S2.将分词后的用户评论作为输入使用TF-IWF算法，提取词频和加权逆词频最高的词汇，从高至低筛选出符合农产品特征属
性的3个属性词作为用户最偏好的农产品特征属性词集；
S3.将用户评论数据集训练word2vec模型，在用户评论数据集中挖掘出S2中筛选的3个农产品特征属性的同义词向量，构成农
产品特征属性指标集；
S4.将分词后的用户评论，使用S3构建农产品特征属性指标集进行属性词筛选，得到每个用户对3种农产品特征属性偏好与
否；
S5.将每个用户的点评情况，通过评分情感倾向加权计算和用户评论信息挖掘，以S4中的结果构建用户点评模型；
S6.如果用户对某农产品点评过且评论内容提到对应农产品特征属性指标集中属性词，则结合用户评分情感倾向加权计算结果
将用户点评模型进行量化，以用户评分-商品特征属性偏好矩阵形式代替用户评分。如果用户对某农产品未进行点评，则对应点评置为0矩阵；
S7.将每个用户与其他所有用户进行相似度计算，以用户评分-商品特征属性偏好矩阵代替用户评分使用改进后欧氏距离相似
度算法计算不同用户之间的用户-用户相似度；
S8.对于同有点评的两个用户的用户评分-商品特征属性偏好矩阵计算，以计算矩阵的向量距离代表二者对同一农产品的点评
相似度；
S9.将通过计算得到的用户-用户相似度按照降序排列，取TOP-K个用户作为目标用户的邻居集；
S10.根据S7找到的TOP-K个邻居集，使用加权平均的算法预测目标用户对邻居集中未点评过农产品的评分，并进行从高至低
排序，选出TOP-N的商品作为结果推荐给目标用户；
S11.以Precision、Recall和F1值作为指标评估本技术的预测精度；
本技术还提出基于农产品特征属性评论倾向的协同推荐的推荐系统，包括：数据收集模块，结构化存储获取到的用户在电商平台下不同农产品的点评数据；
数据分析模块，从各农产品的用户评论提取用户偏好的农产品特征属性，同时构建农产品特征属性词集；用户点评模型构建模块，将用户评论进行情感倾向加权计算，结合评分构建用户评分-商品特征属性偏好矩阵；
相似用户计算模块，使用改进后的欧氏距离相似性算法对数据集内用户评分-商品特征属性偏好矩阵计算相似度构建目标用户邻居集；
评分预测模块，对所有目标用户可能感兴趣农产品使用加权平均公式进行评分预测，构建农产品推荐结果集；
推荐模块，利用推荐结果集将前N款农产品对目标用户进行推荐。
本技术具有的优点为：本技术在传统的协同过滤算法基础上，针对仅使用评分进行计算的单一性进行改进，基于用户的评分加权计算以及评论中对农产品特征属性的偏好引入构建用户点评模型，再进行相似度计算，可以发现用户与用户之间潜在的相似性关联，因此可以改善仅用评分计算相似性可能导致相似性不强的弊端。计算得到的用户邻居集更为精准，因此保证在推荐系统中对目标用户的推荐效果也更为有效和准确。附图说明
图1为本技术的推荐算法流程框图。图2为本技术推荐系统的流程框图。具体实施方式
下面对本技术的实施例作详细说明，本实施例在以本技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本技术的保护范围不限于下述的实施例。实施例1
依据图1所示的推荐算法流程图，本技术的协同推荐方法具体操作步骤如下所示：步骤1：将用户点评数据集，进行数据预处理；
将用户评论进行分词处理，使用停用词词典将评论中无实际意义的介词、符号等去除，得到预处理后的用户评分-评论分词数据集；
步骤2：使用TF-IWF提取用户评论数据集中词频和逆词频最高的词汇，其中TF表示在用户评论数据集Dj中某词Wj的重要性；
其中n(i,j)表示此词语在Dj中的次数，而除数为数据集Dj中所有词语出现的次数之和；而IWF表示加权后的逆词频，示评论中所有词语的词频总和值，nti表示对应词ti在评论中的词频总量；以下是TF和IWF的公式：
表
TF-IDF＝TF×IDF
将用户评论数据集中TF-IWF值从高至低进行降序排列，筛选出符合代表商品特征属性的3个属性词作为用户最偏好的商品特征属性a1,a2,a3；
以用户评论数据集为训练数据集，训练得到word2vec词向量模型；以3个商品特征属性词作为种子词，使用word2vec模型从用户数据集中计算出与3个商品特征属性词相似度较高的词向量集{w1,w2,w3,w4,w5…wn}；
从相似度从高至低的词向量集中，筛选出TF-IWF算法计算出的3个商品特征属性同义的其他词向量，构成商品特征属性词集
A{a1,a2,a3…an},B{b1,b2,b3…bn},C{c1,c2,c3…cn}；
步骤3：构建用户点评模型与用户评分-商品特征偏好矩阵；
将步骤1中分词后的用户评论，通过构建的商品特征属性词集以词典方式进行筛选；如果用户评论中包含A、B、C词集中的属性词，则表示用户对农产品该特征属性有偏好；
用户{user1,user2,user3…usern}对该农产品的评分{S1,S2,S3…Sn}，引入情感词典Pos{pword1,pword2…pwordn}、
