CN114386513A - 一种集成评论与评分的交互式评分预测方法及系统 - Google Patents

一种集成评论与评分的交互式评分预测方法及系统 Download PDF

Info

Publication number
CN114386513A
CN114386513A CN202210036320.7A CN202210036320A CN114386513A CN 114386513 A CN114386513 A CN 114386513A CN 202210036320 A CN202210036320 A CN 202210036320A CN 114386513 A CN114386513 A CN 114386513A
Authority
CN
China
Prior art keywords
commodity
user
vector
node
feature
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
CN202210036320.7A
Other languages
English (en)
Inventor
张一嘉
左万利
左祥麟
梁世宁
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202210036320.7A priority Critical patent/CN114386513A/zh
Publication of CN114386513A publication Critical patent/CN114386513A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • 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
    • G06N3/045—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种集成评论与评分的交互式评分预测方法及系统，通过构建节点属性二部图，将评分和评论等辅助信息集成到用户和商品的交互中，并利用卷积神经网络学习获得评论的隐特征，将隐特征整合到节点属性二部图中，得到特征属性二部图；然后利用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特征和商品节点特征，增强了对用户和商品特征的学习，因而根据用户特征和商品特征预测得到的评分精度更高。通过采用注意力机制实时计算特征权重，非线性地、动态地融合用户节点特征和商品节点特征，进一步提高了推荐系统预测评分的准确度。

Description

一种集成评论与评分的交互式评分预测方法及系统
技术领域
本发明涉及推荐系统领域，特别是涉及一种集成评论与评分的交互式评分预测方法及系统。
背景技术
推荐系统作为一种信息过滤工具，已被广泛应用于在线电子商务和社交网站，如亚马逊和Epinions。在这些平台上，评分分数显示了他/她对商品的品味或满意度。因此，估计用户对商品的未知评分至关重要，这不仅可以评估用户的偏好，还可以增加网站的收入。传统上，基于协同过滤的方法已被广泛讨论和研究用于评分预测。这些工作通常基于矩阵分解和用户-商品历史记录来学习用户和商品的隐特征。然而，由于基于隐语义(latentfactor)学习的解决方案的固有障碍，基于协同过滤的方法容易受到数据稀疏和冷启动问题的影响，从而降低评分预测的准确性，使对用户当前偏好评估产生误差，从而降低推荐的准确性。
因此，亟需一种评分预测方法及系统，以提高评分预测的准确性，从而提高推荐系统推荐的准确性。
发明内容
本发明的目的是提供一种集成评论与评分的交互式评分预测方法及系统，以提高评分预测的准确性，从而提高推荐系统推荐的准确性。
为实现上述目的，本发明提供了如下方案：
一种集成评论与评分的交互式评分预测方法，包括：
构建特征属性二部图；所述特征属性二部图为模拟用户和商品之间异构交互的属性图；所述异构交互包括用户对商品的历史评分和用户对商品的历史评论；
根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子图；所述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；所述评论域子图包括第二用户节点向量、包含评论隐特征的评论边向量和第二商品节点向量；
根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征；
利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；
利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征；
利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征；
利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特征；
根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分。
一种集成评论与评分的交互式评分预测系统，包括：
图构建模块，用于构建特征属性二部图；所述特征属性二部图为模拟用户和商品之间异构交互的属性图；所述异构交互包括用户对商品的历史评分和用户对商品的历史评论；
图划分模块，用于根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子图；所述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；所述评论域子图包括第二用户节点向量、包含评论隐特征的评论边向量和第二商品节点向量；
第一聚合模块，用于根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征；
第二聚合模块，用于利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征；
