申请/专利权人：中山大学

申请日：2019-08-08

公开（公告）日：2024-03-22

公开（公告）号：CN110648163B

主分类号：G06Q30/0202

分类号：G06Q30/0202;G06Q30/0282;G06Q30/0601;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.02.04#实质审查的生效;2020.01.03#公开

摘要：本发明提供一种基于用户评论的推荐算法，该方法基于深度学习的评论推荐系统，根据用户过去的浏览购买和评论记录和商品的评分记录及购买过该商品的顾客的评论，推测用户对该商品的喜好程度，最后推荐系统对评分进行排序，给用户推荐评分高的前N种商品。本发明利用自然语言处理技术对评论文本信息的进行向量化，并根据注意力机制算法计算每条评论的重要性和每条评论对潜在顾客的影响，采用卷积神经网络捕捉用户商品的交互特征矩阵，因此生成用户商品的交互向量，最后将生成交互向量输入到FM预测机预测评分，预测评分越高用户可能越喜欢该商品，最后根据评分进行排序给用户推荐评分前N个商品。

主权项：1.一种基于用户评论的推荐算法，其特征在于，包括以下步骤：S1：将用户ID，目标商品ID，用户评论集合，目标商品评论集合，用户购买过的商品ID集合，和购买过目标商品的用户ID集合编码为固定维度的向量；所述步骤S1的具体过程是：S11：将用户对购买过的商品评论作为该用户的评论集，对其评论过的商品ID也作为用户的历史购买记录，其他用户对目标商品的评论作为目标商品的评论集，其他用户ID作为购买目标商品的用户集合；S12：用神经网络将用户和商品评论文本，用户商品ID编码为评论向量集合和用户商品ID向量，用户购买过的商品ID也编码成商品ID向量集合，购买过目标商品的用户ID也编码成用户向量集合；S2：根据注意力机制计算目标商品评论对用户的重要性，并结合用户购买历史记录与购买过目标商品的顾客的评论，用神经网络提取用户和目标商品的特征向量；所述步骤S2的具体过程是：S21：根据注意力机制，计算目标商品的评论对用户的影响因子，将编码后的用户ID和商品评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得商品评论特征向量；根据注意力机制，计算用户的评论对目标商品的影响因子，将编码后的目标商品ID和用户评论向量进行向量点乘，然后再进行softmax归一化操作，评论向量按照影响因子权值大小相加，获得用户评论特征向量；S22：将用户ID和目标商品ID用神经网络编码成用户特征向量和商品特征向量；S23：计算用户ID向量与购买过目标商品的用户ID的之间相似度并且根据其他用户对目标商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将购买过目标商品的用户ID向量相加，最后生成商品的历史特征向量；计算目标商品ID向量与用户购买过的商品ID的之间相似度并且根据用户对购买过的商品的评分进行计算，用softmax进行归一化操作，最后按照权值大小将用户购买过的商品ID向量相加，最后生成用户的历史特征向量；S24：将用户ID向量，用户历史特征向量，用户的评论特征向量拼接到一起作为用户的特征向量；将目标商品ID向量，目标商品历史特征向量，目标商品的评论特征向量拼接到一起作为目标商品的特征向量；S3：用S2步骤后生成的用户特征向量和商品特征向量通过向量的外积乘转化特征矩阵，用卷积神经网络CNN在特征矩阵中提取用户商品的交互特征，并编码为用户商品的交互向量；所述步骤S3的具体过程是：S31：对于S24获得的N维用户特征向量和N维商品特征向量通过向量的外积乘变成N*N的特征矩阵；S32：用卷积神经网络CNN卷积N*N的特征矩阵，最后获得商品用户的交互向量；S4：将用户商品的交互向量输入到FM预测机，预测用户对目标商品的评分，并对其他商品进行步骤S1至S3，根据评分进行排序，给用户推荐评分高的前N个商品。

全文数据：

权利要求：

百度查询： 中山大学 一种基于用户评论的推荐算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD