本發(fā)明涉及一種短文本推薦方法及裝置，屬于信息處理技術(shù)領(lǐng)域，具體涉及一種基于用戶行為和情感分析的短文本推薦方法及裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)和社交網(wǎng)絡(luò)的發(fā)展，網(wǎng)絡(luò)已成為人們獲取信息的主要來源，人們花費在社交網(wǎng)絡(luò)上的時間越來越多，遇事也更傾向于在社交網(wǎng)絡(luò)上抒發(fā)情感。傳統(tǒng)的社交網(wǎng)絡(luò)推薦方法不能滿足用戶對信息的發(fā)現(xiàn)需求，因為有時用戶自身也不能夠準(zhǔn)確描述目前自身的需求。

推薦算法的目的是指根據(jù)用戶的歷史行為以及個人信息等猜測用戶的喜好，向用戶推薦其可能會感興趣的內(nèi)容或者物品?，F(xiàn)有的技術(shù)中，推薦算法主要分為兩種：第一種是基于內(nèi)容過濾，基于內(nèi)容過濾的推薦系統(tǒng)通過比較商品之間的相似性而不是用戶之間的相似性實現(xiàn)推薦功能；第二種是基于協(xié)同過濾，基于協(xié)同過濾的電子商務(wù)推薦系統(tǒng)并不分析商品之間的相似性而是學(xué)習(xí)目標(biāo)用戶和歷史用戶之間行為的相似性而不依賴商品的特征，從而根據(jù)相似歷史用戶的行為生成推薦結(jié)果。

但是在上述現(xiàn)有技術(shù)中，基于內(nèi)容過濾能考慮到短文本的相似而不能考慮到短文本的時效性，所以推薦效果不理想；基于協(xié)同過濾，必須是鑒于訪問用戶而進(jìn)行的推薦，對時效性要求較高的短文本推薦而言只推薦被訪問過的人們短文本，故在協(xié)同過濾中，就會生成一些過期的熱門短文本。同時，上述技術(shù)在為用戶推薦短文本時沒有考慮用戶的情感問題，不能夠推薦符合用戶心情，能夠積極正向引導(dǎo)用戶情感的短文本。

技術(shù)實現(xiàn)要素：

本發(fā)明針對社交網(wǎng)絡(luò)上現(xiàn)有大量短文本不能夠有效合理地推薦給相關(guān)用戶以及正向引導(dǎo)用戶情感的難題，結(jié)合用戶歷史行為以及用戶歷史短文本情感，通過情感負(fù)相關(guān)性分析，匹配相關(guān)類別的短文本和用戶，推薦相關(guān)短文本。

本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：

一種基于用戶行為和情感分析的短文本推薦方法，包括：

步驟1，基于獲取的用戶歷史數(shù)據(jù)生成用戶特征向量；

步驟2，基于所述用戶特征向量獲取與目標(biāo)用戶具有相似歷史行為的參考用戶作為目標(biāo)用戶的相似用戶群；

步驟3，計算目標(biāo)用戶最近發(fā)表的短文本情感特征向量e1；

步驟4，基于用戶最近發(fā)表的短文本的情感向量對該用戶進(jìn)行短文本的推薦。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦方法中，所述步驟1具體包括：

步驟1.1，計算用戶一段時間內(nèi)發(fā)表原創(chuàng)短文本頻率，記為fo；

步驟1.2，計算用戶一段時間內(nèi)發(fā)表轉(zhuǎn)發(fā)短文本頻率，記為ft。

步驟1.3，使用lda主題模型對用戶已發(fā)表的短文本及自我介紹進(jìn)行分析，獲取主題特征，記為t；

步驟1.4，基于fo，ft，t構(gòu)造用戶特征向量。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦方法中，所述步驟2具體包括：

步驟2.1，計算用戶發(fā)表行為相似度

步驟2.2，計算短文本的主題相似度ρt＝num(t1∩t)；

步驟2.3，基于公式ρh＝w1ρt+w2ρu獲取用戶行為相似度，按用戶行為相似度對參考用戶進(jìn)行降序排序，取前n個參考用戶作為目標(biāo)用戶的相似用戶群；