用户特征融合模块，用于利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征；
商品特征融合模块，用于利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特征；
评分计算模块，用于根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种集成评论与评分的交互式评分预测方法及系统，通过构建节点属性二部图，将评分和评论等辅助信息集成到用户和商品的交互中，并利用卷积神经网络学习获得评论的隐特征，将隐特征整合到节点属性二部图中，得到特征属性二部图；然后利用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特征和商品节点特征，增强了对用户和商品特征的学习，因而根据用户特征和商品特征预测得到的评分精度更高。通过采用注意力机制实时计算特征权重，非线性地、动态地融合用户节点特征和商品节点特征，进一步提高了推荐系统预测评分的准确度。
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的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
图1示出了根据本发明的实施例1提供的一种用于评分预测的属性图卷积网络模型的结构示意图；
图2示出了根据本发明的实施例1提供的一种集成评论与评分的交互式评分预测方法的流程图；
图3示出了根据本发明的实施例1提供的商品域子图和评论域子图被划分和融合的示意图；
图4示出了根据本发明的实施例2提供的一种集成评论与评分的交互式评分预测方系统的结构图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明的目的是提供一种集成评论与评分的交互式评分预测方法及系统，以提高评分预测的准确性，从而提高推荐系统推荐的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了解决基于协同过滤的方法的缺陷，一些相关工作通常会同时考虑用户的历史记录和各种类型的辅助信息，例如社会关系、文本评论、上下文信息等。辅助信息包含重要的补充信息，有助于在稀疏和冷启动场景中捕获用户偏好和商品特征。其中，评论信息作为一种提供丰富语义信号的重要辅助信息，在众多电子商务和社交网站中随处可见。用户对网站中带有明确评分的商品的评论可以揭示用户偏好和商品特征，它们还可以提供补充信息来推断和解释评分预测的潜在维度。根据评论利用情感分析技术和主题模型技术来正则化，通过矩阵分解学习到用户和商品特征，虽然缓解了传统协同过滤方法的稀疏性问题，但依靠这些技术从评论中提取特征的能力仍然有限。
为了从评论中获得有效的特征，越来越多的研究人员尝试利用深度学习方法学习评论特征。尽管基于深度学习的方法有助于通过评论进行评分预测，但仍然存在一些局限性：
(1)它们通常对用户和商品评论独立编码以表示其特征，并通过因子分解机将它们融合以预测评分，通常会使模型过度自信和过拟合。此外，他们忽略了评论作为用户和商品的交互信息的影响。评论不仅可以编码为用户和商品的特征表示，它所表征的关系还可以增强对用户和商品特征的学习。
(2)大多数方法在编码用户和商品特征时忽略了历史评分，它们仅将评分作为标签。然而，评分也提供了重要信息，表明了用户和商品之间的明确交互，可以补充评论以更好地学习用户和商品特征。
(3)尽管有些系统已经考虑在评论域和商品域中学习用户和商品特征，但他们仍然采用静态策略将特征线性组合，因此无法自适应地学习这两个域的重要性。
针对以上问题，本实施例构建了一种用于评分预测的属性图卷积网络模型(Attributed GCN forRating Prediction，AGCR)，基于每个用户-商品组合的对应评论和评分，对交互进行建模可以提高评分预测的准确性。同时还动态地考虑评论和评分的影响，以进一步提高评分预测的准确性。如图1所示，用于评分预测的属性图卷积网络模型包括卷积神经网络(Graph ConvolutinalNetworks，CNN)、分享层(Shared Layer)、属性图卷积网络(Attributed Graph Convolutinal Networks，AGCN)、注意力层(Attention Layer)和预测层(Prediction Layer)，其中卷积神经网络又包括输入层(Input Layer)、嵌入层(Embedding Layer)和卷积神经网络层(CNN Layer)，卷积神经网络层(CNN Layer)又包括卷积层、最大池化层和全连接层，通过输入为集成历史评论和评分的多属性二部图(Multi-attributed Bipartite Graph，MABG)，在通过Embedding Layer映射为向量表示并用CNNLayer编码评论特征后，用户、商品、评论向量会在Shared Layer投影到同一空间，两种子属性图通过AGCN Layer提取特征，在Attention Layer融合得到用户和商品的特征，最终通过Prediction Layer预测给定的用户p对于商品q的评分。
参阅图2，本实施例利用评分预测的属性图卷积网络模型提供了集成评论与评分的交互式评分预测方法，包括：
S1：构建特征属性二部图(Multi-attributed Bipartite Graph，MABG)；所述特征属性二部图为模拟用户和商品之间异构交互的属性图；所述用户和商品之间异构交互包括用户对商品的历史评分和用户对商品的历史评论。
特征属性二部图MABG表示为：G＝(v，ε)，其中v表示用户节点和商品节点；对于
Figure BDA0003468481210000061
Et表示多种类型边的集合，边表示用户和商品之间的异质类型的对应关系。在实际应用中，边的属性可以扩展到用户和商品之间的多种交互类型，本实施例中仅采用评论和评分作为两种异构交互类型。
由于关注所有的评论只能表示大致的用户偏好和商品属性，它们不能表示用户对特定商品的细粒度偏好。因此，本实施例利用卷积神经网络技术来实现对用户和商品之间对应的每个历史评论的嵌入(embedding)，并提取基于嵌入评论的文本的特征，构建特征属性二部图，具体操作如下：
