买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中山大学

摘要：本发明提供一种基于多任务学习的个性化评论文本推荐方法，该方法利用了评论的文本信息，大大的缓解了只依靠交互信息的方法所需要的数据量。其次，本专利考虑了用户对评论在不同物品下的偏好。属于个性化的方法，能够更加有效的针对不同的用户提供不同的评论推荐。最后，本工作首次在个性化评论推荐当中使用评论文本的深度语义信息。在拥有丰富语义的情况下，更好的建模用户对评论的偏好。

主权项：1.一种基于多任务学习的个性化评论文本推荐方法，其特征在于，包括以下步骤：S1：构建用户评论个性化变换器；S2：利用步骤S1得到的个性化变换器获取用户历史评论和待排序评论的表示；所述步骤S2的具体过程是：利用个性化变换器得到用户历史评论和待排序评论的表示：ou＝PTHu,u,VHor＝PTrc,u,vc其中，Hu是用户u的历史评论集，VH＝{v|v＝φr∧r∈Hu}是历史评论集对应的物品，rc∈R是待排序的评论，vc是待排序评论对应的物品，用户u对评论rc的偏好度评分通过如下给出： 其中，·是点乘计算；S3：利用步骤S1得到的个性化变换器对待排序评论进行语义信息的提取，利用语义向量获取对评论本身的质量的预测；所述步骤S3的具体过程是：利用个性化变换器以及多层感知机来通过评论的文本来预测评论本身的质量，因为物品-评论任务中，并不存在用户；在原本用户-评论任务当中所使用的用户输入将代替为一个特殊的词[CLS]，将这个词替代原本的用户的特征表示，输入到个性化变换器中，评论的评分由下给出： 其中t[CLS]是词[CLS]的词向量嵌入表示，为了该任务中的参数，计算和最小化损失利用均方误差来计算损失： 其中，Nvr是物品-评论任务的样本数；S4：利用步骤S1得到的个性化变换器将用户和物品表示为稠密的向量，并利用用户和物品之间的交互行为对用户和物品向量进行建模；所述步骤S4的具体过程是：用户在相似的物品上，他们对评论的偏好更为相似，将用户所交互过的评论所对应的物品也视为所交互过的物品，即，只要用户交互过该物品下的任意一条评论，都认为该用户交互过该物品，利用矩阵分解的方法对用户与物品的交互进行建模： 其中，u是用户的独热编码通过嵌入矩阵得到的稠密向量表示，v是物品的独热编码通过嵌入矩阵得到的稠密向量表示，这个任务使用交叉熵来优化用户与物品之间的嵌入表示：

全文数据：

权利要求：

百度查询： 中山大学 一种基于多任务学习的个性化评论文本推荐方法