式中，目標(biāo)用戶的原創(chuàng)短文本頻率ft1，目標(biāo)用戶的轉(zhuǎn)發(fā)短文本頻率fo1，目標(biāo)用戶的主題特征t1，w1,w2分別為用戶發(fā)表行為相似度、用戶發(fā)表行為相似度的權(quán)值。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦方法中，所述步驟3具體包括：

步驟3.1，對目標(biāo)用戶最近發(fā)表的短文本進(jìn)行分詞；

步驟3.2，統(tǒng)計不同詞性的詞語出現(xiàn)的頻率，將各詞性詞語出現(xiàn)頻率按序填入數(shù)組，記為該短文本的情感向量e1；

步驟3.3，基于公式e1＝x·pemotion-y·nemotion計算情感向量e1的情感值；其中,pemotion為各正向情感詞對應(yīng)權(quán)重，nemotion為各負(fù)向情感詞對應(yīng)權(quán)重，x為情感向量e1中各正向情感詞對應(yīng)的分值，y為情感向量e1中的負(fù)向情感詞對應(yīng)的分值。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦方法中，所述步驟4具體包括：

步驟4.1，將相似用戶群最近發(fā)表的短文本選入待推薦文本集，基于以下公式獲取待推薦文本集中的各個待推薦文本與目標(biāo)用戶最近發(fā)表的短文本之間的情感相似度ρ：

式中，為待推薦文本情感向量e和目標(biāo)用戶最近發(fā)表短文本的情感向量e1的標(biāo)準(zhǔn)差；

步驟4.2，根據(jù)情感相似度ρ從待推薦文本集中選擇若干個待推薦文本作為候選文本。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦方法中，所述步驟4.2中，

當(dāng)e1<0時，將待推薦文本集中的短文本與目標(biāo)用戶最近發(fā)表的短文本逐一進(jìn)行比對，最后得到三個ρ最趨近于-1的短文本作為候選推薦；當(dāng)e1>0時，將待推薦文本集中的短文本與目標(biāo)用戶最近發(fā)表的短文本逐一進(jìn)行比對，最后得到三個最趨近于1的短文本作為候選推薦。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦方法中，從候選推薦的短文本選擇點贊數(shù)最高的作為推薦短文本。

一種基于用戶行為和情感分析的短文本推薦裝置，包括：

特征提取模塊，基于獲取的用戶歷史數(shù)據(jù)生成用戶特征向量；

群體劃分模塊，基于所述用戶特征向量獲取與目標(biāo)用戶具有相似歷史行為的參考用戶作為目標(biāo)用戶的相似用戶群；

情感分析模塊，計算目標(biāo)用戶最近發(fā)表的短文本情感特征向量e1；

文本推薦模塊，基于用戶最近發(fā)表的短文本的情感向量對該用戶進(jìn)行短文本的推薦。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦裝置，所述特征提取模塊，具體包括：

原創(chuàng)頻率計算單元，計算用戶一段時間內(nèi)發(fā)表原創(chuàng)短文本頻率，記為fo；

轉(zhuǎn)發(fā)頻率計算單元，計算用戶一段時間內(nèi)發(fā)表轉(zhuǎn)發(fā)短文本頻率，記為ft。

主題特征計算單元，使用lda主題模型對用戶已發(fā)表的短文本及自我介紹進(jìn)行分析，獲取主題特征，記為t；

特征向量構(gòu)造單元，基于f0，ft，t構(gòu)造用戶特征向量。

作為優(yōu)選，上述的一種基于用戶行為和情感分析的短文本推薦裝置，所述情感分析模塊具體包括：

文本分詞單元，對目標(biāo)用戶最近發(fā)表的短文本進(jìn)行分詞；

向量構(gòu)造單元，統(tǒng)計不同詞性的詞語出現(xiàn)的頻率，將各詞性詞語出現(xiàn)頻率按序填入數(shù)組，記為該短文本的情感向量e1；

情感評分單元，基于公式e1＝x·pemotion-y·nemotion計算情感向量e1的情感值；其中,pemotion為各正向情感詞對應(yīng)權(quán)重，nemotion為各負(fù)向情感詞對應(yīng)權(quán)重，x為情感向量e1中各正向情感詞對應(yīng)的分值，y為情感向量e1中的負(fù)向情感詞對應(yīng)的分值。