(1)构建节点属性二部图；所述节点属性二部图包括用户节点与商品节点通过历史评分和历史评论进行交互的属性图，其中用户节点和商品节点分别用对应的身份编码表示，所述历史评分由范围1到5的数字表示，所述历史评论由词组表示；
(2)将所述节点属性二部图输入至所述卷积神经网络的输入层(Input Layer)中；
(3)通过独热编码技术将所述用户节点和商品节点对应转换为用户节点向量和商品节点向量；
(4)通过词嵌入技术将所述历史评分转换为包含评论边向量的评论嵌入矩阵；
具体地在嵌入层(Embedding Layer)，应用独热编码技术(one-hot)表示这一层中的用户节点和商品节点，采用词嵌入技术获取每一所述历史评论的语义，得到评论嵌入矩阵。
用户u写给商品i的每一条历史评论记为
Figure BDA0003468481210000062
其中n为评论词数，e为词嵌入维度，每个评论词被映射到词嵌入，则评论嵌入矩阵表示如下：
S1：n＝(w1，...，wi-1，wi，wi+1，...，wn)T
其中，wi是评论嵌入矩阵中的第i个词的向量表示。
(5)采用滑动窗口方式对所述评论嵌入矩阵进行卷积操作，得到第一评论特征；
(6)对所述第一评论特征进行最大池化操作，保留上下文特征；
(7)将所有所述上下文特征拼接起来，得到评论拼接特征；
(8)对所述评论拼接特征进行线性变换，得到每条历史评论的隐特征。
具体地在卷积层：采用滑动窗口方式对所述评论嵌入矩阵进行卷积操作，得到第一评论特征；其中卷积层中的每个卷积核fj执行卷积操作，
Figure BDA0003468481210000071
为卷积核fj的卷积权重矩阵，t为卷积核尺寸，bj为偏差项，此处以符号*表示卷积操作，以ReLU作为激活函数。由此，zj表示为由卷积核fj采用滑动窗口方式提取的第一评论特征；
在最大池化层，对所述第一评论特征进行最大池化操作，保留每个卷积核最有价值的上下文特征，即oj＝max{z1，z2，z3，...，z(n-t+1)}；将所有保留下的所述上下文特征拼接起来，作为最大池化层的输出，得到评论拼接特征，即
Figure BDA0003468481210000072
在全连接层，对所述评论拼接特征进行线性变换，得到每条历史评论的隐特征，即hs＝f(W×O+b)，其中W为权重矩阵，b为偏差项，f为ReLU激活函数。
由于用户节点和商品节点之间有两种类型的边，需要根据不同的交互分别学习用户和商品特征，并将两种类型的特征融合以获得最终的特征。为了实现这一点，需要将整个特征属性二部图分为两个子图(Attributed Sub-Graph，ASG)，如图3所示，即：
S2：根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子图；所述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；所述评论域子图包括第二用户节点向量、包含评论隐特征的评论边向量和第二商品节点向量。
基于这两个子图，本实施例提出了将评论特征和评分分数集成到图卷积网络中，利用属性图卷积网络(AGCN)分别来学习两个领域中用户特征和商品特征，以实现更准确的评分预测，即：
S3：根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征。
现有技术中提出了一种轻量级GCN方法来处理隐反馈推荐，他们发现原始GCN的复杂特征转换和非线性激活在推荐任务中并不是必不可少的。考虑到预测准确性和计算成本，本实施例减少了模型中的这些复杂部分，以更有效地学习节点特征。为了将评分分数整合到AGCN中，首先初始化属性图卷积网络第一层中的第一用户节点向量和第一商品节点向量，即：
hu-ra (0)＝hu-re (0)＝hu′
hi-ra (0)＝hi-re (0)＝hi′
其中ra代表商品域，re代表评论域，hu-ra (0)表示商品域中属性图卷积网络第一层中的第一用户节点向量，hu-re (0)表示评论域中属性图卷积网络第一层中的第二用户节点向量，hi-ra (0)表示商品域中属性图卷积网络第一层中的第一商品节点向量，hi-ra (0)表示商品域中属性图卷积网络第一层中的第二商品节点向量。
需要注意的是，开始时用户节点向量和商品节点向量在两个域中相同，但它们在不同的属性子图上独立训练。
然后根据根据第一用户节点对第一商品节点的所有评分分数和最大评分分数，得到归一化评分，归一化评分表示为：
r(u，i)＝R(u，i)/max(R)
其中，R(u，i)表示所述第一用户节点和第一商品节点之间对应的所有评分分数的集合，max(R)表示最大评分分数，r(u，i)表示归一化评分；
由于在聚合不同的邻居时评分分数显示了用户对商品的直接和明显的偏好，因此评分可以被视为一个重要的信号。对此，
将所述归一化评分作为聚合权重；
根据属性图卷积网络前一层中的第一用户节点向量的邻居节点向量和所述聚合权重，更新属性图卷积网络后一层中的第一用户节点向量，所述属性图卷积网络前一层中的第一用户节点向量的邻居节点向量为与属性图卷积网络前一层中的第一用户节点相连的第一商品节点的向量；
根据属性图卷积网络前一层中的第一商品节点向量的邻居节点向量和所述聚合权重，计算属性图卷积网络后一层中的第一商品节点向量，所述属性图卷积网络前一层中的第一商品节点向量的邻居节点向量为与属性图卷积网络前一层中的第一商品节点相连的第一用户节点的向量；
属性图卷积网络后一层中的第一用户节点向量和属性图卷积网络后一层中的第一商品节点向量分别表示为：
Figure BDA0003468481210000091
Figure BDA0003468481210000092
其中，hu-ra (k+1)表示第k+1层属性图卷积网络的第一用户节点向量，hu-ra (k)表示第k层属性图卷积网络的第一用户节点向量，hi-ra (k+1)表示第k+1层属性图卷积网络的第一商品节点向量，hi-ra (k)表示第k层属性图卷积网络的第一商品节点向量，
Figure BDA0003468481210000093
表示为在商品域子图中与第一用户节点相连的所有第一商品节点，
