基于用户情感模型的推荐方法

阅读：评论：0

1.本发明属于云计算、软件工程领域，特别涉及一种基于用户情感模型的推荐方法。

背景技术：

2.随着目前互联网的发展，在当前大数据社会的背景下，网络的内容和种类快速增加，用户需要花费大量的时间进行搜索才能到自己想要的内容，出现了所谓的信息超载的问题。为了解决这个问题，出现了个性化推荐系统。个性化推荐系统通过分析用户的行为。发现用的个性化需求、兴趣等，然后将用户感兴趣的信息、产品等推荐给用户。个性化推荐系统主要依赖于用户的历史数据、数据挖掘和匹配算法。
3.与传统的搜索引擎不同的是，传统的搜索引擎可以让用户输入关键词来精确的到自己需要的信息。但是推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为来对用户的兴趣建立模型，从而主动为用户匹配相关信息来推荐给用户。
4.当前推荐系统已经应用于很多的领域，最典型并且具有很好的发展前景的领域就是电子商务领域和短视屏领域。但是大多数的个性化推荐是采用的用户数据挖掘及用户日志抽取解析和数据清洗，训练，匹配算法，实现对用户的个性化推荐内容，具有“粗暴推荐”、“无序推荐”和“浏览了”就推荐的缺陷。

技术实现要素：

5.本发明提供了一种基于用户情感模型的推荐方法，以解决至少一个上述技术问题。
6.为解决上述问题，作为本发明的一个方面，提供了一种基于用户情感模型的推荐方法，包括：
7.步骤1，为用户针对某一类商品的消费行为建立一个本体，并根据不同来源的数据对用户的同一消费行为下的本体构建一个多源数据本体库集合；
8.步骤2，对所述多源数据本体库集合进行数据融合和语义推理，从而建立描述用户消费行为的知识图；
9.步骤3，使用卷积神经网络提取用户评论中的情感因素建立情感模型；
10.步骤4，基于所述知识图的推荐方法生成推荐结果，根据所述情感模型对所述推荐结果进行筛选，得到最终得推荐结果并呈现给用户。
11.优选地，所述步骤4还包括：在得到用户得行为反馈数据之后，重新计算情感模型和知识图，使得结构更加进一步符合用户消费行为习惯。
12.优选地，所述本体定义为ontology(c,ac,r,ar,hc,x,map,kb)，其中，c定义了每类商品的概念，而ac表示每类商品的属性；r定义了商品与商品概念的关系，而ar表示关系中的属性；hc定义了商品概念所属的层级；x表示在此本体中的推理运算规则；map表示不同概念之间的层级关系；kb表示在这个本体中的推理知识库；
13.用户的每一类的消费的本体库定义为ontologylib(ontology1,ontology2,
…
,
ontologyn)，其中，不同的ontology表示对不同消费类型建立的本体；
14.多源数据本体库集合定义为multisd(ontologylib1,ontologylib2,
…
,ontologylibm)。
15.优选地，步骤2包括：
16.步骤21，数据重复性检测
17.使用杰卡德相似系数计算公式对多源数据的本体进行相似度计算，在描述同一消费行为的本体集合中两两计算相似度，将相似度最大的本体筛选出来放入目标库tl中，剩下的本体放入源目标库sl中，并使用密度聚类算法对两个目标库中本体特征进行提取，建立两个目标库中本体的语义关系，将无法建立语义关系的本体舍去从而实现对重复数据的过滤；
18.步骤22，语义推理及语义一致性检测
19.首先，定义一组语义一致性检测规则库rl，该规则库由一组逻辑运算规则组成，以检测构成用户本体的数据是否合法；然后，使用一致性检测和模糊系统算法来检测各个用户本体之间的一致性；
20.步骤23，将各个本体进行融合建立起用户消费行为的知识图。
21.优选地，步骤3中：
22.用户情感因素包括用户的偏好、满意度、忠诚度；
