張彬,董雅倩,徐建民

(河北大學(xué) 網(wǎng)絡(luò)空間安全與計算機學(xué)院,河北 保定 071000)

隨著在線視頻平臺中電影資源數(shù)量的不斷增長,信息過載問題日益嚴重,用戶無法快速有效地獲取其感興趣的電影.為緩解這一問題,電影領(lǐng)域的個性化推薦應(yīng)運而生[1-2].合理的電影推薦不僅可以更好地滿足用戶需求,提升用戶體驗,而且可以幫助視頻平臺增加對用戶的吸引力,提升平臺的競爭力.

現(xiàn)有電影推薦一般借鑒其他領(lǐng)域的推薦方法,通過分析用戶的歷史行為數(shù)據(jù)來挖掘用戶偏好,向用戶推薦與其偏好相似的項目.目前常用的推薦方法包括基于內(nèi)容的推薦、協(xié)同過濾推薦和混合推薦[3-4].基于內(nèi)容的推薦方法利用用戶或項目的屬性分析挖掘用戶偏好,通過用戶偏好與項目內(nèi)容的相似計算實現(xiàn)推薦[5];協(xié)同過濾推薦利用用戶與項目的交互數(shù)據(jù)發(fā)現(xiàn)相似用戶,將相似用戶喜歡的項目推薦給用戶[6];混合推薦將多種推薦方法結(jié)合于同一推薦系統(tǒng),用以提升推薦效果[7].有研究表明,用戶對項目的傾向不僅有正面傾向,也有負面傾向[8],而且負面傾向同樣會影響用戶的抉擇[9].然而,傳統(tǒng)的推薦方法在挖掘用戶偏好時并未關(guān)注用戶偏好的方向性,即未區(qū)分用戶的正向偏好和負向偏好,使得用戶偏好表征不夠全面.因此,有研究者在推薦研究中綜合考慮用戶對物品的正面傾向和負面傾向,從而提升推薦的準確性[10].

用戶對電影的評分能夠直觀地反映用戶對相關(guān)電影的喜愛程度,可以用來區(qū)分用戶對電影的情感傾向,已有學(xué)者基于用戶的評分數(shù)據(jù)挖掘其正向偏好和負向偏好.張宇等[11]利用SVM分類超平面計算用戶對電影的喜好程度,然后根據(jù)喜好程度選出用戶不喜歡的電影,并直接過濾.Walek等[12]在推薦過程中基于用戶的評分數(shù)據(jù)發(fā)現(xiàn)其不喜歡的電影類型,并用來實現(xiàn)對推薦結(jié)果的篩選.丁來旭等[13]利用改進后的LINE算法和DeepWalk算法學(xué)習(xí)用戶的喜好特征、厭惡特征以及相似用戶特征,并將三者拼接來構(gòu)建用戶的偏好特征.Chen等[14]利用用戶的評分數(shù)據(jù)挖掘其喜歡和不喜歡的2種電影列表,并用于表示用戶偏好.Zeng等[15]提供了一個可以識別用戶正面偏好和負面偏好的模型,來實現(xiàn)對用戶偏好更準確的捕捉.上述研究通過分析用戶的歷史評分數(shù)據(jù),獲得用戶對電影的正向偏好和負向偏好,并在電影推薦時加以利用,提升了推薦方法的有效性.

用戶評論是其觀看電影后發(fā)表的關(guān)于電影評價的非結(jié)構(gòu)化數(shù)據(jù),可以較為清楚、細致地表達用戶對電影的情感,是用戶對電影偏好程度的真實體現(xiàn).通過分析用戶評論數(shù)據(jù)的情感,可以更準確地挖掘用戶的興趣偏好[16].但現(xiàn)有考慮用戶正負偏好的推薦方法在挖掘用戶偏好時僅考慮了用戶的評分數(shù)據(jù),并未對用戶評論數(shù)據(jù)中隱含的用戶情感偏好信息進行分析,用戶偏好表征仍不夠完善.