Figure BDA0003468481210000094
表示为在商品域子图中与第一商品节点相连的所有第一用户节点。
根据属性图卷积网络最后一层的第一用户节点向量得到第一用户特征；
根据属性图卷积网络最后一层的第一商品节点向量得到第一商品特征。
另外在商品域聚合过程中，本实施例还采用l1正则化来避免节点向量的规模随着图卷积运算的增加而增加。
通过将评分分数整合到聚合过程中，可以对用户和商品之间的显式交互程度进行建模。
S4：利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征。
在评论域(Review domain)中，边被表示为非结构化的评论特征，而不是由评分表示的权重。为了学习评论特征，本实施例在AGCN中同时使用节点向量和边向量进行聚合。具体地，首先利用评论隐特征作为评论边的初始向量，AGCN不仅聚合相邻节点向量，还聚合链接到节点相应的评论边向量。即对于每个用户，AGCN汇总了他/她的邻居商品特征和用户对该商品的评论特征，AGCN随机采样每个节点的邻居以减轻大规模卷积计算。
S4具体包括：
聚合与第二用户节点相连的第二商品节点向量与评论边向量，得到第一用户邻居向量；
聚合与第二商品节点相连的第二用户节点向量与评论边向量，得到第一商品邻居向量；
第一商品邻居向量和第一用户邻居向量分别表示为：
H(i，r) (k)＝CONCAT(hi-re (k)，hr′)
H(u，r) (k)＝CONCAT(hu-re (k)，hr′)
其中，H(i，r)(k)表示第一商品邻居向量，hi-re (k)表示第k层属性图卷积网络的第二商品节点向量，H(u，r)(k)表示第一用户邻居向量，hu-re (k)表示第k层属性图卷积网络的第二用户节点向量；
根据第一用户邻居向量和聚合函数计算第一聚合向量；
根据第一商品邻居向量和聚合函数计算第二聚合向量；
第一聚合向量和第二聚合向量分别表示为：
Figure BDA0003468481210000101
Figure BDA0003468481210000102
其中，hN(u) (k+1)表示第一聚合向量，hN(i) (k+1)表示第二聚合向量，E(u，i)则为评论边向量，
Figure BDA0003468481210000103
表示为在商品域子图中与第二用户节点相连的所有第二商品节点，
Figure BDA0003468481210000104
表示为在商品域子图中与第二商品节点相连的所有第二用户节点，AGGREGATE表示求向量均值的聚合函数。
根据属性图卷积网络前一层中的第二用户节点向量和所述第一聚合向量，采用非线性组合策略更新属性图卷积网络后一层中的第二用户节点向量；
根据属性图卷积网络前一层中的第二商品节点向量和所述第二聚合向量，采用非线性组合策略更新属性图卷积网络后一层中的第二商品节点向量；
所述属性图卷积网络后一层中的第二用户节点向量和所述属性图卷积网络后一层中的第二商品节点向量分别表示为：
Figure BDA0003468481210000105
Figure BDA0003468481210000106
其中，hu-re (k+1)表示图卷积网络第k+1层的第二用户节点向量；σ表示非线性激活函数；Wk表示所述图卷积网络第k层的参数矩阵，根据所述属性图卷积网络的目标函数计算得到；hu-re (k)表示图卷积网络第k层的第二用户节点向量；hN(u) (k+1)表示所述第一聚合向量；hi-re (k+1)表示图卷积网络第k+1层的第二商品节点向量；hi-re (k)表示卷积网络第k层的第二商品节点向量；hN(i) (k+1)表示所述第二聚合向量；
根据属性图卷积网络最后一层的第二用户节点向量得到第二用户特征；
根据属性图卷积网络最后一层的第二商品节点向量得到第二商品特征。
因此，AGCN不仅可以通过图卷积操作捕获显式的用户-商品交互，还可以捕获用户-商品的语义交互。
为了实现动态融合，本实施例利用了注意力机制，参阅图3，即：
S5：利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征；利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特征，该融合过程具体包括：
为了获得注意力权重，首先，对所述第一用户特征和所述第二用户特征进行拼接，得到拼接用户特征；对所述第一商品特征和所述第二商品特征进行拼接，得到拼接商品特征，即：
Hu＝CONCAT(hu-re (K)，hu-ra (K))
Hi＝CONCAT(hi-re (K)，hi-ra (K))
其中，Hu拼接用户特征，表示hu-re (K)表示评论域图卷积网络最后一层的输出，即第二用户特征，hu-ra (K)表示第一用户特征，hi-ra (K)表示第一商品特征，hi-re (K)表示第二商品特征，Hi表示拼接商品特征；
然后，根据自注意力权重矩阵和所述拼接用户特征计算所述用户特征融合权重；根据自注意力权重矩阵和所述拼接商品特征计算所述商品特征融合权重。
以用户为例，用户节点评分域的用户特征融合权重
Figure BDA0003468481210000111
和用户节点评论域的用户特征融合权重
Figure BDA0003468481210000112
计算如下：
eu-ra＝wu-ra′tanh(wu-raHu)
eu-re＝wu-re′tanh(wu-reHu)
Figure BDA0003468481210000113
Figure BDA0003468481210000114
其中自注意力权重矩阵包括
Figure BDA0003468481210000115
对称地，可以得到商品节点评分域的商品特征融合权重
Figure BDA0003468481210000116
和商品节点评分域的商品特征融合权重
Figure BDA0003468481210000117
最后，根据所述用户特征融合权重、所述第一用户特征和所述第二用户特征得到所述用户融合特征；根据所述商品特征融合权重、所述第一商品特征和所述第二商品特征得到所述商品融合特征，即：
hu＝au-rahu-ra+au-rehu-re
hi＝ai-rahi-ra+ai-rehi-re
