一种生成评论的个性化推荐方法技术

本发明专利技术公开了一种生成评论的个性化推荐方法，主要涉及计算机应用技术领域；包括步骤：S1、首先假设目标用户对目标商品的评论缺失；S2、将假设缺失的评论输入到评论监督器，将用户和商品剩余的评论组成评论文档输入到评论生成器；S3、通过最小化评论特征与伪标签之间的最小误差；S4、利用嵌入的方法把用户与商品ID的one

【技术实现步骤摘要】
一种生成评论的个性化推荐方法


[0001]本专利技术涉及计算机应用
，具体是一种生成评论的个性化推荐方法。

技术介绍

[0002]当今世界各大网络平台存在大量的文字、语音、视频等信息，比如电商平台玲琅满目的商品信息，短视频平台各种类型的信息，一个互联网产品是否具有吸引力，是看其有多智能，能够让用户花费较少的时间能够获取他感兴趣的内容，其中推荐系统发挥着至关重要的作用，它已经渗透到生活中的方方面面。
[0003]推荐算法解决的问题本质就是在“信息”过载的情况下，用户如何高效地获取感兴趣的信息。但是传统的推荐算法存在交互数据稀疏的问题。针对这种问题，人们将评论引入推荐算法中。具体有：
[0004]1、将CNN技术引入到处理评论文档，并提出DeepCoNN模型，评论文档是评论的集合，可分为用户评论文档和商品评论文档，用户评论文档表示用户给出的所有评论，商品评论文档表示商品收到的所有评论，DeepCoNN模型从用户评论文档中提取用户的兴趣，从商品评论文档提取商品的属性，然后将用户的兴趣特征和商品的特征做向量拼接，再然后放入因子分解机中预测评分。
[0005]2、NARRE模型，主要引入注意力机制去除评论文档中无用的评论，从而捕捉用户、商品的评论特征，然后用户、商品的评论特征加上用户、商品的ID特征得到用户、商品特征，最后用户特征与商品特征做内积，从而预测评分。
[0006]3、直接使用CNN并不能有效的突出重要的特征(比如评论、单词)，因此引入注意力机制并提出D
‑
Attn模型。提出了一种基于分层思想新的结构，认为评论文档中仅仅只有少数的评论能够代表用户和商品的特征，于是提出的MPCN利用协同注意力机制先从评论文档挑选出少数重要的评论，再由这些的评论提取出用户、商品特征，然后利用FM(因子分解机)预测评分。
[0007]但在实际生活中，目标用户对目标商品的评论容易缺失，并且还存在相似的评论对应差距较大的评分，简称评论
‑
评分不一致问题。

