[发明专利]基于用户评论解析的标签体系精准推荐方法

说明书

本发明提出的基于用户评论解析的标签体系精准推荐方法，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，针对标签体系中用户的标签信息数据通常存在数据稀疏问题，而使用稀疏数据计算出来的用户相似度准确度低，创造性引入了用户评论数据，对用户评论信息进行文本解析，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，提取出用户标签扩充标签信息数据，解决标签信息数据稀疏问题，同时基于用户评论信息包含了用户喜好，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，提高推荐结果的准确度。

技术领域

本发明涉及一种商品定制化精准推荐方法，特别涉及一种基于用户评论解析的标签体系精准推荐方法，属于商品定制化推荐技术领域。

背景技术

随着互联网特别是移动互联网的飞速普及和发展，人们能够从网络上获取海量的资源。然而网络上资源的持续增多，也使得人们想要获取自己所需资源变得越来越困难。搜索引擎虽能够解决一部分信息过载问题，但搜索结果的准确性很大程度上基于用户输入的关键字词。当前很多系统的展示区域十分有限，要在有限的区域内尽可能多的展示出用户感兴趣的信息资源，才能更好的吸引用户。

定制化推荐系统通过数据挖掘得到推荐数据源，不需要用户参与推荐过程，可以主动、定制化的对用户进行推荐。定制化推荐系统涉及到定制化商品、邮件、广告、网上服务、音频、阅读等各个领域。目前许多互联网公司均添加了推荐功能，比如腾讯、京东、抖音、天猫等。与其它推荐方法相比较，协同过滤方法使用稳定且结果更优，协同过滤算法根据用户历史数据生成兴趣模型，然后在此基础上计算用户或商品的相似度来推荐资源。虽然协同过滤相较于基于内容或基于关联规则等算法具有更高的准确率，但存在冷启动、数据稀疏、可扩展差、用户满意度低等一系列问题。

移动互联网的发展使得标签成为绝大多数网站的必要组成部分，标签主要用于描述网站、商品等信息，具有无层次化结构。用户不仅能够查看商品的标签，还能给商品打标签，加强了用户与网站之间的交互性。同时，标签能够一定程度上反映出用户的个人喜好。因此，针对标签体系，使用协同过滤精准推荐方法，综合考虑用户、商品、标签之间的各种关系，能够获取更好的推荐效果。

协同过滤推荐方法主要用于对系统中的商品进行预测评分，假设二个用户对系统中的同一个商品评分一样，则二者在一定程度上具有相似性。日志系统记录用户对历史浏览商品的评分数据，再由这些数据找到用户的相似用户集合，进而由相似用户集合对目标商品评分，得到用户对该商品的预测评分数。协同过滤算法一般分为基于用户和基于商品推荐两类，二者都是通过计算最近邻集合进行建模推荐，协同过滤推荐方法比较适用于难以对其内容进行特征分析的资源，因为它无需对资源的内容进行分析，而是通过用户的相似用户进行的定制化推荐，比较适合音乐、电影、视频等资源的推荐。协同过滤精准推荐方法是根据相似用户进行的推荐，因此用户获取的推荐资源跟其历史资源之间可以完全没有相似度，所以给用户的推荐结果可能会让用户感到很新奇，提高推荐结果的新颖性。但是，协同过滤算法也存在着一些问题，除处理计算复杂外，协同过滤的用户评分矩阵存在着较严重的数据稀疏问题，依据稀疏矩阵计算的相似度结果会不准确，这样会导致给用户推荐的商品满意度不高。协同过滤推荐系统实时性也不高，因为系统需要维护一个很大的用户相似度矩阵，需要更新整个相似度矩阵中的数据，会非常的耗时，只能做到隔较长一段时间更新一次，实时性较低。

现有技术依然没有从根本上解决商品定制化精准推荐的难题，现有技术的难点和本发明解决的问题主要集中在以下方面：

第一，定制化推荐系统通过数据挖掘得到推荐数据源，不需要用户参与推荐过程，可以主动、定制化的对用户进行推荐。现有技术的定制化推荐一般采用协同过滤方法，协同过滤算法根据用户历史数据生成兴趣模型，然后在此基础上计算用户或商品的相似度来推荐资源。虽然协同过滤相较于基于内容或基于关联规则等算法具有更高的准确率，但现有技术存在冷启动、数据稀疏、可扩展差、用户满意度低等一系列问题；