[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

说明书

本发明公开了一种结合评论中主题与情感信息的矩阵分解推荐算法。该算法包含特征提取算法与评分预测算法两个部分。特征提取为本发明提供的TST算法，该算法首先将商品评论按照商品编号进行聚合，然后采用LDA提取商品的主题特征，之后再将商品评论按照用户编号进行聚合，计算用户的情感并映射为用户偏好特征。评分预测为本发明提供的WMF算法，该算法首先以特征提取阶段提取到的特征来初始化特征向量，随后对特征向量进行加权矩阵分解，最后基于矩阵分解的结果对缺失评分进行预测。与现有的主题矩阵分解推荐算法相比，本发明提供的结合评论中主题与情感信息的矩阵分解推荐算法具有更好的用户偏好可解释性以及更高的预测精度。

技术领域

本发明是关于电子商务中的商品推荐技术领域，具体涉及一种结合评论中主题与情感信息的矩阵分解推荐算法。

背景技术

在电子商务中，为了更好地服务用户，同时获得更好的经济效益，通常会使用推荐系统，根据用户的历史行为(例如用户对商品的评分或者评论)，为用户推荐相应的商品，评分预测是推荐系统中常用的一种方法。若有m个用户和n个商品，r_u,i代表用户u(1≤u≤m)对商品i(1≤i≤n)的评分，其中r_u,i∈{1,2,3,4,5}，所有用户对所有商品的评分构成了一个评分矩阵，评分预测是根据评分矩阵中已有的评分，来预测评分矩阵中缺失的评分，然后根据预测值来对用户进行商品推荐。

对于评分预测来说，目前比较流行的方法之一是主题矩阵分解，其采用主题模型来处理评论，再与传统的矩阵分解相结合，来提高矩阵分解模型的可解释性和性能。但是现有主题矩阵分解方法没有利用评论中的情感信息，使得用户偏好缺乏可解释性，这是现有主题矩阵分解方法的一个不足。此外，现有的主题矩阵分解方法将主题模型与矩阵分解同时进行，增加了模型的复杂性，模型更容易过拟合，这是现有主题矩阵分解方法的另一个不足。

发明内容

针对现有主题矩阵分解方法存在的不足，本发明提供了一种结合评论中主题与情感信息的矩阵分解推荐算法。本算法包含特征提取与评分预测两个部分。其中特征提取采用本发明提供的TST算法，该算法首先将商品评论按照商品编号进行聚合，然后采用LDA提取商品的主题特征，随后在将商品评论按照用户编号进行聚合，计算用户的情感并映射为用户偏好特征。评分预测采用本发明提供的WMF算法，该算法首先以特征提取阶段提取到的特征初始化特征向量，随后对特征向量加权在进行矩阵分解，最后基于矩阵分解的结果对缺失评分进行预测。与现有的主题矩阵分解算法相比，本发明提供的结合评论中主题与情感信息的矩阵分解推荐算法具有更好的用户偏好可解释性以及更高的预测精度。

本发明包含以下内容：

1、一种结合评论中主题与情感信息的矩阵分解推荐算法

该算法包含特征提取算法(详见发明内容2)和加权矩阵分解算法(详见发明内容3)两个部分，见图1。

2、一种特征提取算法-TST算法

在本发明提供的特征提取部分，采用本发明提供的TST算法(即图1中的S2，详见S2.1、S2.2、S2.3)。该算法首先将商品评论按照商品编号进行聚合，然后采用LDA算法，根据公式(1)(2)计算商品的主题特征，随后再将商品评论按照用户编号进行聚合，根据公式(3)计算用户的情感分数，根据公式(4)修正用户的情感分数，根据公式(5)计算用户的偏好特征。

3、一种加权矩阵分解评分预测算法-WMF算法

在本发明提供的评分预测部分，采用本发明提供的WMF算法(即图1中的S2，详见图5)，该算法首先以特征提取阶段提取到的特征初始化特征向量，随后对特征向量加权在进行矩阵分解，最后基于矩阵分解的结果对缺失评分进行预测。优化目标函数的计算表达式见公式(6)(7)(8)，参数更新表达式见(9)(10)(11)(12),评分预测函数表达式见(7)。

附图说明