[发明专利]一种物品推荐方法、系统、电子设备及存储介质

说明书

本发明提供一种物品推荐方法、系统、电子设备及存储介质，从用户进行物品选择决策时的参考因素出发，构建可以动态地加权嵌入丰富决策信息和特征信息的推荐方法：融合了评论的内容特征和细粒度情感特征，融合了用户的社交关系网络和物品的相似度空间，除了用户物品之间的交互关系之外引入了社交关系和物品相似度空间信息，融合了时序信息对于评论、社交关系、用户物品交互的影响，考虑到了不同时期的评论、社交关系、用户物品交互信息对于用户决策的影响，贴近现实推荐场景，提供了动态推荐的策略。提出了多门控机制特征融合方式以加权融合特征，对于不同空间特征的融合考虑其对于推荐的贡献，以加权的形式进行融合，提升了物品推荐效果。

技术领域

本发明属于人工智能领域，更具体地，涉及一种物品推荐方法、系统、电子设备及存储介质。

背景技术

专利文献CN114723522A公开了一种面向评论文本的图神经网络，通过构建用户和物品的二部图，将评分信息和评论信息作为边特征构建图卷积模型来完成推荐。但是该技术对于评论信息的挖掘不够全面，未考虑到细粒度情感特征等深层信息，且没有考虑用户的社交关系、物品相似度关系等更加全面的关系网络，缓解推荐系统的冷启动问题的效能不足；同时该模型也是一个静态的推荐方法，没有考虑到评论、物品、社交关系等的时序变化。

专利文献CN112650929A公开了一种融合评论信息的图神经网络推荐方法，通过使用双向编码器表征量(Bidirectional Encoder Representations from Transformers，BERT)模型进行评论文本数据的特征提取作为每个节点的内容表述向量，并利用图卷积和图注意力网络来提取节点的结构表述向量，最终来预测推荐概率。但是该技术对于评论信息的挖掘也只是考虑了基本的粗粒度内容信息，未考虑较深的细粒度情感信息，也没有考虑用户的社交关系、物品相似度关系以及时序关系，捕捉到的信息有限。

现有技术提供了一种融合社交关系的图卷积神经网络推荐方法，通过嵌入用户的社交关系来丰富用户的特征表示。并与用户商品二部图进行融合，通过图卷积神经网络进行信息挖掘，最终使用向量点乘的方式进行推荐预测。但是该技术没有考虑评论对于推荐系统的作用，且也是静态的推荐系统，没有考虑到时序信息对于决策的参考价值，所以对于时序信息的考虑也是本发明相较于其他发明的一个改进。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种物品推荐方法、系统、电子设备及存储介质，旨在解决现有物品推荐方法是一个静态的推荐方法，没有考虑到评论、物品、社交关系等的时序变化以及较深的细粒度情感信息，也没有考虑用户的社交关系、物品相似度关系以及时序关系，导致物品推荐效果不佳的问题。

为实现上述目的，第一方面，本发明提供了一种物品推荐方法，包括如下步骤：

从平台业务数据集中获取用户对物品的评论数据集，提取所述评论数据集中出现频数最高的名词作为用户对物品评论的细粒度情感特征关键词；使用BERT模型、注意力层以及多层感知机层对所述细粒度情感特征关键词进行提取，得到评论的细粒度情感特征；以及使用BERT模型对评论数据集的全句词向量进行嵌入，获取评论的全句内容特征；

从平台业务数据集中获取用户的社交数据和用户与物品交互的历史数据，根据用户对物品评论的关系构建用户的评论空间，评论空间包括：所述评论的全句内容特征、评论的细粒度情感特征以及评论的时序特征；根据用户与物品的交互关系构建用户的物品空间，物品空间包括：用户对物品的评分数据、评论的细粒度情感特征、与用户交互的所有物品信息及交互发生的时序信息；根据用户的社交数据构建社交关系空间，社交关系空间包括：用户的好友信息和建立好友关系的时序信息；根据用户与物品的交互关系和用户的社交数据构建高阶空间，高阶空间包括：所有用户和物品的交互信息和所有用户的好友信息；从评论空间、物品空间、社交关系空间以及高阶空间对用户的初步特征提取，使用多门控机制将各个空间提取的用户初步特征和用户节点特征向量融合得到用户嵌入特征向量；