刘钟涛，刘兰淇

(河南财经政法大学 现代教育技术中心，河南 郑州 450046)

0 引 言

许多研究人员对协同过滤方法进行了有价值的研究[1-3]，有效地缓解了稀疏评分矩阵的问题，但是受限于评分信息的数量，依然难以准确预测出缺失的评分信息。

随着电子商务的广泛应用，每条交易信息包含了用户评论内容、晒图、用户档案、商品介绍、商家档案等一系列数据，传统基于评分的协同过滤方法已经难以准确地评估出用户相似性和项目相似性。除了协同过滤推荐方法，基于内容的推荐方法成为了推荐系统领域的研究热点。

为了充分利用用户评论的信息，设计了方面级的观点挖掘算法[4,5]，分析用户对产品每个方面的情感极性。当前的观点挖掘算法大多为观点的每个方面分配相等的权重[6]，但在推荐系统问题中，用户对不同方面的重视程度有所差异，某些用户可能偏爱外观好的产品、某些用户可能偏爱物流快的产品，因此分配相等权重很难提取出用户的细粒度兴趣。为了更加契合现实的产品推荐场景，提出了新的方面级加权观点挖掘方法，利用深度学习技术提取产品的每个方面及其情感极性，再估计出用户对不同方面的权重，最终结合观点的分析结果为用户提供推荐的项目列表。

1 方面级的评论分析方法

现有的观点挖掘算法直接从文字评论提取观点[7]，未能很好地和推荐系统相结合，本文设计了基于深度学习的观点提取技术，使用张量分解法计算每个方面的加权调和评分值，最终预测出用户的评分。……