增強推薦系統和方法

2023-09-22 04:42:00 5

增強推薦系統和方法
【專利摘要】本發明公開了一種增強推薦系統和方法。其中，該方法包括根據消費者行為和消費者模型發現消費者特徵，以及基於消費者特徵和項目信息生成初始推薦列表。該方法還包括從在線評論庫生成用於所述消費者行為和消費者模型的項目社會信譽(ISR)，以及基於初始推薦列表和項目社會信譽生成最終推薦結果。
【專利說明】增強推薦系統和方法

【技術領域】
[0001] 本發明涉及計算機【技術領域】，尤其涉及用於增強推薦系統和方法的技術。

【背景技術】
[0002] 推薦系統在今天的商業和娛樂行業中已經相當普遍。在推薦裝置的幫助下，消費 者在搜索他/她想要的產品時花費較少的時間。然而，從可用的多個選項中選擇一個的最 終決定有時是耗時的。基於在線購物情景的考慮，影響消費者在購買他們的產品時的決定 在網際網路市場中甚至是更重要的，因為它與轉化率直接相關聯。
[0003] 轉化率是指訪問網站的、採取除偶然的內容查看或網站訪問之外的行動的訪問者 的比例。市場調研已經表明，消費者出於多個原因作出決定。知曉促成購買決定的因素對 網際網路市場來說是關鍵的。一般來說，當消費者在現實生活中購買一項目時，消費者通常會 考慮產品的價格、外觀，以及使用該產品的其它體驗。
[0004] 模仿人們在現實生活中的購買行為，在線購物中的因素還來自元數據和評論。元 數據源自產品本身，如，價格、重量。評論源自用戶體驗，如〃包質量很好"，〃包作為禮物相 當完美"。源自產品的元數據自然地用在在線購物中，而由於自然語言理解中的技術困難， 不能容易地利用源自用戶體驗的評論。
[0005] 圖1示出典型的推薦系統。如圖1所示，首先，消費者行為可以被構建為消費者模 型，其產生消費者特徵。隨後，項目信息、候選項目和消費者特徵一起輸入項目推薦模塊，產 生初始推薦列表。在過濾和重排序之後，產生最終推薦結果。
[0006] 然而，在這種方法中，用戶對項目的反饋被稍微敷衍地處理。例如，在線零售商以 不同的方式使用評論：多個地點表示用戶對星形評級的情感。但這種方法明顯缺少為什麼 給予產品該評級的因素。一些零售商採用針對項目的具體的預設的特定領域方面，比如包 的價格、配送、類型和顏色。方面是以文本中的詞語的多項式分布表示主題的特定領域概 念，如，包評論中的〃拉鏈〃。主題是表示該文本的思想的詞語的多項式分布。然而這些方 面是靜態的，這意味著它不能自動地檢測可以用來強調產品的特徵的具體地的、有說服力 的理由。
[0007] 而且，對一種方面被評級為高或低的理由不存在進一步地的說明。此外，其它零售 商從高評級推薦理由中選擇語句作為推薦理由，或者讓其他人對評論進行投票。但新的消 費者仍然不能獲得人們投票的那些理由的全貌。而且，明顯的是，在評論中出現普遍的理 由，如〃價格〃和〃服務"，而一些特定原因是沒有價值的特徵，如〃防水〃以及〃有風天氣 耐用"。這些問題,即文本摘要區域中的集中性和差異性,在這種情況中也需要處理。集中 性是指類似於多個其他人的理由。差異性是指不同於其他人的理由。此外，將從評論中提 取的所有理由顯現給新的消費者是不可行的。
[0008] 所公開的方法和系統旨在解決上述的一個或多個問題以及其它問題。


【發明內容】

[0009] 本發明的一個方面包括一種增強推薦方法。該方法包括根據消費者行為和消費 者模型發現消費者特徵，以及基於消費者特徵和項目信息生成初始推薦列表。該方法還 包括從在線評論庫生成用於所述消費者行為和消費者模型的項目社會信譽（Item Social Reputation-ISR)，以及基於初始推薦列表和項目社會信譽生成最終推薦結果。
[0010] 本發明的另一個方面包括一種增強推薦系統。該增強推薦系統包括消費者信息提 取模塊，用於根據消費者行為和消費者模型發現消費者特徵。該增強推薦系統還包括項目 推薦模塊，用於基於消費者特徵和項目信息生成初始推薦列表。該增強推薦系統還包括項 目社會信譽（ISR)模塊，用於從在線評論庫生成用於所述消費者行為和消費者模型的項目 社會信譽。該增強推薦系統還包括推薦生成模塊，用於基於初始推薦列表和項目社會信譽 生成最終推薦結果。
