[发明专利]融合外部数据的基于方面类别的可解释性推荐方法及系统

权利要求书

1.一种融合外部数据的基于方面类别的可解释性推荐方法，其特征在于，包括：

S1：利用外部标准标注数据训练方面类别分类器和方面类别的情感极性分类器；

S2：利用所述方面类别分类器和情感极性分类器对评论数据进行分类，得到每条评论的方面类别向量[a₁,a₂,…,a_n]和对应每个方面的情感向量[p₁,p₂,…,p_n]，其中n为方面的数量；

S3：将所述方面类别向量与情感向量进行融合，得到待推荐的商品的预测打分和推荐理由。

2.如权利要求1所述的融合外部数据的基于方面类别的可解释性推荐方法，其特征在于，所述步骤S3中，将所述方面类别向量与情感向量进行融合的方法包括：

S3.1：构建用户文档，将用户评论分别按照用户编号和商品编号进行聚合，得到用户评论列表[R₁,R₂,…,R_u]和商品评论列表[R₁,R₂,…,R_p]；

S3.2：参照步骤S1所得到的方面类别分类器和情感极性分类器，分别得到每条评论的低维稠密表示，每个用户对应一个二维列表[V₁,V₂,…,V_u]，其中V_i表示用户的第i个评论的向量表示，u为用户的评论数量；每个商品对应一个二维列表[C₁,C₂,…,C_p]，其中C_i表示商品的第i个评论的向量表示，p为商品的评论数量；

S3.3：利用注意力机制，分别计算用户评论列表中每个评论的表示对于待预测商品的相关权重，并进行加权求和得到用户表示U；分别计算商品评论列表中每个评论的表示与用户的相关度，并进行加权求和得到商品表示P；

S3.4：将所述用户表示U和商品表示P，结合用户id和商品id进行拼接得到综合信息h，再将综合信息h输入预测层中，计算得到待推荐的商品的预测打分。

3.如权利要求2所述的融合外部数据的基于方面类别的可解释性推荐方法，其特征在于，所述步骤S3.2中，利用卷积神经网络或者长短期记忆网络分别得到每条评论的低维稠密表示。

4.如权利要求2所述的融合外部数据的基于方面类别的可解释性推荐方法，其特征在于，所述步骤S3.3中，用户表示U通过如下公式得到：

其中，权重a_i由如下公式得到：

其中的由以下公式得到：

式中，T表示矩阵的转置，W_v为和用户相关的文本表示的权重矩阵，W_p为商品表示的权重矩阵，b₁，b₂为偏差矩阵；

商品表示P通过如下公式得到：

其中，权重β_i由如下公式得到：

其中的由以下公式得到：

式中，T表示矩阵的转置，W_c为和商品相关的文本表示的权重矩阵，W_u为用户表示的权重矩阵，b₁，b₂为偏差矩阵。