Neg{nword1,nword2…nwordn}和程度副词词典D0.5{d0.5word1,d0.5word2…d0.5wordn}、D1.5{d1.5word1,d1.5word2…d1.5wordn}…其中Pos、Neg分别表示正负情感倾向词典，D表示程度副词集，D0.5表示程度等级在0.5的副词集；将用户评论
中情感倾向程度结合用户评分进行加权计算，其权重计算公式如下：
其中λ表示权重系数，Sn表示对应用户评分，
表示用户评论中程度副词由程度副词词典累加的总体程度等级
值，
由用户评论中情感词通过情感累加词典得到的总体情感倾向值，将权重系数λ与用户评分相乘得到最终加权
后评分集{λS1,λS2,λS3…λSn}；
基于加权后用户评分和用户商品特征属性偏好构建用户点评模型[评分-特征属性偏好]；
将用户点评模型进行量化，如果用户n对农产品某个或某些特征属性具有偏好，则对应的特征属性矩阵值置为1，否则置为0；将用户n的加权评分引入构建用户n的评分-商品特征属性矩阵[λSn,An,Bn,Cn]，如用户对该农产品未点评，则置为0矩阵，即
[0,0,0,0]；
步骤4：计算用户-用户相似度；
通过步骤3中构建的用户点评模型，将用户-商品类型矩阵以如下方式替换，其中U1，U2,U3……代表数据集中农产品列表各农产品，user1,user2……表示用户列表中所有用户：
将每个用户都与其他n-1个用户进行相似度计算，相似度计算公式为欧氏距离相似性算法，计算出不同用户与目标用户间的相似度sim(i，j)，传统欧氏距离公式如下：
其中x、y分别表示表示用户i和用户j的用户评分矩阵中对应的评分，n表示在农产品列表中不同农产品的数量；
因为本技术将用户-商品类型矩阵代替评分，于是公式中x与y将替换成用户i的矩阵[Sn,An,Bn,Cn]与用户j的矩阵[Sn,An,Bn,Cn]；因此将x-y转变成对应矩阵代表的向量的距离，公式如下：
其中Distance(i,j)表示用户i矩阵与用户j在用户-农产品矩阵中评分-商品特征属性矩阵的向量距离，ex与ey表示对应评分-商品特征属性矩阵的元素值。因此本技术改进之后欧氏距离公式如下所示：
步骤5：构建邻居集，预测推荐农产品评分：
使用步骤4通过计算用户i和其他所有用户之间的相似度；最后将所得的结果Sim(i,j)集合进行降序排列，取排列后的集合中前K个用户，即与用户i最相似的K个用户作为用户i的邻居集；
根据用户i和邻居集中对于各个农产品的感兴趣与否将部分未点评过的农产品推荐给用户i；同时推荐的农产品需要满足2个条件：1.所有邻居集中评分相对较高的农产品；2.用户i没有进行过点评行为的农产品；因此需要将邻居集的其他用户农产品对于用户i进行评分预测，预测公式如下：
其中S(u,K)表示与目标用户i最为相似的K个用户的集合，N(u)所有对农产品u感兴趣的其他用户的集合，v表示与用户i有相同爱好和偏向农产品的其他用户；公式中wiv表示目标用户i对用户v的相似度，rvu表示用户v对u的评分；步骤6：产生推荐结果并评估；
利用步骤5中得到的评分P(i，j)依次进行降序排列作为推荐集，将前N个(Top-N)农产品作为结果推荐给目标用户；
我们定义以下符号的意义：Nall和Nlike分别表示总的推荐给用户的作为推荐集和用户感兴趣的作为推荐集；为验证本技术的推荐效果的优越性，定义准确率(Precision)和召回率(Recall)：
如果准确率(Precision)和召回率(Recall)同时比较高的情况，则推荐算法的效果则比较好；但因为准确率(Precision)和召回率
(Recall)在数据量不大时会产生一定冲突，因此将准确率(Precision)和召回率(Recall)进行调和平均，得到F1值：
其中P表示准确率(Precision)，R表示召回率(Recall)。依据图2，本技术的推荐系统具体实施如下所示：
步骤1：建立数据收集模块，通过爬虫等网络web数据爬取技术，获取各电商平台中农产品分类的用户点评数据，将数据以用户ID、电商平台、农产品url、评分、评论、点评时间的结构化进行存储，即用户点评数据集；
步骤2：建立数据分析模块，使用上述方法中提到的TF-IWF算法公式TF-IWF＝TF×IWF计算各词的词频和逆词频提取各农产品的用户评论进行商品特征属性，同时使用步骤一收集的用户点评数据集训练word2vec模型，分析用户点评数据构建作为推荐集特征属性词集，用以构建对应农产品的对应受用户关注的特征属性标签；
步骤3：构建用户点评模型模块，使用步骤2中建立特征属性汇标签的将每个用户评论进行筛选获取对应特征属性偏好值，结合加权用户评分构建用户评分-商品特征属性矩阵；
步骤4：构建相似用户计算模块，对用户点评数据集内所有用户使用改进后的欧氏距离相似性计算公
式计算不同用户的相似度，构建目标用户的邻居集；
步骤5：构建评分预测模块，对目标用户的邻居集中目标用户没有点评过的农产品使用实
例农产
品推荐结果集；
中公式进行评分预测，产生
步骤6：构建推荐模块，利用农产品推荐结果集根据用户以及平台需要将前N款农产品对目标用户进行推荐并完成推荐。
基于农产品特征属性评论倾向的协同推荐方法及系统与相关技术
