CN111667344A - 一种融合评论与评分的个性化推荐方法 - Google Patents

一种融合评论与评分的个性化推荐方法 Download PDF

Info

Publication number
CN111667344A
CN111667344A CN202010510620.5A CN202010510620A CN111667344A CN 111667344 A CN111667344 A CN 111667344A CN 202010510620 A CN202010510620 A CN 202010510620A CN 111667344 A CN111667344 A CN 111667344A
Authority
CN
China
Prior art keywords
user
matrix
latent
item
subject
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.)
Pending
Application number
CN202010510620.5A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongsenyunlian Chengdu Technology Co ltd
Original Assignee
Zhongsenyunlian Chengdu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongsenyunlian Chengdu Technology Co ltd filed Critical Zhongsenyunlian Chengdu Technology Co ltd
Priority to CN202010510620.5A priority Critical patent/CN111667344A/zh
Publication of CN111667344A publication Critical patent/CN111667344A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种融合评论与评分的个性化推荐方法，针对推荐系统存在的评分数据的稀疏性问题，通过利用用户评论挖掘用户对物品的兴趣偏好，可以极大的提高评分预测的准确性和缓解评分数据的稀疏性。本发明首先利用LDA主题模型挖掘用户和物品评论中的主题特征，将其送入多层感知器学习用户和物品的主题特征之间的交互；其次利用矩阵分解技术挖掘用户和物品的其他潜特征，并将其送入多层感知器学习用户和物品的其他潜特征之间的交互；最后将用户和物品的特征进行融合并预测用户对物品的评分，可以提高推荐的准确性。

Description

一种融合评论与评分的个性化推荐方法
技术领域
本发明设计物品推荐方法，具体是融合评论与评分的个性化推荐方法。
背景技术
随着互联网技术的高速发展，推荐系统在我们生活中已经随处可见。电子商务网站如淘宝、亚马逊等为用户推荐感兴趣的商品，搜索引擎网站如百度、iGoogle等为用户推荐优质的信息检索服务，位置服务平台如大众点评为用户推荐附近优质商家和消费优惠信息，新闻推荐如一点资讯、今日头条等为用户推荐感兴趣的新闻资讯。
由于实际生活中用户的需求千变万化，个性化推荐成为网络应用中不可或缺的重要部分，人们更喜欢根据自己的需要定制专属的推荐服务，通过从用户的历史交易数据中挖掘用户对物品的兴趣偏好，可以为用户提供更准确的个性化推荐服务，帮助用户快速做出购物选择，既可以增强推荐系统的透明度，又能赢得用户的信任。
经过研究发现，随着电子商务网站上用户的交易规模逐渐扩大，用户的评论数据也逐渐增加，评论数据反映了用户对物品某些具体特征的兴趣偏好，因此将用户评论数据用于推荐是现有很多个性化推荐工作的研究兴趣点之一。虽然近年来很多相关学者已经进行了个性化推荐评分预测的研究，但是现有的研究工作仍然存在一些问题。问题一是：现有的研究中主要以评分数据为主，将用户和物品评论数据结合用于个性化推荐的研究较少，评分数据无法体现出用户对物品某些具体特征的兴趣偏好，而评论数据正好可以解决这个问题。问题二是：现有方法未深入学习用户和物品特征之间的交互关系。对于个性化推荐评分预测，现有的方法主要是将辅助信息加入评分预测中，一些方法是利用第三方工具提取评论中用户的情感信息用于评分预测，但这类方法比较依赖于情感词典的创建，且很少考虑用户和物品的评分信息，还有一些方法是利用传统的因子分解机来学习用户和物品特征之间的交互关系，这类方法不能学习到用户和物品特征之间的非线性交互关系，导致了用户偏好建模存在偏差，从而影响评分预测的性能。根据我们观察，实际生活中，虽然用户的交易规模逐渐扩大，但是用户不可能对所有物品评分，一些新用户和新物品甚至都没有评分，因此，用户对物品的评分数据是极其稀疏的，仅利用评分数据不仅会影响评分预测的性能，而且无法为用户提供更准确的个性化推荐。
发明内容
本发明的目的在于克服上述物品推荐现有方法中存在的问题和不足，提供一种融合评论与评分的个性化推荐方法，本发明首先利用LDA主题模型挖掘用户和物品评论中的主题特征，将其送入多层感知器学习用户和物品的主题特征之间的交互；其次利用矩阵分解技术挖掘用户和物品的其他潜特征，并将其送入多层感知器学习用户和物品的其他潜特征之间的交互；最后将用户和物品的特征进行融合并预测用户对物品的评分，可以提高推荐的准确性。
为实现本发明的目的，本发明是一种融合评论与评分的个性化推荐方法，物品推荐包括以下步骤：
步骤1：从互联网中采集用户数据对其进行预处理，生成用户行为数据存放到用户行为信息数据库。
步骤2：利用LDA主题模型挖掘用户和物品评论中的主题特征，基于训练集构建用户—主题特征矩阵Tu和物品—主题特征矩阵Tv。
步骤3：将步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv的乘积送入多层感知器中，学习得到用户和物品主题特征的交互矩阵Tuv。
步骤4：利用矩阵分解技术挖掘用户和物品的其他潜特征，基于训练集构建用户潜特征矩阵Xu和物品潜特征矩阵Xv。
步骤5：将步骤4中的用户潜特征矩阵Xu和物品潜特征矩阵Xv的乘积送入多层感知器中，学习得到用户和物品潜特征的交互矩阵Xuv。
步骤6：将步骤3中得到的用户和物品主题特征的交互矩阵Tuv和步骤5中得到的用户和物品潜特征的交互矩阵Xuv融合并预测用户对物品的评分。
步骤7：根据预测的用户对物品的评分，给用户推荐Top-k个物品。
所述步骤1采集的数据至少包括用户唯一ID、物品唯一的ID、用户对物品的评论文本内容、评论文本内容唯一的ID、用户对物品评分数据存放于用户行为信息数据库中。
所述步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv是根据LDA主题模型从用户对物品的评论数据学习得到的。
所述步骤3是将步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv的乘积送入多层感知器中，学习得到用户和物品主题特征的交互矩阵Tuv，公式计算如下：
Figure BDA0002528066110000041
其中，Tu是用户—主题特征矩阵，Tv是物品—主题特征矩阵，
Figure BDA0002528066110000042
是Hadamard积，Li是多层感知器中第i层的输出，l是多层感知器中全连接层的层数，Wi是第i层的权重矩阵，bi是第i层的偏置项，层与层间均采用ReLu函数作为激活函数，Tuv是学习得到的用户和物品主题特征的交互矩阵。
所述步骤4是利用矩阵分解技术挖掘用户和物品的其他潜特征，用户-物品历史评分矩阵R可分解为用户潜特征矩阵Xu和物品潜特征矩阵Xv:
R≈XuXv T (2)
所述步骤5是将步骤4中的用户潜特征矩阵Xu和物品潜特征矩阵Xv的乘积送入多层感知器中，学习得到用户和物品潜特征的交互矩阵Xuv，公式计算如下：
Figure BDA0002528066110000051
其中，Xu是用户潜特征矩阵，Xv是物品潜特征矩阵，
Figure BDA0002528066110000052
是Hadamard积，Li是多层感知器中第i层的输出，l是多层感知器中全连接层的层数，Wi是第i层的权重矩阵，bi是第i层的偏置项，层与层间均采用ReLu函数作为激活函数，Xuv是用户和物品潜特征的交互矩阵。
所述步骤6是将步骤3中得到的用户和物品主题特征的交互矩阵Tuv和步骤5中得到的用户和物品潜特征的交互矩阵Xuv融合，融合方式采用特征拼接的形式，并计算得到预测的用户对物品的评分，公式计算如下：
Figure BDA0002528066110000053
其中，
Figure BDA0002528066110000054
是预测的用户-物品评分矩阵，Woutput是输出层的权重矩阵，Tuv是用户和物品主题特征的交互矩阵，Xuv是用户和物品潜特征的交互矩阵，concat是特征的拼接操作。
模型的参数可以通过优化如下模型得到：
Figure BDA0002528066110000055
其中，T表示测试集，Ruv是用户-物品历史评分矩阵，
Figure BDA0002528066110000056
是预测的用户-物品评分矩阵，该函数衡量的是预测评分和实际评分之间的差值，该模型可利用Adam优化器进行优化。
所述评估推荐模型的好坏用MAE和RMSE表示，其计算公式如下：
Figure BDA0002528066110000061
Figure BDA0002528066110000062
其中，T表示测试集，rui是真实的用户u对物品i的评分，
Figure BDA0002528066110000063
是预测的用户u对物品i的评分，两个指标的值越小表明评分预测的效果越好。
根据预测的用户对物品的评分，给用户推荐Top-k个物品。
附图说明
图1为本发明的物品推荐方法流程图。
具体实施方式
从互联网中采集用户数据对其进行预处理，生成用户行为数据存放到用户行为信息数据库。
利用主题模型，基于训练集构建用户—主题特征矩阵Tu和物品—主题特征矩阵Tv。
将步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv的乘积送入多层感知器中，学习得到用户和物品主题特征的交互矩阵Tuv
利用矩阵分解技术，基于训练集构建用户潜特征矩阵Xu和物品潜特征矩阵Xv。
将步骤4中的用户潜特征矩阵Xu和物品潜特征矩阵Xv的乘积送入多层感知器中，学习得到用户和物品潜特征的交互矩阵Xuv。
将步骤3中得到的用户和物品主题特征的交互矩阵Tuv和步骤5中得到的用户和物品潜特征的交互矩阵Xuv融合并预测用户对物品的评分。
根据预测的用户对物品的评分，给用户推荐Top-k个物品。