其中，hu表示所述用户融合特征；hu-ra表示所述第一用户特征；au-ra表示所述第一用户特征的融合权重；hu-re表示所述第二用户特征；au-re表示所述第二用户特征的融合权重；hi表示所述商品融合特征；hi-ra表示所述第一商品特征；ai-ra表示所述第一商品特征的融合权重；hi-re表示所述第二商品特征；ai-re表示所述第二商品特征的融合权重。
S6：根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分，具体包括：
根据所述用户融合特征利用前馈网络FFN得到最终用户特征；
根据所述商品融合特征利用前馈网络FFN得到最终商品特征；
最终用户特征和最终商品特征分别表示为：
Figure BDA0003468481210000121
Figure BDA0003468481210000122
其中，qu表示最终用户特征，qi表示最终用户特征；
根据所述最终用户特征和所述最终商品特征，利用特征向量内积方式计算评分，即：
Figure BDA0003468481210000123
其中，中
Figure BDA0003468481210000124
为AGCR模型预测的用户u对于商品i的评分，βu和βi分别为用户u和商品i的偏差，μ为全局偏差项，qu和qi为学习到的最终用户特征和最终用户特征。
AGCR模型的目标函数被定义为：
Figure BDA0003468481210000125
其中R为用户-商品组合集合，yui为真实评分，Θ为AGCR所有参数，
Figure BDA0003468481210000126
表示采用，l2正则化防止过拟合。
由于用户特征、商品特征和评论的隐特征存在异质性，因此在利用属性图卷积网络学习两个领域中用户特征和商品特征之前，需要在属性图卷积网络和卷积神经网络之间设置一共享层(Shared Layer)，在共享层中将用户节点、商品节点和包含评论隐特征的评论边进行转换，具体包括：
利用特征转换矩阵对所述第一用户节点向量和所述第一商品节点向量进行，分别得到转换后的第一用户节点向量和转换后的第一商品节点向量；其中所述特征转换矩阵根据所述属性图卷积网络的目标函数计算得到；
利用特征转换矩阵对将所述第二用户节点向量、所述评论边向量和所述第二商品节点向量进行转换，分别得到转换后的第二用户节点向量、转换后的评论边向量和转换后的第二商品节点向量；
将转换后的第一用户节点向量、转换后的第一商品节点向量、转换后的第二用户节点向量、转换后的第二商品节点向量和转换后的评论边向量分别作为新的第一用户节点向量、新的第一商品节点向量、新的第二用户节点向量、新的第二商品节点向量和新的评论边向量。
本实施例采用的转换操作为：hv′＝Mt·hv，hv∈{hu，hi，hr}，其中Mt表示特征转换矩阵，利用AGCR模型的目标函数计算得到；hv′∈{hu′，hi′，hr′}，hu′表示转换后的用户节点向量，hi′表示转换后的商品节点向量，hr′表示转换后的评论边向量，hu表示第一用户节点向量或第二用户节点向量，hi表示第一商品节点向量或第二用户节点向量，hr′表示评论边向量，hv包括来自输入层的用户节点向量和商品节点向量以及来自卷积神经网络层输出包含隐特征的评论边向量。
需要说明的是，上述集成评论与评分的交互式评分预测方法侧重于对属性图卷积网络模型训练过程的描述，在实际应用时，还应当注意：
第一：在AGCR训练前，进行数据预处理：
即利用Amazon Review数据集中“five core”子集，此处“five core”表示子集中的每个用户和商品至少有5条评论。该数据集包含用户对商品的交互(评论、评分、投票等)以及Amazon的商品元数据(例如，描述、价格、品牌、图片URL等)。本实施例利用了该数据集中的6个品类，包括“Automotive”、“Instant Video”、“Digital Music”、“Toys andGames”、“Kindle Store”以及“Movies and TV”。这些品类具有不同的稀疏度，通常用于基于评论的推荐系统。对这些数据的预处理包括：1)删除评论为空的数据；2)删除了目标用户在测试时为目标商品编写的评论。实验中，随机选择每个品类数据集的80％作为训练集，10％作为验证集，剩下的10％作为测试集。
第二：在AGCR训练环节：
利用GoogleNews词向量初始化评论，在每个品类上，以训练集训练模型，验证集挑选最佳模型检查点(checkpoint)。评估模型性能的指标包括均方根误差RMSE和平均绝对误差MAE。
训练的参数细节如下：以SGD优化器优化模型，训练轮数为ep，每一轮中批数据量(batch size)32，在每个品类上采用网格搜索的方式调整AGCR的超参数，即用户和商品特征向量维度范围[8，16，32，64，128]，学习率范围[0.0001，0.0005，0.001，0.005，0.01]，l2正则化系数范围[0.001，0.005，0.05，0.01]，dropout比例0.2。对于CNN卷积神经网络，卷积核数量为100，滑动窗口大小为3，评论的最大长度为300。
第三：AGCR模型应用环节：
即首先利用训练好的的AGCR在测试集上与现有技术对比，验证本实施例所提出的预测方法的有效性和泛化性。其次，将AGCR模型集成到对评分和评论敏感的网站，如电商、电影点评、餐饮服务的后台推荐系统中，此处有两种应用方式：
1)若网站存在大量历史数据，可以对数据进行清洗和整理后，使用该领域数据对AGCR进行重新训练；
2)若网站历史数据不足或无历史数据，可以首先整合Amazon数据集多个品类数据，训练AGCR，一方面避免对某一领域出现学习偏差提高模型泛化性，另一方面通过增大数据量，提高模型性能。其次通过领域适应(domain adaptation)的方法，将模型迁移到网站数据上。
相对于现有基于协同过滤的技术、基于评论的技术、和基于图神经网络的技术，本实施例提出的一种集成评论与评分的交互式评分预测方法的评分预测精度更高，在两个评估指标上均显著优于现有技术，具体原因分析如下：
现有方法对用户和商品的评论基于CNN和注意力机制独立编码，从而获得他们的向量表示，缺乏本实施例所重视的对用户和商品之间的交互进行非线性建模的过程。本实施例首先利用CNN获得评论隐特征，然后将评论隐特征集成到属性图卷积网络(AGCN)，在图的信息传递过程中桥接起用户和商品的联系，以进一步学习用户和商品特征。
