[发明专利]个性化推荐解释文本的生成方法、装置、系统及电子设备

说明书

本发明公开一种基于用户细粒度观点演变个性化推荐解释文本的生成方法，包括如下步骤：挖掘目标用户细粒度观点随时间演化规律和所述目标用户当前的成熟度，探寻相似用户群组成员；获取相似用户群组的历史评论句子，根据目标用户观点演变规律预测对目标商品各方面的情感值，从目标产品所有评论中筛选出与此方面情感值相近的句子，合并两类句子集，重排句子并将排序结果作为文本生成模型的输入；基于用户观点演变规律以及相似用户群组，构建多头注意力机制，分别捕捉用户所关心与用户所惊喜的方面，生成目标用户所关心和惊喜的个性化解释摘要文本。本发明还公开一种采用个性化文本生成方法的装置、系统及电子设备。

【技术领域】

本发明涉及文本情感分析、文本总结生成和推荐技术领域，尤其涉及一种基于用户细粒度观点演变个性化解释文本的生成方法、装置、系统及电子设备。

【背景技术】

电商平台的崛起深深影响了大众的购买行为，平台信息指数式增长促使了推荐系统的诞生，推荐系统从海量信息中挑选用户倾心的产品与服务，但是对于推荐结果缺少解释性说明，使得推荐的可解释性降低。现有技术的推荐系统中，主要包括用户观点捕捉技术、文本生成技术及用户观点演变技术。

用户观点捕捉技术：在线用户评论往往包含了大量的用户观点和偏好，评论文本挖掘技术就是用来挖掘在线用户评论中用户的意见，其中最关键的是方面识别和情感分类，其中所述方面识别和提取技术一般多为基于特征与词特征的融合，结合一些流行的深度学习框架进行研究。

情感分类主要可以分为两大类：

(1)粗粒度层次分析，包括篇章级情感分析和句子级情感分析；

(2)细粒度层次分析。

在细粒度层次分析类，一般包括如下步骤：

第一步，对评论对象属性以及情感词进行识别；

第二步，对识别出的评论对象属性的情感进行分类；

第三步，对分类结果进行汇总。

所述细粒度层次分析通过抽取用户评论对象的属性和对应的情感，其分析的层次更为细致，更加容易反应出用户的感情倾向和消费习惯。

文本生成技术：构建评论文本摘要对复数评论进行方面和情感总结，该技术一般分为两种即抽取式生成和抽象式生成。

所谓抽取式生成是从原文中选取关键的词语、句子或者片段，但是会丧失部分的内聚性，而抽象文本生成可以弥补这个缺陷。在线评论本质上是多域影响的、多语言的以及多意见的，文本总结通常是没有标签的，标签的注释工作是针对某个域，即域不同则需进行重新注释，因此无监督抽象文本生成技术更为符合社会需求，但是如何保证所生成文本的质量也是一个难点。

用户观点演变技术：用户观点是随时间演变的，因此基于评论生成解释文本需要考虑用户观点的动态变化。

综上所述，现有技术仍然存在以下技术问题：首先，文本摘要总结生成技术的特点在于提取关键信息以减少用户阅读时间，有学者在现有的抽象式文本摘要生成中加入用户的方面情感组来提高文本总结的各个精度，但是仅关注用户长期偏好来生成摘要总结，不考虑用户的观点演化和用户当前状态而对其推荐是有偏差的；其次，用户观点是随着时间推移而变化的，因此用户观点演变的研究是当前的热点，然而近些年的研究多集中于运用深度学习和协同过滤等方法挖掘用户评分变化规律，学者们对用户生成文本中的方面情感关注较少；

再者，现有技术中的个性化文本生成技术会带来“过滤气泡”特征，造成人们认知的隔绝状态。所谓“过滤气泡”是指推荐算法过滤掉与用户观点相左或我们不喜欢的信息，只提供用户想看的内容。

为解决上述技术问题，有必要提供一种新的个性化推荐解释文本的生成方法、装置、系统及电子设备以有效解决上述技术问题。

【发明内容】