[发明专利]一种基于用户及项目耦合关系分析的推荐系统及方法

说明书

本发明公开了一种基于用户及项目耦合关系分析的推荐系统及方法，包括数据采集和处理、划分数据集、构建耦合模型和训练模型和项目推荐。本发明考虑用户特征与项目特征之间的非常微观的耦合关系，当评分信息比较稀疏时这种耦合关系可以给用户推荐其喜好的项目，提高了推荐的质量；并运用了Attention机制捕获用户对于项目不同特征的喜好程度，使推荐系统具有更好的推荐效果和可解释性。另外，本发明利用Doc2vec从评论文本中提取用户和项目的显式特征，降低了用户/项目显式特征的维度，加快模型运行速度以及提高推荐准确度，相比于矩阵分解，本发明采用的卷积神经网络以及深度神经网络的非线性性有助于更深层次的学习特征间的交互。

技术领域

本发明属于自然语言处理及计算机人工智能的技术领域，尤其涉及一种基于用户及项目耦合关系分析的推荐系统及方法。

背景技术

随着互联网信息技术的快速发展和普及，人们越来越喜欢在网上购物并在线评论以及给项目打分，然而面对电子商务平台上如此繁多的同类项目，消费者不得不花费大量的时间在挑选自己喜欢的项目上。因此给用户推荐自己喜欢的项目并且具有可解释性至关重要，现存的很多推荐系统可解释性差并认为用户和项目是独立同分布的而忽略了用户和项目之间存在的异构性和耦合性，实际上用户和项目之间，用户特征之间，项目特征之间存在着各种各样的耦合关系，这种耦合关系可以更好的解释用户对项目的偏好。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于用户及项目耦合关系分析的推荐系统及方法，具有良好的推荐准确度和可解释性。

为了解决上述技术问题，本发明通过以下技术方案来实现：本发明提供一种基于用户及项目耦合关系分析的推荐系统，包括：

数据采集和处理模块，用于从亚马逊下载评论数据集后清理脏数据，合并每个用户对应的所有项目的评论作为用户评论文本以及合并所有用户对项目的评论文本作为项目评论文本；

划分数据集模块，用于将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集；

耦合模型模块，用于卷积神经网络学习用户/项目显式-隐式耦合；多层感知器学习用户特征与项目特征之间的耦合；

训练模型和项目推荐模块，用于将所述划分数据集模块得到的训练数据集和测试数据集分别用于训练和评估所述耦合模型模块构建的耦合模型，根据用户对项目的预测评分判断是否将项目推荐给用户。

本发明还提供一种基于用户及项目耦合关系分析的推荐方法，包括以下步骤：

S1、数据采集和处理：从亚马逊下载评论数据集后清理脏数据，合并每个用户对应的所有项目的评论作为用户评论文本以及合并所有用户对项目的评论文本作为项目评论文本；

S2、划分数据集：将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集；

S3、构建耦合模型：卷积神经网络学习用户/项目显式-隐式耦合；多层感知器学习用户特征与项目特征之间的耦合；

S4、训练模型和项目推荐：步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型，根据用户对项目的预测评分判断是否将项目推荐给用户。

可选的，所述步骤S1的数据采集和处理的具体步骤如下：

S101、将下载的json格式的亚马逊产品评论数据集转化为csv格式存储；

S102、将每个用户对应的所有项目的评论文本合并作为用户评论文本，将所有用户对项目的评论文本合并作为项目评论文本；

S103、删除每个用户评论文本低于50个单词的记录，清理用户评论文本中的停止词，标点符号，数字，频度小于10的词。

可选的，所述步骤S3中构建耦合模型的具体步骤如下：