[发明专利]一种基于生成对抗网络的隐语义推荐方法

说明书

本发明涉及一种基于生成对抗网络的隐语义推荐方法，包括如下步骤：S1、生成网络模型基于评论信息来预测用户喜欢的top‑M商品列表以及最喜欢某个商品的top‑N用户列表；其中M和N为正整数；S2、用判别模型区分生成模型预测的分数与真实的分数；S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度，其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间。本发明能提高个性化推荐的准确性。

技术领域

本发明涉及一种推荐系统，尤其是一种基于生成对抗网络的隐语义推荐方法。

背景技术

随着信息技术和互联网的快速发展，我们已经进入了“信息过载”的时代。为了解决“信息过载”的问题，分类目录和搜索引擎等技术被相继提出。雅虎公司是一家以分类目录技术起家的公司，但是分类目录技术往往只能涵盖部分热门网站，但是随着互联网的快速发展，所需要涵盖的网站越来越多，涵盖率必定会越来越低，目录越发的复杂，用户也很难在这些复杂的目录找到自己真正想要的，因此分类目录技术越来越不能满足用户需求。而搜索引擎技术需要用户键入相应的关键词去搜索从而得到与关键词匹配用户感兴趣的内容，但很多时候，用户并不能准确提供自己感兴趣的关键词，或者用户并不知道自己感兴趣什么，搜索引擎在这个时候就很难发挥作用了。分类目录和搜索引擎技术可以认为是建立在用户的主动行为上，而推荐系统则是同时建立在用户的主动行为和被动行为上。可以说推荐系统在如今这个“信息过载的时代”的扮演着越来越重要的角色，对于信息消费者而言，推荐系统可以帮助用户在浩瀚的信息海洋中发现那些对自己有价值，自己感兴趣的信息；另一方面，对于信息生产者而言，推荐系统可以将生产者的信息及时出现在对这些信息感兴趣的消费者的面前，从而让消费者对这些信息进行消费。因此，推荐系统的使用会使信息消费者和信息生产者获得双赢的结果。推荐系统的主要目的是预测用户对一个特定商品的喜好程度。

在很多推荐系统的应用场景中，用户在购买商品后，会给商品打分以及写下评论来表达自己的观点。其中，分数描述了用户喜欢商品的程度，而评论信息则描述了用户喜欢商品或者不喜欢商品的具体原因。近年来，许多研究开始关注如何基于评分信息和评论信息进行建模，从而提高推荐系统的精准度。一方面，许多现有方法基于话题模型来建模文本评论，没有真正挖掘出评论信息中的深度语义信息，并且这些方法并没有考虑用户画像和商品表征在语义空间中的一致性。另一方面，这类方法致力于直接在评分分布和评论分布设计连接规则，直接将两个分布进行连接。整数型的评分信息和文本类型的评论信息具有不同物理含义，因此很难保证设计出来的人工规则的合理性。

发明内容

本发明的主要目的在于提供一个基于生成对抗网络的隐语义推荐方法，提高个性化推荐的准确性。

为此，本发明提出的基于生成对抗网络的隐语义推荐方法包括如下步骤：S1、生成网络模型基于评论信息来预测用户喜欢的top-M商品列表以及最喜欢某个商品的top-N用户列表；其中M和N为正整数；S2、用判别模型区分生成模型预测的分数与真实的分数；S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度，其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间。

在一些实施例中，还包括如下特征：