[發(fā)明專利]一種基于中文評(píng)論情感引導(dǎo)的序列推薦方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110588218.3
• 申請(qǐng)日: 2021-05-28
• 公開（公告）號(hào): CN113268667B
• 公開（公告）日: 2022-08-16
• 發(fā)明（設(shè)計(jì)）人: 鄭麟;周東霖;張志宏;鄭仰鑫;鄒振庭;張燕波
• 申請(qǐng)（專利權(quán)）人: 汕頭大學(xué)
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/951;G06F40/253;G06N3/08;G06Q30/06
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 葉潔勇

1.一種基于中文評(píng)論情感引導(dǎo)的序列推薦方法，其特征在于，所述方法包括以下步驟：

步驟S100、獲取中文評(píng)論信息，基于所述中文評(píng)論信息確定評(píng)論文本集；

步驟S200、基于所述評(píng)論文本集生成情感矩陣，其中，所述情感矩陣S_M包括：積極情感矩陣、消極情感矩陣、情感類別矩陣、以及置信度矩陣；

步驟S300、獲取用戶行為序列元組，基于所述用戶行為序列元組和情感矩陣確定序列化推薦模型；其中，所述序列化推薦模型包括自注意力機(jī)制模型和稀疏注意力模型；

步驟S400、基于所述序列化推薦模型生成用戶最終偏好；基于所述用戶最終偏好P_F得到物品相關(guān)性高低的得分，將所述得分作為預(yù)測(cè)推薦物品的依據(jù)；

其中，所述步驟S200包括：

步驟S210、對(duì)評(píng)論文本集進(jìn)行中文情感個(gè)性化挖掘，得到每個(gè)評(píng)論文本的情感數(shù)值；所述評(píng)論文本的情感數(shù)值包括：情感概率、情感類別、以及置信度；具體地，使用百度人工智能的自然語言處理API工具對(duì)評(píng)論文本進(jìn)行中文情感個(gè)性化挖掘；

步驟S220、采用等頻率均分方式將所有情感數(shù)值按個(gè)數(shù)均分成n份，使得每一份中情感數(shù)值的數(shù)量相等；

步驟S230、基于數(shù)據(jù)分箱方法將所述情感數(shù)值生成情感矩陣S_M；其中，所述情感矩陣S_M包括：積極情感矩陣、消極情感矩陣、情感類別矩陣、以及置信度矩陣，M表示情感矩陣的項(xiàng)數(shù)，M＝4；S_M＝{S_p，S_n，S_s，S_c}，S_p表示積極情感矩陣，S_n表示消極情感矩陣，S_s表示情感類別矩陣，S_c表示置信度矩陣，S_p，S_n，S_s，S_c∈R^|S|×d，R^|S|×d表示矩陣的形狀，d表示數(shù)據(jù)的潛在維度；

所述步驟S300包括：

步驟S310、獲取用戶行為序列元組((i₁，S₁)，(i₂，S₂)，…，(i_q，S_q))，其中，i_q表示第q個(gè)消費(fèi)物品，S_q表示第q個(gè)物品所對(duì)應(yīng)的情感矩陣；

步驟S320、以固定長(zhǎng)度將所述用戶行為序列元組劃分物品矩陣E，將所述物品矩陣和情感矩陣構(gòu)造為嵌入矩陣；其中，E∈R^|I|×d，R^|I|×d表示矩陣的形狀；

步驟S330、采用情感矩陣S_M作為注意力機(jī)制的查詢Q，定義所述情感矩陣S_M其中一個(gè)情感因素引導(dǎo)的自注意力模型為的計(jì)算公式為：

其中，Q代表注意力機(jī)制中的查詢，K代表注意力機(jī)制中的鍵，V代表注意力機(jī)制中的值，S_m為S_p，S_n，S_s，S_c其中一個(gè)；W^Q，W^K，W^V∈R^d×d，W^Q表示Q的投影矩陣，W^K表示K的投影矩陣，W^V表示V的投影矩陣，R^d×d表示矩陣的形狀，d表示數(shù)據(jù)的潛在維度；

步驟S340、對(duì)基于情感引導(dǎo)的注意力和基于物品的自注意力A_E進(jìn)行拼接，得到自注意力機(jī)制模型的拼接結(jié)果，所述自注意力機(jī)制模型拼接的計(jì)算公式如下：

其中，表示基于置信度矩陣引導(dǎo)的注意力，表示基于消極情感矩陣引導(dǎo)的注意力，表示基于積極情感矩陣引導(dǎo)的注意力；W^E，o是注意力層輸出的維度，表示自注意力機(jī)制模型的拼接結(jié)果；

步驟S350、同時(shí)采用稀疏注意力模型對(duì)情感產(chǎn)生的偏好進(jìn)行獨(dú)立性建模，將積極情感矩陣、消極情感矩陣、情感類型矩陣以及置信度矩陣聚合得到聚合矩陣，基于所述聚合矩陣得到稀疏注意力模型，計(jì)算公式為：

其中，||運(yùn)算符表示僅使用距離小于或者等于r的兩個(gè)行為來計(jì)算注意力，AS₄為聚合矩陣，r為稀疏率；

所述步驟S400包括：

步驟S410、基于所述自注意力機(jī)制模型的拼接結(jié)果的拼接結(jié)果得到第一用戶偏好P_Gu，基于所述稀疏注意力模型得到第二用戶偏好P_Ge；所述第一用戶偏好的計(jì)算公式為：其中，P_Gu表示第一用戶偏好；所述第二用戶偏好的計(jì)算公式為：其中，W^P∈R^o×o，o是注意力層輸出的維度，P_Ge表示第二用戶偏好；具體地，對(duì)所述自注意力機(jī)制模型的拼接結(jié)果進(jìn)行規(guī)范化操作，再使用RNN模型對(duì)行為序列上的注意力進(jìn)行建模，獲得情感引導(dǎo)的用戶偏好，作為第一用戶偏好P_Gu；使用規(guī)范化操作和RNN模型計(jì)算純粹情感變化所產(chǎn)生的偏好，作為第二用戶偏好P_Ge；

步驟S420、將所述第一用戶偏好P_Gu和第二用戶偏好P_Ge聚合生成用戶最終偏好；所述用戶最終偏好的計(jì)算公式為：P_F＝W^FLayerNorm(ConCat([P_Gu，P_Ge]))+B^F，其中，W^F和B^F為訓(xùn)練參數(shù)；具體地，通過將兩個(gè)通道所產(chǎn)生的兩種類型的偏好聚合生成用戶最終的偏好，雙通道模型統(tǒng)稱為CSAS模型，采用二進(jìn)制交叉熵?fù)p失和Adam優(yōu)化器來訓(xùn)練CSAS模型；

步驟S430、通過所述用戶最終偏好P_F得到物品相關(guān)性高低的得分，基于所述得分預(yù)測(cè)推薦物品。