CN117934126A - 一种基于用户情感分析的个性化目标信息推荐*** - Google Patents
一种基于用户情感分析的个性化目标信息推荐*** Download PDFInfo
- Publication number
- CN117934126A CN117934126A CN202410341397.4A CN202410341397A CN117934126A CN 117934126 A CN117934126 A CN 117934126A CN 202410341397 A CN202410341397 A CN 202410341397A CN 117934126 A CN117934126 A CN 117934126A
- Authority
- CN
- China
- Prior art keywords
- fusion
- module
- information
- vector
- evaluation information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 109
- 238000011156 evaluation Methods 0.000 claims abstract description 94
- 230000004927 fusion Effects 0.000 claims abstract description 91
- 230000000694 effects Effects 0.000 claims abstract description 29
- 230000002776 aggregation Effects 0.000 claims description 59
- 238000004220 aggregation Methods 0.000 claims description 59
- 238000012512 characterization method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种基于用户情感分析的个性化目标信息推荐***，属于数据处理技术领域。***包括数据获取模块用于获取目标用户的第一历史数据和目标产品的第二历史数据，第一历史数据包括第一评价信息，第二历史数据包括第二评价信息；特征表示模块用于获得第一评价信息的用户评论向量和第二评价信息的产品评论向量；信息确定模块用于根据第一历史数据确定目标用户的活跃值和偏执度；数据融合模块用于根据活跃值和偏执度对用户评论向量和产品评论向量进行情感融合获得目标用户的感兴趣程度；数据预测模块用于利用分数预测模型对感兴趣程度进行评分预测获得目标用户对目标产品的兴趣分值；信息推荐模块用于根据兴趣分值确定目标用户的推荐结果。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种基于用户情感分析的个性化目标信息推荐***。
背景技术
在云打印机应用的商超、餐饮（外卖）、零售、物流等领域场景中，根据历史订单数据建立用户的需求预测模型，从而根据用户的需求预测模型主动给用户推荐符合其偏好的个性化目标订单数据（例如菜品或套餐组合、商品或促销活动、个性化商品或促销信息、适合的快递服务类型或增值服务）。但是相关技术中在进行信息推荐时忽略了历史订单数据中关于用户评论中涉及的情感特征信息，从而降低了信息推荐的质量。
发明内容
本申请实施例提供了一种基于用户情感分析的个性化目标信息推荐***，旨在解决相关技术中在进行信息推荐时忽略了历史订单数据中关于用户评论中涉及的情感特征信息，从而降低了信息推荐质量的问题。
第一方面，本申请实施例提供了一种基于用户情感分析的个性化目标信息推荐***，包括：
数据获取模块，用于获取目标用户对应的第一历史数据和目标产品对应的第二历史数据，其中，所述第一历史数据包括第一评价信息，所述第二历史数据包括第二评价信息；
特征表示模块，用于利用文本表征模型对所述第一评价信息进行卷积获得用户评论向量和利用所述文本表征模型对所述第二评价信息进行卷积获得产品评论向量；
信息确定模块，用于根据所述第一历史数据确定所述目标用户对应的活跃值和偏执度；
数据融合模块，用于根据所述活跃值和所述偏执度对所述用户评论向量和所述产品评论向量进行情感融合，获得所述目标用户对所述目标产品的感兴趣程度；
数据预测模块，用于利用分数预测模型对所述感兴趣程度进行评分预测，获得所述目标用户对所述目标产品的兴趣分值；
