[发明专利]一种面向兴趣点推荐的可解释生成方法

说明书

本发明提供一种面向兴趣点推荐的可解释生成方法，涉及社交网络以及兴趣点推荐技术领域。首先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；再根据兴趣点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；将多个融合后的影响因素与推荐的兴趣点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；根据相似性权重值，确定影响兴趣点推荐的主要影响因素；最后采用设定好的句子模板，基于主要影响因素对推荐的兴趣点进行句子解释；该方法对推荐的兴趣点的不同影响因素进行分析，在既保证推荐模型的准确率的同时，又保证了解释的合理性。

技术领域

本发明涉及社交网络以及兴趣点推荐技术领域，尤其涉及一种面向兴趣点推荐的可解释生成方法。

背景技术

目前，为了提高用户对兴趣点推荐模型的信任，越来越多的关注在于给推荐的兴趣点生成解释。在兴趣点推荐模型中提供适当的解释，除了能更好的说服用户接受推荐的结果，也可以帮助推荐系统提高可信度、帮助用户更好的做出决定、甚至帮助用户节省时间。因为从一个兴趣点到另一个兴趣点通常会消耗一定的时间与费用。此外，在兴趣点推荐中提供解释，可以帮助用户更好地了解不同兴趣点之间的关系，帮助用户提前、更好地规划路线。

随着兴趣点推荐领域的不断发展，大多数兴趣点推荐都采用深度学习的方法训练模型以提升兴趣点推荐的准确性，但深度学习的推荐算法对于用户来说如同一个黑盒子很难探究其部的工作原理，因此在维持推荐模型准确率的同时，增加兴趣点的解释还是面临着很多困难。现有的一些方法只是针对用户兴趣点的评论信息生成解释，这种解释方法很难控制解释的方向，会使得推荐的结果不可控，不能针对兴趣点推荐模型做出合理、有效的解释。

在日常生活中，用户签到兴趣点时会受到不同因素的影响，不同时刻的影响因素对用户选择签到兴趣点来说有着不同程度的影响。用户希望推荐模型在给出推荐兴趣点后，能将起到主要影响的影响因素直观的展现给自己，以便更好地在推荐列表中选择自己感兴趣的兴趣点。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种面向兴趣点推荐的可解释生成方法，对兴趣点推荐的结果产生一种文本解释，在保证推荐模型准确率的同时，提高用户对推荐模型的信任。

为解决上述技术问题，本发明所采取的技术方案是：一种面向兴趣点推荐的可解释生成方法，具体为：

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。

进一步地，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。

进一步地，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、fj之间的影响权重值，i＝1、2、…、n，j＝1、2、…、n；