[发明专利]一种基于词驱动和上下文感知的评论推荐矩阵分解方法

说明书

本发明公开了一种基于词驱动和上下文感知的评论推荐矩阵分解方法。该方法包括如下步骤：利用潜在狄利克雷分布获得评论的低级主题分布向量；将评论的低级主题分布向量输入到深度潜在狄利克雷分布网络获得词驱动评论表示向量；利用卷积神经网络获得评论的上下文感知评论表示向量；将词驱动评论表示向量和上下文感知评论表示向量输入到部分共享级联模块，输出词驱动和上文感知评论表示向量；将生成的词驱动和上下文感知评论表示结合到概率矩阵分解(PMF)中进行推荐。利用本发明实施例，能够捕获商品评论的词频特征，有效提高短评论的商品的评分预测准确性，使得模型效果明显优于其他评论推荐模型，具有很大的实用价值。

技术领域

本发明涉及推荐系统领域，特别是指一种基于词驱动和上下文感知的评论推荐矩阵分解方法。

背景技术

随着电子商务的发展，公司提供的商品种类越来越多。这为用户提供了更多选择的同时，也使用户更难处理公司提供的大量商品信息。推荐系统可以帮助用户根据他们的偏好，需求和过去的购买行为找到他们喜欢的商品。目前最通用的推荐方法是协同过滤(CF)。CF的基本思想是，过去有相似偏好的人往往会有类似的选择。尽管CF在许多应用中表现良好，但它也存在稀疏性的问题：CF很难推荐一些评分很少的商品。

使用用户的评论是缓解此问题的一种方法。在许多推荐系统中，用户可以为商品撰写评论。评论包含丰富的信息，可用于缓解稀疏性问题。卷积神经网络(CNN)已被证明可以有效地对评论建模，因为它可以捕获诸如周围的词和词序的上下文特征。但是，CNN对于短评论的建模有局限性。因为与长评论相比，短评论具有的上下文特征较少，CNN可能无法很好地建模短评论。

发明内容

本发明提出一种基于词驱动和上下文感知的评论推荐矩阵分解方法。其中，词驱动意为根据评论中的词分布获取高级主题分布特征，上下文感知意为获取词周围的单词信息。通过此方法，能够捕获评论的词频特征，有效提高短评论的商品的评分预测准确性。

本发明的技术方案是这样实现的：

一种基于词驱动和上下文感知的评论推荐矩阵分解方法，包括以下步骤：

(1)利用潜在狄利克雷分布获得评论的低级主题分布向量；

(2)将评论的低级主题分布向量输入到深度潜在狄利克雷分布网络获得词驱动评论表示向量；

(3)利用卷积神经网络获得评论的上下文感知评论表示向量；

(4)将词驱动评论表示向量和上下文感知评论表示向量输入到部分共享级联模块，输出词驱动和上文感知评论表示向量；

(5)将词驱动和上文感知评论表示向量加入高斯噪声作为商品表示向量，所有商品表示向量合并成商品表示矩阵；

(6)通过先验生成用户表示矩阵；

(7)将用户表示矩阵和商品表示矩阵进行概率矩阵分解，得到用户对商品的评分矩阵用于推荐。

优选的，所述步骤(2)具体包括：

(21)将低级主题分布向量复制后合并获得低级主题分布矩阵；

(22)低级主题分布矩阵与深度潜在狄利克雷分布网络第一层的参数矩阵逐元素乘，结果按行重排为向量；

(23)步骤(22)输出向量输入深度潜在狄利克雷分布网络全连接层，输出词驱动评论表示向量。

优选的，所述步骤(3)具体包括：

(31)将预处理的评论表示向量输入卷积神经网络输入层；

(32)输入层输出的向量经过卷积层和max-pooling层处理，捕获上下文信息；

(33)卷积神经网络输出层输出上下文感知的评论表示向量。