23.使用结巴分词处理用户评论，将用户转换为向量词组，再使用加权的方式判断得出用户评论的情感；
24.将描述用户情感因素的影响因素作为输入矩阵，输出用户的偏好、满意度、忠诚度，建立一个包含一个输入层、四层隐含层、一个输出层的卷积神经网络，其中四层隐含层中卷积层与采样层间隔排列。
25.优选地，偏好的影响因素包括：(1)用户的遗忘时间函数，表示当前时间与用户上次购买当前或者浏览商品的时间间隔；(2)偏好模糊量，表示用户上次购买商品时发表的评论的情感方向；
26.满意度的影响因素包括：(1)用户购买频率，表示在一定时间内用户购买商品的次数；(2)用户的评论次数，表示用户在购买商品后发表评论的次数；(3)消费方式，表示用户购买商品时的付款方式；
27.忠诚度的影响因素包括：(1)用户对品牌的认同程度，表示用户购买同品牌商品的次数；(2)对该品牌商品的顶的次数。
28.优选地，步骤4中，
29.步骤41，生成待推荐列表
30.当目前用户正在浏览某一商品时，通过商品在知识图中与其余商品之间连接关系，得到待推荐列表；
31.步骤42，利用情感模型进行筛选
32.使用情感模型计算用户对于待推荐列表中商品的情感因素，并且按照情感因素中的个数进行降序排列，优先推荐无的商品。
33.优选地，步骤41中，在用户知识图mulkg中，将用户、商品等属性作为实体，属性之间的关系及与用户的相关关系作为边，利用kge编码得到相关的实体表示后，使用如下公式
计算某一商品i的可能性：
[0034][0035]
h＝g(h
p
)。
[0036]
本发明以用户消费数据和评论数据为数据来源，可向用户精确推荐内容，避免传统推荐方法的“粗暴推荐”、“无序推荐”和“浏览了”就推荐的不足。
附图说明
[0037]
图1示意性地示出了用户本体库整体架构图；
[0038]
图2示意性地示出了处理评论的流程图；
[0039]
图3示意性地示出了卷积神经网络结构图；
[0040]
图4示意性地示出了本发明的算法整体流程图。
具体实施方式
[0041]
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
[0042]
本发明以用户消费数据和评论数据为数据来源，提出了一种基于用户情感模型的推荐模型，用于向用户精确推荐内容，避免传统推荐方法的“粗暴推荐”、“无序推荐”和“浏览了”就推荐的不足。
[0043]
本发明使用多源数据，针对不同来源的数据为用户建立不同的本体库，并将不同的本体库通过制定的融合规则进行融合，进而建立针对用的消费行为的知识图，并在此基础上引入情感分析，分析用户对不同消费对象的情感，结合推荐算法，构建基于情感模型的推荐系统。
[0044]
下面，对本发明的具体实施过程进行详细说明。
[0045]
1.多源数据构建多样的用户本体库
[0046]
用户针对某一类商品的消费行为可以建立一个本体来描述，其形式化的表示为：
[0047]
ontology(c,ac,r,ar,hc,x,map,kb)
[0048]
其中，c定义了每类商品的概念，而ac表示每类商品的属性；r定义了商品与商品概念的关系，而ar表示关系中的属性；hc定义了商品概念所属的层级；x表示在此本体中的推理运算规则；map表示不同概念之间的层级关系；kb表示在这个本体中的推理知识库。
[0049]
而用户的每一类的消费的本体库可以表示为用户对该类消费中商品的消费行为本体的集合来表示，可以定义为：
[0050]
ontologylib(ontology1,ontology2,
…
,ontologyn)
[0051]
其中，不同的ontology表示对不同消费类型建立的本体。
[0052]
不同来源的数据对用户同一的消费行为建立的本体存在差别，因此建立一个多源数据本体库集合multisd(ontologylib1,ontologylib2,