信息推荐模块，用于根据所述兴趣分值确定所述目标用户对应的推荐结果，并将所述推荐结果发送至与所述目标用户对应的目标终端。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，基于用户情感分析的个性化目标信息推荐***包括数据获取模块、特征表示模块、信息确定模块、数据融合模块、数据预测模块、信息推荐模块。该***包括获取目标用户的第一历史数据，包括用户对应的第一评价信息，以及目标产品的第二历史数据，包括产品对应的第二评价信息。进而使用文本表征模型对第一评价信息进行卷积操作，获得用户评论向量。同样地，对第二评价信息进行卷积操作，获得产品评论向量。从而根据第一历史数据的内容和行为信息，利用适当的算法或规则，确定目标用户的活跃值和偏执度。进而根据目标用户的活跃值和偏执度，对用户评论向量和产品评论向量进行情感融合得到目标用户对目标产品对应的感兴趣程度。最后使用一个分数预测模型，基于合并后的感兴趣程度，对目标用户对目标产品的兴趣程度进行评分预测，得到感兴趣程度的分值。然后根据兴趣分值，确定目标用户对应的推荐结果。该***为保证信息推荐的质量，在信息推荐过程中结合用户情感和产品情感进而准确向用户实现精准推荐，从而及时解决相关技术中在进行信息推荐时忽略了历史订单数据中关于用户评论中涉及的情感特征信息，从而降低了信息推荐质量的问题。提高了信息推荐的质量，进一步为用户生活提供更好的便利。并且也使得该推荐***将更加精准和智能，能够更好地理解用户的兴趣和行为，提供更符合用户需求的推荐内容。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于用户情感分析的个性化目标信息推荐***的结构示意图；
图2是本申请实施例提供的一种文本表征模型的网络结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面对本申请实施例的技术方案进行介绍。
参见图1，为本申请实施例提供的基于用户情感分析的个性化目标信息推荐***100的结构示意图，该***可以包括数据获取模块101、特征表示模块102、信息确定模块103、数据融合模块104、数据预测模块105、信息推荐模块106，其中，数据获取模块101，用于获取目标用户对应的第一历史数据和目标产品对应的第二历史数据，其中，所述第一历史数据包括第一评价信息，所述第二历史数据包括第二评价信息；特征表示模块102，用于利用文本表征模型对所述第一评价信息进行卷积获得用户评论向量和利用所述文本表征模型对所述第二评价信息进行卷积获得产品评论向量；信息确定模块103，用于根据所述第一历史数据确定所述目标用户对应的活跃值和偏执度；数据融合模块104，用于根据所述活跃值和所述偏执度对所述用户评论向量和所述产品评论向量进行情感融合，获得所述目标用户对所述目标产品的感兴趣程度；数据预测模块105，用于利用分数预测模型对所述感兴趣程度进行评分预测，获得所述目标用户对所述目标产品的兴趣分值；信息推荐模块106，用于根据所述兴趣分值确定所述目标用户对应的推荐结果，并将所述推荐结果发送至与所述目标用户对应的目标终端。
示例性地，数据获取模块101从数据库中获取目标用户对应的第一历史数据，其中第一历史数据包括但不限于用户的操作记录、浏览记录、搜索记录、点击记录等。这些数据可以通过日志记录或其他方式进行收集。第一历史数据还包括第一评价信息，第一评价信息为目标用户对其操作或购买的产品进行体验的评分或者评论。目标用户为待需要进行产品推荐的用户。
示例性地，数据获取模块101从数据库中获取目标产品对应的第二历史数据，其中第二历史数据包括但不限于目标产品的性能、功能等，第二历史数据还包括第二评价信息，第二评价信息为其他用户对目标产品进行操作或购买后的体验所进行的评分或者评论。目标产品为向目标用户待推荐的候选产品。
示例性地，特征表示模块102使用文本表征模型（例如卷积神经网络）对第一评价信息进行卷积操作，获得用户评论向量。同样地，特征表示模块102使用文本表征模型（例如卷积神经网络）对第二评价信息进行卷积操作，获得产品评论向量。
示例性地，信息确定模块103根据第一历史数据中包括的行为信息，利用统计算法方式确定目标用户进行产品评价的活跃值和偏执值，其中，活跃值表示目标用户在用户评价平台上的活跃程度，偏执度表示目标用户的兴趣特征的变化情况。考虑到活跃值在不断变化中会伴随时间变量而发生小范围兴趣特征变化，出现兴趣特征衰减，产生兴趣特征偏差,为了消除用户兴趣特征偏差，提升提取兴趣特征信息的可信度，利用遗忘线性规律，对其进行兴趣函数拟合，获得较为精准的用户兴趣特征变化情况，最终得到目标用户的偏执度 。
示例性地，数据融合模块104根据目标用户的活跃值和偏执度确定用户评论向量和产品评论向量对应的权重系数，从而根据权重系数对用户评论向量和产品评论向量进行情感融合，得到目标用户对目标产品的感兴趣程度。
示例性地，数据预测模块105使用一个分数预测模型（例如回归模型或分类模型），基于合并后的评论向量，对目标用户对目标产品的兴趣程度进行评分预测，得到感兴趣程度的分值。
