CN112182156B - 基于文本处理的方面级可解释深度网络评分预测推荐方法 - Google Patents

基于文本处理的方面级可解释深度网络评分预测推荐方法 Download PDF

Info

Publication number
CN112182156B
CN112182156B CN202011038985.9A CN202011038985A CN112182156B CN 112182156 B CN112182156 B CN 112182156B CN 202011038985 A CN202011038985 A CN 202011038985A CN 112182156 B CN112182156 B CN 112182156B
Authority
CN
China
Prior art keywords
text
user
vector
emb
item
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
Application number
CN202011038985.9A
Other languages
English (en)
Other versions
CN112182156A (zh
Inventor
张天蔚
程志勇
舒明雷
董祥军
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202011038985.9A priority Critical patent/CN112182156B/zh
Publication of CN112182156A publication Critical patent/CN112182156A/zh
Application granted granted Critical
Publication of CN112182156B publication Critical patent/CN112182156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

一种基于文本处理的方面级可解释深度网络评分预测推荐方法，通过深入挖掘用户与物品之间在方面级层面上的关联，从而进行精准的、可解释强的评分预测工作，方面级指的就是用户对物品作出评价时所关注的角度。通过深入挖掘用户与物品之间在方面级层面上的关联，可以有效刻画该用户的关注习惯，亦可以从多种角度描述该物品，这些最终都可以体现到评论的文本内容中，被人们直观的理解。在传统的协同过滤推荐思想之上，利用卷积神经网络抽取评论文本中的特征向量作为辅助信息参与评分预测推荐，提升了评分预测推荐效果，从而提高了推荐系统的可解释性。

