结合点评情感分析的推荐算法研究
《基于机器学习的评论情感分析系统设计与实现》
《基于机器学习的评论情感分析系统设计与实现》一、引言随着互联网的快速发展，用户在线上平台发表的评论数量急剧增长。
这些评论包含了大量的情感信息，对于企业或个人而言，如何有效地获取并分析这些情感信息成为了一个重要的问题。
因此，基于机器学习的评论情感分析系统应运而生。
本文将详细介绍基于机器学习的评论情感分析系统的设计与实现。
二、系统设计1. 系统架构本系统采用分层设计的思想，将系统分为数据预处理层、特征提取层、模型训练层和结果输出层。
其中，数据预处理层负责对原始评论数据进行清洗和标注；特征提取层利用文本处理方法提取出评论中的特征；模型训练层则采用机器学习算法对提取出的特征进行训练，以构建情感分析模型；结果输出层将模型对评论的情感分析结果进行展示。
2. 数据预处理数据预处理是情感分析的基础，主要包括数据清洗和标注两个步骤。
数据清洗主要是去除无效、重复和无关的评论数据，同时对数据进行格式化和标准化处理。
标注则是为每条评论打上情感标签，以便后续的特征提取和模型训练。
3. 特征提取特征提取是情感分析的关键步骤，主要采用文本处理方法。
首先，通过分词、去除停用词等操作将评论转换为词向量；然后，利用TF-IDF、Word2Vec等算法提取出评论中的关键特征；最后，将提取出的特征输入到模型训练层。
4. 模型训练模型训练是情感分析的核心，主要采用机器学习算法。
本系统采用深度学习中的循环神经网络（RNN）和卷积神经网络（CNN）进行情感分析。
在模型训练过程中，通过不断调整模型参数，使模型对评论的情感分析结果更加准确。
三、系统实现1. 技术选型本系统采用Python作为开发语言，利用Python中的NumPy、Pandas等库进行数据处理和特征提取；采用TensorFlow、PyTorch等深度学习框架进行模型训练和推理；使用Flask等Web 框架进行系统部署和用户交互。
2. 具体实现步骤（1）数据收集与预处理：从各大平台上收集用户评论数据，并进行清洗、格式化和标准化处理，同时为每条评论打上情感标签。
电子商务平台的用户评论情感分析与个性化推荐
电子商务平台的用户评论情感分析与个性化推荐近年来，随着电子商务的快速发展，越来越多的人选择在电子商务平台上购买商品和服务。
用户评论在电子商务平台上扮演着重要的角色，既可以为其他用户提供参考，也能够帮助商家改进产品质量和服务水平。
然而，随着评论数量的激增，如何准确地了解用户的情感倾向和需求变得越来越困难。
因此，进行用户评论情感分析并实现个性化推荐成为电子商务平台的重要任务。
用户评论情感分析是指通过对用户在电子商务平台上的评论进行语义分析，判断用户的情感倾向，包括正向、负向或中性。
这种情感分析通常需要使用自然语言处理和机器学习技术，以便从大量的评论文本中提取有用的信息。
情感分析可以帮助商家快速了解用户对商品和服务的反馈，及时发现和解决问题，提高用户满意度。
首先，情感分析可以帮助商家对用户评论进行可视化展示，将大量的评论信息转化为直观的图表或可视化界面。
通过对用户评论进行情感分析，可以统计正向和负向评论的比例，向商家展示用户对商品的整体评价。
这样的可视化展示可以帮助商家直观地了解用户的满意度，指导商家改进产品和服务，提高用户体验。
除了对评论进行整体评价外，情感分析还可以帮助商家了解用户对不同方面的评价。
例如，对于一款手机，用户可能在性能、外观、摄像头等方面分别提出评论。
