如今,互聯(lián)網(wǎng)已不僅僅是傳播信息的平臺,更是大多數(shù)人分享信息、表達(dá)個(gè)人態(tài)度的關(guān)鍵方式。尤其在Web2.0和移動社交網(wǎng)絡(luò)廣泛應(yīng)用之后,大量用戶習(xí)慣在互聯(lián)網(wǎng)上留下對各種物品及事件的評論,由此各大網(wǎng)站均積累了龐大的評論數(shù)據(jù)集。如此海量的評論信息給用戶決策造成了困擾,還造成了“信息過載”問題,為此,個(gè)性化推薦技術(shù)成為學(xué)者們的研究熱點(diǎn)。但目前的推薦技術(shù)大多僅考慮用戶評分?jǐn)?shù)據(jù)、個(gè)人基本信息等,卻沒有充分利用那些具有高價(jià)值的、能夠反映用戶個(gè)人偏好的大量非結(jié)構(gòu)化評論數(shù)據(jù),而這些評論數(shù)據(jù)能夠緩解數(shù)據(jù)稀疏和推薦準(zhǔn)確度低等問題�；诖�,本文深入挖掘用戶評論內(nèi)容,根據(jù)情感分析技術(shù)和讀書社交網(wǎng)站推薦的研究現(xiàn)狀,提出了基于用戶評論情感分析的個(gè)性化推薦模型。該模型主要分為評論情感分析和個(gè)性化推薦兩大模塊。在進(jìn)行情感分析時(shí),首先通過句法分析得出主要的依存句法關(guān)系,基于句法關(guān)系進(jìn)行特征詞-觀點(diǎn)詞對的抽取,在抽取過程中加入特征詞的種子詞庫和同義詞詞林進(jìn)行特征篩選;然后利用基于知網(wǎng)詞典的漢語語義相似度計(jì)算方法,對特征詞進(jìn)行屬性特征聚類;最后考慮程度副詞和否定詞共現(xiàn)時(shí)不同組合方式造成的語義差異,設(shè)定程度副詞的修飾百分比,設(shè)計(jì)了... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖５．?１圖書《６４２件可寫的事》的部分評論數(shù)據(jù)??Ｆｉｇ?５．１?Ｐａｒｔｉａｌ?ｒｅｖｉｅｗ?ｄａｔａ?ｆｏｒ?ｔｈｅ?ｂｏｏｋ?６４２?ｔｈｉｎｇｓ?ｔｏ?ｗｒｉｔｅ??

?基于用戶評論情感傾向分析的圖書推薦算法研究???用戶評論情感分祈結(jié)果??驗(yàn)情惑強(qiáng)度值??１Ｓ?１．２２??０．９６??１?■?＿??＿?０．４５?Ｂ??ｇ?０５?－?０．１５?＾??Ｓ?內(nèi)容Ｋ量墨羅娜：暴獄遐言??－°－５?？?－０３１??－０．＾８?Ｈ??－１??－ｉｍ??圖書屬性待征??圖５．３《６４２件可寫的事》評論情感分析結(jié)果??Ｆｉｇ?５．３?６４２?ｔｈｉｎｇｓ?ｔｏ?ｗｒｉｔｅ?ｒｅｖｉｅｗｓ?ｔｈｅ?ｒｅｓｕｌｔｓ?ｏｆ?ａｎ?ｅｍｏｔｉｏｎａｌ?ａｎａｌｙｓｉｓ??從圖５．?３可以看出，大眾對該圖書的“內(nèi)容”、“質(zhì)量”、“物流”、“形式”和??“語言”屬性特征有著正面的情感傾向，而對特征“價(jià)格”、“包裝”和“價(jià)值”整體??呈負(fù)面情感傾向。說明看過該本圖書的用戶對該圖書的評價(jià)是，內(nèi)容、形式、和語言方??面比較突出，但其價(jià)值不太高，而且書的價(jià)格偏貴。整體而言，該本圖書的正面評價(jià)情??感值大于負(fù)面評價(jià)情感值，用戶對此書還算滿意。??－５２－??

