CN110866637B - 评分预测方法、装置、计算机设备和存储介质 - Google Patents
评分预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110866637B CN110866637B CN201911074663.7A CN201911074663A CN110866637B CN 110866637 B CN110866637 B CN 110866637B CN 201911074663 A CN201911074663 A CN 201911074663A CN 110866637 B CN110866637 B CN 110866637B
- Authority
- CN
- China
- Prior art keywords
- user
- feature
- comment information
- article
- preference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种评分预测方法、装置、计算机设备和存储介质,通过接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息;获取评论信息对应的文本特征矩阵;根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;进而获取用户对物品的预测评分。本申请通过用户和物品的评论信息来获取群体智慧特征,而后通过群体智慧特征来提取物品的隐特征,来获取用户与物品的匹配评分,可以有效提高推荐系统的评分准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种评分预测方法、装置、计算机设备和存储介质。
背景技术
随着信息技术和互联网的快速发展,网络购物也成了人们购物的主要途径。而用户在购买商品后,会给商品打分以及写下评论来表达自己的观点。其中,分数描述了用户喜欢商品的程度,而评论信息则描述了用户喜欢商品或者不喜欢商品的具体原因。在进行网络购物时,电子商务网站或APP上用户对产品的评论可以帮助其他潜在消费者了解该产品的全貌,帮助潜在消费者进行购买决策。
然而现有的评分预测方法主要基于话题模型来建模文本评论,没有真正挖掘出评论信息中的深度语义信息,且没有结合用户选购商品的特点以及商品的自身特点来进行评分预测,因此推荐系统的评分预测能力较差,准确率低。
发明内容
基于此,有必要针对现有推荐系统评分预测能力差,准确率较低的技术问题,提供一种能够提高评分预测准确率的评分预测方法、装置、计算机设备和存储介质。
一种评分预测方法,所述方法包括:
接收用户ID(Identity document,唯一标识号)和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
获取所述评论信息对应的文本特征矩阵;
根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征;
将所述用户偏好特征以及所述物品偏好特征映射至所述群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
在其中一个实施例中,所述获取所述评论信息对应的文本特征矩阵包括:
通过预设词嵌入模型对所述评论信息对应文本数据建模,获取所述评论信息对应的文本张量数据;
通过预设长短期记忆网络模型提取所述文本张量数据对应文本特征矩阵。
在其中一个实施例中,所述根据所述文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据所述评论信息有用性获取群体智慧特征之前,还包括:
通过自注意力机制更新所述评论信息中单词的单词权重;
根据所述单词权重更新所述文本特征矩阵。
在其中一个实施例中,所述根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征包括:
通过对所述文本特征矩阵与用户偏好特征进行注意力机制的交互,获取用户对应的评论信息的有用性;
通过对所述文本特征矩阵与物品偏好特征进行注意力机制的交互,获取物品对应的评论信息的有用性;
根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征。
在其中一个实施例中,所述根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分包括:
根据所述用户偏好特征、所述物品偏好特征,通过预设神经隐因子模型交互所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
在其中一个实施例中,所述获取用户对应的评论信息以及物品对应的评论信息,根据所述评论信息获取用户偏好特征以及物品偏好特征之前还包括:
获取标准评论长度信息;
根据所述标准评论长度信息对所述评论信息中单词进行填充或删除。
一种评分预测装置,所述装置包括:
偏好特征获取模块,用于接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
特征矩阵获取模块,用于获取所述评论信息对应的文本特征矩阵;
群体智慧特征获取模块,用于根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征;
隐特征获取模块,用于将所述用户偏好特征以及所述物品偏好特征映射至所述群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
评分预测模块,用于根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
在其中一个实施例中,所述特征矩阵获取模块用于:
通过预设词嵌入模型对所述评论信息对应文本数据建模,获取所述评论信息对应的文本张量数据;
通过预设长短期记忆网络模型提取所述文本张量数据对应文本特征矩阵。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
获取所述评论信息对应的文本特征矩阵;
根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征;
将所述用户偏好特征以及所述物品偏好特征映射至所述群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
获取所述评论信息对应的文本特征矩阵;
根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征;
将所述用户偏好特征以及所述物品偏好特征映射至所述群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
上述评分预测方法、装置、计算机设备和存储介质,通过接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息;获取评论信息对应的文本特征矩阵;根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品的预测评分。本申请通过用户和物品的评论信息来获取群体智慧特征,而后通过群体智慧特征来提取物品的隐特征,来获取用户与物品的匹配评分,可以有效提高推荐系统的评分准确度。
附图说明
图1为一个实施例中评分预测方法的应用环境图;
图2为一个实施例中评分预测方法的流程示意图;
图3为一个实施例中图2中步骤S300的子流程示意图;
图4为一个实施例中图2中步骤S500的子流程示意图;
图5为一个实施例中评分预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的评分预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与评分服务器104进行通信。终端102可以提交用户ID(Identity document,唯一标识号)和物品ID至评分服务器104,评分服务器104可以根据用户ID从历史评论中提取用户对应的评论信息,以及根据物品ID从历史评论中提取物品对应的评论信息,通过ID嵌入操作获取用户偏好特征及物品偏好特征。获取评论信息对应的文本特征矩阵;根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品预测的评分。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种评分预测方法,以该方法应用于图1中的评分服务器端为例进行说明,包括以下步骤:
步骤S100,接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息。
其中用户对应的评论信息为当前用户对各个物品的所有评论信息,而物品对应的评论信息则是所有用户对当前物品的所有评论信息,评论信息具体可以以文本格式的信息体现。而用户偏好特征是指用户比较关注物品那个方面的特征,比如物品是某个品牌的手机,用户偏好特征是用户比较关注该手机的那部分特征(如:电池容量大,屏幕清晰);而物品偏好特征是该手机吸引用户的那部分特征(如:像素高)。获取的数据包括用户ID和物品ID。具体的,服务器可以接收用户ID以及物品ID,而后根据用户ID和物品ID,从对应的历史数据中获取用户对应的评论信息和物品对应的评论信息。获取用户偏好特征以及物品偏好特征的过程可以通过ID嵌入模型实现。可以通过ID嵌入模型对用户建模,获取用户偏好特征,通过ID嵌入模型对物品建模,获取物品偏好特征。用户偏好特征与物品偏好特征可以以向量形式表示。
假设用户u的偏好特征为qu,物品i的偏好特征为pi,则:
qu=id_emb_user(idu)
pi=id_emb_item(idi)
其中,idu表示用户编号;idi表示物品编号;id_emb_user()和id_emb_item()均为ID嵌入操作。
构建用户偏好特征或物品偏好特征具体过程包括,统计数据集中用户或物品的数量,然后用自然数对其进行编号,设用户或物品的数量为k,偏好特征的维度为m,则创建用户偏好特征矩阵或者物品偏好特征矩阵为Fid,维度为k×m。
而后初始化偏好特征。目标的偏好特征矩阵Fid用均值μ=0,标准差σ=1的标准正态分布N(0,1)进行随机初始化。
在其中一个实施例中,在步骤S100之前,还包括:获取标准评论容量信息以及标准评论长度信息;根据标准评论容量信息对评论信息进行填充或删除,根据标准评论长度信息对评论信息中单词进行填充或删除。
可以通过将评论的容量以及评论长度对齐,来提高评分预测的效率以及评分模型训练的效率。具体的,假设标准评论容量为num,依据小长度优先的原则删除多余的评论,保留num个;对于评论数量低于num的评论,为其填充空评论,空评论为len个空单词<PAD>组成的评论。假设标准评论长度为len,根据对齐的评论长度len,依靠后优先的原则删除记录评论信息的文本中多余的单词,保留len个;对于评论长度达不到len,为其填充单词<PAD>。通过评论信息的对齐处理,可以有效提高评分数据获取的效率以及模型训练的效率。
S300,获取评论信息对应的文本特征矩阵。
其中文本特征矩阵可以体现评论信息的文本所具有特征,它以矩阵形式表示。可以基于评论信息,提取评论信息对应文本的整体特征,来形成评论信息对应的文本特征矩阵。其中文本特征矩阵中的向量与评论信息中的单词相关。
如图3所示,在其中一个实施例中,步骤S300包括:
S320,通过预设词嵌入模型对评论信息对应文本数据建模,获取评论信息对应的文本张量数据。
S340,通过预设长短期记忆网络模型提取文本张量数据对应文本特征矩阵。
