[发明专利]一种融合评论文本和特征加权的四维张量分解推荐方法

说明书

本发明公开了一种融合评论文本和特征加权的四维张量分解推荐方法，该方法包括以下步骤：S1、数据采集及划分；S2、评论文本的处理；S3、张量的构建；S4、结合标签及评分数据的加权；S5、张量的分解及生成推荐。本发明考虑将评论文本融入到张量分解模型当中，本发明利用用户项目评论数据集，收集用户、用户评论文本、项目、项目评论文本，将评论文本向量化，进而分别得到用户的特征向量和项目的特征向量，然后构建{用户，用户特征，项目，项目特征}四维张量，最后应用高阶奇异值分解充分挖掘张量实体之间的潜在联系性，根据处理结果生成推荐，从而达到提高推荐系统效率的目的。

技术领域

本发明属于数据挖掘和自然语言处理技术领域，尤其涉及一种融合评论文本和特征加权的四维张量分解推荐方法。

背景技术

随着信息技术的飞速发展，人们逐渐进入信息过载的时代，如何在过载的信息当中寻找自己所需要的信息就显得尤为重要。推荐系统的功能是对目标用户的行为活动和需求进行分析，然后对其可能喜欢的项目进行推荐。因此，提高推荐系统的准确度能够为企业带来巨大的经济效益，且让用户有一个更好的体验感。

近年来，推荐系统受到越来越多的行业的青睐，尤其个性化推荐系统的发展，对提高用户体验满意度起到了至关重要的作用。协同过滤算法是目前最流行的推荐技术之一，其通过对用户和项目的相似性度量来实现对用户的高效推荐。但协同过滤算法存在弊端，为了进一步提升推荐的准确性，近几年基于张量分解的推荐模型开始兴起。当推荐模型直接利用评分数据参与推荐时，会由于评分数据的稀疏性导致模型效果不佳，一种缓解数据稀疏的方法是利用评论数据，以补充更多信息的方式来弥补数据的不足。当今基于张量分解的推荐模型大多都是将用户、项目，标签等其他上下文信息纳入到模型的构建过程中，构建了{用户，商品，标签}的张量分解模型，从而进行个性化推荐，为解决标签推荐系统存在数据极度稀疏性的问题，将评论文本参与构建张量模型。张量模型可以充分融合用户和项目之间相关联的上下文信息，利用张量模型实现个性化推荐的研究越来越受到重视，极大地提高了推荐系统准确度。因此，本发明将张量运用在推荐系统中，通过结合用户评论文本和项目的评论文本来参与张量模型的构建，并将项目标签信息和评分矩阵信息作为张量权重，然后结合张量分解方法建立模型。在解决数据稀疏性问题的同时，提供更加准确和个性化的标签推荐。

发明内容

本发明从融合用户和项目之间相关联的上下文信息角度出发，利用评论文本，将用户、用户特征、项目、项目特征信息关联起来建立用户-用户特征-项目-项目特征四维张量，再将项目的标签信息和评分数据融合作为权重，融合起来的权重分别是从定性和定量的角度来看待的，在此基础上，利用张量分解技术得到一个近似张量，推荐系统的最终目的是为目标用户推荐其可能最感兴趣的前N的项目。

为了实现以上发明，提出了一种融合评论文本和特征加权的四维张量分解推荐方法，包括以下步骤：

S1、数据的采集及划分；将处理好的数据集随机选取80％的历史交互作为训练集，用于训练模型；其余作为测试集，用于评估模型的泛化能力；从训练集中随机选取10％的交互作为验证集，用于调整超参数；

S2、评论文本的处理：先进行词向量训练，运用doc2vec工具对评论文本处理得到文本的词向量表示，该向量的维度可在实验调参阶段自我设置，然后将得到的本文词向量输入LSTM神经网络中训练，从而得到具有深层语义的词向量；

S3、张量的构建：本文对用户、用户特征、项目、项目特征构建4维张量模型，其中用户特征和项目特征都是通过评论文本生成的特征向量；

S4、结合标签及评分数据的加权：由于每个项目都有固定的一个或多个标签，结合评分数据与标签计算用户对项目的标签的偏好程度，然后将项目标签与项目特征作相关性分析，从而得到项目标签与项目特征的相关程度，最后将相关程度与偏好程度作内积，既是张量对应位的权重大小；

S5、张量的分解及生成推荐：将加权后的张量应用高阶奇异值分解技术，通过对张量进行分解和重构近似张量，从而达到推荐的目的。