个性化推荐解释文本的生成方法、装置、系统及电子设备制造方法及图纸

本发明专利技术公开一种基于用户细粒度观点演变个性化推荐解释文本的生成方法，包括如下步骤：挖掘目标用户细粒度观点随时间演化规律和所述目标用户当前的成熟度，探寻相似用户群组成员；获取相似用户群组的历史评论句子，根据目标用户观点演变规律预测对目标商品各方面的情感值，从目标产品所有评论中筛选出与此方面情感值相近的句子，合并两类句子集，重排句子并将排序结果作为文本生成模型的输入；基于用户观点演变规律以及相似用户群组，构建多头注意力机制，分别捕捉用户所关心与用户所惊喜的方面，生成目标用户所关心和惊喜的个性化解释摘要文本。本发明专利技术还公开一种采用个性化文本生成方法的装置、系统及电子设备。

【技术实现步骤摘要】
个性化推荐解释文本的生成方法、装置、系统及电子设备
本专利技术涉及文本情感分析、文本总结生成和推荐
，尤其涉及一种基于用户细粒度观点演变个性化解释文本的生成方法、装置、系统及电子设备。
技术介绍
电商平台的崛起深深影响了大众的购买行为，平台信息指数式增长促使了推荐系统的诞生，推荐系统从海量信息中挑选用户倾心的产品与服务，但是对于推荐结果缺少解释性说明，使得推荐的可解释性降低。现有技术的推荐系统中，主要包括用户观点捕捉技术、文本生成技术及用户观点演变技术。用户观点捕捉技术：在线用户评论往往包含了大量的用户观点和偏好，评论文本挖掘技术就是用来挖掘在线用户评论中用户的意见，其中最关键的是方面识别和情感分类，其中所述方面识别和提取技术一般多为基于特征与词特征的融合，结合一些流行的深度学习框架进行研究。情感分类主要可以分为两大类：(1)粗粒度层次分析，包括篇章级情感分析和句子级情感分析；(2)细粒度层次分析。在细粒度层次分析类，一般包括如下步骤：第一步，对评论对象属性以及情感词进行识别；第二步，对识别出的评论对象属性的情感进行分类；第三步，对分类结果进行汇总。所述细粒度层次分析通过抽取用户评论对象的属性和对应的情感，其分析的层次更为细致，更加容易反应出用户的感情倾向和消费习惯。文本生成技术：构建评论文本摘要对复数评论进行方面和情感总结，该技术一般分为两种即抽取式生成和抽象式生成。所谓抽取式生成是从原文中选取关键的词语、句子或者片段，但是会丧失部分的内聚性，而抽象文本生成可以弥补这个缺陷。在线评论本质上是多域影响的、多语言的以及多意见的，文本总结通常是没有标签的，标签的注释工作是针对某个域，即域不同则需进行重新注释，因此无监督抽象文本生成技术更为符合社会需求，但是如何保证所生成文本的质量也是一个难点。用户观点演变技术：用户观点是随时间演变的，因此基于评论生成解释文本需要考虑用户观点的动态变化。综上所述，现有技术仍然存在以下技术问题：首先，文本摘要总结生成技术的特点在于提取关键信息以减少用户阅读时间，有学者在现有的抽象式文本摘要生成中加入用户的方面情感组来提高文本总结的各个精度，但是仅关注用户长期偏好来生成摘要总结，不考虑用户的观点演化和用户当前状态而对其推荐是有偏差的；其次，用户观点是随着时间推移而变化的，因此用户观点演变的研究是当前的热点，然而近些年的研究多集中于运用深度学习和协同过滤等方法挖掘用户评分变化规律，学者们对用户生成文本中的方面情感关注较少；再者，现有技术中的个性化文本生成技术会带来“过滤气泡”特征，造成人们认知的隔绝状态。所谓“过滤气泡”是指推荐算法过滤掉与用户观点相左或我们不喜欢的信息，只提供用户想看的内容。为解决上述技术问题，有必要提供一种新的个性化推荐解释文本的生成方法、装置、系统及电子设备以有效解决上述技术问题。
技术实现思路
为了解决现有技术中推荐结果的可解释性不高，文本生成模型缺乏对用户细粒度偏好和演变的动态分析以及推荐算法容易使用户产生信息隔离等问题，本专利技术提供一种基于用户细粒度观点演变个性化推荐解释文本的生成方法以有效解决上述技术问题。同时还提供一种个性化推荐解释文本的生成装置、系统及电子设备。一种个性化推荐解释文本的生成方法，包括步骤：步骤S100：挖掘目标用户细粒度观点随时间演化规律和所述目标用户当前的成熟度，探寻相似用户群组成员；步骤S200：获取相似用户群组的历史评论句子，根据目标用户观点演变规律预测对目标商品各方面的情感值，从目标产品所有评论中筛选出与此方面情感值相近的句子，合并两类句子集，重排句子集并将排序结果作为文本生成模型的输入；步骤S300：基于用户观点演变规律以及相似用户群组，构建多头注意力机制，分别捕捉用户所关心与用户所惊喜的方面，生成目标用户所关心和惊喜的个性化解释摘要文本。优选的，所述步骤S100还包括步骤：S101：计算目标用户在线评论的最近一次与最远一次时间点，以一定比率划分长短期时间间隔，以长期和短期两个时间段更细粒度研究用户观点的偏好变化；S102：分别提取目标用户在长期与短期的细粒度方面且计算方面对应的情感，组成长短期的细粒度方面情感序列，如下公式所示：其中，q为方面情感值，取值范围为[0,5]，(am,qm)表示方面与其对应的情感值，tc表示当前时刻，[tc,t1]表示短期时间段，(t1,t0]表示长期时间段，Sp与Lp分别表示短期和长期细粒度方面情感序列；S103：对每一个已经购买目标商品的用户，计算筛选出其在目标用户长期以及短期时间段中与目标用户购买相同商品并且评论过的商品与评论文本，挖掘评论文本中的方面情感，与目标用户的长短期细粒度方面情感序列进行比较计算，探究出这些共同评论人与目标用户的相似度，如下公式所示：其中，用户长短期权重系数是模拟长期情感偏好在逐渐遗忘而短期情感偏好容易刺激购物行为过程的动态因子，和分别代表用户短期与长期所重视的商品方面，E(ui,ut)表示用户ui与目标用户ut在比较长短期观点演变值后的相似度值；S104：选取k个相似度值高的作为候选对象集，同时以评论数量与等级计算候选者的成熟度，以成熟度高的与目标用户ut相似的top-k候选者组成相似用户群组G(ut)，如下公式所示：其中，λ是关于用户成熟度的超参数，M(tc)表示用户当前时间tc的成熟度，N(tc)表示用户时间tc的评论数量，D(tc)表示用户当前时间tc的等级，wM常量参数，wM取值为[0,1]，S(ui,ut)表示综合用户长短期细粒度情感演变相似度和用户成熟度的相似度衡量函数。优选的，所述步骤S200还包括步骤：S201：根据目标用户的长短期细粒度方面情感序列，预测目标用户对目标商品方面的期望值，将期望值较高的方面组成目标用户所关心的方面集，在目标商品的所有评论中，找出包含目标用户所关心方面的句子，所述情感预测公式所示：其中，M是情感预测模型，基于目标用户长短期细粒度观点演变序列，预测目标用户ut对目标产品方面的期望值序列其值为[(a1,q1),(a2,q2),...,(al,ql)]；S202：获取相似用户群组评论文本中句子，将其与包含目标用户所关心方面的句子组合，提取句子中所有的方面并且计算对应的情感，提取的所有方面构成方面总集，按方面数量重排序句子并将结果作为S300文本生成模型的输入。优选的，所述步骤S300还包括步骤：S301：对S202输入的方面集合进行要素拆分，要素可拆分为两类即目标用户所关心与目标用户感到惊喜的方面，其中目标用户关心的方面在S201中已经获取；S302：选取方面总集与用户所关心方面集的差集作为惊喜度方面集，根据方面出现的次数作为惊喜度方面的权重，惊喜度方面使得目标用户了解到一些其它的关于目标商品重要方面属性；S303：基于本文档来自技高网...

