[发明专利]一种基于矩阵分解的事后可解释性推荐方法及装置

权利要求书

1.一种基于矩阵分解的事后可解释性推荐方法，其特征在于，所述方法包括以下步骤：

根据用户和物品的交互信息采集用户对物品的评分和评论；

根据用户对物品的评分训练概率矩阵分解的“黑箱”模型，得到“黑箱”模型的预测结果；

根据用户对物品的评论抽取用户的特征偏好和物品的特征质量，以获取用户特征偏好矩阵、物品特征质量矩阵和物品特征关注度矩阵；

利用用户特征偏好矩阵、物品特征质量矩阵和物品特征关注度矩阵构建可解释性模型；

根据上述“黑箱”模型的预测结果训练可解释性模型，得到可解释性模型的个性化参数和预测评分；

根据可解释性模型的预测评分大小进行排序得到推荐结果，并根据个性化参数得到用户的特征偏好值、物品的特征质量值和物品的特征关注度值，以根据用户的特征偏好值、物品的特征质量值和物品的特征关注度值的大小按解释模板给用户的推荐结果做出解释；

所述概率矩阵分解的“黑箱”模型为：

其中，n为用户数，m为物品数，R_ij为用户u_i对物品I_j的真实评分，U_i为用户特征矩阵，V_j为物品特征矩阵，λ为正则化权重，λ用于避免模型学习时发生过拟合，I_ij为指示函数，当I_ij等于0时表示用户u_i对项目I_j未进行过评分，当I_ij等于1时表示用户u_i对项目I_j进行过评分；

所述可解释性模型为：

其中，表示用户u_i对物品I_j的预测评分，P_i＝[X_i,H_1i]，Q_j＝[Y_j,H_2j]，W^j＝[W₁^j,W₂^j]，X_i表示用户u_i的显式特征偏好向量，H_1i表示为用户u_i的隐式特征偏好向量，Y_j表示物品I_j的显式特征质量向量，H_2j表示为物品I_j的隐式特征质量向量，W₁^j表示物品I_j的显式特征关注度矩阵，W₂^j表示物品I_j的隐式特征关注度矩阵；

在用户对物品的评论中提取特征词集合F，对这些特征的情感极性进行标记，并为每个特征分配一个情感值S，从而形成情感词典L(F，S)；

提取用户u_i写的所有评论的特征-情感对(F，S)并构建用户情感词典，令F＝{F₁，F₂，…，Fp}为物品的显式特征集合，p为物品的显式特征数，然后通过用户情感词典构建用户特征偏好矩阵X，其中每个元素衡量用户对物品特征的偏好程度，计算方式如下所示：

其中，X_ij为用户u_i对特征F_j的偏好程度，t_ij表示为用户u_i提到特征F_j共t_ij次；

对于每个物品I_i，提取其所有相应评论的特征-情感对(F，S)并构建物品情感词典，通过物品情感词典构建物品特征质量矩阵Y，其中每个元素都衡量物品对相应特征质量的好坏程度，计算方式如下所示：

其中，Y_ij表示为物品I_i在特征F_j上的质量情况，k表示物品I_i提到特征F_j的次数，并且在这k次提及中特征F_j的平均情感分为s_ij；

通过不同物品的特征关注度构建不同的物品特征关注度矩阵W^j，物品特征关注度矩阵W^j是一个对角阵，其中每个对角线元素表示物品I_j在各特征上的关注度。