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

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。

目录

声明

摘要

第一章 引言

1．1 研究背景与意义

1．1．1 热门推荐与个性化推荐

1．1．2 情感分析

1．2 国内外发展状况

1．2．1 情感分析发展现状

1．2．2 电影推荐系统发展现状

1．3 主要工作及论文组织结构

第二章 系统相关工作

2．1 系统相关技术

2．2 情感分析的方法

2．2．1 基于词典的情感分析

2．2．2 基于语义的情感分析

2．2．3 基于机器学习的情感分析方法

2．3 推荐系统相关算法

2．3．1 基于协同过滤的推荐算法

2．3．2 基于内容的推荐算法

2．3．3 基于关联规则的推荐算法

2．4 本章小结

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

3．1 分类算法

3．1．1 空间向量模型

3．1．2 主题模型

3．1．3 SVM算法

3．2 算法介绍

3．2．1 数据预处理

3．2．2 算法模型介绍

3．2．3 数据集与实验参考指标

3．2．4 实验验证

3．3 算法在系统中示例

3．3．1 数据集

3．3．2 实验验证与分析

3．4 本章小结

第四章 系统分析与实现

4．1 系统架构设计

4．2 系统功能设计

4．3 系统核心模块设计

4．4 系统实现

4．4．1 热门评论

4．4．2 热门推荐

4．4．3 基于内容的个性化推荐

4．4．4 搜索模块实现

4．4．5 运营模块实现

4．5 本章小结

第五章 总结展望

5．1 总结

5．2 研究展望

参考文献

附录A 图索引

Appendix A Figure Index

附录B 表格索引

Appendix B Table Index

致谢

攻读硕士学位期间主持或参与的科研项目