[发明专利]一种基于协同训练的融合评分信息和物品内容的推荐方法

说明书

本发明提出了一种基于协同训练的融合评分信息和物品内容的推荐方法，通过挖掘用户评论的情感倾向，以实现对用户原始评分偏离用户真实兴趣偏好的纠正，采用观点预过滤方法对该物品的情感倾向进行综合评分度量。对物品内容描述的文本信息进行挖掘，利用神经网络的方法将其表示成为分布式的段落向量，实现对物品内容的相似度计算，进而构建基于物品内容的推荐模型。本发明利用协同训练策略实现对两个推荐因素的融合，并在协同训练中增加了基于置信度估计与聚类分析的数据选择策略，尽量消除迭代训练中加入到训练数据池中的数据分布偏差。根据推荐预测模型的综合评分和物品的相似度，对初始推荐结果进行过滤和排序，从而得到最终推荐结果。

技术领域

本发明涉及物品推荐领域，尤其涉及一种基于协同训练的融合评分信息和物品内容的推荐方法。

背景技术

信息时代，信息也成为了一种资源。信息时代的迅猛发展加快了整个世界的进步，加快了人们生活的节奏，时间利用的有效性成为了关键。而与此相违背的爆炸性的数据量又是一个亟待解决的问题。在此背景下，推荐系统的产生和发展的合理性也就众所周知。为用户在较短时间内选择到针对他的喜好物品是推荐系统的目标。

本发明提出了一种基于协同训练的融合评分信息和物品内容的推荐方法。一方面，我们通过挖掘用户评论的情感倾向，以实现对用户原始评分偏离用户真实兴趣偏好的纠正，采用观点预过滤(opinion pre-filtering)方法对该物品的情感倾向进行综合评分度量，从而实现基于物品的协同过滤推荐模型。另一方面，我们对物品内容描述的文本信息进行挖掘，利用神经网络的方法将其表示成为分布式的段落向量，实现对物品内容的相似度计算，进而构建基于物品内容的推荐模型。与此同时，本发明利用协同训练策略实现对两个推荐因素的融合，并在协同训练中增加了基于置信度估计与聚类分析的数据选择策略，尽量消除迭代训练中加入到训练数据池中的数据分布偏差；在此基础上，构建混合推荐系统的预测模型。在TopN推荐阶段，根据推荐预测模型的综合评分和物品的相似度，对初始推荐结果进行过滤和排序，从而得到最终推荐结果。

发明内容

针对现有技术中存在的上述不足，本发明实际要解决的问题是：如何提高在用户评分存在缺失时的推荐准确性，成为了本领域技术人员急需解决的问题。

为解决上述技术问题，本发明采用了如下的技术方案：

一种基于协同训练的融合评分信息和物品内容的推荐方法，包括如下步骤：

S1、获取用户对物品的评论文本及用户对物品的评分，基于用户对物品的评分建立用户评分矩阵，初始化迭代次数为1，执行S2；

S2、基于用户对物品的评论文本建立用户情感倾向评分矩阵,执行S3；

S3、基于用户情感倾向评分矩阵更新用户评分矩阵，执行S4；

S4、基于用户评分矩阵生成数据训练集，执行S5；

S5、获取物品描述文本，基于物品描述文本生成物品描述向量，执行S6；

S6、基于物品描述向量及数据训练集更新用户评分矩阵，执行S7；

S7、将迭代次数加1，判断迭代次数是否大于或等于预设迭代次数，当迭代次数大于或等于预设迭代次数，执行S8，否则，执行S3；

S8、对用户评分矩阵中物品的评分进行排序并推荐。

优选地，S2包括如下步骤：

S201、将所有评论文本进行切词，得到候选关键词；

S202、利用word2vec中的Skip-Gram模型训练候选关键词向量模型，得到每个候选关键词的K维向量表示；

S203、采用TF-IDF算法从候选关键词选出出现频率最高的Top-N个候选关键词作为关键词，并获取每个关键词的K维向量表示；