基于意見(jiàn)挖掘的商品推薦問(wèn)題的研究.pdf

1、現(xiàn)在網(wǎng)上購(gòu)物日漸流行，網(wǎng)購(gòu)時(shí)用戶為了真實(shí)地了解商品信息，會(huì)查看別的用戶的評(píng)論內(nèi)容，但商品評(píng)論多達(dá)幾千萬(wàn)條，用戶很難逐條查看，而且評(píng)論中的信息并非都具有參考價(jià)值，這樣的查看過(guò)程很容易降低用戶的購(gòu)買(mǎi)欲望。所以，對(duì)網(wǎng)上評(píng)論進(jìn)行挖掘以提取出有用的信息供用戶查看就勢(shì)在必行了。
　　對(duì)網(wǎng)上評(píng)論挖掘有用信息，主要是抽取評(píng)論信息所描述的商品屬性（即評(píng)價(jià)對(duì)象）和描述屬性的修飾詞（即評(píng)價(jià)詞），然后針對(duì)每一個(gè)屬性，將其修飾詞以好中差性質(zhì)分類，統(tǒng)計(jì)每個(gè)類

2、別的比例，將這些結(jié)果顯示給用戶，用戶就可以很直觀的看出商品每一屬性的評(píng)價(jià)情況，而不需要逐條查看評(píng)論來(lái)獲取這些信息。如果將商品屬性提供給用戶，用戶選擇自己偏好的屬性，那么可以根據(jù)這些偏好屬性得出商品排名，進(jìn)而為用戶推薦商品，這就是基于意見(jiàn)挖掘的商品推薦，為了實(shí)現(xiàn)這一目的，本文所做的工作如下：
　　1）首先基于名詞詞組模式抽取評(píng)價(jià)對(duì)象和評(píng)價(jià)詞，但有些評(píng)價(jià)對(duì)象是與商品屬性無(wú)關(guān)的冗余詞，有些不同的評(píng)價(jià)對(duì)象描述的是商品的同一屬性，所以本文先

3、對(duì)評(píng)價(jià)對(duì)象修剪和聚類，利用BIRCH算法對(duì)評(píng)價(jià)對(duì)象聚類時(shí)自學(xué)習(xí)聚類數(shù)目的特點(diǎn)，刪除BIRCH聚類后所含對(duì)象少的簇，即達(dá)到修剪評(píng)價(jià)對(duì)象的目的，再使用K-Means聚類算法對(duì)剩余的簇進(jìn)行全局聚類，得出最終商品屬性。實(shí)驗(yàn)使用京東商城上筆記本電腦的評(píng)論信息作為測(cè)試數(shù)據(jù)，分別將本文的修剪和聚類方法與兩種經(jīng)典的修剪和聚類方法進(jìn)行實(shí)驗(yàn)對(duì)比分析，驗(yàn)證了本文方法的有效性。
　　2）修剪聚類評(píng)價(jià)對(duì)象后，開(kāi)始進(jìn)行評(píng)價(jià)詞極性判斷。判斷評(píng)價(jià)詞的極性時(shí)，本文

4、首先基于情感詞庫(kù)進(jìn)行判斷，對(duì)于情感詞庫(kù)不存在的評(píng)價(jià)詞，使用word2vec與HowNet線性疊合的方法來(lái)計(jì)算詞語(yǔ)與情感種子詞的相似度，進(jìn)而確定評(píng)價(jià)詞的極性值，最后使用K-Means聚類算法對(duì)評(píng)價(jià)詞進(jìn)行類別劃分，本文將評(píng)價(jià)詞分為五類：很好、好、中、差、很差。通過(guò)與以往的兩種極性判斷方法進(jìn)行正確率比較，驗(yàn)證了本文方法的有效性。
　　3）最后基于Java語(yǔ)言設(shè)計(jì)并實(shí)現(xiàn)了基于意見(jiàn)挖掘的商品推薦系統(tǒng)，該系統(tǒng)通過(guò)處理分析商品評(píng)論數(shù)據(jù)，呈現(xiàn)出最