[發明專利]基于混合信息融合的情感感知商品推薦方法

有效

• 申請號: 202010319045.0
• 申請日: 2020-04-21
• 公開（公告）號: CN111507804B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 莫毓昌
• 申請（專利權）人: 莫毓昌
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9536;G06Q10/06;G06K9/62
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 席小東

1.一種基于混合信息融合的情感感知商品推薦方法，其特征在于，包括以下步驟：

步驟1，推薦平臺建立商品集合P＝(P₁,P₂,...,P_n)和用戶集合Q＝(Q₁,Q₂,...,Q_m)；其中，所述商品集合P為電子商務平臺上面的可進行商品推薦的商品范圍，n為可進行商品推薦的商品數量；所述用戶集合Q為已注冊到電子商務平臺的用戶集合，m為用戶集合中的用戶數量；

推薦平臺建立評分數據庫；每當任意的用戶Q_i從所述電子商務平臺購買任意的商品P_j，并針對商品P_j進行購買后的評分時，將原始評分Score(Q_i,P_j)存儲到所述評分數據庫；其中，i＝1,2,...,m；j＝1,2,...,n；原始評分Score(Q_i,P_j)表示用戶Q_i對商品P_j進行的原始評分；

步驟2，當任意的用戶Q_i訪問所述電子商務平臺時，所述電子商務平臺查找所述評分數據庫，得到用戶Q_i已進行購買后原始評分的商品范圍，然后，商品集合P中去除已進行購買后原始評分的商品范圍，得到用戶Q_i未進行原始評分的商品范圍，即為用戶Q_i的未購買商品范圍，對于未購買商品范圍中的每個商品P_k，均采用步驟3-步驟5的方法，得到對商品P_k的最終推薦度值:

步驟3，對于商品P_k，統計得到對商品P_k進行購買后評分和發表購買后評論數據的用戶集合R＝(R₁,R₂,...,R_z)；其中,用戶集合R為用戶集合Q的子集；

對于用戶集合R中的每個用戶R_a，a＝1,2,...,z，均執行以下步驟:

步驟3.1，采用以下方法，計算用戶R_a和Q_i之間的用戶特征相似度US(Q_i,R_a):

步驟3.1.1，收集用戶R_a的社交網絡數據，構造得到用戶R_a的標簽特征集合UL(R_a)；收集用戶Q_i的社交網絡數據，構造得到用戶Q_i的標簽特征集合UL(Q_i)；其中，標簽特征集合包括若干個表征用戶特征的用戶標簽；

步驟3.1.2，根據UL(R_a)和UL(Q_i)中相同用戶標簽個數，采用下式計算得到用戶R_a和Q_i之間的用戶特征標簽相似度UL(Q_i,R_a):

其中:

|UL(Q_i)∩UL(R_a)|代表UL(Q_i)和UL(R_a)進行集合交運算后，得到的集合中的元素數量；

|UL(Q_i)∪UL(R_a)|代表UL(Q_i)和UL(R_a)進行集合并運算后，得到的集合中的元素數量；

步驟3.1.3，分析用戶R_a的社交網絡數據，提取得到用戶R_a的好友特征集合UF(R_a)；其中,用戶R_a的好友特征集合UF(R_a)中的每個元素，為用戶R_a的已加關注的好友ID；

分析用戶Q_i的社交網絡數據，提取得到用戶Q_i的好友特征集合UF(Q_i)；其中,用戶Q_i的好友特征集合UF(Q_i)中的每個元素，為用戶Q_i的已加關注的好友ID；

步驟3.1.4，根據UF(Q_i)和UF(R_a)中相同元素個數，采用下式計算得到用戶R_a和Q_i之間的用戶特征好友相似度UF(Q_i,R_a):