[0011] 本領域技術人員可根據本公開內容的描述，權利要求書和附圖來理解本發明公開 的其它方面內容。

【專利附圖】

【附圖說明】
[0012] 圖1所示為示例性的當前推薦系統；
[0013] 圖2A所示為結合本發明實施例的示例性環境；
[0014] 圖2B所示為與所公開的實施例一致的示例性計算系統；
[0015] 圖3所示為與所公開的實施例一致的示例性的項目社會信譽（ISR)增強推薦系 統；
[0016] 圖4A所示為與所公開的實施例一致的生成項目社會信譽（ISR)的示例性工作流 程；
[0017] 圖4B所示為與所公開的實施例一致的示例性的項目社會信譽（ISR)的生成過 程；
[0018] 圖5所示為與所公開的實施例一致的示例性的具有詞加權方法的方面和 情感聚集模塊（Aspect and Sentiment Aggregation Model with Term Weighting Schemes-ASAMTWS)；
[0019] 圖6所示為與所公開的實施例一致的用於平滑的隱含狄利克雷分布（Latent Dirichlet Allocation-LDA)的不例性圖模型表不法；
[0020] 圖7A和圖7B所示為與所公開的實施例一致的示例性的高品質方面排序差異性 (Diversity in Ranking High Quality Aspect-DRHQA)模型；
[0021] 圖8A所示為當前推薦；
[0022] 圖8B所示為與所公開的實施例一致的具有項目社會信譽（ISR)的增強推薦系統 中的示例性推薦；以及
[0023] 圖8C所示為與所公開的實施例一致的具有項目社會信譽（ISR)的增強推薦系統 中的另一個示例性推薦。

【具體實施方式】
[0024] 通過本發明的實施例對本發明進行詳細說明，這也將在附圖中進行闡述。在任何 可能的情況下，相同的附圖標記在整個附圖中用來指代相同或相似的部件。
[0025] 圖2A所示為結合本發明實施例的示例性環境200。如圖2A所示，環境200包括電 視機（TV)2102、遙控器2104、伺服器2106、用戶2108和網絡2110。還可以包括其它裝置。
[0026] 電視機2102可以包括任意適當類型的電視機，如等離子體電視機，液晶電視機， 投影電視機，非智能電視機，或智能電視機。電視機2102還可以包括其它計算系統，如個人 計算機（PC)，平板或可攜式電腦，或智慧型手機等。進一步地，電視機2102可以是能夠在一個 或多個頻道中呈現多個節目的任意適當的內容呈現裝置，可以通過遙控器2104控制節目 的呈現。
[0027] 遙控器2104可包括任意適當類型的遙控器，其可通過與電視機2102的通信實現 對電視機2102的控制，例如定製的電視機遙控器、萬能遙控器、平板電腦、智慧型手機，或者 能夠執行遠程控制功能的任何其他計算設備。遙控器2104還可以包括其它類型的設備，如 基於遙控控制的運動傳感器或深度相機增強式遙控器，以及簡單的輸入/輸出裝置，如鍵 盤、滑鼠、聲控輸入設備等。
[0028] 進一步地，伺服器2106可以包括用於將個性化內容提供給用戶2108的任意適當 類型的伺服器計算機或多個伺服器計算機。伺服器2106還可促進遙控器2104和電視機 2102之間的通信、數據存儲和數據處理。電視機2102、遙控器2104和伺服器2106可以通 過一種或多種通信網絡2110,如電纜網絡、電話網絡，和/或衛星網絡等，彼此通信。
[0029] 用戶2108可以採用遙控器2104與電視機2102交互以觀看各種節目並進行其它 感興趣的活動，或者如果電視機2102使用運動傳感器或深度相機，則用戶可以簡單地使用 手或身體姿勢控制電視機2102。用戶2108可以是單個用戶或多個用戶，如正在一起觀看電 視機的家庭成員。
[0030] 電視機2102、遙控器2104和/或伺服器2106可以在任意適當的計算電路平臺上 實現。圖2B示出了能夠實現電視機2102、遙控器2104和/或伺服器2106的示例性計算系 統的框圖。