现有的基于图神经网络的技术所构建的图是无属性的，没有集成任何辅助信息到用户和商品节点表示中。而本实施例提出多属性二部图，赋予图评分和评论属性，节点特征从商品域和评论域两个方面进行更新，即异质图使节点更新的信息来源更丰富。
此外，在变换学习率和dropout率时，AGCR与基于评论的技术和基于图神经网络的技术相比，一直表现出更优的性能。以CARL为例，该方法通过设置一个超参数融合来自商品域和评论的用户向量与商品向量的点积。而本实施例采用注意力机制，其内部使用激活函数并实时计算特征权重，使推荐系统预测评分时，非线性地、动态地融合用户节点特征和商品节点特征。
因此，本实施例提供的一种集成评论与评分的交互式评分预测方法，通过构建节点属性二部图，将评分和评论等辅助信息集成到用户和商品的交互中，并利用卷积神经网络学习获得评论的隐特征，将隐特征整合到节点属性二部图中，得到特征属性二部图；然后利用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特征和商品节点特征，增强了对用户和商品特征的学习，因而根据用户特征和商品特征预测得到的评分精度更高。通过采用注意力机制实时计算特征权重，非线性地、动态地融合用户节点特征和商品节点特征，进一步提高了推荐系统预测评分的准确度。
实施例2：
参阅图4，本实施例还提供了一种集成评论与评分的交互式评分预测系统，包括：
图构建模块M1，用于构建特征属性二部图；所述特征属性二部图为模拟用户和商品之间异构交互的属性图；所述异构交互包括用户对商品的历史评分和用户对商品的历史评论；
图划分模块M2，用于根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子图；所述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；所述评论域子图包括第二用户节点向量、包含评论隐特征的评论边向量和第二商品节点向量；
第一聚合模块M3，用于根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征；
第二聚合模块M4，用于利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征；
用户特征融合模块M5，用于利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征；
商品特征融合模块M6，用于利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特征；
评分计算模块M7，用于根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分。
本发明使用了特定词语来描述本发明的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本发明的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种集成评论与评分的交互式评分预测方法，其特征在于，包括：
构建特征属性二部图；所述特征属性二部图为模拟用户和商品之间异构交互的属性图；所述异构交互包括用户对商品的历史评分和用户对商品的历史评论；
根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子图；所述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；所述评论域子图包括第二用户节点向量、包含评论隐特征的评论边向量和第二商品节点向量；
根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征；
利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；
利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征；
利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征；
利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特征；
根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分。
2.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述构建特征属性二部图，具体包括：
构建节点属性二部图；所述节点属性二部图包括用户节点与商品节点通过历史评分和历史评论进行交互的属性图，其中用户节点和商品节点分别用对应的身份编码表示，所述历史评分由数字表示，所述历史评论由词组表示；
将所述节点属性二部图输入至所述卷积神经网络中；
通过独热编码技术将所述用户节点和商品节点对应转换为用户节点向量和商品节点向量；
通过词嵌入技术将所述历史评分转换为包含评论边向量的评论嵌入矩阵；
采用滑动窗口方式对所述评论嵌入矩阵进行卷积操作，得到第一评论特征；
对所述第一评论特征进行最大池化操作，保留上下文特征；
将所有所述上下文特征拼接起来，得到评论拼接特征；
对所述评论拼接特征进行线性变换，得到每条历史评论的隐特征。
3.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，在所述根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征之前，还包括：
利用特征转换矩阵对所述第一用户节点向量和所述第一商品节点向量进行，分别得到转换后的第一用户节点向量和转换后的第一商品节点向量；其中所述特征转换矩阵根据所述属性图卷积网络的目标函数计算得到；
利用特征转换矩阵对将所述第二用户节点向量、所述评论边向量和所述第二商品节点向量进行转换，分别得到转换后的第二用户节点向量、转换后的评论边向量和转换后的第二商品节点向量；
