[發明專利]一種面向興趣點推薦的可解釋生成方法

有效

• 申請號: 202110698835.9
• 申請日: 2021-06-23
• 公開（公告）號: CN113420215B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 申德榮;張奧雅;寇月;聶鐵錚;石美惠
• 申請（專利權）人: 東北大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種面向興趣點推薦的可解釋生成方法，其特征在于：

根據興趣點推薦模型獲取用戶ID及推薦的興趣點，以及興趣點對應的影響因素；

確定影響興趣點推薦的主要影響因素；

基于主要影響因素對推薦的興趣點進行句子解釋；

所述確定影響興趣點推薦的主要影響因素的具體方法為：

計算各影響因素之間的影響權重值；

根據影響因素之間的影響權重值，將影響因素進行融合得到融合后的影響因素；

通過注意力機制判斷出影響興趣點推薦的主要影響因素，包括以下步驟：

步驟S1、將多個融合后的影響因素與推薦的興趣點進行相似性學習，得到融合后的影響因素與推薦的興趣點間的相似性權重；

步驟S2、對得到的相似性權重值進行驗證；

步驟S3、根據通過驗證的相似性權重值，確定影響興趣點推薦的主要影響因素；

判斷出相似性權重中的最大值，并獲取該值對應的融合后的影響因素；再通過融合后的影響因素的下標識別出對應的構成該融合后的影響因素的兩個影響因素，這兩個影響因素即為影響興趣點推薦的主要影響因素。

2.根據權利要求1所述的一種面向興趣點推薦的可解釋生成方法，其特征在于：所述計算各影響因素之間的影響權重值的具體方法為：

將n個影響興趣點P推薦的影響因素f₁、f₂、…、f_n嵌入成相應的影響因素的向量矩陣F＝[f₁、f₂、…、f_n]；

對每兩個影響因素向量進行投影，計算影響因素之間的影響權重，如下公式所示：

其中，m_ij表示影響因素f_i、f_j之間的影響權重值，i＝1、2、...、n，j＝1、2、...、n。

3.根據權利要求2所述的一種面向興趣點推薦的可解釋生成方法，其特征在于：所述根據影響因素之間的影響權重值，將影響因素進行融合得到融合后的影響因素的具體方法為：

(1)將計算出來的影響因素之間的影響權重組成一個成對標量投影矩陣M；

(2)根據興趣點的影響因素之間的標量投影，進行興趣點影響因素之間的融合；

不考慮標量投影矩陣中主對角線的值，獲取標量投影矩陣M中每行的最大值及其對應的下標；然后將影響最大的影響權重對應的影響因素與原影響因素進行融合，得到融合后的影響因素，如下公式所示：

其中，f_ij代表影響因素f_i、f_j之間融合后的影響因素，代表權重標量投影矩陣中第i行的最大值，f_i代表原影響因素，f_j代表對原影響因素產生最大影響的影響因素。

4.根據權利要求3所述的一種面向興趣點推薦的可解釋生成方法，其特征在于：所述步驟S1的具體方法為：

首先將融后的影響因素作為推薦的興趣點P的嵌入矩陣F_ij＝[f_1j、f_2j、…、f_ij]^T，興趣點P與融合后的影響因素的相似度的最大化目標為：

其中，a_i為融合后的影響因素f_ij與推薦的興趣點P之間的相似性權重值；

根據興趣點P與融合后的影響因素的相似度的最大化目標公式，得到由n個相似性權重值構成的權重集a＝(a₁,a₂,...,a_n)。

5.根據權利要求4所述的一種面向興趣點推薦的可解釋生成方法，其特征在于：所述步驟S2的具體方法為：

將學習到的相似性權重值和融合后的影響因素對興趣點P進行重構，將重構的興趣點表示為通過最小化||p-s1||²判斷興趣點P和重構的興趣點s1是否相同，若相同，執行步驟S3，否則重新學習相似權重值。