一种基于多模态商品特征融合的商品推荐方法技术

本发明专利技术属于商品推荐领域，具体涉及一种基于多模态商品特征融合的商品推荐方法。所述商品推荐方法包括：根据用户已经购买的商品序列构建用户‑商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；通过卷积神经网络对商品得到的评论文本进行特征提取，得到商品评论的向量表示；通过卷积神经网络对商品的标题和描述信息进行特征提取，得到商品内容的向量表示；将商品节点、评论和内容的向量表示连接得到商品的最终表示，将用户节点的向量表示作为用户的最终表示；根据点积计算用户最终表示和商品最终表示之间的相似度用于对候选商品进行排序；通过贝叶斯个性化排序损失优化提出方法中的参数。本发明专利技术通过利用商品的多模态特征，能够极大的缓解商品推荐中的数据稀疏性问题，提高推荐准确率。

【技术实现步骤摘要】
一种基于多模态商品特征融合的商品推荐方法
本专利技术涉及一种商品推荐方法，属于商品推荐领域。
技术介绍
目前的商品推荐方法在对商品进行建模的过程中，大多数仅利用商品的id提取隐含在用户和商品交互中的协同信号，从而对商品进行建模，这通常面临着严重的数据稀疏性问题，极大的制约了推荐系统的性能。尽管也有一些工作将评论信息纳入考虑，以捕获包含在评论中的商品特征信息，同时缓解数据稀疏性问题，但商品本身的标题和描述信息却很少得到利用。然而，评论信息由用户给出，其中由于用户表达习惯、关注点的不同，不同的评论中包含的信息通常具有不同的信息性，甚至有可能包含很多的噪声信息。与评论信息不同，商品标题和描述通常由商家进行撰写，其中会包含更多且更全面的商品特征，并且在表达中会更加的专业和准确。因此，在推荐中对商品建模时，在商品id和商品评论信息的基础上，结合商品标题和描述信息将有助于实现更好的推荐性能。
技术实现思路
针对上述问题，本专利技术提出了一种基于多模态商品特征融合的商品推荐方法，所述推荐方法包括：S1：根据用户历史购买的商品序列构建用户-商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；S2：获取商品的评论文档，通过卷积神经网络提取商品评论的向量表示；S3：获取商品的标题和描述信息，通过卷积神经网络提取商品内容的向量表示；S4：得到用户的最终表示和商品的最终表示；S5：计算用户和商品的相似度；S6：通过贝叶斯个性化排序损失优化提出方法中的参数。r>进一步的，所述S1中构建用户-商品二分图包括：S11：根据隐式反馈或显式反馈获取用户历史购买商品序列，通过历史购买商品序列构建用户-商品二分图，使用用户-商品邻接矩阵表示，其中nu和np分别是用户数和商品数，是用户-商品交互矩阵，RT是R的转置，S12：为了利用用户-商品二分图中节点自身的信息，向A添加一个单位矩阵同时，为了避免训练过程中的梯度消失或梯度爆炸，使用对角度矩阵进行归一化处理，其中对角线上的值为用户-商品二分图中各个节点的度，从而得到进一步的，所述S1中得到用户节点的向量表示和商品节点的向量表示包括：S13：通过图卷积对用户-商品二分图进行邻居传播和聚合操作，得到用户节点的向量表示和商品节点的向量表示。进一步的，所述S13中图卷积的具体步骤为：S131：通过嵌入层将每个用户和商品唯一对应的id转换为密集向量，得到用户特征向量和商品特征向量其中d是特征向量的维度；S132：建立嵌入表来表示用户-商品二分图的特征矩阵；S133：使用t层的图卷积来聚合节点邻居的特征，其中传播过程定义为：S134：通过t层的图卷积，得到从到的t个特征矩阵，将这t个特征矩阵连接，得到最终的特征矩阵然后将E分割为特征矩阵的两个部分和分别作为用户节点的向量表示和商品节点的向量表示进一步的，所述S2中提取商品评论的向量表示包括：S21：将每个商品得到的评论整合为该商品的评论文档，并对商品的评论文档进行分词、词形还原、移除停用词、移除出现频率极高的单词和出现频率极低的单词等预处理；S22：通过文本特征提取器对商品评论文档进行特征提取，得到商品评论的向量表示进一步的，所述S22中文本特征提取器的具体步骤为：S221：将输入文本的词序列表示为[w1，w2，...，wl]，其中l是输入文本的长度；S222：通过单词嵌入层将S5的单词序列表示转换为单词向量表示序列其中dv是单词嵌入维度；S223：使用卷积神经网络对单词向量表示序列进行处理，从而得到上下文单词向量表示序列[c1，c2，...，cl]，其中第i个单词的上下文表示ci的计算方法为：ci＝LeakyReLU(Wt×v(i-k)：(i+k)+bt)；S224：使用注意力机制为上下文单词向量表示序列中的每个单词向量表示计算一个权重[α1，α2，…，αl]，然后将上下文单词向量表示序列与对应权重相乘得到输入文本的最终表示其中αi的计算方法为：进一步的，所述S3中提取商品内容的向量表示包括：S31：获取商品的标题和描述信息，并对这些信息进行分词、词形还原、移除停用词、移除出现频率极高的单词和出现频率极低的单词等预处理；S32：通过与S22中相同的文本特征提取器对商品标题和描述信息进行特征提取，得到商品内容的向量表示进一步的，所述S4中得到用户最终表示和商品最终表示包括：S41：将商品节点的向量表示ep、评论的向量表示ar、内容的向量表示at连接得到商品的最终表示p；将用户的节点表示eu作为用户的最终表示u。进一步的，所述S5中计算用户和商品的相似度包括：通过用户最终表示和商品最终表示的点积计算用户和商品的相似度：进一步的，所述S6中通过贝叶斯个性化排序损失优化提出方法中的参数包括：附图说明图1是本专利技术的商品推荐方法流程示意图。图2是本专利技术的商品推荐方法结构示意图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，本专利技术提供了一种基于多模态商品特征融合的商品推荐方法，包括如下步骤：步骤1：根据用户历史购买的商品序列构建用户-商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；具体的，图卷积的具体步骤为：首先根据用户和商品的历史交互构建用户-商品二分图，使用用户-商品邻接矩阵表示，其中nu和np分别是用户数和商品数，是用户-商品交互矩阵，RT是R的转置，为了利用用户-商品二分图中节点自身的信息，向A添加一个单位矩阵同时，为了避免训练过程中的梯度消失或梯度爆炸，使用对角度矩阵进行归一化处理，其中对角线上的值为用户-商品二分图中各个节点的度，从而得到然后通过嵌入层将每个用户和商品唯一对应的id转换为密集向量，得到用户特征向量和商品特征向量其中d是特征向量的维度；我们建立以下嵌入表E0来表示用户-商品二分图的特征矩阵：然后，我们使用t层的图卷积来聚合节点邻居的特征，其中传播过程定义为：其中是可训练的权重矩阵，σ是LeakyRelu激活函数。通过t层的图卷积，得到从到的t个特征矩阵，将这t个特征矩阵连接，得到最终的特征矩阵E，然后将E分割为特征矩阵的两个部分和分别作为用户节点的向量表示和商品节点的向量表示步骤2：将每个商品得到的评论整合为该商品的评论文档，对商品的评论文档进行分词、词形还原、移除停用词、移除出现频率极高的单词和出现频率极低的单词等处理，然后使用文本特征提取器对商品评论文档进行处理得到商品评论的向量表示具体的，文本特征提取器的具体步骤为：首先是单词嵌入，将输入文本的单词序列表示为[w1，w2，...，wl]，其中l是输入文本的长度本文档来自技高网...

【技术保护点】
1.一种基于多模态商品特征融合的商品推荐方法，其特征在于，包括如下步骤：/n1.1构建用户-商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；/n1.2获取商品的评论文档，通过卷积神经网络提取商品评论的向量表示；/n1.3获取商品的标题和描述信息，通过卷积神经网络提取商品内容的向量表示；/n1.4得到用户最终表示和商品最终表示；/n1.5计算用户和商品的相似度；/n1.6通过贝叶斯个性化排序损失优化提出方法中的参数。/n

【技术特征摘要】
1.一种基于多模态商品特征融合的商品推荐方法，其特征在于，包括如下步骤：
1.1构建用户-商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；
1.2获取商品的评论文档，通过卷积神经网络提取商品评论的向量表示；
1.3获取商品的标题和描述信息，通过卷积神经网络提取商品内容的向量表示；
1.4得到用户最终表示和商品最终表示；
1.5计算用户和商品的相似度；
1.6通过贝叶斯个性化排序损失优化提出方法中的参数。


2.根据权利要求1所述的一种基于多模态商品特征融合的商品推荐方法，其特征在于，所述1.1中得到用户节点和商品节点的向量表示的具体方法如下：
2.1根据用户购买商品的历史记录构建用户-商品二分图；
2.2通过图卷积对用户-商品二分图进行邻居传播和聚合，得到用户节点的向量表示和商品节点的向量表示。


3.根据权利要求2所述的一种基于多模态商品特征融合的商品推荐方法，其特征在于，所述2.1中构建用户-商品二分图的具体步骤如下：
3.1根据用户和商品的历史交互记录构建用户-商品二分图，使用用户-商品邻接矩阵表示，其中nu和np分别是用户数和商品数，是用户-商品交互矩阵，RT是R的转置，
3.2为了利用用户-商品二分图中节点自身的信息，向A添加一个单位矩阵同时，为了避免训练过程中的梯度消失或梯度爆炸，使用对角度矩阵进行归一化处理，其中对角线上的值为用户-商品二分图中各个节点的度，从而得到


4.根据权利要求2所述的一种基于多模态商品特征融合的商品推荐方法，其特征在于，所述2.2中图卷积的具体步骤如下：
4.1通过嵌入层将每个用户和商品唯一对应的id转换为密集向量，得到用户特征向量和商品特征向量其中d是特征向量的维度；
4.2建立嵌入表来表示用户-商品二分图的特征矩阵；
4.3使用t层的图卷积来聚合节点邻居的特征，其中传播过程定义为：
4.4通过t层的图卷积，得到从到的t个特征矩阵，将这t个特征矩阵连接，得到最终的特征矩阵然后将E分割为特征矩阵的两个部分和分别作为用户节点的向量表示和商品节点的向量表示


5.根据权利要求1所述的一种基于多模态商品特征融合的商品推荐方法，其特征在于，所述1.2中商品评论的向量表示的提取方法如下：
5.1将每个商品得到的所有评论整合为该商品的评论文档，并对商品的评论文档进行分词、词形还原、移除停用词、移除出现频...

【专利技术属性】
技术研发人员：蔡国永，宋亚飞，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45