[0031] 如圖2B所示，該計算系統可以包括處理器202、存儲介質204、顯示器206、通信模 塊208、資料庫214和外圍設備212。某些設備可被省略而其他一些設備也可以包括其中。
[0032] 處理器202可以包括任意適當類型的處理器或處理機。進一步地，處理器202可 以包括用於多線程或並行處理的多個內核。存儲介質204可以包括內存模塊，如ROM，RAM， 快閃記憶體模塊，以及大容量存儲，如CD-ROM和硬碟等。存儲介質204可以存儲電腦程式，用於 處理器202執行電腦程式實施各種處理。
[0033] 進一步地，外圍設備212可以包括各種傳感器和其它I/O裝置，如鍵盤和滑鼠，通 信模塊208可以包括用於通過通信網絡建立連接的某些網絡接口設備。資料庫214可以包 括用於存儲數據的一個或多個資料庫，並用於對所存儲的數據執行特定操作，例如資料庫 搜索。
[0034] 電視機2102、遙控器2104和/或伺服器2106可以執行用於將個性化項目推薦給 用戶108的個性化項目推薦系統。圖3所示為由項目社會信譽（ISR)支持的示例性的增強 推薦系統。
[0035] 項目社會信譽（ISR)增強推薦系統可分析驅使之前的消費者根據在線評論庫購 買項目的理由。如圖3所示，增強推薦系統包括消費者信息提取模塊302、項目信息304、推 薦生成模塊306、候選項目308、消費者特徵312、項目推薦模塊314、初始推薦列表316、在線 評論庫318、項目社會信譽（ISR)模塊320和最終推薦結果322。某些設備可被省略而其他 一些設備也可以包括其中。
[0036] 消費者信息提取模塊302,用於從消費者行為和消費者模型發現消費者特徵。消費 者信息提取模塊302還包括消費者行為3022、消費者模型3024和特徵提取3026。消費者 行為3022可以包括任何合適的信息，如交易歷史、瀏覽歷史、經常訪問的網站等。消費者模 型3024可以包括任何合適的消費者信息，如年齡、地域、教育水平等。
[0037] 項目信息304包括價格，外觀，服務和其它信息。例如，外觀信息可以包括類型，顏 色，重量和尺寸。
[0038] 項目推薦模塊314,用於基於消費者特徵和項目信息特徵發現項目並將推薦項目 輸出至初始推薦列表316。
[0039] 推薦生成模塊306還可以被分成三個子模塊：過濾和重排序子模塊3062,在線消 費者交互子模塊3064,以及推薦說明子模塊3066。在線消費者交互子模塊3064可以通過 與消費者的個人設備進行通信、通過面部識別、和/或通過遙控器使用模式等檢測消費者 行為。基於來自過濾和重排序子模塊3062的信息，推薦說明子模塊3066可以產生最終推 薦結果。也就是說，一旦完成個性化檢測和說明，推薦生成模塊306被用於處理項目選擇並 為用戶108生成最終推薦結果322。
[0040] 項目列表由過濾和重排序子模塊3062和在線消費者交互子模塊3064修改和重排 序，沒有顯示驅使之前的用戶購買一項目的因素可以用作新的消費者作出購買決定的有說 服力的理由。所述理由是指具有高的方面品質的肯定方面。方面品質是指通過方面聚集的 靠前排序的詞語提供條理分明的和一致的含義的能力。如果項目具有可以由新的消費者用 作參考的良好信譽是非常有幫助的。
[0041] 進一步地，評論可以包括關於方面的不同情感。為了被選擇作為新的消費者的購 買原因，方面需要與情感價值配對。該系統將肯定方面作為理由推薦給新的消費者以勸說 新的消費者做決定是合理的。換句話說，方面可能需要與情感關聯。
[0042] 項目社會信譽（ISR)模塊320,用於從消費者對具體項目的評論中提取的肯定方 面中選擇的前K個最能反映項目描述的肯定方面。為了確保公平，評論是從所有相關網站 而不是從單個商店或單個網站收集的，並被存儲在在線評論庫318中。ISR的每個方面包含 具有與該方面接近的語義的詞列表。每個詞具有作為該方面的支撐的正面評論列表。項目 社會信譽（ISR)被提取以幫助為消費者的喜好提供更好的匹配。而且，項目社會信譽（ISR) 可以被視為在最終推薦結果上添加的特徵，為消費者發現他們的喜好提供方便。因此，在提 高轉化率方面，該系統在支持消費者實現他/她的目標時實現期望的性能。
