CN114219530A - 一种基于情感分析的解释推荐方法、装置和设备 - Google Patents

一种基于情感分析的解释推荐方法、装置和设备 Download PDF

Info

Publication number
CN114219530A
CN114219530A CN202111535085.XA CN202111535085A CN114219530A CN 114219530 A CN114219530 A CN 114219530A CN 202111535085 A CN202111535085 A CN 202111535085A CN 114219530 A CN114219530 A CN 114219530A
Authority
CN
China
Prior art keywords
user
comment
item
article
vector
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
CN202111535085.XA
Other languages
English (en)
Inventor
陈亮
王源盛
谢芬方
郑子彬
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202111535085.XA priority Critical patent/CN114219530A/zh
Publication of CN114219530A publication Critical patent/CN114219530A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种基于情感分析的解释推荐方法、装置和设备，方法包括：响应于用户输入的物品选取指令，确定用户选定的目标物品；根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；根据用户关联的多条用户评论信息，生成对应的用户特征向量；将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；根据物品评论信息和用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。以采用其涉及到的情感信息融合到推荐信息的生成过程中，从而更为有效提高解释推荐的生成质量，提高物品推荐的准确度。

Description

一种基于情感分析的解释推荐方法、装置和设备
技术领域
本发明涉及可解释推荐技术领域，尤其涉及一种基于情感分析的解释推荐方法、装置和设备。
背景技术
互联网上信息的爆炸性增长提供了丰富的资讯，但同时也带来了信息过载的问题。推荐系统是解决信息过载问题的一个重要途径，它可以自动提取有用的信息，然后推荐用户可能想要接受的信息。推荐系统被广泛应用于电子商务、音乐、电影和移动应用等领域，而在这些应用中，用户可以从评分与评论两个方面来表达意见。
许多现有的推荐方法主要是基于协同过滤，通过分析用户和物品之间的历史交互记录来推荐物品。然而，用户使用过的物品往往非常有限，这使得用户和物品之间的交互矩阵相当稀疏，导致推荐的准确性不尽人意。
为此，一些研究者提出利用用户为物品写的评论信息来弥补这一缺陷通过同一用户在各类物品上写的评论表达了用户的喜好、感受和建议。另一方面多用户对同一物品写的评论反映了该物品在各方面的优点和缺点，为该物品提供了更多参考信息。但上述方案通常是基于模板或短句的形式进行解释句子的生成，并未利用情感或评论信息，从而导致所生成的可解释推荐质量较低，无法准确筛选到合乎用户需求的推荐信息。
发明内容
本发明提供了一种基于情感分析的解释推荐方法、装置和设备，解决了现有推荐方案通常是基于模板或短句的形式进行解释句子的生成，并未利用情感或评论信息，从而导致所生成的可解释推荐质量较低，无法准确筛选到合乎用户需求的推荐信息的技术问题。
本发明第一方面提供的一种基于情感分析的解释推荐方法，包括：
响应于用户输入的物品选取指令，确定所述用户选定的目标物品；
根据针对所述目标物品的多条物品评论信息，生成对应的物品特征向量；
根据所述用户关联的多条用户评论信息，生成对应的用户特征向量；
将所述物品特征向量和所述用户特征向量投影至共享空间，确定所述目标物品对应的共享隐藏向量；
根据所述物品评论信息和所述用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；
基于所述物品评论偏好分数、所述用户评论偏好分数和所述共享隐藏向量，确定所述目标物品对应的推荐信息。
可选地，所述根据针对所述目标物品的多条物品评论信息，生成对应的物品特征向量的步骤，包括：
按照所述目标物品所处页面的位置，确定所述目标物品对应的物品独热向量；
基于所述物品独热向量与预设的物品嵌入层权重矩阵，生成对应的物品嵌入向量；
采用多种预设卷积核对针对所述目标物品的全部物品评论信息内的全部物品评论词分别进行编码转换后连接，得到对应的物品评论向量；
连接所述物品嵌入向量和所述物品评论向量，得到所述目标物品对应的物品特征向量。
可选地，所述采用多种预设卷积核对针对所述目标物品的全部物品评论信息内的全部物品评论词分别进行编码转换后连接，得到对应的物品评论向量的步骤，包括：
分别对针对所述目标物品的各所述物品评论信息所包括的多个物品评论词进行编码，得到多个物品评论词嵌入向量；
采用全部所述物品评论词嵌入向量构建物品评论词嵌入矩阵；
通过多种预设卷积核分别对所述物品评论词嵌入矩阵进行转换并进行最大池化操作，得到所述物品评论词嵌入矩阵对应的多个物品评论嵌入向量；
连接全部所述物品评论嵌入向量，得到所述目标物品对应的物品评论向量。
可选地，所述根据所述用户关联的多条用户评论信息，生成对应的用户特征向量的步骤，包括：
按照所述用户对应的预设用户标识，构建所述用户对应的用户独热向量；
