مقايسه تاثير تحليل احساسات و رتبه بندي كاربران بر عملكرد سيستم هاي پيشنهاد دهنده

Comparing the effect of sentiment analysis and user ratings on the performance of recommender systems

در سال هاي گذشته، ظهور شبكه هاي اجتماعي منجر به افزايش توجه به سمت سيستم هاي پيشنهاد دهنده مبتني بر نظرها شده است. هدف از توسعه چنين سيستم هايي استفاده از اطلاعات ارزشمند نظرهاي متني كاربران در فرايند الگو سازي و ارايه پيشنهاد است. در محيط شبكه هاي اجتماعي به طور معمول سيستم هاي پيشنهاددهنده مبتني بر پالايه نمودن مشاركتي براي ارايه توصيه به كاربران استفاده مي شود. اساس كار اين رويكرد، تجربه و نظر ساير افراد براي خريد اقلام و محصولات است. در اين پژوهش سيستمي براي ارايه توصيه به كابران براي خريد كتاب با تركيب فيلتريگ مشاركتي و تحليل احساسات ارايه شد. براي تحليل احساسات از الگو هاي تركيبي براي استخراج عقايد نظرهاي كاربران استفاده شد. در رويكرد تركيبي از راي گيري مبتني بر وزن جهت الگو سازي استفاده گرديده است. الگو پياده سازي شده بر نظرهاي 7210 كاربر و خريدار كتاب تارنماي آمازون كه از راه خزنده وب از تارنما آمازون استخراج شده اند، ارزيابي شده است. براي ارايه توصيه به كاربران پس از تشكيل پروفايل اقلام، شباهت ميان اقلام استخراج مي شود و در انتها اقلام مشابه با محصولاتي كه هر كاربر به آن نمره خوبي داده است، به عنوان محصول پيشنهادي ارايه مي شود. نتايج نشان مي دهند تحليل احساسات نظر كاربران بر پيشنهاد كالاهاي مورد علاقه كاربر و عملكرد سيستم هاي پيشنهاددهنده تاثير مثبتي دارد.

In recent years, the emergence of social networks has led to an increasing attention to recommender systems based on user reviews. The purpose of developing such systems is to use valuable information from users' textual comments in the process of modeling and recommending. User comments reflect the actual opinions on the products and services, so they are a valuable resource for recommending. In social networking environments, collaborative filtering systems are used to provide advice to users. The basis of this approach is the experience and opinion of the other people to buy items and products. This approach is based on the assumption that users who have the same interest have a similar rank. In this research, a system is proposed to provide recommend for users to buy books by combining the collaborative filtering and sentiment analysis. For sentiment analysis, ensemble methods based on weighted voting have been used to extract user’s opinions. In the weighting method, a greater weight is assigned to a classifier which has higher accuracy. The selected model has been evaluated on the 7210 user’s comment which extracted from the Amazon website by the web crawler. The results show that the sentiment analysis of the feeling of the users' comments systems has a positive effect on the performance of recommender systems.