Description

基于文本处理的方面级可解释深度网络评分预测推荐方法
技术领域
本发明涉及深度学习及推荐系统中评分预测技术领域，具体涉及一种基于文本处理的方面级可解释深度网络评分预测推荐方法。
背景技术
在推荐系统领域中，最为经典且被广泛应用的，就是协同过滤思想。但是，传统的协同过滤技术存在诸多问题，例如泛化性一般、冷启动问题、可解释性差等，其中又以可解释性差这一缺点最为人所诟病——由于传统的协同过滤思想旨在分析所谓的“隐式反馈”，将用户信息与物品信息抽象成向量或者其他形式进行处理，试图用这些抽象信息来刻画用户/物品，而这些抽象出的向量无法被人们直观的理解，进而导致了较差的可解释性。
发明内容
本发明为了克服以上技术的不足，提供了一种深入挖掘用户与物品之间在“方面”层面上的关联，可以有效刻画该用户的关注习惯，提高了推荐系统的可解释性的推荐方法。
本发明克服其技术问题所采用的技术方案是：
一种基于文本处理的方面级可解释深度网络评分预测推荐方法，包括如下步骤：
a)在含评论文本的用户-物品-评分数据集D中，将每一个用户u和每一个物品i转变为代表其自身的嵌入式向量Embu及Embi，Embu及Embi的长度为K，K为超参数，K＝128；
b)将数据集D中评论文本信息进行清洗与格式处理，构建评论文本中每一个单词的上下文窗口，每一个构建所得的窗口作为一个方面级；
c)在经步骤b)处理后的数据集D中抽取由文本信息辅助表征每个用户u的辅助向量Vu和每一个物品i的辅助向量Vi，结合注意力机制，将辅助向量Vu和辅助向量Vi与嵌入式向量Embu及Embi相融合，得到融合特征向量Attweiahts；
d)建立并训练基于文本信息处理的可解释深度网络评分预测模型，模型的输入为嵌入式向量Embu、Embi以及辅助向量Vu、Vi，模型的输出为用户u对物品i的评分。
进一步的，步骤a)中用户-物品-评分数据集D为Amazon Instant Video公开数据集或Home and Kitchen公开数据集或Tools and Home Improvement公开数据集。
进一步的，步骤a)中通过pytorch深度学习框架中的nn.Embedding()功能将每一个用户u和每一个物品i转变为代表其自身的嵌入式向量Embu及Embi。
进一步的，步骤b)包括如下步骤：
b-1)将数据集D中所有的评论文本进行清洗操作，去除非英文字母内容、去除标点符合及特殊符号、将所有英文字母同意转变为小写形式、去除停止词、去除出现次数小于3次级出现次数大于3000次的词语；
b-2)读取预训练好的Word2Vector文件，将步骤a)中将数据集D中的用户id和物品id进行序号化操作；
b-3)按获取的序号化顺序，依次读取每个用户的评论文本，将读取的每个用户发表的所有评论内容整合成一整段文字，该整段文字处理成由N个英文单词组成，N＝2×K；
b-4)按获取的序号化顺序，依次读取每个物品的评论文本，将读取的每个物品作出的所有评论内容整合成一整段文字，该整段文字处理成由N个英文单词组成，N＝2×K；
b-5)利用预训练好的Word2Vector文件将b-3)中得到的每个用户的N个英文单词组成的文本片段中每一个英文单词转化为对应的特征文本向量，得到一个维度为(N,K)的特征矩阵，将该矩阵记为WU；
b-6)利用预训练好的Word2Vector文件将b-4)中得到的每个物品的N个英文单词组成的文本片段中每一个英文单词转化为对应的特征文本向量，得到一个维度为(N,K)的特征矩阵，将该矩阵记为WI；
b-7)利用公式ZU,i＝(WU[i-c/2]；…；WU[i]；…；WU[i+c/2])，计算用户评论文本中第i个单词的上下文窗口ZU,i，式中c为滑动窗口的宽度；
b-8)利用公式ZI,i＝(WI[i-c/2]；…；WI[i]；…；WI[i+c/2])，计算物品评论文本中第i个单词的上下文窗口ZI,i，式中c为滑动窗口的宽度。
进一步的，步骤b-3)及步骤b-4)中若整段文字长度大于N则从第一个单词开始计算保留整段文字前N个单词，若整段文字长度小于N，则复制整段文字并在原整段文字的末尾进行粘贴，重复复制粘贴操作，直至整段文字的长度大于等于N后取整段文字的前N个单词。
进一步的，步骤c)包括如下步骤：
c-1)使用卷积神经网络对特征矩阵WU、特征矩阵WI、上下文窗口ZU,i及上下文窗口ZI,i进行特征提取，得到由文本信息辅助表征的每一个用户u的辅助向量Vu和每一个物品i的辅助向量Vi，Vu和Vi的长度为K；