示例性地，信息推荐模块106根据兴趣分值利用预设阈值或排序方法，筛选出最符合目标用户兴趣的推荐内容或产品，从而确定目标用户对应的推荐结果。进而在获得推荐结果后，将推荐结果发送至目标用户对应的目标终端，通常是通过推送通知或展示在目标用户的界面上。
在一些实施方式中，如图2所示，所述文本表征模型包括文本表征层、情感分析层、特征融合层、特征表示层，所述特征表示模块，包括：第一文本表征子模块，用于利用所述文本表征模型的所述文本表征层对所述第一评价信息进行初始嵌入，获得所述第一评价信息对应的第一向量表示；第一情感分析子模块，用于利用所述文本表征模型的所述情感分析层对所述第一评价信息进行情感判断，获得所述第一评价信息对应的第一情感倾向；第一特征融合子模块，用于利用所述文本表征模型的所述特征融合层对所述第一向量表示和所述第一情感倾向进行特征融合，获得所述第一评价信息对应的第一融合向量；第一信息聚合子模块，用于利用所述文本表征模型的所述特征表示层对所述第一融合向量进行信息聚合，获得所述第一评价信息对应的所述用户评论向量。
示例性地，采用文本表征模型以及情感分析技术，将文本数据转换为向量表示，并提取情感倾向，然后进行特征融合和信息聚合，最终获得用户评论向量。
示例性地，文本表征模型可以为神经网络模型，该文本表征模型包括文本表征层、情感分析层、特征融合层和特征表示层等网络层，用于文本向量表示和特征提取。进而对第一评价信息通过文本表征层将它转换为向量表示，可以采用Bag-of-Words、TF-IDF等技术进行处理。进而利用情感分析层对第一评价信息中的情感倾向进行判断，可以采用基于情感词典、深度学习模型等方法来实现。从而通过特征融合层，将第一向量表示和第一情感倾向结合起来，形成第一融合向量。再利用特征表示层对第一融合向量进行信息聚合，从而得到用户评论向量。
可选地，针对不同的文本表征模型和分析方法，具体的实现细节和***构建可能有所差异，可以根据具体需求和场景进行调整和定制。
具体地，这一步骤的实现可以使***更好地理解第一评价信息以及第一评价信息的情感倾向，从而有助于改进推荐***的准确性和个性化程度，从而更好地满足用户的需求，提高用户满意度。
在一些实施方式中，所述第一信息聚合子模块，包括：第一特征确定单元，用于根据所述第一评价信息的分布特征确定所述第一评价信息对应的第一聚合函数；第一信息聚合单元，用于根据所述第一聚合函数对所述第一融合向量进行信息聚合，获得所述第一评价信息对应的所述用户评论向量。
示例性地，在文本数据处理中，通常会考虑到文本数据的分布特征，例如文本长度、重点词汇出现次数等。在此基础上，可以考虑确定第一聚合函数。如果数据分布呈现出偏态或长尾分布等不同的特征，可以采用不同的聚合函数，例如中位数、众数、平均数等，针对不同分布特征选用不同聚合函数的方式，可以提高聚合的准确性。进而第一特征确定单元根据第一评价信息的分布特征确定第一聚合函数，在信息聚合单元中利用该聚合函数对第一融合向量进行信息聚合，获得用户评论向量。第一信息聚合单元可以采用多种方式实现，例如基于规则的方法、基于树形结构的方法等，其中包含多个信息单元，它们可以分别实现不同类型和不同层次的信息的聚合。从而实现利用第一聚合函数对第一融合向量进行信息聚合，获得第一评价信息对应的用户评论向量。
具体地，根据分布特征确定不同的聚合函数可以提高聚合的准确性，有助于更好地处理和分析文本数据。不同的聚合函数可以提供不同的视角和解释，有助于更好地理解和分析聚合结果，发现文本数据中隐藏的规律和特征。从而得到更加精准的用户评论向量，为后续推荐结果的准确性提供良好的支撑。
在一些实施方式中，所述特征表示模块，包括：第二文本表征子模块，用于利用所述文本表征模型的所述文本表征层对所述第二评价信息进行初始嵌入，获得所述第二评价信息对应的第二向量表示；第二情感分析子模块，用于利用所述文本表征模型的所述情感分析层对所述第二评价信息进行情感判断，获得所述第二评价信息对应的第二情感倾向；第二特征融合子模块，用于利用所述文本表征模型的所述特征融合层对所述第二向量表示和所述第二情感倾向进行特征融合，获得所述第二评价信息对应的第二融合向量；第二信息聚合子模块，利用所述文本表征模型的所述特征表示层对所述第二融合向量进行信息聚合，获得所述第二评价信息对应的所述产品评论向量。
示例性地，文本表征模型可以为神经网络模型，该文本表征模型包括文本表征层、情感分析层、特征融合层和特征表示层等网络层，用于文本向量表示和特征提取。进而对第二评价信息通过文本表征层将它转换为向量表示，可以采用Bag-of-Words、TF-IDF等技术进行处理。进而利用情感分析层对第二评价信息中的情感倾向进行判断，可以采用基于情感词典、深度学习模型等方法来实现。从而通过特征融合层，将第二向量表示和第二情感倾向结合起来，形成第二融合向量。再利用特征表示层对第二融合向量进行信息聚合，从而得到产品评论向量。
可选地，针对不同的文本表征模型和分析方法，具体的实现细节和***构建可能有所差异，可以根据具体需求和场景进行调整和定制。
