[发明专利]基于评论文本的细粒度物品推荐方法及系统

说明书

本公开提供了一种基于评论文本的细粒度物品推荐方法及系统，包括：分别获取用户评论文本集合和物品评论文本集合；利用细粒度特征交互网络计算用户和物品间的多粒度关联矩阵，获得3D交互图像；将所述3D交互图像输入到全连接神经网络和传统因子分解机中实现用户‑物品的评分预测，根据评分结果实现物品的推荐；所述方案以多层次扩张卷积结构来编码用户和物品评论，避免了评论中细粒度信息的丢失，在多个粒度下构建用户和物品评论的特征交互，并使用3D卷积来融合处理多粒度信息，有效的突出了评论中多个粒度下的相关信息，有效提高了物品推荐的合理性和准确性。

技术领域

本公开属于物品推荐技术领域，尤其涉及一种基于评论文本的细粒度物品推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在许多工作中，利用评论文本来提升推荐系统的效果被证明是有效的。基于评论的推荐系统不仅可以缓解冷启动问题，还可以获得更细粒度的用户和物品表示。较早的工作主要集中于主题建模和语言建模方法。近年来，研究者使用深度学习方法，取得了不错的成果。ConvMF使用卷积神经网络(CNN)作为自动特征提取器，将用户(项目)编码为低维向量表示。然后利用概率矩阵分解(PMF)结合起来进行评分预测。DeepCoNN(Deep CooperativeNeural Networks)使用了两个并行的卷积架构从用户和物品的评论中推断潜在的特征表示。用户和物品的特征表示被连接起来，并用作因子分解机(FM)的输入，用于评分预测。由于不同的词对建模的重要性是不同的，所以D-Attn引入了词级别的的注意力机制，为不同的词赋予了不同的权重。DAML关注用户和物品评论之间的局部信息以及两者的交互。DAML将评分特征和评论特征整合到统一的框架中，利用神经因子分解机实现特征的高阶非线性交互，完成最终的评分预测。增强了模型的可解释性。MPCN从用户和项目的评论中提取重要的评论，然后逐字匹配它们。它不仅可以利用信息最丰富的评论进行预测，还可以进行更深层次的文字互动。

随着深度学习在自然语言处理等领域取得的巨大成功，许多基于该技术的推荐模型极大的提高了评分预测的性能。在这些工作中，卷积神经网络架构分别从用户和物品对应的评论中提取潜在特征。通过使用一个密集的词嵌入矩阵来表示评论，随后应用一个固定大小的滑动窗口来捕获上下文信息。基于卷积神经网络的技术更好的促进了对评论中语义信息的理解，导致对现有基于词袋模式的评分预测方法的显著改进。然而，一个饱受诟病的缺点是人们难以有效的理解神经网络所提取的特征，这限制了推荐系统的可解释性。

基于评论的推荐系统的关键在于对评论文本中不同粒度信息的捕获。通常而言，同一用户对不同物品往往具有不同的偏好，这整体地反映在他所撰写的评论。同时，评论中的重要语义特征被隐含在不同粒度的文本片段中。图中的举例说明了这一问题。不同粒度的文本(如：单词、短语和句子)可以揭示用户对不同物品的偏好。例如单词：“best”、“great”、“disappointing”；短语：“quality great battery life”、“screen looksamazing”和句子：“I usually go with product red but it looked a bit orange thisyear.”。

然而，发明人发现，现有的工作通常通过整合用户和物品的评论文本来为每个用户或物品学习单一的特征向量，然后通过因子分解等手段来实现评分预测。这些方法在捕捉细粒度的用户偏好和物品属性方面存在着局限性，因为它们仅仅是为用户物品分配一个单一的特征向量，导致评论中多个粒度下的信息没有被明显的捕获。

发明内容

本公开为了解决上述问题，提供了一种基于评论文本的细粒度物品推荐方法及系统，所述方案提供了一种细粒度特征交互网络，以多层次扩张卷积结构来编码用户和物品评论，避免了评论中细粒度信息的丢失，在多个粒度下构建用户和物品评论的特征交互，并使用3D卷积来融合处理多粒度信息，有效的突出了评论中多个粒度下的相关信息，有效提高了物品推荐的合理性和准确性。