[发明专利]一种利用深度学习进行基于情感分析的电影推荐方法

说明书

本发明公开了一种利用深度学习进行基于情感分析的电影推荐的方法，获取用户的电影在线评论与电影状态信息，并对电影及其评论信息进行清洗操作并进行预处理；进行数据的结构及特征信息提取，通过深度学习对特征信息进行情感分析；之后基于情感分析数据建立用户兴趣模型，再计算用户对电影兴趣度并进行电影推荐。本发明采用Bagging算法与双向长短期记忆网络作为情感倾向分析的方法，挖掘文本信息中用户表达的主观情感，构建出有效的用户兴趣模型，提高了推荐系统的精度，优化电影推荐的质量。

技术领域

本发明涉及电影推荐技术领域，尤其涉及一种利用深度学习进行基于情感分析的电影推荐方法。

背景技术

随着信息科技的发展，各种互联网应用层出不穷，逐渐渗透到大众日常生活娱乐等各个方面。人们的经济与生活水平逐渐提高，电影已经成为现代人的一种重要娱乐休闲方式，越来越多的人选择网上观看电影并参与在线评论。同时随着电影资源的丰富，如何从过量的电影信息中找到自己感兴趣的成为人们选择的难点。这使得电影的信息筛选成为当前的一个热门研究方向，而电影推荐系统也成为解决上述问题的有效手段。

推荐系统一方面它可以帮助用户发现有价值的信息，另一方面也可以让信息能够展现在对它感兴趣的用户面前。目前在主流的推荐算法主要有：基于协同过滤的推荐系统，包含基于用户的协同过滤算法与基于物品的协同过滤算法；另外有基于内容的推荐系统、基于知识的推荐以及混合推荐系统。

协同过滤算法更多地是通过构建用户兴趣模型基于用户行为数据进行推荐，通过使用用户数据，来发现拥有偏好相似度较高的用户和电影，但系统可能向用户推荐其并不感兴趣但其相似用户却喜欢的电影，此外协同过滤算法的冷启动状况，即对新用户或电影评价数目较少的目标用户推荐具有困难，反而会对热门电影推荐较多。虽然这些问题推荐系统整体的准确率的误差作用有限，但是这说明此推荐方法仍然存在缺陷。

而基于内容与物品的推荐，是通过对电影内容，类型，剧情等特征进行数值上的提取与分解，通过对特征值的回归或者分类运算，得出用户对电影的评分信息，然后基于评分来针对目标用户进行推荐。其缺点在于对电影数据结构有较高的要求，数据需具有较完整的内容信息与容易提取的条件，同时对于稀疏数据的推荐效果较差。

混合方法的建模成本较高，需综合多个推荐算法，并且很多情况下混合算法针对单一具体的实际改进效果并不理想。

这是因为没有充分利用用户评论对于推荐结果的影响。用户的评论一般含有比较有价值的反馈，不但可以吸引潜在用户，而且可以帮助用户做决定，评论中一般含有用户对于电影的主观情感，通过对历史评论的情感分析，获取用户对于商品不同特征的兴趣度，然后构建更加精确的兴趣模型比较有效。

近年来兴起的深度学习方法在图像和语音识别中取得了巨大的成功，并逐步应用到自然语言处理与机器翻译中，能较好地能从文本信息中判断情感的倾向和强度，但其在推荐系统中应用较少。

发明内容

针对以上现有技术缺陷的分析，本发明提出一种利用深度学习进行基于情感分析的电影推荐方法，能够提高了电影推荐的准确率，优化用户体验。

一种利用深度学习进行基于情感分析的电影推荐方法，该方法包括三个方面：

第一方面，获取电影评论与电影状态数据，包括以下步骤：

S1：获取用户的电影在线评论与电影状态信息。

S2：对电影及其评论信息进行清洗操作并进行预处理。

第二方面，利用深度学习方法处理上述步骤获取的数据，采取的技术方案是一种基于长短期记忆网络（Long-Short Term Memory, LSTM）的学习方法，包括以下步骤：

S3：对获取的数据的结构及特征信息进行提取。

S4：通过深度学习对特征信息进行情感分析。