本文提出了一種基于蘊含情感要素用戶正負偏好的電影推薦方法(movie recommendation method based on the positive and negative preferences of users with emotional factors, MRM-PNE),該方法利用電影領(lǐng)域情感詞典從用戶的評論數(shù)據(jù)中挖掘其情感偏好信息并計算得到評論情感得分,結(jié)合目標(biāo)用戶的評分和評論情感得分計算其對電影的喜好度,從而獲得目標(biāo)用戶的正、負向偏好電影集合,然后依據(jù)電影特征向量構(gòu)建目標(biāo)用戶正、負向偏好特征向量,最終通過候選電影特征向量與目標(biāo)用戶正、負向偏好特征向量的綜合相似度計算候選電影的最終評分,實現(xiàn)電影推薦.本文的主要貢獻如下:

1)提出了一種考慮評論情感的用戶正負偏好挖掘方法.該方法在挖掘目標(biāo)用戶正負偏好特征時,不僅利用了用戶的評分數(shù)據(jù),同時還結(jié)合了用戶評論中隱藏的情感信息,更準確地表征了用戶偏好特征.

2)提出了一種基于蘊含情感要素用戶正負偏好的電影推薦方法MRM-PNE.該方法從更準確地表征用戶偏好的角度出發(fā),利用考慮了評論情感的用戶正負偏好實現(xiàn)推薦,提升了推薦效果.

3)將豆瓣電影平臺的真實數(shù)據(jù)作為實驗數(shù)據(jù)集,設(shè)置了多組對比實驗,從不同方面驗證了本文方法的有效性.

1 考慮評論情感的用戶正負偏好挖掘

分別基于目標(biāo)用戶喜歡和不喜歡的電影挖掘其正向偏好特征和負向偏好特征:首先采用基于情感詞典的分析方法實現(xiàn)對用戶評論情感的挖掘與量化,得到用戶評論的情感得分;然后依據(jù)用戶的評分和評論情感得分計算目標(biāo)用戶對電影的喜好度,并用于挖掘目標(biāo)用戶的正向、負向偏好電影集合;最后基于這2個集合構(gòu)建目標(biāo)用戶的正、負向偏好特征向量,挖掘得到考慮評論情感的用戶正負偏好.

1.1 評論情感的挖掘與量化

目前電影領(lǐng)域沒有專用的情感詞典可以供研究者使用,而用戶在對電影評論時會采用一些具有本領(lǐng)域特色的情感詞(如“最佳影片”、“演技派”、“出戲”等),現(xiàn)有的通用情感詞典并不能很好地實現(xiàn)對用戶評論的情感分析.因此,本文首先從電影評論中發(fā)現(xiàn)領(lǐng)域內(nèi)特有情感詞,并結(jié)合基礎(chǔ)情感詞典構(gòu)建電影領(lǐng)域情感詞典,進而計算評論文本的情感得分,實現(xiàn)評論情感的挖掘與量化.

1.1.1 電影領(lǐng)域情感詞典構(gòu)建

1)領(lǐng)域情感詞發(fā)現(xiàn)

電影評論中通常包含電影名稱、演員名等特殊詞語,主流的jieba分詞并不能很好地識別這些詞語.首先需要將這些特殊詞語擴展至jieba分詞中,利用擴展后的jieba分詞實現(xiàn)對評論文本的分詞;然后根據(jù)分詞結(jié)果從中抽取形容詞、副詞、動詞和名詞4類詞[17]作為候選情感詞,利用SO-PMI算法實現(xiàn)候選情感詞的情感傾向的判別,并進行人工標(biāo)注,發(fā)現(xiàn)領(lǐng)域情感詞.本文發(fā)現(xiàn)的領(lǐng)域情感詞共863個,包含褒義詞653個,貶義詞210個.表1展示了部分領(lǐng)域情感詞.

表1 部分領(lǐng)域情感詞

2)基礎(chǔ)情感詞典

用戶評論中除了能表明用戶情感傾向的情感詞外,還包括能改變用戶情感強度與情感極性的程度副詞與否定詞.因此,本文將通用情感詞典、程度副詞詞典以及否定詞典作為基礎(chǔ)情感詞典.

通用情感詞典:選用大連理工大學(xué)情感詞匯本體庫[18]構(gòu)建通用情感詞典.與HowNet[19]、NTUSD詞典[20]僅僅標(biāo)注了情感極性不同,該情感詞匯本體庫不僅標(biāo)注了情感詞的情感極性,還對情感強度進行了劃分,且其中包含的情感詞數(shù)量也相對較多,其基本格式如表2所示.

表2 情感詞典本體庫格式

程度副詞詞典:選用HowNet提供的程度副詞構(gòu)建程度副詞詞典,并為不同的程度詞分配相應(yīng)的權(quán)重,表示不同程度的情感,該類詞語的存在會改變用戶評論的情感強度.表3展示了部分程度副詞.

表3 部分程度副詞

否定詞詞典:選用HowNet提供的否定詞構(gòu)建否定詞詞典,并將其權(quán)值定為-1,電影評論的情感傾向會因否定詞的存在發(fā)生改變.表4展示了部分否定詞.

表4 部分否定詞

1.1.2 評論情感得分計算

原始的電影評論數(shù)據(jù)一般由多個分句組成,且通常包含標(biāo)點符號、代詞等停用詞,為后續(xù)的情感分析帶來了一定的困難.因此,首先對評論數(shù)據(jù)進行分句處理,并去除每一分句中的停用詞,并基于電影領(lǐng)域情感詞典匹配獲得評論中的情感詞、程度副詞和否定詞等;然后計算每個分句的情感強度,并將每個分句的情感強度進行加和得到評論的情感得分.

對于用戶的某條電影評論,其情感得分計算公式如式(1)所示.

(1)

其中,m表示評論C中的第m條分句;n表示分句m中的情感詞數(shù)目;Wei(wj)表示情感詞wj的情感強度;Adj(adv)表示出現(xiàn)在情感詞wj附近的程度副詞adv的權(quán)重;k表示出現(xiàn)在情感詞wj附近的否定詞數(shù)目.

1.2 正負偏好電影集合挖掘

有研究者將用戶對未觀看項目的預(yù)測評分作為偽評分來發(fā)現(xiàn)用戶偏好[21-22],以緩解因用戶歷史數(shù)據(jù)稀疏而導(dǎo)致的用戶偏好表征不準確的問題.因此,本文首先利用目標(biāo)用戶的評分和評論情感得分計算其對歷史觀看電影i的融合評分REu(i);然后基于融合評分計算目標(biāo)用戶對任意電影j的喜好度Ldeg(j);最后選取喜好度最高的K部電影構(gòu)建目標(biāo)用戶的正向偏好電影集合(LMS),選取喜好度最低的K部電影構(gòu)建目標(biāo)用戶的負向偏好電影集合DLMS.

1.2.1 融合評分計算

用戶可通過評分或評論操作表達對電影的偏好,兩者均體現(xiàn)了用戶對電影的情感偏好程度,其中評分直觀地表現(xiàn)了用戶對電影的喜歡程度,評論則表達得更加細致.本文定義融合評分表示用戶對歷史觀看電影的綜合評價,計算公式如式(2)所示.

REu(i)=α×Rateu(i)+(1-α)×Emou,i(c),

(2)

其中,REu(i)表示用戶u對其歷史觀看電影i的融合評分;α為融合系數(shù),且0<α<1;Rateu(i)為用戶u對電影i的評分;Emou,i(c)為用戶u對電影i的評論c的情感得分,由公式(1)計算所得.

1.2.2 喜好度計算

喜好度表示用戶對電影的喜好程度,利用用戶對電影的融合評分計算得到.對于電影j,當(dāng)目標(biāo)用戶u已觀看時,用戶u對電影j的融合評分即為用戶對其的喜好度;當(dāng)目標(biāo)用戶u未觀看時,將利用融合評分預(yù)測得到的評分作為u對電影j的喜好度.

綜上,用戶u對電影j的喜好度Ldeg(j)的計算公式如式(3)所示.

(3)

(4)

其中,M為用戶u和用戶v共同評價過的電影集合.

1.3 正負偏好特征向量構(gòu)建

現(xiàn)有電影推薦方法通常利用用戶歷史觀看電影的基本屬性(如導(dǎo)演、演員等)構(gòu)建用戶偏好[23],然而,電影的評分與熱門評論也是電影的重要屬性,兩者以不同的方式反映了電影的受認可程度,且同樣能夠影響用戶的選擇[24-25].因此,本文首先利用電影的評分和熱門評論獲得電影的認可度,然后結(jié)合電影的導(dǎo)演、編劇、演員(前2位)、類型和地區(qū)等基本屬性信息[26]共同構(gòu)建電影特征向量,最后利用用戶的正、負向偏好電影集合構(gòu)建正、負向偏好特征向量.

