一种多源信息融合的商品推荐方法及系统技术方案

本发明专利技术属于推荐系统领域，提供了一种多源信息融合的商品推荐方法及系统，包括获取用户

【技术实现步骤摘要】
一种多源信息融合的商品推荐方法及系统


[0001]本专利技术属于推荐系统
，具体涉及一种多源信息融合的商品推荐方法及系统。

技术介绍

[0002]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。
[0003]在最近的几年中，推荐系统的应用越来越广泛，同时也得到了更多用户的青睐，吸引了很多研究者的投入其中，所以关于推荐系统的学术论文和各种关于推荐系统技术的书籍都迅速增长，各种各样的推荐模型层出不穷，而大多数的模型原理都是基于协同过滤的基本方法，这也使得基于协同过滤的模型成为目前为止十分成功的技术方案。协同过滤算法利用用户和项目之间的交互信息进行推荐，方法简单有效，但是却面临数据稀疏性和冷启动问题。对于这两个问题融合用户或项目的辅助信息是一种有效的解决途径。辅助信息包括评论文本、社会化网络、属性等，其中的评论信息更是包含了用户和项目丰富的语义信息。所以如何有效的对评论辅助信息加以利用，提高推荐系统的性能，是一个十分重要的问题。
[0004]近年来，大多评论推荐模型只使用了用户和项目的评论信息做为推荐，这并不能充分去提取用户和物品的潜在信息。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种多源信息融合的商品推荐方法及系统，本专利技术使用GNN和CNN分别去处理交互信息和评论信息后进行特征融合并预测评分。通过图网络去聚合用户项目图，做为评论信息的补充，可以更加充分地去表达用户和物品潜在的特征信息。
[0006]根据一些实施例，本专利技术的第一方案提供了一种多源信息融合的商品推荐方法，采用如下技术方案：
[0007]一种多源信息融合的商品推荐方法，包括：
[0008]获取用户
‑
项目图以及用户评论信息进行用户建模，确定用户潜在因子；
[0009]获取用户
‑
项目图以及项目评论信息进行项目建模，确定项目潜在因子；
[0010]将用户潜在因子和项目潜在因子进行拼接，得到用户
‑
项目潜在因子；
[0011]基于用户
‑
项目潜在因子进行评分预测，得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐。
[0012]进一步地，所述获取用户
‑
项目图以及用户评论信息进行用户建模，确定用户潜在因子，包括：
[0013]基于用户评论信息进行文本信息编码，得到用户评论特征；
[0014]获取用户
‑
项目图对项目进行聚合，学习项目空间的用户潜在因子；
[0015]将用户评论特征和项目空间的潜在因子进行特征串联，确定用户的潜在因子。
[0016]进一步地，所述基于用户评论信息进行文本信息编码，得到用户评论特征，包括：
[0017]利用词嵌入函数将用户评论信息转换为嵌入矩阵；
[0018]基于卷积层对嵌入矩阵进行卷积操作产生嵌入矩阵特征；
[0019]所述嵌入矩阵特征经过最大池化层以及融合连接层，得到用户评论特征。
[0020]进一步地，所述获取用户
‑
项目图对项目进行聚合，学习项目空间的用户潜在因子，包括：
[0021]基于用户
‑
项目图中交互项目嵌入和用户嵌入，利用注意力网络确定用户和项目的注意权重；
[0022]结合用户和项目的注意权重，通过考虑用户界面与之互动过的项目来学习项目空间的用户潜在因子。
[0023]进一步地，所述获取用户
‑
项目图以及项目评论信息进行项目建模，确定项目的潜在因子，包括：
[0024]基于项目评论信息进行文本信息编码，得到项目评论特征；
[0025]从与每个项目交互过的用户集合中聚合信息；
[0026]根据交互用户嵌入和项目嵌入，利用注意力网络确定区分用户的重要性权重；
[0027]结合用户的重要权重，聚合信息与项目评论特征进行特征串联，得到项目的潜在因子。
[0028]进一步地，所述将用户潜在因子和项目潜在因子进行拼接，得到用户
‑
项目潜在因子，具体为：
[0029][0030]其中，项目潜在因子z
j
，用户潜在因子h
i
。
[0031]进一步地，所述基于用户
‑
项目潜在因子进行评分预测，将用户
‑
项目潜在因子通过MLP得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐，具体为：
