[發(fā)明專利]面向細(xì)粒度情感的可解釋推薦模型

有效

• 申請?zhí)枺?/td>: 201910333302.3
• 申請日: 2019-04-24
• 公開（公告）號: CN110083684B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計）人: 王英;孫玉東;王鑫;李暢;于尤婧;孫小婉;凌云志;馬涪元
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/335;G06F16/36;G06Q30/02
• 代理公司: 長春市恒譽專利代理事務(wù)所(普通合伙) 22212
• 代理人: 李榮武

1.一種面向細(xì)粒度情感的可解釋推薦模型，其特征在于：

(1)由互信息矩陣構(gòu)建模塊實現(xiàn)多信息的高效融合：

1)針對某一特定推薦環(huán)境，對任何由用戶為實體打分同時產(chǎn)生評論文本的數(shù)據(jù)進行抽取、過濾等預(yù)處理；

2)對評論文本進行解析，抽取用戶對實體的細(xì)粒度情感信息，構(gòu)建(k,w,s)_ij三元組；

其中：(k,w,s)_ij表示用戶i對實體j的細(xì)粒度情感的三元組，k表示實體j的特定方面，w表示用戶i針對該特定方面的描述性詞語，s表示該描述性詞語的情感極性標(biāo)簽；

3)構(gòu)建用戶-實體評分矩陣R；

①根據(jù)數(shù)據(jù)集D中的評分構(gòu)建稀疏的用戶-實體評分矩陣

其中：m表示用戶數(shù)量，n表示實體數(shù)量，R_ij＝r_ij表示第i個用戶對第j個實體的評分值，不存在評分時R_ij＝0；

4)篩選具有實際意義的實體-屬性對；

①對于用戶在對實體的評論文本中出現(xiàn)的屬性，定義為該實體擁有的實際屬性，對于其他在該實體中未曾被用戶提及的屬性不參與矩陣的構(gòu)建和計算；

5)構(gòu)建用戶-實體屬性情感矩陣S；

①利用從用戶i的全部評論抽取的多個三元組(k,w,s)_ij，定義s_ijkw；其中：s_ijkw表示用戶i對實體j的屬性k所使用的描述詞w的情感，根據(jù)描述詞的情感極性其值為+1或-1；

②由1)中的定義計算用戶i對實體j的屬性k的總體情感Q表示從數(shù)據(jù)集中提取的全部的描述詞數(shù)量，重復(fù)的描述詞僅計數(shù)一次；

③最終構(gòu)建用戶-實體屬性情感矩陣S如下：

其中：N為常量，取值一般為評分區(qū)間的最大值；對每一個經(jīng)上述公式進行平滑處理后即得到用戶-實體屬性情感矩陣S，后續(xù)計算中以S_i(jk)表示用戶i存在對實體j-屬性k的情感值，S中的每一列表示篩選后的實體-屬性，共p'列，且由(1)-4)中篩選的具有實際意義的實體-屬性數(shù)量通常遠(yuǎn)小于全部實體和全部屬性的兩兩組合數(shù)量，即在大部分?jǐn)?shù)據(jù)集中p'＜＜n*p，p表示數(shù)據(jù)集中出現(xiàn)的所有屬性的數(shù)量；

6)構(gòu)建實體屬性-描述詞詞頻矩陣O；

①利用從實體j的全部評論抽取的多個三元組(k,w,s)_ij，得到實體j的屬性k被描述詞w描述的次數(shù)為n_w；

②定義描述實體屬性的描述詞詞頻矩陣如下：

其中：(j，k，w，n_w)表示評論數(shù)據(jù)d_ij中實體j的屬性k被描述詞w描述的次數(shù)為n_w，Set為(j，k，w，n_w)構(gòu)成的集合，β、δ均為經(jīng)驗參數(shù)，exp()表示自然數(shù)為底數(shù)的冪次運算；