[0043]因此，在多個實施例中，提供具有內置項目社會信譽學習機制的推薦系統。通過將 項目社會信譽（ISR)結合在本推薦系統中，可以增強消費者的用戶體驗。更重要的是，明確 地表示之前的消費者的購買原因來幫助當前消費者快速地發現他/她的目標，因此提高轉 化率。
[0044] 在操作中，項目社會信譽（ISR)增強推薦器可以進行某些處理以將個性化項目推 薦給消費者。首先，消費者信息提取模塊302可以根據消費者行為和消費者模型發現消費 者特徵。項目社會信譽（ISR)模塊320可以根據在線評論庫生成項目社會信譽（ISR)。隨 後，基於消費者和項目信息特徵生成初始推薦列表。推薦生成模塊306調整生成的項目並 生成最終推薦結果。
[0045] 圖4A所示為與所公開的實施例一致的生成項目社會信譽（ISR)的示例性工作流 程400。圖4B給出項目社會信譽（ISR)的生成過程的示例。圖4B的左側部分所示為生成 項目社會信譽（ISR)的工作流程400的輸入。它包括存儲在在線評論庫中的評論。圖4B 的右側部分所示為項目社會信譽（ISR)的示例。對於項目〃HOBO Lauren Clutch"，它的項 目社會信譽（ISR)是容量和品質；而對於項目〃Buxton Heiress Ladies Cardex〃，它的項 目社會信譽（ISR)是價格、質量和容量。詞〃容量〃，〃空間〃和〃信用卡〃是項目社會信 譽（ISR)中的"容量"方面的詞列表。"它容納用戶需要的所有東西"給出對容量的支持。 建立項目社會信譽（ISR)和將項目社會信譽（ISR)結合到當前推薦系統中幫助影響消費者 的購買決定。
[0046] 如圖4A所示，首先，在線用戶評論可以從所有的相關網站而不是從單個商店或單 個網站被收集，並被存儲在在線評論庫318中。
[0047] 在預處理過程（S404)中根據先驗知識生成詞塊和約束條件。在S404中，輸入是 存儲在在線評論庫318中的評論，輸出是詞塊和約束條件。詞塊是指表示細微區域的情感 和語義的一組詞語。例如，語句〃特別是關於扣環，但它是如此地吸引人〃分別傳達兩種隱 含方面"價格"和"外觀"。隨後，該語句被分成兩個詞塊。因此，對於給定語句，如果不包 含過渡詞語和短語，則該語句用作詞塊。否則，該語句可以由過渡詞語和短語斷開。過渡詞 語和短語是指用於將詞語連結在一起的詞語和短語。如果必要，可以在每兩個連續詞塊之 間添加 must-link或cannot-1 ink約束條件。
[0048] 評論是網站內的非結構化數據，網絡爬行器用於從公共網站中抓取半結構化評 論。每個詞語被標註一詞類（Part of Speech-POS)的值。預處理包括下述步驟：
[0049] 步驟1:斷開語句。
[0050] 步驟2 :如果語句不包含任何限定的過渡詞語或短語，則該語句用作詞塊；否則， 工作流程進入步驟3。
[0051] 步驟3 :整個語句由過渡詞語或短語斷開成兩個詞塊或兩個語句。如果任何語句 具有過渡詞語，則工作流程進入步驟2。
[0052] 重複步驟2和3,直到將原始語句分成多個詞塊，並且所有詞塊不包含任何過渡詞 語或短語。隨後，工作流程進入步驟4。
[0053] 步驟4 :如果兩個連續詞塊之間存在過渡詞語或短語，則添加 must-1 ink或 cannot-link ;如果過渡詞語或短語屬於相反、限制或矛盾類別，則建立cannot-link ;否 貝1J，建立must-1 ink ;如果不存在可以建立的must-1 ink或cannot-1 ink,貝U在這兩個詞塊存 在 n〇-link〇
[0054] 進一步地，在預處理完成之後，在線評論被視為至具有詞加權方法的方面和情感 聚集模塊（ASAMTWS)的輸入。
[0055] 假設p = {Pl，p，…，pj是源自〃包〃領域的一組產品。對於每個產Spi，存在一組 評論r = Ir1, r2,. . . rd}。對於每個評論!Ti,存在一組詞塊c = Ic1, c2,. . .，cj，和評論中的其 他人的投票信息的非負值。對於每對兩個連續詞塊，它具有包括三種可能條件{must-link， cannot-link, no-link}的約束條件。對於每個詞塊Ci,存在一組詞語W= {￥^￥2，···，《^}。
[0056] 從數據集構建約束條件之後，可以從具有詞加權方法的方面和情感聚集模塊 (ASAMTWS)生成肯定方面（S408)。該方法的主要部分是如何在評論中找出不同方面以及不 同方面的評價是如何表達其情感的。先驗知識被添加為約束條件以在理論上和實踐上實現 更好的結果。
[0057] 具有詞加權方法的方面和情感聚集模塊（ASAMTWS)展示了上述評論的生成過程： 消費者依據情感分布，寫下對於某個項目的評論，例如，60%滿意和40%不滿意。然後，他 /她寫出各個方面所佔的比例來顯示他對項目的理解，例如，20%服務、60%顏色和20%品 質。隨後他/她決定寫下表達他/她感覺到什麼樣的情感的評論。如果評論對其他人是有 用的，則該評論獲得肯定投票。
[0058] 對於每對情感s和方面z，從狄利克雷分布（β s)中選擇Φ ts。對於每個評論r，從 狄利克雷分布（Y)中選擇情感分布對於每個情感s，在情感詞典的約束條件下，從狄 利克雷分布（ α)中選擇方面分布Ls。對於每個詞塊，基於具有約束條件的其它詞塊從多 項式分布中選擇選擇情感j ;給定情感j，基於具有約束條件的其它詞塊從多項式分 布（θ")中選擇方面k;基於數據集中的詞頻和評論的投票信息從多項式分布（C^ ts)中生 成詞語W。
[0059] 圖5所示為與所公開的實施例一致的示例性的具有詞加權方法的方面和情感聚 集模塊（ASAMTWS)。如圖5所示，在ASAMTWS的圖形表示中，節點是隨機變量，邊是依存關 系。圖模型是可重複的。僅帶陰影的節點是可觀測的。ASAMTWS中使用的符號呈現在表1 中。
[0060] 表1 :符號的含義
[0061]

【權利要求】
1. 一種增強推薦方法，包括下述步驟： 根據消費者行為和消費者模型發現消費者特徵； 基於消費者特徵和項目信息生成初始推薦列表； 從在線評論庫生成用於所述消費者行為和消費者模型的項目社會信譽（ISR);以及 基於初始推薦列表和項目社會信譽（ISR)生成最終推薦結果。
2. 根據權利要求1所述的方法，還進一步包括： 向用戶顯示最終推薦結果，該最終推薦結果包含新的消費者推薦信息，該新的消費者 推薦信息包括項目推薦種類、具有項目社會信譽（ISR)的推薦項目、和包括購買理由的社 會評論。
3. 根據權利要求2所述的方法，其中從在線評論庫生成項目社會信譽（ISR)的步驟包 括： 預處理在線用戶評論； 生成肯定方面； 選擇前K個肯定方面；以及 輸出所述前K個方面作為項目社會信譽（ISR)。
4. 根據權利要求3所述的方法，其中預處理在線用戶評論的步驟還包括： 從多個相關網站收集在線用戶評論； 將在線用戶評論存儲在在線評論庫中；以及 生成在線用戶評論的詞塊和約束條件。
5. 根據權利要求4所述的方法，其中生成在線用戶評論的詞塊和約束條件的步驟還包 括： 斷開語句，其中，當該語句不包含任何限定的過渡詞語或短語時，該語句用作詞塊，並 且當該語句包含過渡詞語或短語時，將該語句斷開成兩個語句； 重複所述斷開，直到將該語句分成不包含任何過渡詞語或短語的多個詞塊；以及 基於在所述斷開中使用的過渡詞語或短語生成約束條件。
6. 根據權利要求5所述的方法，其中基於在所述斷開中使用的過渡詞語或短語生成約 束條件進一步包括： 在兩個連續詞塊之間存在過渡詞語或短語時，則添加 must-link或cannot-link ; 在過渡詞語或短語屬於相反、限制或矛盾類別時建立所述cannot-link ;以及 在過渡詞語或短語不屬於相反、限制或矛盾類別時建立所述must-link。
7. 根據權利要求3所述的方法，其中生成肯定方面的步驟進一步地包括： 通過採用具有詞加權方法的方面和情感聚集模塊（ASAMTWS)算法生成肯定方面。
8. 根據權利要求3所述的方法，其中選擇前K個肯定方面的步驟進一步包括： 通過採用高品質方面排序差異性（DRHQA)模型選擇前K個肯定方面。