[0032]g2＝(W2*1+2)
[0033][0034]其中，l为隐藏层索引，r
i
′
j
是用户u
i
对u
j
的预测评分；
[0035]将排名靠前的预测评分的物品推荐给用户。
[0036]根据一些实施例，本专利技术的第二方案提供了一种多源信息融合的商品推荐系统，采用如下技术方案：
[0037]一种多源信息融合的商品推荐系统，包括：
[0038]用户潜在因子确定模块，被配置为获取用户
‑
项目图以及用户评论信息进行用户建模，确定用户的潜在因子；
[0039]项目潜在因子确定模块，被配置为获取用户
‑
项目图以及项目评论信息进行项目建模，确定项目的潜在因子；
[0040]数据串连模块，被配置为将用户的潜在因子和项目的潜在因子进行拼接，得到用户
‑
项目潜在因子；
[0041]商品推荐模块，被配置为基于用户
‑
项目潜在因子进行评分预测，得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐。
[0042]根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质。
[0043]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第一个方面所述的一种多源信息融合的商品推荐方法中的步骤。
[0044]根据一些实施例，本专利技术的第四方案提供了一种计算机设备。
[0045]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第一个方面所述的一种多源信息融合的商品推荐方法中的步骤。
[0046]与现有技术相比，本专利技术的有益效果为：
[0047]1)与现今基于评论信息推荐模型，加入了物品和用户之间的交互数据进行补充，减低评论预测的误差。
[0048](2)本方法创新性地将利用GNN处理用户项目的交互信息和CNN处理评论信息结合起来进行推荐，为后面做多源数据融合推荐提供一种思路。
[0049](3)该模型框架具有可扩展性和高度灵活性，可根据具体业务场景设计出适合自己的融合模型。
附图说明
[0050]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源信息融合的商品推荐方法，其特征在于，包括：获取用户
‑
项目图以及用户评论信息进行用户建模，确定用户潜在因子；获取用户
‑
项目图以及项目评论信息进行项目建模，确定项目潜在因子；将用户潜在因子和项目潜在因子进行拼接，得到用户
‑
项目潜在因子；基于用户
‑
项目潜在因子进行评分预测，得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐。2.如权利要求1所述的一种多源信息融合的商品推荐方法，其特征在于，所述获取用户
‑
项目图以及用户评论信息进行用户建模，确定用户潜在因子，包括：基于用户评论信息进行文本信息编码，得到用户评论特征；获取用户
‑
项目图对项目进行聚合，学习项目空间的用户潜在因子；将用户评论特征和项目空间的潜在因子进行特征串联，确定用户的潜在因子。3.如权利要求2所述的一种多源信息融合的商品推荐方法，其特征在于，所述基于用户评论信息进行文本信息编码，得到用户评论特征，包括：利用词嵌入函数将用户评论信息转换为嵌入矩阵；基于卷积层对嵌入矩阵进行卷积操作产生嵌入矩阵特征；所述嵌入矩阵特征经过最大池化层以及融合连接层，得到用户评论特征。4.如权利要求2所述的一种多源信息融合的商品推荐方法，其特征在于，所述获取用户
‑
项目图对项目进行聚合，学习项目空间的用户潜在因子，包括：基于用户
‑
项目图中交互项目嵌入和用户嵌入，利用注意力网络确定用户和项目的注意权重；结合用户和项目的注意权重，通过考虑用户界面与之互动过的项目来学习项目空间的用户潜在因子。5.如权利要求1所述的一种多源信息融合的商品推荐方法，其特征在于，所述获取用户
‑
项目图以及项目评论信息进行项目建模，确定项目的潜在因子，包括：基于项目评论信息进行文本信息编码，得到项目评论特征；从与每个项目交互过的用户集合中聚合信息；根据交互用户嵌入和项目嵌入，利用注意力网络确定区分用户的重要性权重；结合用户的重要权重，聚合信息与项目评论特征进行特征串联，得...

【专利技术属性】
技术研发人员：殷建，吴国庆，刘晓伟，常宇鹏，李炳廷，
申请(专利权)人：山东大学，
类型：发明
国别省市：