c-2)通过公式
Figure BDA0002705484130000031
计算得到注意力融合特征向量Attweiahts，式中
Figure BDA0002705484130000032
为向量逐元素对应相加，W为线性映射函数的权重矩阵，b为偏差向量，RELU为线性整流单元激活函数，softmax为用户实现注意力机制的归一化函数Attweiahts的长度为K；
c-3)通过公式
Figure BDA0002705484130000033
计算融合了用户和物品特征信息的融合向量Eui，式中⊙为逐元素相乘。
进一步的，步骤d)包括如下步骤：
d-1)通过公式Input＝Attweiahts⊙Eui计算可解释深度网络评分预测模型的输入向量Input；
d-2)通过公式
Figure BDA0002705484130000034
计算得到网络预测出的评分
Figure BDA0002705484130000035
d-3)通过公式
Figure BDA0002705484130000041
计算损失函数L，式中，R为数据集中真实的评分，m为网络预测出的评分
Figure BDA0002705484130000042
的个数；
d-4)利用损失函数L对模型进行训练。
本发明的有益效果是：通过深入挖掘用户与物品之间在方面级层面上的关联，从而进行精准的、可解释强的评分预测工作，方面级指的就是用户对物品作出评价时所关注的角度。通过深入挖掘用户与物品之间在方面级层面上的关联，可以有效刻画该用户的关注习惯，亦可以从多种角度描述该物品，这些最终都可以体现到评论的文本内容中，被人们直观的理解。在传统的协同过滤推荐思想之上，利用卷积神经网络抽取评论文本中的特征向量作为辅助信息参与评分预测推荐，提升了评分预测推荐效果，从而提高了推荐系统的可解释性。
具体实施方式
下面对本发明做进一步说明。
一种基于文本处理的方面级可解释深度网络评分预测推荐方法，包括如下步骤：
a)在含评论文本的用户-物品-评分数据集D中，将每一个用户u和每一个物品i转变为代表其自身的嵌入式向量Embu及Embi，Embu及Embi的长度为K，这里我们用字母K表示特征向量的长度，在算法实际运行过程中，K作为一个超参数，可以随着我们的需要而进行调整，例如K可取128、64、32……等。在本文所叙述的实现中，我们设定K＝128。
b)将数据集D中评论文本信息进行清洗与格式处理，构建评论文本中每一个单词的上下文窗口，每一个构建所得的窗口作为一个方面级。
c)在经步骤b)处理后的数据集D中抽取由文本信息辅助表征每个用户u的辅助向量Vu和每一个物品i的辅助向量Vi，结合注意力机制，将辅助向量Vu和辅助向量Vi与嵌入式向量Embu及Embi相融合，得到融合特征向量Attweiahts。在这个过程中，步骤a)中所得嵌入向量Embu、Embi，步骤b)中所得上下文窗口数量、步骤c)中所得辅助向量Vu、Vi，步骤c)中所得融合特征向量Attweiahts四者间维度保持成比例关系，因此，注意力融合特征向量Attweiahts中每个节点都可与评论文本中的每一个单词上下文窗口相对应，即与每一个方面级相对应。当网络训练完毕后，可以通过读取的各个节点数值，找出其中最大节点的位置，根据比例关系反推出最有价值的上下文窗口位置，也即某一个对当前用户评价当前物品影响最大的方面级。
d)建立并训练基于文本信息处理的可解释深度网络评分预测模型，模型的输入为嵌入式向量Embu、Embi以及辅助向量Vu、Vi，模型的输出为用户u对物品i的评分。至此也就实现了基于文本信息处理的“方面”偏好可解释深度网络评分预测推荐方法。至此也就实现了基于文本信息处理的“方面”偏好可解释深度网络评分预测推荐方法。
通过深入挖掘用户与物品之间在方面级层面上的关联，从而进行精准的、可解释强的评分预测工作，方面级指的就是用户对物品作出评价时所关注的角度，例如对于冰箱这个电器，评论文本中可关注的“方面”可以为外观、制冷效果、性价比等。通过深入挖掘用户与物品之间在方面级层面上的关联，可以有效刻画该用户的关注习惯，亦可以从多种角度描述该物品，这些最终都可以体现到评论的文本内容中，被人们直观的理解。在传统的协同过滤推荐思想之上，利用卷积神经网络(CNN)抽取评论文本中的特征向量作为辅助信息参与评分预测推荐，提升了评分预测推荐效果，从而提高了推荐系统的可解释性。
