[发明专利]基于混合3D卷积融合评级与评论的景点推荐方法及装置有效

专利信息
申请号: 202310186607.2 申请日: 2023-03-02
公开(公告)号: CN115905717B 公开(公告)日: 2023-05-09
发明(设计)人: 金佳丽;张红宇 申请(专利权)人: 中南大学
主分类号: G06F16/9535 分类号: G06F16/9535;G06F40/166;G06F40/205;G06F40/30;G06N3/08
代理公司: 北京风雅颂专利代理有限公司 11403 代理人: 曾志鹏
地址: 410083 湖南*** 国省代码: 湖南;43
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 混合 卷积 融合 评级 评论 景点 推荐 方法 装置
【权利要求书】:

1.一种基于混合3D卷积融合评级与评论的景点推荐方法,其特征在于,包括:

获得用户对景点的评级信息和所述景点的在线评论信息;

基于所述评级信息构建用户-景点的评级交互矩阵;

对所述用户-景点的评级交互矩阵至少进行填充处理,并输入至深度矩阵分解模型中,以得到用于反映所述评级信息的第一用户偏好矩阵以及第一景点特征矩阵;

对所述在线评论信息进行关于用户偏好及景点特征的特征提取操作,得到特征词表;

至少基于所述特征词表分别计算对应用户偏好的第一情感强度矩阵、第一关注度矩阵,以及对应景点特征的第二情感强度矩阵、第二关注度矩阵;

基于所述第一情感强度矩阵与第一关注度矩阵、所述第二情感强度矩阵与第二关注度矩阵分别计算得到反映用户偏好的第二用户偏好矩阵及第二景点特征矩阵;

将所述第一用户偏好矩阵与第二用户偏好矩阵、第一景点特征矩阵与第二景点特征矩阵进行横向拼接、注意力池化、外积、特征堆叠处理以得到用户偏好交互编码矩阵和景点特征交互编码矩阵;

将所述用户偏好交互编码矩阵和景点特征交互编码矩阵输入至3D卷积神经网络中进行处理,得到高阶用户偏好矩阵和高阶景点特征矩阵;

计算所述高阶用户偏好矩阵和高阶景点特征矩阵的余弦相似度,所述余弦相似度用于表征景点特征与用户偏好的匹配程度;

基于所述余弦相似度为用户进行景点推荐。

2.根据权利要求1所述的景点推荐方法,其特征在于,所述对所述用户-景点的评级交互矩阵至少进行填充处理,包括:

遍历全部用户是否对每个所述景点均进行评级,若是,则对应保留原评级,若否,则对应以0填充,以得到所述用户-景点的评级交互矩阵:

其中,表示任意所述用户对任意所述景点的评级,的取值为。

3.根据权利要求1或2所述的景点推荐方法,其特征在于,将所述用户-景点的评级交互矩阵输入至深度矩阵分解模型中,以得到用于反映所述评级信息的第一用户偏好矩阵以及第一景点特征矩阵,包括:

将所述用户-景点的评级交互矩阵拆解形成具有矩阵转置关系的用户评级矩阵和景点评级矩阵,所述用户评级矩阵包含任意所述用户对所有所述景点的评级集合,所述景点评级矩阵包含任意所述景点对所有所述用户的评级集合;

将所述用户评级矩阵与景点评级矩阵分别输入至深度矩阵分解模型中的两个双层神经网络中,以得到所述第一用户偏好矩阵以及第一景点特征矩阵。

4.根据权利要求1所述的景点推荐方法,其特征在于,所述对所述在线评论信息进行关于用户偏好及景点特征的特征提取操作,得到特征词表,包括:

对所述在线评论信息进行过滤,得到满足预设要求的目标在线评论集合,所述过滤的方式包括字数过滤、去停用词;

基于所述目标在线评论集合进行特征词的提取,并计算所述特征词的词频;

基于词频满足阈值要求的所述特征词形成初始特征词表;

计算所述初始特征词表中的特征词与基于所述目标在线评论集合提取出的词频未满足所述阈值要求的特征词间的语义相似度;

基于计算确定的所述语义相似度确定出满足相似度阈值的特征词,并将该特征词补充至所述初始特征词表中,形成所述特征词表。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南大学,未经中南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202310186607.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top