在进行评分预测的过程中,首先可以先通过预设词嵌入模型对评论信息对应的文本数据建模,而后通过数字向量与结果单元相关联,获得文本张量数据,而后通过预设长短期记忆网络,提取该评论信息的所有文本张量数据对应的特征矩阵,该特征矩阵即是这条评论信息对应的文本特征矩阵。
具体的,首先可以统计所有评论文本中的单词构建评论语料库,然后从预设词嵌入模型的预训练嵌入库中选择相应的单词向量进行评论语料库的初始化。设单词的嵌入向量为w,评论的长度为n,评论的嵌入结果为T,则:
T=(w1,w2,...,wn)
而对于文本特征提取,生成文本特征矩阵的过程。则将评论T作为长短期记忆神经网络的输入,设BLH()为以所有隐藏层作为输出的双向长短期记忆神经网络提取特征的操作,该网络每个隐藏层输出为hn,文本特征矩阵为H,则:
H=BLH(T)=(h1,h2,...,hn)
S500,根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征。
群体智慧,也被称集体智能或群智等称。单一个体所做出的决策往往会比起多数个体的决策不精准,群体智慧是一种共享的或者群体的智能,以及集结众人的意见进而转化为决策的一种过程。评论信息中的单词可以记录对应的特征信息,不同的单词被预先分配有不同的权重,权重越大表明单词表征的权重信息越重要。评论信息有用性是用于表征不同的评论有不同的权重,权重越大表明该评论信息越有用。评论信息中包含记录特征信息的单词,可以根据用户偏好特征、物品偏好特征结合文本特征矩阵,来判断各个评论信息对应的评论信息有用性数据。而后结合评论信息有用性以及文本特征矩阵获取群体智慧特征。
在其中一个实施例中,步骤S500之前,还包括:
通过自注意力机制更新评论信息中单词的单词权重。
根据单词权重更新文本特征矩阵。
具体的,通过自注意力机制更新评论信息中单词的单词权重,即将文本特征矩阵H通过两次线性变换求得评论信息对应文本中单词的权重分布,重复r次,即获得r类单词的重要性,表示用户的r种可能的态度倾向,设A为单词的重要性,则:
A=W2tanh(W1*HT)
其中,tanh()表示双曲正切激活函数。
而更新文本特征的过程。则可以将单词的重要性A与原始文本特征H相乘之后,经过平均池化操作得到带有单词重要性的评论文本特征,设Fc为处理后的评论文本特征,则:
Fc=mean_pooling(AH)
mean_pooling()表示平均池化操作。
如图4所示,在其中一个实施例中,步骤S500包括:
S520,通过对文本特征矩阵与用户偏好特征进行注意力机制的交互,获取用户对应的评论信息的有用性。
S540,通过对文本特征矩阵与物品偏好特征进行注意力机制的交互,获取物品对应的评论信息的有用性。
S560,根据评论信息有用性以及文本特征矩阵获取群体智慧特征。
假设评论文本特征Fc,构建完成的偏好特征为Fid,首先分别通过线性变换映射到同一特征空间,然后两者求和后再进行线性变换,最后经过归一化操作提取用户或物品对应的所有评论的权重,即评论的有用性,即:
CA=softmax(W3relu(W1FcT+W2FidT+b))
利用评论的有用性更新文本特征。设F为带有评论的有用性的文本特征,即群体智慧特征,则:
F=sum_pooling(Fc*CA)
sum_pooling()表示求和池化操作。
S700,将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征。
用户隐特征与物品隐特征即分别代表了本申请的评分预测方法中输入用户的表示与输入物品的表示,隐特征包含了单词的重要性、评论的有用性和群体智慧引导的特征的关注性。具体可以通过注意力机制提取群体智慧引导的特征关注性。用户偏好特征首先进行两次线性变换,映射到群体智慧特征的特征空间,然后与群体智慧特征做矩阵乘法操作得到用户对应的用户隐特征,用以表示用户,同理对于物品偏好特征也可以进行类似的处理,具体的公式如下:
Fu表示用户的群体智慧特征,Fi表示物品的群体智慧特征;
Xu表示用户隐特征,Yi表示物品隐特征,该特征均包含单词的重要性、评论的有用性和群体智慧引导的特征的关注性。
S900,根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品的预测评分。
预测评分用于表征输入物品对输入用户的推荐度,预测评分越高,用户越可能偏好该物品,而越低则说明越不偏好该物品。最后可以结合用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获得当前用户对当前物品的预测评分。具体的,在其中一个实施例中,可以根据用户偏好特征、物品偏好特征,通过预设神经隐因子模型交互用户隐特征以及物品隐特征,获取用户对物品的预测评分。具体公式如下,
h0=(qu+Xu)⊙(pi+Yi)
⊙表示元素积;
h0表示用户u和物品i融合的特征;
bu表示用户u的偏置,bi表示物品i的偏置,μ表示全局偏置;
在一个具体的实施例中,可以通过一个评分预测模型来实现本申请的评分预测方法,该评分预测模型包括两个并行的神经网络,两个并行的神经网络分别用于对输入的当前用户以及当前物品进行处理,神经网络内嵌入了实现上述过程所用到的模型,通过两个并行的神经网络可以分别求取输入的当前用户以及当前物品的隐特征,最后通过综合的神经隐因子模型预测评分。在实现评分预测之前,还包括了对评分预测模型的训练过程,具体可以通过包含有标记评分的训练集数据来对评分预测模型进行训练的步骤,通过将训练集数据输入到评分预测模型,通过初始的评分预测模型计算得到预测的评分,然后计算预测评分与训练集的标记评分的均方根误差,回归更新模型中的参数进行迭代训练,直到误差小于设定阈值或训练次数达到设定值时,停止迭代。得到最终的可用模型。