进一步的，步骤a)中采用Amazon(亚马逊)提供的用户-物品-评分数据集D，如Amazon Instant Video公开数据集或Home and Kitchen公开数据集或Tools and HomeImprovement公开数据集。
步骤a)中通过pytorch深度学习框架中的nn.Embedding()功能将每一个用户u和每一个物品i转变为代表其自身的嵌入式向量Embu及Embi。
步骤b)包括如下步骤：
b-1)将数据集D中所有的评论文本进行清洗操作，去除非英文字母内容、去除标点符合及特殊符号、将所有英文字母同意转变为小写形式、去除停止词、去除出现次数小于3次级出现次数大于3000次的词语。
b-2)读取预训练好的Word2Vector文件，Word2Vector文件由Google公司预训练并提供下载，可以实现将任意英文单词转变为对应特征向量的功能。将步骤a)中将数据集D中的用户id和物品id进行序号化操作。具体而言，原版数据集中，用户id按原格式可能表示为“A11N155CW1UV02”等，物品id按原格式可能表示为“B000H00VBQ”等，这种表示方式过于繁琐，不利于查看及后续的数据清洗，故要将它们转化为“0”“1”“2”这种自然标号，称为序号化操作。
b-3)按获取的序号化顺序，依次读取每个用户的评论文本，将读取的每个用户发表的所有评论内容整合成一整段文字，该整段文字处理成由N个英文单词组成，N＝2×K。
b-4)按获取的序号化顺序，依次读取每个物品的评论文本，将读取的每个物品作出的所有评论内容整合成一整段文字，该整段文字处理成由N个英文单词组成，N＝2×K。
b-5)利用预训练好的Word2Vector文件将b-3)中得到的每个用户的N个英文单词组成的文本片段中每一个英文单词转化为对应的特征文本向量，得到一个维度为(N,K)的特征矩阵，将该矩阵记为WU。
b-6)利用预训练好的Word2Vector文件将b-4)中得到的每个物品的N个英文单词组成的文本片段中每一个英文单词转化为对应的特征文本向量，得到一个维度为(N,K)的特征矩阵，将该矩阵记为WI。
b-7)利用公式ZU,i＝(WU[i-c/2]；…；WU[i]；…；WU[i+c/2])，计算用户评论文本中第i个单词的上下文窗口ZU,i，式中c为滑动窗口的宽度。
b-8)利用公式ZI,i＝(WI[i-c/2]；…；WI[i]；…；WI[i+c/2])，计算物品评论文本中第i个单词的上下文窗口ZI,i，式中c为滑动窗口的宽度。
进一步的，步骤b-3)及步骤b-4)中若整段文字长度大于N则从第一个单词开始计算保留整段文字前N个单词，若整段文字长度小于N，则复制整段文字并在原整段文字的末尾进行粘贴，重复复制粘贴操作，直至整段文字的长度大于等于N后取整段文字的前N个单词。
进一步的，步骤c)包括如下步骤：
c-1)使用卷积神经网络(CNN)对特征矩阵WU、特征矩阵WI、上下文窗口ZU,i及上下文窗口ZI,i进行特征提取，得到由文本信息辅助表征的每一个用户u的辅助向量Vu和每一个物品i的辅助向量Vi，Vu和Vi的长度为K；
c-2)通过公式
Figure BDA0002705484130000071
计算得到注意力融合特征向量Attweiahts，式中
Figure BDA0002705484130000072
为向量逐元素对应相加，W为线性映射函数的权重矩阵，b为偏差向量，RELU为线性整流单元激活函数，softmax为用户实现注意力机制的归一化函数Attweiahts的长度为K；
c-3)通过公式
Figure BDA0002705484130000073
计算融合了用户和物品特征信息的融合向量Eui，式中⊙为逐元素相乘。
进一步的，步骤d)包括如下步骤：
d-1)通过公式Input＝Attweiahts⊙Eui计算可解释深度网络评分预测模型的输入向量Input；
d-2)通过公式
Figure BDA0002705484130000074
计算得到网络预测出的评分
Figure BDA0002705484130000075
d-3)通过公式
Figure BDA0002705484130000076
计算损失函数L，式中，R为数据集中真实的评分，m为网络预测出的评分
Figure BDA0002705484130000077
的个数；
d-4)利用损失函数L对模型进行训练。完成基于文本信息处理的“方面”偏好可解释深度网络评分预测推荐方法。