基于所述用户独热向量与预设的用户嵌入层权重矩阵，生成对应的用户嵌入向量；
采用多种预设卷积核对所述用户关联的全部用户评论信息内的全部用户评论词分别进行编码转换后连接，得到对应的用户评论向量；
连接所述用户嵌入向量和所述用户评论向量，得到所述用户对应的用户特征向量。
可选地，所述采用多种预设卷积核对所述用户关联的全部用户评论信息内的全部用户评论词分别进行编码转换后连接，得到对应的用户评论向量的步骤，包括：
分别对所述用户关联的各所述用户评论信息所包括的多个用户评论词进行编码，得到多个用户评论词嵌入向量；
采用全部所述用户评论词嵌入向量构建用户评论词嵌入矩阵；
通过多种预设卷积核分别对所述用户评论词嵌入矩阵进行转换并进行最大池化操作，得到所述用户评论词嵌入矩阵对应的多个用户评论嵌入向量；
连接全部所述用户评论嵌入向量，得到所述用户对应的用户评论向量。
可选地，所述根据所述物品评论信息和所述用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数的步骤，包括：
通过预设的TextBlob函数计算各条所述物品评论信息分别对应的物品评论情感分数；
通过所述TextBlob函数计算各条所述用户评论信息分别对应的用户评论情感分数；
计算全部所述物品评论情感分数的均值，得到物品评论偏好分数；
计算全部所述用户评论情感分数的均值，得到用户评论偏好分数。
可选地，所述推荐信息包括推荐分数和推荐解释；所述基于所述物品评论偏好分数、所述用户评论偏好分数和所述共享隐藏向量，确定所述目标物品对应的推荐信息的步骤，包括:
计算预设的权重矩阵与所述共享隐藏向量之间的共享向量积；
计算所述共享向量积、所述物品评论偏好分数和所述用户评论偏好分数之间的和值，得到所述目标物品对应的推荐分数；
依次连接所述用户特征向量、所述物品特征向量、所述用户评论偏好分数、所述物品评论偏好分数和所述共享隐藏向量，得到初始隐藏状态；
通过预设的长短期记忆网络模型结合所述初始隐藏状态，从预设的语料库内选取多个预测单词生成推荐解释。
可选地，所述通过预设的长短期记忆网络模型结合所述初始隐藏状态，从预设的语料库内选取多个预测单词生成推荐解释的步骤，包括：
通过预设的长短期记忆网络模型结合所述初始隐藏状态，在每个时间步从预设的语料库内选取多个候选单词；
计算各个所述候选单词在每个所述时间步的出现概率；
选取在每个所述时间步内所述出现概率最高的候选单词作为预测单词，生成推荐解释。
本发明第二方面提供了一种基于情感分析的解释推荐装置，包括：
目标物品选定模块，用于响应于用户输入的物品选取指令，确定所述用户选定的目标物品；
物品特征向量生成模块，用于根据针对所述目标物品的多条物品评论信息，生成对应的物品特征向量；
用户特征向量生成模块，用于根据所述用户关联的多条用户评论信息，生成对应的用户特征向量；
共享隐藏向量确定模块，用于将所述物品特征向量和所述用户特征向量投影至共享空间，确定所述目标物品对应的共享隐藏向量；
偏好分数确定模块，用于根据所述物品评论信息和所述用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；
推荐信息生成模块，用于基于所述物品评论偏好分数、所述用户评论偏好分数和所述共享隐藏向量，确定所述目标物品对应的推荐信息。
本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的基于情感分析的解释推荐方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过响应于用户输入的物品选取指令，确定用户选定的目标物品；根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；根据用户关联的多条用户评论信息，生成对应的用户特征向量；将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；根据物品评论信息和用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。从而实现对物品评论和用户评论的有效利用，以采用其涉及到的情感信息融合到推荐信息的生成过程中，从而更为有效提高解释推荐的生成质量，提高物品推荐的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种基于情感分析的解释推荐方法的步骤流程图；
图2为本发明实施例二提供的一种基于情感分析的解释推荐方法的步骤流程图；
图3为本发明实施例提供的一种基于情感分析的解释推荐方法的整体框架图；
图4为本发明实施例三提供的一种基于情感分析的解释推荐装置的结构框图。
具体实施方式
现有技术的研究通常主要集中在如何提供有竞争力的模型预测性能，而较少考虑改善用户的体验和信任。而部分研究人员意识到了这一领域工作的不足，提出利用注意力机制(attention mechanism)、多模态(multi-modal)、多视角学习(multi-viewlearning)、多任务学习(multi-task learning)等技术，结合用户的评分、评论或图像信息，为用户的推荐列表生成合适的解释。但尽管上述工作显示了其有效性，但通常没有利用情感或频率信息，且直接从用户现有评论内提取评论容易引起版权问题，难以在固定框架下的实现多样性的可解释推荐。
为此，本发明实施例提供了一种基于情感分析的解释推荐方法、装置和设备，用于解决现有推荐方案通常是基于模板或短句的形式进行解释句子的生成，并未利用情感或评论信息，从而导致所生成的可解释推荐质量较低，无法准确筛选到合乎用户需求的推荐信息的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种基于情感分析的解释推荐方法的步骤流程图。
本发明提供的一种基于情感分析的解释推荐方法，包括以下步骤：
步骤101，响应于用户输入的物品选取指令，确定用户选定的目标物品；
