[發明專利]一種基于多模態商品特征融合的商品推薦方法

有效

• 申請號: 202110444726.4
• 申請日: 2021-04-24
• 公開（公告）號: CN113159892B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 蔡國永;宋亞飛
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535;G06F40/289;G06F40/216;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 鹽城創佳智科專利代理事務所(普通合伙) 32476
• 代理人: 卜祥奎

1.一種基于多模態商品特征融合的商品推薦方法，其特征在于，包括如下步驟：

1.1構建用戶-商品二分圖，通過圖卷積得到用戶節點的向量表示和商品節點的向量表示；

1.2獲取商品的評論文檔，通過卷積神經網絡提取商品評論的向量表示，商品評論的向量表示的提取方法如下：首先將每個商品得到的所有評論整合為該商品的評論文檔，并對商品的評論文檔進行分詞、詞形還原、移除停用詞、移除出現頻率極高的單詞和出現頻率極低的單詞預處理；然后通過文本特征提取器對商品評論文檔進行特征提取，得到商品評論的向量表示文本特征提取器的步驟是：首先將輸入文本的單詞序列表示為[w₁,w₂,…,w_l]，其中l是輸入文本的長度；然后通過單詞嵌入層將單詞序列表示轉換為單詞向量表示序列其中d_v是單詞嵌入維度；然后使用卷積神經網絡對單詞向量表示序列進行處理，從而得到上下文單詞向量表示序列[c₁,c₂,…,c_l]，其中第i個單詞的上下文表示c_i的計算方法為：c_i＝LeakyReLU(W_t×v_(i-k):(i+k)+b_t)；最后使用注意力機制為上下文單詞向量表示序列中的每個單詞向量表示計算一個權重[α₁,α₂,…,α_l]，然后將上下文單詞向量表示序列與對應權重相乘得到輸入文本的最終表示其中α_i的計算方法為：

1.3獲取商品的標題和描述信息，通過卷積神經網絡提取商品內容的向量表示，商品內容的向量表示的提取方法如下：首先獲取商品的標題和描述信息，并對這些信息進行分詞、詞形還原、移除停用詞、移除出現頻率極高的單詞和出現頻率極低的單詞預處理；然后通過文本特征提取器對商品標題和描述信息進行特征提取，得到商品內容的向量表示

1.4得到用戶最終表示和商品最終表示；

1.5計算用戶和商品的相似度；

1.6通過貝葉斯個性化排序損失優化提出方法中的參數。

2.根據權利要求1所述的一種基于多模態商品特征融合的商品推薦方法，其特征在于，所述1.1中得到用戶節點和商品節點的向量表示的具體方法如下：

2.1根據用戶購買商品的歷史記錄構建用戶-商品二分圖；

2.2通過圖卷積對用戶-商品二分圖進行鄰居傳播和聚合，得到用戶節點的向量表示和商品節點的向量表示。

3.根據權利要求2所述的一種基于多模態商品特征融合的商品推薦方法，其特征在于，所述2.1中構建用戶-商品二分圖的具體步驟如下：

3.1根據用戶和商品的歷史交互記錄構建用戶-商品二分圖，使用用戶-商品鄰接矩陣表示，其中n_u和n_p分別是用戶數和商品數，是用戶-商品交互矩陣，是R的轉置，

3.2為了利用用戶-商品二分圖中節點自身的信息，向A添加一個單位矩陣同時，為了避免訓練過程中的梯度消失或梯度爆炸，使用對角度矩陣進行歸一化處理，其中對角線上的值為用戶-商品二分圖中各個節點的度，從而得到

4.根據權利要求2所述的一種基于多模態商品特征融合的商品推薦方法，其特征在于，所述2.2中圖卷積的具體步驟如下：

4.1通過嵌入層將每個用戶和商品唯一對應的id轉換為密集向量，得到用戶特征向量和商品特征向量其中d是特征向量的維度；

4.2建立嵌入表來表示用戶-商品二分圖的特征矩陣；

4.3使用t層的圖卷積來聚合節點鄰居的特征，其中傳播過程定義為：

4.4通過t層的圖卷積，得到從到的t個特征矩陣，將這t個特征矩陣連接，得到最終的特征矩陣然后將E分割為特征矩陣的兩個部分和分別作為用戶節點的向量表示和商品節點的向量表示