【技术实现步骤摘要】
本文件涉及计算机，尤其涉及一种基于用户评论的多任务模型推荐方法及系统。
技术介绍
1、在当今数字互动的环境中，推荐系统已经成为用户参与和内容传播中不可或缺的一部分，尤其是在短视频平台上，在信息快速创造和传播的背景下，经常会面临信息爆炸的问题，这使得每个人都在面临着各种各样的信息时感到难以完全吸收，因此，推荐系统广泛应用于各种平台，包括视频、电影、新闻等，这些推荐系统需要整合用户的反馈信息，以便更好地建模用户的兴趣，从而最大化用户的参与度和满意度。
2、在推荐系统领域，基于评论的推荐算法是一种重要的技术，它通过分析用户对产品或服务的评论来提供个性化的建议，这种算法通过自然语言处理技术(nlp)，如情感分析和主题建模，从评论中提取有用信息，通过评估评论中的情感极性、关键词和用户评分，基于评论的推荐算法能够为用户提供更准确的建议，以满足其兴趣和需求，以网络购物平台为例，用户会在消费后进行评级和评论，而评论包含了大量可被推荐系统利用的语义信息，其他用户可以根据这些评论进行相关的购物行为，通过解析用户评论系统可以实现更深层的内容个性化。
3、现有的基于评论的推荐系统面临着一些挑战，即在利用评论信息进行优化时往往只能针对其中某一个特定的目标，如点击率，预测评分精度等，而由于用户满意度问题的高维性，通常很难通过单任务学习算法直接解决，同时，用户满意度和用户粘性有许多可以直接学习的主要因素，例如点击、完成、分享、收藏和评论等等，而多任务建模多种偏好是一种强大的方法，它通过同时考虑用户的多种偏好信息来提高推荐的准确性，这种
技术实现思路
1、本专利技术的目的在于提供一种基于用户评论的多任务模型推荐方法及系统，旨在解决现有技术中的上述问题。
2、本专利技术实施例提供一种基于用户评论的多任务模型推荐方法，包括：
3、s1：获取用户购买并评论物品的相关信息作为正样本，对用户未购买的物品进行随机采样作为对应用户的负样本，将所述正样本作为训练集a，联合所述正样本与所述负样本作为训练集b，对所述训练集a与所述训练集b进行预处理得到输入数据a和输入数据b，其中，所述相关信息包括用户标号、物品标号、用户对该物品的评论、用户历史所有评论以及该物品下所有评论；
4、s2：将所述输入数据a输入卷积神经网络进行特征提取，将提取的特征结合多层感知机输出的融合单词级别偏好向量得到评论向量，对所述评论向量根据其所属用户/物品将其划分为用户评论向量和物品评论向量，计算所述用户评论向量与所述物品评论向量之间的欧式距离，将所述欧式距离输入循环神经网络不断迭代得到最终的聚合评论表示，对所述最终的聚合评论表示使用多层感知机得到最终的交互向量，基于所述最终的交互向量通过多层感知机输出评分任务的预测结果；
5、s3：将所述输入数据b替换所述输入数据a后重复执行s2，输出点击率任务的预测结果；
6、s4：将所述评分任务的预测结果进行转化得到评分结果，融合所述评分任务的预测结果与所述点击率任务的预测结果得到点击概率，通过所述评分结果与所述点击概率得到物品评分表并进行排序，生成最终的推荐列表。
7、本专利技术实施例提供一种基于用户评论的多任务模型推荐系统，包括：
8、数据处理模块，用于获取用户购买并评论物品的相关信息作为正样本，对用户未购买的物品进行随机采样作为对应用户的负样本，将所述正样本作为训练集a，联合所述正样本与所述负样本作为训练集b，对所述训练集a与所述训练集b进行预处理得到输入数据a和输入数据b，其中，所述相关信息包括用户标号、物品标号、用户对该物品的评论、用户历史所有评论以及该物品下所有评论；
9、网络执行模块一，用于将所述输入数据a输入卷积神经网络进行特征提取，将提取的特征结合多层感知机输出的融合单词级别偏好向量得到评论向量，对所述评论向量根据其所属用户/物品将其划分为用户评论向量和物品评论向量，计算所述用户评论向量与所述物品评论向量之间的欧式距离，将所述欧式距离输入循环神经网络不断迭代得到最终的聚合评论表示，对所述最终的聚合评论表示使用多层感知机得到最终的交互向量，基于所述最终的交互向量通过多层感知机输出评分任务的预测结果；
10、网络执行模块二，用于将所述输入数据b替换所述输入数据a后重复执行网络执行模块一，输出点击率任务的预测结果；
11、推荐模块，用于将所述评分任务的预测结果进行转化得到评分结果，融合所述评分任务的预测结果与所述点击率任务的预测结果得到点击概率，通过所述评分结果与所述点击概率得到物品评分表并进行排序，生成最终的推荐列表。
12、本专利技术实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于用户评论的多任务模型推荐方法的步骤。
13、本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于用户评论的多任务模型推荐方法的步骤。
14、采用本专利技术实施例可以包括以下有益效果：本专利技术实施例将选择偏好作为用户-项目交互特征的一个组成部分，选择偏好将作为用户和物品之间交互的统计产物，表示用户倾向于选择特定物品的概率，这将极大程度优化推荐系统的人性化、个性化服务，能够提高推荐系统的便利性。
本文档来自技高网...【技术保护点】
1.一种基于用户评论的多任务模型推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述训练集A与所述训练集B进行预处理得到输入数据A和输入数据B具体包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述输入数据A输入卷积神经网络进行特征提取，将提取的特征结合多层感知机输出的融合单词级别偏好向量得到评论向量具体包括：
4.根据权利要求1所述的方法，其特征在于，所述计算所述用户评论向量与所述物品评论向量之间的欧式距离，将所述欧式距离输入循环神经网络不断迭代得到最终的聚合评论表示，对所述最终的聚合评论表示使用多层感知机得到最终的交互向量，基于所述最终的交互向量通过多层感知机输出评分任务的预测结果具体包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述评分任务的预测结果进行转化得到评分结果，融合所述评分任务的预测结果与所述点击率任务的预测结果得到点击概率，通过所述评分结果与所述点击概率得到物品评分表并进行排序，生成最终的推荐列表具体包括：
6.一种基于用户评论的多任务模型推荐系统，其特征
7.根据权利要求6所述的系统，其特征在于，所述网络执行模块一具体用于：
8.根据权利要求6所述的系统，其特征在于，所述推荐模块具体用于：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-5中所述的基于用户评论的多任务模型推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1-5中所述的基于用户评论的多任务模型推荐方法的步骤。
...【技术特征摘要】
1.一种基于用户评论的多任务模型推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述训练集a与所述训练集b进行预处理得到输入数据a和输入数据b具体包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述输入数据a输入卷积神经网络进行特征提取，将提取的特征结合多层感知机输出的融合单词级别偏好向量得到评论向量具体包括：
4.根据权利要求1所述的方法，其特征在于，所述计算所述用户评论向量与所述物品评论向量之间的欧式距离，将所述欧式距离输入循环神经网络不断迭代得到最终的聚合评论表示，对所述最终的聚合评论表示使用多层感知机得到最终的交互向量，基于所述最终的交互向量通过多层感知机输出评分任务的预测结果具体包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述评分任务的预测结果进行转化得到评分结果，融合所述评...
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。