物品选取指令指的是在用户针对显示屏幕内的多个物品显示，将点击或触摸等触发指令输入到基于情感分析的解释推荐装置内所生成的选取指令。
在本发明实施例中，当装置接收到用户输入的物品选取指令时，响应该物品选取指令确定在当前显示屏幕所选定的目标物品。
步骤102，根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；
由于用户通常通过写评论的方式表达他对该物品的使用感受或意见，而同一目标物品可能存在多条评论，若是逐一处理难以快速得到后续推荐分数。
为提高后续推荐速率，可以在确定用户所选定的目标物品后，进一步获取评论该目标物品的多条物品评论信息，采用多种卷积核以单词维度对每条物品评论信息进行分析，从多种角度进行物品评论信息的特征提取，并进行聚合连接生成该目标物品对应的物品特征向量。
步骤103，根据用户关联的多条用户评论信息，生成对应的用户特征向量；
与此同时，还可以在用户选定目标物品后，基于该用户所对应的用户标识，获取到其关联的多条用户评论信息，基于多种卷积核按照单词为维度对每条用户评论信息进行分析，以实现从多种角度获取到该用户关联评论所对应的用户特征向量。
步骤104，将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；
在获取到物品特征向量和用户特征向量后，为实现用户与物品之间的交互情况，可以将物品特征向量和用户特征向量均投影至共享空间，以在共享空间内模拟用户和物品之间的交互，从而确定目标物品所对应的共享隐藏向量。
步骤105，根据物品评论信息和用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；
在具体实现中，评论不仅会反映出用户对物品的关注情况，也会传达用户的情感偏好，为得到用户的情感偏好和物品质量更为准确的描述，可以通过情感分析函数结合物品评论信息和用户评论信息，分别计算两者对应的物品评论偏好分数和用户评论偏好分数。
步骤106，基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。
在获取到物品评论偏好分数、用户评论偏好分数和共享隐藏向量后，可以进一步基于上述量计算该目标物品所对应的推荐分数，同时基于上述量结合长短期记忆网络，以生成与该推荐分数所对应的推荐解释。
在本发明实施例中，响应于用户输入的物品选取指令，确定用户选定的目标物品；根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；根据用户关联的多条用户评论信息，生成对应的用户特征向量；将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；根据物品评论信息和用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。从而实现对物品评论和用户评论的有效利用，以采用其涉及到的情感信息融合到推荐信息的生成过程中，从而更为有效提高解释推荐的生成质量，提高物品推荐的准确度。
请参阅图2，图2为本发明实施例二提供的一种基于情感分析的解释推荐方法的步骤流程图。
本发明提供的一种基于情感分析的解释推荐方法，包括：
步骤201，响应于用户输入的物品选取指令，确定用户选定的目标物品；
在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
步骤202，根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；
可选地，步骤202可以包括以下子步骤S11-S14：
S11、按照目标物品所处页面的位置，确定目标物品对应的物品独热向量；
在本发明实施例中，在接收到用户输入的物品选取指令后，可以按照目标物品在当前页面的位置，构建对应规格的物品独热向量。
例如，当前页面包括5个物品，目标物品处于第3位，则可以构建对应的物品独热向量为[0,0,1,0,0]。
S12、基于物品独热向量与预设的物品嵌入层权重矩阵，生成对应的物品嵌入向量；
在得到物品独热向量后，可以采用物品独热向量和预设的物品嵌入层权重矩阵相乘，将物品独热向量转换为对应的物品嵌入向量。
需要说明的是，物品嵌入层权重矩阵可以通过事先进行网络训练不断更新进行收敛，具体值本发明实施例不作限制。
例如，物品嵌入层权重向量Wb为
Figure BDA0003412885010000081
物品独热向量θv为[0,0,1,0,0]，则可以结合对应的转换公式：
pv＝Wb·θv
从而生成得到对应的物品嵌入向量pv为[0.5,1.0,0.9]。
S13、采用多种预设卷积核对针对目标物品的全部物品评论信息内的全部物品评论词分别进行编码转换后连接，得到对应的物品评论向量；
进一步地，S13可以包括以下子步骤：
分别对针对目标物品的各物品评论信息所包括的多个物品评论词进行编码，得到多个物品评论词嵌入向量；
采用全部物品评论词嵌入向量构建物品评论词嵌入矩阵；
通过多种预设卷积核分别对物品评论词嵌入矩阵进行转换并进行最大池化操作，得到物品评论词嵌入矩阵对应的多个物品评论嵌入向量；
连接全部物品评论嵌入向量，得到目标物品对应的物品评论向量。
在本发明实施例中，目标物品通常有多条物品评论信息，每条物品评论信息均包括有多个物品评论词，在获取到目标物品的多条物品评论信息后，可以对全部物品评论信息所包括的物品评论词分别进行编码，以得到多个物品评论词嵌入向量。再采用全部物品评论词嵌入向量构建对应的物品评论词嵌入矩阵；通过多种不同的卷积核分别对物品评论词嵌入矩阵进行转换并进行最大池化操作，以从多个卷积核的不同角度得到物品评论词嵌入矩阵最重要和最有代表性的多个物品评论嵌入向量，最后连接全部物品评论嵌入向量，得到目标物品对应的物品评论向量。
在具体实现中，同一物品可以由多个用户分别进行不同的评论，为获取到该物品的整体偏好，可以通过例如TextCNN等模型对该目标物品对应的物品评论信息进行处理：
Figure BDA0003412885010000091
其中，ReLU是激活函数，M是目标物品v对应的物品评论信息条数，*是卷积运算，Kj是第j个卷积核，
Figure BDA0003412885010000092
是目标物品v对应的全部物品评论词转换的物品评论词嵌入向量组成的物品评论词嵌入矩阵，bj是预设的偏置，cj是第j个卷积核的未经最大池化操作的物品评论嵌入向量。
对第j个卷积核的评论嵌入向量进行最大池化操作，以捕捉最重要和最有代表性的特征，可以如下：
Figure BDA0003412885010000093
其中，
Figure BDA0003412885010000094
是最大池化操作之后的物品评论嵌入向量。
目标物品v最终的物品评论向量rv是所有来自其n种卷积核的最大池化层后输出的物品评论嵌入向量进行连接：
Figure BDA0003412885010000095
其中，；代表特征向量之间的连接操作。
S14、连接物品嵌入向量和物品评论向量，得到目标物品对应的物品特征向量。
在本发明实施例中，为更好地表示目标物品的质量，可以通过连接物品嵌入向量和物品评论向量，以得到对应的物品特征向量。
具体的，物品特征向量fv可以表示为：fv＝[pv；rv]。
步骤203，根据用户关联的多条用户评论信息，生成对应的用户特征向量；
可选地，步骤203可以包括以下子步骤S21-S24：
S21、按照用户对应的预设用户标识，构建用户对应的用户独热向量；
在本发明的一个示例中，在用户登录时可以获取到该用户对应的预设用户标识，可以基于该预设用户标识所处的位置构建用户对应的用户独热向量。
在具体实现中，用户标识同样可以5个用户为一组，在接收到用户登录时，判断用户所处组别和位置。假设有5个用户，ID为2的用户可以用独热向量θu＝[0,1,0,0,0]，长度为5。
S22、基于用户独热向量与预设的用户嵌入层权重矩阵，生成对应的用户嵌入向量；
在获取到用户独热向量后，可以进一步结合用户嵌入层权重矩阵进行矩阵相乘，以生成对应的用户嵌入向量。
例如，物品嵌入层权重向量Wa为
Figure BDA0003412885010000101
物品独热向量θu＝[0,1,0,0,0]，则可以结合对应的转换公式：
pu＝Wa·θu
从而生成得到对应的物品嵌入向量pu为[0.2,0.2,0.8]。
S23、采用多种预设卷积核对用户关联的全部用户评论信息内的全部用户评论词分别进行编码转换后连接，得到对应的用户评论向量；
进一步地，S23可以包括以下子步骤：
分别对用户关联的各用户评论信息所包括的多个用户评论词进行编码，得到多个用户评论词嵌入向量；
采用全部用户评论词嵌入向量构建用户评论词嵌入矩阵；
通过多种预设卷积核分别对用户评论词嵌入矩阵进行转换并进行最大池化操作，得到用户评论词嵌入矩阵对应的多个用户评论嵌入向量；
连接全部用户评论嵌入向量，得到用户对应的用户评论向量。
在本发明实施例中，同一用户通常可以关联有多条用户评论信息，每条用户评论信息均包括有多个用户评论词，在获取到目标用户的多条用户评论信息后，可以对全部用户评论信息所包括的用户评论词分别进行编码，以得到多个用户评论词嵌入向量。再采用全部用户评论词嵌入向量构建对应的用户评论词嵌入矩阵；通过多种不同的卷积核分别对用户评论词嵌入矩阵进行转换并进行最大池化操作，以从多个卷积核的不同角度得到用户评论词嵌入矩阵最重要和最有代表性的多个用户评论嵌入向量，最后连接全部用户评论嵌入向量，得到目标用户对应的用户评论向量。
在具体实现中，同一用户可以对多个物品分别进行评论，为获取到该用户的整体偏好，可以通过例如TextCNN等模型对该用户对应的用户评论信息进行处理：
Figure BDA0003412885010000111
其中，ReLU是激活函数，M是用户v对应的用户评论信息条数，*是卷积运算，Kj是第j个卷积核，
Figure BDA0003412885010000112
是用户u对应的全部用户评论词转换的用户评论词嵌入向量组成的用户评论词嵌入矩阵，bj是预设的偏置，cj是第j个卷积核的未经最大池化操作的用户评论嵌入向量。
对第j个卷积核的用户评论嵌入向量进行最大池化操作，以捕捉最重要和最有代表性的特征，可以如下：
Figure BDA0003412885010000113
其中，
Figure BDA0003412885010000114
是最大池化操作之后的用户评论嵌入向量。
用户u最终的用户评论向量ru是所有来自其n种卷积核的最大池化层后输出的用户评论嵌入向量进行连接：
Figure BDA0003412885010000115
其中，；代表特征向量之间的连接操作。
S24、连接用户嵌入向量和用户评论向量，得到用户对应的用户特征向量。
在本发明实施例中，为更好地表示用户偏好，可以通过连接用户嵌入向量和用户评论向量，以得到对应的用户特征向量。
具体的，用户特征向量fu可以表示为：fu＝[pu；ru]。
步骤204，将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；
可选地，步骤204可以包括以下子步骤：
将物品特征向量和用户特征向量投影至共享空间；
计算预设的物品权重矩阵和物品特征向量之间的物品向量积；
计算预设的用户权重矩阵和用户特征向量之间的用户向量积；
采用物品向量积、用户向量积与预设偏置矩阵，确定交互向量和；
采用预设的激活函数对交互向量和进行映射，确定目标物品对应的共享隐藏向量。
在本发明的一个示例中，为模拟用户与目标物品之间的交互，可以将上述物品特征向量和用户特征向量均投影至共享空间，通过计算预设的物品权重矩阵和物品特征向量之间的物品向量积，以及计算预设的用户权重矩阵和用户特征向量之间的用户向量积，再采用物品向量积、用户向量积与预设偏置矩阵，确定交互向量和；最后采用预设的激活函数对交互向量和进行映射，确定目标物品对应的共享隐藏向量。