具体地，这一步骤的实现可以使***更好地理解第二评价信息以及第二评价信息的情感倾向，从而有助于改进推荐***的准确性和个性化程度，从而更好地理解该目标产品，从而为后续用户提供精准的推荐内通提供良好的支撑。
在一些实施方式中，所述第二信息聚合子模块，包括：第二特征确定单元，用于根据所述第二评价信息的分布特征确定所述第二评价信息对应的第二聚合函数；第二信息聚合单元，用于根据所述第二聚合函数对所述第二融合向量进行信息聚合，获得所述第二评价信息对应的所述产品评论向量。
示例性地，在文本数据处理中，通常会考虑到文本数据的分布特征，例如文本长度、重点词汇出现次数等。在此基础上，可以考虑确定第二聚合函数。如果数据分布呈现出偏态或长尾分布等不同的特征，可以采用不同的聚合函数，例如中位数、众数、平均数等，针对不同分布特征选用不同聚合函数的方式，可以提高聚合的准确性。进而第二特征确定单元根据第二评价信息的分布特征确定第二聚合函数，在信息聚合单元中利用该聚合函数对第二融合向量进行信息聚合，获得产品评论向量。第二信息聚合单元可以采用多种方式实现，例如基于规则的方法、基于树形结构的方法等，其中包含多个信息单元，它们可以分别实现不同类型和不同层次的信息的聚合。从而实现利用第二聚合函数对第二融合向量进行信息聚合，获得第二评价信息对应的产品评论向量。
具体地，根据分布特征确定不同的聚合函数可以提高聚合的准确性，有助于更好地处理和分析文本数据。不同的聚合函数可以提供不同的视角和解释，有助于更好地理解和分析聚合结果，发现文本数据中隐藏的规律和特征。从而得到更加精准的产品评论向量，进而为后续推荐结果的准确性提供良好的支撑。
在一些实施方式中，所述信息确定模块，包括：评价次数确定子模块，用于根据所述第一历史数据确定所述目标用户对应的评价次数；活跃值确定子模块，用于根据所述评价次数确定所述目标用户对应的所述活跃值；时间变量确定子模块，用于根据所述第一历史数据确定所述目标用户对所述目标产品存在推荐兴趣的初始时间变量和当前时间变量；偏执度确定子模块，用于根据所述初始时间变量和所述当前时间变量确定所述目标用户对应的所述偏执度。
示例性地，评价次数确定子模块通过对第一历史数据进行统计分析，确定目标用户对应的评价次数。评价次数对目标用户在目标产品的相似产品或者相近产品在服务或使用上的评价记录进行计数和汇总。进而活跃值确定子模块根据评价次数确定目标用户的活跃值。例如，可以根据目标用户过去一段时间内所做的评价次数来判断目标用户的活跃度，较高的评价次数可能意味着用户活跃度较高。
示例性地，时间变量确定子模块通过分析目标用户的第一历史数据，确定目标用户对目标产品的推荐兴趣的初始时间变量和当前时间变量。这有助于了解用户对产品的长期兴趣以及最近的行为特征。从而偏执度确定子模块利用初始时间变量和当前时间变量确定目标用户对目标产品的偏执度，即目标用户对目标产品的推荐偏好是否随着时间发生变化。
具体地，通过确定用户评价次数、活跃值和时间变量，可以更好地理解目标用户的需求和偏好，从而进行个性化的推荐，提高推荐***的准确性。并且分析目标用户的活跃值和偏执度可以帮助理解目标用户的行为模式，例如用户对产品的长期喜好和是否存在时间上的偏好变化。从而改进个性化推荐的准确性和用户体验。
在一些实施方式中，所述偏执度确定子模块，包括：偏差时间变量确定单元，用于确定所述目标用户对所述目标产品对应的推荐兴趣的偏差时间变量；第一时间差距计算单元，用于计算所述偏差时间变量和所述当前时间变量之间的第一时间差距；第二时间差距计算单元，用于计算所述当前时间变量和所述初始时间变量之间的第二时间差距；偏执度确定单元，用于根据所述第一时间差距和所述第二时间差距确定所述目标用户对应的所述偏执度。
示例性地，偏差时间变量确定单元通过专家经验或者历史经验设置确目标用户对目标产品对应的推荐兴趣的偏差时间变量。进而第一时间差距计算单元在偏差时间变量确定之后，计算当前时间变量和偏差时间变量之间的第一时间差距。这个过程可能涉及到时间格式转化、时间差计算等技术。以及第二时间差距计算单元也计算当前时间变量和初始时间变量之间的第二时间差距。这可能需要使用类似的时间计算技术。最后，偏执度确定单元综合考虑第一时间差距和第二时间差距确定目标用户对目标产品的偏执度。通常情况下，长时间偏置的目标用户可能需要重新提醒推荐，反之则可能需要反馈调整，使推荐更符合用户的期望。
具体地，通过计算时间差距确定偏执度，可以更好地理解目标用户的偏好和反馈，进而实现个性化推荐并适应用户需求变化，从而可以提高推荐***的准确率和性能，以及提高用户体验。
在一些实施方式中，所述数据融合模块，包括：信任度系数计算子模块，用于根据所述偏执度计算得到所述目标用户对所述目标产品对应的信任度系数；融合矩阵确定子模块，用于根据所述活跃值、所述偏执度以及所述信任度系数确定所述用户评论向量和所述产品评论向量进行情感融合所需的融合矩阵；感兴趣程度获得子模块，用于根据所述融合矩阵对所述用户评论向量和所述产品评论向量进行向量融合，获得所述目标用户对所述目标产品的感兴趣程度。
