ارائه یک سیستم پیشنهاد دهنده با استفاده از تحلیل احساس

برای یک کاربر روزمره، مرور همه نظرات و نقدها ممکن است طاقت فرسا باشد. این می تواند باعث اضافه بار اطلاعات شود. هدف سیستم هایپیشنهادی این است که با شخصی سازی تجربه کاربر با ارائه توصیه های دقیق محصولات به کاربران با توجه به ترجیحات آنها، این مشکل اضافه باراطلاعات را حل کنند. بنابراین، ضرورت وجود یک سیستم توصیه که بتواند اطلاعات غیرضروری را از تعداد زیادی داده داده حذف کرده و اطلاعاترا با توجه به تنظیمات فردی ارائه دهد، به تدریج در حال افزایش است. مطالعات قبلی در مورد سیستم های پیشنهادی که اطلاعات شخصی را بهکاربران ارائه می دادند، عموما متمرکز بر تجزیه و تحلیل با استفاده از داده های ساختاری بود که کمی سازی آن ها از جمله سابقه خرید کاربر،رتبه بندی محصول و تعداد بازدید از آن آسان است. در این مقاله، برای بهبود دقت در سیستم های پیشنهادی موجود، که فقط از داده های کمیاستفاده می کنند، مدلی که با کمی سازی احساسات بررسی های کاربران، که داده های کیفی هستند، به طور دقیق رتبه بندی را اصلاح می کند.علاوه بر این، الگوریتمی که دقت سیستم پیشنهادی را بهبود بخشد، با استفاده از نمرات احساسات مرور در رتبه بندی ها ارائه می شود. این مقالهیک فرهنگ لغت خاص دامنه را بر اساس بررسی ها، که داده های کیفی تولید شده توسط کاربران است، می سازد. سپس، با استفاده از فرهنگلغت، الگوریتمی که می تواند دقت سیستم توصیه را بهبود بخشد، با استخراج نمرات احساسات متون و بازخوانی آنها در رتبه بندی ، بدست میآید.