在具体实现中，可以通过将用户特征向量和物品特征向量均投射至一个共享的隐藏空间，在该空间内进行用户和目标物品之间的交互情况的模拟：
fuv＝ReLU(Wu·fu+Wv·fv+ba)
其中，Wu为用户权重矩阵，Wv为物品权重矩阵，ba是预设偏置矩阵，fuv是共享隐藏向量。
步骤205，通过预设的TextBlob函数计算各条物品评论信息分别对应的物品评论情感分数；
步骤206，通过TextBlob函数计算各条用户评论信息分别对应的用户评论情感分数；
在本发明实施例中，可以按照行为维度对物品评论词嵌入矩阵
Figure BDA0003412885010000121
进行划分，以得到每条物品评论信息对应的物品评论信息矩阵rvi，同理对用户评论词嵌入矩阵
Figure BDA0003412885010000122
进行划分，得到，每条用户评论信息对应的用户评论信息矩阵rui。再分别采用TextBlob函数计算各条物品评论信息和各条用户评论信息分别对应的物品评论情感分数和用户评论情感分数：
svi＝F(rvi)
sui＝F(rui)
其中，svi为第i条物品评论信息对应的物品评论情感分数，sui为第i条用户评论信息对应的用户评论情感分数，函数F可以为任何可以用来分析每条评论中的情感极性以获得情感分数的函数，例如TextBlob函数。
步骤207，计算全部物品评论情感分数的均值，得到物品评论偏好分数；
在本发明实施例中，为综合针对目标物品的评论信息中不同用户的偏好和看法，可以计算全部物品评论情感分数的均值，以得到物品评论偏好分数sv：
Figure BDA0003412885010000131
其中，n为物品评论信息的总条数。
步骤208，计算全部用户评论情感分数的均值，得到用户评论偏好分数；
在本发明实施例中，为确定对用户的情感偏好和物品质量的更准确的描述，可以计算全部用户评论情感分数的均值，以得到用户评论偏好分数su：
Figure BDA0003412885010000132
其中，n为用户评论信息的总条数。
su是用户u写的所有评论的平均情感分数，是一个在[-1.0,1.0]中的浮点值。
步骤209，基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。
可选地，推荐信息包括推荐分数和推荐解释；步骤209可以包括以下子步骤S31-S34：
S31、计算预设的权重矩阵与共享隐藏向量之间的共享向量积；
S32、计算共享向量积、物品评论偏好分数和用户评论偏好分数之间的和值，得到目标物品对应的推荐分数；
在本发明的一个示例中，为表明该目标物品与用户的偏好度，可以采用推荐分数
Figure BDA0003412885010000133
的形式进行表示：
Figure BDA0003412885010000134
其中，
Figure BDA0003412885010000135
为推荐分数，Wuv为预设的权重矩阵。
S33、依次连接用户特征向量、物品特征向量、用户评论偏好分数、物品评论偏好分数和共享隐藏向量，得到初始隐藏状态；
在本发明实施例中，初始隐藏状态可以如下所示：
h0＝[fu；fv；su；sv；fuv]
S34、通过预设的长短期记忆网络模型结合初始隐藏状态，从预设的语料库内选取多个预测单词生成推荐解释。
进一步地，S34可以包括以下子步骤：
通过预设的长短期记忆网络模型结合初始隐藏状态，在每个时间步从预设的语料库内选取多个候选单词；
计算各个候选单词在每个时间步的出现概率；
选取在每个时间步内出现概率最高的候选单词作为预测单词，生成推荐解释。
在具体实现中，推荐解释的生成过程可以如下所示：
对于解释生成任务，除了用户/物品的身份特征、情感偏好和评论信息外，由于为解释生成提供了上下文信息，共享的隐藏向量也被考虑在内。在此，解释生成任务建立在广泛使用的长短期记忆网络(LSTM)上，它包括输入门、输出门、遗忘门和单元状态。LSTM的实现是基于以下公式的：
it＝sigmoid(Wixxt+Wihht-1+bi)
it＝sigmoid(Wixxt+Wihht-1+bi)
ot＝sigmoid(Woxxt+Wohht-1+bo)
ct＝ft⊙ct-1+it⊙tanh(Wcxxt+Wchht-1+bc)
ht＝ot⊙tanh(ct)
其中，it、ft、ct和ot分别是第t个时间步的输入门、遗忘门、单元状态和输出门的隐藏向量。
W*和b*是权重矩阵和偏差。sigmoid和tanh是激活函数，xt和ht是第t个时间步长的输入和隐藏状态，⊙是元素的点积。
zt＝Wzt·ot+bzt
Figure BDA0003412885010000141
Figure BDA0003412885010000142
其中，D指的是语料库，它由训练集中所有评论中出现10次以上的词组成。zt表示一个线性层之后的第t个LSTM单元的输出，d是语料库D的词汇量。
Figure BDA0003412885010000151
表示在第t个时间步中，在输入xt下，j这个词出现的概率，而
Figure BDA0003412885010000152
表示在第t个时间步预测的单词，
Figure BDA0003412885010000153
和
Figure BDA0003412885010000154
分别对应输出zt第k个和j个位置上单词的嵌入表示，bzt、Wzt是这一层的偏置和权重矩阵；
Figure BDA0003412885010000155
是神经网络预测的第t个单词。
可选地，在本发明的另一个示例中，在本发明使用前，还可以对其中的多个预设的权重矩阵进行训练收敛，以获取较为准确的权重，具体过程可以如下：
可以使用平滑L1作为损失函数，它具有快速收敛、对异常值不敏感、梯度变化相对较小等特点。
Figure BDA0003412885010000156
其中(u,v)是训练集中的用户-物品对，yuv是评分的真实标签，Lr是评分预测任务的损失函数。对于解释生成任务，采用负对数似然函数为损失函数：
Figure BDA0003412885010000157
