[發明專利]一種基于購物評論的人格特質分析方法及系統

在審

• 申請號: 202210146150.8
• 申請日: 2022-02-17
• 公開（公告）號: CN114519091A
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 何涇沙;洪睿;朱娜斐;魏巍;陳燕博;宋國正
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F16/36;G06K9/62;G06N3/04;G06N3/08;G06F16/951;G06F40/216;G06F40/242;G06F40/289
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 王維新

1.一種基于購物評論的人格特質分析方法，其特征在于，包括：

獲取電商平臺的購物評論數據進行預處理，構建評論樣本數據集；

針對所述評論樣本數據集進行分詞處理及詞性標注，得到實驗數據集；

對所述實驗數據集進行句子級別和文本級別的向量化處理，并將向量化矩陣輸入LSTM網絡模型，并經過softmax層得到評價對象所屬句子的情感傾向；

通過SC-LIWC詞典對所述實驗數據集進行關鍵詞提取，并計算每個關鍵詞與大五人格的每個人格維度的皮爾遜相關系數；

對所述實驗數據集進行特征提取，并結合所述皮爾遜相關系數和評價對象所屬句子的情感傾向，構成輸入矩陣；

基于大五人格的每個維度，以K-近鄰模型、樸素貝葉斯模型和支持向量機模型共同構建二分類的人格特質分析融合模型；

將所述輸入矩陣輸入所述人格特質分析融合模型，并通過K-折交叉驗證方法對所述人格特質分析融合模型進行訓練；

針對所需分析的有效評論數據進行文本特征提取，并采用預構建的商品級別情感詞庫進行情感特征提取；

對提取得到的所述文本特征進行向量化并作為LSTM網絡模型的輸入，利用softmax層得到情感傾向量化值；

將所述文本特征、所述情感特征和所述情感傾向量化值進行結合，并進行向量化后輸入訓練完成的所述人格特質分析融合模型，以輸出結果作為多標簽的人格特質屬性。

2.根據權利要求1所述的基于購物評論的人格特質分析方法，其特征在于，所述商品級別情感詞庫的構建方法包括：

根據所述評論樣本數據集提取得到商品屬性特征，并通過余弦相似度獲取評價對象，構建評價對象庫；

根據所述評價對象庫對所述實驗數據集進行關鍵詞提取，獲取評價對象；

以所述評價對象為主關聯點，基于位置特征提取所述評價對象的評價詞語，構建評價對象-評價詞語二元組；

將評價對象所屬句子的情感傾向與所述評價對象-評價詞語二元組相結合，判斷相對應的情感傾向，綜合得到商品級別情感詞庫。

3.根據權利要求1所述的基于購物評論的人格特質分析方法，其特征在于，所述將所述輸入矩陣輸入所述人格特質分析融合模型并通過K-折交叉驗證方法對所述人格特質分析融合模型進行訓練的具體過程包括：

將所述輸入矩陣分別輸入針對大五人格五個維度的所述K-近鄰模型、所述樸素貝葉斯模型和所述支持向量機模型，并分別通過K-折交叉驗證方法分別對各模型進行訓練。

4.根據權利要求1所述的基于購物評論的人格特質分析方法，其特征在于，所述對提取得到的所述文本特征進行向量化并作為LSTM網絡模型的輸入，利用softmax層得到情感傾向量化值的具體過程包括：

利用word2vec對所述文本特征進行句子級別和文本級別的向量化處理，并將向量化的矩陣作為所述LSTM網絡模型的輸入；

所述LSTM網絡模型對所述文本特征對應的每個句子進行訓練與預測，所述softmax層的softmax激活函數將所述LSTM網絡模型的預測結果轉化為0-1之間的得分數值，作為所述情感傾向量化值。

5.根據權利要求1所述的基于購物評論的人格特質分析方法，其特征在于，所述獲取電商平臺的購物評論數據進行預處理的具體過程包括：

通過爬蟲技術爬取不同電商平臺的購物評論數據；

針對每一類商品的購物評論數據進行去重處理；

對去重處理后的購物評論數據進行預處理，篩選出具有明顯特征的數據集。