[发明专利]融合评论文本层级注意力和时间因素的混合推荐方法

说明书

本发明公开了一种融合评论文本层级注意力和时间因素的混合推荐方法，步骤为：对单条评论文本中的单词应用单词级注意力，得到单条评论文本的编码；对含有时间因素的用户评论集和项目评论集分别应用评论级注意力，得到用户和项目编码。本发明的融合评论文本层级注意力和时间因素的混合推荐方法将时间特征引入用户评论集和项目评论集，来捕捉用户的动态偏好和项目动态特征，采用BI‑LSTM(双向长短期记忆网络)为评论文本中的单词之间建立上下文依赖关系，能够有效的提取评论文本中的语义信息，对带有时间因素的用户评论集和带有时间因素的项目评论集分别应用评论级注意力网络，来关注近期有效的评论文本，挖掘用户偏好和项目特征的动态变化。

技术领域

本发明属于推荐系统的技术领域，尤其涉及一种融合评论文本层级注意力和时间因素的混合推荐方法。

背景技术

随着互联网和信息技术的突飞猛进，用户和项目数量、种类大规模增长，使信息过载问题日益严重，推荐系统的出现能够缓解信息过载问题，在很多领域被广泛应用。在推荐系统中，如何准确的学习用户和项目表示对于推荐项目是非常重要的。经典的协同过滤推荐算法基于用户历史记录(显性评分、点击率等信息)为用户和项目进行建模。协同过滤算法在推荐过程中不具有可解释性及存在冷启动问题，因此，通过用户对项目的显性评分等信息为用户和项目准确建模存在一定的困难。

互联网和信息技术的发展的同时也带来了大量有价值的信息，越来越多的数据能够被感知获取。包含图像、文本、标签在内的多源异构数据蕴含着丰富的用户行为信息及个性化需求信息，融合多源异构辅助信息的混合推荐方法由于能够缓解传统推荐系统中的数据稀疏和冷启动问题，越来越受到重视。在很多像Amzon和Yelp的电子商务和评论服务网站，用户可以对项目进行自由的评论并且评分。用户对项目的评论包含丰富的信息，不仅能够反映项目的部分特征，而且能够表达用户对项目的主观意见和偏好。例如，在AmazonInstant Video数据集中，“This guy is really boring”和“Don’t believe anythingyou read or hear，it’s awful”类似语句在某个项目的评论下频繁出现，可以推断出该项目质量差，反映了项目的某些特征等。用户对项目的评论还可以提供用户的丰富信息，如果一个用户对不同项目的评论中频繁的提到“There was lots action，I love it”和“Itwas funny and plenty of action，I love it and I would wacth it again”，可以推断出该用户偏好动作片。因此，当用户对项目显性评分数据稀疏时，用户对项目的评论文本可以加强用户和项目的表示学习。对于提高推荐系统的性能是比较有帮助的。

最近几年，通过用户对项目的评分信息为用户做推荐的方法有基于矩阵分解和深度学习两种。矩阵分解作为主流的协同过滤方法，例如，Koren等人提出的基于奇异值(SVD)矩阵分解从用户和项目的评分矩阵来学习用户和项目的潜在表示。Salakhutdinov等人提出基于概率的矩阵分解模型(PMF)，将评分矩阵分解为两个低维矩阵的乘积，分别表示用户属性和项目属性。由于其核心思想均为用户和项目之间的关系由简单的几个因素线性组合决定，只能提取模型的浅层次特征。

为了挖掘模型的深层次特征和随着深度学习的发展，基于深度学习的推荐方法被广泛应用于推荐系统。Wu等人提出一种协同去噪自动编码器(CDAE)，该模型利用可见层和隐藏层两层神经网络来学习用户和项目的分布式表示，为神经网络在推荐系统中的应用提供了广阔的前景。Li等人[11]提出边缘化去噪自动编码器(MDA)，该模型利用深度学习和矩阵分解相结合的方法，来提取用户和项目的深层次特征。