[發明專利]一種評論驅動的深度序列推薦方法

有效

• 申請號: 201910576739.X
• 申請日: 2019-06-28
• 公開（公告）號: CN110334759B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 李晨亮;牛錫釧;陳震中
• 申請（專利權）人: 武漢大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F40/30;G06K9/62;G06N3/04;G06F16/9535
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮

1.一種評論驅動的深度序列推薦方法，其特征在于，該方法包括以下步驟：

步驟1、獲取用戶/商品文檔，根據其中所有用戶購買的商品和評論文本信息，對所有用戶評論文本建立一個詞匯表，詞匯表中的每個單詞賦予一個隨機初始化的詞向量；

步驟2、根據每個單詞的詞向量，為每篇文檔構建文檔詞向量表達矩陣；

步驟3、利用方面特定的詞向量轉換矩陣對文檔表達矩陣進行矩陣相乘，得到方面感知的文檔表達張量；

步驟4、對文檔表達張量，將方面維度看做類似圖像的通道，在文檔長度維度進行1.5維的卷積操作，得到多個特征圖；

步驟5、通過一個最大池化層，對特征圖提取特征，得到用戶的長期偏好向量和商品的向量表示；

步驟6、對于目標商品和用戶最近購買的L個商品，通過第一個注意力網絡連接步驟5得到的這L+1個商品的表達向量，得到購買過的L個商品的權重，對這L個商品向量進行加權相加得到聯合層面的用戶短期偏好向量；

步驟7、通過一個argmax層，得到L個商品的權重中的權重最大的商品向量，作為個體層面的用戶短期偏好向量；

步驟8、通過第二個注意力網絡，以目標商品向量為引導，計算個體層面和聯合層面的偏好向量的權重，對兩個層面進行加權相加得到最終的用戶短期偏好向量；

步驟9、將最終的用戶短期偏好向量乘以折減系數后與用戶長期偏好向量相加，得到用戶的向量表示；

步驟10、將用戶向量表示和商品向量表示進行交互，得到用戶對商品的偏好分數，通過偏好分數判斷是否將目標商品推薦給用戶；

步驟11、通過以上步驟訓練得到RNS模型；

步驟12、將訓練好的RNS模型用于線上的序列推薦情景；

步驟10的具體方法為：

給定用戶u和目標商品j，利用用戶綜合偏好向量和目標商品向量計算得到偏好分數為：

其中，σ()表示sigmoid激活函數，最終得到的偏好分數s_uj是一個0到1之間的值，能表示概率；p_u即為用戶最終的綜合偏好向量，q_j為目標商品向量；

步驟11的具體方法為：

訓練時采用交叉熵作為損失函數，正則項為L2正則，具體的損失函數形式如下：

其中，C^u表示用戶u的所有訓練樣例，N(j)表示采樣的負樣本，λ表示正則項的權重系數，θ表示所有模型參數，模型在訓練時運用反向傳播以及隨機梯度下降算法進行優化，模型訓練若干輪數后訓練完成。

2.根據權利要求1所述的評論驅動的深度序列推薦方法，其特征在于，步驟1的具體方法為：

步驟1.1、對所有用戶評論文本進行聚合，經過文本預處理后，得到所有評論文本的詞匯表；

步驟1.2、將詞匯表中的每個單詞w映射為向量e_w∈R^d，其中d表示詞向量的空間大小，向量e_w是隨機初始化的，隨模型訓練。

3.根據權利要求1所述的評論驅動的深度序列推薦方法，其特征在于，步驟2的具體方法為：

步驟2.1、給定用戶u，將其所有對購買過的商品評論聚合，構成評論文檔D_u；所有商品的評論文檔處理方式一致；

步驟2.2、將評論文檔D_u中的每個單詞，根據詞向量映射到詞向量空間，得到文檔詞向量矩陣M_u∈R^l×d，其中l表示文檔長度，d表示詞向量的空間大小。