The invention discloses a scoring prediction method and a device, which comprises the following steps: generating a neural network model for user comments on items to generate a picture of both users and objects; predicting steps: optimizing a matrix decomposition model by using a picture of users and objects, and training a matrix decomposition model to generate a picture of both users and objects. The neural network model is a long-term and short-term memory network model, in which the attention mechanism is used to extract the features of users and objects, and the portrait is generated according to the features; and the portrait of users and objects is added to the matrix decomposition model by nonlinear transformation. The scoring prediction method of the invention has low cost and can migrate well between different data domains; it can predict unknown scoring more comprehensively and correctly by combining user scoring numerical information with user comment text information; and it can predict unknown scoring more quickly by optimized evidence decomposition algorithm. The predicted results were obtained.
【技术实现步骤摘要】
评分预测方法和装置
本专利技术涉及推荐系统的评分预测领域,尤其是涉及一种对用户和物品画像的评分预测方法和装置。
技术介绍
随着现代社会的发展,包括电商平台(例如,阿里巴巴和京东)、门户网站(例如,谷歌和雅虎)、社交媒体(例如,微信和推特)以及基于位置的社交网络(例如,Foursquare和Yelp)在内的众多应用软件已极大的改变了人们生活和思维方式。频繁的商业活动和用户行为产生了大量的数据,在这些数据中包含着丰富的有价值的信息,但与此同时,这些数据也带来了信息过载问题,例如在购物网站上,用户越来越难以在琳琅满目的商品中找到真正心仪的那一个。推荐系统为解决这个问题给出了完美的解决方案,即从海量的数据中挖掘出用户的兴趣偏好,结合商品的属性特征,为其推荐出量身定制的产品。在推荐系统中,最基本的需要解决的问题是预测用户对未知商品的评分。为此,协同过滤(CollaborativeFiltering)模型提出利用相似用户或相似物品的已有评分对目标进行预测。矩阵分解法(MatrixFactorization)是协同过滤模型中的一种,它通过对用户已有的评分矩阵进行分解,得到目标用户对未知商品的评分。这种基于用户评分矩阵的方法,依赖已有的评分数量,数量越大,预测的结果越接近真实的分布,而遇到数据稀疏问题时,评分预测的效果就将大打折扣。因此,对于矩阵分解算法而言,仅仅依靠评分数据无法得到令人满意的预测结果。近年来,现有技术借助基于上下文的推荐系统来解决以上问题。在许多类似于Yelp的网站中,除了对商品进行评分以外,还可以对商品进行进一步的评论,而蕴含在评论信息中的用户偏好和商 ...
【技术保护点】
1.一种评分预测方法,用于预测用户和物品的画像的评分,其特征在于,包括:生成步骤:通过构造对于所述物品的用户评论的神经网络模型,以生成所述用户和所述物品两者的画像;预测步骤:通过利用所述用户和所述物品的所述画像优化矩阵分解模型,并训练所述矩阵分解模型以预测目标评分;其中,所述神经网络模型为长短时记忆网络模型,通过在所述长短时记忆网络模型中使用注意力机制提取所述用户和所述物品的特征,根据所述特征生成所述画像;和通过非线性变换将所述用户和所述物品的所述画像加入所述矩阵分解模型。
【技术特征摘要】
1.一种评分预测方法,用于预测用户和物品的画像的评分,其特征在于,包括:生成步骤:通过构造对于所述物品的用户评论的神经网络模型,以生成所述用户和所述物品两者的画像;预测步骤:通过利用所述用户和所述物品的所述画像优化矩阵分解模型,并训练所述矩阵分解模型以预测目标评分;其中,所述神经网络模型为长短时记忆网络模型,通过在所述长短时记忆网络模型中使用注意力机制提取所述用户和所述物品的特征,根据所述特征生成所述画像;和通过非线性变换将所述用户和所述物品的所述画像加入所述矩阵分解模型。2.根据权利要求1所述的评分预测方法,其特征在于,所述矩阵分解模型同时学习所述用户评论和所述物品的用户评分。3.根据权利要求2所述的评分预测方法,其特征在于,所述矩阵分解模型的目标函数为:其中,rij表示真实的评分值,表示所述矩阵分解模型预测的评分值,ui和vj分别表示矩阵分解模型中的用户i和商品j的特征矩阵,Wvj和Wui是参数矩阵,λ1、λ2和λ3都是用于避免过拟合的修正因子。4.根据权利要求3所述的评分预测方法,其特征在于,所述目标评分的预测公式为:其中,u′i和v′j分别表示所述神经网络模型中的用户i和商品j的特征矩阵,μ表示所有样本的平均评分值。5.一种评分预测装置,用于预测用户和物品的画像的评分,其特征在于,包括:生成模块:用于通过构造对于所述物品的用户评论的神经网络模型,以生成所述用户和所述物品两者的画像;预测模块:用于通过利用所述用户和所述物品的所述画像优化矩阵分解模型,并训练所述矩阵分解模型以预测目标评分;其中,所述神经网络模型为长短时记忆网络模型,通过在所述长短时记忆网络模型中使用注意力机制提取所述用户和所述物品的特征,根据所述特征生成所述画像;和通过非线性变换将所述用户和所述物品的所述画像加入所述矩阵分解模型。6.根据权利要求5所述的评分预测装置,其特征在于,所述矩阵分解模型同时学习所述用户评论和所述物品的用户...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。