[發明專利]一種融合評論與評分的個性化推薦方法

在審

• 申請號: 202010510620.5
• 申請日: 2020-06-08
• 公開（公告）號: CN111667344A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 中森云鏈（成都）科技有限責任公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種融合評論與評分的個性化推薦方法，其特征在于包括以下步驟：

步驟1：從互聯網中采集用戶數據對其進行預處理，生成用戶行為數據存放到用戶行為信息數據庫。

步驟2：利用LDA主題模型挖掘用戶和物品評論中的主題特征，基于訓練集構建用戶—主題特征矩陣T_u和物品—主題特征矩陣T_v。

步驟3：將步驟2中的用戶—主題特征矩陣T_u和物品—主題特征矩陣T_v的乘積送入多層感知器中，學習得到用戶和物品主題特征的交互矩陣T_uv。

步驟4：利用矩陣分解技術挖掘用戶和物品的其他潛特征，基于訓練集構建用戶潛特征矩陣X_u和物品潛特征矩陣X_v。

步驟5：將步驟4中的用戶潛特征矩陣X_u和物品潛特征矩陣X_v的乘積送入多層感知器中，學習得到用戶和物品潛特征的交互矩陣X_uv。

步驟6：將步驟3中得到的用戶和物品主題特征的交互矩陣T_uv和步驟5中得到的用戶和物品潛特征的交互矩陣X_uv融合并預測用戶對物品的評分。

步驟7：根據預測的用戶對物品的評分，給用戶推薦Top-k個物品。

2.根據權利要求1所述的融合評論與評分的個性化推薦方法，其特征在于：所述步驟1采集的數據至少包括用戶唯一ID、物品唯一的ID、用戶對物品的評論文本內容、評論文本內容唯一的ID、用戶對物品評分數據存放于用戶行為信息數據庫中。

3.根據權利要求1所述的融合評論與評分的個性化推薦方法，其特征在于：所述步驟2中的用戶—主題特征矩陣T_u和物品—主題特征矩陣T_v是根據LDA主題模型從用戶對物品的評論數據學習得到的。

4.根據權利要求1所述的融合評論與評分的個性化推薦方法，其特征在于：所述步驟3是將步驟2中的用戶—主題特征矩陣T_u和物品—主題特征矩陣T_v的乘積送入多層感知器中，學習得到用戶和物品主題特征的交互矩陣T_uv，公式計算如下：

其中，T_u是用戶—主題特征矩陣，T_v是物品—主題特征矩陣，⊙是Hadamard積，L_i是多層感知器中第i層的輸出，l是多層感知器中全連接層的層數，W_i是第i層的權重矩陣，b_i是第i層的偏置項，層與層間均采用ReLu函數作為激活函數，T_uv是學習得到的用戶和物品主題特征的交互矩陣。

5.根據權利要求1所述的融合評論與評分的個性化推薦方法，其特征在于：所述步驟4是利用矩陣分解技術挖掘用戶和物品的其他潛特征，用戶-物品歷史評分矩陣R可分解為用戶潛特征矩陣X_u和物品潛特征矩陣X_v:

R≈X_uX_v^T (2)

6.根據權利要求1所述的融合評論與評分的個性化推薦方法，其特征在于：所述步驟5是將步驟4中的用戶潛特征矩陣X_u和物品潛特征矩陣X_v的乘積送入多層感知器中，學習得到用戶和物品潛特征的交互矩陣X_uv，公式計算如下：

其中，X_u是用戶潛特征矩陣，X_v是物品潛特征矩陣，⊙是Hadamard積，L_i是多層感知器中第i層的輸出，l是多層感知器中全連接層的層數，W_i是第i層的權重矩陣，b_i是第i層的偏置項，層與層間均采用ReLu函數作為激活函數，X_uv是用戶和物品潛特征的交互矩陣。