文摘

实体经济已经搬到网上电子市场交易由于互联网技术的快速发展。网上购物占越来越多的在中国电子商务市场交易的一部分,和用户意识到手机在线支付交易正在上升。网上购物平台淘宝网和JD.com,所有的网上购物平台,不断出现。然而,因为有这么多的产品信息在网上购物时,它可以是一个挑战为用户找到他们需要的信息。最近开发的个性化推荐系统已经成功地解决了这个问题。系统可以预测用户的喜好通过大量的数据分析,然后它将预测信息的用户界面,大大增加了用户的采购效率和电子商务的优势。因此,在现代,电子商务个性化推荐模型研究已成为越来越受欢迎。在这项研究中,语义情绪进行分析,改进了传统的语义情绪分析算法中引入个性化推荐系统的研究,和1000个用户选择的实验研究。在用户的个性化产品推荐,提高语义情绪分析和其他广泛使用的个性化推荐算法进行了比较。根据调查结果,平均事务成功率是71.3%,最大搜索时间是1.74毫秒,协同过滤推荐算法。 Semantic sentiment analysis has reduced search times to a maximum of 1.42 milliseconds and increased transaction success rates to 87.9 percent. After the addition of semantic sentiment analysis, it is clear that the personalized recommendation system model has a higher accuracy in recommending the products that users have expressed an interest in, which can have a greater positive impact on e-commerce transactions.

1。介绍

基于网络技术的电子商务成为越来越普遍的在人们的生活中网络技术的迅速发展的结果。互联网数据以每年50%的速度增长,根据美国互联网数据中心。计算技术在互联网上的发展近年来,大数据发现跨许多行业广泛使用。每年,移动交易员的股息是在下降。个性化的建议可以成功匹配的大量数据,预测用户首选项,并优化页面,提高业务效率。为了确定用户的特点和喜好,个性化推荐包括收集和分析用户的历史个人数据。然后用户呈现相关信息和产品基于他们的肖像,这是用来描述他们的偏好。但随着越来越多的数据可用时,当前使用的个性化推荐算法逐渐无法满足要求的推荐精度。因此,在大数据时代,深入研究电子商务个性化,推荐是至关重要的。

个性化推荐系统,越来越多的学者参与这一领域,取得了一系列的相关研究。京等人提出了一个个性化的社会形象推荐方法基于user-image-label模型。实际上,事实证明,该算法能充分利用标签,实现user-image-tag-based个性化推荐系统的分类图像的内容,从而大大提高个性化推荐的准确性(1]。针对当前电子商务中信息过载的问题,提出了一个基于个性化的电子商务推荐系统。基于先天的“购物篮分析”功能的算法,通过分析客户的购买和销售数据,发现有许多有趣的产品购买的客户之间的相关性,这样用户的电子商务购物更加方便和快速2]。,提出了一个上下文感知的移动电子商务个性化推荐模型MTERec解决个性化推荐的稀疏和低精度数据集成多个社会信息在电子商务个性化推荐模型。得出结论,该算法和模型有更高的客户满意度和推荐精度比常用的算法(3]。为了克服个性化推荐算法的一些常见问题,如低限制和低精度、Lv提出了一种基于增量学习的个性化推荐模型和连续属性离散优化并进行了相关实验。获得的实验结果表明,该改进算法在分类精度和准确性,有一个良好的性能和基于其他分类算法推荐结果的准确性明显低于这种改进算法4]。然而,随着时代的进步,各种各样的商品增加,增加一天的信息。因此,一个更好的个性化推荐算法需要改进客户个性化推荐的准确性。在这方面,本文介绍了语义情绪分析研究个性化推荐模型。

