【技术实现步骤摘要】
一种基于注意力机制的情感时序推荐方法
[0001]本专利技术属于序列推荐领域，具体涉及一种基于注意力机制的情感时序推荐方法。
技术介绍
[0002]近年来，如何利用评价信息提高推荐满意度成为研究者关注的焦点。例如使用文本信息作为辅助边信息来缓解评分矩阵的稀疏问题，引入评论来解决协同过滤CF算法稀疏性带来的问题。基于CNN的解决方案通常利用不同大小的转换过滤器和最大池操作来获得特征向量。然而，基于CNN的推荐方法的缺点是，在推荐时总是忽略用户偏好的时间动态性。因此，如何探索用户和项目评论的动态变化以提高推荐者的性能仍然是一个巨大的挑战。在这种情况下，基于RNN的方法可以在预测用户下一步将消费哪个项目方面获得良好的性能。一些深度兴趣进化网络模型被提出以捕捉暂时的兴趣，但它没有在评论中使用丰富的情感信息。此外，大多数现有的方法使用评分或审查文本作为单独的输入。他们没有全面地使用反馈信息，没有充分利用现有异构数据的优势来有效地捕获时间动态，且未能考虑全局联系和局部联系，且能并行化计算，且模型过拟合现象较严重。
技术实现思路
<...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的情感时序推荐方法，其特征在于，包括以下步骤：S1、收集评论信息和时间信息，并将其输入嵌入层，得到具有时态信息的用户因素和项目因素；S2、将有时态信息的用户因素和项目因素输入至blstm层进行情感特征提取，得到用户和项目之间的交互序列；S3、将用户和项目之间的交互序列通过注意力层输入至cnn层，得到用户表示和项目表示；S4、将用户表示和项目表示输入至输出层，得到精确评分，进而将最高精确评分对应项目作为情感时序推荐结果。2.根据权利要求1所述的基于注意力机制的情感时序推荐方法，其特征在于，所述步骤S1中，所述评论信息具体为评论的集合R＝{r1，r2，...，r
p
}，其中，r
i
为第i条评论，i＝1，2，...，p，p为评论的总数；第i条评论具体为r
i
＝{w1，w2，...，w
q
}，其中，w
j
为第j个词的低维密集向量，j＝1，2，...，q，q为第i条评论的单词数；其中，第j个词的低维密集向量w
j
的表达式具体为：w
j
＝e
j
×
W
e
式中，W
e
为预训练的词向量矩阵，e
j
为嵌入层中输入第j个词生成对应的索引e
j
；所述时间信息具体为第i次用户与项目交互和第i+1次用户与项目交互之间的时间间隔其表达式具体为：式中，t
i
为第i条评论对应的时间，min(T)为用户与项目交互时间间隔的最小值，max(T)为用户与项目交互时间间隔的最大值。3.根据权利要求2所述的基于注意力机制的情感时序推荐方法，其特征在于，所述步骤S1中，具有时态信息的用户因素和项目因素具体为融合时间信息的用户和项目评论集；得到具有时态信息的用户因素和项目因素的方法具体为：通过融合时间信息和评论信息，得到更新后的评论，进而得到融合时间信息的用户和项目评论集；其中，融合时间信息的用户和项目评论集R
′
＝[r
t1
，r
t2
，...，r
tq
]；r
ti
为更新后的第i条评论，且评论，且为连接算子。4.根据权利要求3所述的基于注意力机制的情感时序推荐方法，其特征在于，所述步骤S2中，blstm层包括并列的前向lstm层和后向1stm层；所述步骤S2包括以下分步骤：S21、将融合时间信息的用户和项目评论集输入blstm层，通过前向lstm层和后向lstm层进行情感特征提取，分别得到时间步k的语法含义和时间步k的单子含义其中，时间步k的语法含义和时间步k的单子含义的表达式具体为：
式中，为时间步k
‑
1的语法含义，为时间步k
‑
1的单子含义，x
k
为在时间步k，blstm层输入融合时间信息的用户和项目评论集向量；S22、根据语法含义和单子含义得到时间步k的隐藏状态更新h
k
；其中，时间步k的隐藏状态更新h
k
的表达式具体为：S23、将所有时间步的隐藏状态更新组合，得到用户和项目之间的交互序列H；其中，用户和项目之间的交互序列H＝[h1，h1，...，h
T
]，T为句子长度。5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：王庆先，刘鹏宇，常奥，黄庆，吴苏强，曾昌强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
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。