[发明专利]基于评论整合挖掘的商品精细化推荐方法

说明书

本发明提出基于评论挖掘的商品推荐方法，将评论挖掘与传统的协同过滤的推荐方法相结合，从用户偏好和商品的特质层面上来解析用户和商品，缓解数据稀疏和推荐准确性问题。具体包括：一是通过对用户评论的挖掘和解析，获取用户偏好，然后根据获取的用户偏好计算用户之间的相近度，缓解数据稀疏为用户间相近度计算带来的不利影响；二是通过对商品评论的挖掘和解析，构建商品的特质模型，在计算商品相近度时基于商品特质，通过改进商品间相近度计算方法提高商品相近度计算的准确性，提高推荐效果；三是将基于评论挖掘和用户的协同过滤与基于评论挖掘和商品的协同过滤结合，产生混合模型进行推荐，效率和准确度都有大幅提高。

技术领域

本发明涉及一种商品精细化推荐方法，特别涉及一种基于评论整合挖掘的商品精细化推荐方法，属于智能商品推荐技术领域。

背景技术

随着移动互联网的飞速发展，人类已步入信息时代，电子商务融入到人们的日常生活中。网上购物成为越来越多消费者主要的购物方式，电子商务具有便捷快速、便宜实惠、不受地域限制的优势，但同时，电商平台也难以了解用户感兴趣的内容，面对电商平台庞大的商品数量，用户难以从海量商品中挑选出真正需要的商品。当前越来越多的在线购物平台，开始强调用户的参与，他们鼓励用户表达对已购商品的见解，用户通过评论的方式，将自己对商品性能、价格、质量等方面的见解与立场传达给其他消费者。而其他消费者也愿意在他们选购某项商品时，参考之前购买者的评论信息，来获得对这项商品更直观的认知。大部分网民会在购买商品前搜寻商品已有评论，评论信息会对他们的购买行为产生重大影响，但在有限的时间内，面对海量且无结构的评论内容，用户很难甄别出对自己最有价值的信息。迫切需要一种便捷的商品推荐系统，能够分析出客户偏好，满足他们对商品的需求，而对电商务企业来说，克服这种信息过载带来的不利影响，在用户浏览平台时向用户推荐合适的商品成为一个严峻的挑战。

现有技术应用最广泛、效果最好的是协同过滤推荐方法，但传统的协同过滤算法在推荐系统中仍然会受到数据稀疏性和冷启动问题的影响。基于用户的协同过滤和基于商品的协同过滤，都涉及到用户或者商品间的相近度计算，这些相近度计算方法都是基于用户之间相交的评分项来计算的，然而当共同评分数据稀疏时，用户间的共同评分就会特别少，甚至没有共同评分，这会很大程度影响到相近度计算结果。如当用户一对一本书写了评论，用户二对另一本书也写了评论，传统的协同过滤算法中会判定用户一与用户二之间相近度为0，但实际上，这两本书类型相同并且由同一人撰写，如果由人为来判断，实际上这两个用户是存在一定相近度的，再有另一种情况，用户一与用户二都对两件商品进行了评分，但实际上，这两件商品在两个用户的评分项集中只占据了很小一部分，在这种情况下，认为这两个用户完全相近也是不合理的。因此，传统协同过滤算法中计算用户或者商品相近度时，只以用户间的评分项集来计算有很大的局限性。

商品评论解析挖掘作为一种有效的文本挖掘技术，主要是用于基于文本的知识发现，数据挖掘的处理对象是存储在数据库中的结构化数据，寻找和发现这些数据属性之间的关系，文本挖掘的处理对象是非结构文本，目的是分析和发现这些文本内容之间存在的联系。文本挖掘的早期是信息检索，这些技术仍然广泛应用于网络文本的搜索。现在的搜索引擎已能搜索出用户需要的相关信息，但其内容整合的能力较差，能搜索出用户想要的相关内容，但无法进一步整理出用户需要的重点信息。对于电商平台的商品评论信息也是如此，如何结合评论挖掘技术，挖掘出评论中用户关注的商品特质及自身偏好，从而更好的契合用户的需求，为用户更准确的推荐合适的商品是本发明需要解决的问题。

互联网用户的身份逐渐从信息接收者转变成信息生产者，大量的用户针对某商品的评论涌现互联网中。这些评论信息中蕴含了用户大量的主观情感色彩，通过浏览这些评论可以大致了解到大众舆论对某一商品的看法。但这类评论信息迅速膨胀，数目庞大且无固定的文本结构，靠人工来对海量信息进行收集和处理几乎是不可能的，迫切需要一种能够帮助用户快速获取到关注重点的方法。