[发明专利]融合用户隐式物品偏好与显式特征偏好的可解释推荐方法

说明书

本发明公开了一种融合用户隐式物品偏好与显式特征偏好的可解释推荐方法，该方法通过提取评论中的特征词挖掘捕捉了时序信息的用户的特征偏好和物品的特征信息，通过用户的历史行为挖掘用户和物品的隐式表达，可以极大地提高评分预测的准确性和可解释性，本发明使用多层感知机从用户的偏好记录中获得用户和物品的隐式表达；然后，通过提取用户评论中的特征词，利用GRU捕获评论中的时序信息，并通过引入注意力机制和特征吸引力机制得到用户和物品的显式表达；最后，结合隐式表达和显示表达得到用户和物品的最终表达。本发明的优点是推荐结果合理性高、在保证推荐精度的同时还可以提供推荐解释。

技术领域

本发明涉及计算机个性化推荐方法技术领域，特别是一种融合用户隐式物品偏好与显式特征偏好的可解释推荐方法。

背景技术

随着近年来互联网技术的高速发展，信息过载的问题也日益严重。分类目录和搜索引擎在一定程度上缓解了“信息过载”问题，但均存在一定的局限性。因此推荐系统应运而生，它通过分析用户历史行为帮助用户完成信息的筛选，它可以发现用户的潜在兴趣偏好。推荐系统不需要用户提供明确的需求，而是主动地为用户从大量信息中找到可以满足用户兴趣和需求的信息。

如今推荐系统已经应用到我们生活中的各个方面，并且催生了很多新的推荐技术，推荐算法的准确度也得到了改进，极大完善了推荐效果。传统的推荐系统往往缺乏对推荐结果的解释，而可解释推荐指的是在给用户推荐商品的同时，给出推荐该商品的解释。通过给出推荐的解释,可以增加系统的透明度和用户的信任度以及使用体验,帮助用户更快速更准确地做出选择。

近几年来在推荐系统中除了使用用户的评分信息，也尝试着加入用户评论数据来改善推荐系统的精度和可解释性。用户对物品的评价在一定程度上反应了用户的显示偏好，因此利用用户评论数据为推荐做出解释是现有很多推荐工作的研究热点之一。虽然近年来诸多相关学者进行了可解释推荐领域的研究，但是现有的工作仍然存在一些问题。现有的方法几乎都是利用用户或物品所有的评论进行建模，并且用同样的方式处理用户和物品的评论。一方面，评论数据中的噪声较大，很大一部分文本内容传递的信息量极小。另一方面，用户和物品的评论有着很大的区别，用户的评论是由用户一人发出，能够表示用户的特征偏好，而物品的评论是由多位用户发出，评价维度不一且主观性较强，因此单纯通过物品的评论不能客观地反映出物品的特征信息。

虽然目前的推荐系统也有引入基于物品特征的注意力权重、基于用户特征偏好的注意力权重的概念，但由于基于物品特征的注意力权重只是描述该物品某个特征的强度，与目标用户无关；基于用户特征偏好的注意力权重描述目标用户对某个特征的偏好强度，而待推荐物品可能并不具有该特征或特征权重较小，因此，仅仅使用基于用户特征偏好或基于物品特征的注意力权重做出推荐解释不够合理。例如，目标用户u对特征1、特征2、特征3的注意力权重分别为0.8、0.1、0.1，待推荐物品v对特征1、特征2、特征3的注意力权重分别为0.1、0.1、0.8。当向目标用户u推荐物品v时，如果使用特征1作为推荐解释，尽管用户u对于特征1的偏好程度最高，而物品v特征1的强度非常小，显然不合理；如果使用特征3作为推荐解释，尽管物品v的特征3强度最高，而用户u对特征3的偏好程度非常小，显然也不合理。因此，亟需研发一种更合理、推荐精度更高的融合用户隐式物品偏好和显式特征偏好的可解释推荐方法，使推荐系统更加的完善。

发明内容

本发明的目的在于，提供一种融合用户隐式物品偏好与显式特征偏好的可解释推荐方法。它具有推荐结果合理性高、在保证推荐精度的同时还可以提供推荐解释的优点。

本发明的技术方案：融合用户隐式物品偏好与显式特征偏好的可解释推荐方法，包括以下步骤：

步骤A、从用户的历史记录中提取最近的p个物品，得到用户的隐式表达；

步骤B、从物品的被偏好记录中提取最近的q个用户，得到物品的隐式表达；

步骤C、从用户的评论中提取用户的特征偏好，计算用户对每个特征的注意力权重，获得用户的显式表达；