Claims (9)

1.一种融合评论与评分的个性化推荐方法，其特征在于包括以下步骤：
步骤1：从互联网中采集用户数据对其进行预处理，生成用户行为数据存放到用户行为信息数据库。
步骤2：利用LDA主题模型挖掘用户和物品评论中的主题特征，基于训练集构建用户—主题特征矩阵Tu和物品—主题特征矩阵Tv。
步骤3：将步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv的乘积送入多层感知器中，学习得到用户和物品主题特征的交互矩阵Tuv。
步骤4：利用矩阵分解技术挖掘用户和物品的其他潜特征，基于训练集构建用户潜特征矩阵Xu和物品潜特征矩阵Xv。
步骤5：将步骤4中的用户潜特征矩阵Xu和物品潜特征矩阵Xv的乘积送入多层感知器中，学习得到用户和物品潜特征的交互矩阵Xuv。
步骤6：将步骤3中得到的用户和物品主题特征的交互矩阵Tuv和步骤5中得到的用户和物品潜特征的交互矩阵Xuv融合并预测用户对物品的评分。
步骤7：根据预测的用户对物品的评分，给用户推荐Top-k个物品。
2.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述步骤1采集的数据至少包括用户唯一ID、物品唯一的ID、用户对物品的评论文本内容、评论文本内容唯一的ID、用户对物品评分数据存放于用户行为信息数据库中。
3.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv是根据LDA主题模型从用户对物品的评论数据学习得到的。
4.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述步骤3是将步骤2中的用户—主题特征矩阵Tu和物品—主题特征矩阵Tv的乘积送入多层感知器中，学习得到用户和物品主题特征的交互矩阵Tuv，公式计算如下：
Figure FDA0002528066100000021
其中，Tu是用户—主题特征矩阵，Tv是物品—主题特征矩阵，⊙是Hadamard积，Li是多层感知器中第i层的输出，l是多层感知器中全连接层的层数，Wi是第i层的权重矩阵，bi是第i层的偏置项，层与层间均采用ReLu函数作为激活函数，Tuv是学习得到的用户和物品主题特征的交互矩阵。
5.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述步骤4是利用矩阵分解技术挖掘用户和物品的其他潜特征，用户-物品历史评分矩阵R可分解为用户潜特征矩阵Xu和物品潜特征矩阵Xv:
R≈XuXv T (2)
6.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述步骤5是将步骤4中的用户潜特征矩阵Xu和物品潜特征矩阵Xv的乘积送入多层感知器中，学习得到用户和物品潜特征的交互矩阵Xuv，公式计算如下：
Figure FDA0002528066100000031
其中，Xu是用户潜特征矩阵，Xv是物品潜特征矩阵，⊙是Hadamard积，Li是多层感知器中第i层的输出，l是多层感知器中全连接层的层数，Wi是第i层的权重矩阵，bi是第i层的偏置项，层与层间均采用ReLu函数作为激活函数，Xuv是用户和物品潜特征的交互矩阵。
7.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述步骤6是将步骤3中得到的用户和物品主题特征的交互矩阵Tuv和步骤5中得到的用户和物品潜特征的交互矩阵Xuv融合，融合方式采用特征拼接的形式，并计算得到预测的用户对物品的评分，公式计算如下：
Figure FDA0002528066100000032
其中，
Figure FDA0002528066100000033
是预测的用户-物品评分矩阵，Woutput是输出层的权重矩阵，Tuv是用户和物品主题特征的交互矩阵，Xuv是用户和物品潜特征的交互矩阵，concat是特征的拼接操作。
模型的参数可以通过优化如下模型得到：
Figure FDA0002528066100000034
其中，T表示测试集，Ruv是用户-物品历史评分矩阵，
Figure FDA0002528066100000035
是预测的用户-物品评分矩阵，该函数衡量的是预测评分和实际评分之间的差值，该模型可利用Adam优化器进行优化。
8.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：所述评估推荐模型的好坏用MAE和RMSE表示，其计算公式如下：
Figure FDA0002528066100000041
Figure FDA0002528066100000042
其中，T表示测试集，rui是真实的用户u对物品i的评分，
Figure FDA0002528066100000043
是预测的用户u对物品i的评分，两个指标的值越小表明评分预测的效果越好。
9.根据权利要求1所述的融合评论与评分的个性化推荐方法，其特征在于：根据预测的用户对物品的评分，给用户推荐Top-k个物品。
CN202010510620.5A 2020-06-08 2020-06-08 一种融合评论与评分的个性化推荐方法 Pending CN111667344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010510620.5A CN111667344A (zh) 2020-06-08 2020-06-08 一种融合评论与评分的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010510620.5A CN111667344A (zh) 2020-06-08 2020-06-08 一种融合评论与评分的个性化推荐方法

