[发明专利]评分预测方法和装置

说明书

本发明公开一种评分预测方法和装置，该方法包括：生成步骤：通过构造对于物品的用户评论的神经网络模型，以生成用户和物品两者的画像；预测步骤：通过利用用户和物品的画像优化矩阵分解模型，并训练矩阵分解模型以预测目标评分；其中，神经网络模型为长短时记忆网络模型，通过在长短时记忆网络模型中使用注意力机制提取用户和物品的特征，根据特征生成画像；和通过非线性变换将用户和物品的画像加入矩阵分解模型。本发明的评分预测方法成本低廉并且能够很好地在不同数据领域之间进行迁移；通过结合了用户评分数值信息和用户评论文本信息，能够更加全面正确地对未知评分进行预测；通过经过优化的举证分解算法，能够在较快的时间内得到预测结果。

技术领域

本发明涉及推荐系统的评分预测领域，尤其是涉及一种对用户和物品画像的评分预测方法和装置。

背景技术

随着现代社会的发展，包括电商平台(例如，阿里巴巴和京东)、门户网站(例如，谷歌和雅虎)、社交媒体(例如，微信和推特)以及基于位置的社交网络(例如，Foursquare和Yelp)在内的众多应用软件已极大的改变了人们生活和思维方式。频繁的商业活动和用户行为产生了大量的数据，在这些数据中包含着丰富的有价值的信息，但与此同时，这些数据也带来了信息过载问题，例如在购物网站上，用户越来越难以在琳琅满目的商品中找到真正心仪的那一个。推荐系统为解决这个问题给出了完美的解决方案，即从海量的数据中挖掘出用户的兴趣偏好，结合商品的属性特征，为其推荐出量身定制的产品。

在推荐系统中，最基本的需要解决的问题是预测用户对未知商品的评分。为此，协同过滤(Collaborative Filtering)模型提出利用相似用户或相似物品的已有评分对目标进行预测。矩阵分解法(Matrix Factorization)是协同过滤模型中的一种，它通过对用户已有的评分矩阵进行分解，得到目标用户对未知商品的评分。这种基于用户评分矩阵的方法，依赖已有的评分数量，数量越大，预测的结果越接近真实的分布，而遇到数据稀疏问题时，评分预测的效果就将大打折扣。因此，对于矩阵分解算法而言，仅仅依靠评分数据无法得到令人满意的预测结果。

近年来，现有技术借助基于上下文的推荐系统来解决以上问题。在许多类似于Yelp的网站中，除了对商品进行评分以外，还可以对商品进行进一步的评论，而蕴含在评论信息中的用户偏好和商品属性能够用以缓解数据稀疏带来的问题。例如，以下是一段某个用户关于餐厅的评论：“这是我最近喜欢的墨西哥餐厅。这里的食材新鲜并且具有很高的品质。”。通过这段评论，从用户偏好的角度看，可以发现，该用户更加关心一家餐厅的类型和食材。另外，从商品属性的角度看，可以发现，该餐厅提供墨西哥食物，同时提供的食材新鲜并且具有很高的品质。

但是，要想高效地从数量众多的文本信息中提取出有价值的信息存在着很大难度。

一些现有技术利用人工参与的方式，制定规则提取出用户评论中的信息。这样的方法耗费人工成本并且效率不高。为了克服成本和效率的问题，还有一些现有技术利用机器学习的方法进行尝试，但这些现有技术中存在着一个问题，当对目标商品进行评分预测时往往利用了目标用户对该商品的评分，可是这在现实的推荐系统应用场景中是不合理的。

发明内容

针对现有技术的不足，本发明提出一种基于神经网络的对用户-物品画像的评分预测方法。该方法只从用户的历史评论数据出发，更加符合真实的应用场景。

第一方面，本发明实施例提供了一种评分预测方法，用于预测用户和物品的画像的评分，包括：生成步骤：通过构造对于所述物品的用户评论的神经网络模型，以生成所述用户和所述物品两者的画像；预测步骤：通过利用所述用户和所述物品的所述画像优化矩阵分解模型，并训练所述矩阵分解模型以预测目标评分；其中，所述神经网络模型为长短时记忆网络模型，通过在所述长短时记忆网络模型中使用注意力机制提取所述用户和所述物品的特征，根据所述特征生成所述画像；和通过非线性变换将所述用户和所述物品的所述画像加入所述矩阵分解模型。

可选地，矩阵分解模型同时学习所述用户评论和所述物品的用户评分。