[发明专利]一种基于多模态商品特征融合的商品推荐方法

说明书

本发明属于商品推荐领域，具体涉及一种基于多模态商品特征融合的商品推荐方法。所述商品推荐方法包括：根据用户已经购买的商品序列构建用户‑商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；通过卷积神经网络对商品得到的评论文本进行特征提取，得到商品评论的向量表示；通过卷积神经网络对商品的标题和描述信息进行特征提取，得到商品内容的向量表示；将商品节点、评论和内容的向量表示连接得到商品的最终表示，将用户节点的向量表示作为用户的最终表示。本发明通过利用商品的多模态特征，能够极大的缓解商品推荐中的数据稀疏性问题，提高推荐准确率。

技术领域

本发明涉及一种商品推荐方法，属于商品推荐领域。

背景技术

目前的商品推荐方法在对商品进行建模的过程中，大多数仅利用商品的id提取隐含在用户和商品交互中的协同信号，从而对商品进行建模，这通常面临着严重的数据稀疏性问题，极大的制约了推荐系统的性能。尽管也有一些工作将评论信息纳入考虑，以捕获包含在评论中的商品特征信息，同时缓解数据稀疏性问题，但商品本身的标题和描述信息却很少得到利用。然而，评论信息由用户给出，其中由于用户表达习惯、关注点的不同，不同的评论中包含的信息通常具有不同的信息性，甚至有可能包含很多的噪声信息。与评论信息不同，商品标题和描述通常由商家进行撰写，其中会包含更多且更全面的商品特征，并且在表达中会更加的专业和准确。因此，在推荐中对商品建模时，在商品id和商品评论信息的基础上，结合商品标题和描述信息将有助于实现更好的推荐性能。

发明内容

针对上述问题，本发明提出了一种基于多模态商品特征融合的商品推荐方法，所述推荐方法包括：

S1：根据用户历史购买的商品序列构建用户-商品二分图，通过图卷积得到用户节点的向量表示和商品节点的向量表示；

S2：获取商品的评论文档，通过卷积神经网络提取商品评论的向量表示；

S3：获取商品的标题和描述信息，通过卷积神经网络提取商品内容的向量表示；

S4：得到用户的最终表示和商品的最终表示；

S5：计算用户和商品的相似度；

S6：通过贝叶斯个性化排序损失优化提出方法中的参数。

进一步的，所述S1中构建用户-商品二分图包括：

S11：根据隐式反馈或显式反馈获取用户历史购买商品序列，通过历史购买商品序列构建用户-商品二分图，使用用户-商品邻接矩阵表示，其中n_u和n_p分别是用户数和商品数，是用户-商品交互矩阵，R^T是R的转置，

S12：为了利用用户-商品二分图中节点自身的信息，向A添加一个单位矩阵同时，为了避免训练过程中的梯度消失或梯度爆炸，使用对角度矩阵进行归一化处理，其中对角线上的值为用户-商品二分图中各个节点的度，从而得到

进一步的，所述S1中得到用户节点的向量表示和商品节点的向量表示包括：

S13：通过图卷积对用户-商品二分图进行邻居传播和聚合操作，得到用户节点的向量表示和商品节点的向量表示。

进一步的，所述S13中图卷积的具体步骤为：

S131：通过嵌入层将每个用户和商品唯一对应的id转换为密集向量，得到用户特征向量和商品特征向量其中d是特征向量的维度；

S132：建立嵌入表来表示用户-商品二分图的特征矩阵；

S133：使用t层的图卷积来聚合节点邻居的特征，其中传播过程定义为：