一种基于评论的评分预测物品推荐方法及系统技术方案

本发明专利技术属于物品推荐领域，提供了一种基于评论的评分预测物品推荐方法及系统。其中，基于评论的评分预测物品推荐方法包括获取用户评论和物品描述；经评分预测模型输出物品的评分预测结果；按照评分预测结果从高到低进行推荐；其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果。

【技术实现步骤摘要】
一种基于评论的评分预测物品推荐方法及系统
本专利技术属于物品推荐领域，尤其涉及一种基于评论的评分预测物品推荐方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。近年来，在基于评分预测的任务中，矩阵分解(MF)是相当主流且首欢迎的方法。它能够通过利用用户和物品的潜在特征来建模用户的显式反馈(如点击、收藏、评分等)。有许多研究是基于矩阵分解方法来实现推荐系统中的评分任务。2008年发表的工作提出了经典ProbabilisticMatrixFactorization(PMF)，它是以中线性因子模型，它使用与用户相关的系数，将用户的偏好建模成一个一系列向量的线性组合。随后研究者们发现，除了可以利用显式评分外，还可以利用用户的隐式反馈进行建模。于是，在用户除了显式评分外，隐式反馈信息同样有助于用户的偏好建模，因此随后提出了SVD++。该方法认为，用户除了对于项目的显式历史评分记录外，浏览记录或者收藏列表等隐反馈信息同样可以从侧面一定程度上反映用户的偏好，比如用户的收藏行为可以从侧面反映他对于这个物品感兴趣。但是数据量大且稀疏的时候，推荐结果就表现得不那么令人满意。另一个矩阵分解的缺点是无法为模型提供可解释性。当用户与物品产生了显式地交互，尽管我们能够预测得到用户可能给出的评分，但是却无法解释是什么因素在起作用。综上所述，专利技术人发现，现有的基于评论的评分预测推荐存在推荐模型解释性差且用户偏好表征粗糙，进而使得推荐结果的精确性差的问题。
技术实现思路
为了解决上述问题，本专利技术提供一种基于评论的评分预测物品推荐方法及系统，其从同构空间中学习评论文本的特征，然后在图结构的空间中学习更复杂的交互，同时作用户和物品数据，实现对评分的预测更加有解释性且表征用户偏好的粒度更细，提高了推荐结果的准确性。为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供一种基于评论的评分预测物品推荐方法。在一个或多个实施例中，一种基于评论的评分预测物品推荐方法，包括：获取用户评论和物品描述；经评分预测模型输出物品的评分预测结果；按照评分预测结果从高到低进行推荐；其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果。本专利技术的第二个方面提供一种基于评论的评分预测物品推荐系统。在一个或多个实施例中，一种基于评论的评分预测物品推荐系统，包括：数据获取模块，其用于获取用户评论和物品描述；评分预测模块，其用于经评分预测模型输出物品的评分预测结果；物品推荐模块，其用于按照评分预测结果从高到低进行推荐；其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果。本专利技术的第三个方面提供一种计算机可读存储介质。在一个或多个实施例中，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于评论的评分预测物品推荐方法中的步骤。本专利技术的第四个方面提供一种计算机设备。在一个或多个实施例中，一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于评论的评分预测物品推荐方法中的步骤。本专利技术的有益效果是：(1)本专利技术的评分预测模型是一个异构的推荐系统模型(TextOG)，其首先从同构空间中学习评论文本的特征，然后在图结构的空间中学习更复杂的交互，该流程同时作用户和物品数据，实现了对评分的准确预测。(2)本专利技术使用了一种能够无监督地学习句子的语法和结构信息的神经网络(ON-LSTM)来对评论文本进行编码，这使得在文本上的特征处理更加精细。(3)本专利技术使用了图卷积神经网络来实现图结构中的复杂空域交互任务，利用空域卷积的消息传递能力，并通过扩大感受野使得图上的节点特征进一步得以丰富，用户偏好的表征粒度更细，最终提高了物品推荐的精准度。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是本专利技术实施例的基于评论的评分预测物品推荐方法流程图；图2是本专利技术实施例的评分预测模型结构示意图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一参照图1，本实施例的基于评论的评分预测物品推荐方法，其包括：S101：获取用户评论和物品描述。具体地，用户评论包括对物品的质量或颜色等做出的评价。比如：某书包质量好，且颜色正等。物品描述，包括物品描的类别，属性，外观等特征；比如：某物品为背包，双肩包、红色等。S1012：经评分预测模型输出物品的评分预测结果。推荐系统模型TextOG使用评论为用户行为和商品属性建模。它通过利用评论文本来学习用户和商品的潜在隐性因素，从而使学习的因素可以估计用户给出的评分。本实施例首先利用ON-LSTM对用户和商品的评论文本分别进行特征编码，这使得该层可以学到层次化的评论语法结构和语义信息，该部分由两个并行的神经网络组成。为了进一步学习用户和物品信息在更复杂的非欧几里得空间内的特征表示，本实施例引入一个图卷积神经网络层，从图的角度对用户信息和物品信息进行学习。在顶部有一个共享层。以联合的方式训练网络，以最小的预测误差预测等级。本实施例所提出的评分预测模型结构如图2所示。该模型首先分别使用一个用于用户的模块和一个用于物品的模块分别对用户描述和物品评论进行建模。用户评论和项目评论分别作为输入提供给用户模块和物品模块。然后将两个模块的输出在图卷积神经网络层进行异质信息的进一步学习，并通过一个共享层产生相应的评分作为输出。在模型的第一层，也就是序列表示层先定义了一个查表层。这是的我们可以通过词嵌入的方式来从评论文本中获取语义层面的词信息。然后我们对评论文本文档来自技高网...

【技术保护点】
1.一种基于评论的评分预测物品推荐方法，其特征在于，包括：/n获取用户评论和物品描述；/n经评分预测模型输出物品的评分预测结果；/n按照评分预测结果从高到低进行推荐；/n其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果。/n

【技术特征摘要】
1.一种基于评论的评分预测物品推荐方法，其特征在于，包括：
获取用户评论和物品描述；
经评分预测模型输出物品的评分预测结果；
按照评分预测结果从高到低进行推荐；
其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果。


2.如权利要求1所述的基于评论的评分预测物品推荐方法，其特征在于，在序列化文本层中，定义一个查表层，通过词嵌入的方式来分别从用户评论和物品描述中获取语义层面的词信息。


3.如权利要求1所述的基于评论的评分预测物品推荐方法，其特征在于，所述序列化文本层由并列的用户模块和物品模块构成，用户模块和物品模块均由依次连接的ON-LSTM网络层、平均池化层和全连接层构成。


4.如权利要求3所述的基于评论的评分预测物品推荐方法，其特征在于，在ON-LSTM网络层中，分别对用户评论和物品描述进行编码，通过信息分级嵌入了层级结构。


5.如权利要求4所述的基于评论的评分预测物品推荐方法，其特征在于，在平均池化层中，利用平均池化操作取平均值作为相应用户和物品的特征，得到用户表示和物品表示...

【专利技术属性】
技术研发人员：杨振宇，张鸣鸽，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37