[发明专利]一种基于注意力模型的推荐方法

说明书

本发明属于计算机技术领域中的推荐系统领域，具体涉及一种基于注意力模型的推荐方法。本发明首先将用户对商品的评分表示成用户商品评分矩阵；然后,将用户评论中的词语映射成词向量，作为双向循环神经网络的输入，并在双向循环神经网络的隐层之后加入注意力模型，用于提取重要情感词语的特征；接着，通过注意力模型为每条评论生成情感评分；最后，将用户对商品的真实评分与情感评分进行加权，更新用户评分矩阵，使用传统的协同过滤推荐方法为用户进行推荐。本发明可以有效的改善传统的推荐方法中对输入信息的稀释问题，同时考虑用户的情感因素对评论结果的影响，能够更准确地更正用户的评分行为，进而提高了推荐的准确率。

技术领域

本发明属于计算机技术领域中的推荐系统领域，具体涉及一种基于注意力模型的推荐方法。

背景技术

随着大数据时代的到来，越来越多的信息充斥着人们的生活。如何从大量的信息中迅速检索出人们需要的内容成为研究者关注的重点，推荐系统应运而生。在电子商务领域，推荐系统应用广泛。人们在选择商品时，往往无法确切的描述自己所需要物品的信息，推荐系统可以主动向用户推荐其感兴趣的商品，使商家获得了更多的利益，也让用户有了更好的使用体验。

目前，常见的推荐方法包括基于协同过滤的推荐方法和基于内容的推荐方法。这两种方法根据用户的评分及消费历史来获得推测用户的喜好，来寻找具有相似喜好的用户，从而对其进行选择的商品相互推荐。但是，这种评分方式不能准确地代表用户的喜爱程度，因为每个人评价的标准不同，用户的评级行为存在差异。

发明内容

本发明的目的在于利用循环神经网络分析用户的评论信息，在循环神经网络模型中引入注意力机制，解决传统推荐方法中没有考虑用户评价标准不同的问题，更加准确的将用户选择的产品进行相互推荐，本发明提出了一种基于注意力模型的推荐方法。实验数据表明，本发明方法所推荐出的结果比传统的推荐方法具有更高的精度。

本发明的目的是这样实现的：

一种基于注意力模型的推荐方法，包括如下步骤：

(1)建立用户评分矩阵，把m个用户对n个商品的评分形成一个m*n的评分矩阵R，矩阵中的项R_ij表示用户u_i对商品i_j的评分；

(2)去除评论语句中的停用词，并将评论的词语映射成词向量；

(3)建立基于注意力模型的Encoder-Decoder模型，得到输出单元y_i；

(4)计算情感评分Score(emotion)；

(5)根据用户的真实评分和情感的分进行加权，得到用户的最终得分来更新用户评分矩阵，然后计算用户评分之间的相似性，把与用户U最相似的前N个用户的近期消费商品推荐给用户U，完成推荐操作。

所述步骤(1)中的用户评分矩阵是这样建立的：m名用户构成用户集合U＝{u₁，u₂，…，u_m}，n件商品构成项目集合I＝{i₁，i₂，…，i_n}，用户评分矩阵R表示为：其中，用户u_i对商品i_j的评分即为R_ij。

所述步骤(4)中情感评分Score(emotion)计算公式如下：α_i是注意力权重，其表达式为：β_i是i时刻状态y_i的注意力得分，其表达式为：β_i＝V_αtan(y_iW_α+b_α)，其中，V_α和W_α是已知的权重参数，b_α是偏置单元。