示例性地，信任度系数计算子模块通过根据偏执度利用信任度衡量的算法计算目标用户对目标产品的信任程度，从而得到目标用户对目标产品的信任度系数。例如，根据下列公式计算所述信任度系数：
；
其中，V表示信任度系数，p表示偏执度。
示例性地，融合矩阵确定子模块根据目标用户的活跃值、偏执度和信任度系数，利用矩阵运算和加权计算确定用户评论向量和产品评论向量进行情感融合所需的融合矩阵。进而感兴趣程度获得子模块根据融合矩阵对用户评论向量和产品评论向量进行向量融合，获得目标用户对目标产品的感兴趣程度。
具体地，通过计算信任度系数和融合矩阵，可以更准确地理解用户的情感偏好，实现个性化的推荐，提高推荐结果的准确性和用户满意度。此外采用融合矩阵进行用户评论向量和产品评论向量的情感融合，可以更客观地反映用户对产品的综合评价，提高推荐***对用户情感反馈的理解和利用能力。
在一些实施方式中，所述情感融合确定子模块，包括：权重确定单元，用于确定所述偏执度对应的第一权重和所述信任度系数对应的第二权重；向量融合单元，用于根据所述第一权重、所述第二权重对所述活跃值、所述偏执度以及所述信任度系数进行信息加权，获得所述用户评论向量和所述产品评论向量进行情感融合所需的所述融合矩阵；其中，根据下列公式获得所述融合矩阵：
；
R表示所述融合矩阵，b表示所述第二权重，a表示所述第一权重，T表示所述活跃值，I表示所述偏执度，V表示所述信任度系数。
示例性地，权重确定单元通过设定权重设置的规则确定偏执度对应的第一权重以及根据权重设置的规则确定信任度系数对应的第二权重。其中，第一权重或第二权重基于经验设定初始权重，也可以通过机器学习算法来学习得到最优的权重。
示例性地，向量融合单元利用确定的第一权重和第二权重，对活跃值、偏执度和信任度系数进行加权，得到用户评论向量和产品评论向量进行情感融合所需的融合矩阵。其中，计算融合矩阵可根据下列公式：
；
R表示融合矩阵，b表示第二权重，a表示第一权重，T表示活跃值，I表示偏执度，V表示信任度系数。
具体地，通过确定不同因素的权重，可以实现对用户评论和产品评论的个性化情感分析，更好地理解用户对产品的态度和需求。进而利用融合矩阵进行信息加权，可以提高推荐***的准确性，进而根据用户的偏执度和信任度系数更精准地推荐符合用户兴趣的产品。从而增强用户体验和产品竞争力。
在一些实施方式中，所述数据预测模块，包括：分数预测子模块，用于根据所述分数预测模型中所述目标用户对应的第一偏置和所述目标产品对应的第二偏置对所述感兴趣程度进行分数预测，获得所述目标用户对所述目标产品的初始分值；数据校准子模块，用于根据所述分数预测模型中的全局偏置对所述初始分值进行数据矫正，获得所述兴趣分值。
示例性地，分数预测子模块根据分数预测模型中目标用户对应的第一偏置和目标产品对应的第二偏置，进行分数预测以获得目标用户对目标产品的初始分值。这一过程可涉及协同过滤、矩阵分解或其他预测模型进行评分预测。进而数据校准子模块根据分数预测模型中的全局偏置对初始分值进行数据校准，获得兴趣分值。数据校准的过程可以通过对预测模型参数进行优化、偏置修正等方式来调整得到更准确的用户对产品的兴趣评分。
具体地，实现分数预测子模块和数据校准子模块可以提高个性化推荐的准确性和用户体验，优化评分预测的精准度，帮助企业更好地了解目标用户需求和从而将目标产品更精准的推荐给目标用户。
本实施例提供的基于用户情感分析的个性化目标信息推荐***的一个应用场景为：目标用户为某一消费平台的用户，从而从数据库中获取该目标用户的第一历史数据，包括目标用户对应的第一评价信息，以及该消费平台中包含的目标产品，以及该目标产品对应的第二历史数据，包括目标产品对应的第二评价信息。进而使用文本表征模型对第一评价信息进行卷积操作，获得用户评论向量。同样地，对第二评价信息进行卷积操作，获得产品评论向量。从而根据第一历史数据的内容和行为信息，利用适当的算法或规则，确定目标用户的活跃值和偏执度。进而根据目标用户的活跃值和偏执度，对用户评论向量和产品评论向量进行情感融合得到目标用户对目标产品对应的感兴趣程度。最后使用一个分数预测模型，基于合并后的感兴趣程度，对目标用户对目标产品的兴趣程度进行评分预测，得到感兴趣程度的分值。然后根据兴趣分值，确定目标用户对应的推荐结果。该***为保证信息推荐的质量，在信息推荐过程中结合用户情感和产品情感进而准确向用户实现精准推荐，从而及时解决相关技术中在进行信息推荐时忽略了历史订单数据中关于用户评论中涉及的情感特征信息，从而降低了信息推荐质量的问题。提高了信息推荐的质量，进一步为用户生活提供更好的便利。并且也使得该推荐***将更加精准和智能，能够更好地理解用户的兴趣和行为，提供更符合用户需求的推荐内容。
Claims (10)
1.一种基于用户情感分析的个性化目标信息推荐***，其特征在于，所述***包括：
