[发明专利]一种基于异构信息的评分推荐方法

权利要求书

1.一种基于异构信息的评分推荐方法，其特征在于，包括以下步骤：

S1、获取物品的用户ID、物品ID、评分信息、评论信息和物品描述信息；

S2、将评分信息、评论信息和物品描述信息分别转化成评分向量、评论向量和物品描述向量；

S3、将评分向量、评论向量和物品描述向量代入以下损失函数中，并通过梯度下降的方法进行求解；其中，评论向量和物品描述向量为常量，评分向量为变量；

其中，u表示用户特征向量，v表示物品特征向量，r表示评分向量，w_r表示评分向量所处超平面的单位法向量；c表示评论向量，w_c表示评论向量所处超平面的单位法向量；d表示物品描述向量，w_d表示物品描述向量所处超平面的单位法向量，r_p，r_q分别指评分为p和q的评分向量，代表r_p和r_q所占损失函数的权重，而α_r，α_c，α_d分别代表r、c、d所占损失函数的权重，R_r，R_c，R_d分别表示已经存在的评分关系集合、评论关系集合、物品描述关系集合，e是超参数，C(x)取sigmoid函数；

进一步地，损失函数中的函数F为：

其中，dis(x)表示向量x的欧几里得距离，λ_c和λ_d是权重参数，分别代表在函数F中评论信息和物品描述信息所占的比重；

S4、根据S3中的计算得到最终的变量u，v，w_r，w_c，w_d，通过以下公式得到用户u对于物品v的推荐度p：

2.根据权利要求1所述的基于异构信息的评分推荐方法，其特征在于，还包括以下步骤：

S5、得到同一用户u对于多个物品的推荐度，并按降序排序，最终得到同一用户u对于所述多个物品的推荐度排序。

3.根据权利要求1所述的基于异构信息的评分推荐方法，其特征在于，在S2中，将评论信息转化成评论向量的方法为：

S211、使用word2vec工具对评论信息中的每一个单词进行词向量训练；

S212、得到每个单词的词向量后对评论信息的所有词向量求平均值，作为最终的评论向量。

4.根据权利要求1所述的基于异构信息的评分推荐方法，其特征在于，在S2中，将物品描述信息转化成物品描述向量的方法为：

S211、使用word2vec工具对物品描述信息中的每一个单词进行词向量训练；

S212、得到每个单词的词向量后对物品描述信息的所有词向量求平均值，作为最终的物品描述向量。

5.根据权利要求3或4所述的基于异构信息的评分推荐方法，其特征在于，在使用word2vec工具进行词向量训练时，采用skip-gram模型，向量维度大小取20。

6.根据权利要求3或4所述的基于异构信息的评分推荐方法，其特征在于，其中，所有词向量的平均值为：

其中，Q是所述评论信息的单词合集或者所述物品描述信息的单词集合，w是每一个单词，vec(w)表示w的词向量。

7.根据权利要求1所述的基于异构信息的评分推荐方法，其特征在于，在S3中，

其中，num(x)表示x的个数。

8.根据权利要求1所述的基于异构信息的评分推荐方法，其特征在于，在S2中，将评分信息转化成评分向量的方法为：将每一个可能出现的不同评分值对应映射成一个随机的虚拟向量。