将转换后的第一用户节点向量、转换后的第一商品节点向量、转换后的第二用户节点向量、转换后的第二商品节点向量和转换后的评论边向量分别作为新的第一用户节点向量、新的第一商品节点向量、新的第二用户节点向量、新的第二商品节点向量和新的评论边向量。
4.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征，具体包括：
根据第一用户节点对第一商品节点的所有评分分数和最大评分分数，得到归一化评分；
将所述归一化评分作为聚合权重；
根据属性图卷积网络前一层中的第一用户节点向量的邻居节点向量和所述聚合权重，更新属性图卷积网络后一层中的第一用户节点向量，所述属性图卷积网络前一层中的第一用户节点向量的邻居节点向量为与属性图卷积网络前一层中的第一用户节点相连的第一商品节点的向量；
根据属性图卷积网络最后一层的第一用户节点向量得到第一用户特征；
根据属性图卷积网络前一层中的第一商品节点向量的邻居节点向量和所述聚合权重，计算属性图卷积网络后一层中的第一商品节点向量，所述属性图卷积网络前一层中的第一商品节点向量的邻居节点向量为与属性图卷积网络前一层中的第一商品节点相连的第一用户节点的向量；
根据属性图卷积网络最后一层的第一商品节点向量得到第一商品特征。
5.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征，具体包括：
聚合与第二用户节点相连的第二商品节点向量与评论边向量，得到第一用户邻居向量；
聚合与第二商品节点相连的第二用户节点向量与评论边向量，得到第一商品邻居向量；
根据第一用户邻居向量和聚合函数计算第一聚合向量；
根据第一商品邻居向量和聚合函数计算第二聚合向量；
根据属性图卷积网络前一层中的第二用户节点向量和所述第一聚合向量，采用非线性组合策略更新属性图卷积网络后一层中的第二用户节点向量；
根据属性图卷积网络最后一层的第二用户节点向量得到第二用户特征；
根据属性图卷积网络前一层中的第二商品节点向量和所述第二聚合向量，采用非线性组合策略更新属性图卷积网络后一层中的第二商品节点向量；
根据属性图卷积网络最后一层的第二商品节点向量得到第二商品特征。
6.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征，具体包括：
对所述第一用户特征和所述第二用户特征进行拼接，得到拼接用户特征；
根据自注意力权重矩阵和所述拼接用户特征计算所述用户特征融合权重；
根据所述用户特征融合权重、所述第一用户特征和所述第二用户特征得到所述用户融合特征。
7.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分，具体包括：
根据所述用户融合特征利用前馈网络得到最终用户特征；
根据所述商品融合特征利用前馈网络得到最终商品特征；
根据所述最终用户特征和所述最终商品特征，利用特征向量内积方式计算评分。
8.根据权利要求5所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述属性图卷积网络后一层中的第二用户节点向量和所述属性图卷积网络后一层中的第二商品节点向量分别表示为：
Figure FDA0003468481200000041
Figure FDA0003468481200000042
其中，hu-re (k+1)表示图卷积网络第k+1层的第二用户节点向量；σ表示非线性激活函数；Wk表示所述图卷积网络第k层的参数矩阵；hu-re (k)表示图卷积网络第k层的第二用户节点向量；hN(u) (k+1)表示所述第一聚合向量；hi-re (k+1)表示图卷积网络第k+1层的第二商品节点向量；hi-re (k)表示卷积网络第k层的第二商品节点向量；hN(i) (k+1)表示所述第二聚合向量。
9.根据权利要求1所述的一种集成评论与评分的交互式评分预测方法，其特征在于，所述用户融合特征和所述商品融合特征分别表示为：
hu＝au-rahu-ra+au-rehu-re
hi＝ai-rahi-ro+ai-rehi-re
其中，hu表示所述用户融合特征；hu-ra表示所述第一用户特征；au-ra表示所述第一用户特征的融合权重；hu-re表示所述第二用户特征；au-re表示所述第二用户特征的融合权重；hi表示所述商品融合特征；hi-ra表示所述第一商品特征；ai-ra表示所述第一商品特征的融合权重；hi-re表示所述第二商品特征；ai-re表示所述第二商品特征的融合权重。
10.一种集成评论与评分的交互式评分预测系统，其特征在于，包括：
图构建模块，用于构建特征属性二部图；所述特征属性二部图为模拟用户和商品之间异构交互的属性图；所述异构交互包括用户对商品的历史评分和用户对商品的历史评论；
图划分模块，用于根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子图；所述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；所述评论域子图包括第二用户节点向量、包含评论隐特征的评论边向量和第二商品节点向量；
第一聚合模块，用于根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一商品节点向量，分别对应得到第一用户特征和第一商品特征；
第二聚合模块，用于利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所述评论边向量，得到第二用户特征；利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的所述评论边向量，得到第二商品特征；
用户特征融合模块，用于利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特征；
商品特征融合模块，用于利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特征；
评分计算模块，用于根据所述用户融合特征和所述商品融合特征，利用前馈网络采用特征向量内积方式计算评分。