数据获取模块，用于获取目标用户对应的第一历史数据和目标产品对应的第二历史数据，其中，所述第一历史数据包括第一评价信息，所述第二历史数据包括第二评价信息；其中，第一历史数据包括但不限于用户的操作记录、浏览记录、搜索记录、点击记录；第一评价信息为目标用户对其操作或购买的产品进行体验的评分或者评论；其中第二历史数据包括但不限于目标产品的性能、功能，第二评价信息为其他用户对目标产品进行操作或购买后的体验所进行的评分或者评论；
特征表示模块，用于利用文本表征模型对所述第一评价信息进行卷积获得用户评论向量和利用所述文本表征模型对所述第二评价信息进行卷积获得产品评论向量；
信息确定模块，用于根据所述第一历史数据确定所述目标用户对应的活跃值和偏执度；
数据融合模块，用于根据所述活跃值和所述偏执度对所述用户评论向量和所述产品评论向量进行情感融合，获得所述目标用户对所述目标产品的感兴趣程度；
数据预测模块，用于利用分数预测模型对所述感兴趣程度进行评分预测，获得所述目标用户对所述目标产品的兴趣分值；
信息推荐模块，用于根据所述兴趣分值确定所述目标用户对应的推荐结果，并将所述推荐结果发送至与所述目标用户对应的目标终端。
2.根据权利要求1所述的***，其特征在于，所述文本表征模型包括文本表征层、情感分析层、特征融合层、特征表示层，所述特征表示模块，包括：
第一文本表征子模块，用于利用所述文本表征模型的所述文本表征层对所述第一评价信息进行初始嵌入，获得所述第一评价信息对应的第一向量表示；
第一情感分析子模块，用于利用所述文本表征模型的所述情感分析层对所述第一评价信息进行情感判断，获得所述第一评价信息对应的第一情感倾向；
第一特征融合子模块，用于利用所述文本表征模型的所述特征融合层对所述第一向量表示和所述第一情感倾向进行特征融合，获得所述第一评价信息对应的第一融合向量；
第一信息聚合子模块，用于利用所述文本表征模型的所述特征表示层对所述第一融合向量进行信息聚合，获得所述第一评价信息对应的所述用户评论向量。
3.根据权利要求2所述的***，其特征在于，所述第一信息聚合子模块，包括：
第一特征确定单元，用于根据所述第一评价信息的分布特征确定所述第一评价信息对应的第一聚合函数；
第一信息聚合单元，用于根据所述第一聚合函数对所述第一融合向量进行信息聚合，获得所述第一评价信息对应的所述用户评论向量。
4.根据权利要求2所述的***，其特征在于，所述特征表示模块，包括：
第二文本表征子模块，用于利用所述文本表征模型的所述文本表征层对所述第二评价信息进行初始嵌入，获得所述第二评价信息对应的第二向量表示；
第二情感分析子模块，用于利用所述文本表征模型的所述情感分析层对所述第二评价信息进行情感判断，获得所述第二评价信息对应的第二情感倾向；
第二特征融合子模块，用于利用所述文本表征模型的所述特征融合层对所述第二向量表示和所述第二情感倾向进行特征融合，获得所述第二评价信息对应的第二融合向量；
第二信息聚合子模块，利用所述文本表征模型的所述特征表示层对所述第二融合向量进行信息聚合，获得所述第二评价信息对应的所述产品评论向量。
5.根据权利要求4所述的***，其特征在于，所述第二信息聚合子模块，包括：
第二特征确定单元，用于根据所述第二评价信息的分布特征确定所述第二评价信息对应的第二聚合函数；
第二信息聚合单元，用于根据所述第二聚合函数对所述第二融合向量进行信息聚合，获得所述第二评价信息对应的所述产品评论向量。
6.根据权利要求1所述的***，其特征在于，所述信息确定模块，包括：
评价次数确定子模块，用于根据所述第一历史数据确定所述目标用户对应的评价次数；
活跃值确定子模块，用于根据所述评价次数确定所述目标用户对应的所述活跃值；
时间变量确定子模块，用于根据所述第一历史数据确定所述目标用户对所述目标产品存在推荐兴趣的初始时间变量和当前时间变量；
偏执度确定子模块，用于根据所述初始时间变量和所述当前时间变量确定所述目标用户对应的所述偏执度。
7.根据权利要求6所述的***，其特征在于，所述偏执度确定子模块，包括：
偏差时间变量确定单元，用于确定所述目标用户对所述目标产品对应的推荐兴趣的偏差时间变量；
第一时间差距计算单元，用于计算所述偏差时间变量和所述当前时间变量之间的第一时间差距；
第二时间差距计算单元，用于计算所述当前时间变量和所述初始时间变量之间的第二时间差距；
偏执度确定单元，用于根据所述第一时间差距和所述第二时间差距确定所述目标用户对应的所述偏执度。
8.根据权利要求1所述的***，其特征在于，所述数据融合模块，包括：
信任度系数计算子模块，用于根据所述偏执度计算得到所述目标用户对所述目标产品对应的信任度系数；
融合矩阵确定子模块，用于根据所述活跃值、所述偏执度以及所述信任度系数确定所述用户评论向量和所述产品评论向量进行情感融合所需的融合矩阵；
感兴趣程度获得子模块，用于根据所述融合矩阵对所述用户评论向量和所述产品评论向量进行向量融合，获得所述目标用户对所述目标产品的感兴趣程度。
