[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

说明书

本发明提供一种基于混合3D卷积融合评级与评论的景点推荐方法及装置，方法包括：获得景点的在线评论信息并构建评级交互矩阵；分解该矩阵得到第一用户偏好矩阵及第一景点特征矩阵；对评论信息进行提取得到特征词表；基于特征词表分别计算对应用户偏好的情感强度矩阵、关注度矩阵，以及对应景点特征的情感强度矩阵、关注度矩阵；基于上述矩阵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；将上述偏好矩阵及特征矩阵分别处理得到用户偏好、景点特征交互编码矩阵；处理两个交互编码矩阵得到高阶用户偏好、景点特征矩阵；计算两个高阶矩阵的余弦相似度，基于余弦相似度为用户推荐景点，本发明可以快速高效且准确的进行景点推荐。

技术领域

本发明实施例涉及计算机技术领域，特别涉及一种基于混合3D卷积融合评级与评论的景点推荐方法及装置。

背景技术

近年来，在线旅游平台、游客旅游消费、用户习惯内容化正处于激烈发展态势。计划旅行的游客常利用在线旅游网站中的用户生成信息，如评级、在线评论、图片等作为其决策的重要参考。然而，对游客来说，筛选海量信息是一项艰巨的挑战。因此，学者们提出旅游景点推荐方法来解决“信息过载”问题。借助于机器学习、深度学习、数据挖掘等技术挖掘用户和景点特征，景点推荐方法的推荐质量不断提高。

景点推荐的目的是解决游客的“信息过载”问题，为其提供符合其偏好的景点推荐。基于评级的景点推荐和基于在线评论的景点推荐是推荐算法中应用较为广泛的两种途径。但基于评级的景点推荐方法往往受到数据稀疏性的问题困扰，基于在线评论的景点推荐方法也常会忽视评级中也包含大量的潜在信息的问题。

为解决上述问题，融合评级与在线评论信息是一种值得研究的方向。近年来融合评级和在线评论的推荐方法大多利用深度学习技术直接提取用户和项目特征，而忽视了在线评论中的情感因素对推荐的作用。并且在进行特征融合时，使用线性内积计算的方式组合编码向量，无法充分捕捉高阶非线性特征。以上问题都对景点推荐方法的发展产生了制约。

发明内容

本发明提供了一种用于为用户提供融合评级和在线评论的，快速高效且准确地进行景点推荐的基于混合3D卷积融合评级与评论的景点推荐方法及装置。

为了解决上述技术问题，本发明实施例提供了一种基于混合3D卷积融合评级与评论的景点推荐方法，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至少进行横向拼接、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。

作为一可选实施例，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：