因此，本發(fā)明具有如下優(yōu)點：

(1)時效性強(qiáng)，能夠及時向用戶推薦感興趣的時效性較強(qiáng)的短文本，而非過期的熱門短文本；

(2)準(zhǔn)確性高，能夠?qū)⒎嫌脩粜那?，積極正向引導(dǎo)用戶情感的短文本推薦給用戶；

(3)目的性強(qiáng)，能夠通過有效的對用戶推薦短文本達(dá)到情感干預(yù)的作用。

附圖說明

圖1是本發(fā)明中實施流程圖。

圖2是本發(fā)明中獲取相似用戶群流程圖。

圖3是本發(fā)明中分析用戶情感推薦短文本流程圖。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進(jìn)一步具體的說明。

實施例：

本發(fā)明針對社交網(wǎng)絡(luò)上現(xiàn)有大量短文本不能夠有效合理地推薦給相關(guān)用戶以及正向引導(dǎo)用戶情感的難題，通過分析用戶歷史行為以及用戶歷史短文本情感，通過情感負(fù)相關(guān)性的分析，匹配相關(guān)類別的短文本和用戶，推薦相關(guān)短文本。

本發(fā)明提供了一種基于用戶行為和情感分析的短文本推薦方法，其實施流程如圖1所示，包括如下步驟：

首先，獲取到相關(guān)用戶的歷史數(shù)據(jù)，包括用戶自我介紹、近期發(fā)表的文本內(nèi)容、原創(chuàng)文本數(shù)量、轉(zhuǎn)發(fā)文本數(shù)量以及發(fā)表過的文本點贊數(shù)量，將其存儲于數(shù)據(jù)庫上。

對用戶行為進(jìn)行分析，進(jìn)行用戶聚類，獲取與目標(biāo)用戶相似的用戶群，其流程如圖2所示。將目標(biāo)用戶一段時間內(nèi)發(fā)表原創(chuàng)短文本頻率記為ft1，一段時間內(nèi)發(fā)表轉(zhuǎn)發(fā)短文本頻率，記為fo1。同時使用lda主題模型對目標(biāo)用戶已發(fā)表的短文本及自我介紹進(jìn)行分析，獲取主題特征，記為t1。將待比對用戶的一段時間內(nèi)發(fā)表原創(chuàng)短文本頻率記為ft，一段時間內(nèi)轉(zhuǎn)發(fā)的短文本記為fo，將使用lda主題模型對目標(biāo)用戶已發(fā)表的短文本及自我介紹進(jìn)行分析所獲取得主題特征記為t。計算目標(biāo)用戶與待比對用戶的用戶發(fā)表行為相似度計算目標(biāo)用戶與待比對用戶的主題相似度為ρt＝num(t1∩t)。用戶行為相似度為ρh＝w1ρt+w2ρu。取用戶行為相似度值大的n個用戶為相似用戶群。

然后，分析目標(biāo)用戶近期情感，為其推薦相關(guān)微博，其流程如圖3所示。對用戶最近發(fā)表的短文本進(jìn)行情感分析。使用nlpir分詞工具對目標(biāo)用戶最近發(fā)表的短文本進(jìn)行分詞，并統(tǒng)計不同詞性的詞語出現(xiàn)的頻率，并將各詞性詞語出現(xiàn)頻率按序填入數(shù)組，記為該短文本的情感向量e1。取e1的情感值為e1＝x·pemotion-y·nemotion，其中,pemotion為各正向情感詞對應(yīng)權(quán)重，nemotion為各負(fù)向情感詞對應(yīng)權(quán)重，x為情感向量中各正向情感詞對應(yīng)的參數(shù)，y為情感向量負(fù)向情感詞對應(yīng)的參數(shù)。將獲取的相似用戶群所發(fā)所有短文本選入待推薦文本集，待推薦文本情感向量記為e，獲取情感相似度當(dāng)e1<0時，將待推薦文本集中的短文本與目標(biāo)用戶最近發(fā)表的短文本逐一進(jìn)行比對，最后得到三個ρ最趨近于-1的短文本作為候選推薦。從三個候選推薦的短文本選擇點贊數(shù)最高的作為推薦短文本。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。