(2)由聯(lián)合分解模塊初始化因子矩陣進行多矩陣的約束優(yōu)化求解：

1)初始化用戶、實體、屬性、描述詞隱式因子矩陣；

①構(gòu)建用戶隱式特征矩陣其中m為用戶數(shù)量，a為用戶隱式特征向量維度；

②構(gòu)建實體的隱式特征矩陣其中n為實體數(shù)量，b為用戶隱式特征向量維度；

③構(gòu)建屬性的隱式特征矩陣其中p為不重復(fù)屬性數(shù)量，c為用戶隱式特征向量維度；

④構(gòu)建描述詞的隱式特征矩陣其中q為不重復(fù)描述詞數(shù)量，d為用戶隱式特征向量維度；

2)構(gòu)建共享因子矩陣A，A'，分別用以分解R，S和S，O；

①定義實體與評分相關(guān)的潛在固有屬性所對應(yīng)的隱式特征向量f*，其特征維度為c，所有實體中均有該屬性不同于實體的獨特屬性；

②構(gòu)建隱式因子矩陣A由隱式特征矩陣I和f*兩部分構(gòu)成，A中每一行為I的每一行和向量f*的增廣拼接得到A∈R^n*(b+c)；

③構(gòu)建隱式因子矩陣A'由產(chǎn)品隱式特征矩陣I和屬性隱式特征矩陣F兩部分組成，A′_(jk)表示A'中一行，為產(chǎn)品特征向量I_j與屬性特征向量F_k的增廣拼接；

3)計算用戶、實體、屬性、描述詞隱式因子矩陣；

①通過最小化評分矩陣R中真實評分與隱式特征矩陣相乘重構(gòu)評分的平方差得到最優(yōu)參數(shù)U,I,f*，公式如下：

其中各符號如上述；

②通過最小化用戶-實體屬性情感矩陣S中由數(shù)據(jù)得到的情感值與隱式特征矩陣相乘重構(gòu)情感值的平方差得到最優(yōu)參數(shù)U,I,F，公式如下：

其中各符號如上述；

③通過最小化實體屬性-描述詞詞頻矩陣O中由數(shù)據(jù)得到的真實詞頻與隱式特征矩陣相乘重構(gòu)情感值的平方差得到最優(yōu)參數(shù)I,F,W，公式如下：

其中各符號如上述；

④以上1)2)3)步驟同時進行計算，使用共同的隱式特征矩陣進行優(yōu)化計算，采用自適應(yīng)的小批量梯度下降方法優(yōu)化以上公式，能夠在一定程度上避免陷入局部最優(yōu)，自適應(yīng)方法能夠隨迭代次數(shù)動態(tài)更新步長；

(3)由推薦及預(yù)測模塊實現(xiàn)信息的高效重構(gòu)進而生成最終的推薦結(jié)果以及解釋信息：

1)計算用戶對目標(biāo)實體的預(yù)測評分；

①R_ij表示目標(biāo)用戶i對實體j的預(yù)測評分，通過用戶隱式特征向量U_i以及隱式因子A_j相乘得到該預(yù)測評分即R_ij＝U_i*A_j；

2)計算用戶對目標(biāo)實體屬性的預(yù)測情感值；

①S_i(j,k)表示目標(biāo)用戶i對實體j的屬性k的預(yù)測情感值，通過用戶隱式特征向量U_i以及共享隱式因子A′_(j,k)相乘得到該預(yù)測情感值，即S_i(j,k)＝U_i*A′_(j,k)

3)計算目標(biāo)實體被目標(biāo)描述詞描述的預(yù)測頻率；

①O_w(j,k)表示目標(biāo)實體j的屬性k被目標(biāo)描述詞w描述的預(yù)測頻率，通過描述詞隱式特征向量W_w以及共享隱式因子A′_(j,k)相乘得到該預(yù)測情感值，即O_w(j,k)＝W_w*A′_(j,k)

4)依據(jù)1)所得到的預(yù)測評分給出對目標(biāo)用戶的推薦結(jié)果，依據(jù)2)3)預(yù)測用戶實體屬性的情感以及實體被描述詞描述的預(yù)測頻率給出該推薦結(jié)果的解釋。