[發明專利]基于動靜態深度表征的協同預測方法

在審

• 申請號: 201910369541.4
• 申請日: 2019-05-05
• 公開（公告）號: CN110097225A
• 公開（公告）日: 2019-08-06
• 發明（設計）人: 陳恩紅;劉淇;張凱;趙洪科;李徵
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;鄭哲

1.一種基于動靜態深度表征的協同預測方法，其特征在于，包括：

獲取眾籌平臺上各項目的相關數據，并提取出其中項目屬性數據，劃分為動態屬性與靜態屬性；

將靜態屬性轉換為向量表征；將動態屬性通過預訓練的模型進行情感表征與特征連接，并結合雙向長短期記憶網絡和注意力機制，得到相應的動態特征；

將一個項目的向量表征與動態特征協同建模，并通過Softmax層處理，得到預測結果。

2.根據權利要求1所述的一種基于動靜態深度表征的協同預測方法，其特征在于，每一項目的動態屬性包括：用戶評論信息以及融資金額序列信息；每一項目的靜態屬性包括：發起人、投資人、獎勵設置和項目其他信息。

3.根據權利要求2所述的一種基于動靜態深度表征的協同預測方法，其特征在于，所述將靜態屬性轉換為向量表征的過程包括：

將發起人、投資人、獎勵設置和項目其他信息做形式化處理，結果依次記為X_owner、X_backer、X_perk、X_other；

將形式化結果轉化為特征向量表示，記為(V_owner，V_backer，V_perk，V_other)，然后，將它們進行拼接，再利用全連接網絡進行特征降維，得到最終的向量表征H_static：

H_static＝LeakyRelu(W₁·V_static+b₁)；

上式中，W₁、b₁分別為設定的權值、偏置，LeakyRelu()代表激活函數。

4.根據權利要求2所述的一種基于動靜態深度表征的協同預測方法，其特征在于，所述將動態屬性通過預訓練的模型進行情感表征與特征連接的過程包括：

基于交互式注意力遷移網絡，以亞馬遜評論數據集為源域，眾籌領域的項目評論數據集為目標域進行跨域情感分類訓練，得到跨領域的模型M_iatn；

對于用戶評論信息，假設有一條條有k個單詞的評論信息，表示為r＝{w₁,w₂,…,w_k}，首先使用Word2vec進行向量表征，得到e_r＝{e₁,e₂,…,e_k}；再通過預訓練的模型M_iatn進行情感表征后得到其深度情感表征向量V_sen；

對于融資金額序列信息，使用同樣的方式處理得到對應的表征向量，再通過獨熱方法映射成特征向量V_fund；

將同一天的用戶評論信息與融資金額序列信息所對應的向量連接起來，表示為：

其中，函數Day()代表將每日的向量進行拼接，1≤t≤n，n表示預設置的項目持續時間。