[发明专利]引入概念标签的神经协同过滤概念描述词推荐方法

摘要

本发明公开了一种引入概念标签的神经协同过滤概念描述词推荐算法。模型引入概念的标签信息知识库，提高概念的语义向量表达能力。同时结合深度神经网络和经典矩阵分解的优点，通过广义矩阵分解和多层感知机的融合模型拟合概念和描述词之间的潜在结构，得到面向概念的描述词列表。该算法改善了图模型计算复杂且不能保存的缺点，提高了概念、描述词的隐语义表达能力。本发明完成面向概念的描述词推荐技术研究及应用。针对指定概念，按概念的多侧面描述来组织图书内容，例如对于“二极管”，可以从“特性”、“工作原理”、“作用”等方面来进行组织，构建概念多侧面描述类专题，为读者构建全面的知识专题。

主权项

1.一种引入概念标签的神经协同过滤概念描述词推荐算法，其特征在于包括以下步骤：1)概念标签信息选择：选定概念词后，获取互联网百科标签信息以及中图分类标签信息作预排序，并对概念词的标签信息作截断处理，获取该概念词的Top‑m标签信息；2)概念标签向量的引入及融合：对于步骤1)中选取的Top‑m标签信息做词嵌入操作，随机初始化后并做池化操作，得到Top‑m标签信息向量，并与概念词的向量进行融合训练，使概念词的向量与标签信息向量映射到同一向量空间，并使概念词的向量与标签信息向量的距离损失函数值最小，最终得到概念‑标签信息融合向量；3)引入标签信息的广义矩阵分解：在神经协同过滤框架下对矩阵分解模型进行扩展，用神经网络拟合概念词和描述词之间的关系，并通过模型的损失函数来学习权重矩阵，利用非线性激活函数表达矩阵分解模型；4)引入标签信息的多层感知机模型：用多层感知机模型来学习概念词和描述词之间的潜在交互信息，选用Relu作为多层感知机模型的激活函数，对于网络结构的设计，遵循塔模式，其中底层是最宽的，并且连续的神经网络层的神经元逐渐递减；5)引入标签信息的广义矩阵分解和多层感知机模型的融合：通过学习不同的词嵌入层，融合广义矩阵分解模型和多层感知机模型最后的隐藏层，得到最后的输出向量，在训练整个神经协同过滤模型的同时，训练概念词、描述词以及概念标签信息向量，输出概念词与描述词之间的权重，依照权重值进行排序，得到基于概念词的描述词推荐列表。