汉大学 |
主分类号: | G06F17/30 | 分类号: | G06F17/30;G06Q30/06 |
代理公司: | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人: | 魏波 |
地址: | 430072 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 协同过滤 矩阵 评论文本 平均绝对误差 词义 集成属性 模型计算 情感极性 商品推荐 属性词汇 算法计算 主题模型 情感词 构建 邻近 表现 分析 | ||
本发明公开了一种基于观点增强的主题协同过滤推荐方法,首先基于LDA主题模型提取评论文本属性词;然后根据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;将词义相同的属性词汇集成属性面;通过属性面观点增强分析得到评论文本的情感极性;接着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;最后根据k邻近方法将矩阵中打分比较高的商品推荐给其它用户。实验结果表明,本发明在属性词提取的F值上以及推荐的平均绝对误差值上均表现优异。
技术领域
本发明属于信息技术领域,涉及一种信息推荐方法,具体涉及结合了协同过滤算法和基于内容推荐两方面优势的一种新的基于评论文本个性化推荐方法。
背景技术
互联网共享信息平台的发展使得世界各地的人能够通过网络将自己的情感或观点与他人分享。然而,信息的爆炸式增长使得用户很难获得与自己密切相关的信息。推荐系统通过利用用户和商品之间的潜在关联,能够给用户提供最需要的信息,从而较好地解决了该问题。推荐系统不同于数据库、搜索引擎这些出现较早的信息系统工具或技术,它是一个相对教新的领域。推荐系统算法主要有两大类:基于内容的推荐算法和基于协同过滤的推荐算法。
网络共享平台上存在着很多带有观点性色彩的内容,这些内容往往能够影响用户的判断和选择。例如,对于一些购物网站平台,商品的评论文本能够对用户的选择和购买产生一定的影响。基于内容的推荐算法能够利用文本挖掘方法提取出这些有价值的信息,从而将其推荐给特定的用户。例如,Q.Mei提出的TSM模型通过整合文档中主题词和情感词之间的关系来进行情感预测。这种推荐算法关键在于用户模型和内容特征描述。提取推荐对象内容特征,目前比较成熟的方法限于主题挖掘这一类,对于信息大量涌现和多媒体数据,特征提取技术有待提高,因此基于内容的推荐散发很少用在多媒体信息推荐方面。
而协同过滤算法主要分为基于用户的协同过滤算法和基于商品的协同过滤算法,分别利用商品或用户的特征来计算相似度,广泛地应用于一些复杂地非结构化对象的推荐。例如浏览和购买行为信息,得到推荐物品结果名单。虽然协同过滤算法有很好的推荐效果,能够被广泛地应用于多个领域,但是其存在数据稀疏性问题,导致用户对商品的偏好分布过于分散,严重影响了用户或商品的相似度计算,这也是本发明要解决的问题。
发明内容
本发明的目的在于通过提高商品推荐效果的粒度和精确性,将用户与商品的关系转变到用户与商品属性面的关系层面上使得用户在商品属性面上的评分矩阵拥有较强的鲁棒性,以克服用户对商品的偏好分布过于分散、推荐效果不佳问题。本发明通过LDA主题模型属性词提取以及评论文本的观点相似性计算来构建推荐模型,能够有效地判断用户对特定属性面的偏好程度。
本发明所采用的技术方案是: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词;
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;将词义相同的属性词汇集成属性面;
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。
相对于现有技术,本发明的有益效果是将用户与商品的关系转变到用户与商品属性面的关系层面上,使得用户在商品的属性面的评分矩阵具有非常好的鲁棒性,因而,能够给用户提供精确的个性化推荐。
附图说明
图1为本发明实施例的方法整体模型图;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810036537.1/2.html,转载请声明来源钻瓜专利网。