语义和情感分析是自然语言处理的一个分支,它可以分析和分类文本通过机器学习的情绪。在这个领域也有很多相关的研究。古普塔解决twitter相关情绪分析问题,我提出了一个非常普遍但小说传输方法来提高性能的处理词汇修饰词否定在SWN得分计算,并通过实验证明了该方法的有效性(5]。Ramanathan和Meyyappan应用上下文语义情绪分析检查人们的个性基于他或她的微博,提出三种方法评估tweet。并通过实验研究,51.46%的微博改变了他们的心情,因为同现词语(6]。签证官等人研究了如何使用多层架构理解情绪的性质表征和提出了一个模型,使用语义和语法成分的混合物来捕获语义和情感信息。实验结果表明,该模型实现了一个适当的水平的细节和丰富的表征能力(7]。基于微博的有限和复杂的上下文信息,王等人提出了一个双向长期短期记忆(BiLSTM)网络与情感语义增强一个多线程的注意机制模型(EBILSTM-MH)情绪分析。最后,通过实验证明了模型的有效性(8]。越来越多的学者研究,可以看到,语义情感分析的研究已经越来越多的关注。除了自己的优势,介绍了语义情绪分析算法,它适用于电子商务的个性化推荐模型来实现更好的推荐效果。

在个性化推荐的研究,除了研究语义情绪分析算法和改进它,为了比较的优点和缺点改进语义情绪分析算法模型,其他常见的电子商务个性化推荐算法研究,和不同的实现算法的结果进行了分析和比较。实验1000所选用户的调查,结果表明,当使用常见的协同过滤推荐算法,最大的交易成功率仅为71.3%。使用改进的语义情绪分析算法后,最大的交易成功率达到87.9%。相比之下,改进的语义情绪分析算法中使用个性化推荐模型获得更高的商业利益,这为电子商务的未来发展带来了新进展。

2。电子商务个性化推荐算法

2.1。电子商务个性化推荐系统

2.1.1。定义

有很多个性化的建议基于电子商务的概念,但是这个概念由雷斯尼克和瓦里安1997年更常用。通过使用电子商务网络,产品信息和意见提交给客户,并协助用户在选择购买什么样的产品,或模仿营销人员协助客户在购买过程中(9]。到目前为止,系统已经在许多应用程序中使用。随着电子信息技术的不断发展,如日用品、衣服、书籍、和旅游目的地,所有使用系统的服务。

2.1.2。函数

一般来说,电子商务个性化推荐系统的作用是收集客户信息,获取客户的可能的利益和偏好根据算法,并推荐客户的浏览界面。简而言之,就像当淘宝通常是打开时,系统将产品您可能需要购买主页上没有任何来自客户的输入。相关研究表明,在使用电子商务个性化推荐系统,销售的商品可以由2%上升到8%10]。

2.1.3。系统的组成

一般来说,电子商务个性化推荐系统的主要部分由三个模块组成,即输入数据模块、个性化推荐算法模块,最后推荐输出模块。

个性化推荐系统之前,必须首先获得客户的输入信息输入数据。可以显式或隐式的输入信息,其中显示输入数据相关的客户端系统上填写的信息,如电话号码,地区,以及在客户端产品搜索记录和评估。最有效的搜索记录和审查内容。隐式输出指的是信息,如产品的浏览时间和浏览的内容通常当客户浏览产品。

个性化推荐算法模块处理获得的客户信息。算法模型用于分析输入信息和输出结果来获取客户的利益和偏好和他们可能想要购买的产品。最后,获得的结果反馈给客户推荐输出模块和发送到客户的浏览界面。

三个模型中,最关键的是推荐算法模型。在算法模型输出结果的准确性直接影响客户的感觉和事务的成功或失败。在当前的个性化推荐算法,最常用的算法模式协同过滤推荐算法,关联规则推荐算法,基于内容的推荐算法,甚至协同过滤和基于内容的推荐算法(11]。在接下来的文章中,只有协同过滤推荐算法进行解释和分析。

2.2。协同过滤推荐算法

2.2.1。算法理论

1992年,一些研究人员提出了一个协同过滤推荐模型过滤信息和推荐新闻(12]。协同过滤推荐算法在搜索引擎可以解决一些问题,如过于单一的检索和基于机器学习的协同过滤推荐算法。该算法的主要思想是,如果A和B客户有共同爱好,当客户购买或经常浏览某一产品,然后推断出,产品也是吸引顾客购买。协同过滤算法通常会生成一个推荐矩阵。之前生成矩阵,该算法比较客户的历史购买或浏览数据并计算相似度。这个算法的原理图如图1。

有很多种协同过滤算法,常用的有三种,即基于模型的协同过滤算法,基于项目协同过滤算法和基于用户的协同过滤算法13]。

2.2.2。该算法的基本原理

有三个主要步骤的过程中实现协同过滤推荐算法。首先,收集用户信息,然后计算相似度,最后生成推荐列表。

(1)用户信息的集合。这一步是我的数据和获取所需的客户评级数据集生成相应的评级矩阵,在评级矩阵如表所示1。

(2)相似度计算。所谓的相似度计算是一个衡量两个对象之间的相似性。常用的计算方法是皮尔逊相关系数,余弦相似度,修正余弦相似度(14]。

关于余弦相似度的计算,其计算过程是设置两个客户的分数作为一个矢量,然后找到两个向量的余弦值。这两个向量的相似度不断增加,因为他们的余弦变小。公式(1)计算公式:

的公式,a、b由两个向量组用户评分数据。

皮尔逊相关系数可以用来判断一个产品的评级不同客户在同一直线。它提高了余弦相似度的计算方法。皮尔森相关系数可以用来计算相似相同的项目每两组之间。计算公式为

在这个公式,我_纳米显示客户的项目n和米共同参与评分;年代_{n, k}是项目的评级吗k由客户n;年代_n是客户的平均分数吗n项目评级;年代_米——客户的平均分数米为项目的评级。

然而,由于不同用户的不同的评估标准,对余弦相似性的问题,学者们提出了一种改进的余弦相似度在此基础上。因为传统的余弦相似性计算方法只考虑的相似性我向量维度和忽略了不同维度在每个维度的差异,余弦相似度的计算方法是改善。在计算相似度时,这组的样本均值是每个组件的减项,和计算公式

的公式,我_n是客户的分数吗n;我_米是客户的分数吗米。

(3)一代的推荐列表。后获取用户通过前面的过程之间的相似性,相似性按升序排序,最后根据排序、选择目标用户可以生成和相应的个性化推荐列表。

2.2.3。评价指标

(1)用户满意度。最后的推荐效果的一个重要指标的个性化推荐系统用户满意度。用户的认可程度可以测量系统的推荐结果的满意度。一般来说,满意度可以从数据计算用户的浏览、购买和评价行为主要的购物平台。其计算公式如下:

的公式,公关建议购买率;P (o)是用户购买产品的总数或经常浏览;R (o)数量的产品推荐给用户。

(2)预测的准确性。所谓的预测精度是向用户推荐信息内容的准确性。一般来说,之前做出正确的预测,训练集和测试集,然后机器学习算法用于生成推荐行为的预测模型,根据用户的兴趣偏好。最后一步是比较实际结果与测试结果和观察到的差异。预测精度通常是计算平均绝对误差(MAE)和均方根误差(RMSE),计算如下。

RMSE是

美是

在公式,年代_vn项目的实际分数吗n由用户 ; 预测项目的分数吗n由用户 ;| |是评估产品的总数。

(3)报道。覆盖率是衡量一个推荐系统的推荐性能几乎没有在市场上销售。这是比派生的产品推荐算法在测试集的所有项目,建议项的数量越大,更好的推荐算法。覆盖率的计算公式

的公式,U是所有用户数据的集合;问是项目的集合;R(V)是所有推荐的商品个性化推荐系统给用户。

(4)多样性。多样性的本质是要考虑消费者的需求,为了提高用户体验,满足用户对不同产品的需求,提高运营效率。因此,推荐系统需要许多种类的产品推荐给用户,比如蔬菜、肉和水果。推荐系统的评价指标包括多样性多样性和平均多样性推荐列表。

推荐多样性公式列表

平均公式是多样性

的公式:年代(n,米)是相似的物品n和米;U是一组由用户;R(V)计算用户推荐列表。

(5)新颖性。新颖性指标展示用户一些他们从未见过或听说过为了引起他们的兴趣。新颖性指标措施一般流行的一个项目,和它的新鲜度会随着产品的受欢迎程度增加。

(6)实时。推荐系统的实时特性,必须实时产品推荐给用户。如果没有时效性,它不会带来更好的结果。例如,当购买一定的手机,消费者总是购买手机配件,和系统应该立即把相关内容,而不是推荐配件根据消费者的购买行为在几天之后。

2.3。语义情绪解决

2.3.1。情绪

一般来说,当用户在电子平台上消费,他们很容易受情绪控制,因此有必要考虑用户的情绪,如果他们想让用户有效的建议。对于人类来说,情绪可以是一个很好的反映了人们的直观经验的某些东西,人们行为的反馈。人民自己的需求和对客观事物的态度是影响情绪变化的因素,他们主要有四个功能:适应、沟通、激励和组织。许多学者已经研究了许多模型。一些研究人员提出了一个基于本体的意见感知框架EOSentiMiner [15],一些研究人员提出一个概念的情感空间,包括四个基本情感和幸福定义之间的对应关系和愤怒和放松之间的对应关系和恐惧的概念相反的情绪。的原理图如图二维情感空间2。

每一个情绪都可以转移到其他的情绪。所以本文情感two-tuples的形式表示,和每个参数有以下定义。

情感α_一个:

其中,当y= 1,它代表悲伤,当y= 1,它代表幸福。情感强度γ_b:

情感的角度θ:

这些定义可以用来表达情感的力量和弱点与功能,以及表达公式

情感组件被定义为

2.3.2。推荐策略和动机

情感激励理论可以描述情感活动的过程中,已被广泛证实和应用(16]。在本文中,这个理论引入个性化推荐系统,和公式(15)可以用来表达每个商品的满意度客户的需求:

的公式,P_我(t)的满意度我th需求时间t;E_我(t)是满意的我th需求时间t;R_我的期望是我需求。

当数量的区别感到满意和期望更大,这意味着用户满意度的程度越高,反之,越小的区别是,用户满意度的程度越低。

不同年龄的人有不同的强调商品,和不同年龄的人有不同的强调质量,价格,美,和其他方面的商品。与此同时,客户的性别和当时的情绪也会影响商品的选择。女性用户更有可能考虑的产品更美观,而男性用户更有可能产品的实用性价值。在这方面,需要考虑各种因素的产品和用户本身在推荐产品时,这样用户可以获得一个更加令人满意的体验。

对于用户来说,他们选择什么样的产品会观察价格,产品的质量和外观,根据他们的情绪。当用户在放松或快乐的情况下,他们将warm-colored产品更感兴趣。这时,warm-colored产品推荐的推荐系统的重量应该比cool-colored产品。对于客户悲伤或恐惧,系统应该增加的重量推荐cool-colored产品,如黑色和灰色。

2.3.3。基于语义的推荐模型的情绪

本文中使用的语义人气推荐模型图所示3。与常见的语义情绪分析模型相比,该模型在原有的基础上有一些改进。介绍了并行规则挖掘算法,采用先验的算法。得到频繁项集大形成推荐结果(17]。

3所示。个性化推荐的实验调查和数据解决

3.1。实验过程

本文的实验对象是随机选择1000名用户的电子商务平台进行调查。1000用户的年龄分布在20到50岁之间。在实验调查,传统的语义情绪分析模型,协同过滤推荐模型和改进的语义情绪分析模型被用于实验。和所花费的时间的调查用户搜索他们所需要的产品和成功的交易记录的数量。

第一个是比较传统的语义情绪的影响分析模型和改进模型。在这个实验中,伽柏和SVM用于识别表达式(18),该项目是由vc++和MATLAB写的。与传统的算法相比,推荐结果的情感语义算法考虑客户的情绪更友好和更接近用户的期望。

第二是使用协同过滤推荐算法的推荐的调查。算法收集5电子商务平台数据库中数据包的信息搜索,和每一个数据包都有50000个数据19]。实验参数如表所示2。

3.2。实验数据和解决

数据强调商品在不同年龄段的不同属性如表所示3。

从上面的表可以看出,在20多岁和30多岁的年轻人更关心品牌和外观的产品,占89.5%。而中年人关注产品质量,占92.3%。和老年人在40年代和50年代正在追逐的实用性和廉价产品,占96.4%。从这可以看出,不同年龄的人有不同的重点产品。因此,当设计一个个性化推荐模型,之间的关系的性质的产品和用户的年龄应该考虑实现更准确的产品推荐。

根据本文前面描述的,用户的情感是由数值,和传统的情感语义模型的实验结果和改进的语义情感分析模型可以比较,和图4可以获得。

从这两个图表的比较图4,产品推荐的传统语义情绪分析模型不能非常接近客户的情感价值;也就是说,它不能准确地推荐客户的预期产品在一定的情感。引入关联规则挖掘算法后,推荐的产品中包含的情感语义情感算法模型更接近客户的情感价值,和推荐的产品满足用户的需求。

图5显示推荐效果的对比改进前后的语义情感推荐模型。从图可以看出5事务成功率和用户的浏览率的产品都是更好的与改进算法模型,可以提高交易成功率11.8%。可以看出,情感语义算法模型在引入关联规则挖掘算法可以更准确地推荐所需的产品电子商务平台上的用户。然而,两个推荐模型的结果并没有改变多少人的更高的年龄在40 - 50岁之间,和网上购物率也很低。可以看出,老年人很少进行电子商务交易,和他们所需要的产品更实用和便宜。因此,电子商务的个性化推荐需要相关年龄组和用户的需求。

通过比较,得出改进后的情绪语义分析算法可以提高推荐效率。为了进一步探索个性化推荐算法的效果,语义情感分析算法相比,改进的协同过滤推荐算法中常用的个性化推荐模型。在实验过程中,用户的浏览时间和满意度两个算法下记录。实验数据图所示6。

根据用户的满意度评估评级推荐产品。从图可以看出6与推荐的产品相比,协同过滤推荐算法,用户在实验中选择更满意的产品推荐的个性化推荐系统基于语义情感模型。最高的用户满意度水平30到35岁的年龄达到0.9。与此同时,用户浏览产品的时间已得到改进。在B组的平均浏览时间不同约5 s。产品的浏览时间的增加也证明了推荐的产品吸引更多的用户和更符合他们当前的内在需求。

通过观察图7,当一个用户搜索同样的产品,传统的协同过滤推荐算法模型总是更多的时间比改进的语义情感推荐算法模型。当搜索信息的数量是500,由传统的协同过滤推荐算法模型的时间是1.74毫秒,而改进语义情感推荐算法模型的时间是1.42毫秒。同时,从交易成功率的角度,继续提高协同过滤推荐算法模型。然而,改进的语义情感推荐算法模型具有更好的效果,和最大事务成功率达到87.9%,从而大大提高了电子商务平台的优势,进一步促进电子商务交易。

4所示。结论

为了进一步提高个性化推荐系统的推荐效果,本文改进了传统的语义情感推荐算法模型。介绍了并行规则挖掘算法,使产品向用户推荐的系统更符合客户需求,和改进的语义情感推荐算法模型是较常用的协同过滤推荐算法模型。从上面的实验结果,可以得出以下:(1)传统语义情感推荐模板和改进语义情感推荐模板可以有效地提高推荐精度。然而,推荐的产品改进建议模型更准确地满足当前内部用户的需求和达到更好的产品推荐效果。(2)两个常用的协同过滤推荐算法模型和改进的语义情感推荐算法模型可以缩短时间,客户搜索产品。然而,传统的推荐算法模型是不那么有效,客户很难快速找到他们想要的产品信息时,使用传统的推动模式。改进的语义情感推荐算法模型可以准确地推荐客户需求和产品信息,快速推动客户,可以满足产品的及时性,大大增加产品交易的数量,从而获得更多的电子商务的好处。

然而,在本文的试验研究,推荐算法模型也暴露出其他缺点,如无法作出准确的个性化推荐不同年龄的人,和复杂的算法步骤。因此,仍有很多研究空间个性化推荐基于语义情绪分析,它在未来仍有重要的研究意义。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者没有任何可能的利益冲突。

确认

本研究支持MOE(中国教育部)人文社会科学项目(项目号20 yjc630061)和四川省社会科学重点研究基地- 2021四川农村发展研究中心项目(项目号CR2124)。