[發明專利]面向細粒度情感的可解釋推薦模型

有效

• 申請號: 201910333302.3
• 申請日: 2019-04-24
• 公開（公告）號: CN110083684B
• 公開（公告）日: 2021-11-19
• 發明（設計）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）人: 吉林大學
• 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所(普通合伙) 22212
• 代理人: 李榮武

本發明所要解決的技術問題是克服了現有基于矩陣分解原理進行推薦技術存在的解釋性能不高、計算復雜、信息挖掘利用程度低等問題，提出一種面向細粒度情感的可解釋推薦模型。該方法步驟為：1由原始評論文本的解析和預處理模塊實現原始特征的提取；2由互信息矩陣構建模塊實現多信息的高效融合；3由聯合分解模塊初始化因子矩陣進行多矩陣的約束優化求解；4由推薦及預測模塊實現信息的高效重構進而生成最終的推薦結果以及解釋信息。

技術領域

本發明涉及一種可生成推薦解釋的快速推薦模型，更確切地說，本發明涉及一種基于矩陣分解技術并構建共享因子矩陣優化求解推薦結果及解釋的推薦方法。

背景技術

隨著互聯網技術和產業的快速發展，互聯網中的信息交互數量劇增，交互頻率也呈現指數級增長。因此，如何針對不同用戶滿足其個性化的需求顯得尤為重要。例如，在線上購物網站中，個性化的推薦會直接引導用戶參與消費，因而能夠創造滿足用戶需求與擴大經濟收益的雙贏局面。

現有的大多數推薦系統著重于使用評估指標進行端對端的優化，例如使用均方根誤差，歸一化折損增益率等。這些指標關注預測用戶對實體的打分與真實打分之間的差異或者預測用戶喜好實體的排序與真實排序之間的差異。然而，用戶決策顯然是取決于一系列因素，端對端的模型方法不能具體解釋具體哪些因素影響了指標性能，盡管已有諸多算法在指標性能上不斷提升，但是當其推薦結果出現錯誤時，難以解釋和修改，導致用戶接受度下降。因此，在矩陣分解模型等推薦算法中，挖掘影響用戶選擇或影響實體質量的因素至關重要。也由此可以獲得對推薦結果的解釋能力。

目前推薦系統可解釋能力的研究中主要考慮兩個方向：用戶導向的解釋推薦形式和模型導向的推薦原理說明。其中用戶導向的可解釋推薦系統傾向于生成用戶易于接受的直觀的解釋形式以增強可解釋推薦模型的說服性和用戶滿意性。模型導向的可解釋推薦系統傾向于闡述系統原理，分析結果構成，以嚴謹的邏輯解釋系統的效用以及推薦解釋能力的來源。

雖然，針對基于矩陣分解-重構原理的可解釋的推薦問題已有一定的研究工作，但仍然存在一些不足，主要體現在：

1.解釋性能不高

目前，矩陣分解-重構方法大多僅使用目標用戶的打分信息，盡管采用加入提升預測精準度的偏置項，引入實體屬性等方法增強了推薦模型的準確性和解釋性，模型的解釋性能仍然普遍較低。

2.計算復雜

為了增加解釋性能需要分析更多的影響用戶決策的因素，也因此需要增加額外的信息，這既直接使得計算量變大也可能產生大量的冗余處理使得計算復雜，浪費計算資源。

3.信息挖掘利用程度低

目前，基于矩陣分解-重構的推薦模型大多未考慮或難以擴展用戶細粒度情感因素，對影響用戶決策的各種因素挖掘和利用程度較低。

發明內容

本發明所要解決的技術問題是克服了現有技術存在的解釋性能不高、計算復雜、信息挖掘利用程度低等問題，提出一種融合評論文本細粒度情感的快速可解釋推薦模型。

為解決上述技術問題，本發明是采用如下技術方案實現的：

所述的融合評論文本細粒度情感的快速可解釋推薦模型，包括如下步驟：

(1)由原始評論文本的解析和預處理模塊實現原始特征的提取：

1)針對某一特定推薦環境，對任何由用戶為實體打分同時產生評論文本的數據進行抽取、過濾等預處理；

2)對評論文本進行解析，抽取用戶對實體的細粒度情感信息，構建 (a,w,s)_ij三元組；

其中：(a,w,s)_ij表示用戶i對實體j的細粒度情感的三元組，a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簽。