[发明专利]一种结合评论中主题与情感信息的矩阵分解推荐算法

权利要求书

1.一种结合评论中主题与情感信息的矩阵分解推荐算法，其特征在于：包含特征提取算法与评分预测算法，其中，特征提取算法为本发明提供的TST算法，评分预测算法为本发明提供的WMF算法。

2.根据权利要求1所述的一种结合评论中主题与情感信息的矩阵分解推荐算法，其特征在于，其中的情感主题特征提取算法——TST算法，具体步骤如下：

步骤一：预处理，提取出用户编号、商品编号、用户评分、评论构成一个四元组列表，随后对数据进行去重、编码等预处理操作；

步骤二：商品特征提取

1)构建商品文档，将评论按照商品编号进行聚合，得到一个商品评论字典列表{商品编号：用户评论集}，

2)计算商品主题，对上面得到的商品文档，采用隐狄利克雷LDA主题提取算法，提取商品评论中的主题特征：

并令

V＝θ (1)

其中T为商品评论构成的文档，θ为商品主题向量，Φ为主题词汇向量，z为隐变量，N_d为商品文档数量，V为物品特征向量；

步骤三：用户偏好特征提取

1)构建用户文档，将用户评论按照用户编号进行聚合，得到一个用户评论列表{用户编号：用户评论集}，

2)计算用户情感，对上面得到的用户文档，采用基于词典的情感分析方法，计算用户情感得分：

其中w_i为情感词的分数，d为情感词的数量，

3)修正用户情感得分，对上述计算得到的用户情感得分，采用用户评分进行修正，使得其值更接近真实的用户情感得分，修正公式如下：

其中r_u,i为用户u对商品i的评分，共有m个用户和n个商品，即1≤u≤m、1≤i≤n，r_u,i∈{1,2,3,4,5}；Score为步骤2)计算得到用户情感得分，Score′是修正后的用户得分，

4)提取用户偏好特征：在计算得到了Score′后，将其映射到k维的用户偏好特征空间，计算公式为：

其中S为修正后的用户情感集{Score′}，b为该集合的元素数目。

3.根据权利要求1所述的一种结合评论中主题与情感信息的矩阵分解推荐算法，其特征在于，其中的加权矩阵分解算法——WMF算法，具体步骤如下：

步骤一：构建目标函数

其中T为测试集，为评分预测函数，其定义如下：

其中μ为全局平均分，b_i为商品偏置项，b_u为用户偏置项，w_v为商品特征权重，

V为商品特征向量，w_u为用户偏好权重，U为用户偏好向量，

Ω(θ)为正则项，其定义如下：

其中θ为参数集；

步骤二：初始化参数

μ初始化为全局平均分，商品偏置项b_i、用户偏置项b_u、商品特征权重w_v、用户特征权重w_u均初始化为(0,1)之间的随机数，商品特征向量V初始化为θ，如式(1)所示，用户偏好向量U初始化为计算得到的用户偏好向，如式(2)所示；学习率α初始化为0.5，正则项系数λ初始化为0.1，并根据实际情况对α和λ进行校正；

步骤三：更新参数集

需要更新的参数集为{b_i,b_u,w_v,w_u}，更新公式如下：

b′_u＝-α[(r_u,i-μ-b_i-b_u-w_vV^T·w_uU)+λb_u]

b′_i＝-α[(r_u,i-μ-b_i-b_u-w_vV^T·w_uU)+λb_i]

w′_v＝-α[(r_u,i-μ-b_i-b_u-w_vV^T·w_uU)V^T·w_uU+λw_v]

w′_u＝-α[(r_u,i-μ-b_i-b_u-w_vV^T·w_uU)w_vV^T·U+λw_u]

其中α为学习速率，通常设置为0.5，可以根据实际情况进行调整；当目标函数收敛时，转到步骤四执行，否则迭代的执行步骤三；

步骤四：预测

学习出参数集{b′_i,b′_u,w′_v,w＇_u}以后，代入式(3)得到预测评分

步骤五：推荐

给定推荐商品的数量N，将按照降序排列，前N个对应的商品为最终推荐给用户u的商品。