[发明专利]基于层次型文本交互的商品评分预测方法

权利要求书

1.一种基于层次型文本交互的商品评分预测方法，其特征在于，包括：

确定待预测的用户和商品，获取所述用户的至少一个历史评论文本和所述商品的至少一个历史评论文本，以及获取所述用户和所述商品的隐特征向量；

利用预先训练的卷积神经网络对所述历史评论文本进行处理，获取每个所述历史评论文本对应的词组级卷积特征向量；

对所述用户的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述用户的历史评论文本对应的特征向量，以及，对所述商品的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述商品的历史评论文本对应的特征向量；

根据所述用户的历史评论文本对应的特征向量和所述商品的历史评论文本对应的特征向量，获取用户初始偏好特征和商品初始属性特征；

对所述用户的历史评论文本对应的特征向量和所述商品初始属性特征进行融合，获取用户交互偏好特征；

对所述商品的历史评论文本对应的特征向量和所述用户初始偏好特征进行融合，获取商品交互属性特征；

对所述用户初始偏好特征和所述用户交互偏好特征进行融合，获取用户偏好特征；

对所述商品初始属性特征和所述商品交互属性特征进行融合，获取商品属性特征；

对所述用户偏好特征和所述商品属性特征之间的交互进行建模，获取所述用户对所述商品的预测评分。

2.根据权利要求1所述的基于层次型文本交互的商品评分预测方法，其特征在于，采用嵌入检索操作获取所述用户的隐特征向量和所述商品的隐特征向量。

3.根据权利要求1所述的基于层次型文本交互的商品评分预测方法，其特征在于，利用预先训练的第一注意力机制模型对所述用户的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述用户的历史评论文本对应的特征向量，以及，对所述商品的历史评论文本对应的词组级卷积特征向量、所述用户的隐特征向量和所述商品的隐特征向量进行处理，获取所述商品的历史评论文本对应的特征向量。

4.根据权利要求3所述的基于层次型文本交互的商品评分预测方法，其特征在于，利用以下公式获取所述用户的历史评论文本对应的特征向量：

利用以下公式获取所述商品的历史评论文本对应的特征向量：

其中，W和b表示第一注意力机制模型参数，tanh表示非线性变换函数，表示用户的历史评论文本对应的词组级卷积特征向量，表示商品的历史评论文本对应的词组级卷积特征向量，u_i表示用户的隐特征向量，v_j表示商品的隐特征向量，d_i表示用户的历史评论文本对应的特征向量，d_j表示商品的历史评论文本对应的特征向量。

5.根据权利要求4所述的基于层次型文本交互的商品评分预测方法，其特征在于，根据所述用户的历史评论文本对应的特征向量和所述商品的历史评论文本对应的特征向量，获取用户初始偏好特征和商品初始属性特征，包括：

利用最大化池操作对所述用户的历史评论文本对应的特征向量进行处理，获取用户初始偏好特征；

利用最大化池操作对所述商品的历史评论文本对应的特征向量进行处理，获取商品初始属性特征。

6.根据权利要求5所述的基于层次型文本交互的商品评分预测方法，其特征在于，利用预先训练的第二注意力机制模型对所述用户的历史评论文本对应的特征向量和所述商品初始属性特征进行融合，获取用户交互偏好特征；

利用预先训练的第三注意力机制模型对所述商品的历史评论文本对应的特征向量和所述用户初始偏好特征进行融合，获取商品交互属性特征。