Claims (6)

1.一种基于文本处理的方面级可解释深度网络评分预测推荐方法，其特征在于，包括如下步骤：
a)在含评论文本的用户-物品-评分数据集D中，将每一个用户u和每一个物品i转变为代表其自身的嵌入式向量Embu及Embi，Embu及Embi的长度为K，K为超参数，K＝128；
b)将数据集D中评论文本信息进行清洗与格式处理，构建评论文本中每一个单词的上下文窗口，每一个构建所得的窗口作为一个方面级；
c)在经步骤b)处理后的数据集D中抽取由文本信息辅助表征每个用户u的辅助向量Vu和每一个物品i的辅助向量Vi，结合注意力机制，将辅助向量Vu和辅助向量Vi与嵌入式向量Embu及Embi相融合，得到融合特征向量Attweiahts；
d)将融合特征向量Attweiahts转化为输入向量后，输入用于评分预测的三层神经网络中，得到基于文本处理的方面级可解释深度网络评分预测推荐方法模型，模型的输入为嵌入式向量Embu、Embi以及辅助向量Vu、Vi，模型的输出为用户u对物品i的评分；
步骤b)包括如下步骤：
b-1)将数据集D中所有的评论文本进行清洗操作，去除非英文字母内容、去除标点符合及特殊符号、将所有英文字母同意转变为小写形式、去除停止词、去除出现次数小于3次级出现次数大于3000次的词语；
b-2)读取预训练好的Word2Vector文件，将步骤a)中将数据集D中的用户id和物品id进行序号化操作；
b-3)按获取的序号化顺序，依次读取每个用户的评论文本，将读取的每个用户发表的所有评论内容整合成一整段文字，该整段文字处理成由N个英文单词组成，N＝2×K；
b-4)按获取的序号化顺序，依次读取每个物品的评论文本，将读取的每个物品作出的所有评论内容整合成一整段文字，该整段文字处理成由N个英文单词组成，N＝2×K；
b-5)利用预训练好的Word2Vector文件将b-3)中得到的每个用户的N个英文单词组成的文本片段中每一个英文单词转化为对应的特征文本向量，得到一个维度为(N,K)的特征矩阵，将该矩阵记为WU；
b-6)利用预训练好的Word2Vector文件将b-4)中得到的每个物品的N个英文单词组成的文本片段中每一个英文单词转化为对应的特征文本向量，得到一个维度为(N,K)的特征矩阵，将该矩阵记为WI；
b-7)利用公式ZU,i＝(WU[i-c/2]；…；WU[i]；…；WU[i+c/2])，计算用户评论文本中第i个单词的上下文窗口ZU,i，式中c为滑动窗口的宽度；
b-8)利用公式ZI,i＝(WI[i-c/2]；…；WI[i]；…；WI[i+c/2])，计算物品评论文本中第i个单词的上下文窗口ZI,i，式中c为滑动窗口的宽度。
2.根据权利要求1所述的基于文本处理的方面级可解释深度网络评分预测推荐方法，其特征在于：步骤a)中用户-物品-评分数据集D为Amazon Instant Video公开数据集或Home and Kitchen公开数据集或Tools and Home Improvement公开数据集。
3.根据权利要求1所述的基于文本处理的方面级可解释深度网络评分预测推荐方法，其特征在于：步骤a)中通过pytorch深度学习框架中的nn.Embedding()功能将每一个用户u和每一个物品i转变为代表其自身的嵌入式向量Embu及Embi。
4.根据权利要求1所述的基于文本处理的方面级可解释深度网络评分预测推荐方法，其特征在于：步骤b-3)及步骤b-4)中若整段文字长度大于N则从第一个单词开始计算保留整段文字前N个单词，若整段文字长度小于N，则复制整段文字并在原整段文字的末尾进行粘贴，重复复制粘贴操作，直至整段文字的长度大于等于N后取整段文字的前N个单词。
5.根据权利要求1所述的基于文本处理的方面级可解释深度网络评分预测推荐方法，其特征在于，步骤c)包括如下步骤：
c-1)使用卷积神经网络对特征矩阵WU、特征矩阵WI、上下文窗口ZU,i及上下文窗口ZI,i进行特征提取，得到由文本信息辅助表征的每一个用户u的辅助向量Vu和每一个物品i的辅助向量Vi，Vu和Vi的长度为K；
c-2)通过公式
Figure FDA0003810344880000031
计算得到注意力融合特征向量Attweiahts，式中
Figure FDA0003810344880000032
为向量逐元素对应相加，W为线性映射函数的权重矩阵，b为偏差向量，RELU为线性整流单元激活函数，softmax为用户实现注意力机制的归一化函数Attweiahts的长度为K；
c-3)通过公式
Figure FDA0003810344880000033
计算融合了用户和物品特征信息的融合向量Eui，式中⊙为逐元素相乘。
6.根据权利要求5所述的基于文本处理的方面级可解释深度网络评分预测推荐方法，其特征在于，步骤d)包括如下步骤：
d-1)通过公式Input＝Attweiahts⊙Eui计算可解释深度网络评分预测模型的输入向量Input；
d-2)通过公式
Figure FDA0003810344880000034
计算得到网络预测出的评分
Figure FDA0003810344880000035
d-3)通过公式
Figure FDA0003810344880000036
计算损失函数L，式中，R为数据集中真实的评分，m为网络预测出的评分
Figure FDA0003810344880000037
的个数；
d-4)利用损失函数L对模型进行训练。
CN202011038985.9A 2020-09-28 2020-09-28 基于文本处理的方面级可解释深度网络评分预测推荐方法 Active CN112182156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011038985.9A CN112182156B (zh) 2020-09-28 2020-09-28 基于文本处理的方面级可解释深度网络评分预测推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011038985.9A CN112182156B (zh) 2020-09-28 2020-09-28 基于文本处理的方面级可解释深度网络评分预测推荐方法