情感分析可以将用户评论按照不同的维度进行分类，帮助商家了解用户对不同方面的评价，从而快速定位产品的优势和改进的方向。
另一方面，个性化推荐是根据用户的历史行为和评论情感倾向，提供符合用户偏好的商品和服务的推荐策略。
通过分析用户的购买记录、浏览行为和评论情感倾向，可以建立用户画像，进一步了解用户的需求和偏好。
基于用户画像，电子商务平台可以针对不同用户提供个性化的推荐，提高精准度和用户满意度。
个性化推荐可以通过不同的方式实现。
一种常见的方法是基于协同过滤算法，通过比较用户之间的相似性，将一个用户喜欢的商品或服务推荐给其他相似的用户。
这种方法基于用户的历史行为数据进行推荐，有助于发现潜在的兴趣和需求。
电商平台用户评论情感分析报告
电商平台用户评论情感分析报告第一部分：引言近年来，电子商务在全球范围内发展迅速，成为商业领域的重要组成部分。
随着互联网的普及和技术的进步，越来越多的人选择通过电商平台购买商品和享受服务。
然而，用户对商品和服务的评论对于电商平台的声誉和用户体验有着重要影响。
本文旨在通过对电商平台用户评论的情感分析，揭示用户对商品和服务的态度和情感。
第二部分：数据收集和预处理为了进行情感分析，我们搜集了某电商平台上的大量用户评论数据。
通过文本挖掘技术，我们对这些评论进行了预处理，包括去除无关信息、标记情感倾向性词汇、处理拼写错误等，以保证数据的准确性和可分析性。
第三部分：情感分析方法情感分析是通过计算机技术对文本中的情感进行评估和分类。
在本研究中，我们采用了一种基于机器学习的情感分析方法。
首先，我们利用人工标注的情感倾向性词汇构建了情感词典。
然后，我们使用支持向量机等机器学习算法对评论文本进行训练和分类，以确定评论的情感极性。
第四部分：评论情感极性分析结果通过情感分析方法，我们将用户评论划分为正面、负面和中性三类。
在我们的研究中，正面评论占比45%，负面评论占比30%，中性评论占比25%。
这表明大部分用户对电商平台的商品和服务持积极态度，少部分用户表示不满意。
具体的情感分析结果将在后续章节中进一步探讨。
第五部分：正面评论情感分析对于正面评论，我们进一步分析了用户对商品和服务的赞美和满意。
用户在评论中表达了对商品品质的肯定、交易流程的顺畅以及售后服务的满意。
这些正面评论有助于提升用户的购买决策信心，促进电商平台的发展。
第六部分：负面评论情感分析针对负面评论，我们分析了用户对商品和服务的不满意和投诉。
用户在评论中提到了商品与描述不符、包装破损、售后服务差等问题。
这些负面评论对于电商平台来说是一种挑战和改进的机会，通过改善商品质量和提供更好的客户服务，电商平台能够更好地满足用户需求。
第七部分：中性评论情感分析虽然中性评论相对于正面和负面评论较少，但对于情感分析仍具有一定的参考价值。
基于文本挖掘的影评数据情感分析以《我和我的祖国》为例
基于文本挖掘的影评数据情感分析以《我和我的祖国》为例一、内容简述随着互联网的普及和社交媒体的发展，大量的文本数据涌现出来，其中包括了各种类型的评论、观点和情感表达。
这些文本数据为自然语言处理(NLP)领域的研究者提供了丰富的信息来源，也为情感分析等任务提供了有力的支持。
本文以《我和我的祖国》这部影片为例，探讨了基于文本挖掘的影评数据情感分析方法。
首先本文对影片的相关信息进行了收集和整理，包括导演、演员、上映时间、票房等基本信息，以及豆瓣评分、影评数量等评价指标。
通过对这些信息的分析，可以了解影片的基本情况和观众对其的评价。
接下来本文采用了多种文本挖掘技术，如词频统计、共现矩阵构建、主题模型等，对影片的影评数据进行了深入挖掘。
