第8周团队博客

本周我们首先增加了页面的控制逻辑，实现了前端根据情绪进行评分的算法以及后台的推荐系统，此外也在大数据集上进行了模型训练。

增加前端页面控制逻辑

主要完成了光标位置的确定、利用光标来对页面进行滚动、以及光标滚动到一定程度加载更多的文章列表，具体内容请参考团队博客：@zekdot

情绪评分系统实现

根据用户的七个情绪的百分比，通过一定的算法来得到一个0~10之间的数字作为评分传递给后台，这里利用python实现，接下来还需要利用js来改写这段python代码，具体实现参考团队成员博客：@米老鼠与刘老根

import numpy as np
#标准情绪向量
st_emotion={'国际':[14.67, 0.163, 0.163, 1.936, 68.429, 14.67, 11.633],
 '军事':[68.429, 1.936, 11.633, 14.67, 0.163, 14.67, 0.163],
 '国内':[14.67, 0.163, 11.633, 1.936, 0.163, 68.429, 14.67],
 '台湾':[11.633, 1.936, 14.67, 14.67, 68.429, 0.163, 0.163],
 '社评':[1.936, 11.633, 0.163, 68.429, 14.67, 14.67, 0.163],
 '社会':[0.163, 14.67, 68.429, 1.936, 14.67, 11.633, 0.163],
 '海外看中国':[14.67, 68.429, 0.163, 1.936, 11.633, 14.67, 0.163]}

def rate(_type,emotion):#计算评分
    emotion=np.array(emotion)
    types=_type.split('&')#获取所有类型标签
    standard=0
    for t in types:
        standard+=np.array(st_emotion[t])#相加得新的标准情绪向量
    cos=np.dot(standard,emotion)/(np.linalg.norm(standard)*np.linalg.norm(emotion))#计算余弦相似度
    rate=5*(cos+1)#映射到-10
    return rate
#print(rate('军事&社会',[1,1,1,1,1,1,1]))

基于情绪分析推荐WEB整合与应用

这里数据库中存储的利用情绪计算出的分数来进行推荐，使用协同过滤的推荐算法来进行实现，目前只完成了算法的部分，还需要完成数据的提取工作，具体实现参考团队成员博客：Jemary_

大训练集上的模型训练

在经过之前几次模型的尝试后，我们最终选用了如下的模型结构作为我们最终的选择方案，之前的训练过程我们都是在小规模300个训练数据上进行的尝试，这一次在该模型上我们使用自制的规模稍大的数据集（四个人6000个训练数据）进行了模型的训练。

具体实现参考团队成员博客：@AFXBR