[发明专利]一种面向兴趣点推荐的可解释生成方法

权利要求书

1.一种面向兴趣点推荐的可解释生成方法，其特征在于：

根据兴趣点推荐模型获取用户ID及推荐的兴趣点，以及兴趣点对应的影响因素；

确定影响兴趣点推荐的主要影响因素；

基于主要影响因素对推荐的兴趣点进行句子解释；

所述确定影响兴趣点推荐的主要影响因素的具体方法为：

计算各影响因素之间的影响权重值；

根据影响因素之间的影响权重值，将影响因素进行融合得到融合后的影响因素；

通过注意力机制判断出影响兴趣点推荐的主要影响因素，包括以下步骤：

步骤S1、将多个融合后的影响因素与推荐的兴趣点进行相似性学习，得到融合后的影响因素与推荐的兴趣点间的相似性权重；

步骤S2、对得到的相似性权重值进行验证；

步骤S3、根据通过验证的相似性权重值，确定影响兴趣点推荐的主要影响因素；

判断出相似性权重中的最大值，并获取该值对应的融合后的影响因素；再通过融合后的影响因素的下标识别出对应的构成该融合后的影响因素的两个影响因素，这两个影响因素即为影响兴趣点推荐的主要影响因素。

2.根据权利要求1所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述计算各影响因素之间的影响权重值的具体方法为：

将n个影响兴趣点P推荐的影响因素f₁、f₂、…、f_n嵌入成相应的影响因素的向量矩阵F＝[f₁、f₂、…、f_n]；

对每两个影响因素向量进行投影，计算影响因素之间的影响权重，如下公式所示：

其中，m_ij表示影响因素f_i、f_j之间的影响权重值，i＝1、2、...、n，j＝1、2、...、n。

3.根据权利要求2所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述根据影响因素之间的影响权重值，将影响因素进行融合得到融合后的影响因素的具体方法为：

(1)将计算出来的影响因素之间的影响权重组成一个成对标量投影矩阵M；

(2)根据兴趣点的影响因素之间的标量投影，进行兴趣点影响因素之间的融合；

不考虑标量投影矩阵中主对角线的值，获取标量投影矩阵M中每行的最大值及其对应的下标；然后将影响最大的影响权重对应的影响因素与原影响因素进行融合，得到融合后的影响因素，如下公式所示：

其中，f_ij代表影响因素f_i、f_j之间融合后的影响因素，代表权重标量投影矩阵中第i行的最大值，f_i代表原影响因素，f_j代表对原影响因素产生最大影响的影响因素。

4.根据权利要求3所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述步骤S1的具体方法为：

首先将融后的影响因素作为推荐的兴趣点P的嵌入矩阵F_ij＝[f_1j、f_2j、…、f_ij]^T，兴趣点P与融合后的影响因素的相似度的最大化目标为：

其中，a_i为融合后的影响因素f_ij与推荐的兴趣点P之间的相似性权重值；

根据兴趣点P与融合后的影响因素的相似度的最大化目标公式，得到由n个相似性权重值构成的权重集a＝(a₁,a₂,...,a_n)。

5.根据权利要求4所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述步骤S2的具体方法为：

将学习到的相似性权重值和融合后的影响因素对兴趣点P进行重构，将重构的兴趣点表示为通过最小化||p-s1||²判断兴趣点P和重构的兴趣点s1是否相同，若相同，执行步骤S3，否则重新学习相似权重值。