CN110517121A 基于评论文本情感分析的商品推 荐方法及商品推 荐装置 （重庆邮电大学）

基于评论文本情感分析的商品推荐方法及一种基于评论文本情感分析的商品推荐方法及非线性映射函数将相应的句子级特征表示映射到对应的情感类别空间，再利用softmax函数进2再计算每个语义与对应敏感度的乘积并求各乘S6、根据预测的情感标签和真实的情感标签有评论文本及满意度评分中满意度与评分的对应关系获得情感标签与满意值的对应标准，并按照该标准将评价文本情感分类预测序列转化为S8、求满意值序列中每个满意值与对应用户关商品评论所反应的评分；求该商品已有评论所反应商品评分的平均值作为商品的最终评过长文本生成每个文本的词特征序列，根据用户的词典将文本对应的词特征序列转化为少分词过程中出现错误；用户词典为用户语料中词频最高的N个词，每个词分配一个索引间分类映射包括采用双曲正切函数tanh作为激活函数将每个语义特征映射到对应目标方i＝oi*tanh(Ci)；i为LSTM网络的解码端的输出；oi为LST3的后向LSTM网络输出的状态向量；aij表示隐层状态向量序列中的第j个状态向量hj对目标6.根据权利要求1所述的基于评论文本情感分析的商品推荐方法，其特征在于，通过i,k＝1|ai)是预测评论文本在方面ai上预测的情感标签是类别k的概率；wm为测的情感标签和真实的情感标签计算损失函数包括将预测的情感标签和真实的情感标签m商品已有的第m条评论所反4注意力筛选模块，用于计算每个句子中的上下文语解码模块，将目标方面向量嵌入到对应的句子级语义特满意值序列转化模块，用于将解码模块输出的商品情感标签与满意值序列进行映射，加法器，用于计算所有方面的满意度值与对应方面用5物平台为消费者提供了大量的选择，还通过用户对商品的评论来反馈更丰富的商品信息。进也提供了指导。这些以主观情绪表达的方式展现的评论文本数量每天都在指数级的增示这些文本中所蕴含的情感表达信息从而进一步发掘其中所蕴含的商品信息并利用这些[0005]现有的商品推荐方法所依赖的评分算法则是由用户在评价的基础上在手动进行67N个商品推荐给用户。8计既有评论文本及满意度评分中满意度与评分的对应关系获得情感标签与满意值的对应wn[0043]优选的，利用文本生成的词特征序列作为语料训练Word2Vector模型，模型采用skip-gram算法进行词嵌入，对于生成的模型则按照词典中的索引逐词计算其对应的嵌入据，由正向的LSTM获取词的上文语义信息并输出状态向量，正向上文语义向量表示为9文语义向量表示为结合BiLSTM的双向输出状态向量作为词的上下文语义，即上下文语义表示为并生成对应的上下文语义序列S4＝[h1,a和vT在训练过程中会不断优化并得到针对训练集文本的最优值。j即某个词特征对应的上下文语义在目标方面上被筛选出的相关语义[0054]将目标方面信息进一步通过向量的连接嵌入到句子级语义中生成目标方面语义eWC的迭代更新产生影响，进而使LSTM网si时强调当前目标方面信息，从而增强从语义特征映射到情感类别空间中时对ai的敏感性和关联度。[0076]则根据所有样本在所有方面各情感分类标签上预测值与真实值的分布计算累计且为关于的减函数，即对应真实标签位置上的概率越小(预测结果越差)则该处的损失值越大，总的分类交叉熵损失值累积每个样本在每个方面的数计既有评论文本及满意度评分中满意度与评分的对应关系获得情感标签与满意值的对应uK[0084]本发明提出一种基于评论文本情感分析的商品推荐装置，如图2，包括预处理模N个商品推荐给用户。[0092]满意值序列转化模块用于将解码模块输出的商品情感标签与满意值序