其中，Lg是解释生成任务的损失函数，Ω是训练数据集，euv是真实的解释句子(即用户u写的对物品v的评论)。模型的最终目标函数是两个任务中损失函数的加权和：
Figure BDA0003412885010000158
其中J是模型最终的损失函数。λ是解释生成任务的权重。Θ代表模型的所有可学习参数，例如物品嵌入层权重矩阵、用户嵌入层权重矩阵、卷积核、激活函数、预设的偏置、物品权重矩阵、用户权重矩阵、预设偏置矩阵和预设的权重矩阵等。Pu和Pv分别是用户和项目的嵌入矩阵。λΘ,λu和λv是正则化项的权重。在模型学习和推理过程中，评分预测和解释生成任务被整合到一个整体框架中进行联合学习，这可以利用两个任务之间的关联性。
给定训练集Ω＝[用户集U,物品集V,对应的评分Y,对应的评论E]和学习率η，首先随机初始化所有参数Θ，加载预训练好的词向量句子编码所有的评论E为向量。在Ω中获取一个小批量数据B，按照上述公式计算评分预测任务的损失Lr和解释生成任务的损失Lg，得到最终模型的损失J。通过Adam优化算法进行反向传播，不断重复训练这些数据，通过不断矫正各个层的权重矩阵和偏置，利用梯度下降最小化损失J，直至收敛，即不再发生明显变化，训练结束。
在训练结束后，模型的可学习的参数不再发生变化。将用户u和物品v的ID独热向量作为模型的输入，经过模型的计算，可以得到预测的评分
Figure BDA0003412885010000161
和对应的推荐解释
Figure BDA0003412885010000162
在本发明实施例中，响应于用户输入的物品选取指令，确定用户选定的目标物品；根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；根据用户关联的多条用户评论信息，生成对应的用户特征向量；将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；根据物品评论信息和用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。从而实现对物品评论和用户评论的有效利用，以采用其涉及到的情感信息融合到推荐信息的生成过程中，从而更为有效提高解释推荐的生成质量，提高物品推荐的准确度。
请参阅图3，图3为本发明实施例提供的一种基于情感分析的解释推荐方法的整体框架图。
在本发明实施例中，在编码器层中，当用户u选取目标物品v后，获取到对应的用户评论信息和物品评论信息；用户评论信息在编码器层并转换为一一对应的用户评论情感分数sui和用户评论信息矩阵rui，通过TextCNN模型转换后得到对应的用户评论向量ru；
在共享层中，经ru与用户对应的用户嵌入向量pu的连接后，得到用户特征向量fu；对于目标物品关联的物品评论信息的处理过程类似，得到物品特征向量fv；经激活函数注入，即fuv＝ReLU(Wu·fu+Wv·fv+ba)后，在解码器层得到共享隐藏向量fuv，将其与用户评论偏好分数su以及物品评论偏好分数sv输入感知机，得到推荐分数
Figure BDA0003412885010000163
对于推荐解释，可以采用fuv结合共享层内的全部参数，构建初始隐藏状态h0，结合输入STR，经LSTM处理后得到“它的菜品很有特色”的推荐解释。
请参阅图4，图4为本发明实施例三提供的一种基于情感分析的解释推荐装置的结构框图。
本发明实施例提供了一种基于情感分析的解释推荐装置，包括：
目标物品选定模块401，用于响应于用户输入的物品选取指令，确定用户选定的目标物品；
物品特征向量生成模块402，用于根据针对目标物品的多条物品评论信息，生成对应的物品特征向量；
用户特征向量生成模块403，用于根据用户关联的多条用户评论信息，生成对应的用户特征向量；
共享隐藏向量确定模块404，用于将物品特征向量和用户特征向量投影至共享空间，确定目标物品对应的共享隐藏向量；
偏好分数确定模块405，用于根据物品评论信息和用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；
推荐信息生成模块406，用于基于物品评论偏好分数、用户评论偏好分数和共享隐藏向量，确定目标物品对应的推荐信息。
可选地，物品特征向量生成模块402包括：
物品独热向量构建子模块，用于按照目标物品所处页面的位置，确定目标物品对应的物品独热向量；
物品嵌入向量生成子模块，用于基于物品独热向量与预设的物品嵌入层权重矩阵，生成对应的物品嵌入向量；
物品卷积核处理子模块，用于采用多种预设卷积核对针对目标物品的全部物品评论信息内的全部物品评论词分别进行编码转换后连接，得到对应的物品评论向量；
物品特征向量连接子模块，用于连接物品嵌入向量和物品评论向量，得到目标物品对应的物品特征向量。
可选地，物品卷积核处理子模块具体用于：
分别对针对目标物品的各物品评论信息所包括的多个物品评论词进行编码，得到多个物品评论词嵌入向量；
采用全部物品评论词嵌入向量构建物品评论词嵌入矩阵；
通过多种预设卷积核分别对物品评论词嵌入矩阵进行转换并进行最大池化操作，得到物品评论词嵌入矩阵对应的多个物品评论嵌入向量；
连接全部物品评论嵌入向量，得到目标物品对应的物品评论向量。
可选地，用户特征向量生成模块403包括：
用户独热向量构建子模块，用于按照用户对应的预设用户标识，构建用户对应的用户独热向量；
用户嵌入向量生成子模块，用于基于用户独热向量与预设的用户嵌入层权重矩阵，生成对应的用户嵌入向量；
用户卷积核处理子模块，用于采用多种预设卷积核对用户关联的全部用户评论信息内的全部用户评论词分别进行编码转换后连接，得到对应的用户评论向量；
用户特征向量连接子模块，用于连接用户嵌入向量和用户评论向量，得到用户对应的用户特征向量。
可选地，用户卷积核处理子模块具体用于：
分别对用户关联的各用户评论信息所包括的多个用户评论词进行编码，得到多个用户评论词嵌入向量；
采用全部用户评论词嵌入向量构建用户评论词嵌入矩阵；