【技术保护点】
1.一种基于用户细粒度观点演变个性化推荐解释文本的生成方法，其特征在于，包括如下步骤：/n步骤S100：挖掘目标用户细粒度观点随时间演化规律和所述目标用户当前的成熟度，探寻相似用户群组成员；/n步骤S200：获取相似用户群组的历史评论句子，根据目标用户观点演变规律预测对目标商品各方面的情感值，从目标产品所有评论中筛选出与此方面情感值相近的句子，合并两类句子集，重排句子集并将排序结果作为文本生成模型的输入；/n步骤S300：基于用户观点演变规律以及相似用户群组，构建多头注意力机制，分别捕捉用户所关心与用户所惊喜的方面，，生成目标用户所关心和惊喜的个性化解释摘要文本。/n

【技术特征摘要】
1.一种基于用户细粒度观点演变个性化推荐解释文本的生成方法，其特征在于，包括如下步骤：
步骤S100：挖掘目标用户细粒度观点随时间演化规律和所述目标用户当前的成熟度，探寻相似用户群组成员；
步骤S200：获取相似用户群组的历史评论句子，根据目标用户观点演变规律预测对目标商品各方面的情感值，从目标产品所有评论中筛选出与此方面情感值相近的句子，合并两类句子集，重排句子集并将排序结果作为文本生成模型的输入；
步骤S300：基于用户观点演变规律以及相似用户群组，构建多头注意力机制，分别捕捉用户所关心与用户所惊喜的方面，，生成目标用户所关心和惊喜的个性化解释摘要文本。


2.根据权利要求1所述的基于用户细粒度观点演变个性化推荐解释文本的生成方法，其特征在于，所述步骤S100还包括如下步骤：
S101：计算目标用户在线评论的最近一次与最远一次时间点，以一定比率划分长短期时间间隔，以长期和短期两个时间段更细粒度研究用户观点的偏好变化；
S102：分别提取目标用户在长期与短期的细粒度方面且计算方面对应的情感，组成长短期的细粒度方面情感序列，所述方面情感序列计算公式所示：



其中，q为方面情感值，取值范围为[0,5]，(am,qm)表示方面与其对应的情感值，tc表示当前时刻，[tc,t1]表示短期时间段，(t1,t0]表示长期时间段，Sp与Lp分别表示短期和长期细粒度方面情感序列；
S103：对每一个已经购买目标商品的用户，计算筛选出其在目标用户长期以及短期时间段中与目标用户购买相同商品并且评论过的商品与评论文本，挖掘评论文本中的方面情感，与目标用户的长短期细粒度方面情感序列进行比较计算，探究出这些共同评论人与目标用户的相似度，计算公式所示：



其中，用户长短期权重系数是模拟长期情感偏好在逐渐遗忘而短期情感偏好容易刺激购物行为过程的动态因子，和分别代表用户短期与长期所重视的商品方面，E(ui,ut)表示用户ui与目标用户ut在比较长短期观点演变值后的相似度值；
S104：选取k个相似度值高的作为候选对象集，同时以评论数量与等级计算候选者的成熟度，以成熟度高的与目标用户ut相似的top-k候选者组成相似用户群组G(ut)，计算公式所示：



其中，λ是关于用户成熟度的超参数，M(tc)表示用户当前时间tc的成熟度，N(tc)表示用户时间tc的评论数量，D(tc)表示用户当前时间tc的等级，wM常量参数，wM取值为[0,1]，S(ui,ut)表示综合用户长短期细粒度情感演变相似度和用户成熟度的相似度衡量函数。


3.根据权利要求1所述的基于用户细粒度观点演变个性化推荐解释文本的生成方法，其特征在于，所述步骤S200还包括如下步骤：
S201：根据目标用户的长短期细粒度方面情感序列，预测目标用户对目标商品方面的期望值，将期望值较高的方面组成目标用户所关心的方面集，在目标商品的所有评论中，找出包含目标用户所关心方面的句子，所述情感预测计算公式所示：



其中，M是情感预测模型，基于目标用户长短期细粒度观点演变序列，预测目标用户ut对目标产品方面的期望值序列其值为[(a1,q1),(a2,q2),...,(al,ql)]；
S202：获取相似用户群组关于目标商品的历史评论句子，将其与包含目标用户所关心方面的句子组合，提取句子中所有的方面并且计算对应的情感，提取的所有方面构成方面总集，按方面数量重排序句子并将排序结果及方面集合作为文本生成模型的输入。


4.根据权利要求1所述的基于用户细粒度观点演变个性化推荐解释文本的生成方法，其特征在于，所述步骤S300包括如下步骤：
S301：对S202输入的方面集合进行要素拆分，要素可拆分为两类即目标用户所关心与目标用户感到惊喜的方面，其中目标用户关心的方面在S201中已经获取；
S302：选取方面总集与用户所关心方面集的差集作为惊喜度方面集，根据方面出现的次数作为惊喜度方面的权重，惊喜度方面使得目标用户了解到一些其它的关于目标商品重要方面属性；
S303：基于无监督的Encoder-Decoder文本生成模型框架，构建多头注意力机制，分别捕捉用户所关心与用户所惊喜的方面，刺破“过滤气泡”，为目标用户生成高质量的个性化推荐解释文本。


5.一种基于用户细粒度演变个性化推荐解释文本的生成装置，其特征在于，包括：
锁定相似用户群组模块，计算目标用户在线评论的最近一次与最远一次时间点，以一定比率划分长短期时间间隔，分别提取目标用户在长期与短期的细粒度方面且计算方面对应的情感，组成长短期的细粒度方面情感序列。对每一个已经购买目标商品的用户，计算筛选出其在目标用户长期以及短期时间段中与目标用户购买相同商品并且评论过的商品与评论文本，挖掘评论文本中的方面情感，与目标用户的长短期细粒度方面情感序列进行比较计算，探究出这些共同评论人与目标用户的相似度，选取k个相似度值高的作为候选对象集，同时以评论数量与等级计算候选者的成熟度，以成熟度高的与目标用户相似的top-k候选者组成相似用户群组；
获取预输入句子集和所需方面集模块，根据目标用户的长短期细粒度方面情...

【专利技术属性】
技术研发人员：姜文君，周喜悦，李肯立，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43