…
,ontologylibm)来表示。
[0053]
2.基于用户本体库构建知识图
[0054]
在不同来源数据基础上建立的用户多源本体库集合。只有完成多源数据融合以及语义推理才能形成建立描述用户消费行为的知识图kg(head entity,relation,tail entity)。在此过程中需要进行重复数据过滤和语义一致性检测。
[0055]
(1)多源数据融合方式——数据重复性检测
[0056]
有数据来源的不同，以及描述用户消费行为的侧重点不同，导致建立的用户本体库的不同，这些描述同一消费行为的本体库中的数据存在重复。所以，需要对数据进行过滤，来减少建立的知识图中数据的冗余度。
[0057]
使用杰卡德相似系数计算公式来对多源数据的本体进行相似度计算。具体计算方式如下：
[0058][0059]
其中，a表示本体1的属性集合，b表示本体2的属性集合。
[0060]
在描述同一消费行为的本体集合中两两计算相似度，将相似度最大的本体筛选出来放入目标库tl中，剩下的本体放入源目标库sl中。由于来源不同的数据构建本体有按照描述目标分布的特点，所以这里使用密度聚类算法对两个目标库中本体特征进行提取，建立两个目标库中本体的语义关系，将无法建立语义关系的本体舍去，这样就完成了对重复数据的过滤。
[0061]
(2)语义推理——语义一致性检测
[0062]
由于数据的来源不同，某些信息存在错误的情况，这种错误的情况就会直接表现在基于数据建立的用户本上，通过对本体之间语义一致性的检查可以检测各个数据源的信息是否合法，是否满足安全规则。
[0063]
首先，定义了一组语义一致性检测规则库rl，该规则库由一组逻辑运算规则组成，来检测构成用户本体的数据是否合法。然后，使用一致性检测和模糊系统算法来检测各个用户本体之间的一致性。
[0064]
在完成数据重复过滤和一致性检测之后，将各个本体进行融合建立起用户消费行为的知识图。
[0065]
3.基于用户消费数据建立情感模型
[0066]
传统的用户的浏览和购买数据只能片面的表现出用户的一段时间内对某件商品的关注度，仅仅使用这样的数据进行“粗暴推荐”、“无序推荐”，会引起用户的反感，而用户在购买商品之后的点评数据更加能够表达出用户对商的情感。因此，本发明利用点评数据提取用户情感能够进一步提高推荐的准确性、有效性。
[0067]
(1)模型建立
[0068]
情感模型的建立使用卷积神经网络提取用户评论中的情感因素，用户的情感因素主要从三个方面来考虑：1)用户的偏好(preference)；2)用户的满意度(satisfaction)；3)用户的忠诚度(loyalty)。
[0069]
用户的偏好主要由两个方面进行描述：(1)用户的遗忘时间函数(ftfunction)，表示当前时间与用户上次购买当前或者浏览商品的时间间隔；(2)偏好模糊量(fuzzy)，表示用户上次购买商品时发表的评论的情感方向。
[0070]
用户满意度主要由四个方面进行描述：(1)用户购买频率(frequency)，表示在一定时间内用户购买商品的次数；(2)用户的评论次数(ea)，表示用户在购买商品后发表评论的次数；(3)消费方式(mode)，表示用户购买商品时的付款方式。
[0071]
用户忠诚度主要由两个个方面进行描述：(1)用户对品牌的认同程度(br)，表示用
户购买同品牌商品的次数；(2)topc表示对该品牌商品的顶的次数。
[0072]
用户的遗忘时间函数(ftfunction)使用艾宾浩斯遗忘曲线公式进行计算，公式如下所示：
[0073][0074]
其中t单位为天，h为遗忘因子，k为常数。
[0075]
(2)卷积神经网络
[0076]
