[发明专利]一种基于书评的书籍推荐方法及系统

权利要求书

1.一种基于书评的书籍推荐方法，其特征在于，包括以下步骤：

步骤1：从目标网站爬取相应书籍的书评并建立数据库保存数据；

步骤2：建立书籍书评标签集；

步骤3：建立自然语言标签库；

步骤4：计算书籍书评标签集之间关联度；

步骤5：根据关联度排名高低进行书籍推荐。

2.根据权利要求1所述的基于书评的书籍推荐方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：人工提取书籍书评属性，从书评中提取书的内容属性、题材属性，情感属性，获得书籍书评属性标签模型；

步骤2.2：首先使用向后词袋法将书籍的全部书评向量化，并训练出该书籍书评的word2vec模型，使用TF-IDF计算词语的重要程度权重；

步骤2.3：设有标签集set，将权重排名前K个词语放入标签集set以及待迭代队列q中，K为预设阈值；

步骤2.4：设q出列词语为word，使用书评的word2vec模型计算与word最关联的前L个词语words，将words加入到标签集set并入列到q中，L为预设阈值；

步骤2.5：重复步骤2.4，直到标签集set中词语超过X或迭代次数达到Y次，X、Y均为预设阈值。

3.根据权利要求1所述的基于书评的书籍推荐方法，其特征在于，步骤3的具体实现包括以下子步骤：

步骤3.1：获取若干常用自然语言的大型语料库；

步骤3.2：利用步骤2中采用的方法，建立自然语言标签库。

4.根据权利要求1所述的基于书评的书籍推荐方法，其特征在于，步骤4的具体实现包括以下子步骤：

步骤4.1：书A与书B的标签全集用A.tag、B.tag表示，具体某一标签使用A.tag[n]、B.tag[n]表示，使用A.tag[n].tf_idf、B.tag[n].tf_idf表示其重要性权重，关联度使用relate(A.tag[n],B.tag[n])表示；对大型语料库使用word2vec方法训练泛集模型；所述泛集模型是用word2vec训练得到的，使用贴近自然语言习惯的语料库，在泛集模型中来确定词语和词语之间的关系；

步骤4.2：对于任意A.tag[n]，使用泛集模型，找出B.tag中与之关联度最高的前t个词B.tag[t1],B.tag[t2],B.tag[t3],...,B.tag[t]；

步骤4.3：计算前t个词关联度的平均值，乘以A.tag[n].tf_idf，作为该词到B.tag整体的关联度；

步骤4.4：对于A.tag中所有词语重复步骤4.2-步骤4.3，将结果求和得到书A与书B的关联度。

5.一种基于书评的书籍推荐系统，其特征在于：包括书籍书评爬取模块、建立书籍书评标签集模块、建立自然语言标签库模块、计算书籍书评标签集之间关联度模块、根据关联度进行书籍推荐模块；

所述书籍书评爬取模块，用于从目标网站爬取相应书籍的书评并建立数据库保存数据；

所述建立书籍书评标签集模块，用于建立书籍书评标签集；

所述建立自然语言标签库模块，用于建立自然语言标签库；

所述计算书籍书评标签集之间关联度模块，用于计算书籍书评标签集之间关联度；

所述根据关联度进行书籍推荐模块，用于根据关联度进行书籍推荐。