李玉蒻

【摘 要】在當(dāng)下這個(gè)信息時(shí)代，技術(shù)革新在社會(huì)中起到關(guān)鍵性作用，推薦系統(tǒng)的不斷優(yōu)化推進(jìn)著電子商務(wù)模式的變化和發(fā)展。在近些年來看，在人民生活水平不斷提高的大環(huán)境下，更希望去外面的世界走一走看一看，也就是旅游，因此，人們對于旅游時(shí)間和目的地選擇、旅游產(chǎn)業(yè)個(gè)性化推薦的需求成明顯的上升趨勢。傳統(tǒng)實(shí)體旅行社顯然不能滿足如此大規(guī)模的需求，所以，國內(nèi)許多電商網(wǎng)站優(yōu)勢盡顯，如攜程、途牛、飛豬等等，他們依靠著搜集相關(guān)的大數(shù)據(jù)及算法運(yùn)算，為人們進(jìn)行更加個(gè)性化更加精確的旅游項(xiàng)目推薦。

【關(guān)鍵詞】情感分析；個(gè)性化推薦；協(xié)同過濾

一、問題研究背景

在當(dāng)下復(fù)雜的網(wǎng)絡(luò)環(huán)境下，對于消費(fèi)者或是客戶來講，可供選擇的信息量非常龐大，而且信息使用者的數(shù)量也呈現(xiàn)出明顯的上升趨勢。在許多情況下。用戶并不知道應(yīng)該以什么標(biāo)準(zhǔn)進(jìn)行比較并做出選擇，舉例來說，用戶只知道自己想出境旅游，卻又不知道自己想去哪個(gè)國家，哪個(gè)國家適合現(xiàn)在的自己去。此時(shí)，傳統(tǒng)實(shí)體旅行社的推薦顯得千篇一律，而大數(shù)據(jù)時(shí)代下的電商網(wǎng)站，恰恰做到了幫助用戶以適合自身的標(biāo)準(zhǔn)進(jìn)行篩選，避免了用戶的盲目查找，而是能為用戶提供最直接最有效的信息。

二、協(xié)同過濾推薦算法研究及改進(jìn)

傳統(tǒng)的協(xié)同過濾算法主要有三種：1、基于用戶的協(xié)同過濾算法；2、基于項(xiàng)目的協(xié)同過濾算法；3、基于模型的協(xié)同過濾算法。傳統(tǒng)協(xié)同過濾技術(shù)主要依賴于用戶和項(xiàng)目之間的相似性，對不同用戶進(jìn)行推薦，因其對推薦的對象要求極低，可以處理各種結(jié)構(gòu)化、非結(jié)構(gòu)化的內(nèi)容，而一直在推薦領(lǐng)域被廣泛運(yùn)用。隨著技術(shù)的發(fā)展，面對海量的數(shù)據(jù)和結(jié)構(gòu)多樣的內(nèi)容，簡單的協(xié)同過濾算法已無法人們的需要。

本文主要對基于用戶的協(xié)同過濾算法進(jìn)行改進(jìn)，對其只考慮項(xiàng)目和用戶之間簡單關(guān)系的弊端進(jìn)行改進(jìn)，引入用戶和項(xiàng)目偏置，考慮用戶和項(xiàng)目之外的因素。例如，標(biāo)準(zhǔn)較高的用戶給分會(huì)偏低，而標(biāo)準(zhǔn)較低的用戶則給分較高。另一方面，網(wǎng)絡(luò)的發(fā)展，使得求好評的商家日益泛濫，而許多用戶更是習(xí)慣于給滿分，而把真是情感寄托于評論中。為了更好的解決此類現(xiàn)象給結(jié)果帶來的偏差，引入偏置，重新計(jì)算用戶評分。用戶評分，用戶平均評分，用戶情感得分，用戶評分新得分為：

在用于計(jì)算的用戶-項(xiàng)目矩陣中，將用新評分替代原始評分進(jìn)行預(yù)測，考慮了用戶個(gè)人屬性以及情感傾向的協(xié)同過濾算法將更加個(gè)性化，也更符合用戶需求。

