[发明专利]一种基于注意力机制的情感时序推荐方法

说明书

本发明公开了一种基于注意力机制的情感时序推荐方法，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。

技术领域

本发明属于序列推荐领域，具体涉及一种基于注意力机制的情感时序推荐方法。

背景技术

近年来，如何利用评价信息提高推荐满意度成为研究者关注的焦点。例如使用文本信息作为辅助边信息来缓解评分矩阵的稀疏问题，引入评论来解决协同过滤CF算法稀疏性带来的问题。基于CNN的解决方案通常利用不同大小的转换过滤器和最大池操作来获得特征向量。然而，基于CNN的推荐方法的缺点是，在推荐时总是忽略用户偏好的时间动态性。因此，如何探索用户和项目评论的动态变化以提高推荐者的性能仍然是一个巨大的挑战。在这种情况下，基于RNN的方法可以在预测用户下一步将消费哪个项目方面获得良好的性能。一些深度兴趣进化网络模型被提出以捕捉暂时的兴趣，但它没有在评论中使用丰富的情感信息。此外，大多数现有的方法使用评分或审查文本作为单独的输入。他们没有全面地使用反馈信息，没有充分利用现有异构数据的优势来有效地捕获时间动态，且未能考虑全局联系和局部联系，且能并行化计算，且模型过拟合现象较严重。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于注意力机制的情感时序推荐方法解决了深度兴趣进化网络模型没有在评论中使用丰富的情感信息的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于注意力机制的情感时序推荐方法，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。

进一步地：所述步骤S1中，所述评论信息具体为评论的集合R＝{r₁，r₂，...，r_p}，其中，r_i为第i条评论，i＝1，2，...，p，p为评论的总数；

第i条评论具体为r_i＝{w₁，w₂，...，w_q}，其中，w_j为第j个词的低维密集向量，j＝1，2，...，q，q为第i条评论的单词数；

其中，第j个词的低维密集向量w_j的表达式具体为：

w_j＝e_j×W_e

式中，W_e为预训练的词向量矩阵，e_j为嵌入层中输入第j个词生成对应的索引e_j；

所述时间信息具体为第i次用户与项目交互和第i+1次用户与项目交互之间的时间间隔其表达式具体为：

式中，t_i为第i条评论对应的时间，min(T)为用户与项目交互时间间隔的最小值，max(T)为用户与项目交互时间间隔的最大值。