基于情感分析的评论极性分类和电影推荐系统的设计与实现

发布时间：2017-05-27 15:01

  本文关键词：基于情感分析的评论极性分类和电影推荐系统的设计与实现，由笔耕文化传播整理发布。

【摘要】：随着信息科技的发展,互联网应用逐渐渗透到人们生活中的各个方面。电影作为当代人一种重要娱乐休闲方式,其传播途径也呈现出了多元化的特点。当前移动网络的发展快速,使得人们观看电影的方式有了多种选择,线上电影观看的比重也呈逐渐上升的趋势。如何对网络上的优秀电影进行甄别并进行推荐已经成为当前一个热门研究,电影推荐系统也成为解决这一问题的重要帮手。传统的电影推荐方法主要是利用目标客户的打分记录来找到和他相似的用户,或者利用用户的历史偏好找到top-n个和以往观看过相似的电影来做推荐,这类推荐方法的操作简便,精度较高。缺点也很明显,某些制片方为了利益可能会招募一些人给他们的产品打高分,导致推荐的结果并不可信。这时候观影用户对电影主观的评价内容可以更好的发挥作用,通过评论的分析可更为准确的获取用户对电影的评价。因此,将情感分析引入到电影推荐系统中为推荐系统的发展提供新的思路。现有的情感分析大致分为两类,基于词典的方法和基于机器学习的方法,已有的情感分析算法各有优缺点,导致单一的情感分析方法无法适用于电影推荐系统中,降低了系统的性能。因此,怎样将情感分析与推荐相结合给用户提供直观,准确的电影观看反馈,使推荐结果更符合用户的观影偏好成为系统实现中一个重要问题。本文提出的融合情感词频和主题维数拓展的方法可以对系统中的评论进行自动褒贬分类,使用户直观的了解其他用户的观影反馈,获得真正好评电影分类,将其加入系统中并加入“好评率”公式中实现了热门推荐模块。本文的具体工作如下：1.本文在ASP.NET平台运用C#语言实现了一个电影推荐推荐系统,用户功能包括热门推荐,个性化推荐,高分推荐,评论的极性分类,站内交友等。2.本文提出一种融合情感词频和主题维数拓展的方法,利用主题维度拓展和情感词频进行特征提取,用LIBSVM进行分类,可以得到自动判别的评论的情感极性,使用户通过评论极性分类可以更直观地发现其他用户对某部电影的反馈。基于将融合情感词频和主题维数拓展的方法可以将评论情感信息引入到推荐系统的热门推荐模型中,该方法在豆瓣网站真实数据进行实验,也得到了很好的效果。3.系统在个性化推荐模块中实现了基于内容的推荐算法,通过LDA算法对电影主题提取,联合导演,主演的关键信息进行特征组合,进行余弦相似度计算,根据相似度结果进行推荐,有效的解决了协同过滤中用户评分矩阵稀疏的问题。4.最终实现的电影推荐系统利用本文提出的融合情感词频和主题维数扩展的方法将系统的热门推荐模块模块实现并与基于内容的个性化推荐、高分推荐等方法相结合。三者协同作用,有效解决了系统的冷启动问题,使得系统对用户具有普遍适应性。另外在系统中添加了管理模块,让管理员可以有效地对后台电影数据进行管理,便于及时更新。
【关键词】：情感分析 情感分类 推荐系统 主题模型
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 引言9-17
• 1.1 研究背景与意义9-12
• 1.1.1 热门推荐与个性化推荐9-10
• 1.1.2 情感分析10-12
• 1.2 国内外发展状况12-15
• 1.2.1 情感分析发展现状12-14
• 1.2.2 电影推荐系统发展现状14-15
• 1.3 主要工作及论文组织结构15-17
• 第二章 系统相关工作17-26
• 2.1 系统相关技术17
• 2.2 情感分析的方法17-20
• 2.2.1 基于词典的情感分析17-18
• 2.2.2 基于语义的情感分析18-19
• 2.2.3 基于机器学习的情感分析方法19-20
• 2.3 推荐系统相关算法20-25
• 2.3.1 基于协同过滤的推荐算法20-23
• 2.3.2 基于内容的推荐算法23-24
• 2.3.3 基于关联规则的推荐算法24-25
• 2.4 本章小结25-26
• 第三章 一种融合情感词频和主题拓展的情感分析方法的设计与分析26-43
• 3.1 分类算法26-30
• 3.1.1 空间向量模型26-27
• 3.1.2 主题模型27-29
• 3.1.3 SVM算法29-30
• 3.2 算法介绍30-40
• 3.2.1 前期工作30-32
• 3.2.2 算法模型介绍32-35
• 3.2.3 数据集与实验参考指标35-36
• 3.2.4 实验验证36-40
• 3.3 算法在系统中示例40-42
• 3.3.1 数据集40
• 3.3.2 实验验证与分析40-42
• 3.4 本章小结42-43
• 第四章 系统分析与实现43-58
• 4.1 系统架构设计43-44
• 4.2 系统功能设计44-45
• 4.3 系统核心模块设计45-46
• 4.4 系统实现46-57
• 4.4.1 热门评论46-47
• 4.4.2 热门推荐47-50
• 4.4.3 基于内容的个性化推荐50-54
• 4.4.4 搜索模块实现54-55
• 4.4.5 运营模块实现55-57
• 4.5 本章小结57-58
• 第五章 总结展望58-60
• 5.1 总结58-59
• 5.2 研究展望59-60
• 参考文献60-64
• 附录A 图索引64-65
• Appendix A Figure Index65-66
• 附录B 表格索引66-67
• Appendix B Table Index67-68
• 致谢68-69
• 攻读硕士学位期间主持或参与的科研项目69

【相似文献】

中国期刊全文数据库 前10条

1 米可菲;张勇;邢春晓;蔚欣;;面向大数据的开源推荐系统分析[J];计算机与数字工程;2013年10期

2 脱建勇;王嵩;李秀;刘文煌;;精品课共享中的推荐系统框架与实现[J];计算机工程与设计;2006年17期

3 苏冠贤;张丽霞;林丕源;刘吉平;;生物信息学推荐系统的设计与实现[J];计算机应用研究;2007年05期

4 王改芬;;推荐系统研究综述[J];软件导刊;2007年23期

5 叶群来;;营销与网络推荐系统[J];电子商务;2007年10期

6 李媚;;个性化网络学习资源推荐系统研究[J];福建电脑;2008年12期

7 潘冉;姜丽红;;基于经济学模型的推荐系统的研究[J];计算机应用与软件;2008年03期

8 刘鲁;任晓丽;;推荐系统研究进展及展望[J];信息系统学报;2008年01期

9 刘小燕;陈艳丽;贾宗璞;沈记全;;基于增强学习的旅行计划推荐系统[J];计算机工程;2010年21期

10 曹畋;;智能推荐系统在知识浏览领域的应用[J];硅谷;2011年21期

中国重要会议论文全文数据库 前8条

1 张燕;李燕萍;;基于内容分析和点击率记录的混合音乐推荐系统[A];2009年通信理论与信号处理学术年会论文集[C];2009年

2 赵欣;寇纲;邬文帅;卢艳群;;基于时间密集性的推荐系统攻击检测[A];第六届（2011）中国管理学年会论文摘要集[C];2011年

3 张玉连;张波;张敏;;改进的个性化信息推荐系统的设计与实现[A];2005年全国理论计算机科学学术年会论文集[C];2005年

4 王君;许洁萍;;层次音乐推荐系统的研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[A];第三届学生计算语言学研讨会论文集[C];2006年

6 尤忠彬;陈越;张英;朱扬勇;;基于Web服务的技术转移平台推荐系统研究[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

7 王国霞;刘贺平;李擎;;二部图影射及其在推荐系统中的应用[A];第25届中国控制与决策会议论文集[C];2013年

8 王雪;董爱华;吴怡之;;基于RFID技术的智能服装推荐系统设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

中国重要报纸全文数据库 前2条

1 ;大数据如何“落地”[N];中国新闻出版报;2014年

2 本报记者 邹大斌;大数据：电商新武器[N];计算机世界;2012年

中国博士学位论文全文数据库 前10条

1 周魏;推荐系统中基于目标项目分析的托攻击检测研究[D];重庆大学;2015年

2 王宏宇;商务推荐系统的设计研究[D];中国科学技术大学;2007年

3 杨东辉;基于情感相似度的社会化推荐系统研究[D];哈尔滨工业大学;2014年

4 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年

5 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

6 刘龙;一个能实现个性化实时路径推荐服务的推荐系统框架[D];中国科学技术大学;2014年

7 李涛;推荐系统中若干关键问题研究[D];南京航空航天大学;2009年

8 刘士琛;面向推荐系统的关键问题研究及应用[D];中国科学技术大学;2014年

9 李方方;非独立同分布推荐系统研究[D];北京理工大学;2014年

10 李晓建;基于语义的个性化资源推荐系统中关键技术研究[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 朱孔真;基于云计算的电子商务智能推荐系统研究[D];武汉理工大学;2014年

2 郭敬泽;基于赋权评分和Dpark的分布式推荐系统研究与实现[D];天津理工大学;2015年

3 周俊宇;信息推荐系统的研究与设计[D];江南大学;2015年

4 李炜;基于电子商务平台的保险推荐系统的设计与实现[D];复旦大学;2013年

5 车丰;基于排序主题模型的论文推荐系统[D];大连海事大学;2015年

6 秦大路;基于因式分解机模型的上下文感知推荐系统研究[D];郑州大学;2015年

7 徐霞婷;动态路网监控与导航推荐系统的设计与实现[D];苏州大学;2015年

8 黄学峰;基于Hadoop的电影推荐系统研究与实现[D];南京师范大学;2015年

9 路小瑞;基于Hadoop平台的职位推荐系统的设计与实现[D];上海交通大学;2015年

10 李爱宝;基于组合消费行为分析的团购推荐系统的设计与实现[D];哈尔滨工业大学;2015年

  本文关键词：基于情感分析的评论极性分类和电影推荐系统的设计与实现，由笔耕文化传播整理发布。

，

本文编号：400291