[发明专利]基于用户评论解析的标签体系精准推荐方法

权利要求书

1.基于用户评论解析的标签体系精准推荐方法，其特征在于，将协同过滤方法改进融合到标签体系中，针对用户·商品·标签三元关系构建兴趣模型，得到更适合标签体系的精准推荐方法；引入用户评论数据，对用户评论信息进行文本解析，提取出用户标签扩充标签信息数据，同时基于用户评论信息包含了用户喜好，根据用户评论信息计算用户满意度分数；

对基于标签体系的协同过滤推荐方法进行改进，将标签体系中的用户评论信息加入到推荐过程中，对评论信息进行中文分词和关键字词抽取，将抽取的关键字词作为伪标签，解决标签信息数据稀疏问题，对评论信息中的情感字词进行赋值计算，从用户评论中得到用户对商品的评分值，利用得到的评分值信息进一步改进标签算法；

基于用户评论的标签体系协同过滤方法改进是对用户的评论信息进行处理转化为相应的满意度分数，对所有用户的评论信息均采取分词处理，然后获取所有依存于名词+助词后面的形容词，获取的形容词中包括系统用户对所评论商品的喜好和评价，对抽取的形容词进行处理即可得到用户对商品的评分，包括：一是利用用户评论中的隐藏信息，二是对用户评论进行处理，三是基于用户评论扩充标签，四是基于用户评论的改进精准推荐方法；基于用户评论的改进精准推荐方法具体包括：第一，处理用户评论获取评价词；第二，对评价词打分；第三，满意度分数改进精准推荐。

2.根据权利要求1所述的基于用户评论解析的标签体系精准推荐方法，其特征在于，融合标签体系的协同过滤改进方法：基于标签体系，改进协同过滤方法进行定制化推荐，协同过滤推荐包括三个步骤：构建用户模型，获取相似用户集，计算生成推荐结果，

第一，构建用户模型：获取用户对资源的反馈情况，反馈包括显性反馈和隐性反馈两种，显性反馈是用户对商品的相关直接反馈，包括给产品打分、点赞/踩、用户评价，用户模型描述用户个人兴趣分布，采用用户·资源矩阵Q描述，矩阵项值Q_ij代表用户i对商品j的评价值，隐性反馈对用户的购买、查看、收藏历史数据进行解析；

第二，获取相似用户集：产生相邻用户，找到与目标用户相似的群体，采用余弦相似度来计算用户之间的相似度值，再采用临界值算法选出相似群体；

第三，计算生成推荐结果：用户预测评分的原理方法是：如果用户i对商品j没有评价值，得到用户i相邻用户对商品j的加权平均评价值，用其代表i对j的评分，用户·商品评价值矩阵高度稀疏，首先计算用户i已经评分项目的评分均值，然后用该值填充所有用户i未给出分数的商品的评价值。

3.根据权利要求2所述的基于用户评论解析的标签体系精准推荐方法，其特征在于，本发明假设购买过相同商品的用户具有一定的相似性，主要分为三个步骤：

第1步，匹配与特定用户兴趣相似的群体；

第2步，匹配项目库中系统使用者可能喜爱，但目标使用者没有看过的项目列表；

第3步，利用Top·n方法，获取最终的推荐项目集合，要找到与特定系统用户兴趣相似的群体，计算目标用户与系统中其他用户的相似度，给定系统用户v和用户u，用户v、u有过历史行为的商品列表用M(v)、M(u)来代表，采用余弦方法计算系统用户相互之间的相似度，如式1所示，

采用离线计算的方式进行相似度计算，维护一个所有用户两两关系的相似度矩阵，保证在线推荐高效，分析式1，只有当|M(ν)∩M(u)|≠0时，K_vu才有值，而大部分情况下用户之间未对同一项目进行评价打分，所以只计算|M(v)∩M(u)|≠0时的情况，生成项目到用户的倒查表，各个项目分别持有对其进行过评价打分的所有用户集合，计算用户之间相似度时，扫描项目的倒查表，把表中两两用户的|M(v)∩M(u)|值加1，得到所有不为0的|M(v)∩M(u)|值，再得出K_vu的值；

把与目标用户v最相似的W个用户(N(v,W))关注的项目推荐给用户v，采用式2计算用户v对商品i的关注度：

Q(v，i)＝∑_{u∈N(v，w)∩M(i)}K_vu 式2

式2中M(i)表示对项目i有历史行为的群体，K_vu是系统用户v，u相互之间的兴趣相似度，选取合适的W值，对K(v,W)中所有用户v没有过历史行为的项目根据式2计算用户v对其的关注值，并利用Top·n方法，获取最终的推荐项目集合。