[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

说明书

本发明公开了一种融合外部数据的基于方面类别的可解释性推荐方法和系统，该方法包括：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。本发明引入了外部数据，提高了aspect和情感极性判断的准确性，使得对于评论的建模更加准确，也更加标准化，并具有更强的可解释性；利用外部标准标注数据的信息辅助监督评论的建模，降低了需要额外标注评论信息的成本。

技术领域

本发明涉及一种数据处理技术领域，具体地说，是一种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。

背景技术

目前主流的推荐系统分为协同过滤方法、基于内容的推荐方法和结合两者的混合模型。其中协同过滤是当前的主流做法，其可以分为基于邻域的推荐方法和基于模型的推荐方法。基于邻域的推荐方法包括用户和商品的协同过滤，其主要是利用已有购买历史中的相似用户和商品进行推荐。基于模型的推荐方法有基于神经网络、矩阵分解、排序模型等，利用用户的历史行为记录进行建模，得到用户和商品的表示然后进行推荐。总体来看，由于协同过滤的方法没有把用户的评论、某些对象(如新闻、文章等)的内容考虑进去，因此可解释性不足，或者说比较粗糙，推荐理由基本上是相似用户或者大部分人感兴趣。

而基于内容的推荐方法一般会利用一些如主题模型对于内容进行建模，用内容的表示去增强商品和用户的表示中，从而更好地计算匹配程度进行推荐。由于其需要特定的场景，而且许多方法需要人为进行手工标注，所以应用面比较窄。

最后是结合上述两种方法的混合模型，对于商品的内容(评论)和历史行为分别进行建模，然后进行融合得到一个综合的用户表示和商品表示，从而进行更准确的推荐。

例如公开号为CN109087130A的中国发明专利申请公开了一种基于注意力机制的推荐系统及推荐方法，该方法属于基于神经网络的推荐方法，其首先通过特征嵌入层将用户历史行为记录中的商品以及待预测评分的商品映射为向量，通过注意力层利用自注意力机制来学习用户的表达得到用户的表示，最后通过融合输出层结合用户表示和待预测商品表示预测评分。

公开号为CN109471980A的中国发明专利申请公开了一种基于文本匹配的搜索推荐相关度计算方法，其首先对于数据进行清洗，去除停用词、标点等，然后构造多种特征去表示文本，如LDA的主题特征、词向量特征、统计特征等等，然后拼接得到句子的多维特征，并且利用LSTM等模型，将用户行为(浏览为正样本，未浏览为负样本)作为标签进行相关度学习，利用这个该模型去预测用户浏览待推荐文本的概率，然后进行排序推荐。

公开号为CN108959409A的中国发明专利申请公开了一种结合评论中主题与情感信息的矩阵分解推荐算法，该算法包含特征提取算法与评分预测算法两个部分。特征提取首先采用LDA在商品评论中提取商品的主题特征，之后再将商品评论按照用户编号进行聚合得到用户的主题特征表示，接着计算用户的情感并映射为用户偏好特征，两者结合得到用户的表示。评分预测首先以特征提取阶段提取到的特征来初始化特征向量，随后对特征向量进行加权矩阵分解，最后基于矩阵分解的结果对候选商品进行推荐。