[发明专利]一种评论驱动的深度序列推荐方法

说明书

本发明公开了一种评论驱动的深度序列推荐方法，包括以下步骤：对用户评论文本建立词汇表，每个单词赋予随机初始化的词向量；为每篇文档构建文档词向量表达矩阵；得到方面感知的文档表达张量和多个特征图；计算用户的长期偏好向量和商品的向量表示；计算联合层面和个体层面的用户短期偏好向量；对两个层面进行加权相加得到最终的用户短期偏好向量；将用户短期偏好向量乘以折减系数和用户长期偏好向量相加，得到用户的向量表示，进而计算用户对商品的偏好分数；训练得到RNS模型；将训练的RNS模型用于线上的序列推荐情景。本发明很好地解决了评论驱动的序列推荐问题，具有训练较快、测试时间较短的优点，说明本发明具有广泛的实际意义和商业价值。

技术领域

本发明涉及计算机技术领域，尤其涉及一种评论驱动的深度序列推荐方法。

背景技术

随着互联网的快速兴起，我们逐步进入大数据时代。大数据时代的信息繁杂，几乎每个人每天面对的信息都是过载的，这就是智能推荐系统的用武之地，它已经在诸如新闻浏览软件，短视频平台，问答社区发挥了巨大作用，精准推荐帮助用户缓解信息爆炸带来的忧虑。

传统的推荐系统技术，例如以矩阵分解为代表的协同过滤框架，都是在一个静态思维下考虑用户的兴趣偏好，即每个用户对应一个不变的向量，然而这是不符合实际情况的，现实中用户的兴趣在不断地发生着变化，推荐算法应该能够对这些变化进行建模，才能够完成更精准的推荐。这就是序列化推荐的问题，序列化推荐是一种动态推荐，它考虑用户最近购买过的L个商品进行短期偏好建模，并同时能够综合用户的长期偏好，能够更精确地刻画用户兴趣所在。

目前现有技术中，还没有人提出用户评论文本驱动的序列化动态精准推荐的方法。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种评论驱动的深度序列推荐方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种评论驱动的深度序列推荐方法，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。