[发明专利]一种基于注意力机制的情感时序推荐方法

权利要求书

1.一种基于注意力机制的情感时序推荐方法，其特征在于，包括以下步骤：

S1、收集评论信息和时间信息，并将其输入嵌入层，得到具有时态信息的用户因素和项目因素；

S2、将有时态信息的用户因素和项目因素输入至blstm层进行情感特征提取，得到用户和项目之间的交互序列；

S3、将用户和项目之间的交互序列通过注意力层输入至cnn层，得到用户表示和项目表示；

S4、将用户表示和项目表示输入至输出层，得到精确评分，进而将最高精确评分对应项目作为情感时序推荐结果；

所述步骤S3包括以下分步骤：

S31、将用户和项目之间的交互序列输入注意力层，得到句子级用户和项目之间的交互序列；

S32、将句子级用户和项目之间的交互序列输入cnn层，得到用户表示和项目表示；

所述步骤S31具体为：

通过注意力层生成一个权重向量，使权重向量乘以用户和项目之间的交互序列，得到句子级用户和项目之间的交互序列；

其中，句子级用户和项目之间的交互序列h*表达式具体为：

h*＝tanh(r)

r＝HαT

α＝softmax(wTM)

M＝tanh(H)

式中，M为第二运算过程向量，r为第一运算过程向量，α为权重向量，T为句子长度，w为是经过训练的参数向量，tanh(*)为第一激活函数，softmax(*)为第二激活函数；

所述S32中，cnn层包括依次连接的卷积层、最大池化层和全连接层；

其中，所述卷积层设置有并列的G个互不相同卷积滤波器；

所述步骤S32包括以下分步骤：

S32-1、将用户和项目之间的交互序列通过卷积层的卷积滤波器提取特征，得到特征图；

其中，特征图具体为[t₁,t₂,…,t_s]；t_j为第j个卷积滤波器输出的结果，j＝1,2,…,s，s为卷积滤波器的总数；第j个卷积滤波器输出的结果t_j表达式具体为：

式中，X_i为句子级用户和项目之间的交互序列h*中的第i个评论，其中i＝1,2,…,p，p为评论的总数，b_j为偏置项，※为卷积运算，K_j为第j个卷积滤波器，为第三激活函数；

S32-2、将所述特征图输入最大池化层进行特征提取，得到特征子向量，进而将得到的特征子向量进行拼接，得到固定长度的特征向量；

其中，得到特征子向量z_s的表达式具体为：

z_s＝max(T)

所述特征向量Z具体为[z₁，z₂，...，z_G]；

S32-3、将特征向量输入至全连接层，进而通过下式对特征向量进行特征提取，得到用户表示和项目表示；

χ＝relu(W×Z+b)

式中，χ为特征提取的结果，relu(*)为激活函数，W为权重矩阵，Z为特征向量，b为偏置项；

根据特征提取的结果χ得到用户表示χ_u和项目表示χ_o。