[发明专利]一种基于用户评论情感分析与矩阵分解的推荐方法

说明书

一种基于用户评论情感分析与矩阵分解的推荐方法，为提升文本情感分析方法对于英文文本的预测准确度，基于句向量与LSTM的英文文本情感分析，在文本预处理之后为单词分配数值以构建句向量且利用TF‑IDF方法提取其情感特征，最后采用基于LSTM的循环神经网络进行训练来预测情感倾向。另外，根据用户的历史文本评论信息提出一种基于用户评论情感分析与矩阵分解的推荐方法，该方法采用文本情感分析方法引入情感值，定义评论情感误差偏离值及用户评分标准值从而将情感值融入实际评分中，最后采用矩阵分解算法进行评分预测。

技术领域

本发明属于推荐系统技术领域，具体涉及一种基于用户评论情感分析与矩阵分解的推荐方法。

背景技术

随着计算机和通信技术的高速发展，“互联网购物”方式逐渐成为人们家喻户晓的新时代名词。截至2020年10月，全球活跃站点数量达到12.03亿个，并且随着数据收集和数据存储技术的快速进步使得各大电商通过互联网可以收集海量消费者的购物数据。但是由于现有技术发展的瓶颈并未实现众多电商对海量的数据的有效且及时处理，因此各个电商平台较难的增加自身收益。为寻找消费者所感兴趣的部分商品数据，研究人员们需要花费大量的时间处理收集到的用户历史购物信息，同时用户在众多的商品信息中发现自己所满意的商品也需要花费大量的精力，这就是人们所面对的“信息过载”问题。推荐系统应用数据挖掘技术和机器学习算法构建用户模型以预测用户可能满意的商品，它是被广泛提倡和应用的为解决“信息过载”问题的技术。

现有的各大电商平台上存在着用户给予商品的海量评分信息，而这些评分信息代表着用户对于商品满意程度的主观评价。例如在beer啤酒销售网站上，用户对于啤酒给予评分值，其评分范围为[0，20]，分数越高则说明用户对于该商品越满意，反之则说明越不满意。然而仅根据评分方式不能准确的表达用户对于商品的主观评分值，因此通过引入用户给予商品的评论中情感倾向信息以更准确的描述用户的主观评分值。例如啤酒网站上用户给予商品的评分值为20分表示用户对于该商品非常满意，而其评论中的情感值为18分则说明用户认为该商品仍然存在着缺陷，因此说明用户给予的评分值存在着一定的偏差。如何合理的使用用户的评论情感信息是提高推荐准确度的关键问题。针对这一问题，本发明提出了一种基于用户评论情感分析与矩阵分解的推荐方法。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供一种基于用户评论情感分析与矩阵分解的推荐方法，为引入用户历史评论文本信息以提高推荐算法的推荐质量，该方法通过提取网站上用户给予商品的评论中所包含的情感倾向信息以提升用户实际主观评分的准确度，从而提高推荐算法的推荐结果的准确度。

为了实现上述目的，本发明采用的技术方案是：

一种基于用户评论情感分析与矩阵分解的推荐方法，其特征在于，包括以下步骤：

步骤1，获取用户的评论信息和评分信息，构建用户评分矩阵；

步骤2，对评论信息进行文本预处理，减少原始文本数据集中的无效字符以降低其对实验结果的影响，同时使算法能有效的抓取文本数据集中具有明显情感特征的词以提升算法对于文本的情感极性分析的准确度，因此构建能有效表示文本情感极性特征的句向量，采用消除无效字符、数字字符、替换文本缩写、大写字符转小写字符、修改文本拼写错误预处理方法对原始文本数据集进行预处理，对预处理后的文本根据其词频进行向量化编码，包括：

设定在语料库中的每个单词w都有唯一的整数数值v相互映射，其中v∈N，v的值越大则表示该单词在语料库中存在的数量越少，随后对句子中的每一个单词及其所在的位置选择语料库中该单词映射的数值，最后评论文本中所有的单词集合{w₁,w₂,...,w_i}所对应的数值所构成的向量{v₁,v₂,...,v_i}作为文本句向量，其中i表示为文本中词的位置；