[发明专利]一种基于生成对抗网络的隐语义推荐方法

权利要求书

1.一种基于生成对抗网络的隐语义推荐方法，其特征在于，包括如下步骤：

S1、生成网络模型基于文本评论信息来预测用户喜欢的top-M商品列表以及最喜欢某个商品的top-N用户列表；其中M和N为正整数；

S2、用判别模型区分生成模型预测的分数与真实的分数；

S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于文本评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度；

使用生成对抗网络框架RRGAN，来生成用户画像和商品表征，RRGAN包括基于文本评论信息生成用户画像和商品表征的隐语义模型、基于文本评论信息为用户预测top-N商品的生成模型、基于用户画像和商品表征来判断分数是预测分数还是真实分数的判别模型；隐语义模型基于评论生成用户画像和商品表征；生成模型和判别模型之间通过相互作用、相互扶持来提高用户画像和商品表征刻画的精准度；在生成模型和判别模型的相互对抗中，模型不断优化用户画像和商品表征的刻画的精准度；其中，利用生成对抗网络来连接用户评论信息和评分信息，基于评分信息和评论信息使用生成对抗网络来生成用户画像和商品表征；

其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间；其中，使用变分自编码器作为所述隐语义模型，文本评论信息被转为评论向量作为隐语义模型的输入，输出是用户画像和商品表征，隐语义模型基于评论信息生成用户画像和商品表征；对于一个用户历史上评论过多个商品的多条评论，将该用户的所有评论信息会连接起来，并通过词袋模型转化为向量x＝{w1,w2...wn}，wn表示评论信息中是否出现了第n个单词，如果出现为1，不出现为0，其中n为自然数；

使用分数预测模块，将用户画像、商品表征和评分信息引入到分数预测模型，训练分数预测模型来预测分数，经过排序将top-N列表推荐给用户；其中，分数预测模型的输入是用户和商品的隐向量、用户画像和商品表征，输出的是模型预测用户会给商品的打的评分；通过训练一个矩阵分解模型来预测分数，将用户和商品的隐向量、用户画像和商品表征喂给分数预测模型去预测top-N列表；最后，对预测模型预测的分数进行排序，将top-N的商品推荐给用户；

判别模型是一个深度的全连接网络，在给定用户画像和商品表征的情况下，区分开生成模型生成的分数和实际用户对商品的评分；对于用户样本，判别模型需要判别该用户对N个商品的评分；对于商品样本，判别对应N个用户对该商品的评分，“记录向量”是所述判别模型的输入，所述“记录向量”分为“预测记录”和“真实记录”两类，所述“预测记录”包括三个部分，分别是生成模型生成的预测评分，用户画像和商品表征，这三个部分将会连接成一个向量，作为判别模型的输入，所述“真实记录”也包括三个部分，分别是用户对商品的真实分数，用户画像和商品表征，这三部分也会被连接在一起成为一个向量，作为判别模型的输入。

2.如权利要求1所述的基于生成对抗网络的隐语义推荐方法，其特征在于，用户画像和商品表征会共享同一个语义空间。

3.如权利要求1所述的基于生成对抗网络的隐语义推荐方法，其特征在于，判别模型能够除学习评分信息、用户画像和商品表征之间的关系外，还学习用户的偏置和商品的偏置。

4.一种计算机介质，其特征在于，包括计算机程序，所述计算机程序可被执行以实现如权利要求1-3中任一项所述的方法。