基于混合信息融合的情感感知商品推荐方法与流程

本发明属于商品推荐技术领域，具体涉及一种基于混合信息融合的情感感知商品推荐方法。

背景技术：

互联网的出现和普及给用户带来了大量的信息，满足用户在信息时代对信息的需求，但随着网络的迅速发展，网上信息量大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的信息，对信息的使用效率反而降低，这就是信息超载问题。

解决信息超载问题一个非常有潜力的办法是推荐系统，推荐系统现已广泛应用于很多领域，其中最典型的应用领域是电子商务领域。

在电子商务领域，现有商品推荐系统主要实现方式为：根据用户针对已购买商品的评论数据以及用户的兴趣等信息，实现对用户的个性化商品推荐。此种商品推荐系统主要存在以下问题：由于商品推荐系统考虑的用户信息较少，具有商品推荐精度低的问题。

技术实现要素：

针对现有技术存在的缺陷，本发明提供一种基于混合信息融合的情感感知商品推荐方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于混合信息融合的情感感知商品推荐方法，包括以下步骤：

步骤1，推荐平台建立商品集合p＝(p1,p2,...,pn)和用户集合q＝(q1,q2,...,qm)；其中，所述商品集合p为电子商务平台上面的可进行商品推荐的商品范围，n为可进行商品推荐的商品数量；所述用户集合q为已注册到电子商务平台的用户集合，m为用户集合中的用户数量；

推荐平台建立评分数据库；每当任意的用户qi从所述电子商务平台购买任意的商品pj，并针对商品pj进行购买后的评分时，将原始评分score(qi,pj)存储到所述评分数据库；其中，i＝1,2,...,m；j＝1,2,...,n；原始评分score(qi,pj)表示用户qi对商品pj进行的原始评分；

步骤2，当任意的用户qi访问所述电子商务平台时，所述电子商务平台查找所述评分数据库，得到用户qi已进行购买后原始评分的商品范围，然后，商品集合p中去除已进行购买后原始评分的商品范围，得到用户qi未进行原始评分的商品范围，即为用户qi的未购买商品范围，对于未购买商品范围中的每个商品pk，均采用步骤3-步骤5的方法，得到对商品pk的最终推荐度值:

步骤3，对于商品pk，统计得到对商品pk进行购买后评分和发表购买后评论数据的用户集合r＝(r1,r2,...,rz)；其中,用户集合r为用户集合q的子集；

对于用户集合r中的每个用户ra，a＝1,2,...,z，均执行以下步骤:

步骤3.1，采用以下方法，计算用户ra和qi之间的用户特征相似度us(qi,ra):

步骤3.1.1，收集用户ra的社交网络数据，构造得到用户ra的标签特征集合ul(ra)；收集用户qi的社交网络数据，构造得到用户qi的标签特征集合ul(qi)；其中，标签特征集合包括若干个表征用户特征的用户标签；

步骤3.1.2，根据ul(ra)和ul(qi)中相同用户标签个数，采用下式计算得到用户ra和qi之间的用户特征标签相似度ul(qi,ra):

其中:

|ul(qi)∩ul(ra)|代表ul(qi)和ul(ra)进行集合交运算后，得到的集合中的元素数量；

|ul(qi)∪ul(ra)|代表ul(qi)和ul(ra)进行集合并运算后，得到的集合中的元素数量；

步骤3.1.3，分析用户ra的社交网络数据，提取得到用户ra的好友特征集合uf(ra)；其中,用户ra的好友特征集合uf(ra)中的每个元素，为用户ra的已加关注的好友id；

分析用户qi的社交网络数据，提取得到用户qi的好友特征集合uf(qi)；其中,用户qi的好友特征集合uf(qi)中的每个元素，为用户qi的已加关注的好友id；

步骤3.1.4，根据uf(qi)和uf(ra)中相同元素个数，采用下式计算得到用户ra和qi之间的用户特征好友相似度uf(qi,ra):

其中:

|uf(qi)∩uf(ra)|代表uf(qi)和uf(ra)进行集合交运算后，得到的集合中的元素数量；

|uf(qi)∪uf(ra)|代表uf(qi)和uf(ra)进行集合并运算后，得到的集合中的元素数量；

步骤3.1.5，利用乘法原理，融合叠加用户特征标签相似度ul(qi,ra)和用户特征好友相似度uf(qi,ra),构造得到用户特征相似度us(qi,ra)＝ul(qi,ra)*uf(qi,ra)；

步骤3.2，融合校正后评分和用户特征相似度，计算用户ra和qi之间的用户相似度sim(qi,ra)，方法如下:

