[发明专利]线上文本评论驱动的电商意见挖掘推荐系统

说明书

本发明提出的线上文本评论驱动的电商意见挖掘推荐系统，基于相关关系规则挖掘的方法，对线上商品评论中的商品特征进行提取，根据提取的商品特征抽取对应的感情词，并通过感情词典的方法进行量化，得到消费者的商品特征‑感情对，改进协同过滤推荐算法，重新定义一种计算消费者之间近似指数的方法，基于商品特征，通过消费者对商品特征的关注指数和挑剔指数衡量量化消费者对商品特征的偏好程度，进而衡量量化不同消费者之间的近似指数。通过实验对比，从平均绝对误差的角度验证了本发明方法的有效性和先进性。不仅能给商家带来更多的消费者，创造出更大的经济效益，还能为消费者带来更好的购物体验。

技术领域

本发明涉及一种文本评论电商推荐系统，特别涉及一种线上文本评论驱动的电商意见挖掘推荐系统，属于电商意见挖掘推荐技术领域。

背景技术

近年来，随着计算机和网络技术的飞速发展，电子商务正改变着人们的日常生活，并逐步发展成为社会经济发展的重要力量。随着电商市场规模不断扩大，越来越多的行业也加入电商行列中，随之而来的不仅是日趋激烈的竞争，还有网络中过度膨胀的多样化信息。面对如此繁杂的信息，如何才能快速准确的从海量数据中找出所需要的商品，成为了人们最关心的话题，同时也已成为学术界和工业界亟待解决的难题。

电子商务行业中的信息和数据线性增长，这其中就包括大量消费者对购买商品的反馈信息，如评分以及包含消费者感情的线上评论。对于商家来说，可根据这些消费者反馈的评论信息来改进自己的商品和服务，并不断提升市场竞争力。另一方面，网络评论信息也可以帮助消费者更好的识别商品的优劣和更好的做出决策。随着各类电商网站线上评论的不断增加，以及线上评论结构化、自由文本格式的数据特性，消费者、商家如何才能快速准确的从浩瀚的数据海洋中寻找出所需要的信息，成为了人们最为关心的话题。

线上评论是消费者体验后对商品进行一种感情表达，一个新的消费者往往会通过线上评论作为是否购买商品的依据，久而久之，在电商平台上会出现大量的商品和评论数据。由于线上评论数据的快速增加，详细全面的查看商品的评论数据变得困难，识别出评论中类型不同的感情表达变得难上加难，电商网站也面临着一系列难题和挑战，对定制化推荐也提出了迫切需求。

目前国际上定制化推荐系统的研发应用主要有：一是美国计算机协会ACM以专题形式对定制化推荐进行研发；二是Google等也尝试推出推荐算法，如通过搜索预测奥斯卡金像奖得主等；三是电子商务网站，如亚马逊推出的根据消费者以往的浏览和购买记录，为消费者提供推荐，帮助消费者获取新的商品信息，更好的方便消费者决策；四是Netflix电影推荐、Goodreads书籍推荐、YouTube视频推荐系统等；五是社交网站中的好友推荐，如Facebook中的Like和Google中的“+1”等。国内定制化推荐系统主要集中在淘宝、京东、拼多多等的关联规则推荐，Top-N推荐等随着电商行业的快速发展。电商平台规模越来越大，对定制化推荐的需求也在不断增加，定制化推荐系统最主要的难题和挑战是如何提高推荐系统的速度和效率，随着电商规模的的不断扩大，消费者规模和商品数量的线性增长，对现有定制化电子商务推荐系统提出了一系列严峻考验。

在电商平台中，消费者对商品的数字评分只是一个综合的评价，很难体现出消费者对商品的真实态度，通过消费者对商品评价的分析可以更加准确的分析出消费者对商品的真实态度，这就需要对线上评论进行文本挖掘。针对目前商品特征提取，大多都采用人工定义和标注的方法，与工作量复杂的人工标注方法来说，自动提取更为智能和有效，能更好的反映出消费者之间的近似指数。

文本意见挖掘是指对包含消费者观点、喜好、感情等主观性文本进行分析挖掘，文本意见挖掘涉及到自然语言处理、数据挖掘和机器学习等多领域，意见挖掘是自然语言处理和数据挖掘领域的分支，是对互联网中线上评论信息提取、分析、处理、归纳和推理的技术。针对文本粒度不同，意见挖掘分为词语级、句子级、篇章级及多篇章节等分析层次。电商领域的文本意见挖掘主要是对线上商品评论进行意见挖掘，主要分为以下几个步骤：首先是提取出线上商品评论中所包括的商品特征，其次根据提取出的商品特征找到对应的感情词语，进而通过感情词典判别消费者对商品特征的感情倾向。