[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

本發明公開了一種融合評論與評分的個性化推薦方法，針對推薦系統存在的評分數據的稀疏性問題，通過利用用戶評論挖掘用戶對物品的興趣偏好，可以極大的提高評分預測的準確性和緩解評分數據的稀疏性。本發明首先利用LDA主題模型挖掘用戶和物品評論中的主題特征，將其送入多層感知器學習用戶和物品的主題特征之間的交互；其次利用矩陣分解技術挖掘用戶和物品的其他潛特征，并將其送入多層感知器學習用戶和物品的其他潛特征之間的交互；最后將用戶和物品的特征進行融合并預測用戶對物品的評分，可以提高推薦的準確性。

技術領域

本發明設計物品推薦方法，具體是融合評論與評分的個性化推薦方法。

背景技術

隨著互聯網技術的高速發展，推薦系統在我們生活中已經隨處可見。電子商務網站如淘寶、亞馬遜等為用戶推薦感興趣的商品，搜索引擎網站如百度、iGoogle等為用戶推薦優質的信息檢索服務，位置服務平臺如大眾點評為用戶推薦附近優質商家和消費優惠信息，新聞推薦如一點資訊、今日頭條等為用戶推薦感興趣的新聞資訊。

由于實際生活中用戶的需求千變萬化，個性化推薦成為網絡應用中不可或缺的重要部分，人們更喜歡根據自己的需要定制專屬的推薦服務，通過從用戶的歷史交易數據中挖掘用戶對物品的興趣偏好，可以為用戶提供更準確的個性化推薦服務，幫助用戶快速做出購物選擇，既可以增強推薦系統的透明度，又能贏得用戶的信任。

經過研究發現，隨著電子商務網站上用戶的交易規模逐漸擴大，用戶的評論數據也逐漸增加，評論數據反映了用戶對物品某些具體特征的興趣偏好，因此將用戶評論數據用于推薦是現有很多個性化推薦工作的研究興趣點之一。雖然近年來很多相關學者已經進行了個性化推薦評分預測的研究，但是現有的研究工作仍然存在一些問題。問題一是：現有的研究中主要以評分數據為主，將用戶和物品評論數據結合用于個性化推薦的研究較少，評分數據無法體現出用戶對物品某些具體特征的興趣偏好，而評論數據正好可以解決這個問題。問題二是：現有方法未深入學習用戶和物品特征之間的交互關系。對于個性化推薦評分預測，現有的方法主要是將輔助信息加入評分預測中，一些方法是利用第三方工具提取評論中用戶的情感信息用于評分預測，但這類方法比較依賴于情感詞典的創建，且很少考慮用戶和物品的評分信息，還有一些方法是利用傳統的因子分解機來學習用戶和物品特征之間的交互關系，這類方法不能學習到用戶和物品特征之間的非線性交互關系，導致了用戶偏好建模存在偏差，從而影響評分預測的性能。根據我們觀察，實際生活中，雖然用戶的交易規模逐漸擴大，但是用戶不可能對所有物品評分，一些新用戶和新物品甚至都沒有評分，因此，用戶對物品的評分數據是極其稀疏的，僅利用評分數據不僅會影響評分預測的性能，而且無法為用戶提供更準確的個性化推薦。

發明內容

本發明的目的在于克服上述物品推薦現有方法中存在的問題和不足，提供一種融合評論與評分的個性化推薦方法，本發明首先利用LDA主題模型挖掘用戶和物品評論中的主題特征，將其送入多層感知器學習用戶和物品的主題特征之間的交互；其次利用矩陣分解技術挖掘用戶和物品的其他潛特征，并將其送入多層感知器學習用戶和物品的其他潛特征之間的交互；最后將用戶和物品的特征進行融合并預測用戶對物品的評分，可以提高推薦的準確性。

為實現本發明的目的，本發明是一種融合評論與評分的個性化推薦方法，物品推薦包括以下步驟：

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。