[发明专利]基于用户情感信息的资源推荐方法、智能设备及存储介质

权利要求书

1.一种基于用户情感信息的资源推荐方法，其特征在于，所述基于用户情感信息的资源推荐方法包括：

实时监测并采集用户的情感信息，并对所述情感信息进行预处理；

将完成预处理的情感信息输入到深度学习网络模型中提取情感特征，并调取预先根据用户在智能设备的操作习惯和个人兴趣生成的爱好特征；

结合用户的情感特征和爱好特征生成资源推荐结果，并经过过滤处理后将最终推荐结果反馈给用户。

2.根据权利要求1所述的基于用户情感信息的资源推荐方法，其特征在于，所述实时监测并采集用户的情感信息，并对所述情感信息进行预处理具体包括：

实时检测并采集用户的情感信息，所述情感信息包括表情图像、语音声调以及语言文本；

将采集的用户的情感信息进行预处理，得到计算机能够进行运算和存储的原始数据。

3.根据权利要求2所述的基于用户情感信息的资源推荐方法，其特征在于，所述将采集的用户的情感信息进行预处理具体包括：

当采集用户的情感信息为表情图像时，进行人脸检测，实现人脸与背景噪声的分离，并经过直方图均衡化和几何归一化的预处理，使输入的图像进行标准化；

当采集用户的情感信息为语音声调时，经过数字化、端点检测、预加重、分帧以及加窗的预处理，去除噪音；

当采集用户的情感信息为语言文本时，将语音信息转化为文本信息，并进行分词和去除停用词的预处理，将自然语言转化为向量空间。

4.根据权利要求3所述的基于用户情感信息的资源推荐方法，其特征在于，所述将完成预处理的原始数据输入到深度学习网络模型中提取情感特征具体包括：

将经过预处理的表情图像的数据输入到深度学习网络模型中提取图像特征向量，并映射到特征向量空间；

将经过预处理的语音声调的数据输入到深度学习网络模型中提取语音特征向量，并映射到特征向量空间；

将经过预处理的语言文本的数据输入到深度学习网络模型中提取文本特征向量，并映射到特征向量空间。

5.根据权利要求4所述的基于用户情感信息的资源推荐方法，其特征在于，所述深度学习网络模型包括：卷积神经网络和循环神经网络。

6.根据权利要求4所述的基于用户情感信息的资源推荐方法，其特征在于，所述表情图像、语音声调和语言文本在用户情感信息中的所占比重分别为55%、38%和7%。

7.根据权利要求1所述的基于用户情感信息的资源推荐方法，其特征在于，所述结合用户的情感特征和爱好特征生成资源推荐结果，并经过过滤处理后将最终推荐结果反馈给用户具体包括：

结合用户的情感特征和爱好特征当前用户的特征向量；

根据特征向量与资源相关矩阵的对应关系获取初始推荐资源列表；

对初始推荐列表按照资源需求对结果进行过滤，以及基于用户行为反馈和资源属性进行排名，最后经过推荐解释选择生成最终推荐结果，并将最终推荐结果反馈给用户。

8.根据权利要求7所述的基于用户情感信息的资源推荐方法，其特征在于，所述初始推荐资源列表由特征ID、资源ID、以及特征权重组成；其中，特征ID表示融合后特征向量的不同类型，资源ID表示在此用户特征下的所有资源编号，特征权重表示在此用户特征下选到资源的比重。

9.一种智能设备，其特征在于，所述智能设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于用户情感信息的资源推荐程序，所述基于用户情感信息的资源推荐程序被所述处理器执行时实现如权利要求1-8任一项所述的基于用户情感信息的资源推荐方法的步骤。

10.一种存储介质，其特征在于，所述存储介质存储有基于用户情感信息的资源推荐程序，所述基于用户情感信息的资源推荐程序被处理器执行时实现如权利要求1-8任一项所述的基于用户情感信息的资源推荐方法的步骤。