9.根据权利要求8所述的***，其特征在于，所述融合矩阵确定子模块，包括：
权重确定单元，用于确定所述偏执度对应的第一权重和所述信任度系数对应的第二权重；
向量融合单元，用于根据所述第一权重、所述第二权重对所述活跃值、所述偏执度以及所述信任度系数进行信息加权，获得所述用户评论向量和所述产品评论向量进行情感融合所需的所述融合矩阵；
其中，根据下列公式获得所述融合矩阵：
；
R表示所述融合矩阵，b表示所述第二权重，a表示所述第一权重，T表示所述活跃值，I表示所述偏执度，V表示所述信任度系数。
10.根据权利要求1所述的***，其特征在于，所述数据预测模块，包括：
分数预测子模块，用于根据所述分数预测模型中所述目标用户对应的第一偏置和所述目标产品对应的第二偏置对所述感兴趣程度进行分数预测，获得所述目标用户对所述目标产品的初始分值；
数据校准子模块，用于根据所述分数预测模型中的全局偏置对所述初始分值进行数据矫正，获得所述兴趣分值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410341397.4A CN117934126B (zh) | 2024-03-25 | 2024-03-25 | 一种基于用户情感分析的个性化目标信息推荐*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410341397.4A CN117934126B (zh) | 2024-03-25 | 2024-03-25 | 一种基于用户情感分析的个性化目标信息推荐*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117934126A true CN117934126A (zh) | 2024-04-26 |
| CN117934126B CN117934126B (zh) | 2024-06-21 |
Family
ID=90765226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410341397.4A Active CN117934126B (zh) | 2024-03-25 | 2024-03-25 | 一种基于用户情感分析的个性化目标信息推荐*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117934126B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016040660A (ja) * | 2014-08-12 | 2016-03-24 | 日本電信電話株式会社 | コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム |
| CN108573411A (zh) * | 2018-04-17 | 2018-09-25 | 重庆理工大学 | 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 |
| CN113821727A (zh) * | 2021-09-24 | 2021-12-21 | 武汉卓尔数字传媒科技有限公司 | 物品推荐方法、计算机设备及计算机可读存储介质 |
| CN114329176A (zh) * | 2021-11-08 | 2022-04-12 | 腾讯科技（武汉）有限公司 | 信息推荐方法、装置、计算机设备、存储介质及程序产品 |
| CN117235302A (zh) * | 2023-08-30 | 2023-12-15 | 电子科技大学 | 一种基于辅助特征的个性化推荐方法 |
-
2024
- 2024-03-25 CN CN202410341397.4A patent/CN117934126B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016040660A (ja) * | 2014-08-12 | 2016-03-24 | 日本電信電話株式会社 | コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム |
| CN108573411A (zh) * | 2018-04-17 | 2018-09-25 | 重庆理工大学 | 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 |
| CN113821727A (zh) * | 2021-09-24 | 2021-12-21 | 武汉卓尔数字传媒科技有限公司 | 物品推荐方法、计算机设备及计算机可读存储介质 |