上述评分预测方法,通过接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息;获取评论信息对应的文本特征矩阵;根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品的预测评分。本申请通过用户和物品的评论信息来获取群体智慧特征,而后通过群体智慧特征来提取物品的隐特征,来获取用户与物品的匹配评分,可以有效提高推荐系统的评分准确度。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种评分预测装置,包括:
偏好特征获取模块100,用于接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
特征矩阵获取模块300,用于获取评论信息对应的文本特征矩阵;
群体智慧特征获取模块500,用于根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;
隐特征获取模块700,用于将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
评分预测模块900,用于根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品的预测评分。
在其中一个实施例中,特征矩阵获取模块300用于:通过预设词嵌入模型对评论信息对应文本数据建模,获取评论信息对应的文本张量数据;通过预设长短期记忆网络模型提取文本张量数据对应文本特征矩阵。
在其中一个实施例中,还包括特征矩阵更新模块,具体用于通过自注意力机制更新评论信息中单词的单词权重;根据单词权重更新文本特征矩阵。
在其中一个实施例中,群体智慧特征获取模块500具体用于:通过对文本特征矩阵与用户偏好特征进行注意力机制的交互,获取用户对应的评论信息的有用性;通过对文本特征矩阵与物品偏好特征进行注意力机制的交互,获取物品对应的评论信息的有用性;根据评论信息有用性以及文本特征矩阵获取群体智慧特征。
在其中一个实施例中,评分预测模块900具体用于:根据用户偏好特征、物品偏好特征,通过预设神经隐因子模型交互用户隐特征以及物品隐特征,获取用户对物品的预测评分。
在其中一个实施例中,还包括数据预处理模块,用于获取标准评论容量信息以及标准评论长度信息;根据标准评论容量信息对评论信息进行填充或删除,根据标准评论长度信息对评论信息中单词进行填充或删除。
关于评分预测装置的具体限定可以参见上文中对于评分预测方法的限定,在此不再赘述。上述评分预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储评分预测模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种评分预测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
获取评论信息对应的文本特征矩阵;
根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;
将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品的预测评分。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过预设词嵌入模型对评论信息对应文本数据建模,获取评论信息对应的文本张量数据;通过预设长短期记忆网络模型提取文本张量数据对应文本特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过自注意力机制更新评论信息中单词的单词权重;根据单词权重更新文本特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过对文本特征矩阵与用户偏好特征进行注意力机制的交互,获取用户对应的评论信息的有用性;通过对文本特征矩阵与物品偏好特征进行注意力机制的交互,获取物品对应的评论信息的有用性;根据评论信息有用性以及文本特征矩阵获取群体智慧特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据用户偏好特征、物品偏好特征,通过预设神经隐因子模型交互用户隐特征以及物品隐特征,获取用户对物品的预测评分。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取标准评论容量信息以及标准评论长度信息;根据标准评论容量信息对评论信息进行填充或删除,根据标准评论长度信息对评论信息中单词进行填充或删除。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,用户对应的评论信息为用户发出的评论信息,物品对应的评论信息为物品被评论的评论信息;
获取评论信息对应的文本特征矩阵;
根据文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据评论信息有用性以及文本特征矩阵获取群体智慧特征;
将用户偏好特征以及物品偏好特征映射至群体智慧特征的特征空间,获取用户隐特征与物品隐特征;