其中:

|UF(Q_i)∩UF(R_a)|代表UF(Q_i)和UF(R_a)進行集合交運算后，得到的集合中的元素數量；

|UF(Q_i)∪UF(R_a)|代表UF(Q_i)和UF(R_a)進行集合并運算后，得到的集合中的元素數量；

步驟3.1.5，利用乘法原理，融合疊加用戶特征標簽相似度UL(Q_i,R_a)和用戶特征好友相似度UF(Q_i,R_a),構造得到用戶特征相似度US(Q_i,R_a)＝UL(Q_i,R_a)*UF(Q_i,R_a)；

步驟3.2，融合校正后評分和用戶特征相似度，計算用戶R_a和Q_i之間的用戶相似度sim(Q_i,R_a)，方法如下:

步驟3.2.1，查找所述評分數據庫，統計得到用戶R_a和用戶Q_i共同評分商品集合I＝(I₁,I₂,...,I_h)；其中,商品集合I為商品集合P的子集；h為共同評分商品數量；

步驟3.2.2，查找所述評分數據庫，獲得用戶R_a對商品I_u的原始評分Score(R_a,I_u)；其中，u＝1,2,...,h；

利用情感信息對用戶R_a對商品I_u的原始評分Score(R_a,I_u)進行校正,得到校正后評分Score'(R_a,I_u)，具體為:

1)收集得到用戶R_a對商品I_u發表的所有條評論信息，設共有w條評論信息，對于每條評論C_b(R_a,I_u)，其中,b＝1,2,...,w，統計評論C_b(R_a,I_u)中否定詞個數，如果否定詞個數為奇數，則情感極性Pol(C_b(R_a,I_u))＝-1；如果否定詞個數為偶數，則情感極性Pol(C_b(R_a,I_u))＝1；統計得到評論C_b(R_a,I_u)中積極情感詞個數Pos(C_b(R_a,I_u))和消極情感詞個數Neg(C_b(R_a,I_u))；

2)采用下式計算得到用戶R_a對商品I_u的校正后評分Score'(R_a,I_u):

3)計算得到用戶Q_i對商品I_u的校正后評分Score'(Q_i,I_u)；

步驟3.2.3，依次計算得到用戶R_a對集合I中每個商品的校正后評分，因此，共得到h個第一校正后評分，對h個第一校正后評分求平均值，得到用戶R_a的校正后評分均值

依次計算得到用戶Q_i對集合I中每個商品的校正后評分，因此，共得到h個第二校正后評分，再對h個第二校正后評分求平均值，得到用戶Q_i的校正后評分均值

步驟3.2.4，采用下式計算用戶R_a和Q_i之間的用戶相似度sim(Q_i,R_a):

步驟4，采用下式，基于用戶相似度計算商品P_k對用戶Q_i的初始商品推薦度Rec(Q_i,P_k):

其中:Score'(R_a,P_k)指用戶R_a對商品P_k的校正后評分；

步驟5，利用情感信息校正商品P_k對用戶Q_i的初始商品推薦度Rec(Q_i,P_k)，得到商品P_k對用戶Q_i的最終商品推薦度FRec(Q_i,P_k),包括:

步驟5.1，收集得到用戶Q_i在購買商品P_k之前在商品的評論區進行咨詢和討論的所有評論信息，設共有AT條評論信息，對于每條評論C_T(Q_i,P_k)，其中,T＝1,2,...,AT，統計評論C_T(Q_i,P_k)中否定詞個數，如果否定詞個數為奇數，則情感極性Pol(C_T(Q_i,P_k))＝-1；如果否定詞個數為偶數，則情感極性Pol(C_T(Q_i,P_k))＝1；統計得到評論C_T(Q_i,P_k)中積極情感詞個數Pos(C_T(Q_i,P_k))和消極情感詞個數Neg(C_T(Q_i,P_k))；

步驟5.2，采用下式計算得到商品P_k對用戶Q_i的最終商品推薦度FRec(Q_i,P_k):

步驟6，因此，對于未購買商品范圍中的每個商品P_k，均得到商品P_k對用戶Q_i的最終推薦度值，將未購買商品范圍中各個商品對應的最終推薦度值按從高到低的順序排列，選擇排序在前的若干個商品推薦給用戶Q_i。