通过这些方法，可以发现影片中的情感倾向、关键词语和主题结构等信息。
本文根据情感分析的结果，对影片的情感倾向进行了解读。
同时针对影片的特点和观众的需求，提出了一些建议，以期为电影产业的发展提供参考。
1. 背景介绍：电影《我和我的祖国》在XXXX年X月上映，成为中国影史上最卖座的电影之一背景介绍：电影《我和我的祖国》在2019年9月25日上映，成为中国影史上最卖座的电影之一。
这部电影由7位导演联合执导，讲述了新中国成立70周年的历史故事，通过七个不同的故事篇章展现了中国人民在国家发展和进步中的奋斗与拼搏。
影片以真实事件为基础，情感真挚深入人心，受到了广泛的关注和好评。
在这部电影中，情感分析是一个重要的研究方向。
通过对影评数据的挖掘和分析，可以了解观众对这部电影的情感态度，为电影的传播和推广提供有力支持。
本文将以《我和我的祖国》为例探讨基于文本挖掘的影评数据情感分析方法及其在电影评论中的应用。
2. 目的和意义：通过对《我和我的祖国》的文本数据进行情感分析，探讨电影的情感表达方式以及观众对电影的情感反应随着互联网的普及和社交媒体的发展，大量的文本数据被产生和传播。
这些文本数据中蕴含着丰富的信息，如情感、观点、态度等。
电影推荐系统中的情感分析与用户满意度预测
电影推荐系统中的情感分析与用户满意度预测近年来，电影推荐系统在互联网时代得到了广泛应用，为用户提供了个性化的电影推荐服务。
然而，要想做出精准的电影推荐，仅依靠基于内容的推荐算法或协同过滤算法已经远远不够。
情感分析技术的引入，可以更好地理解用户的喜好和情绪，并预测用户的满意度，提高推荐系统的精度和用户体验。
情感分析是一种对文本内容进行情绪分类的任务。
在电影推荐系统中，情感分析主要用于分析用户对电影的评价、评论或者观影感受。
通过情感分析，可以将电影评价划分为正面、负面或中性。
这种情感分类的结果可以用来指导推荐系统的个性化推荐，以更好地满足用户的偏好。
在进行情感分析时，常用的方法是使用机器学习技术和自然语言处理技术。
首先，需要构建一个情感分类器的训练集，包含带有情感标签的电影评价或评论。
然后，使用特征提取技术对文本数据进行处理，将其转化为数值特征。
最后，通过训练分类器对新的电影评价进行情感分类。
常用的机器学习算法有朴素贝叶斯、支持向量机、逻辑回归等，可以根据具体需求选择合适的算法进行训练。
情感分析的结果可以作为电影推荐系统的重要特征，帮助系统更准确地预测用户的偏好和口味。
根据用户历史评价的情感分析结果，可以计算出用户对不同类型、不同风格的电影的喜好程度。
进一步地，结合用户的历史观影记录和其他推荐算法，可以为用户推荐更加符合其兴趣的电影。
除了情感分析，用户满意度的预测也是电影推荐系统中的重要任务。
通过预测用户的满意度，系统可以为用户提供更加个性化的推荐服务，提高用户满意度和忠诚度。
用户满意度的预测可以基于多种特征，包括用户的历史行为、购买记录、评分记录、个人喜好等。
其中，情感分析的结果也可以作为预测用户满意度的重要指标之一。
预测用户满意度可以使用回归分析或者分类分析的方法。
回归分析可以根据用户的个人特征和历史记录，预测用户对电影的评分或者满意度。
分类分析可以根据用户的特征和历史记录，将用户划分为满意和不满意两个类别。
面向评论的方面级情感分析综述
面向评论的方面级情感分析综述随着互联网的快速发展，人们对于商品、服务等方面的评论越来越多。
这些评论中蕴含着丰富的情感信息，对于企业和研究者来说，如何有效地分析和理解这些情感信息具有重要意义。