CN202210036320.7A 2022-01-13 2022-01-13 一种集成评论与评分的交互式评分预测方法及系统 Pending CN114386513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210036320.7A CN114386513A (zh) 2022-01-13 2022-01-13 一种集成评论与评分的交互式评分预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210036320.7A CN114386513A (zh) 2022-01-13 2022-01-13 一种集成评论与评分的交互式评分预测方法及系统

Publications (1)

Publication Number Publication Date
CN114386513A true CN114386513A (zh) 2022-04-22

Family

ID=81201527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210036320.7A Pending CN114386513A (zh) 2022-01-13 2022-01-13 一种集成评论与评分的交互式评分预测方法及系统

Country Status (1)

Country Link
CN (1) CN114386513A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881020A (zh) * 2022-07-12 2022-08-09 成都晓多科技有限公司 基于交叉注意力和门机制的评论质量识别模型及方法
CN114936907A (zh) * 2022-06-15 2022-08-23 山东大学 一种基于节点类型交互的商品推荐方法及系统
CN115099888A (zh) * 2022-06-14 2022-09-23 中国矿业大学(北京) 一种基于注意力机制的用户评论有效性分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099888A (zh) * 2022-06-14 2022-09-23 中国矿业大学(北京) 一种基于注意力机制的用户评论有效性分析方法
CN115099888B (zh) * 2022-06-14 2023-01-06 中国矿业大学(北京) 一种基于注意力机制的用户评论有效性分析方法
CN114936907A (zh) * 2022-06-15 2022-08-23 山东大学 一种基于节点类型交互的商品推荐方法及系统
CN114936907B (zh) * 2022-06-15 2024-04-30 山东大学 一种基于节点类型交互的商品推荐方法及系统
CN114881020A (zh) * 2022-07-12 2022-08-09 成都晓多科技有限公司 基于交叉注意力和门机制的评论质量识别模型及方法

Similar Documents

Publication Publication Date Title
CN113626719B (zh) 信息推荐方法、装置、设备、存储介质及计算机程序产品
CN110516160B (zh) 基于知识图谱的用户建模方法、序列推荐方法
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN109062962B (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN114386513A (zh) 一种集成评论与评分的交互式评分预测方法及系统
Wen et al. Neural attention model for recommendation based on factorization machines
CN110910218A (zh) 一种基于深度学习的多行为迁移推荐方法
CN112733027B (zh) 一种基于局部和全局表示模型联合学习的混合推荐方法
CN113190751B (zh) 一种融合关键词生成的推荐方法
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
CN116228368A (zh) 一种基于深度多行为网络的广告点击率预测方法
CN116452293A (zh) 一种融合物品受众特征的深度学习推荐方法及系统
CN115344698A (zh) 标签处理方法、装置、计算机设备、存储介质和程序产品
CN115391555A (zh) 一种用户感知的知识图谱推荐系统及方法
Lu Design of a music recommendation model on the basis of multilayer attention representation
CN111460318B (zh) 基于显性和隐性信任的协同过滤推荐方法
CN114841765A (zh) 一种基于元路径邻域目标泛化的序列推荐方法
CN117575744B (zh) 一种基于用户关联关系的物品推荐方法及系统
CN117474637B (zh) 基于时序图卷积网络的个性化商品推荐方法及系统
CN114117251B (zh) 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
Kalidindi et al. Discrete Deep Learning Based Collaborative Filtering Approach for Cold Start Problem.
CN117436955A (zh) 一种基于用户行为的商品推荐系统及方法
CN116501954A (zh) 基于注意力机制的用户真实兴趣感知图增强推荐系统及介质
Fan et al. Relation-aware Graph Convolutional Networks for Library Book Recommendation

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