[发明专利]一种评论驱动的深度序列推荐方法

摘要

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。

主权项

1.一种评论驱动的深度序列推荐方法，其特征在于，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。