本文将综述面向评论的方面级情感分析的研究现状、不足以及未来研究方向。
方面级情感分析是一种将文本情感分析细化到特定方面的技术，如产品特性、服务质量等方面。
通过对面包、酒店等特定方面的情感分析，可以为消费者提供更加详细、客观的参考信息。
在方面级情感分析中，情感分类和情感极性分析是两个基本的问题。
情感分类是将评论分为正面、负面或中立三类，而情感极性分析则是进一步确定评论的积极或消极程度。
情感词句的提取和特征选择是解决问题的关键。
面向评论的情感分析需要运用自然语言处理、机器学习等技术，根据评论内容提取情感信息。
常用的方法包括基于文本的监督学习和非监督学习。
监督学习需要标注大量的训练数据，通过学习模型进行情感分类和极性分析。
非监督学习则不需要标注数据，通过聚类、关联规则等方法发现情感模式和规则。
在实际应用中，需要根据具体场景选择合适的方法。
评估情感分析效果的方法包括传统评估方法和基于深度学习的评估方法。
传统评估方法主要通过准确率、召回率和F1分数等指标来衡量模型的性能。
基于深度学习的评估方法则可以利用神经网络模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，对情感分析结果进行自动评估。
虽然面向评论的方面级情感分析已经取得了很大进展，但仍存在一些问题和挑战。
未来的研究方向包括：1）集成多种方法和数据，提高情感分析的准确性和可靠性；2）深入研究情感极性细粒度划分，以适应更加复杂的情感分析需求；3）考虑上下文信息对情感分析的影响，提高模型的情境理解能力；4）结合多模态数据，如图像、音频等，丰富情感分析的视角和维度；5）研究无监督学习方法，减少对大量标注数据的依赖；6）探索情感分析和对话系统的结合，为实际应用提供更多可能性。
基于LDA主题模型的电商评论情感分析研究
基于LDA主题模型的电商评论情感分析研究随着电商平台的盛行，人们越来越倾向于在购物前查看其他消费者的评论，以便了解商品的优劣。
这些评论能够提供大量的反馈，但同时也存在着太多信息，难以全部把握。
为此，我们可以运用LDA主题模型进行评论情感分析，从而更好地捕捉评论的有效信息。
一、LDA主题模型LDA（Latent Dirichlet Allocation）主题模型是一种生成式模型，用于分析文本数据中的主题结构。
在文章中，主题是指文本中的一些重要话题，这些话题经常被提到，并且经常被一些词汇所概括。
LDA主题模型通过统计词汇之间的共现关系，将文本中的主题结构转化为概率分布的形式。
在LDA主题模型中，我们假设每篇文章包含若干个主题，每个主题可以使用不同的词汇组合，如图1所示。
假设我们要分析电商评论的主题结构，那么一个主题可能包括“质量”、“物流”、“服务”等相关的词汇，其中“质量”在所有主题中出现的概率很高，而“物流”在“快递”等主题中出现概率较高。
图1 LDA主题模型的示意图二、电商评论的情感分析随着互联网的发展，电商平台上的评论数量不断增加。
这些评论内容涉及商品的各个方面，如质量、价格、物流、售后服务等。
由于评论的数量庞大，人工对这些评论进行分析滞后且费时费力。
为了更好地利用这些评论的信息，我们可以对这些评论进行情感分析。
情感分析是指通过某种算法，分析文本中的情感倾向，例如对某件商品或服务的好评与差评等，从而提取关于该商品或服务的重要特征和信息。
在电商评论情感分析中，我们需要明确两个问题：第一，情感类型，指在情感分析中，一个评论是正向情感、中性情感还是负向情感。