由于上述描述情感模型各个因素中的既有数值也有文字，需要统一成为数值，方便神经网络进行处理。在处理评论文字时，使用结巴分词将用户转换为向量词组。再使用加权的方式来判断用户评论的情感。
[0077]
本发明将描述用户情感因素三个方面的影响因素作为输入矩阵，输出1)用户的偏好(preference)；2)用户的满意度(satisfaction)；3)用户的忠诚度(loyalty)，建立一个包含一个输入层，四层隐含层，一个输出层的卷积神经网络，其中四层隐含层中卷积层与采样层间隔排列。
[0078]
4.结合情感模型与知识图构建推荐方法
[0079]
本发明在基于知识图的推荐方法生成的推荐结果的基础上，结合情感模型得到结果进行筛选，得到最终得推荐结果，呈现给用户，在得到用户得行为反馈数据之后重新计算情感模型和知识图，使得结构更加进一步符合用户消费行为习惯。
[0080]
(1)待推荐列表生成
[0081]
当目前用户正在浏览某一商品时，通过商品在知识图中与其余商品之间连接关系，得到待推荐列表。
[0082]
在用户知识图mulkg中，将用户、商品等的属性作为实体，属性之间的关系及与用户的相关关系作为边。利用kge编码得到相关的实体表示后。使用如下公式计算某一商品i的可能性：
[0083][0084]
h＝g(h
p
)
[0085]
(2)情感模型进一步筛选
[0086]
在使用用户知识图mulkg得到待推荐列表之后，使用情感模型计算用户对于待推荐列表中商品的情感因素，并且按照情感因素中的个数进行降序排列，优先推荐无的商品。
[0087]
(3)情感模型与知识图更新
[0088]
当用户根据推荐列表产生新的浏览或者消费行为时，算法会跟据新产生的数据重新构建用户知识图和情感模型，使之与用户消费行为符合。
[0089]
由于采用了上述技术方案，本发明可获取以下有益效果：
[0090]
1.采用多源数据构建多样的用户本体库
[0091]
通过对不同来源的用户消费行为数据建立不同用户本体，从多方面刻画了用户的消费习惯，由此建立的用户本体库可以更加全面细致表现出用户消费行为。
[0092]
2.引入知识图描述用户消费行为
[0093]
在多源数据构建的用户本体库的基础上使用数据重复过滤和语义一致性检测。保证了构建出的知识图的数据的准确性和语义的一致性。
[0094]
3.采用基于卷积神经网络的情感模型
[0095]
使用用户购买商品之后的行为数据，数值化之后，作为卷积神经网络输入数据，可以更加准确得到用户对商品三个方面的情感评价。
[0096]
4.情感模型优化基于知识图的推荐结果
[0097]
通过情感模型筛选知识图得到的推荐结果，提高了推荐商品的准确度，减少了由于推荐负面情感商品给用户的情况。
[0098]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于用户情感模型的推荐方法，其特征在于，包括：步骤1，为用户针对某一类商品的消费行为建立一个本体，并根据不同来源的数据对用户的同一消费行为下的本体构建一个多源数据本体库集合；步骤2，对所述多源数据本体库集合进行数据融合和语义推理，从而建立描述用户消费行为的知识图；步骤3，使用卷积神经网络提取用户评论中的情感因素建立情感模型；步骤4，基于所述知识图的推荐方法生成推荐结果，根据所述情感模型对所述推荐结果进行筛选，得到最终得推荐结果并呈现给用户。2.根据权利要求1所述的基于用户情感模型的推荐方法，其特征在于，所述步骤4还包括：在得到用户得行为反馈数据之后，重新计算情感模型和知识图，使得结构更加进一步符合用户消费行为习惯。3.根据权利要求1所述的基于用户情感模型的推荐方法，其特征在于，所述本体定义为ontology(c,ac,r,ar,hc,x,map,kb)，其中，c定义了每类商品的概念，而ac表示每类商品的属性；r定义了商品与商品概念的关系，而ar表示关系中的属性；hc定义了商品概念所属的层级；x表示在此本体中的推理运算规则；map表示不同概念之间的层级关系；kb表示在这个本体中的推理知识库；用户的每一类的消费的本体库定义为ontologylib(ontology1,ontology2,
…
,ontologyn)，其中，不同的ontology表示对不同消费类型建立的本体；多源数据本体库集合定义为multisd(ontologylib1,ontologylib2,
…
,ontologylibm)。4.根据权利要求1所述的基于用户情感模型的推荐方法，其特征在于，步骤2包括：步骤21，数据重复性检测使用杰卡德相似系数计算公式对多源数据的本体进行相似度计算，在描述同一消费行为的本体集合中两两计算相似度，将相似度最大的本体筛选出来放入目标库tl中，剩下的本体放入源目标库sl中，并使用密度聚类算法对两个目标库中本体特征进行提取，建立两个目标库中本体的语义关系，将无法建立语义关系的本体舍去从而实现对重复数据的过滤；步骤22，语义推理及语义一致性检测首先，定义一组语义一致性检测规则库rl，该规则库由一组逻辑运算规则组成，以检测构成用户本体的数据是否合法；然后，使用一致性检测和模糊系统算法来检测各个用户本体之间的一致性；步骤23，将各个本体进行融合建立起用户消费行为的知识图。5.根据权利要求1所述的基于用户情感模型的推荐方法，其特征在于，步骤3中：用户情感因素包括用户的偏好、满意度、忠诚度；使用分词处理用户评论，将用户转换为向量词组，再使用加权的方式判断得出用户评论的情感；将描述用户情感因素的影响因素作为输入矩阵，输出用户的偏好、满意度、忠诚度，建立一个包含一个输入层、四层隐含层、一个输出层的卷积神经网络，其中四层隐含层中卷积层与采样层间隔排列。
6.根据权利要求5所述的基于用户情感模型的推荐方法，其特征在于，偏好的影响因素包括：(1)用户的遗忘时间函数，表示当前时间与用户上次购买当前或者浏览商品的时间间隔；(2)偏好模糊量，表示用户上次购买商品时发表的评论的情感方向；满意度的影响因素包括：(1)用户购买频率，表示在一定时间内用户购买商品的次数；(2)用户的评论次数，表示用户在购买商品后发表评论的次数；(3)消费方式，表示用户购买商品时的付款方式；忠诚度的影响因素包括：(1)用户对品牌的认同程度，表示用户购买同品牌商品的次数；(2)对该品牌商品的顶的次数。7.根据权利要求1所述的基于用户情感模型的推荐方法，其特征在于，步骤4中，步骤41，生成待推荐列表当目前用户正在浏览某一商品时，通过商品在知识图中与其余商品之间连接关系，得到待推荐列表；步骤42，利用情感模型进行筛选使用情感模型计算用户对于待推荐列表中商品的情感因素，并且按照情感因素中的个数进行降序排列，优先推荐无的商品。8.根据权利要求7所述的基于用户情感模型的推荐方法，其特征在于，步骤41中，在用户知识图mulkg中，将用户、商品等属性作为实体，属性之间的关系及与用户的相关关系作为边，利用kge编码得到相关的实体表示后，使用如下公式计算某一商品i的可能性：h＝g(h
p
)。

技术总结

本发明提供了一种基于用户情感模型的推荐方法，包括：根据不同来源的数据对用户的同一消费行为下的本体构建一个多源数据本体库集合；对所述多源数据本体库集合进行数据融合和语义推理，从而建立描述用户消费行为的知识图；使用卷积神经网络提取用户评论中的情感因素建立情感模型；基于所述知识图的推荐方法生成推荐结果，根据所述情感模型对所述推荐结果进行筛选，得到最终得推荐结果并呈现给用户。本发明以用户消费数据和评论数据为数据来源，可向用户精确推荐内容，避免传统推荐方法的粗暴推荐、无序推荐和浏览就推荐的不足。无序推荐和浏览就推荐的不足。无序推荐和浏览就推荐的不足。