[发明专利]一种评论驱动的深度序列推荐方法

权利要求书

1.一种评论驱动的深度序列推荐方法，其特征在于，该方法包括以下步骤：

步骤1、获取用户/商品文档，根据其中所有用户购买的商品和评论文本信息，对所有用户评论文本建立一个词汇表，词汇表中的每个单词赋予一个随机初始化的词向量；

步骤2、根据每个单词的词向量，为每篇文档构建文档词向量表达矩阵；

步骤3、利用方面特定的词向量转换矩阵对文档表达矩阵进行矩阵相乘，得到方面感知的文档表达张量；

步骤4、对文档表达张量，将方面维度看做类似图像的通道，在文档长度维度进行1.5维的卷积操作，得到多个特征图；

步骤5、通过一个最大池化层，对特征图提取特征，得到用户的长期偏好向量和商品的向量表示；

步骤6、对于目标商品和用户最近购买的L个商品，通过第一个注意力网络连接步骤5得到的这L+1个商品的表达向量，得到购买过的L个商品的权重，对这L个商品向量进行加权相加得到联合层面的用户短期偏好向量；

步骤7、通过一个argmax层，得到L个商品的权重中的权重最大的商品向量，作为个体层面的用户短期偏好向量；

步骤8、通过第二个注意力网络，以目标商品向量为引导，计算个体层面和联合层面的偏好向量的权重，对两个层面进行加权相加得到最终的用户短期偏好向量；

步骤9、将最终的用户短期偏好向量乘以折减系数后与用户长期偏好向量相加，得到用户的向量表示；

步骤10、将用户向量表示和商品向量表示进行交互，得到用户对商品的偏好分数，通过偏好分数判断是否将目标商品推荐给用户；

步骤11、通过以上步骤训练得到RNS模型；

步骤12、将训练好的RNS模型用于线上的序列推荐情景；

步骤10的具体方法为：

给定用户u和目标商品j，利用用户综合偏好向量和目标商品向量计算得到偏好分数为：

其中，σ()表示sigmoid激活函数，最终得到的偏好分数s_uj是一个0到1之间的值，能表示概率；p_u即为用户最终的综合偏好向量，q_j为目标商品向量；

步骤11的具体方法为：

训练时采用交叉熵作为损失函数，正则项为L2正则，具体的损失函数形式如下：

其中，C^u表示用户u的所有训练样例，N(j)表示采样的负样本，λ表示正则项的权重系数，θ表示所有模型参数，模型在训练时运用反向传播以及随机梯度下降算法进行优化，模型训练若干轮数后训练完成。

2.根据权利要求1所述的评论驱动的深度序列推荐方法，其特征在于，步骤1的具体方法为：

步骤1.1、对所有用户评论文本进行聚合，经过文本预处理后，得到所有评论文本的词汇表；

步骤1.2、将词汇表中的每个单词w映射为向量e_w∈R^d，其中d表示词向量的空间大小，向量e_w是随机初始化的，随模型训练。

3.根据权利要求1所述的评论驱动的深度序列推荐方法，其特征在于，步骤2的具体方法为：

步骤2.1、给定用户u，将其所有对购买过的商品评论聚合，构成评论文档D_u；所有商品的评论文档处理方式一致；

步骤2.2、将评论文档D_u中的每个单词，根据词向量映射到词向量空间，得到文档词向量矩阵M_u∈R^l×d，其中l表示文档长度，d表示词向量的空间大小。