申请/专利权人：齐鲁工业大学

申请日：2020-08-20

公开（公告）日：2024-07-05

公开（公告）号：CN112100485B

主分类号：G06F16/9535

分类号：G06F16/9535;G06F40/253;G06F40/30;G06F40/242;G06N3/042;G06N3/0464;G06N3/0442;G06N3/045;G06N3/098;G06Q30/0601;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2021.01.05#实质审查的生效;2020.12.18#公开

摘要：本发明属于物品推荐领域，提供了一种基于评论的评分预测物品推荐方法及系统。其中，基于评论的评分预测物品推荐方法包括获取用户评论和物品描述；经评分预测模型输出物品的评分预测结果；按照评分预测结果从高到低进行推荐；其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果。

主权项：1.一种基于评论的评分预测物品推荐方法，其特征在于，包括：获取用户评论和物品描述；经评分预测模型输出物品的评分预测结果；按照评分预测结果从高到低进行推荐；其中，评分预测模型包括依次连接的序列化文本层、图卷积神经网络层和多层感知机；序列化文本层用于并行提取用户评论和物品描述的特征，输出并拼接用户表示和物品表示形成节点；图卷积神经网络层用于节点和节点之间的特征学习；多层感知机用于基于特征学习的节点输出相应物品的评分预测结果；所述序列化文本层由并列的用户模块和物品模块构成，用户模块和物品模块均由依次连接的ON-LSTM网络层、平均池化层和全连接层构成；在ON-LSTM网络层中，分别对用户评论和物品描述进行编码，通过信息分级嵌入了层级结构；在所述图卷积神经网络层中的图以用户为节点，每个节点包含用户特征和物品特征；构建以用户为节点的图，其网络结构为：定图G＝V，E，V表示图上的节点集合，E表示边的集合，n和m分别表示节点数量和边的数量，Z∈Rn×s表示节点的特征矩阵，其中s表示每一个节点的特征数量，L∈Rn×c表示标签矩阵，c表示标签的数量；图卷积网络的卷积操作为：f0＝H＝zθU 其中，f0：图卷积层的初始化状态；zθU：表示图卷积网络生成的一个初始状态；fk+1：为第k层图卷积层的输出；α：一个图卷积网络中的超参数，是添加自环的对称的归一化矩阵，表示图卷积网络中的度矩阵，H表示预测矩阵，它既是起始向量又是传送集，K为迭代步数，且k∈[0，K-2]，U是序列化文本层的输出样本。

全文数据：

权利要求：

百度查询： 齐鲁工业大学 一种基于评论的评分预测物品推荐方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD