[发明专利]基于层次型文本交互的商品评分预测方法

说明书

本发明公开了一种基于层次型文本交互的商品评分预测方法，包括：确定用户和商品，获取用户和商品的历史评论文本和隐特征向量；获取历史评论文本对应的特征向量；根据特征向量，获取用户初始偏好特征和商品初始属性特征；融合用户的历史评论文本对应的特征向量和商品初始属性特征，获取用户交互偏好特征；融合商品的历史评论文本对应的特征向量和用户初始偏好特征，获取商品交互属性特征；融合用户初始偏好特征和用户交互偏好特征，获取用户偏好特征；融合商品初始属性特征和商品交互属性特征，获取商品属性特征；对用户偏好特征和商品属性特征之间的交互进行建模，获取用户对商品的预测评分。本发明能够提高商品评分预测精度，实现更好推荐效果。

技术领域

本发明涉及互联网信息分类技术领域，尤其涉及一种基于层次型文本交互的商品评分预测方法。

背景技术

随着电子商务的不断发展，规模的不断扩大，商品的个数和种类也快速的增加，这使得用户在挑选所需的商品上，会花费大量的时间，在较短的时间购买到适合自己的商品，已经成为网络购物的发展方向。基于海量数据分析与数据挖掘技术的推荐服务也因此成为各大电子商务网站使用的技术之一。

推荐系统是一种典型的信息过滤工具，推荐系统通过用户和商品之间的历史交互记录，捕获用户对商品的兴趣偏好，以便更快的将用户感兴趣的商品优先呈现给他们。一个推荐问题，通常情况下可描述为用户和商品之间的评分预测问题，即给定用户和商品之间已经完成的评分记录，来预测缺失的评分记录，并据此给用户推荐评分高的商品。

在实际应用中，由于和网络平台中数目庞大的商品相比，大多数用户仅跟极少数商品具有历史交互记录，使得推荐系统面临着严重的数据稀疏性问题。为了解决数据稀疏性问题，现有的评分预测方法通过从评论文本中挖掘语义信息来提高评分预测精度，进而提高推荐效果。然而，现有的评分预测方法在文本建模和文本交互方面仍然存在一定局限性。对于文本建模，现有的评分预测方法简单地将所有的文本拼成一个长文本，忽视了不同文本之间的语义差异性，对于文本交互，现有的评分预测方法将文本之间的交互信息挖掘推迟到预测阶段，无法捕获用户和商品之间复杂的交互性，进而导致实际的评分预测精度不高。

发明内容

为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于层次型文本交互的商品评分预测方法。

本发明的技术方案如下：

提供了一种基于层次型文本交互的商品评分预测方法，所述方法包括：

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；