[发明专利]情感导向的区域推荐方法

摘要

本发明是情感导向的区域推荐方法，在收集用户的情感因子后，对用户的情感进行分析，根据以往的历史记录中的情感学习，能够得到用户的情感倾向，考虑距离和时间两个因素，根据情感倾向匹配为用户推荐此刻最适合前往的区域，并将区域根据用户的历史记录以个性化方式可视化呈现，本发明属于图形图像与软件工程的交叉领域。

主权项

1.本发明是情感导向的区域推荐方法，在收集用户的情感因子后，对用户的情感进行分析，根据以往的历史记录中的情感学习，能够得到用户的情感倾向，考虑距离和时间两个因素，根据情感倾向匹配为用户推荐此刻最适合前往的区域，并将区域根据用户的历史记录以个性化方式可视化呈现；情感导向的区域推荐方法的具体流程如下：步骤1）在这个阶段输入用户（U）的情感分析因子（MoFa），根据用户的情感因子对用户此时此刻的情感进行分析；用户的MoFa包括面部表情、手势、姿势、语调、词汇、语音速度、呼吸、皮肤生理学和文本分析，本专利在情感分析部分增加了传统方法以外的文本分析MoFaTXT=（Ag，Spee），包含两个算法，具体如下：1）Ag（word，key，γ）→（E）：文本情感分析函数Ag将用户输入的词汇和句子word与情感关键字key进行匹配，如果word和key的比值在γ（通过机器学习得到）范围内，则判定用户的情感类型E为key对应的情感类型；例如用户输入“我吃了一个西瓜，美滋滋”，通过key“美滋滋”可以判断用户此刻的情感类型E是快乐；2）Spee（fac，sta，α）→（Ei）：文本速度分析函数Spee将用户输入的速度fac和标准速度sta（标准情感）进行对比，根据机器学习得到阈值α，将fac和sta的速度之比与α进行对比，得到用户此刻属于情感类型E中具体的情感类别Ei；例如“美滋滋”输入的速度fac和sta的比值与α进行比较后发现用户此刻的情感比sta时强烈，则用户此刻是快乐中的兴高采烈；Spee函数反映的是用户情感的程度；步骤2）提取用户的历史记录（Rec），本发明关心的历史记录主要是情感学习（LE）和个性化展示（PerShow）： LE=（Ana，LE）包含两个算法，具体如下：1）Ana（des，fre）→List（des）：目的地排序函数Ana根据用户同种心情每次去的目的地的情感des频率fre，按fre从大到小排序得到情感排序表；2）LE（List（des））→Rec（des）：情感学习函数LE根据用户情感排序函数Ana得到的List（des），在下一次用户产生此种情感时推荐用户去List（des）排行最高的区域；PerShow=（wg，sw），包括两个个算法，具体如下：1）wg（DegGro，diy）→（cl）：外观展示函数wg利用匹配程度函数DegGro和用户自定义diy得到地图展示时颜色cl的变化；用户自定义相似情感的颜色表示，根据DegGro的程度对用户选择的颜色进行由浅到深的对应；2）sw（timeline，wg）→（PerDist）：时间变化显示函数sw利用时间轴timeline和外观展示函数wg，在用户拖动timeline的时候，用户可以看到情感区域PerDist上根据DegGro和diy确定的区域颜色变化，用户可以实时观察到自己情感倾向的群体所在区域；步骤3）进行个体用户的情感分析（EmoAnaly），EmoAnaly=（Sol，Gro）包括两个算法，具体如下：1）Sol（MoFa，sta，γi）→（E，Ei）：用户情感分类函数Sol将用户的情感分析银子MoFa输入后与标准情感下的因子Sta进行对比，每一个MoFa与Sta的比值在阈值γi（通过机器学习得到）范围内，则判定用户的情感为Sta对应的情感E及程度Ei；2）Gro（Sol，β）→E∪UE：群体用户情感函数Gro基于用户情感分类函数Sol，当多个用户的情感区别在一个阈值β（机器学习得到）内判定多个用户为同一情感E，否则为不同情感UE；步骤4）进入匹配模块（Match）：Match=（SolGro，DegGro），包含两个算法，具体如下：1）SolGro（Sol，Gro，ρ）→y∪n：个体群体比较函数SolGro基于用户情感分类函数Sol和群体用户情感函数Gro，当Sol和Gro的差别在阈值ρ（机器学习得到）内，则判定Sol与Gro情感相同，记为y，否则不相同，记为n；2）DegGro（num，numsta）→（DegGroi）：匹配程度函数DegGro利用群体内用户的数量num和标准等级数量numsta进行比较，numsta中存有多个等级的标准数量，例如一级是100人，二级是300人……当num小于等于numsta时为numsta所在等级，num大于numsta时判定Gro程度为numsta等级的下一等级或下几个等级；步骤5）为用户智能推荐符合情感的区域，具体如下：DIStj（timeline，dis）→y∪（PerDist）：距离推荐函数DIStj根据时间轴timeline上得到此区域集中的持续时间后再根据用户距离区域的距离dis推荐用户去此区域y或推荐另一个区域PerDist给用户；tj（DIStj，Sol，δ）→（Gro）：推荐函数tj基于距离推荐函数DIStj利用用户情感分类函数Sol，通过机器学习用户的情感选择δ，为用户推荐最适合的群体情感归属地Gro；例如用户A失恋了很伤感，按照情感选择δ得到用户A喜欢悲伤疗法，故推荐A去Gro情感显示为E={悲伤}，Ei={失恋引起的悲伤} 的地方。