[发明专利]基于评论者可信赖度回归预测的商品评论推荐方法

说明书

本发明涉及数据挖掘及推荐技术领域，具体涉及一种基于评论者可信赖度回归预测的商品评论推荐方法，包括：提取评论者可信赖度的相关属性特征并计算评论者的属性特征值；利用回归算法构建预测评论者可信赖得分模型并计算评论者的可信赖分数；提取评论排序相关的有效指标并计算各商品评论的该四大有效指标值；使用LambdaMART构建各商品的评论排序模型，根据评论排序模型计算最终确定各商品所有评论的排名分数，并根据评论排名得分对评论进行推荐。本发明的方法解决了在众多网站中，用户无法对不了解的用户产生信赖，也无法根据其他用户的评论而做出正确判断的问题。

技术领域

本发明涉及数据挖掘及推荐技术领域，具体涉及一种基于评论者可信赖度回归预测的商品评论推荐方法。

背景技术

消费者在各大购物网站上购买商品时，通常会通过阅读评论者的评论来决定是否购买。从某种意义来讲，评论在消费者决定是否购买商品起着关键性作用。但不同的消费者对于同一个商品有自己的判断和标准，某个评论者对某个商品的某种评论并不意味着其他评论者对该商品也有相同看法。另外，有一些商家为了提高销售，采用各种手段鼓励用户撰写虚假评论，严重影响了消费者的利益。因此，在各种各样的评论中，消费者无法得知哪一条评论值得信赖；加上购物网站的商品评论大部分是以最新评论时间排序，导致一些好的评论排在后面，以至于消费者可能没有机会阅读到。由于大部分值得信赖的评论来自于值得信赖的评论者，如何在大量评论者找到真实值得信赖的评论者，向消费者推荐可靠评论者的具有参考价值的真实评论，是目前亟待解决的问题。

PageRank是谷歌搜索引擎使用的核心算法，这个算法是为网页得分排序而设计。现今，PageRank被广泛扩展用于用户排名，以计算用户在社交网络中的权威和影响力。Shen等人提出了在网络社区或博客中利用PageRank算法对用户进行排名的几种方法，如定义社交用户的若干特征、区分声誉和社交性等。Weng等人提出一种从PageRank中扩充的算法，衡量社交用户的影响力。Zhao等人提出一种基于modif的PageRank，对社交网络中的用户进行排名提供一种基础性的框架，并提出使用用户内容对用户进行排名是接下来需要研究的工作。而使用PageRank进行用户排名主要用于社交网络。但在某些系统中，如果用户的社交网络图不清晰或数据不足以构成输入输出的社交网络图，使用PageRank的效果则不太理想。同样，如果某些商品网站上每个商品的评论者之间的联系很少，则很难构建评论者的社交关系图。

目前有一些研究针对评论以及评论排名的研究。Hsu等人为了向用户展示高质量的评论，在社交网站提出一种评论排名的方法。他们提出了基于内容的特征和基于用户的特征来构建排名模型。Northcutt等人提出了一种基于最大边际关联度的评价多元化排序方案。Ahmad提出使用机器学习和自然语言处理去总结评论的意见。Swapna和Jiang提出一种学习模型，通过文本特征，话语关系与关联特征预测深思熟虑的评论。Hu和Liu提出使用评论特点和情绪分析来总结评论。Samuel提出一种使用自然网络的方法从他们的评论中去总结使用者意见。由此可见目前针对评论的研究主要采用机器学习、自然语言处理，情感分析等对评论的内容进行分析，但忽略了评论者以及评论的可靠性。而消费者总是想要读那些值得信赖的评论，从而决定是否购买该商品。通常情况下，值得信赖的评论出于值得信赖的评论者，而这些可靠的评论也向用户描述了商品各方面的真实信息。但目前对评论者的可信赖度以及具有参考价值的评论排序研究尚且不足。

发明内容

为了解决在众多网站中，用户无法对不了解的用户评论产生信赖，也无法根据其他用户的评论而做出正确的判断的问题，本发明提供一种基于评论者可信赖度回归预测的商品评论推荐方法。

一种基于评论者可信赖度回归预测的商品评论推荐方法，包括以下步骤：

提取评论者可信赖度的相关属性特征，并根据各个评论者属性特征的计算公式计算评论者属性特征值；

根据计算出的评论者属性特征值，利用回归算法构建预测评论者可信赖得分模型，将计算出的评论者属性特征值代入预测评论者可信赖得分模型中得到评论者的可信赖分数；