[發明專利]基于網絡結構和評論文本的推薦評分方法及裝置

有效

• 申請號: 201810729637.2
• 申請日: 2018-07-05
• 公開（公告）號: CN108920665B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 石川;韓霄天
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06Q30/06
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 丁蕓;項京

本發明實施例提供了一種基于網絡結構和評論文本的推薦評分方法及裝置，所述方法包括：確定多個樣本用戶中的目標用戶，并確定多個樣本商品中的目標商品；獲取針對目標用戶的第一類特征矩陣，以及針對目標商品的第二類特征矩陣；獲取針對目標用戶的第三類特征矩陣，以及針對目標商品的第四類特征矩陣；將針對目標用戶的第一類特征矩陣和第三類特征矩陣、以及針對目標商品的第二類特征矩陣和第四類特征矩陣輸入推薦網絡模型，得到目標用戶對目標商品的預測評分值。從而充分考慮了用戶與商品之間的交互信息，包括評論文本信息以及評分信息，能夠實現更加準確的預測用戶對商品的購買期望。

技術領域

本發明涉及機器學習技術領域，特別是涉及一種基于網絡結構和評論文本的推薦評分方法及裝置。

背景技術

隨著電子商務的發展，互聯網公司能夠提供大量的商品供用戶選擇，用戶面對大量的商品很難做出選擇。目前，主要使用推薦系統幫助用戶進行選擇。其中，推薦系統是使用深度學習的方法，利用用戶對商品的購買信息對神經網絡模型進行訓練得到的系統。

利用推薦系統為用戶推薦商品時，對于每個候選商品，將該用戶對不同商品的購買信息，以及與該候選商品的被購買信息輸入推薦系統，進而得到該用戶對該候選商品的評分值，該評分值表示用戶對商品的購買期望。推薦系統將評分值較高的候選商品推薦給用戶。

由上可見，向用戶推薦商品時，對候選商品的評分值起著重要的作用。

然而，目前的推薦系統僅是利用用戶對商品的購買信息進行訓練得到的。用戶對商品的購買信息并不能完全表示用戶與商品的交互信息，僅利用用戶對商品的購買信息對神經網絡模型進行訓練，得到的推薦系統并不準確對候選商品進行評分，進而導致不能有效的幫助用戶對商品做出選擇。

發明內容

本發明實施例的目的在于提供一種基于網絡結構和評論文本的推薦評分方法及裝置，以提高預測用戶對商品的評分的準確性。具體技術方案如下：

為了提高預測用戶對商品的評分的準確性，本發明實施例提供了一種基于網絡結構和評論文本的推薦評分方法，所述方法包括：

確定多個樣本用戶中的目標用戶，并確定多個樣本商品中的目標商品；

獲取針對所述目標用戶的第一類特征矩陣，以及針對所述目標商品的第二類特征矩陣；所述第一類特征矩陣和所述第二類特征矩陣均是根據所述多個樣本用戶對所述多個樣本商品的評論文本信息確定的；

獲取針對所述目標用戶的第三類特征矩陣，以及針對所述目標商品的第四類特征矩陣；所述第三類特征矩陣和所述第四類特征矩陣均是根據所述多個樣本用戶對所述多個樣本商品的購買網絡結構信息確定的；

將針對所述目標用戶的第一類特征矩陣和第三類特征矩陣、以及針對所述目標商品的第二類特征矩陣和第四類特征矩陣輸入推薦網絡模型，得到所述目標用戶對所述目標商品的預測評分值；

其中，所述推薦網絡模型為根據訓練集訓練得到的模型，所述訓練集包括：針對每個樣本用戶的第一類特征矩陣、針對每個樣本商品的第二類特征矩陣、針對每個樣本用戶的第三類特征矩陣、針對每個樣本商品的第四類特征矩陣以及多個樣本用戶對多個樣本商品的真實評分值。

可選的，針對所述目標用戶的第一類特征矩陣和針對所述目標商品的第二類特征矩陣通過以下步驟確定：

獲取所述多個樣本用戶對所述多個樣本商品的多個評論文本信息；

對所述多個評論文本信息進行分詞處理，得到每一評論文本信息的詞向量；

根據所述目標用戶的多個評論文本信息的詞向量，確定針對所述目標用戶的第一類特征矩陣；

根據所述目標商品的多個評論文本信息的詞向量，確定針對所述目標商品的第二類特征矩陣。