通过多种预设卷积核分别对用户评论词嵌入矩阵进行转换并进行最大池化操作，得到用户评论词嵌入矩阵对应的多个用户评论嵌入向量；
连接全部用户评论嵌入向量，得到用户对应的用户评论向量。
可选地，偏好分数确定模块405，包括：
物品评论情感分数计算子模块，用于通过预设的TextBlob函数计算各条物品评论信息分别对应的物品评论情感分数；
用户评论情感分数计算子模块，用于通过TextBlob函数计算各条用户评论信息分别对应的用户评论情感分数；
物品评论偏好分数计算子模块，用于计算全部物品评论情感分数的均值，得到物品评论偏好分数；
用户评论偏好分数计算子模块，用于计算全部用户评论情感分数的均值，得到用户评论偏好分数。
可选地，推荐信息包括推荐分数和推荐解释；推荐信息生成模块406包括:
共享向量积计算子模块，用于计算预设的权重矩阵与共享隐藏向量之间的共享向量积；
推荐分数计算子模块，用于计算共享向量积、物品评论偏好分数和用户评论偏好分数之间的和值，得到目标物品对应的推荐分数；
初始隐藏状态构建子模块，用于依次连接用户特征向量、物品特征向量、用户评论偏好分数、物品评论偏好分数和共享隐藏向量，得到初始隐藏状态；
推荐解释生成子模块，用于通过预设的长短期记忆网络模型结合初始隐藏状态，从预设的语料库内选取多个预测单词生成推荐解释。
可选地，推荐解释生成子模块具体用于：
通过预设的长短期记忆网络模型结合初始隐藏状态，在每个时间步从预设的语料库内选取多个候选单词；
计算各个候选单词在每个时间步的出现概率；
选取在每个时间步内出现概率最高的候选单词作为预测单词，生成推荐解释。
本发明实施例提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的基于情感分析的解释推荐方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于情感分析的解释推荐方法，其特征在于，包括：
响应于用户输入的物品选取指令，确定所述用户选定的目标物品；
根据针对所述目标物品的多条物品评论信息，生成对应的物品特征向量；
根据所述用户关联的多条用户评论信息，生成对应的用户特征向量；
将所述物品特征向量和所述用户特征向量投影至共享空间，确定所述目标物品对应的共享隐藏向量；
根据所述物品评论信息和所述用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；
基于所述物品评论偏好分数、所述用户评论偏好分数和所述共享隐藏向量，确定所述目标物品对应的推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述根据针对所述目标物品的多条物品评论信息，生成对应的物品特征向量的步骤，包括：
按照所述目标物品所处页面的位置，确定所述目标物品对应的物品独热向量；
基于所述物品独热向量与预设的物品嵌入层权重矩阵，生成对应的物品嵌入向量；
采用多种预设卷积核对针对所述目标物品的全部物品评论信息内的全部物品评论词分别进行编码转换后连接，得到对应的物品评论向量；
连接所述物品嵌入向量和所述物品评论向量，得到所述目标物品对应的物品特征向量。
3.根据权利要求2所述的方法，其特征在于，所述采用多种预设卷积核对针对所述目标物品的全部物品评论信息内的全部物品评论词分别进行编码转换后连接，得到对应的物品评论向量的步骤，包括：
分别对针对所述目标物品的各所述物品评论信息所包括的多个物品评论词进行编码，得到多个物品评论词嵌入向量；
采用全部所述物品评论词嵌入向量构建物品评论词嵌入矩阵；
通过多种预设卷积核分别对所述物品评论词嵌入矩阵进行转换并进行最大池化操作，得到所述物品评论词嵌入矩阵对应的多个物品评论嵌入向量；
连接全部所述物品评论嵌入向量，得到所述目标物品对应的物品评论向量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户关联的多条用户评论信息，生成对应的用户特征向量的步骤，包括：
按照所述用户对应的预设用户标识，构建所述用户对应的用户独热向量；
基于所述用户独热向量与预设的用户嵌入层权重矩阵，生成对应的用户嵌入向量；
采用多种预设卷积核对所述用户关联的全部用户评论信息内的全部用户评论词分别进行编码转换后连接，得到对应的用户评论向量；
连接所述用户嵌入向量和所述用户评论向量，得到所述用户对应的用户特征向量。
5.根据权利要求4所述的方法，其特征在于，所述采用多种预设卷积核对所述用户关联的全部用户评论信息内的全部用户评论词分别进行编码转换后连接，得到对应的用户评论向量的步骤，包括：
分别对所述用户关联的各所述用户评论信息所包括的多个用户评论词进行编码，得到多个用户评论词嵌入向量；
采用全部所述用户评论词嵌入向量构建用户评论词嵌入矩阵；
通过多种预设卷积核分别对所述用户评论词嵌入矩阵进行转换并进行最大池化操作，得到所述用户评论词嵌入矩阵对应的多个用户评论嵌入向量；
连接全部所述用户评论嵌入向量，得到所述用户对应的用户评论向量。
6.根据权利要求1所述的方法，其特征在于，所述根据所述物品评论信息和所述用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数的步骤，包括：
通过预设的TextBlob函数计算各条所述物品评论信息分别对应的物品评论情感分数；
通过所述TextBlob函数计算各条所述用户评论信息分别对应的用户评论情感分数；
计算全部所述物品评论情感分数的均值，得到物品评论偏好分数；
计算全部所述用户评论情感分数的均值，得到用户评论偏好分数。
7.根据权利要求1所述的方法，其特征在于，所述推荐信息包括推荐分数和推荐解释；所述基于所述物品评论偏好分数、所述用户评论偏好分数和所述共享隐藏向量，确定所述目标物品对应的推荐信息的步骤，包括:
计算预设的权重矩阵与所述共享隐藏向量之间的共享向量积；
计算所述共享向量积、所述物品评论偏好分数和所述用户评论偏好分数之间的和值，得到所述目标物品对应的推荐分数；
