[发明专利]基于深度特征学习的推荐方法、装置、设备及存储介质

说明书

本申请公开了一种基于深度特征学习的推荐方法、装置、设备和存储介质，属于人工智能技术领域，本申请通过构建初始推荐模型，并通过训练样本对初始推荐模型进行迭代训练，将评论文本和评分数据导入训练好的推荐模型，通过对评论文本进行编码，得到文本特征，通过生成评分数据的评分特征，并融合文本特征和评分特征，生成偏好特征，通过对偏好特征进行解码，得到偏好信息，并基于偏好信息完成推荐。此外，本申请还涉及区块链技术，评论文本和评分数据可存储于区块链中。本申请通过多层感知机制构建推荐模型，通过推荐模型的感知层获取深度评分特征，通过Transformer网络学习文本特征，并结合评分特征和文本特征完成推荐，提高了推荐模型的准确性。

技术领域

本申请属于人工智能技术领域，具体涉及一种基于深度特征学习的推荐方法、装置、设备和存储介质。

背景技术

推荐系统广泛用于在线广告投放、网络购物平台等Web应用领域。推荐系统通过发现用户喜好，帮助用户发现感兴趣的电影、音乐及各类商品；同时，也为在线广告、商品等更精确地锁定目标人群。现有的推荐方法主要有两种：基于内容过滤和协同过滤。其中，基于内容过滤的推荐方法根据用户已购商品的特征属性来推荐具有相似属性的商品。然而，该方法推荐的商品种类较为单一，且缺乏新意。协同过滤方法则按用户浏览、评价商品等行为，推荐具有相似偏好的用户购买或喜爱的商品。

随着互联网的发展，电子商务网站中出现大量用户评论信息。用户通过评论来表达自己对商品的评价，交流购物心得。一条评论由评分和评论文本组成，评论文本包含丰富的商品属性描述信息，可看作评分的依据。然而，现有的协同过滤方法并未利用评论文本进行推荐。另一方面，现有的评论分析方法涵盖了主题发现、情感分析和观点挖掘等领域，可通过分析评论文本来预测评分。

现有的结合评分和评论文本的推荐方案通常通过卷积神经网络直接学习评论文本的主题特征和评分数据的潜在特征，以预测用户的偏好。但在上述特征学习过程中，卷积神经网络仅学习到了评分数据表面的潜在特征，并没有对评分数据的深度特征进行学习，因此现有的结合评分和评论文本的推荐方案获得的推荐结果准确度不高，严重影响用户的使用体验。

发明内容

本申请实施例的目的在于提出一种基于深度特征学习的推荐方法、装置、计算机设备及存储介质，以解决现有结合评分和评论文本的推荐方案因为没有深度学习评分数据的深度特征而导致的推荐结果准确度不高，用户使用体验不好的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于深度特征学习的推荐方法，采用了如下所述的技术方案：

一种基于深度特征学习的推荐方法，包括：

基于Transformer网络和多层感知机制构建初始推荐模型，其中，所述初始推荐模型包括编码层、感知层和解码层；

从预设的数据库中的获取训练样本，并通过所述训练样本对所述初始推荐模型进行迭代训练，得到训练好的推荐模型；

接收目标用户的推荐指令，获取所述目标用户的评论文本和评分数据，并将所述评论文本和所述评分数据导入所述推荐模型；

通过所述推荐模型的编码层对所述评论文本进行编码，得到文本特征；

将所述文本特征以及所述评分数据导入到所述推荐模型的感知层中，通过所述推荐模型的感知层生成所述评分数据的评分特征，并融合所述文本特征和所述评分特征，生成用户偏好特征；

通过所述推荐模型的解码层对所述用户偏好特征进行解码，得到用户偏好信息，并基于所述用户偏好信息为所述目标用户完成推荐。

进一步地，所述通过所述推荐模型的编码层对所述评论文本进行编码，得到文本特征的步骤，具体包括：

对所述评论文本进行分词处理，得到分词文本；

对所述分词文本进行向量转化，得到词向量；