9. 根據權利要求7所述的方法，其特徵在於： 假設P (Wi)是詞語組w = (W1, W2, ... wn}的情感分布；ε指示控制詞典的影響的轉儲 值；Si是詞塊i的情感；以及q(Sj = k)是來自連結的詞塊的情感的影響，則詞塊i的情感 j和方面k的重要性由下述等式限定：
10. 根據權利要求7所述的方法，其中： 詞加權是基於頻率和評論的品質；並且 對於被標註的情感j和方面k的詞語w，它的詞加權由下述等式限定：
其中，S是情感的總數量；T是方面的總數量;W是詞語的總數量； 以及C=是被標註的情感j和方面k的詞語的總數量。
11. 一種增強推薦系統,包括： 消費者信息提取模塊，用於根據消費者行為和消費者模型發現消費者特徵； 項目推薦模塊，用於基於消費者特徵和項目信息生成初始推薦列表； 項目社會信譽（ISR)模塊，用於從在線評論庫生成用於所述消費者行為和消費者模型 的項目社會信譽；和 推薦生成模塊，用於基於初始推薦列表和項目社會信譽生成最終推薦結果。
12. 根據權利要求11所述的增強推薦系統，其中推薦生成模塊進一步用於： 向用戶顯示最終推薦結果，該最終推薦結果包含新的消費者推薦信息，該新的消費者 推薦信息包括項目推薦種類、具有項目社會信譽（ISR)的推薦項目、和包括購買理由的社 會評論。
13. 根據權利要求12所述的增強推薦系統，其中項目社會信譽（ISR)模塊進一步用 於： 預處理在線用戶評論； 生成肯定方面； 選擇前K個肯定方面；以及 輸出前K個肯定方面作為ISR。
14. 根據權利要求13所述的增強推薦系統，其中，為了預處理在線用戶評論，項目社會 信譽（ISR)模塊進一步用於： 從多個相關網站收集在線用戶評論； 將在線用戶評論存儲在在線評論庫中；以及 生成在線用戶評論的詞塊和約束條件。
15. 根據權利要求14所述的增強推薦系統，其中為了生成在線用戶評論的所述詞塊和 約束條件，該項目社會信譽（ISR)模塊進一步地用於： 斷開語句，其中，當該語句不包含任何限定的過渡詞語或短語時，該語句用作詞塊，並 且當該語句包含過渡詞語或短語時，將該語句斷開成兩個語句； 重複所述斷開，直到將該語句分成不包含任何過渡詞語或短語的多個詞塊；以及 基於在所述斷開中使用的過渡詞語或短語生成約束條件。
16. 根據權利要求15所述的增強推薦系統，其中為了基於在所述斷開中使用的過渡詞 語或短語生成約束條件，項目社會信譽（ISR)模塊進一步地用於： 在兩個連續詞塊之間存在過渡詞語或短語時，則添加 must-link和cannot-link ; 在過渡詞語或短語屬於相反、限制或矛盾類別時建立所述cannot-link ;以及 在過渡詞語或短語不屬於相反、限制或矛盾類別時建立所述must-link。
17. 根據權利要求13所述的增強推薦系統，其中為了生成肯定方面，該項目社會信譽 (ISR)模塊進一步地用於： 通過採用具有詞加權方法的方面和情感聚集模塊（ASAMTWS)算法生成肯定方面。
18. 根據權利要求13所述的增強推薦系統，其中為了選擇前K個肯定方面，該項目社會 信譽（ISR)模塊進一步地用於： 通過採用高品質方面排序差異性（DRHQA)模型選擇前K個肯定方面。
19. 根據權利要求17所述的增強推薦系統，其特徵在於： 假設P (Wi)是詞語組w = (W1, W2, ... wn}的情感分布；ε指示控制詞典的影響的轉儲 值；Si是詞塊i的情感；以及q(Sj = k)是來自連結的詞塊的情感的影響，則詞塊i的情感 j和方面k的重要性由下述等式限定：
20. 根據權利要求17所述的增強推薦系統，其中： 詞加權是基於頻率和評論的品質；並且 對於被標註的情感j和方面k的詞語w，它的詞加權MjT由下述等式限定：
其中，S是情感的總數量；T是方面的總數量;W是詞語的總數量； 以及是被標註的情感j和方面k的詞語的總數量。
【文檔編號】G06Q30/00GK104517216SQ201410514292
【公開日】2015年4月15日 申請日期:2014年9月29日 優先權日:2013年10月1日
【發明者】郭立帆, 汪灝泓 申請人:Tcl集團股份有限公司