[發明專利]一種基于用戶偏好與知識圖譜的個性化產品描述生成方法

在審

• 申請號: 202110236093.8
• 申請日: 2021-03-03
• 公開（公告）號: CN113032415A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 郭斌;郝少陽;於志文;梁韻基;王柱
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F16/24
• 分類號: G06F16/24;G06F16/36
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

1.一種基于用戶偏好與知識圖譜的個性化產品描述生成方法，其特征在于，包括以下步驟：

步驟1：獲取產品描述數據集，采集互聯網電商網站中的產品描述Y＝(y₁，y₂，...y_n)、產品標題X＝(x₁，x₂，...x_m)、與用戶評論數據user_id，user_review；

步驟2：以產品標題中的實體在知識庫中進行檢索，將檢索出的知識G分為兩個部分：關系r＝DESC的知識表示為G₁＝G_r＝DESC，剩余的知識表示為G₂＝G_r≠DESC；使用TransE將知識庫中檢索到的實體與關系映射到低維空間；

步驟3：將知識庫中檢索到的知識G₁所包含三元組K₁中的值按照它們對應的實體在產品標題X中的順序進行拼接，然后使用雙向GRU對K₁進行編碼；

使用Attention機制選擇知識，Attention機制描述為式(1)：

其中，為編碼階段的第i個時間步的隱狀態，是解碼階段第t個時間步的隱向量，W_k，W′_k，b_k和v是需進行學習的參數，v用于調整權重的維度，j表示時間步，為用Attention機制選擇結果的上下文向量；

步驟4：將知識庫中檢索到的知識G₂，使用TransE將知識G₂中所有的實體與關系映射為低維向量，知識G₂的三元組K₂被映射為τ＝(e，r，val)＝MLP(TransE(e，r，val))，其中τ，e，r和val分別為τ，e，r和val的TransE向量表示，MLP是全連接神經網絡，用于消除結構化數據與非結構化的文本數據之間的隔閡，τ為映射后的三元組，e表示實體，val表示值；

使用GraphAttention對檢索出的知識進行選擇與整合，如以下式(2)所示：

其中，r_n，與val_n分別是g_i中第n個三元組的實體、關系與值；α_n為Attention權重，α_n用來衡量關系r_n與實體和值val_n之間連接的緊密性；表示將x_i作為關鍵實體從G₂中抽取得到的信息；和為可學習參數；

將與x_i進行拼接，將拼接后的向量輸入編碼時的每一個GRU單元；

步驟5：由步驟1采集的用戶評論數據對用戶進行分類，根據用戶類別獲取該類別對應的產品描述，使用TF-IDF從產品描述中選取詞匯構成用戶專屬個性化詞庫V_u；

使用Attention機制對個性化詞庫V_u中的詞匯進行選取，表示為式(3)：

其中，為用戶專屬詞庫中第i個詞匯的編碼表示，，W_v，W′_k與b_v均為可學習的參數，m^T為進行維度變換的矩陣，即為計算出的第i個詞匯的權重，表示上下文向量；

步驟6：使用多重指針生成網絡計算從知識庫、個性化詞庫和產品標題中進行單詞復制時的生成概率，表示為式(4)：

其中，P_k、P_v、P_g分別為從知識庫、個性化詞庫和產品標題中進行單詞復制時的生成概率，σ為系數，均為可學習參數，x_t為為輸入詞匯的編碼向量；

步驟7：計算最終生成的個性化產品描述詞匯概率，表示為式(5)：

其中與為當生成第t個詞匯時，分別從知識庫、個性化詞庫與產品標題中選取第i個詞的權重信息，W_p為可學習的參數，p_voc(w)為僅考慮生成模型部分的生成概率，P(w)為最終生成的產品描述中下一個詞匯的概率分布，概率最大值對應的即為預測詞匯。