[發(fā)明專(zhuān)利]一種基于文本的消費(fèi)意圖分析方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110485144.0
• 申請(qǐng)日: 2021-04-30
• 公開(kāi)（公告）號(hào): CN113095088B
• 公開(kāi)（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 丁效;劉挺;秦兵;蔡碧波
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06F40/30
• 分類(lèi)號(hào): G06F40/30;G06F40/216;G06N20/00
• 代理公司: 哈爾濱華夏松花江知識(shí)產(chǎn)權(quán)代理有限公司 23213
• 代理人: 岳昕

一種基于文本的消費(fèi)意圖分析方法，它屬于消費(fèi)意圖分析技術(shù)領(lǐng)域。本發(fā)明解決了由于現(xiàn)有方法忽略了彼此相距較遠(yuǎn)的節(jié)點(diǎn)的結(jié)構(gòu)相似性，導(dǎo)致對(duì)消費(fèi)意圖分析的準(zhǔn)確度低的問(wèn)題。本發(fā)明提出的技術(shù)將任務(wù)描述為一個(gè)異構(gòu)圖推理任務(wù)，以充分利用全局連接信息，使用節(jié)點(diǎn)聚合機(jī)制來(lái)捕獲語(yǔ)義特征，使用元結(jié)構(gòu)來(lái)顯式地建模遠(yuǎn)距離節(jié)點(diǎn)之間的拓?fù)浣Y(jié)構(gòu)相似性，考慮了遠(yuǎn)距離節(jié)點(diǎn)之間的拓?fù)浣Y(jié)構(gòu)相似性后，可以大幅提高消費(fèi)意圖分析結(jié)果的準(zhǔn)確度。本發(fā)明可以應(yīng)用于消費(fèi)意圖分析。

技術(shù)領(lǐng)域

本發(fā)明屬于消費(fèi)意圖分析技術(shù)領(lǐng)域，具體涉及一種基于文本的消費(fèi)意圖分析方法。

背景技術(shù)

許多人類(lèi)的消費(fèi)意圖是由他將要做的事情所觸發(fā)的。例如，如果一個(gè)人想“跑步”，他可能需要一雙“跑鞋”。事實(shí)上，挖掘這樣的事件與產(chǎn)品的關(guān)系對(duì)社交媒體平臺(tái)和電子商務(wù)網(wǎng)站都可以起到作用，以幫助他們更好地了解客戶(hù)，并修正他們對(duì)個(gè)體的廣告策略。事件-產(chǎn)品對(duì)識(shí)別(EPI)任務(wù)旨在識(shí)別事件是否能觸發(fā)一個(gè)人對(duì)產(chǎn)品的消費(fèi)意圖，是目前在社交媒體平臺(tái)和電子商務(wù)網(wǎng)站等領(lǐng)域非常重要的商業(yè)需求，遂此任務(wù)的目標(biāo)是幫助構(gòu)建和完成大規(guī)模事件-產(chǎn)品知識(shí)庫(kù)。例如，如圖1和圖2所示，給定事件-產(chǎn)品對(duì)(e₁，p₁)，此任務(wù)的目標(biāo)是確定想要“擺脫干燥皮膚”的人是否需要“面膜”。此任務(wù)具有挑戰(zhàn)性的問(wèn)題有待解決。即事件-產(chǎn)品對(duì)的上下文信息有限，無(wú)法捕捉事件和產(chǎn)品之間的復(fù)雜關(guān)系。

此前所在消費(fèi)意圖分析領(lǐng)域的方法，如文獻(xiàn)(Xinyu Fu,Jiani Zhang,ZiqiaoMeng,and Irwin King.2020.MAGNN:Metapath Aggregated Graph Neural Network forHeterogeneous Graph Embedding.In WWW 2020:The Web Conference.2331–2341.)是將節(jié)點(diǎn)嵌入到保留網(wǎng)絡(luò)語(yǔ)義和結(jié)構(gòu)信息的稠密向量中。為了處理多種類(lèi)型的節(jié)點(diǎn)和關(guān)系，元路徑被廣泛用于將原始異構(gòu)網(wǎng)絡(luò)轉(zhuǎn)換為多個(gè)同構(gòu)網(wǎng)絡(luò)，進(jìn)而進(jìn)行特征聚合，即節(jié)點(diǎn)從每個(gè)同構(gòu)網(wǎng)絡(luò)的拓?fù)溧従又芯酆咸卣餍畔ⅰ＿@樣，特征信息在網(wǎng)絡(luò)拓?fù)渖蟼鞑ヒ陨晒?jié)點(diǎn)嵌入，從而有利于下游任務(wù)。然而，現(xiàn)有的異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的工作大多集中在保持“接近”(proximity)的概念，而不是局部拓?fù)浣Y(jié)構(gòu)的概念。在這里，“接近”是一種節(jié)點(diǎn)級(jí)特征，這意味著兩個(gè)節(jié)點(diǎn)在圖中空間的距離較近。而局部拓?fù)浣Y(jié)構(gòu)是一種立足于全局圖結(jié)構(gòu)上的結(jié)構(gòu)特征。

近幾年來(lái)，大量此任務(wù)的工作集中在神經(jīng)網(wǎng)絡(luò)的圖表，如文獻(xiàn)(PetarGuillem Cucurull,Arantxa Casanova,Adriana Romero,Pietro Liò,and YoshuaBengio.2018.Graph Attention Networks.In ICLR 2018:Interna tional Conferenceon Learning Representations 2018.以及Tom Young,Devamanyu Hazarika,SoujanyaPoria,and Erik Cambria.2017.Recent Trends in Deep Learning Based NaturalLanguage Processing.arXiv preprint arXiv:1708.02709(2017).)。圖神經(jīng)網(wǎng)絡(luò)(GNN)的目標(biāo)是將圖中的每個(gè)節(jié)點(diǎn)h_v嵌入到一個(gè)低維向量空間中。通過(guò)學(xué)習(xí)得到的向量可以用于許多下游任務(wù)，例如節(jié)點(diǎn)分類(lèi)、節(jié)點(diǎn)聚類(lèi)和鏈接預(yù)測(cè)。應(yīng)用于此任務(wù)的GNN可分為兩類(lèi)：基于頻譜的GNN(spectral-based GNNs)和基于空間的GNN(spatial-based GNNs)。

其中較早期的工作集中于基于頻譜的GNN，其利用圖傅里葉變換(Graph FourierTransform)實(shí)現(xiàn)卷積。即利用圖的拉普拉斯矩陣(Laplacian matrix)導(dǎo)出其頻域上的拉普拉斯算子，再類(lèi)比頻域上的歐式空間中的卷積，導(dǎo)出圖卷積的公式。基于頻譜的GNN的主要缺點(diǎn)是只能執(zhí)行直推學(xué)習(xí)(transductive learning)，即為圖中的每個(gè)節(jié)點(diǎn)訓(xùn)練唯一嵌入，使其無(wú)法自然地推廣到看不見(jiàn)的節(jié)點(diǎn)，并且具有較差的可拓展性。