根据用户偏好特征、物品偏好特征、用户隐特征以及物品隐特征,获取用户对物品的预测评分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过预设词嵌入模型对评论信息对应文本数据建模,获取评论信息对应的文本张量数据;通过预设长短期记忆网络模型提取文本张量数据对应文本特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过自注意力机制更新评论信息中单词的单词权重;根据单词权重更新文本特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过对文本特征矩阵与用户偏好特征进行注意力机制的交互,获取用户对应的评论信息的有用性;通过对文本特征矩阵与物品偏好特征进行注意力机制的交互,获取物品对应的评论信息的有用性;根据评论信息有用性以及文本特征矩阵获取群体智慧特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据用户偏好特征、物品偏好特征,通过预设神经隐因子模型交互用户隐特征以及物品隐特征,获取用户对物品的预测评分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取标准评论容量信息以及标准评论长度信息;根据标准评论容量信息对评论信息进行填充或删除,根据标准评论长度信息对评论信息中单词进行填充或删除。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序指令相关的硬件来完成的,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种评分预测方法,包括:
接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,所述用户对应的评论信息为所述用户发出的评论信息,所述物品对应的评论信息为所述物品被评论的评论信息;
获取所述评论信息对应的文本特征矩阵;
根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征;
将所述用户偏好特征以及所述物品偏好特征映射至所述群体智慧特征的特征空间,获取用户隐特征与物品隐特征,所述隐特征包含了单词的重要性、评论的有用性和群体智慧引导的特征的关注性,所述群体智慧引导的特征关注性通过注意力机制提取,所述单词的重要性通过自注意力机制更新所述评论信息中单词的单词权重获取;
根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
2.根据权利要求1所述的方法,其特征在于,所述获取所述评论信息对应的文本特征矩阵包括:
通过预设词嵌入模型对所述评论信息对应文本数据建模,获取所述评论信息对应的文本张量数据;
通过预设长短期记忆网络模型提取所述文本张量数据对应文本特征矩阵。
3.根据权利要求1所述的方法,其特征在于,所述根据所述文本特征矩阵、用户偏好特征以及物品偏好特征获取评论信息有用性,根据所述评论信息有用性获取群体智慧特征之前,还包括:
通过自注意力机制更新所述评论信息中单词的单词权重;
根据所述单词权重更新所述文本特征矩阵。
4.根据权利要求1所述的方法,其特征在于,所述根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征包括:
通过对所述文本特征矩阵与用户偏好特征进行注意力机制的交互,获取用户对应的评论信息的有用性;
通过对所述文本特征矩阵与物品偏好特征进行注意力机制的交互,获取物品对应的评论信息的有用性;
根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征。
5.根据权利要求1所述的方法,其特征在于,所述根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分包括:
根据所述用户偏好特征、所述物品偏好特征,通过预设神经隐因子模型交互所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
6.根据权利要求5所述的方法,其特征在于,所述获取用户对应的评论信息以及物品对应的评论信息之前还包括:
获取标准评论容量信息以及标准评论长度信息;
根据所述标准评论容量信息对所述评论信息进行填充或删除,根据所述标准评论长度信息对所述评论信息中单词进行填充或删除。
7.一种评分预测装置,其特征在于,所述装置包括:
偏好特征获取模块,用于接收用户ID和物品ID,获取用户偏好特征和物品偏好特征以及用户对应的评论信息和物品对应的评论信息,所述用户对应的评论信息为用户发出的评论信息,所述物品对应的评论信息为物品被评论的评论信息;
特征矩阵获取模块,用于获取所述评论信息对应的文本特征矩阵;
群体智慧特征获取模块,用于根据所述文本特征矩阵、所述用户偏好特征以及所述物品偏好特征获取评论信息有用性,根据所述评论信息有用性以及所述文本特征矩阵获取群体智慧特征;
隐特征获取模块,用于将所述用户偏好特征以及所述物品偏好特征映射至所述群体智慧特征的特征空间,获取用户隐特征与物品隐特征,所述隐特征包含了单词的重要性、评论的有用性和群体智慧引导的特征的关注性,所述群体智慧引导的特征关注性通过注意力机制提取,所述单词的重要性通过自注意力机制更新所述评论信息中单词的单词权重获取;
评分预测模块,用于根据所述用户偏好特征、所述物品偏好特征、所述用户隐特征以及所述物品隐特征,获取所述用户对所述物品的预测评分。
8.根据权利要求7所述的装置,其特征在于,所述特征矩阵获取模块用于:
通过预设词嵌入模型对所述评论信息对应文本数据建模,获取所述评论信息对应的文本张量数据;
通过预设长短期记忆网络模型提取所述文本张量数据对应文本特征矩阵。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911074663.7A CN110866637B (zh) | 2019-11-06 | 2019-11-06 | 评分预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911074663.7A CN110866637B (zh) | 2019-11-06 | 2019-11-06 | 评分预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866637A CN110866637A (zh) | 2020-03-06 |
CN110866637B true CN110866637B (zh) | 2022-07-05 |
