[發明專利]一種物品推薦方法、系統、電子設備及存儲介質

在審

• 申請號: 202211697621.0
• 申請日: 2022-12-28
• 公開（公告）號: CN115858945A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 胡忠義;張碩果;程子惠;吳江
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535;G06F16/33;G06N3/0464;G06N3/0499;G06N3/08
• 代理公司: 武漢華之喻知識產權代理有限公司 42267
• 代理人: 鄧彥彥;廖盈春

本發明提供一種物品推薦方法、系統、電子設備及存儲介質，從用戶進行物品選擇決策時的參考因素出發，構建可以動態地加權嵌入豐富決策信息和特征信息的推薦方法：融合了評論的內容特征和細粒度情感特征，融合了用戶的社交關系網絡和物品的相似度空間，除了用戶物品之間的交互關系之外引入了社交關系和物品相似度空間信息，融合了時序信息對于評論、社交關系、用戶物品交互的影響，考慮到了不同時期的評論、社交關系、用戶物品交互信息對于用戶決策的影響，貼近現實推薦場景，提供了動態推薦的策略。提出了多門控機制特征融合方式以加權融合特征，對于不同空間特征的融合考慮其對于推薦的貢獻，以加權的形式進行融合，提升了物品推薦效果。

技術領域

本發明屬于人工智能領域，更具體地，涉及一種物品推薦方法、系統、電子設備及存儲介質。

背景技術

專利文獻CN114723522A公開了一種面向評論文本的圖神經網絡，通過構建用戶和物品的二部圖，將評分信息和評論信息作為邊特征構建圖卷積模型來完成推薦。但是該技術對于評論信息的挖掘不夠全面，未考慮到細粒度情感特征等深層信息，且沒有考慮用戶的社交關系、物品相似度關系等更加全面的關系網絡，緩解推薦系統的冷啟動問題的效能不足；同時該模型也是一個靜態的推薦方法，沒有考慮到評論、物品、社交關系等的時序變化。

專利文獻CN112650929A公開了一種融合評論信息的圖神經網絡推薦方法，通過使用雙向編碼器表征量(Bidirectional Encoder Representations from Transformers，BERT)模型進行評論文本數據的特征提取作為每個節點的內容表述向量，并利用圖卷積和圖注意力網絡來提取節點的結構表述向量，最終來預測推薦概率。但是該技術對于評論信息的挖掘也只是考慮了基本的粗粒度內容信息，未考慮較深的細粒度情感信息，也沒有考慮用戶的社交關系、物品相似度關系以及時序關系，捕捉到的信息有限。

現有技術提供了一種融合社交關系的圖卷積神經網絡推薦方法，通過嵌入用戶的社交關系來豐富用戶的特征表示。并與用戶商品二部圖進行融合，通過圖卷積神經網絡進行信息挖掘，最終使用向量點乘的方式進行推薦預測。但是該技術沒有考慮評論對于推薦系統的作用，且也是靜態的推薦系統，沒有考慮到時序信息對于決策的參考價值，所以對于時序信息的考慮也是本發明相較于其他發明的一個改進。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種物品推薦方法、系統、電子設備及存儲介質，旨在解決現有物品推薦方法是一個靜態的推薦方法，沒有考慮到評論、物品、社交關系等的時序變化以及較深的細粒度情感信息，也沒有考慮用戶的社交關系、物品相似度關系以及時序關系，導致物品推薦效果不佳的問題。

為實現上述目的，第一方面，本發明提供了一種物品推薦方法，包括如下步驟：

從平臺業務數據集中獲取用戶對物品的評論數據集，提取所述評論數據集中出現頻數最高的名詞作為用戶對物品評論的細粒度情感特征關鍵詞；使用BERT模型、注意力層以及多層感知機層對所述細粒度情感特征關鍵詞進行提取，得到評論的細粒度情感特征；以及使用BERT模型對評論數據集的全句詞向量進行嵌入，獲取評論的全句內容特征；

從平臺業務數據集中獲取用戶的社交數據和用戶與物品交互的歷史數據，根據用戶對物品評論的關系構建用戶的評論空間，評論空間包括：所述評論的全句內容特征、評論的細粒度情感特征以及評論的時序特征；根據用戶與物品的交互關系構建用戶的物品空間，物品空間包括：用戶對物品的評分數據、評論的細粒度情感特征、與用戶交互的所有物品信息及交互發生的時序信息；根據用戶的社交數據構建社交關系空間，社交關系空間包括：用戶的好友信息和建立好友關系的時序信息；根據用戶與物品的交互關系和用戶的社交數據構建高階空間，高階空間包括：所有用戶和物品的交互信息和所有用戶的好友信息；從評論空間、物品空間、社交關系空間以及高階空間對用戶的初步特征提取，使用多門控機制將各個空間提取的用戶初步特征和用戶節點特征向量融合得到用戶嵌入特征向量；