第二，情感目标，指这个评论是针对商品本身，还是针对服务、物流等方面。
三、基于LDA主题模型的电商评论情感分析具体而言，我们可以通过以下步骤进行基于LDA主题模型的电商评论情感分析：步骤一：数据预处理首先，需要对原始的评论文本进行分词和预处理。
分词是将句子划分成词语或短语的过程，目的是将原始的评论文本转化为一组有序的词序列。
推荐系统中基于内容的推荐算法研究
推荐系统中基于内容的推荐算法研究随着互联网的快速发展，信息量越来越大，人们也越来越需要推荐系统来帮助他们发现感兴趣的内容。
推荐系统逐渐成为行业中的重要技术，用户通过它可以获得个性化的体验，企业通过它可以提高用户留存率和销售额。
在不同的推荐系统中，基于内容的推荐算法一直扮演着重要的角色。
本文将介绍基于内容的推荐算法的原理、适用范围、实现方法和发展情况。
一、基于内容的推荐算法原理基于内容的推荐算法是利用物品的属性或特征，从物品的角度出发，找到与用户历史喜好相似的物品进行推荐。
其基本思路是将用户的历史行为进行分析，得出用户的兴趣特征，然后通过类似的特征来推荐物品。
在基于内容的推荐算法中，我们需要首先对物品进行特征抽取和表示，通常采用向量空间模型来实现。
其次，需要计算用户历史喜好和物品特征之间的相似度。
最后，根据相似度进行物品推荐。
二、基于内容的推荐算法适用范围基于内容的推荐算法适用于物品的特征比较明显、容易提取的场景，如音乐、图书、电影等场景。
例如，对于音乐推荐系统，我们可以以歌曲的流派、演唱者、歌词等为特征，建立歌曲的特征空间，然后根据用户历史听歌记录和各个歌曲的特征相似度，进行个性化的推荐。
基于内容的推荐算法的另一个优点是可以解决推荐系统中的“冷启动”问题，即在没有用户行为数据的情况下，也可以根据物品的特征进行推荐。
三、基于内容的推荐算法实现方法在实现基于内容的推荐算法时，需要考虑以下几个方面：1. 物品特征的抽取和表示：选择哪些特征作为物品的特征，如何表示这些特征，是基于结构化数据还是非结构化数据进行推荐等。
2. 相似度计算方法：不同的相似度计算方法会对推荐结果产生不同的影响，需要根据具体场景来选择相似度计算方法。
3. 推荐结果的排序：根据用户的兴趣程度进行排序，将用户最可能感兴趣的物品放在前面。
实现基于内容的推荐算法需要涉及到机器学习、自然语言处理、向量空间模型等多种技术。
开发者可以根据具体场景选择合适的技术。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３３卷第５期 ２０１６年５月 计算机应用研究
Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏ１．３３ Ｎｏ．５
Ｍａｖ ２０１６
结合点评情感分析的推荐算法研究术 蒋宗礼，金益斌 （北京工业大学计算机学院，北京１００１２４）
摘 要：在当今信息化社会中，推荐系统已经得到了广泛的应用。传统的推荐算法都没有考虑用户的情感倾 向，针对椎荐系统性能亟待提高的问题，在传统协同过滤算法的基础上，提出了一个结合情感分析的改进的推荐 算法。根据用户点评更能直观地反映用户的真实情感的事实，可以通过对用户点评的情感倾向的分析来产生相 应的分值，代替传统推荐系统的评分，进而改进算法，具有一定的原创性。实验证明该推荐算法在推荐性能上有