| CN114329176A (zh) * | 2021-11-08 | 2022-04-12 | 腾讯科技（武汉）有限公司 | 信息推荐方法、装置、计算机设备、存储介质及程序产品 |
| CN117235302A (zh) * | 2023-08-30 | 2023-12-15 | 电子科技大学 | 一种基于辅助特征的个性化推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张宜浩 等: "基于用户评论的深度情感分析和多视图协同融合的混合推荐方法", 计算机学报, no. 06, 6 March 2019 (2019-03-06), pages 158 - 175 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117934126B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alhijawi et al. | Using genetic algorithms for measuring the similarity values between users in collaborative filtering recommender systems | |
| KR101573601B1 (ko) | 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법 | |
| KR102012676B1 (ko) | 콘텐츠 추천 방법, 장치 및 시스템 | |
| US10706446B2 (en) | Method, system, and computer-readable medium for using facial recognition to analyze in-store activity of a user | |
| US10546337B2 (en) | Price scoring for vehicles using pricing model adjusted for geographic region | |
| WO2015158308A1 (zh) | 判断用户年龄段的方法及装置 | |
| WO2013155092A1 (en) | Method and apparatus for intent modeling and prediction | |
| CN111797320B (zh) | 数据处理方法、装置、设备及存储介质 | |
| KR20190064042A (ko) | 상황 인식 기반 추천 방법 및 그 장치 | |
| WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| AU2020234710A1 (en) | Predictive RFM segmentation | |
| CN112150184A (zh) | 点击率预估方法及其***、计算机***及计算机可读介质 | |
| Borges et al. | A survey on recommender systems for news data | |
| CN106055665B (zh) | 基于异常值剔除的情境感知Web服务推荐方法和*** | |
| CN117934126B (zh) | 一种基于用户情感分析的个性化目标信息推荐*** | |
| CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
| US11991182B2 (en) | Optimizing resource utilization | |
| CN112650935B (zh) | 应用于电商云业务环境的智能化信息处理方法及云服务器 | |
| CN114912031A (zh) | 基于聚类和协同过滤的混合推荐方法和*** | |
| CN111931035B (zh) | 业务推荐方法、装置及设备 | |
| CN113938344A (zh) | 家庭宽带业务家庭群组满意度确定方法及*** | |
| KR20100085774A (ko) | 컨텐츠 추천 방법 및 그 시스템 | |
| CN110245990B (zh) | 广告推荐方法、装置、电子设备及存储介质 | |
| CN117057812B (zh) | 用户满意度确定方法、装置、计算机设备及存储介质 | |
| US11720967B2 (en) | Systems and methods for determining product roadmap investment decisions and risk assessment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |