【技术实现步骤摘要】
一种基于注意力机制的融合特征推荐方法
[0001]本专利技术涉及推荐系统领域，具体涉及一种基于注意力机制的融合特征的推荐方法。
技术介绍
[0002]现如今互联网信息数据呈指数级增长，从海量数据中发掘价值信息，对用户作出个性化的项目推荐变得困难。深度学习的繁荣发展，许多基于内容的项目推荐方法被提出。推荐算法在对不同行业的目标用户推荐正确的项目这一方面发挥着至关重要的作用。但由于用户的多样性，仅考虑用户的单种特征会导致推荐结果偏差较大，因此将多种用户项目特征融合，可以在嵌入层的学习中同时接收与来自低阶、高阶组合部分的反馈，从而学到更好的特征表示，提高推荐的精确度。
[0003]在个性化推荐算法中，特征属性中有特征A,特征B,特征C，且特征A对于最终推荐的影响力相较于B,C更大，如采用注意力机制，可以将A,B,C特征的权重调整得更加合理，更适用于推荐算法。
技术实现思路
[0004]为了解决现有技术中存在的问题，本专利技术针对特征属性单一以及特征权重不适配的问题，提出一种基于注意力机制的融合特征的推荐方法...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的融合特征推荐方法，其特征在于，包括以下步骤：S1，从亚马逊在线评论集中获取数据并获取到对应用户的社交网络；S2，对获取的数据集进行数据预处理并获取用户评分矩阵Y和用户视图矩阵L；S3，提取用户评分矩阵Y和用户视图矩阵L的用户特征和项目特征并融合得到用户特征矩阵A和项目特征矩阵B；S4，将用户特征矩阵A、项目特征矩阵B输入到多头自注意力层获得注意权值；S5，通过用户特征矩阵A、项目特征矩阵B的向量以及注意权值获得用户
‑
项目的表示，根据用户
‑
项目的表示生成推荐列表。2.根据权利要求1所述的一种基于注意力机制的融合特征推荐方法，其特征在于：所述步骤1中的数据集包括用户i、项目j、评分r、可靠性rel、评价时间；所述评分r为用户对项目的评分，评分区间在1
‑
5，将评分映射到对应[
‑
2,2]的区间，小于0对应糟糕的反映或消极的评价，大于0对应良好的反映或积极的评价；所述可靠性rel为用户评分的可靠性，可靠性rel根据帮助投票Hij、用户在评论网络中作为最近的评论者mostij、排名最高的评论者topij的位置来评估；其中帮助投票Hij为衡量该用户以往的评分对人有所帮助的程度，H
ij
∈(0,1)；所述H
ij
公式如下：公式如下：其中，θ
j
表示评价项目j的用户集合，helpful_votes
ij
表示用户i为评价j点赞的集合，total_votes
ij
表示用户i评价j点赞或反对的集合；most
ij
表示最近的评论，距离该用户评论时间越近的评论，所占比重越高,most
ij
∈(0,1)；所述most
ij
公式如下：其中β
j
表示对项目j发布反馈的用户集；|β
j
|
‑
i表示在第i个用户之后评价项目j的用户数量；s＝1指的是用户i对项目j发布的评价被认为是最近的评论，s＝2则指的是第二近的评论；top
ij
表示最靠前的评论，评论越靠前，所占比重越高,top
ij
∈(0,1)；所述top
ij
公式如下：其中ω
j
表示购买项目j的并提交评论的用户集；
g
ij
表示用户i购买项目j并评论之后，这条评论在此商品中的帮助评分排名，|ωj|
‑
i表示在第i个用户之后购买项目j并阅读评论的数量；由mostij和topij生成评估总分dij，所述评估总分dij代表该评价时效性与质量；其中为权重值，d
ij
∈(0,1)；根据此用户评价对他人有所帮助的程度H
ij
以及该评价时效性与质量获得的评估总分d
ij
去计算该用户评分的可靠性rel,rel∈(0,1)：3.根据权利要求1所述的一种基于注意力机制的融合特征推荐方法，其特征在于，所述步骤2包含如下内容：S2.1，对每一个项目j，遍历所有评价过项目j的用户的社交网络，选出拥有被关注人数最多的人作为这个项目j的专家用户E，通过评价此项目的用户i与专家用户E的社会关系获取到两人之间的社会信任强度S
c
，其中|E|是专家用户E的被关注数量，|i|是当前用户的被关注数量；S2.2，计算两个用户之间的相似性S
s
，其中|R
i
∩R
E
|是当前用户i和专家用户E共同评价过的项目数量，|R
E
|是专家用户E评价过的项目数量；S2.3，权重w如下：其中m
c
是两个用户评价项目数量中，数量最少的值，k则是所有m
c
用户评价数量的平均值；将社会信任强度和用户相似性进行加权组合，获取到两人最终相似度sim(i,E)，sim(i,E)＝(w*S
c
)+((1
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。