摘要
随着互联网的迅速普及，越来越多人在网络上发表自己的想法和建议，这些数据中包含了人们对某一事物的情感信息，也隐含了人们的喜爱偏好，但是随之产生的信息过载问题也不断干扰人们的生活，人们从大量的信息数据中找到有价值的内容变得十分困难。通过学者们的研究后，推荐系统的产生有效的解决了这一问题,并在各个领域得到了广泛的应用。在电子商务领域中，运用推荐系统，通过分析商品评论信息，挖掘出用户的兴趣，并对每个用户进行个性化推荐，这不仅提高了用户的购物体验，同时也能让商家发现自身存在的短板，优化自己的服务。 然而，现有的推荐方法仍然存在一些不足:第一，在对商品的评论文本进行词的向量化表示时，词向量的表达不够全面充分;第二，在对商品评论文本进行语义分析时，不能充分学习到用户的特征信息;第三，不能充分的挖掘用户特征表示和商品特征表示，容易造成推荐的不准确。在此基础上，本文融合主题特征和语义特征来获取商品评论的词向量，在进行情感分析和推荐任务时，使用的研究方法为深度学习技术。主要的研究内容如下: (1)在词向量表达方面，对获取的数据进行去噪和分词后，使用LDA模型获取包含商品评论主题特征的词向量，使用BERT模型将词语信息和位置信息等特征融入到词向量表达中，获取包含商品评论语义特征的词向量。将二者的词向量进行拼接，获得融合主题特征和语义特征的词向量矩阵，能够更加全面地表达商品评论的特征信息。 (2)在情感分析模块中，提出了 LDA-BERT-CNN-BiLSTM(LBCB)的情感分类模型。首先使用CNN获取商品评论的局部特征，使用BiLSTM获取商品评论的上下文语义特征，这种通过组合神经网络模型可以弥补单一网络模型CNN或者BiLSTM在提取特征信息时的不足，并且BiLSTM通过两个时序相反的LSTM网络，分别获取评论的上文信息和下文信息，能够更好地捕捉文本的上下文关系。其次将获得到的两种特征进行融合，得到文本的局部特征信息和上下文语义特征，使得获取到的商品特征更加全面。最后引入注意力机制，通过注意力机制来学习商品评论中的重要词汇，将重要的词汇给予更高的权重，使得模型高度关注重点词汇的信息。本文通过对比实验验证了 LBCB模型的有效性，实验结果表明，本文提出的模型可以提高分类结果的准确度。 (3)在个性化推荐模块中，提出了LBCB-BiGRU(LBCB-B)的个性化推荐模型。首先对获取的商品评论文本进行向量化表示。其次对用户评论和商品评论进行分开建模，通过上文的LBCB情感分析模型分别提取用户特征信息和商品特征信息。最后将用户特征和商品特征进行融合，由于用户和商品之间的交互关系是基于时序展开的，因此通过BiGRU学习用户和商品之间的非线性关系，得到用户对待推荐商品的预测评分。设置对比实验，实验结果表明与传统推荐模型相比，本文提出的推荐模型能够提高预测结果的准确率。
NETL