一种基于生成对抗网络的对级排序项目推荐方法技术

本发明专利技术公开了一种基于生成对抗网络的对级排序项目推荐方法，首先利用卷积神经网络从文本评论中捕获评论信息的上下文特征。其次通过嵌入层从用户的反馈数据中提取用户交互特征和项目交互特征。之后对项目的交互特征和评论特征进行融合，并利用生成对抗网络的生成器为用户生成个性化的负样本，通过对抗的训练来更新参数，不断提高生成器的推荐性能，直到最终生成器的推荐结果收敛。本发明专利技术可以有效的从评论中挖掘项目的评论特征缓解隐式反馈数据的稀疏性，利用生成对抗的过程个性化的选择负样本，克服传统采样方式的弱点，提高推荐的准确性。

A recommendation method of ranking items based on the generated countermeasure network

The invention discloses a recommendation method for ranking items based on the generated antagonism network. Firstly, the context feature of the comment information is captured from the text comment by using convolutional neural network. Secondly, user interaction features and project interaction features are extracted from user feedback data through the embedding layer. After that, the interaction features and comment features of the project are integrated, and the generator of the generated countermeasure network is used to generate personalized negative samples for users. Through the training of countermeasures, the parameters are updated, and the recommendation performance of the generator is continuously improved until the final recommendation results of the generator are collected. The method can effectively mine the comment features of the project from the comments to alleviate the sparsity of implicit feedback data, use the process of generating countermeasures to select personalized negative samples, overcome the weakness of traditional sampling methods, and improve the accuracy of recommendation.

【技术实现步骤摘要】
一种基于生成对抗网络的对级排序项目推荐方法
本专利技术属于数据挖掘
，具体涉及智能推荐领域中的一种基于生成对抗网络的对级排序项目推荐方法。
技术介绍
互联网的发展为人们带来了更加便捷的服务和更多样化的信息，随着接触到的信息规模与日俱增，用户不可避免的遭遇信息过载的问题，使得快速获取目标信息变得越来越困难。推荐系统作为解决信息过载问题的重要手段，对客户留存和互联网企业成功与否有着重要的影响。推荐系统从用户的历史反馈中学习用户的特征，从而从大量的项目集中选择符合用户偏好的项目，为用户进行个性化的推荐。现实生活中，用户更多以隐式反馈的方式来表达自己的偏好，如是否点击、是否购买等，但是没有观察到的项目表达何种含义是不确定的，因此基于隐式反馈的项目推荐更加具有挑战性。现有的基于隐式反馈的推荐方法主要分为两类：点级回归和对级排序。点级回归认为未观察到的项目就是用户不喜欢的项目([文献1])，通过回归优化用户对项目的预测评分，并根据预测评分的高低对项目进行排序。对级排序可以利用未观察到的数据，一定程度上缓解了数据稀疏性。[文献2]基于用户更喜欢观察到的项目的假设，提出贝叶斯个性化排序算法(B本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的对级排序项目推荐方法，其特征在于，包括以下步骤：步骤1：采集训练数据，对用户给出的隐式反馈以及项目评论信息进行过滤，并对过滤后的评论信息进行预处理；步骤2：利用GloVe词向量模型将的项目评论信息转换为词向量矩阵，利用卷积神经网络学习评论信息的潜在上下文特征作为项目的评论特征；通过嵌入层将用户给出的隐式反馈转化为用户交互特征和项目交互特征；步骤3：在对抗的训练过程中对参数进行优化；利用生成对抗网络中的生成器根据预测评分从未观察到的项目中个性化的选择负样本，和观察到的正样本组成偏序关系对，通过判别器来判断生成的偏序关系是否正确，并根据判断的结果指导生成器更新参数；二者进...

【技术特征摘要】
1.一种基于生成对抗网络的对级排序项目推荐方法，其特征在于，包括以下步骤：步骤1：采集训练数据，对用户给出的隐式反馈以及项目评论信息进行过滤，并对过滤后的评论信息进行预处理；步骤2：利用GloVe词向量模型将的项目评论信息转换为词向量矩阵，利用卷积神经网络学习评论信息的潜在上下文特征作为项目的评论特征；通过嵌入层将用户给出的隐式反馈转化为用户交互特征和项目交互特征；步骤3：在对抗的训练过程中对参数进行优化；利用生成对抗网络中的生成器根据预测评分从未观察到的项目中个性化的选择负样本，和观察到的正样本组成偏序关系对，通过判别器来判断生成的偏序关系是否正确，并根据判断的结果指导生成器更新参数；二者进行迭代的对抗训练，直到最终生成器的推荐结果收敛；步骤4：输出收敛的推荐结果。2.根据权利要求1所述的基于生成对抗网络的对级排序项目推荐方法，其特征在于：步骤1中，首先对隐式反馈和评论信息进行过滤得到所有用户ID和项目ID真实存在的交互数据；然后对过滤后的评论信息进行预处理，仅保留实词，将所有用户对同一项目的评论进行连接操作，并将所有项目的评论补齐到统一长度。3.根据权利要求1所述的基于生成对抗网络的对级排序项目推荐方法，其特征在于：步骤2中，对于项目评论信息，通过GolVe词向量模型映射得到每个词的词向量，得到项目评论信息对应的词向量矩阵，通过共享权重对该矩阵进行卷积，然后经池化、全连接得到一个指定维度的向量作为项目的评论特征进行输出；对于用户给出的隐式反馈，在嵌入层通过潜在特征...

【专利技术属性】
技术研发人员：张晨燕，刘东华，袁龙飞，陈博，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42