1.3.1 電影認可度

電影的評分和熱門評論以不同的方式反映了電影被用戶認可的程度,本文定義電影認可度對電影進行綜合評價,如公式(5)所示.

(5)

其中,Adeg(i)表示電影i的認可度;β表示融合系數(shù),且0<β<1;MRate(i)表示電影i的評分;MCRate(i)表示電影i的熱門評論得分.由公式(6)計算得到

(6)

其中,C表示電影i的熱門評論集,n為熱門評論集C的評論個數(shù).

1.3.2 電影特征向量

電影的屬性信息來源與結(jié)構(gòu)存在較大差異,其中蘊含著豐富的知識關(guān)聯(lián),然而傳統(tǒng)的向量表示方法只關(guān)注電影的屬性值信息,忽略了屬性之間的關(guān)聯(lián),存在一定的局限性.知識圖譜表示方法在實現(xiàn)實體向量表示時,不僅可以保留實體和關(guān)系的內(nèi)在信息,還能夠?qū)嶓w映射到低維向量空間,使用多維的連續(xù)數(shù)值向量有效地表示實體[27].因此,采用知識圖譜對電影實體進行向量表示,可更加有效地表示電影特征,提升電影推薦的效果[28-29].

首先構(gòu)建電影知識圖MKG={E,R,S},圖1展示了部分知識圖,其中,E為節(jié)點類型集合,包括電影、

圖1 電影知識圖Fig.1 Movie knowledge graph

導(dǎo)演、編劇、演員(前2位)、類型、地區(qū)、認可度等7種節(jié)點類型,R為節(jié)點間關(guān)系類型集合.表5展示了所有的關(guān)系類型.S為由節(jié)點及其關(guān)系構(gòu)成形如的三元組集合,如根據(jù)“電影《誤殺》的導(dǎo)演為柯汶利,其認可度為三星”可得到三元組(誤殺,Directed_by,柯汶利)和(誤殺,Rate_is,三星).考慮到電影與屬性間的關(guān)系多為一對一、一對多的關(guān)系,本文采用TransH算法[30]將電影知識圖嵌入至低維向量空間,學(xué)習(xí)得到電影的特征向量VecM.

表5 關(guān)系類型

1.3.3 用戶正負偏好特征向量

將目標(biāo)用戶u的正向偏好特征向量表示為其LMS集合中所有電影特征向量的平均向量;負向偏好特征向量表示為其集合中所有DLMS電影特征向量的平均向量.計算公式如式(7)和(8)所示.

(7)

(8)

其中,LVecu表示目標(biāo)用戶u的正向偏好特征向量;DLVecu表示目標(biāo)用戶u的負向偏好特征向量;K表示目標(biāo)用戶偏好集合的長度;VecMj為電影j的對應(yīng)向量.

2 基于用戶正負偏好的電影推薦

與傳統(tǒng)電影推薦利用候選電影與用戶正向偏好的相似度來實現(xiàn)推薦不同,本文利用候選電影與目標(biāo)用戶正、負向偏好的綜合相似度來計算候選電影的最終評分,從而實現(xiàn)推薦.具體步驟如下:

步驟1計算候選電影i與目標(biāo)用戶u的正、負向偏好特征向量的綜合相似度,如式(9)所示.

(9)

其中,VecMi表示候選電影的向量;L_Sim(VecMi,LVecu)表示目標(biāo)用戶u的正向偏好特征向量LVecu和候選電影i的相似度,即正向相似度,由式(10)計算得到;DL_Sim(VecMi,DLVecu)表示目標(biāo)用戶u的負向偏好特征向量DLVecu和候選電影i的相似度,即負向相似度,由式(11)計算得到.

(10)

(11)

(12)

其中,d(x,y)表示向量x與y的歐氏距離,k表示向量的第k維數(shù)值,l表示向量的維數(shù).

步驟2規(guī)范化綜合相似度值simu,i至區(qū)間[1,5]內(nèi),如式(13)所示.

(13)

其中,rateu,i表示規(guī)范化后的相似度,max表示所有綜合相似度值中的最大值,min表示所有綜合相似度值中的最小值.

步驟3計算目標(biāo)用戶u的評分偏差,如式(14)所示.

bu=Avg?i(rateu,i)-Tu,

(14)

其中,bu為目標(biāo)用戶u的評分偏差,Tu表示目標(biāo)用戶u歷史融合評分的平均值.