Publications (1)

Publication Number Publication Date
CN111667344A true CN111667344A (zh) 2020-09-15

Family

ID=72387031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010510620.5A Pending CN111667344A (zh) 2020-06-08 2020-06-08 一种融合评论与评分的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN111667344A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881689A (zh) * 2022-04-26 2022-08-09 驰众信息技术（上海）有限公司 基于矩阵分解的楼宇推荐方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202519A (zh) * 2016-07-22 2016-12-07 桂林电子科技大学 一种结合用户评论内容和评分的项目推荐方法
CN109933721A (zh) * 2019-02-01 2019-06-25 中森云链(成都)科技有限责任公司 一种融合用户隐式物品偏好与隐式信任的可解释推荐方法
CN109993636A (zh) * 2019-04-16 2019-07-09 中森云链(成都)科技有限责任公司 一种融合方面信息的习题可解释推荐评分预测方法
CN110059262A (zh) * 2019-04-19 2019-07-26 武汉大学 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法
CN110321485A (zh) * 2019-06-19 2019-10-11 淮海工学院 一种结合用户评论与评分信息的推荐算法
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202519A (zh) * 2016-07-22 2016-12-07 桂林电子科技大学 一种结合用户评论内容和评分的项目推荐方法
CN109933721A (zh) * 2019-02-01 2019-06-25 中森云链(成都)科技有限责任公司 一种融合用户隐式物品偏好与隐式信任的可解释推荐方法
CN109993636A (zh) * 2019-04-16 2019-07-09 中森云链(成都)科技有限责任公司 一种融合方面信息的习题可解释推荐评分预测方法
CN110059262A (zh) * 2019-04-19 2019-07-26 武汉大学 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法
CN110321485A (zh) * 2019-06-19 2019-10-11 淮海工学院 一种结合用户评论与评分信息的推荐算法
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯勇;韩晓龙;顾兆旭;王龙;徐孟阳;刘志国;: "基于耦合CNN评分预测模型的个性化商品推荐", 小型微型计算机系统, no. 02, pages 393 - 398 *
李琳;刘锦行;孟祥福;苏畅;李鑫;钟珞;: "融合评分矩阵与评论文本的商品推荐模型", 计算机学报, no. 07, pages 1559 - 1573 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881689A (zh) * 2022-04-26 2022-08-09 驰众信息技术（上海）有限公司 基于矩阵分解的楼宇推荐方法和系统

Similar Documents

Publication Publication Date Title
Riaz et al. Opinion mining on large scale data using sentiment analysis and k-means clustering
US11204972B2 (en) Comprehensive search engine scoring and modeling of user relevance
CN111914096A (zh) 基于舆情知识图谱的公共交通乘客满意度评价方法及系统
Alharbi et al. Evaluation of sentiment analysis via word embedding and RNN variants for Amazon online reviews
CN109933721B (zh) 一种融合用户隐式物品偏好与隐式信任的可解释推荐方法
CN111242729A (zh) 一种基于长短期兴趣的序列化推荐方法
CN111242679A (zh) 一种基于产品评论观点挖掘的销量预测方法
US20220237386A1 (en) Aspect-aware sentiment analysis of user reviews
Shen et al. A voice of the customer real-time strategy: An integrated quality function deployment approach
CN116468460B (zh) 基于人工智能的消费金融客户画像识别系统及其方法
Yin et al. Ranking products through online reviews considering the mass assignment of features based on BERT and q-rung orthopair fuzzy set theory
CN111274493B (zh) 一种基于多源用户评论的评分预测方法
CN115525744A (zh) 一种基于提示学习方法的对话推荐系统
CN112632377A (zh) 一种基于用户评论情感分析与矩阵分解的推荐方法
CN113420212A (zh) 基于深度特征学习的推荐方法、装置、设备及存储介质
CN115982473A (zh) 一种基于aigc的舆情分析编排系统
CN111667344A (zh) 一种融合评论与评分的个性化推荐方法
Mahadevan et al. Credible user-review incorporated collaborative filtering for video recommendation system
CN112182227A (zh) 基于transD知识图嵌入的文本情感分类系统及方法
Raviya et al. An approach for recommender system based on multilevel sentiment analysis using hybrid deep learning models
CN115659990A (zh) 烟草情感分析方法、装置及介质
CN113850656A (zh) 一种融合多模态数据基于注意力感知的个性化服装推荐方法及系统
Tang et al. Service recommendation based on dynamic user portrait: an integrated approach
CN113538106A (zh) 基于评论整合挖掘的商品精细化推荐方法
Mao et al. TCR: Temporal-CNN for reviews based recommendation system

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