基于深度学习的情感分析和个性化推荐的需求分析和概念原型设计

基于深度学习的情感分析和个性化推荐的需求分析和概念原型设计

一.需求分析

电商经济下的个体商家成倍增长，消费者网购的消费金额也指数式增长。互联网经济繁荣发展的背景下也隐藏诸多问题。

1.消费抉择困难。

各类商品品牌款式繁多，各有特色，消费者在选择选择购买商品时，很难从上百种，甚至上千种商品中，选择出一个满足自己的需求的商品。

2.购物模式的局限。

网购模式下，消费者不能实实在在体验到商品，消费者获取商品信息的方式有两种，商家的宣传广告，商家提供的照片和特点描述往往是有过滤有筛选的信息，这种手段下，消费者所获得的信息并不全面可靠，第二种，从以往购买过此商品的用户评论中获取，从上千条评论中寻找关键信息显然十分消耗时间，因此从海量评论中获取商品信息也不现实。

3.评论信息冗余。

大数据评论下，海量的文本数据中描述的商品特征往往集中在少数几个，评论的雷同率相当高，对于消费者来说会造成大量时间浪费，对企业商家来说，很难了解消费者真正关注的特征，不易于今后产品的研发和改进。

二.用例图

从需求分析中不难得出，此次工程实践所服务的目标人群是消费者和厂商企业，主要是消费者。这样就总结出推荐程序所应该包括的功能，推荐程序的工作都是要建立在情感分析程序的基础上。情感分析，首先要获得训练的样本，之后才能训练模型，模型最后用于实践。 

 

三.业务类图

 

 四.数据模型

本实践重在算法设计模型训练，数据模型较少。

1.训练和测试文本

名称	类型	备注
文本内容	String
标识	enum	postive/negative
商品标识	String	某一个商品的评论

 

 

 

 

 

2.根据训练结果提取商品特征

名称	类型	备注
商品标识	String
积极特征	StringArray
消极特征	StringArray

 

 

 

 

 

3.根据已有的商品特征为特定用户推荐合适商品

名称	类型	备注
用户标识	String
爱好	StringArray
讨厌	StringArray

 

 

 

 

 

 

五.概念原型

通过以上分析，概念原型就非常清晰了。首先通过技术手段，从电商平台爬取到足够多的带有积极消极标识的评论文本，接着对数据集进行必要的预处理之后。交给搭建好的模型训练。模型训练好后，通过评估函数决定继续训练，直至满意。

训练好的模型将有能力，区分出同类商品中某个评价的情感，以此为依据辨别出，提取特征的算法提取出的特征，是好的还是坏的，经过大量的数据分析后，对喜好此特征的用户做出合适的推荐。