[发明专利]一种面向推荐服务的情感分析方法

说明书

本发明涉及一种面向推荐服务的情感分析方法，该方法具体包括：步骤1)推荐服务系统收集包括文本声调或语音音调在内的用户情感语料，并对所述用户情感语料进行处理，获得文本分类第一语料和第二语料；步骤2)采用卡方统计的方法，从第二语料中选出一部分词来构建同义词替换词库，并通过该同义词替换词库来扩展文本分类第一语料；步骤3)采用转换工具，将步骤2)中扩展后的文本分类第一语料转换成带声调的拼音语料，并构建字母表对该拼音语料使用独热编码进行ONE‑HOT量化，输入基于卷积神经网络搭建好的分类器中进行分类，通过结合推荐算法和情感分类结果建模，为用户提供推荐服务。

技术领域

本发明属于推荐服务和情感分析技术领域，具体涉及一种面向推荐服务的情感分析方法。

背景技术

目前，推荐系统如今已经成为了人们生活中必不可少的工具，帮助人们更方便的获取到自己想要的结果。当前，大多数的大型购物网站的推荐系统是基于评分的推荐系统，商家出于商业方面的考虑，往往会通过雇佣人的方式对大型购物网站进行刷分。因此，评分分数的高低并不能很好的帮助用户进行推荐。现实中，由于每个人评分标准不同，有的人倾向给高分，有的人倾向给低分；而评论往往是出自个人的心中所想，一般含有比较有价值的反馈，因而评论更能反映一个用户的个性化需求。

推荐系统采用了两种推荐技术：协同过滤(Collaborative FilteringRecommendation，简写CFR)和内容过滤(Content Based Recommendation，简写为CBR)。其中，协同过滤已经被广泛应用于商业化的推荐系统中，协同过滤进一步包括：基于用户的协同推荐和基于项目的协同推荐；根据用户的评分，计算用户或者项目之间的相似度，进而推荐相似邻居或者相似项目。

情感在人类智慧中发挥了重要作用；理性的决策、社交、创新和人类的生活都离不开情感。对于情感的分析，实际上就是对信息进行挖掘和分析，通过大众对媒体的评论了解人们对其内容的看法，得到他们的情感倾向。对文本的情感分析事实上也就是对文本中的主观信息进行倾向性分析和强度分析，这些主观信息都反映了大众的喜好以及个人的诉求。针对情感分析的研究已经成为国内外相关领域的研究热点。

在中文文本情感分析的研究上，2012年，王振宇等人提出了基于HowNet和PMI的词语情感极性计算，采用了基于同义词的SOPMI算法和HOWNET情感词典来计算语义相似度的算法。2014年，谢松县等人提出了应用语义关系自动构建情感词典，借鉴英文的情感词典资源SentWordNet，提出了根据语义模型自动构建情感词典算法，该方法通过词和义之间的关系进行情感值计算。在过去的研究中，基于词典的情感分析往往以构建情感词典为基础；而中文的情感词典资源很少且不够完善，加上中文语言的“一义多词”和“网络化”的影响，一部中文的情感词典往往很难去解决情感分析中的问题。

深度学习是机器学习中一种基于对数据进行表征学习的方法，用于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本。近年来，深度学习在图像处理和自然语言处理(Natural Language Processing，简写NLP)任务上都取得了不俗的成绩。通过神经网络可以完成多个词向量之间的语义合成计算，更能挖掘文本词之间的特性，从而更好地实现文本的情感分类。特别是在短文本分析任务中，由于句子句长的长度有限、结构紧凑、能够独立表达意思，使得卷积神经网络(Convolutionalneural networks，简写CNN)在处理这一类问题上成为可能。2014年，Kim等人将wordembedding与卷积网络结合，并应用在情感分析和文本分类等若干自然语言处理任务中，获得了非常好的效果。2015年，张翔等人提出了从字符层面使用CNN进行文本分类，不需要使用预先训练好的词向量和语法句法结构等信息，并且容易推广到所有语言。

中文是一种复杂的，带声调的语言。首先，从语音上来说，四声比西方语言中的重音更复杂。其次，汉字的信息量要比其他语言的信息量更大。目前，深度学习模型针对中文文本情感分类的效果一般。然而，包括协同过滤在内的现有推荐系统没有充分考虑包括文本声调或语音音调在内的用户个人情感倾向。