步驟4計算目標(biāo)用戶u對候選電影的最終評分,如式(15)所示.

Fratei=rateu,i-bu.

(15)

步驟5當(dāng)候選電影i的Fratei大于等于評分閾值[14]時推薦給目標(biāo)用戶u.

3 實驗

3.1 數(shù)據(jù)集

目前的主流數(shù)據(jù)集中不包含實驗所需的用戶評論數(shù)據(jù)與電影屬性信息,本文從中國具有代表性的影視類評價網(wǎng)站(豆瓣電影平臺)中采集電影數(shù)據(jù)集和用戶歷史影集,用戶歷史影集的采集時間范圍為2020年08月01日至2021年07月31日.其中電影數(shù)據(jù)集包括6 829部電影的電影ID、電影名稱、類型、導(dǎo)演、編劇、主演一、主演二、上映地區(qū)以及大眾評價(即大眾評分和前220條熱門評論),每部電影的上映日期均在2021年07月31日之前;用戶歷史影集包括1 148個用戶產(chǎn)生的共計72 546條評價數(shù)據(jù)(即評分、評論).將2020年08月01日至2021年04月30日的用戶歷史影集劃分為訓(xùn)練集,2021年05月01日至2021年07月31日的用戶歷史影集劃分為測試集.同時,為驗證本文電影領(lǐng)域情感詞典的有效性,將豆瓣電影平臺中隨機選用的1 000條用戶評論數(shù)據(jù)作為語料集,并人工標(biāo)注每條評論的情感傾向,得到正向評論數(shù)據(jù)607條,負向評論數(shù)據(jù)393條.

3.2 評價指標(biāo)

3.2.1 情感詞典評價指標(biāo)

參考文獻[31],將實際評論情感分類結(jié)果的正確率作為評價情感詞典有效性的指標(biāo).正確率越大,表明分類結(jié)果越好;反之,表示分類結(jié)果越差.計算公式如(16)所示.

(16)

其中,RNum表示情感分類正確的評論數(shù),ComNum表示評論總數(shù).

3.2.2 推薦性能指標(biāo)

為評價本文方法的推薦性能,采用準確率(precision)、召回率(recall)、F1值(F1)、平均絕對誤差(MAE)和平均絕對百分比誤差(MAPE)5個評價指標(biāo)來檢驗?zāi)Ｐ偷耐扑]效果.

假設(shè)推薦閾值為R,將真實評分不小于R且預(yù)測評分不小于R的電影數(shù)目表示為a,真實評分不小于R但預(yù)測評分小于R的電影數(shù)目表示為b,真實評分小于R但預(yù)測評分不小于R的電影數(shù)目表示為c.各評價指標(biāo)計算方法如下所示:

1)準確率

準確率表示推薦列表中用戶真正喜歡的電影所占的比重,計算公式如式(17)所示.

(17)

2)召回率

召回率表示推薦的電影占用戶真正喜歡的電影的比重,計算公式如式(18)所示.

(18)

3)F1值

F1值是對準確率和召回率的綜合評估,計算公式如式(19)所示.

(19)

4)平均絕對誤差

MAE表示電影真實評分與預(yù)測評分之間絕對誤差的平均值.真實評分與預(yù)測評分的誤差越小,MAE越小,表示評分預(yù)測的更準確.計算公式如式(20)所示.

(20)

5)平均絕對百分比誤差

MAPE用于表示電影真實評分與預(yù)測評分之間的相對誤差,值越小,評分預(yù)測的越為準確.計算公式如式(21)所示.

(21)

3.3 實驗結(jié)果及分析

3.3.1 電影領(lǐng)域情感詞典有效性驗證

本節(jié)將包括通用情感詞典、否定詞詞典和程度副詞詞典在內(nèi)的基礎(chǔ)詞典作為對比詞典,分別比較使用電影領(lǐng)域情感詞典與基礎(chǔ)詞典時情感分類結(jié)果的正確率Correct,實驗結(jié)果如圖2所示.

圖2 情感分類結(jié)果Fig.2 Results of emotion classification

由圖2可知,電影領(lǐng)域情感詞典的正確率高于基礎(chǔ)詞典的正確率.原因是本文的電影領(lǐng)域情感詞典中不僅包含基礎(chǔ)詞典,同時還包含了電影領(lǐng)域特有的情感詞,對基礎(chǔ)詞典進行擴展后,可以更完整、準確地識別出電影評論中的情感詞,從而更好地實現(xiàn)對電影評論的情感分析.