依次连接所述用户特征向量、所述物品特征向量、所述用户评论偏好分数、所述物品评论偏好分数和所述共享隐藏向量，得到初始隐藏状态；
通过预设的长短期记忆网络模型结合所述初始隐藏状态，从预设的语料库内选取多个预测单词生成推荐解释。
8.根据权利要求7所述的方法，其特征在于，所述通过预设的长短期记忆网络模型结合所述初始隐藏状态，从预设的语料库内选取多个预测单词生成推荐解释的步骤，包括：
通过预设的长短期记忆网络模型结合所述初始隐藏状态，在每个时间步从预设的语料库内选取多个候选单词；
计算各个所述候选单词在每个所述时间步的出现概率；
选取在每个所述时间步内所述出现概率最高的候选单词作为预测单词，生成推荐解释。
9.一种基于情感分析的解释推荐装置，其特征在于，包括：
目标物品选定模块，用于响应于用户输入的物品选取指令，确定所述用户选定的目标物品；
物品特征向量生成模块，用于根据针对所述目标物品的多条物品评论信息，生成对应的物品特征向量；
用户特征向量生成模块，用于根据所述用户关联的多条用户评论信息，生成对应的用户特征向量；
共享隐藏向量确定模块，用于将所述物品特征向量和所述用户特征向量投影至共享空间，确定所述目标物品对应的共享隐藏向量；
偏好分数确定模块，用于根据所述物品评论信息和所述用户评论信息，分别确定物品评论偏好分数和用户评论偏好分数；
推荐信息生成模块，用于基于所述物品评论偏好分数、所述用户评论偏好分数和所述共享隐藏向量，确定所述目标物品对应的推荐信息。
10.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-8任一项所述的基于情感分析的解释推荐方法的步骤。
CN202111535085.XA 2021-12-15 2021-12-15 一种基于情感分析的解释推荐方法、装置和设备 Pending CN114219530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111535085.XA CN114219530A (zh) 2021-12-15 2021-12-15 一种基于情感分析的解释推荐方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111535085.XA CN114219530A (zh) 2021-12-15 2021-12-15 一种基于情感分析的解释推荐方法、装置和设备

Publications (1)

Publication Number Publication Date
CN114219530A true CN114219530A (zh) 2022-03-22

Family

ID=80702382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111535085.XA Pending CN114219530A (zh) 2021-12-15 2021-12-15 一种基于情感分析的解释推荐方法、装置和设备

Country Status (1)

Country Link
CN (1) CN114219530A (zh)

Similar Documents

Publication Publication Date Title
CN110046304B (zh) 一种用户推荐方法和装置
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
CN112598462A (zh) 基于协同过滤和深度学习的个性化推荐方法及系统
Wen et al. Dynamic interactive multiview memory network for emotion recognition in conversation
CN111737578B (zh) 一种推荐方法及系统
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN111242729A (zh) 一种基于长短期兴趣的序列化推荐方法
CN109189921B (zh) 评论评估模型的训练方法和装置
CN109584006B (zh) 一种基于深度匹配模型的跨平台商品匹配方法
CN113722583A (zh) 推荐方法、推荐模型训练方法及相关产品
CN111639247A (zh) 用于评估评论的质量的方法、装置、设备以及计算机可读存储介质
CN110955826A (zh) 基于改进型循环神经网络单元的推荐系统
CN112084450A (zh) 基于卷积注意力网络深度会话序列的点击率预测方法及系统
CN112307168A (zh) 基于人工智能的问诊会话处理方法、装置和计算机设备
CN109189922B (zh) 评论评估模型的训练方法和装置
CN111444399B (zh) 回复内容的生成方法、装置、设备及可读存储介质
CN112699215A (zh) 基于胶囊网络与交互注意力机制的评级预测方法及系统
CN117217284A (zh) 一种数据处理方法及其装置
CN114529077A (zh) 一种基于会话内异构行为的点击率预测方法
CN112364236A (zh) 目标对象推荐系统、方法、装置、数据处理方法及装置
CN114330704A (zh) 语句生成模型更新方法、装置、计算机设备和存储介质
CN113761910A (zh) 一种融合情感特征的评论文本细粒度情感分析方法
CN112069404A (zh) 一种商品信息的展示方法、装置、设备和存储介质
CN113449176A (zh) 基于知识图谱的推荐方法及装置
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统

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