一定提高，对推荐系统的发展有积极意义。 关键词：点评；推荐算法；情感分析；聚类；协同过滤 中图分类号：ＴＰ１８１；ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１·３６９５（２０１６）０５－１３１２－０３ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１．３６９５．２０１６．０５．００７
Ｒｅｓｅａｒｃｈ ｏｎ ｒｅｃｏｍｍｅｎｄｉｎｇ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｅｍｏｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｒｅｖｉｅｗｓ Ｊｉａｎｇ Ｚｏｎｇｌｉ，Ｊｉｎ Ｙｉｂｉｎ （Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐｕｔｅｒ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １００１２４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｍｏｄｅｍ ｉｎｆｏｒｍａｔｉｏｎ ｓｏｃｉｅｔｙ，ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍｓ ｈａｄ ａｌｒｅａｄｙ ｂｅｅｎ ｗｉｄｅｌｙ ｕｓｅｄ．Ｔｒａｄｉｔｉｏｎａｌ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｄｉｄｎ’ｔ ｔａｋｅ ｕｓｅｒｓ’ｅｍｏｔｉｏｎ ｔｅｎｄｅｎｃｉｅｓ ｉｎｔｏ ｃｏｎｓｉｄｅｒａｔｉｏｎ．Ｔｏ ａｉｍ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａｎ ｉｍｐｒｏｖｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌ— ｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ．Ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｅｍｏｔｉｏｎ ａｎａｌｙｓｉｓ．Ａｓ ｔｈｅ ｕｓｅｒ’Ｓ ｒｅｖｉｅｗｓ ｍｏｒｅ ｄｉｒｅｃｔｌｙ ｒｅｆｌｅｃｔｅｄ ｔｈｅｉｒ ｒｅａｌ ｆｅｅ— ｌｉｎｇｓ，ｉｔ ｗａｓ ｆｅａｓｉｂｌｅ ｔｏ ｇｅｎｅｒａｔｅ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｓｃｏｒｅｓ ｂｙ ａｎａｌｙｚｉｎｇ ｔｈｅ ｅｍｏｔｉｏｎａｌ ｔｅｎｄｅｎｃｉｅｓ ｏｆ ｕｓｅｒ ｒｅｖｉｅｗｓ ｔｏ ｒｅｐｌａｃｅ ｔｈｅ ｓｃｏｒｅｓ ｗｈｉｃｈ ｗａｓ ｇｉｖｅｎ ｂｙ ｕｓｅｒｓ．Ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｈａｓ ｃｅｒｔａｉｎ ｏｒｉｇｉｎａｌｉｔｙ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｉｓ ｒｅｃｏｍｍｅｎｄａ— ｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｍｐｒｏ，￣ｅｓ ｔｈｅ ｐｅｒｆｚｒｍａｎｃｅ ｒｅｃＣｍｍｅｎｄａｔｉｏ￣ｓｙｓｔｅｍ，ｗｉｔｈ ｐｏｓｉｔｉｖｅ ｓｉｇｎｉｆｉｃａｎｃｅ毒 ｔｈｅ ｄｅ￣ｅｌｚｐｍｅｎｔ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ． Ｋｅｙ ｗｏｒｄｓ：ｒｅｖｉｅｗ；ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ；ｅｍｏｔｉｏｎ ａｎａｌｙｓｉｓ；ｃｌｕｓｔｅｒｉｎｇ；ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ
随着社会进步和科学技术的发展，特别是互联网的飞速发 展将人类带入了信息社会和网络经济时代 Ｊ。信息社会的快 速发展也使得各类信息资源量迅速增长，用户在面对海量的数 据时往往会堆积大量的垃圾信息。推荐系统（ｒｅｃｏｍｍｅｎｄ ｓｙｓ— ｔｅｍ）作为一种信息过滤的重要手段，是当前解决信息过载问题 最有效的方法。由于巨大的应用需求等原因，商业网站均在其 系统中部署了推荐功能模块，使得推荐系统得到了极其广泛的 关注。根据目前主流的趋势，推荐系统主要分为以下几种，即 基于内容推荐、协同过滤推荐、基于知识的推荐。其中协同过 滤推荐算法是目前最成功的推荐算法。协同过滤推荐一般分 为两类，即基于用户的协同推荐和基于项目的协同推荐。这两 种推荐算法都有各自的优缺点。 现有的推荐系统大多不考虑用户的真实情感，然而研究成 果表明，情感对用户行为和喜好的决定有着至关重要的作用， 这种作用已经超过用户在普通理智或理想状态下的作用，在信 息推荐过程中充分考虑用户的情感倾向和情感状态可以更好 地适应用户的个性化需求，以更好地实现个性化推荐服务 ｊ。 本研究将以经典的协同过滤推荐算法为基础，同时考虑到用户 的情感因素，把用户点评情感分析的结果量化，加入到推荐系 统中，用于评分矩阵和相似度计算，影响ｔｏｐ．Ⅳ推荐。实验结 果表明，在推荐系统中考虑用户情感倾向，使得推荐系统的准
确率、召回率等指标有了一定程度的提高。 １ 国内外研究现状 随着电子商务的发展，推荐系统逐渐因成为信息过滤的重 要手段而受到越来越多的重视 。国内在本世纪初就开始关 注推荐系统的研究，在这一领域取得了不少成果。 刘东辉 提出了传统推荐算法基于时间加权的改进。由 于用户的兴趣会随着时间改变，所以加入时间因素可以反映用 户的兴趣变化程度。何安 针对数据稀疏性的问题，提出了 协同过滤和聚类的组合推荐算法，先对物品聚类，减少稀疏性。 Ｍａ等人。。 建立个性化推荐系统，提出增加有效措施来辅助人 们有效地获取信息的重要性。 总体来说，国内推荐算法的研究更侧重于协同过滤算法， 而忽略了其他类型推荐算法的研究价值。国内推荐系统的研 究起步较晚，再加上推荐算法本身的很多问题没有解决，因此 实际应用受到了限制。 国外的研究起步相对较早，目前已经有许多比较成熟的推 荐系统，如音乐网站Ｒｉｎｇｏ、新闻推荐系统ＧｒｏｕｐＬｅｎｓ、电影网站 ＭｏｖｉｅＬｅｎｓ等。虽然国外推荐技术的研究相对较为成熟，但也 都是基于用户项目评分和用户浏览物品的历史记录来发现用
收稿日期：２０１５一叭一１２；修回日期：２０１５—０３－ｌ１ 基金项目：国家级教学团队建设项目（００７０００５４Ｊ１９０１） 作者简介：蒋宗礼（１９５６一），男，河南南／￣ｎＡ．，教授，博导，硕士，主要研究方向为搜索引擎、人工神经网络；金益斌（１９８８一），男，浙江宁波人，硕