步骤3.2.1，查找所述评分数据库，统计得到用户ra和用户qi共同评分商品集合i＝(i1,i2,...,ih)；其中,商品集合i为商品集合p的子集；h为共同评分商品数量；

步骤3.2.2，查找所述评分数据库，获得用户ra对商品iu的原始评分score(ra,iu)；其中，u＝1,2,...,h；

利用情感信息对用户ra对商品iu的原始评分score(ra,iu)进行校正,得到校正后评分score'(ra,iu)，具体为:

1)收集得到用户ra对商品iu发表的所有条评论信息，设共有w条评论信息，对于每条评论cb(ra,iu)，其中,b＝1,2,...,w，统计评论cb(ra,iu)中否定词个数，如果否定词个数为奇数，则情感极性pol(cb(ra,iu))＝-1；如果否定词个数为偶数，则情感极性pol(cb(ra,iu))＝1；统计得到评论cb(ra,iu)中积极情感词个数pos(cb(ra,iu))和消极情感词个数neg(cb(ra,iu))；

2)采用下式计算得到用户ra对商品iu的校正后评分score'(ra,iu):

3)计算得到用户qi对商品iu的校正后评分score'(qi,iu)；

步骤3.2.3，依次计算得到用户ra对集合i中每个商品的校正后评分，因此，共得到h个第一校正后评分，对h个第一校正后评分求平均值，得到用户ra的校正后评分均值

依次计算得到用户qi对集合i中每个商品的校正后评分，因此，共得到h个第二校正后评分，再对h个第二校正后评分求平均值，得到用户qi的校正后评分均值

步骤3.2.4，采用下式计算用户ra和qi之间的用户相似度sim(qi,ra):

步骤4，采用下式，基于用户相似度计算商品pk对用户qi的初始商品推荐度rec(qi,pk):

其中:score'(ra,pk)指用户ra对商品pk的校正后评分；

步骤5，利用情感信息校正商品pk对用户qi的初始商品推荐度rec(qi,pk)，得到商品pk对用户qi的最终商品推荐度frec(qi,pk),包括:

步骤5.1，收集得到用户qi在购买商品pk之前在商品的评论区进行咨询和讨论的所有评论信息，设共有at条评论信息，对于每条评论ct(qi,pk)，其中,t＝1,2,...,at，统计评论ct(qi,pk)中否定词个数，如果否定词个数为奇数，则情感极性pol(ct(qi,pk))＝-1；如果否定词个数为偶数，则情感极性pol(ct(qi,pk))＝1；统计得到评论ct(qi,pk)中积极情感词个数pos(ct(qi,pk))和消极情感词个数neg(ct(qi,pk))；

步骤5.2，采用下式计算得到商品pk对用户qi的最终商品推荐度frec(qi,pk):

步骤6，因此，对于未购买商品范围中的每个商品pk，均得到商品pk对用户qi的最终推荐度值，将未购买商品范围中各个商品对应的最终推荐度值按从高到低的顺序排列，选择排序在前的若干个商品推荐给用户qi。

优选的，步骤3.1.1中，表征用户特征的用户标签包括用户性别，用户年龄，用户职业，用户所在地点以及用户社交信息。

优选的，所述用户社交信息包括用户兴趣爱好信息以及用户性格信息。

本发明提供的基于混合信息融合的情感感知商品推荐方法具有以下优点：

本发明提供的基于混合信息融合的情感感知商品推荐方法，综合考虑在电子商务平台已购买该商品的所有用户的评分数据和评论数据、用户与每个已购买该商品的用户的用户相似度以及用户a对每个商品进行的购买前咨询评论数据，从而得到该商品对用户a的商品推荐度，由于考虑的信息全面充分，因此，有效提高商品推荐度结果的准确性。

附图说明

图1为本发明提供的基于混合信息融合的情感感知商品推荐方法的流程示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参考图1，本发明提供一种基于混合信息融合的情感感知商品推荐方法，包括以下步骤：

步骤1，推荐平台建立商品集合p＝(p1,p2,...,pn)和用户集合q＝(q1,q2,...,qm)；其中，所述商品集合p为电子商务平台上面的可进行商品推荐的商品范围，通常为电子商务平台上面所有的商品，n为可进行商品推荐的商品数量；所述用户集合q为已注册到电子商务平台的用户集合，m为用户集合中的用户数量；

推荐平台建立评分数据库；每当任意的用户qi从所述电子商务平台购买任意的商品pj，并针对商品pj进行购买后的评分时，将原始评分score(qi,pj)存储到所述评分数据库；其中，i＝1,2,...,m；j＝1,2,...,n；原始评分score(qi,pj)表示用户qi对商品pj进行的原始评分；一般情况下，系统默认只有购买了某个商品，才能对该商品进行评分。