Publications (2)

Publication Number Publication Date
CN112182156A CN112182156A (zh) 2021-01-05
CN112182156B true CN112182156B (zh) 2023-02-07

Family

ID=73945256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011038985.9A Active CN112182156B (zh) 2020-09-28 2020-09-28 基于文本处理的方面级可解释深度网络评分预测推荐方法

Country Status (1)

Country Link
CN (1) CN112182156B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268657B (zh) * 2021-04-16 2022-10-28 中国人民解放军战略支援部队信息工程大学 基于评论和物品描述的深度学习推荐方法及系统
CN113127604B (zh) * 2021-05-10 2022-10-04 齐鲁工业大学 基于评论文本的细粒度物品推荐方法及系统
CN113722596A (zh) * 2021-09-02 2021-11-30 北京工业大学 基于深度学习的神经协同过滤推荐模型优化系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573411A (zh) * 2018-04-17 2018-09-25 重庆理工大学 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法
CN110781409A (zh) * 2019-10-25 2020-02-11 东北大学秦皇岛分校 一种基于协同过滤的物品推荐方法
CN111222332A (zh) * 2020-01-06 2020-06-02 华南理工大学 一种结合注意力网络和用户情感的商品推荐方法
CN111274493A (zh) * 2020-01-17 2020-06-12 电子科技大学 一种基于多源用户评论的评分预测方法
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573411A (zh) * 2018-04-17 2018-09-25 重庆理工大学 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法
CN110781409A (zh) * 2019-10-25 2020-02-11 东北大学秦皇岛分校 一种基于协同过滤的物品推荐方法
CN111222332A (zh) * 2020-01-06 2020-06-02 华南理工大学 一种结合注意力网络和用户情感的商品推荐方法
CN111275521A (zh) * 2020-01-16 2020-06-12 华南理工大学 一种基于用户评论与满意层面嵌入的商品推荐方法
CN111274493A (zh) * 2020-01-17 2020-06-12 电子科技大学 一种基于多源用户评论的评分预测方法

Also Published As

Publication number Publication date
CN112182156A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112182156B (zh) 基于文本处理的方面级可解释深度网络评分预测推荐方法
US11687728B2 (en) Text sentiment analysis method based on multi-level graph pooling
CN111241294B (zh) 基于依赖解析和关键词的图卷积网络的关系抽取方法
CN110765775B (zh) 一种融合语义和标签差异的命名实体识别领域自适应的方法
CN112487143A (zh) 一种基于舆情大数据分析的多标签文本分类方法
CN112101028B (zh) 一种多特征双向门控领域专家实体抽取方法及系统
CN112560495B (zh) 一种基于情感分析的微博谣言检测方法
CN108228569B (zh) 一种基于松散条件下协同学习的中文微博情感分析方法
CN104268160A (zh) 一种基于领域词典和语义角色的评价对象抽取方法
CN108399241B (zh) 一种基于多类特征融合的新兴热点话题检测系统
CN111444367B (zh) 一种基于全局与局部注意力机制的图像标题生成方法
CN107688576B (zh) 一种cnn-svm模型的构建及倾向性分类方法
CN110688834B (zh) 基于深度学习模型进行智能文稿风格改写的方法和设备
CN113051932B (zh) 语义和知识扩展主题模型的网络媒体事件的类别检测方法
CN112612871A (zh) 一种基于序列生成模型的多事件检测方法
CN112069312A (zh) 一种基于实体识别的文本分类方法及电子装置
CN113065349A (zh) 基于条件随机场的命名实体识别方法
CN113254652A (zh) 一种基于超图注意力网络的社交媒体贴文真实性检测方法
CN110347853B (zh) 一种基于循环神经网络的图像哈希码生成方法
CN115408488A (zh) 用于小说场景文本的分割方法及系统
CN115630164A (zh) 基于正负向联合学习和原型表示的远程监督关系抽取方法
CN115392254A (zh) 一种基于目标任务可解释性认知预测与判别方法及其系统
CN111680684A (zh) 一种基于深度学习的书脊文本识别方法、设备及存储介质
CN117216265A (zh) 一种基于改进的图注意力网络新闻主题分类方法
CN110413770B (zh) 将群消息归类到群话题的方法及装置

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