随着电子商务的快速发展,线上消费成为人们生活中不可缺少的一部分。推荐系统通过电子商务网站来给用户推荐商品或服务,帮助用户解决应该购买什么产品。在餐饮领域,传统的餐饮推荐系统只考虑了消费者的总体打分,没有考虑消费者对于菜品口味、就餐环境、服务态度等不同特征属性的打分情况,使得推荐系统的准确性有所降低。针对这一问题,越来越多的人们转向对餐饮评论文本的研究,因为这些评论包含了消费者对餐厅的消费建议、就餐感受、服务体验等大量有价值的消费信息,能够准确刻画餐厅的各项特征,提高推荐的准确性。论文运用自然语言处理等技术分析餐饮评论文本,并将其应用到个性化餐饮推荐中,挖掘并分析消费意见和情感信息,提高餐饮推荐系统的准确性。论文工作内容如下:(1)构建了一个基于消费者评论信息挖掘的餐饮推荐子系统,包括餐饮数据采集模块、数据预处理模块、评论摘要抽取模块、评论情感极性分类模块、餐厅相似度计算模块、餐厅推荐模块六个基本模块。上述模块构成了完整的线下推荐系统功能,实现了数据爬取,数据预处理,评论摘要抽取、评论情感极性分类、餐厅相似度计算、餐厅推荐等功能。(2)使用BeautifulSoup从某餐饮网站爬取了2百多万条餐饮数据,主要信息字段有:用户ID、餐厅ID、消费者打分和消费者评论,并将其存入MongoDB数据库。(3)将依存句法分析技术引入评论摘要抽取模块。对预处理后的评论文本进行依存句法分析,得到词语之间的语法关系。根据系统设计的语言逻辑规则,挖掘出符合规则的词语并整理成一个完整的描述作为评论摘要,并将对应的评论短句标记为主观句。该方法充分利用评论文本中的语法关系,相比现有的摘要抽取方法查全率和查准率均有所提高。(4)将基于词性的特征选择模型加入到评论情感极性分类模块。通过统计分析主观句中不同词性组合的~2统计量,人工选取~2统计量高且有意义的词性组合。接着利用词性组合筛选特征,将符合此行组合的词组挑选出来,构建初始特征集。最后人工标注褒义主观句和贬义主观句各20000句,通过Logistic回归训练分类器并对评论进行情感极性分类。该方法比传统的情感极性分类方法在分类正确率上提高了3.5%。(5)将评论摘抽取模块和评论情感极性分类模块的挖掘结果进行结合,构造餐厅的多属性打分特征向量并计算餐厅相似度,代替传统推荐方法中的打分相似度。本系统采用的方法相比于传统推荐系统,刻画出了餐厅不同属性特征的优劣情况,提高了推荐准确度。