王福江 魏振鋼

摘 要傳統(tǒng)的推薦技術(shù)主要依據(jù)用戶以及商品的基本信息和歷史記錄，對于商品和用戶的特征很少描述。本文提出了基于評論的商品推薦技術(shù)，首先獲取商品評輪的特征集和用戶評價的特征集，計算商品和用戶之間的特征匹配值，根據(jù)特征匹配值的大小來實現(xiàn)商品的推薦。

【關(guān)鍵詞】商品推薦 數(shù)據(jù)挖掘 研究

1 引言

常用的推薦技術(shù)包括：基于內(nèi)容的推薦、協(xié)同過濾與推薦、基于關(guān)聯(lián)規(guī)則推薦、基于效用推薦等。這些推薦技術(shù)通過搜集用戶信息、商品信息以及瀏覽購買記錄等，建立用戶興趣模型并借助不同的推薦技術(shù)實現(xiàn)商品推薦。但用戶需求隨著時間推移不斷變化，受限于興趣推薦的質(zhì)量很難進(jìn)一步提升推薦結(jié)果。

文獻(xiàn)提出了一種產(chǎn)品特征提取算法提取產(chǎn)品特征，文獻(xiàn)研究評論的意見傾向識別方法。本文提出基于特征匹配值的商品推薦算法，通過對評論進(jìn)行文本挖掘，計算商品和用戶的特征匹配值找到商品和用戶特征方面的聯(lián)系，實現(xiàn)商品推薦。

2 基于評論的商品推薦技術(shù)流程

在基于評論的商品推薦技術(shù)架構(gòu)中如圖1所示，首先數(shù)據(jù)預(yù)處理模塊將數(shù)據(jù)進(jìn)行基本的處理，生成標(biāo)準(zhǔn)格式數(shù)據(jù)；評論挖掘模塊將處理后的評論利用自然語言處理方法進(jìn)行特征提取挖掘；在推薦計算模塊中，根據(jù)規(guī)則得到初步的結(jié)果集；在推薦選取模塊中，根據(jù)商品選取規(guī)則選取符合要求的商品，最后通過瀏覽器展現(xiàn)給用戶。

評論挖掘過程中，利用ICTCLAS分詞系統(tǒng)對評論進(jìn)行分詞，將結(jié)果分別進(jìn)行特征提取，利用HowNet計算用戶和商品的所有特征值，然后計算用戶和商品之間的特征匹配值，根據(jù)特征匹配值生成推薦結(jié)果集，最后將推薦結(jié)果展現(xiàn)給用戶。

4 基于評論的推薦技術(shù)挖掘方法

根據(jù)上節(jié)給出的商品推薦流程，我們將推薦模型的挖掘方法分為以下六個步驟：

Step1：使用ICTCLAS中文分詞系統(tǒng)對評論進(jìn)行分詞處理，把評論劃分為詞條。

Step2：通過語義相似度計算合并語義相近的詞，選取語義相似度sim（M，N）>0.5的詞進(jìn)行合并，然后使用知網(wǎng)HowNet建立商品和用戶的特征詞詞典。詞語語義相似度的計算公式如下：

（1）

M和N表示任意兩個產(chǎn)品或用戶特征屬性，common（M，N）表示兩個特征屬性之間的相同性，log p（common（M，N））表示特征屬性M和特征屬性N兩者之間的相同性所需要的數(shù)據(jù)量大小，log p（description（M，N））表示完整的描述M和N所需要的數(shù)據(jù)量大小。

Step3：建立特征描述詞匯的情感詞詞典，對情感詞進(jìn)行賦值，例如描述手機(jī)的價格特征賦值有如下四種表述：

價格：很貴（-4）、貴（-3）、便宜（3）、很便宜（4）

Step4：通過情感詞詞典的賦值表，對商品和用戶的所有特征值進(jìn)行計算：

（2）

商品或用戶的特征值P（p1，p2，...pn），gi表示特征p的某一特征值，n表示特征p所有特征值的數(shù)量。

Step5：對于商品的特征集合g（g1，g2，...gn）和用戶的特征集合t（t1，t2，...tn）通過公式（1）計算商品和用戶的特征相似度，取sim（g，t）>0.5得到商品P和用戶Q的特征相似度集Sij（i代表商品第i個特征，j代表用戶第j個特征）。對特征相似度集進(jìn)行特征匹配度計算：

（3）

Step6：根據(jù)用戶和商品的基本信息劃分群組，計算該用戶群組和所有商品群組之間的特征匹配值L，選擇特征匹配值排名靠前的商品對用戶進(jìn)行推薦。

5 實驗與分析

本文下載了亞馬遜1000條商品和用戶的數(shù)據(jù)，選取多于10個字符的評論數(shù)據(jù)，得到了用戶g20160001和選取的部分群組商品特征匹配值表如表1所示。我們將選取特征匹配值得前五對用戶進(jìn)行推薦。

經(jīng)過對比推薦結(jié)果與用戶的歷史購物記錄，推薦商品基本滿足了用戶的購物趨向，當(dāng)評論數(shù)據(jù)越多時候推薦商品的結(jié)果越趨向用戶的興趣。

另外，通過對結(jié)果研究發(fā)現(xiàn)，用戶和同一個興趣趨向商品的特征匹配值隨著評論數(shù)量的增多而減小，最后趨向于某一值。因此，對于推薦商品而言評論數(shù)量越多推薦結(jié)果就越準(zhǔn)確。

6 結(jié)論

傳統(tǒng)的推薦模型需要建立用戶興趣集，本文提出基于評論的推薦技術(shù)，結(jié)合自然語言處理、特征評分文本挖掘等方法，建立特征匹配度表。這種基于評論的商品推薦，更符合消費者網(wǎng)絡(luò)檢索信息的思維習(xí)慣，可以與其它商品推薦方法互為補(bǔ)充，更加準(zhǔn)確的向消費者推薦所需商品，幫助企業(yè)實現(xiàn)精準(zhǔn)營銷.

創(chuàng)新點：本文首次將評論進(jìn)行分類，分別對商品評論和用戶評價進(jìn)行挖掘。依據(jù)特征值的計算結(jié)果提出了特征匹配度的定義以及計算方法。特征匹配度值的大小表明了商品以及用戶之間的一種關(guān)聯(lián)，值越小表明了兩者之間的聯(lián)系越大。

參考文獻(xiàn)

[1]劉平峰，聶規(guī)劃，陳冬林.電子商務(wù)推薦系統(tǒng)研究綜述[J].情報雜志，2007（9）：46-50.

[2]Hu M and Liu B.Mining and summarizing customer reviews.In Proc.of KDD04，168-177.

[3]李實，葉強(qiáng)，李一軍.中文網(wǎng)絡(luò)客戶評論的產(chǎn)品特征挖掘方法研究[J].管理科學(xué)學(xué)報，2009，4（2）：142-152.

[4]CHRYSANTHOS DELLAROCAS.The Digitization of Word of Mouth： Promised and Challenges of Online Feedback Mechanisms[J].Management Science，2003，10（49）：1407-1424.

[5]HUM，LIU B.Mining Opinion Features in Customer Reviews[C].In AAA I，2004：755-760.

作者單位

中國海洋大學(xué)信息科學(xué)與工程學(xué)院 山東省青島市 266100