[發(fā)明專利]一種評論驅(qū)動(dòng)的深度序列推薦方法

有效

• 申請?zhí)枺?/td>: 201910576739.X
• 申請日: 2019-06-28
• 公開（公告）號: CN110334759B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計(jì)）人: 李晨亮;牛錫釧;陳震中
• 申請（專利權(quán)）人: 武漢大學(xué)
• 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

本發(fā)明公開了一種評論驅(qū)動(dòng)的深度序列推薦方法，包括以下步驟：對用戶評論文本建立詞匯表，每個(gè)單詞賦予隨機(jī)初始化的詞向量；為每篇文檔構(gòu)建文檔詞向量表達(dá)矩陣；得到方面感知的文檔表達(dá)張量和多個(gè)特征圖；計(jì)算用戶的長期偏好向量和商品的向量表示；計(jì)算聯(lián)合層面和個(gè)體層面的用戶短期偏好向量；對兩個(gè)層面進(jìn)行加權(quán)相加得到最終的用戶短期偏好向量；將用戶短期偏好向量乘以折減系數(shù)和用戶長期偏好向量相加，得到用戶的向量表示，進(jìn)而計(jì)算用戶對商品的偏好分?jǐn)?shù)；訓(xùn)練得到RNS模型；將訓(xùn)練的RNS模型用于線上的序列推薦情景。本發(fā)明很好地解決了評論驅(qū)動(dòng)的序列推薦問題，具有訓(xùn)練較快、測試時(shí)間較短的優(yōu)點(diǎn)，說明本發(fā)明具有廣泛的實(shí)際意義和商業(yè)價(jià)值。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種評論驅(qū)動(dòng)的深度序列推薦方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的快速興起，我們逐步進(jìn)入大數(shù)據(jù)時(shí)代。大數(shù)據(jù)時(shí)代的信息繁雜，幾乎每個(gè)人每天面對的信息都是過載的，這就是智能推薦系統(tǒng)的用武之地，它已經(jīng)在諸如新聞瀏覽軟件，短視頻平臺，問答社區(qū)發(fā)揮了巨大作用，精準(zhǔn)推薦幫助用戶緩解信息爆炸帶來的憂慮。

傳統(tǒng)的推薦系統(tǒng)技術(shù)，例如以矩陣分解為代表的協(xié)同過濾框架，都是在一個(gè)靜態(tài)思維下考慮用戶的興趣偏好，即每個(gè)用戶對應(yīng)一個(gè)不變的向量，然而這是不符合實(shí)際情況的，現(xiàn)實(shí)中用戶的興趣在不斷地發(fā)生著變化，推薦算法應(yīng)該能夠?qū)@些變化進(jìn)行建模，才能夠完成更精準(zhǔn)的推薦。這就是序列化推薦的問題，序列化推薦是一種動(dòng)態(tài)推薦，它考慮用戶最近購買過的L個(gè)商品進(jìn)行短期偏好建模，并同時(shí)能夠綜合用戶的長期偏好，能夠更精確地刻畫用戶興趣所在。

目前現(xiàn)有技術(shù)中，還沒有人提出用戶評論文本驅(qū)動(dòng)的序列化動(dòng)態(tài)精準(zhǔn)推薦的方法。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中的缺陷，提供一種評論驅(qū)動(dòng)的深度序列推薦方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

本發(fā)明提供一種評論驅(qū)動(dòng)的深度序列推薦方法，該方法包括以下步驟：

步驟1、獲取用戶/商品文檔，根據(jù)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(gè)詞匯表，詞匯表中的每個(gè)單詞賦予一個(gè)隨機(jī)初始化的詞向量；

步驟2、根據(jù)每個(gè)單詞的詞向量，為每篇文檔構(gòu)建文檔詞向量表達(dá)矩陣；

步驟3、利用方面特定的詞向量轉(zhuǎn)換矩陣對文檔表達(dá)矩陣進(jìn)行矩陣相乘，得到方面感知的文檔表達(dá)張量；

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

步驟5、通過一個(gè)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(biāo)商品和用戶最近購買的L個(gè)商品，通過第一個(gè)注意力網(wǎng)絡(luò)連接步驟5得到的這L+1個(gè)商品的表達(dá)向量，得到購買過的L個(gè)商品的權(quán)重，對這L個(gè)商品向量進(jìn)行加權(quán)相加得到聯(lián)合層面的用戶短期偏好向量；

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

步驟8、通過第二個(gè)注意力網(wǎng)絡(luò)，以目標(biāo)商品向量為引導(dǎo)，計(jì)算個(gè)體層面和聯(lián)合層面的偏好向量的權(quán)重，對兩個(gè)層面進(jìn)行加權(quán)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(shù)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(jìn)行交互，得到用戶對商品的偏好分?jǐn)?shù)，通過偏好分?jǐn)?shù)判斷是否將目標(biāo)商品推薦給用戶；

步驟11、通過以上步驟訓(xùn)練得到RNS模型；

步驟12、將訓(xùn)練好的RNS模型用于線上的序列推薦情景。