技术实现思路

[0008]本专利技术的目的在于解决现有技术中存在的问题，提供一种生成评论的个性化推荐方法，能够缓解目标用户对目标商品的评论容易缺失的问题和评论
‑
评分不一致问题。
[0009]本专利技术为实现上述目的，通过以下技术方案实现：
[0010]一种生成评论的个性化推荐方法，包括步骤：
[0011]S1、首先假设目标用户对目标商品的评论缺失；
[0012]S2、将假设缺失的评论输入到评论监督器，得到评论的特征伪标签；将用户和商品剩余的评论组成评论文档输入到评论生成器，得到评论特征；
[0013]S3、通过最小化评论特征与伪标签之间的最小误差，确保生评论特征的质量；
[0014]S4、利用嵌入的方法把用户与商品ID的one
‑
hot编码，降维到一个相同的空间中，并提取ID特征；
[0015]S5、引入注意力机制融合的方法自适应融合评论特征和ID特征到同一个空间中得到用户
‑
商品的偏好特征；
[0016]S6、将偏好特征输入到预测器，去预测评分。
[0017]优选的，步骤S2中，评论监督器是一个CNN为基础的自编码器，编码器的结构为卷积核为100大小为3，数量为100，选取最大池化的CNN，解码器与编码器参数相同，采用上采样和反卷积恢复编码器的输入，将编码器的输出作为缺失评论特征的伪标签。
[0018]优选的，步骤S2中，评论生成器由2个并行的CNN和一个生成器组成，CNN的卷积核为100大小为3、数量为100和使用最大池化；生成器是一个2层的采取Tanh激活函数的全连接层：第一层的输入大小为2倍特征大小，第一层的输出大小为特征大小；第二层的输入大小为特征大小，第二层输出大小为特征大小。
[0019]优选的，步骤S5中，注意力机制是一个2层的全连接层：第一层的输入大小为2倍特征大小，第一层的输出大小为2，第一层采取Relu激活函数；第二层的输入大小为2，第二层输出大小为2，第二层采取Softmax激活函数。
[0020]优选的，步骤S6中，预测器是一个3层的采全连接层：第一层的输入大小为2倍特征大小，第一层的输出大小为1/2的特征大小，第一层采取Relu激活函数；第二层的输入大小为1/2的特征大小，第二层输出大小为1/4的特征大小，第二层采取Relu激活函数；第三层的输入大小为1/4的特征大小，第三层的输出大小为1。
[0021]对比现有技术，本专利技术的有益效果在于：
[0022]本专利技术假设缺失目标用户对目标商品的评论，再模拟生成其的特征，从而有效的缓解了目标用户对目标商品的评论容易缺失的问题；本专利技术引入了注意力机制自适应融合评论特征和ID特征到同一空间，有效的缓解了评论
‑
评分不一致的问题。
附图说明
[0023]图1是本专利技术的总体架构图。
具体实施方式
[0024]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
[0025]实施例：如附图1所示，本专利技术所述是一种生成评论的个性化推荐方法。
[0026]首先将假设缺失的评论输入到评论监督器、用户和商品剩余的评论组成评论文档输入到评论生成器，然后分别得到评论的特征伪标签和评论特征，再通过最小化评论特征与伪标签之间的最小误差，确保生评论特征的质量。
[0027]评论监督器是一个CNN为基础的自编码器，编码器的结构为卷积核为100大小为3，数量为100，选取最大池化的CNN，解码器与编码器参数相同，采用上采样和反卷积恢复编码器的输入。将编码器的输出作为缺失评论特征的伪标签。评论生成器由2个并行的CNN和一个生成器组成。CNN的卷积核为100大小为3、数量为100和使用最大池化。生成器是一个2层
的采取Tanh激活函数的全连接层：第一层的输入大小为2倍特征大小，第一层的输出大小为特征大小；第二层的输入大小为特征大小，第二层输出大小为特征大小。
[0028]同时，利用嵌入的方法把用户与商品ID的one
‑
hot编码，降维到一个相同的空间中，并提取ID特征。其次为了缓解评论
‑
评分不一致问题，本专利技术引入注意力机制融合的方法自适应融合评论特征和ID特征到同一个空间中得到用户
‑
商品的偏好特征。
[0029]这个注意力机制是一个2层的全连接层：第一层的输入大小为2倍特征大小，第一层的输出大小为2，第一层采取Relu激活函数；第二层的输入大小为2，第二层输出大小为2，第二层采取Softmax激活函数。最后将偏好特征输入到预测器，去预测评分。预测器为是一个3层的采全连接层：第一层的输入大小为2倍特征大小，第一层的输出大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成评论的个性化推荐方法，其特征在于，包括步骤：S1、首先假设目标用户对目标商品的评论缺失；S2、将假设缺失的评论输入到评论监督器，得到评论的特征伪标签；将用户和商品剩余的评论组成评论文档输入到评论生成器，得到评论特征；S3、通过最小化评论特征与伪标签之间的最小误差，确保生评论特征的质量；S4、利用嵌入的方法把用户与商品ID的one
‑
hot编码，降维到一个相同的空间中，并提取ID特征；S5、引入注意力机制融合的方法自适应融合评论特征和ID特征到同一个空间中得到用户
‑
商品的偏好特征；S6、将偏好特征输入到预测器，去预测评分。2.根据权利要求1所述的一种生成评论的个性化推荐方法，其特征在于：步骤S2中，评论监督器是一个CNN为基础的自编码器，编码器的结构为卷积核为100大小为3，数量为100，选取最大池化的CNN，解码器与编码器参数相同，采用上采样和反卷积恢复编码器的输入，将编码器的输出作为缺失评论特征的伪标签。3.根据权利要求1所述的一种生成评论的个性化推荐方法...

【专利技术属性】
技术研发人员：秦继伟，任秋林，高小鑫，郑炅，
申请(专利权)人：新疆大学，
类型：发明
国别省市：