【技术实现步骤摘要】
基于层次型文本交互的商品评分预测方法
[0001]本专利技术涉及互联网信息分类
，尤其涉及一种基于层次型文本交互的商品评分预测方法。
技术介绍
[0002]随着电子商务的不断发展，规模的不断扩大，商品的个数和种类也快速的增加，这使得用户在挑选所需的商品上，会花费大量的时间，在较短的时间购买到适合自己的商品，已经成为网络购物的发展方向。基于海量数据分析与数据挖掘技术的推荐服务也因此成为各大电子商务网站使用的技术之一。
[0003]推荐系统是一种典型的信息过滤工具，推荐系统通过用户和商品之间的历史交互记录，捕获用户对商品的兴趣偏好，以便更快的将用户感兴趣的商品优先呈现给他们。一个推荐问题，通常情况下可描述为用户和商品之间的评分预测问题，即给定用户和商品之间已经完成的评分记录，来预测缺失的评分记录，并据此给用户推荐评分高的商品。
[0004]在实际应用中，由于和网络平台中数目庞大的商品相比，大多数用户仅跟极少数商品具有历史交互记录，使得推荐系统面临着严重的数据稀疏性问题。为了解决数据稀疏性问题，现有的评分预测...
【技术保护点】
【技术特征摘要】
1.一种基于层次型文本交互的商品评分预测方法，其特征在于，包括：确定待预测的用户和商品，获取所述用户的至少一个历史评论文本和所述商品的至少一个历史评论文本，以及获取所述用户和所述商品的隐特征向量；利用预先训练的卷积神经网络对所述历史评论文本进行处理，获取每个所述历史评论文本对应的词组级卷积特征向量；对所述用户的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述用户的历史评论文本对应的特征向量，以及，对所述商品的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述商品的历史评论文本对应的特征向量；根据所述用户的历史评论文本对应的特征向量和所述商品的历史评论文本对应的特征向量，获取用户初始偏好特征和商品初始属性特征；对所述用户的历史评论文本对应的特征向量和所述商品初始属性特征进行融合，获取用户交互偏好特征；对所述商品的历史评论文本对应的特征向量和所述用户初始偏好特征进行融合，获取商品交互属性特征；对所述用户初始偏好特征和所述用户交互偏好特征进行融合，获取用户偏好特征；对所述商品初始属性特征和所述商品交互属性特征进行融合，获取商品属性特征；对所述用户偏好特征和所述商品属性特征之间的交互进行建模，获取所述用户对所述商品的预测评分。2.根据权利要求1所述的基于层次型文本交互的商品评分预测方法，其特征在于，采用嵌入检索操作获取所述用户的隐特征向量和所述商品的隐特征向量。3.根据权利要求1所述的基于层次型文本交互的商品评分预测方法，其特征在于，利用预先训练的第一注意力机制模型对所述用户的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述用户的历史评论文本对应的特征向量，以及，对所述商品的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述商品的历史评论文本对应的特征向量。4.根据权利要求3所述的基于层次型文本交互的商品评分预测方法，其特征在于，利用以下公式获取所述用户的历史评论文本对应的特征向量：利用以下公式获取所述商品的历史评论文本对应的特征向量：
其中，W和b表示第一注意力机制模型参数，tanh表示非线性变换函数，其中，W和b表示第一注意力机制模型参数，tanh表示非线性变换函数，表示用户的历史评论文本对应的词组级卷积特征向量，表示商品的历史评论文本对应的词组级卷积特征向量，u
i
表示用户的隐特征向量，v
j
表示商品的隐特征向量，d
i
表示用户的历史评论文本对应的特征向量，d
j
表示商品的历史评论文本对应的特征向量。5.根据权利要求4所述的基于层次型文本交互的商品评分预测方法，其特征在于，根据所述用户的历史评论文本对应的特征向量和所述商品的历史评论文本对应的特征向量，获取用户初始偏好特征和商品初始属性特征，包括：利用最大化池操作对所述用户的历史评论文本对应的特征向量进行处理，获取用户初始偏好特征；利用最大化池操作对...
【专利技术属性】
技术研发人员：温家辉，王璐，张光达，王会权，郝锋，张拥军，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
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。