?基于用戶評論情感傾向分析的圖書推薦算法研究???不同列表長度下的Ｆ１值?．奸??ｌ＿，ｒ??０．３５?娜？—得??ｎ?ａ?、．?ｗ＇…本文Ｋ法??仏?０．１５??ｎ．ｉ??０－０Ｓ??Ｑ??１?２?３?４?５?６?７?Ｂ?９?１０??推薦列表長度??圖５．７不同列表長度下的ＦＩ值??Ｆｉｇ?５．７?ＦＩ?ｖａｌｕｅｓ?ｆｏｒ?ｄｉｆｆｅｒｅｎｔ?ｌｉｓｔ?ｌｅｎｇｔｈｓ??５．５?本章小結(jié)??本章以豆瓣讀書評論數(shù)據(jù)為例，展示了基于情感分析的個(gè)性化推薦的完整流程，并??驗(yàn)證了該算法的有效性。首先從數(shù)據(jù)的釆集和預(yù)處理開始，將評論數(shù)據(jù)集處理成規(guī)范的??數(shù)據(jù)集，之后在實(shí)驗(yàn)過程環(huán)節(jié)進(jìn)行了特征詞－觀點(diǎn)詞對的抽取，產(chǎn)品屬性特征聚類和用??戶偏好的計(jì)算，最終得到用戶相似度，生成推薦列表進(jìn)行個(gè)性化推薦。為了驗(yàn)證算法的??有效性，本文以準(zhǔn)確率、召回率和Ｆ－ｍｅａｓｕｒｅ值為評估指標(biāo)，對本文算法從特征詞抽取??效果、情感傾向識別結(jié)果以及算法整體推薦效果三方面進(jìn)行了評估和比較，結(jié)果表明，??本文算法具有較高的準(zhǔn)確率和召回率，推薦效果良好。??－ｓ＞??

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)和Tree-LSTM的微博情感分析[J]. 王文凱,王黎明,柴玉梅.  計(jì)算機(jī)應(yīng)用研究. 2019(05)
[2]基于評論情感分析的個(gè)性化推薦策略研究——以豆瓣影評為例[J]. 姜霖,張麒麟.  情報(bào)理論與實(shí)踐. 2017(08)
[3]在線中文用戶評論研究綜述:基于情感計(jì)算的視角[J]. 吳應(yīng)良,黃媛,王選飛.  情報(bào)科學(xué). 2017(06)
[4]基于情感分析和LDA主題模型的協(xié)同過濾推薦算法[J]. 彭敏,席俊杰,代心媛,何炎祥.  中文信息學(xué)報(bào). 2017(02)
[5]面向商品評論文本的情感分析與挖掘[J]. 李涵昱,錢力,周鵬飛.  情報(bào)科學(xué). 2017(01)
[6]基于特征本體的微博產(chǎn)品評論情感分析[J]. 唐曉波,蘭玉婷.  圖書情報(bào)工作. 2016(16)
[7]基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)平臺細(xì)粒度情感分析[J]. 李陽輝,謝明,易陽.  計(jì)算機(jī)應(yīng)用研究. 2017(03)
[8]中國房地產(chǎn)網(wǎng)絡(luò)輿情分析[J]. 朱建平,謝邦昌,駱翔宇,范新妍,曾武雄,鄭陳璐.  數(shù)理統(tǒng)計(jì)與管理. 2016(04)
[9]一種個(gè)性化協(xié)同過濾混合推薦算法[J]. 蔣宗禮,汪瑜彬.  軟件導(dǎo)刊. 2016(03)
[10]基于情感分析的企業(yè)產(chǎn)品級競爭對手識別研究——以用戶評論為數(shù)據(jù)源[J]. 肖璐,陳果,劉繼云.  圖書情報(bào)工作. 2016(01)

碩士論文
[1]基于情感分析的個(gè)性化推薦研究[D]. 容智宇.華中師范大學(xué) 2018
[2]基于文本挖掘的在線評論情感強(qiáng)度分析[D]. 肖潔.暨南大學(xué) 2018
[3]基于高校圖書館信息推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 萬瑩.電子科技大學(xué) 2014
[4]評論文本的情感分析研究及其在信用評估中的應(yīng)用[D]. 李楚楚.首都師范大學(xué) 2013
[5]基于情感詞典的中文微博情感傾向分析研究[D]. 陳曉東.華中科技大學(xué) 2012



本文編號：3475994