申请/专利权人：西北工业大学

申请日：2021-03-03

公开（公告）日：2024-04-19

公开（公告）号：CN113032415B

主分类号：G06F16/24

分类号：G06F16/24;G06F16/36

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.07.13#实质审查的生效;2021.06.25#公开

摘要：本发明公开了一种基于用户偏好与知识图谱的个性化产品描述生成方法，通过对产品标题进行实体信息提取，再使用GraphAttention从外部知识库中提取与实体信息最相关的知识并进行融合，进一步增强实体中的知识；同时基于模型预测出用户的多个兴趣标签，再对用户进行聚类分析，通过TFIDF为同类用户构建专属的个性化词库；最后提出了一种多重指针生成网络融合来自产品标题、外部知识库与个性化词库中的知识，最终生成具有信息量、多样性的个性化产品描述。本发明能够通过产品标题与外部知识库，依据用户历史行为自动批量生成个性化的产品描述，解决人工撰写产品描述费事费力的问题。

主权项：1.一种基于用户偏好与知识图谱的个性化产品描述生成方法，其特征在于，包括以下步骤：步骤1：获取产品描述数据集，采集互联网电商网站中的产品描述Y＝y1，y2，...yn、产品标题X＝x1，x2，...xm、与用户评论数据userid，userreview；步骤2：以产品标题中的实体在知识库中进行检索，将检索出的知识G分为两个部分：关系r＝DESC的知识表示为G1＝Gr＝DESC，剩余的知识表示为G2＝Gr≠DESC；使用TransE将知识库中检索到的实体与关系映射到低维空间；步骤3：将知识库中检索到的知识G1所包含三元组K1中的值按照它们对应的实体在产品标题X中的顺序进行拼接，然后使用双向GRU对K1进行编码；使用Attention机制选择知识，Attention机制描述为式1： 其中，为编码阶段的第i个时间步的隐状态，是解码阶段第t个时间步的隐向量，Wk，W′k，bk和v是需进行学习的参数，v用于调整权重的维度，j表示时间步，为用Attention机制选择结果的上下文向量；步骤4：将知识库中检索到的知识G2，使用TransE将知识G2中所有的实体与关系映射为低维向量，知识G2的三元组K2被映射为τ＝e，r，val＝MLPTransEe，r，val，其中τ，e，r和val分别为τ，e，r和val的TransE向量表示，MLP是全连接神经网络，用于消除结构化数据与非结构化的文本数据之间的隔阂，τ为映射后的三元组，e表示实体，val表示值；使用GraphAttention对检索出的知识进行选择与整合，如以下式2所示： 其中，rn，与valn分别是gi中第n个三元组的实体、关系与值；αn为Attention权重，αn用来衡量关系rn与实体和值valn之间连接的紧密性；表示将xi作为关键实体从G2中抽取得到的信息；和为可学习参数；将与xi进行拼接，将拼接后的向量输入编码时的每一个GRU单元；步骤5：由步骤1采集的用户评论数据对用户进行分类，根据用户类别获取该类别对应的产品描述，使用TF-IDF从产品描述中选取词汇构成用户专属个性化词库Vu；使用Attention机制对个性化词库Vu中的词汇进行选取，表示为式3： 其中，为用户专属词库中第i个词汇的编码表示，，Wv，W′k与bv均为可学习的参数，mT为进行维度变换的矩阵，即为计算出的第i个词汇的权重，表示上下文向量；步骤6：使用多重指针生成网络计算从知识库、个性化词库和产品标题中进行单词复制时的生成概率，表示为式4： 其中，Pk、Pv、Pg分别为从知识库、个性化词库和产品标题中进行单词复制时的生成概率，σ为系数，均为可学习参数，xt为为输入词汇的编码向量；步骤7：计算最终生成的个性化产品描述词汇概率，表示为式5： 其中与为当生成第t个词汇时，分别从知识库、个性化词库与产品标题中选取第i个词的权重信息，Wp为可学习的参数，pvocw为仅考虑生成模型部分的生成概率，Pw为最终生成的产品描述中下一个词汇的概率分布，概率最大值对应的即为预测词汇。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于用户偏好与知识图谱的个性化产品描述生成方法

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