3.3.2 推薦方法有效性驗證

為驗證本文提出的推薦方法的有效性,參考文獻[14]將推薦閾值R設(shè)置為4,當(dāng)候選電影的最終評分大于等于4時向目標(biāo)用戶推薦該電影,否則不推薦該電影.同時將用戶相似度閾值設(shè)置為0.9,當(dāng)其他用戶與目標(biāo)用戶的相似度超過0.9時,將其視為目標(biāo)用戶的相似用戶.實驗包含5部分:參數(shù)確定、評分融合的影響、電影認可度有效性分析、正負偏好有效性驗證、與其他方法的對比實驗.

1)參數(shù)確定

①融合參數(shù)α和β的確定 確定合適的融合參數(shù)α和β,以達到最好的推薦效果.對于用戶融合評分的參數(shù)α與電影認可度的參數(shù)β,實驗分別從0.1到0.9遞增,以0.1為步長,對比不同參數(shù)組合下各推薦指標(biāo)的最優(yōu)結(jié)果,實驗中前5組最優(yōu)結(jié)果如表6所示.

表6 最優(yōu)結(jié)果

由表6可知,當(dāng)參數(shù)組合為(0.7,0.4)時,MAE、MAPE指標(biāo)最優(yōu),但其F1指標(biāo)最差;當(dāng)參數(shù)組合為(0.8,0.7)時,MAE、MAPE指標(biāo)雖劣于參數(shù)組合,但優(yōu)于其他參數(shù)組合,且F1指標(biāo)要優(yōu)于參數(shù)組合(0.7,0.4).因此,綜合比較表中各指標(biāo)的結(jié)果,選取α=0.8,β=0.7作為本文推薦方法的參數(shù)組合.

②K值的確定 集合長度K為用戶正向、負向偏好電影集合的長度,不同的集合長度使得用戶的偏好表征也不盡相同.表7展示了參數(shù)組合為(0.8,0.7)時F1、MAE、MAPE指標(biāo)的5種最優(yōu)結(jié)果.

表7 不同指標(biāo)下的K值最優(yōu)結(jié)果

由表7可知,針對不同的推薦目標(biāo)可選擇不同K值.如果想要獲得更好的推薦效果及分類效果,K值的最佳取值范圍為(1 550,1 850);若想要獲得更準確的預(yù)測用戶的評分,即更小的評分預(yù)測誤差,K值的最佳取值范圍為(1 400,1 600).

綜上,為便于后續(xù)與其他實驗進行對比,驗證方法MRM-PNE的有效性,選取α=0.8,β=0.7,K=1 550作為最終的參數(shù)組合.

2)評分融合的影響

為驗證挖掘用戶正負偏好時考慮用戶的評論情感能否更為準確地預(yù)測用戶評分,降低評分預(yù)測的誤差,參考文獻[14]設(shè)置僅利用用戶評分數(shù)據(jù)挖掘用戶正、負偏好的推薦方法PN-UserRate作為對比實驗.通過對比該方法與MRM-PNE方法在參數(shù)β=0.7和K=1 550下推薦性能,來驗證融入評論情感的有效性,實驗結(jié)果如圖3所示.

由圖3可知,MRM-PNE推薦方法相較于PN-UserRate方法MAE、MAPE指標(biāo)性能提升明顯,說明利用用戶融合后的評分預(yù)測其對未觀看電影的評分可有效降低評分預(yù)測的誤差,即可更為準確地預(yù)測用戶的真實評分.

3)電影認可度有效性分析

為驗證構(gòu)建電影特征向量時考慮電影的認可度是否在MRM-PNE方法中發(fā)揮作用,本文分別設(shè)置了利用電影基本屬性與電影評分構(gòu)建電影特征向量的推薦方法PN-MRate與僅利用電影基本屬性構(gòu)建電影特征特征向量的推薦方法PN-NoPublic作為對比實驗,比較3種方法在α=0.8和K=1 550時各評價指標(biāo)的結(jié)果,實驗結(jié)果如圖4所示.

圖4 電影認可度的影響Fig.4 Influence of public emotion

通過分析圖4中各項指標(biāo)數(shù)據(jù)可知,MRM-PNE方法與PN-MRate方法在MAE、MAPE指標(biāo)上均優(yōu)于PN-NoPublic方法.綜合3種指標(biāo)結(jié)果,MRM-PNE推薦方法相較于其他2種方法推薦效果均有所提升,說明在構(gòu)建電影特征向量時,考慮依據(jù)電影評分與熱門評論獲得的認可度能夠更好的表示電影特征,提升推薦效果.

4)正、負偏好有效性驗證

為驗證同時考慮用戶的正負偏好能否提升推薦效果,本文采用α=0.8,β=0.7和K=1 550的參數(shù)組合,設(shè)置僅利用用戶正向偏好的推薦方法P和僅利用用戶負向偏好的推薦方法N作為對比實驗,比較P、N與MRM-PNE 3種推薦方法的實驗結(jié)果,各指標(biāo)的最優(yōu)結(jié)果如圖5所示.

圖5 P、N、MRM-PNE效果對比Fig.5 Comparison of effects of P,N and MRM-PNE

由圖5的實驗結(jié)果可知,同時考慮用戶對電影正負偏好的MRM-PNE方法相較于其他2種僅考慮用戶正向或負向偏好的推薦方法均有一定改善,提升了推薦效果.原因可能為MRM-PNE方法在計算候選電影與用戶偏好的綜合相似度時采用正向相似度除以負向相似度,這一操作使得MRM-PNE方法在推薦過程中過濾了用戶可能不喜歡的電影,降低了錯誤預(yù)測電影評分的風(fēng)險,使得獲得的推薦列表順序更加符合真實順序.

5)與其他方法的對比實驗

為驗證本文提出的MRM-PNE方法相較于其他方法能否有效提升推薦性能,將經(jīng)典的基于協(xié)同過濾、內(nèi)容推薦方法以及現(xiàn)有的基于用戶正負偏好的推薦方法進行復(fù)現(xiàn),并與MRM-PNE方法進行對比.對比方法及簡稱如表8所示,實驗結(jié)果如表9所示.

表8 不同的對比實驗方法

表9 對比實驗結(jié)果

由表9可知,MRM-PNE模型相對于其他方法推薦效果有明顯提升,其中相較于UserCF方法,F1指標(biāo)最多提升6.10%,MAE指標(biāo)最多提升3.32%,MAPE指標(biāo)最多提升11.67%;相較于SVM-ItemCF方法,各項指標(biāo)效果提升顯著.

綜合上述實驗結(jié)果可知,本文推薦方法相對于傳統(tǒng)推薦方法在各方面性能均有較大提升,同時,相較于僅利用用戶評分挖掘用戶正負偏好從而實現(xiàn)推薦的方法,本文方法能夠降低評分預(yù)測誤差,更為準確地預(yù)測用戶評分,進一步驗證了考慮評論中隱含的情感偏好信息來挖掘用戶的正負偏好能夠提升評分預(yù)測的準確性,可更準確地表征用戶偏好,從而在推薦時降低評分預(yù)測的誤差,獲得更好的推薦效果.

4 結(jié)語

考慮到現(xiàn)有基于用戶正負偏好的電影推薦方法在挖掘用戶正負偏好時,并未對用戶評論中隱含的情感信息進行分析,使得用戶偏好表征仍不夠準確,影響推薦效果,本文提出了一種基于蘊含情感要素用戶正負偏好的電影推薦方法.在挖掘用戶正負偏好時,利用用戶的評分和評論情感信息計算用戶對電影的喜好度,進而挖掘得到用戶的正、負向偏好電影集合,然后結(jié)合蘊含了大眾認可度的電影特征向量構(gòu)建用戶的正負偏好特征向量,獲得了蘊含評論情感的用戶正負偏好,使得用戶偏好表征更加準確、全面;在實現(xiàn)電影推薦時,利用候選電影與用戶的正向偏好和負向偏好的相似度計算得到最終評分,實現(xiàn)了將用戶可能不感興趣的電影過濾,提升了推薦效果.由于音樂、圖書等商品均可被用戶實施評分或評論操作,本文提出的推薦方法也適用于音樂、圖書等商品推薦領(lǐng)域.在未來的工作中,將引入時間因素分析用戶正、負偏好隨時間變化的規(guī)律,從而獲得更加準確的用戶偏好,提升推薦方法的性能.