士。主要研究方向为网络信息搜索与处理（４５０４７７１６６＠ｑｑ．ｃｏｎ）． 第５期 蒋宗礼，等：结合点评情感分析的推荐算法研究 ·１３１３· 户可能感兴趣的物品，并没有考虑用户潜在的情感倾向。 ２ 结合点评情感的推荐算法 点评情感分析是文本情感分析的一种特殊情况。文本情 感分析是指对包含用户表示的观点、喜好、情感等的主观性文 本进行检测、分析以及挖掘 。 由于本研究的情感倾向分析是为推荐系统的评分矩阵服 务的，所以需要量化分析结果。在进行情感倾向性分析时，除 了以中性情感为参考点，分析点评的情感偏离方向外 】，还要 试图分析偏离的强度，以完成极性强度标注，实现结果的量化； 最后根据计算出来的情感值，构建评分矩阵，分别使用基于用 户的协同过滤算法和基于项目的协同过滤算法来完成 推荐 Ｊ。 ２．１算法的主要步骤 本算法的主要步骤如下： ａ）对抓取的点评进行情感分析，抽取情感词和属性词； ｂ）根据属性词构建酒店向量，实现对酒店的聚类； ｃ）根据情感词得出情感值，构建评分矩阵； ｄ）用基于项目的协同过滤算法实现推荐。 ２．２酒店建模算法 由于酒店的数量非常巨大，为了优化计算过程和解决数据 稀疏性问题，通过从酒店介绍文本中提取相关信息来完成酒店 的聚类，实现酒店建模 。由于酒店只能属于一个特定的类 别，所以使用硬聚类的Ｋ一均值算法来聚类。具体算法如下： 输入：Ｊ）、『个酒店的ＩＤ、名称及相应的酒店介绍文本， （Ｋ＜ Ⅳ）个类别。 输出：Ⅳ个酒店向量及相应类别信息，Ｋ个聚类中心。 ａ）从语料库中选出属性词，并统计属性词词频； ｂ）按照词频高低，选出一定数量的属性词作为特征向量 的维度词； Ｃ）使用归一化的ｆｆ－ｉｄｆ值作为特征词的权值，构建特征 向量； ｄ）随机选定Ｋ个向量作为初始聚类中心，使用Ｋ—ｍｅａｎｓ 算法对酒店向量聚类。 其中步骤ｅ）与通常的ｆｆ－ｉｄｆ有所不同，在这里需要对ｔｆ－ｉｄｆ 算法作适当改进，变做ｃｆ－ｉｄｆ（ｃｏｒｐｕｓ ｆｒｅｑｕｅｎｃｙ—ｉｎｖｅｒｓｅ ｄｏｃｕｍｅｎｔ ｆｒｅｑｕｅｎｃｙ）。传统的ｔｆ－ｉｄｆ算法中，ｔｆ指的是一个词在一篇文档 中的词频。由于酒店介绍文本长度较短，所以计算一个词在单 独一个酒店介绍文本上的出现频率没有实际意义。于是将ｔｆ 改成ｃｆ，即表示一个词在整个酒店介绍文本语料库中出现的频 率。ｃｆ－ｉｄｆ公式设计如下： ｃｆ－ｉｄｔ＝ｆｌ×ｉｄｆｉ＝ ｘｌｏｇｄｆｌ ｃｆｌ ｉｄｆｉ （１）１ ｃ＝×＝ （） 。 其中：ｎ 是第ｉ个词在整个语料库中的词频，ＩＤＩ表示语料库Ｄ 中介绍文本的数量，Ｉ｛ Ｉｔ ｄＪ｝Ｉ表示语料库中包含第ｉ个词的 介绍文本的数量。 ２．３用户情感建模算法 针对每一条用户对酒店的点评，都可以分割成一个个点评 片段。点评片段指的是一个点评中以逗号、分号等非语句结束 符号分隔开的一个个子句 。提取每个点评片段中的情感词 和否定词，根据情感词典中给定词的极性值计算点评片段的情 感值，计算式如下： （一１） ｗｐ ｐｏｌａｒｉｔｙ＝ —— 一 （２） 其中：』ｖ表示点评片段中情感值的总数；ｗｐ 表示第ｉ个情感词 的极性值（带符号）；．ｊ｝＝０时表示该情感词前没有否定词，ｋ＝１ 时表示情感词前有否定词，情感极性就要反转。将通过式（２） 得到的每个点评片段的ｐｏｌａｒｉｔｙ值相加后取平均就得到了整个 点评的情感值。 ２．４推荐算法描述 基于酒店建模和用户情感建模，可有如下推荐算法： 输入：Ⅳ个酒店向量及相应类别信息， 个聚类中心，Ｍ个 用户向量， 行 列评分矩阵。 输出：用户的ｔｏｐ－Ｎ推荐序列。 ａ）ｆｏｒ对于每个聚类中心Ｃ； ｂ）ｉｆ Ｃ类有用户已经评分的酒店ｔｈｅｎ Ｃ）计算用户 对ｃ类已评分酒店评分的平均值，将该值 赋给评分矩阵元素ａ（Ｕ，Ｃ）； ｄ）根据评分矩阵构建每个用户 的最近邻用户Ⅳ（Ｕ）； ｅ）利用基于用户的评分预测公式预测用户关于每个聚类 的评分平均值：