[发明专利]基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法

权利要求书

1.一种基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法，其特征在于，包括如下步骤：

S1，通过挖掘用户评论的情感倾向，实现基于用户综合评分的推荐模型；

S2，利用词向量和卷积神经网络实现对物品内容信息进行相似度计算；

所述S2包括：

S2-1，假设两个给定物品的短文本描述为第一短文本Paragraph_A和第二短文本Paragraph_B，其段落长度分别为m和n；

S2-2，将Paragraph_A和Paragraph_B切割成3-Gram表达形式，于是短文本Paragraph_A和Paragraph_B就分别被切为语言片段Set_A和Set_B；

Set_A＝{w₁w₂w₃,w₂w₃w₄,...,w_m-2w_m-1w_m}，

Set_B＝{w₁w₂w₃,w₂w₃w₄,...,w_n-2w_n-1w_n}；

S2-3，将Set_A和Set_B中的每一个字w用词向量vec进行表示，然后加权平均得到语言片段的向量Set2Vec_A和Set2Vec_B，则Set_A和Set_B就能够表示为语言片段向量Set2Vec_A＝{vec₁,vec₂,...,vec_m}和Set2Vec_B＝{vec₁,vec₂,...,vec_n}；

S2-4，将Set2Vec_A的元素和Set2Vec_B的元素分别作为矩阵的行和列，组成一个m×n的矩阵，其中矩阵的每一个单元格用横纵坐标对应向量的相似度来填充，得到用户评论文本的相似度矩阵；

在获得大量的基于词向量的用户评论相似度矩阵后，就能够利用卷积神经网络构建基于物品内容的相似度计算模型；将来自于相似物品集的物品文本描述构建的矩阵作为训练数据集的正例，将来自非相似物品集的物品文本描述构建的矩阵作为训练数据集的负例，组成整个神经网络模型的训练数据集；

S3，利用协同训练策略实现对多源推荐视图的融合，构建混合推荐模型。

2.根据权利要求1所述的基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法，其特征在于，所述S1包括：

S1-1，用户评论信息的呈现形式通常是关键词和短文本，利用Word2Vec对用户评论短文本进行分布式表征；

S1-2，利用用户评论文本的词向量信息组建段落向量，从而实现基于段落向量的情感计算；

S1-3，通过基于词向量(Word2Vec)和长短期记忆网络(LSTM)的情感计算，对用户评论的文本信息进行情感分析建模。

3.根据权利要求2所述的基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法，其特征在于，所述S1-1包括：

A，从外部收集大规模的用户评论文本，利用word2vec中的Skip-Gram模型或CBOW模型训练词向量模型，将每个词表示成K维向量实数值；

B，对于用户评论的短文本，在分词的基础上利用TF-IDF(词频-逆文档频率)算法抽取Top-N(前N个高频词)个词表示文本的情感，然后从词向量模型中查找得到每一个关键词的K维向量表示。