本发明涉及美食推荐领域，具体涉及一种基于深度学习的美食门店推荐方法。
背景技术：
在各种推荐领域中，市面上较为成熟的算法有：基于用户或物品的协同过滤算法、基于用户-物品矩阵分解/基于图模型或关系网络的推荐算法。这些算法在有大量用户与物品交互的数据时显得十分强大及有用。但是，很多情况下我们无法获取大量用户与要推荐的物品间的交互数据，很可能只有用户或者物品单方面的数据。如果只有用户单方面的数据一般情况下只能挖掘出用户或者物品单方面的特征属性，仅仅起到的是对目标进行粗分类并互相匹配的模式。然而，这种方式应用在推荐中效果是十分有限的，无法做到千人千面的推荐，仅能有限地进行分类。在此情况下，主流的算法难以发挥应有的作用。
综上所述，现有的主流算法存在如下问题：当无法获取大量用户物品交互数据时，如何实现美食领域的推荐、语境中的自动意图准确判断以及精准美食门店的推荐。
技术实现要素：
本发明所要解决的技术问题是当无法获取大量用户物品交互数据时，如何实现美食领域的推荐、语境中的自动意图准确判断以及精准美食门店的推荐。
为了解决上述技术问题，本发明所采用的技术方案是提供一种基于深度学习的美食门店推荐方法，包括以下步骤：
获取第一用户的评论数据；
通过条件随机场模型和word2vec算法，对所述评论数据进行训练，以得到实体标签，以及还通过情感分析算法，对所述评论数据进行训练，以得到情感判断数据，以及根据所述实体标签和所述情感判断数据，得到商店的标签；以及
获取第二用户的输入数据，并根据所述输入数据和预先设置的深度学习算法，识别所述第二用户的意图，以及在确定所述第二用户的意图为推荐所述商店的情况下，向所述第二用户推荐所述标签，以完成对所述商店的推荐。
优选地，获取第一用户的评论数据包括：
通过实时爬虫技术获取所述商店的商店数据；
根据预设的预处理模块，对所述商店数据进行过滤，以得到所述评论数据，并将所述评述数据保存至数据库。
优选地，通过条件随机场模型和word2vec算法，对所述评论数据进行训练，以得到实体标签包括：
通过所述条件随机场模块，对所述评论数据进行训练，以得到候选标签；
通过所述word2vec算法，对所述候选标签进行训练，以得到实体词向量；以及
通过聚类算法，对所述实体词向量进行聚类，以得到所述实体标签。
优选地，通过情感分析算法，对所述评论数据进行训练，以得到情感判断数据包括：
对所述评论数据中的情感词进行提取；
通过所述情感词典算法，分析所述情感词对所述实体标签的情感程度，以及通过情感分析算法，分析所述第一用户对所述实体标签的情感倾向；
将所述情感程度和所述情感倾向进行融合，以得到情感分析结果。
优选地，根据所述实体标签和所述情感判断数据，得到商店的标签包括：
在所述情感分析结果为正面数据的情况下，将所述实体标签作为所述商店的标签。
优选地，所述美食推荐方法还包括：
在所述情感分析结果为负面数据的情况下，忽略所述实体标签。
本发明提出了一种基于深度学习的美食门店推荐方法，采用了深度学习方法，通过在垂直美食领域下对海量文本数据进行训练word2vec算法和情感分析算法，能精准地对用户评论进行情感分析以及保证实体聚类的准确性；提高了在用户评论中的分词、词性标注、实体识别的准确率；对于基于深度学习的情感分析结果进一步提升；通过在聊天中对用户的输入进行机器学习算法的学习，能准确地自动判断用户的意图，从而实现将聊天语境中的推荐作为标签的输入。
附图说明
图1为本发明中一种基于深度学习的美食门店推荐方法流程图。
具体实施方式
为了解决现有的当无法获取大量用户物品交互数据时，如何实现美食领域的推荐、语境中的自动意图准确判断以及精准美食门店推荐的问题。本发明提出了一种基于深度学习的美食门店推荐方法，采用了深度学习方法，通过在垂直美食领域下对海量文本数据进行训练word2vec算法和情感分析算法，能精准地对用户评论进行情感分析以及保证实体聚类的准确性；基于细分美食领域的nlp算法的训练，提高了在用户评论中的分词、词性标注、实体识别的准确率；情感词典算法对于基于深度学习的情感分析结果进一步提升；通过在聊天中对用户的输入进行机器学习算法的学习，能准确地自动判断用户的意图，从而实现将聊天语境中的推荐作为标签的输入。
下面结合说明书附图和具体实施方式对本发明做出详细的说明。
本发明实施例提供了一种基于深度学习的美食门店推荐方法，如图1所示，包括以下步骤：
s1、获取第一用户的评论数据。
s2、通过条件随机场模型和word2vec算法，对所述评论数据进行训练，以得到实体标签。
s3、通过情感分析算法，对所述评论数据进行训练，以得到情感判断数据。
s4、根据所述实体标签和所述情感判断数据，得到商店的标签。
s5、获取第二用户的输入数据，并根据所述输入数据和预先设置的深度学习算法，识别所述第二用户的意图。
s6、在确定所述第二用户的意图为推荐所述商店的情况下，向所述第二用户推荐所述标签，以完成对所述商店的推荐。
在上述步骤s1中，获取第一用户的评论数据具体包括以下步骤：
通过实时爬虫技术获取所述商店的商店数据；
根据预设的预处理模块，对所述商店数据进行过滤，以得到所述评论数据，并将所述评述数据保存至数据库。
在上述步骤s2中，通过条件随机场模型和word2vec算法，对所述评论数据进行训练，以得到实体标签具体包括以下步骤：
通过所述条件随机场模块，对所述评论数据进行训练，以得到候选标签；
通过所述word2vec算法，对所述候选标签进行训练，以得到实体词向量；以及
通过聚类算法，对所述实体词向量进行聚类，以得到所述实体标签。
在上述步骤s3中，通过情感分析算法，对所述评论数据进行训练，以得到情感判断数据，具体包括以下步骤：
对所述评论数据中的情感词进行提取；
通过所述情感词典算法，分析所述情感词对所述实体标签的情感程度，以及通过情感分析算法，分析所述第一用户对所述实体标签的情感倾向；
将所述情感程度和所述情感倾向进行融合，以得到情感分析结果。
在上述步骤s4中，根据所述实体标签和所述情感判断数据，得到商店的标签，具体包括以下步骤：
在所述情感分析结果为正面数据的情况下，将所述实体标签作为所述商店的标签。
上述美食推荐方法还包括：在所述情感分析结果为负面数据的情况下，忽略所述实体标签。
在美食推荐领域中，对于待推荐的美食商家有着大量的用户评论数据，对用户评论进行挖掘，可以站在用户的角度去挖掘出符合各商家特点的高级标签，使用户与商家进行关联，虽然没有直接的交互数据，但是也能挖掘出交互的标签并形成推荐。类似的，也可以将这个推荐应用到电商等领域中，所以其应用场景也是十分广阔的。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。