Family
ID=69654173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911074663.7A Active CN110866637B (zh) | 2019-11-06 | 2019-11-06 | 评分预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866637B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415222B (zh) * | 2020-03-19 | 2023-05-02 | 苏州大学 | 一种物品推荐方法、装置、设备及计算机可读存储介质 |
CN112784173B (zh) * | 2021-02-26 | 2022-06-10 | 电子科技大学 | 一种基于自注意力对抗神经网络的推荐系统评分预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996143A (zh) * | 2014-05-12 | 2014-08-20 | 华东师范大学 | 一种基于隐式偏见和好友兴趣的电影评分预测方法 |
CN105654339A (zh) * | 2015-12-28 | 2016-06-08 | 无锡城市云计算中心有限公司 | 一种对评论有用性进行评估和排序的方法和装置 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN109886779A (zh) * | 2019-01-30 | 2019-06-14 | 上海大学 | 一种智能商品推荐系统 |
-
2019
- 2019-11-06 CN CN201911074663.7A patent/CN110866637B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996143A (zh) * | 2014-05-12 | 2014-08-20 | 华东师范大学 | 一种基于隐式偏见和好友兴趣的电影评分预测方法 |
CN105654339A (zh) * | 2015-12-28 | 2016-06-08 | 无锡城市云计算中心有限公司 | 一种对评论有用性进行评估和排序的方法和装置 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN109886779A (zh) * | 2019-01-30 | 2019-06-14 | 上海大学 | 一种智能商品推荐系统 |
Non-Patent Citations (1)
Title |
---|
基于在线评论挖掘的网络购物混合推荐模型及策略研究;李金海;《中国博士学位论文全文数据库 经济与管理科学辑》;20160815;第92-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110866637A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598206B (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
US9807473B2 (en) | Jointly modeling embedding and translation to bridge video and language | |
WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN108563782B (zh) | 商品信息格式处理方法、装置、计算机设备和存储介质 | |
CN110598845A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111178949B (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
CN112085565A (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN110866637B (zh) | 评分预测方法、装置、计算机设备和存储介质 | |
CN112418292A (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112801425B (zh) | 信息点击率的确定方法、装置、计算机设备和存储介质 | |
CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
CN111178986B (zh) | 用户-商品偏好的预测方法及系统 | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN113392229A (zh) | 供应链关系构建和预测方法、装置、设备、存储介质 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN111310462A (zh) | 用户属性的确定方法、装置、设备及存储介质 | |
CN114117048A (zh) | 一种文本分类的方法、装置、计算机设备及存储介质 | |
CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115018608A (zh) | 风险预测方法、装置、计算机设备 | |
CN114548242A (zh) | 用户标签识别方法、装置、电子设备和计算机可读存储介质 | |
CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |