[发明专利]面向细粒度情感的可解释推荐模型

说明书

本发明所要解决的技术问题是克服了现有基于矩阵分解原理进行推荐技术存在的解释性能不高、计算复杂、信息挖掘利用程度低等问题，提出一种面向细粒度情感的可解释推荐模型。该方法步骤为：1由原始评论文本的解析和预处理模块实现原始特征的提取；2由互信息矩阵构建模块实现多信息的高效融合；3由联合分解模块初始化因子矩阵进行多矩阵的约束优化求解；4由推荐及预测模块实现信息的高效重构进而生成最终的推荐结果以及解释信息。

技术领域

本发明涉及一种可生成推荐解释的快速推荐模型，更确切地说，本发明涉及一种基于矩阵分解技术并构建共享因子矩阵优化求解推荐结果及解释的推荐方法。

背景技术

随着互联网技术和产业的快速发展，互联网中的信息交互数量剧增，交互频率也呈现指数级增长。因此，如何针对不同用户满足其个性化的需求显得尤为重要。例如，在线上购物网站中，个性化的推荐会直接引导用户参与消费，因而能够创造满足用户需求与扩大经济收益的双赢局面。

现有的大多数推荐系统着重于使用评估指标进行端对端的优化，例如使用均方根误差，归一化折损增益率等。这些指标关注预测用户对实体的打分与真实打分之间的差异或者预测用户喜好实体的排序与真实排序之间的差异。然而，用户决策显然是取决于一系列因素，端对端的模型方法不能具体解释具体哪些因素影响了指标性能，尽管已有诸多算法在指标性能上不断提升，但是当其推荐结果出现错误时，难以解释和修改，导致用户接受度下降。因此，在矩阵分解模型等推荐算法中，挖掘影响用户选择或影响实体质量的因素至关重要。也由此可以获得对推荐结果的解释能力。

目前推荐系统可解释能力的研究中主要考虑两个方向：用户导向的解释推荐形式和模型导向的推荐原理说明。其中用户导向的可解释推荐系统倾向于生成用户易于接受的直观的解释形式以增强可解释推荐模型的说服性和用户满意性。模型导向的可解释推荐系统倾向于阐述系统原理，分析结果构成，以严谨的逻辑解释系统的效用以及推荐解释能力的来源。

虽然，针对基于矩阵分解-重构原理的可解释的推荐问题已有一定的研究工作，但仍然存在一些不足，主要体现在：

1.解释性能不高

目前，矩阵分解-重构方法大多仅使用目标用户的打分信息，尽管采用加入提升预测精准度的偏置项，引入实体属性等方法增强了推荐模型的准确性和解释性，模型的解释性能仍然普遍较低。

2.计算复杂

为了增加解释性能需要分析更多的影响用户决策的因素，也因此需要增加额外的信息，这既直接使得计算量变大也可能产生大量的冗余处理使得计算复杂，浪费计算资源。

3.信息挖掘利用程度低

目前，基于矩阵分解-重构的推荐模型大多未考虑或难以扩展用户细粒度情感因素，对影响用户决策的各种因素挖掘和利用程度较低。

发明内容

本发明所要解决的技术问题是克服了现有技术存在的解释性能不高、计算复杂、信息挖掘利用程度低等问题，提出一种融合评论文本细粒度情感的快速可解释推荐模型。

为解决上述技术问题，本发明是采用如下技术方案实现的：

所述的融合评论文本细粒度情感的快速可解释推荐模型，包括如下步骤：

(1)由原始评论文本的解析和预处理模块实现原始特征的提取：

1)针对某一特定推荐环境，对任何由用户为实体打分同时产生评论文本的数据进行抽取、过滤等预处理；

2)对评论文本进行解析，抽取用户对实体的细粒度情感信息，构建 (a,w,s)_ij三元组；

其中：(a,w,s)_ij表示用户i对实体j的细粒度情感的三元组，a表示实体 j的特定方面，w表示用户i针对该特定方面的描述性词语，s表示该描述性词语的情感极性标签。