步骤2，当任意的用户qi访问所述电子商务平台时，所述电子商务平台查找所述评分数据库，得到用户qi已进行购买后原始评分的商品范围，然后，商品集合p中去除已进行购买后原始评分的商品范围，得到用户qi未进行原始评分的商品范围，即为用户qi的未购买商品范围，对于未购买商品范围中的每个商品pk，均采用步骤3-步骤5的方法，得到对商品pk的最终推荐度值:

步骤3，对于商品pk，统计得到对商品pk进行购买后评分和发表购买后评论数据的用户集合r＝(r1,r2,...,rz)；其中,用户集合r为用户集合q的子集；

对于用户集合r中的每个用户ra，a＝1,2,...,z，均执行以下步骤:

步骤3.1，采用以下方法，计算用户ra和qi之间的用户特征相似度us(qi,ra):

步骤3.1.1，收集用户ra的社交网络数据，构造得到用户ra的标签特征集合ul(ra)；收集用户qi的社交网络数据，构造得到用户qi的标签特征集合ul(qi)；其中，标签特征集合包括若干个表征用户特征的用户标签；

实际应用中，表征用户特征的用户标签包括用户性别，用户年龄，用户职业，用户所在地点以及用户社交信息。其中，用户社交信息包括但不限于用户兴趣爱好信息以及用户性格信息。用户社交信息是通过对用户社交网络数据进行分析获得，而用户社交网络数据来自于社交网络平台，如微博，网络社区等社交网络平台。

具体的，传统用户特征标签相似度是基于用户对商品的评分数据进行计算。然而，用户评分可能仅代表某一时刻的情感偏向。因此，在计算用户特征标签相似度时，需要更能体现用户特征的较为稳定的信息。

本发明中，首先从用户社交网络数据中提取稳定的表征用户特征的标签信息，包括用户的性别s，年龄a，职业w，地点p，社交标签组{l1,l2,…，lv}；社交标签组通常是从社交网站提供的关键词集合中自主选择能够稳定表征用户特征的关键词，如“开朗”，“爱旅游”，“喜欢篮球”等。构造用户的标签特征集合ul(qi)＝{s,a,w,p,l1,l2,…，lv}。

步骤3.1.2，根据ul(ra)和ul(qi)中相同用户标签个数，采用下式计算得到用户ra和qi之间的用户特征标签相似度ul(qi,ra):

其中:

|ul(qi)∩ul(ra)|代表ul(qi)和ul(ra)进行集合交运算后，得到的集合中的元素数量；

|ul(qi)∪ul(ra)|代表ul(qi)和ul(ra)进行集合并运算后，得到的集合中的元素数量；

步骤3.1.3，分析用户ra的社交网络数据，提取得到用户ra的好友特征集合uf(ra)；其中,用户ra的好友特征集合uf(ra)中的每个元素，为用户ra的已加关注的好友id；

分析用户qi的社交网络数据，提取得到用户qi的好友特征集合uf(qi)；其中,用户qi的好友特征集合uf(qi)中的每个元素，为用户qi的已加关注的好友id；

步骤3.1.4，根据uf(qi)和uf(ra)中相同元素个数，采用下式计算得到用户ra和qi之间的用户特征好友相似度uf(qi,ra):

其中:

|uf(qi)∩uf(ra)|代表uf(qi)和uf(ra)进行集合交运算后，得到的集合中的元素数量；

|uf(qi)∪uf(ra)|代表uf(qi)和uf(ra)进行集合并运算后，得到的集合中的元素数量；

步骤3.1.5，利用乘法原理，融合叠加用户特征标签相似度ul(qi,ra)和用户特征好友相似度uf(qi,ra),构造得到用户特征相似度us(qi,ra)＝ul(qi,ra)*uf(qi,ra)；

由此可见，本发明在计算用户特征相似度时，综合考虑了用户特征标签相似度和用户特征好友相似度，由于综合考虑的信息全面，能够更为准确的得到表征用户之间相似度的用户特征相似度的值，从而提高推荐系统的产品推荐准确性。

步骤3.2，融合校正后评分和用户特征相似度，计算用户ra和qi之间的用户相似度sim(qi,ra)，方法如下:

步骤3.2.1，查找所述评分数据库，统计得到用户ra和用户qi共同评分商品集合i＝(i1,i2,...,ih)；其中,商品集合i为商品集合p的子集；h为共同评分商品数量；

步骤3.2.2，查找所述评分数据库，获得用户ra对商品iu的原始评分score(ra,iu)；其中，u＝1,2,...,h；

利用情感信息对用户ra对商品iu的原始评分score(ra,iu)进行校正,得到校正后评分score'(ra,iu)，具体为:

1)收集得到用户ra对商品iu发表的所有条评论信息，设共有w条评论信息，对于每条评论cb(ra,iu)，其中,b＝1,2,...,w，统计评论cb(ra,iu)中否定词个数，如果否定词个数为奇数，则情感极性pol(cb(ra,iu))＝-1；如果否定词个数为偶数，则情感极性pol(cb(ra,iu))＝1；统计得到评论cb(ra,iu)中积极情感词个数pos(cb(ra,iu))和消极情感词个数neg(cb(ra,iu))；

2)采用下式计算得到用户ra对商品iu的校正后评分score'(ra,iu):

3)计算得到用户qi对商品iu的校正后评分score'(qi,iu)；

本步骤的原因为：在实际电子商务平台中，经常可以看到用户的评分数据和用户的评论数据不能够完全一致，例如，用户a对商品b的评分为7分，但是在用户a对商品b的评论中出现负面情绪词语，如“不过如此”。主要原因是非专业的用户在评分时会受到多种因素影响，如当时心情，当时的兴趣点等。因此，有必要采用评论数据的情感信息对评分数据进行校正，再进行推荐。本发明中，从用户评论数据中分析提取情感信息，情感信息是基于情感词典的统计计算。然后，采用情感信息对用户ra对商品iu的原始评分进行校正。

步骤3.2.3，依次计算得到用户ra对集合i中每个商品的校正后评分，因此，共得到h个第一校正后评分，对h个第一校正后评分求平均值，得到用户ra的校正后评分均值

依次计算得到用户qi对集合i中每个商品的校正后评分，因此，共得到h个第二校正后评分，再对h个第二校正后评分求平均值，得到用户qi的校正后评分均值

步骤3.2.4，采用下式计算用户ra和qi之间的用户相似度sim(qi,ra):

具体的，用户间的相似度计算是基于用户协同过滤算法中的关键步骤，传统协同过滤中相似度计算是基于用户对商品的评分数据。但该传统相似度运算存在以下问题：其一，没有考虑用户对商品评论中的情感信息。其二，没有考虑用户社交网络数据中隐含的相似度信息。

因此，本申请融合用户校正评分数据和用户特征相似度计算用户相似度。从而得到更为准确的用户相似度的值。

步骤4，采用下式，基于用户相似度计算商品pk对用户qi的初始商品推荐度rec(qi,pk):

其中:score'(ra,pk)指用户ra对商品pk的校正后评分；

步骤5，利用情感信息校正商品pk对用户qi的初始商品推荐度rec(qi,pk)，得到商品pk对用户qi的最终商品推荐度frec(qi,pk),包括:

步骤5.1，收集得到用户qi在购买商品pk之前在商品的评论区进行咨询和讨论的所有评论信息，设共有at条评论信息，对于每条评论ct(qi,pk)，其中,t＝1,2,...,at，统计评论ct(qi,pk)中否定词个数，如果否定词个数为奇数，则情感极性pol(ct(qi,pk))＝-1；如果否定词个数为偶数，则情感极性pol(ct(qi,pk))＝1；统计得到评论ct(qi,pk)中积极情感词个数pos(ct(qi,pk))和消极情感词个数neg(ct(qi,pk))；

步骤5.2，采用下式计算得到商品pk对用户qi的最终商品推荐度frec(qi,pk):

具体的，在实际应用场合中，经常可以发现某个用户在购买某个商品之前，会在商品的评论区进行咨询和讨论。传统的推荐方法通常仅仅关注曾购买过的商品的评论数据，并没有充分利用用户对未曾购买商品的评论数据。

而本申请中，从用户购买某个商品之前的用户评论数据中，分析提取情感信息，然后利用此种情感信息校正初始商品推荐度，进而得到更为准确的商品推荐度。

根据本矫正过程可知，即使用户对两个商品的初始推荐度相同，如果用户较为频繁的关注评论咨询其中一个商品，并且评论是积极的，则优先推荐此商品。

步骤6，因此，对于未购买商品范围中的每个商品pk，均得到商品pk对用户qi的最终推荐度值，将未购买商品范围中各个商品对应的最终推荐度值按从高到低的顺序排列，选择排序在前的若干个商品推荐给用户qi。

由此可见，本发明中，当需要对某个用户a进行商品推荐时，首先得到此用户未在电子商务平台购买的每个商品；然后，综合考虑在电子商务平台已购买该商品的所有用户的评分数据和评论数据、用户与每个已购买该商品的用户的用户相似度以及用户a对每个商品进行的购买前咨询评论数据，从而得到该商品对用户a的商品推荐度，由于考虑的信息全面充分，因此，有效提高商品推荐度结果的准确性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。