三、基于評論的情感分析技術(shù)研究

隨著自然語言處理技術(shù)的發(fā)展，情感分析的需求日益旺盛，傳統(tǒng)的情感分析方法主要是基于詞典的分析方法，現(xiàn)代衍生出越來越多的基于機(jī)器學(xué)習(xí)的分析方法，最主流的即基于RNN的情感分析方法，但是隨著數(shù)據(jù)量級數(shù)增長，RNN的運(yùn)算速度受到很大影響，而LSTM網(wǎng)絡(luò)模型的誕生解決了這一問題，不僅具有更快的效率還具有更高的準(zhǔn)確性。

LSTM網(wǎng)絡(luò)比RNN網(wǎng)絡(luò)多了一層cell state，相當(dāng)于模型中的記憶空間，是隨時(shí)間變化的，LSTM網(wǎng)絡(luò)的關(guān)鍵就在于擁有忘記門，能控制訓(xùn)練時(shí)梯度的收斂性，更好的保持長期記憶。

LSTM網(wǎng)絡(luò)相比傳統(tǒng)RNN網(wǎng)絡(luò)具有多條線路，上邊紅色橢圓內(nèi)即為cell state （單元狀態(tài)），控制信息的傳遞，它第一步用sigmoid決定什么信息可以通過cell state，第二步是接收新信息進(jìn)行更新。這個(gè)過程分為兩部分，首先，用sigmoid函數(shù)來決定更新哪些值，然后，再用一個(gè)tanh層生成新的候選值，這個(gè)候選值將被當(dāng)成當(dāng)前層的候選值添加到單元狀態(tài)中。我們會(huì)對這兩部分的值相互整合，并進(jìn)行更新，丟掉不需要的，添加新信息。

為了更好的進(jìn)行模型的輸出。首先，要通過sigmoid層產(chǎn)生一個(gè)原始的輸出，然后使用tanh函數(shù)對其值進(jìn)行縮放，使其范圍在-1到1間，再與sigmoid層得到的輸出對應(yīng)相乘，從而產(chǎn)生模型最終的輸出。

四、數(shù)據(jù)集分析研究

本實(shí)驗(yàn)采用的數(shù)據(jù)集為爬蟲爬取的攜程網(wǎng)8萬多條數(shù)據(jù)，數(shù)據(jù)結(jié)構(gòu)如下表所示：

本文先對數(shù)據(jù)進(jìn)行處理，生成如上圖統(tǒng)一格式，再對用戶評論進(jìn)行提取，進(jìn)行情感分析，所得評分再與用戶項(xiàng)目評分進(jìn)行加權(quán)，得到新評分，最后進(jìn)行基于用戶的協(xié)同過濾推薦產(chǎn)生推薦結(jié)果。此種方法相較于傳統(tǒng)協(xié)同過濾算法更加考慮個(gè)性化因素，推薦結(jié)果也比傳統(tǒng)協(xié)同過濾算法更優(yōu)，達(dá)到了較高的精準(zhǔn)率。

五、結(jié)束語

如今個(gè)性化推薦被廣泛普及和應(yīng)用，本文在協(xié)同過濾算法的基礎(chǔ)上，考慮了用戶對參與過的旅游項(xiàng)目的情緒，提出了關(guān)于用戶在評價(jià)旅游項(xiàng)目時(shí)是處于一個(gè)以情緒為主導(dǎo)的綜合的情境之中的概念，同時(shí)也對基于情感分析的個(gè)性化旅游項(xiàng)目推薦進(jìn)行了嚴(yán)密深入的探討，通過建立LSTM模型，分析用戶情感，進(jìn)而建立新的協(xié)同過濾方法，并用該模型合理謹(jǐn)慎地對攜程旅行的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，所得結(jié)果較傳統(tǒng)方法更優(yōu)。由此可以對用戶更加負(fù)責(zé)地進(jìn)行更精準(zhǔn)、更加個(gè)性化、更能令人滿意的相關(guān)旅游項(xiàng)目推薦。