1.一种基于情感分析的可解释推荐方法，包括如下步骤：

1)构建实际用户‑物品评分矩阵

2)利用情感分析方法从评论中得到用户对物品的情感分数；

3)根据步骤2)中提取的特征词集分别构建用户‑特征关注度矩阵 和物品‑特征质量矩阵

4)构建矩阵分解模型；

5)对步骤4)中的模型进行训练；

6)个性化推荐。

2.如权利要求1所述的一种基于情感分析的可解释推荐方法，其特征在于：步骤1)具体包括：

1.1)选择评分数据集；

1.2)令U＝{u1,u2,…,um}为用户集合，I＝{i1,i2,…,in}为物品集合，用 表示实际用户‑物品评分矩阵，其中Ru,i表示某个用户u对某物品i的评分；评分一般为1‑5分，0表示用户未对物品进行过打分。

3.如权利要求1所述的一种基于情感分析的可解释推荐方法，其特征在于：步骤2)具体包括：

2.1)利用自然语言工具从用户对物品的评论中提取某用户对某物品的特征词集F＝{F1,F2,…,Fp}、意见词集O；

2.2)根据意见词集O匹配情感分数S；

2.3)生成特征情感对(F，S)。

4.如权利要求1所述的一种基于情感分析的可解释推荐方法，其特征在于：步骤3)具体包括：

3.1)假设特征词Fj被用户ui(1≤i≤m)提及了tij次，那么我们就可以定义用户‑特征关注度矩阵X为：该定义实际就是激活函数的作用，其目的就是将tij缩放到与实际用户‑物品评分矩阵A评分分数同样的范围[1,5]里；

3.2)假设特征词Fj在有关物品ii的评论下被提及了k次，在这k次提及中，特征词的平均情感分数表示为sij；就可以定义物品‑特征质量矩阵Y为：。

5.如权利要求1所述的一种基于情感分析的可解释推荐方法，其特征在于：步骤4)具体包括：

4.1)首先在用户特征关注矩阵X和项目特征质量矩阵Y上构建分解模型，即基于观察到的用户特征和物品特征关系来估计用户、特征和物品的隐藏表示U1和U2，目标函数如下：

4.2)对于步骤4.1)中的可观察到的特征可能无法完全解释评分，用户在对产品做出决定时会考虑一些其他潜在的或者隐藏的因素，因此引入包含一些隐含因素r'特征的矩阵即并使用P＝[U1 H1]，Q＝[U2 H2]来对实际用户‑物品评分矩阵A构建分解模型，目标函数如下：

4.3)结合式(3)和式(4)，可以通过以下优化任务估计隐藏因素：。

6.如权利要求1所述的一种基于情感分析的可解释推荐方法，其特征在于：步骤5)具体包括：在式(5)无闭合解的形式的情况下，用一种可选最小化算法来进行迭代优化以找到U1、HI、U2、H2、V2的最优解即针对一个参数优化目标函数，同时固定其他四个参数，算法不断更新参数，直到收敛或达到最大迭代次数。

7.如权利要求1所述的一种基于情感分析的可解释推荐方法，其特征在于：步骤6)具体包括：

6.1)在步骤5)中得到分解模型的最优解后，就可以估计用户‑特征关注度矩阵X、物品‑特征质量矩阵Y、实际用户‑物品评分矩阵A的任何缺失值，所以预测用户‑特征关注度矩阵预测物品‑特征质量矩阵 预测用户‑物品评分矩阵

6.2)对于用户ui(1≤i≤m)，在本发明中只考虑前几个重要物品特征，而不考虑所有特征即令矩阵 行向量最大的前k个值为Ci＝{ci1,ci2,…,cik}。在用户界面设置物品ii(1≤i≤m)的排名得分为：其中，N＝5， 项是基于这k个物品特征的用户‑物品相似度分数，α∈[0，1]；

根据Rij给物品排列顺序，最后向用户生成推荐列表。