一种联合主题模型和异质信息网络的评分预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110570226A(43)申请公布日2019.12.13(21)申请号201910620143.5(22)申请日2019.07.10(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人汤景凡张秀杰张旻姜明黄涛吴鑫强(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人朱月芬(51)Int.Cl.G06Q30/02(2012.01)G06F16/35(2019.01)G06K9/62(2006.01)权利要求书3页说明书6页附图2页(54)发明名称一种联合主题模型和异质信息网络的评分预测方法(57)摘要本发明公开了一种联合主题模型和异质信息网络的评分预测方法。本发明步骤如下：步骤(1)针对指定用户商品对，利用主题模型提取评论信息,从而构建用户和商品的向量表示；步骤(2)利用商品属性信息和用户共同购买信息构建异质信息网络；步骤(3)从异质网络中提取出用户商品对的最终关系表示向量；步骤(4)针对用户商品对,连接用户向量、关系表示向量、商品向量表示,并输入到AFM实现评分预测；步骤5、根据模型计算出的预测评分数据和真实评分数据,计算RMSE值，并把此值作为模型效果的评价指标。本发明解决了评分预测中出现的冷启动，可解释性不强，准确率不高的问题。CN110570226ACN110570226A权利要求书1/3页1.一种联合主题模型和异质信息网络的评分预测方法，其特征在于包含如下步骤：步骤(1)针对指定用户商品对，利用主题模型提取评论信息,从而构建用户和商品的向量表示；步骤(2)利用商品属性信息和用户共同购买信息构建异质信息网络；步骤(3)从异质网络中提取出用户商品对的最终关系表示向量；步骤(4)针对用户商品对,连接用户向量、关系表示向量、商品向量表示,并输入到AFM实现评分预测；步骤5、根据模型计算出的预测评分数据和真实评分数据,计算RMSE值，并把此值作为模型效果的评价指标。2.根据权利要求1所述的一种联合主题模型和异质信息网络的评分预测方法，其特征在于步骤(1)具体实现如下：1-1.首先通过双向lstm获取评论中某个单词的上下文向量表示；假设用户表示为一个K维的潜在因子向量,其中的每一维表示用户对相关主题喜爱程度；即K表示主题的个数；dim1-2.为每一个主题设置一个上下文主题向量vk∈R,对于用户的第i条评论,表示为(wi，1，wi，2，wi，3…，wi，T),其中T表示单词的个数,wi，T表示单词对应的上下文表示向量：首先通过一层的MLP获取单词wi，t在第k个主题下的隐藏表示其次将单词表示向量和第k个主题的相似度,作为此单词对这个主题的重要权重，并且通过softmax函数获取标准重要权重接着通过每个单词向量的加权求和来表示此条评论在这个主题上的表示最终通过一层MLP把此条评论向量映射为一个对主题相关度的值ci，k；最终第i条评论,映射到每一个主题之后的最终表示为ci＝[ci，1，ci，2，…，ci，K]；其中ci，k表示第i条评论对第k个主题相关程度值；表示隐藏参数矩阵，它把单词向量hi，t转换为主题k下的隐藏向量表示,表示可训练的偏差向量.表示此单词对主题k的重要程度；表示映射矩阵,它把评论在主题k的表示映射为对相应主题的反映程度值；表示偏差系数；1-3.首先针对每个用户获取U∈RLu×K,其中Lu表示用户评论的个数,K表示主题的个数,K也是用户表示向量的维度；U＝[c1，c2，…，cLu],其中ci∈R表示用户第i条评论的表示向量.2CN110570226A权利要求书2/3页同理针对每个商品我们用V∈RLv×K,其中Lv表示商品评论的条数；通过直接相乘获得关联矩阵的结果,然后对每行元素的最大池化来获取此条评论的重要程度,接着通过一个softmax层获取标准化的重要程度值,最后通过用户矩阵中行向量的线性加权来获取最终的用户表示；Wr＝UMVT(5)其中M∈RK×K,表示可训练的中间矩阵；Wr∈RLu×Lv，表示最终获得的关联矩阵；接着通过最大行池化来计算每条评论的重要程度,并最终获得用户的一个向量表示：au＝SoftMax(Maxrow(Wr))(6)Lu×1au∈R向量的每一维表示对应评论的重要程度权重值，表示最终的用户向量表示.上面的公式(7)中,只对用户每条评论重要程度进行选择,并没有针对物品,主要是因为在现实世界中,商品的特点相对稳定。3.根据权利要求2所述的一种联合主题模型和异质信息网络的评分预测方法，其特征在于步骤2具体实现如下：利用商品属性信息和用户共同购买信息构建异质信息网络，根据三种元路径构建异质信息网络,三种元路径分别为UBUB、UBCatB和UBBrdB，其中UBUB