面向评论文本基于情感分析的可信推荐模型研究-计算机科学与技术专业毕业论文.docxVIP

  • 5
  • 0
  • 约6.77万字
  • 约 84页
  • 2019-05-14 发布于上海
  • 举报

面向评论文本基于情感分析的可信推荐模型研究-计算机科学与技术专业毕业论文.docx

万方数据 万方数据 学位论文版权使用授权书 本学位论文作者完全了解 浙江理工大学 有权保留并向 国家有关部门或机构送交本论文的复印件和磁盘 ,允许论文 被查阅和借阅。本人授权 浙江理工大学 可以将学位论文的全 部或部分内容编入有关数据库进行检索和传播 ,可以采用影 印、缩印或扫描等复制手段保存、汇编学位论文。 (保密的学位论文在解密后适用本授权书) 学位论文作者签名 : 钊吵 签字日期 : ν16 年 与 月 r b 日 刊签名 :均 签字日期 : 0r 年 § 月 ,t 日 浙江理 浙江理工大学硕士学位论文 面向评论文本基于情感分析的可信推荐模型研究 摘要 随着信息技术和互联网的飞速发展,电子商务应用广泛普及,逐渐成为人们 日常生活中不可或缺的组成部分。但是,电子商务系统在为用户提供越来越多选 择的同时,不可避免地带来了产品信息泛滥的问题,这意味着用户寻找自己所需 的产品必须付出更多的时间和精力。在某种程度上过量的信息意味着信息的缺 乏,电子商务推荐系统在这样的背景下应运而生。电子商务推荐系统通过模拟销 售人员向用户推荐产品,将浏览者转换为购买者,并且可以提高用户的满意度与 忠诚度。由于电子商务推荐系统潜在着巨大的商业价值,各行各业对其展开了广 泛的学习研究。 现有的推荐系统,通常集中在对项目评分数据和用户的历史行为信息进行建 模,而忽略了蕴藏在产品评论中丰富的信息,并且给出的推荐大部分都是基于产 品整体而言的,忽略了用户对产品各个方面特征的不同要求。针对这些不足,本 文提出了一种面向评论文本基于情感分析的可信推荐方法。该方法首先通过对产 品评论进行特征抽取和情感分析,获得产品不同维度特征下的情感倾向,使得用 户能够对产品各个方面的特征有一个直观的了解。然后在此基础上,利用 D-S 证据理论对情感分析结果进行基于特征类别的融合,获得各个不同评价维度下的 信用评分。最后,根据总的信用评分以及用户关注的不同评价维度下的信用评分 来给用户做出推荐。利用 D-S 证据融合获得的信用评分,融合了产品评论中所有 特征下的情感分析结果,是一个全面的、合理的、可信的评分,依赖这个评分做 出的推荐可以获得更高的用户信任感,可以为推荐做出合理的解释。而且,根据 用户所关注的特征维度的不同,可以做出符合用户需求的推荐。 关键词 特征抽取 情感分析 D-S 证据理论 信用评分 可信推荐 I Abstract With the rapid development of information technology and the Internet, e-commerce has become an indispensable part of peoples daily life. However, while e-commerce systems offer more and more choices for users, the flood of the commodity information means that users need to pay more time and energy to find the goods they need. In a certain degree, the excess information means the lack of information, the e-commerce recommendation system came into being under such background. E-commerce recommendation system through the simulation of sales staff to recommend products to users, the user will be converted to buyers, and can improve the users satisfaction and loyalty. Due to the huge potential commercial values,e-commerce recommendation system has been studied extensively. Existing recommendation systems usually focus on the project evaluation data and users historical behavior information, while ignoring the rich information contained in the products review data. And most of t

文档评论(0)

1亿VIP精品文档

相关文档