[發明專利]一種結合注意力網絡和用戶情感的商品推薦方法

有效

• 申請號: 202010008804.1
• 申請日: 2020-01-06
• 公開（公告）號: CN111222332B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 張星明;羅凌杰
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/30;G06F16/9535;G06N3/04;G06N3/08;G06Q30/06
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種結合注意力網絡和用戶情感的商品推薦方法，其特征在于，包括以下步驟：

1)對電商平臺中的用戶歷史行為數據進行處理，主要提取出用戶對商品的評分和評論數據，包含評論的文本數據，并對評論數據進行預處理后，構建樣本集合T；

2)采用無監督的學習模型，利用樣本集合T中評論的文本數據，不斷訓練最終得到樣本集合T的屬性矩陣W；

3)構建基于注意力的神經網絡結構C，其利用基于屬性矩陣W的記憶網絡和循環神經網絡作為基礎，并使用預測的情感得分作為權重，進而構建用戶偏好向量U和商品特征向量I，最終利用用戶偏好向量U和商品特征向量I計算出缺失評分的預測值，與此同時，計算出對于當前用戶和商品的屬性向量，用于最終的推薦解釋；

其中，構建基于注意力的神經網絡結構C，其主要包括記憶網絡和循環神經網絡兩部分；對于樣本集合T，將T中評論的文本數據作為C的輸入，而T中的真實評分數據則作為C的學習的目標；對于指定的用戶和商品，首先利用基于屬性矩陣W的記憶網絡和循環神經網絡對其每一條評論進行處理，記憶網絡處理評論，從屬性矩陣W中得到屬性向量a，將屬性向量a作為循環神經網絡隱藏層的注意力，得到循環神經網絡的輸出v，將a和v聯結得到對應的評論向量，這一過程，將屬性向量a用作注意力，使得循環神經網絡能夠捕獲評論中與a有關的局部信息，以增加可解釋性，接著以不同評論擁有不同程度的情感為基礎，根據預測的情感得分為每一個評論向量賦予不同的權重，進而構建用戶偏好向量U和商品特征向量I，同時根據情感得分能夠構建得到對于當前用戶和商品的屬性向量f，情感得分的使用，使得情感得分更高的評論具有更高的權重，為U或者I的構建提供更多的信息，以進一步增加可解釋性；最后利用用戶偏好U和商品特征向量I，對當前用戶和商品的評分進行預測；此步驟通過注意力機制以及情感得分的使用，增加了推薦方法的可解釋性；

4)根據預測的評分進行降序排序，為用戶推薦前N個商品，并根據步驟2)得到的屬性矩陣W和步驟3)得到的屬性向量，進而為推薦結果提供屬性級別的解釋。

2.根據權利要求1所述的一種結合注意力網絡和用戶情感的商品推薦方法，其特征在于：在步驟1)中，從電商平臺中的用戶歷史行為數據中提取出用戶對商品的評分和評論數據，制定人工規則，過濾掉部分無用數據，并對評論數據進行預處理，分為兩部分，第一部分是將用戶的ID和商品的ID映射為數值，以方便后續使用，第二部分是對評論的文本數據進行分詞處理以及將文本數據中的詞映射為詞向量，經過數據預處理后最終得到樣本集合T。

3.根據權利要求1所述的一種結合注意力網絡和用戶情感的商品推薦方法，其特征在于：在步驟2)中，利用樣本集合T中所有評論的文本數據，采用無監督的學習模型來學習屬性矩陣W，首先隨機初始化屬性矩陣W，通過評論的詞向量求得平均詞向量e，再根據平均詞向量e與評論中每個詞向量的關聯情況獲得每個詞向量對應的權重，對評論中的詞向量加權求和構建出評論的原始向量z；再根據原始向量z，從屬性矩陣W中構建出評論的重構向量r，以重構向量r與原始向量z的差異值作為目標函數進行訓練，最終獲得樣本集合T對應領域的屬性矩陣W，其中該屬性矩陣W的每一維代表一個對應的一個屬性向量。

4.根據權利要求1所述的一種結合注意力網絡和用戶情感的商品推薦方法，其特征在于：在步驟4)中，對于一個特定的用戶，利用步驟3)中訓練完畢的基于注意力的神經網絡結構C，對商品集合進行評分預測并根據評分降序排序，取前N個商品，作為對于該用戶的推薦商品列表；于此同時，對于推薦的商品，根據步驟3)中計算得到的屬性向量f，從步驟2)中得到的屬性矩陣W中選取最接近的一個屬性向量，其中每一個屬性向量對應一個特定的屬性，將此屬性作為當前商品的推薦理由，增加用戶體驗，也能提高當前商品的購買率。