CN115713386A

CN115713386A - 一种多源信息融合的商品推荐方法及***

Info

Publication number: CN115713386A
Application number: CN202211483066.1A
Authority: CN
Inventors: 殷建; 吴国庆; 刘晓伟; 常宇鹏; 李炳廷
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2022-11-24
Filing date: 2022-11-24
Publication date: 2023-02-24

Abstract

本发明属于推荐***领域，提供了一种多源信息融合的商品推荐方法及***，包括获取用户‑项目图以及用户评论信息进行用户建模，确定用户潜在因子；获取用户‑项目图以及项目评论信息进行项目建模，确定项目潜在因子；将用户潜在因子和项目潜在因子进行拼接，得到用户‑项目潜在因子；基于用户‑项目潜在因子进行评分预测，得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐。本发明使用GNN和CNN分别去处理交互信息和评论信息后进行特征融合并预测评分。

Description

一种多源信息融合的商品推荐方法及***

技术领域

本发明属于推荐***技术领域，具体涉及一种多源信息融合的商品推荐方法及***。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在最近的几年中，推荐***的应用越来越广泛，同时也得到了更多用户的青睐，吸引了很多研究者的投入其中，所以关于推荐***的学术论文和各种关于推荐***技术的书籍都迅速增长，各种各样的推荐模型层出不穷，而大多数的模型原理都是基于协同过滤的基本方法，这也使得基于协同过滤的模型成为目前为止十分成功的技术方案。协同过滤算法利用用户和项目之间的交互信息进行推荐，方法简单有效，但是却面临数据稀疏性和冷启动问题。对于这两个问题融合用户或项目的辅助信息是一种有效的解决途径。辅助信息包括评论文本、社会化网络、属性等，其中的评论信息更是包含了用户和项目丰富的语义信息。所以如何有效的对评论辅助信息加以利用，提高推荐***的性能，是一个十分重要的问题。

近年来，大多评论推荐模型只使用了用户和项目的评论信息做为推荐，这并不能充分去提取用户和物品的潜在信息。

发明内容

为了解决上述问题，本发明提出了一种多源信息融合的商品推荐方法及***，本发明使用GNN和CNN分别去处理交互信息和评论信息后进行特征融合并预测评分。通过图网络去聚合用户项目图，做为评论信息的补充，可以更加充分地去表达用户和物品潜在的特征信息。

根据一些实施例，本发明的第一方案提供了一种多源信息融合的商品推荐方法，采用如下技术方案：

一种多源信息融合的商品推荐方法，包括：

获取用户-项目图以及用户评论信息进行用户建模，确定用户潜在因子；

获取用户-项目图以及项目评论信息进行项目建模，确定项目潜在因子；

将用户潜在因子和项目潜在因子进行拼接，得到用户-项目潜在因子；

基于用户-项目潜在因子进行评分预测，得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐。

进一步地，所述获取用户-项目图以及用户评论信息进行用户建模，确定用户潜在因子，包括：

基于用户评论信息进行文本信息编码，得到用户评论特征；

获取用户-项目图对项目进行聚合，学习项目空间的用户潜在因子；

将用户评论特征和项目空间的潜在因子进行特征串联，确定用户的潜在因子。

进一步地，所述基于用户评论信息进行文本信息编码，得到用户评论特征，包括：

利用词嵌入函数将用户评论信息转换为嵌入矩阵；

基于卷积层对嵌入矩阵进行卷积操作产生嵌入矩阵特征；

所述嵌入矩阵特征经过最大池化层以及融合连接层，得到用户评论特征。

进一步地，所述获取用户-项目图对项目进行聚合，学习项目空间的用户潜在因子，包括：

基于用户-项目图中交互项目嵌入和用户嵌入，利用注意力网络确定用户和项目的注意权重；

结合用户和项目的注意权重，通过考虑用户界面与之互动过的项目来学习项目空间的用户潜在因子。

进一步地，所述获取用户-项目图以及项目评论信息进行项目建模，确定项目的潜在因子，包括：

基于项目评论信息进行文本信息编码，得到项目评论特征；

从与每个项目交互过的用户集合中聚合信息；

根据交互用户嵌入和项目嵌入，利用注意力网络确定区分用户的重要性权重；

结合用户的重要权重，聚合信息与项目评论特征进行特征串联，得到项目的潜在因子。

进一步地，所述将用户潜在因子和项目潜在因子进行拼接，得到用户-项目潜在因子，具体为：

其中，项目潜在因子z_j，用户潜在因子h_i。

进一步地，所述基于用户-项目潜在因子进行评分预测，将用户-项目潜在因子通过MLP得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐，具体为：

g₂＝(W₂*₁+₂)

其中，l为隐藏层索引，r_i ^′ _j是用户u_i对u_j的预测评分；

将排名靠前的预测评分的物品推荐给用户。

根据一些实施例，本发明的第二方案提供了一种多源信息融合的商品推荐***，采用如下技术方案：

一种多源信息融合的商品推荐***，包括：

用户潜在因子确定模块，被配置为获取用户-项目图以及用户评论信息进行用户建模，确定用户的潜在因子；

项目潜在因子确定模块，被配置为获取用户-项目图以及项目评论信息进行项目建模，确定项目的潜在因子；

数据串连模块，被配置为将用户的潜在因子和项目的潜在因子进行拼接，得到用户-项目潜在因子；

商品推荐模块，被配置为基于用户-项目潜在因子进行评分预测，得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐。

根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种多源信息融合的商品推荐方法中的步骤。

根据一些实施例，本发明的第四方案提供了一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种多源信息融合的商品推荐方法中的步骤。

与现有技术相比，本发明的有益效果为：

1)与现今基于评论信息推荐模型，加入了物品和用户之间的交互数据进行补充，减低评论预测的误差。

(2)本方法创新性地将利用GNN处理用户项目的交互信息和CNN处理评论信息结合起来进行推荐，为后面做多源数据融合推荐提供一种思路。

(3)该模型框架具有可扩展性和高度灵活性，可根据具体业务场景设计出适合自己的融合模型。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例所述的用户建模网络结构图；

图2是本发明实施例所述的用户物品交互图；

图3是本发明实施例所述的项目建模网络结构图；

图4是本发明实施例所述的评论预测的模型结构图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

如图1所示，本实施例提供了一种多源信息融合的商品推荐方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和***，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：

一种多源信息融合的商品推荐方法，包括：

具体地，本实施例所述的方法的过程，具体为：

本模型分为3个模块，分别是用户建模、项目建模和评分建模。

用户建模

第一部分用户建模，即了解用户的潜在因素。它可以通过用户-项目图中用户和项目之间的交互以及提取用户的评论信息来理解用户,如图1所示。

评论信息编码

本方法采用了DeepConn模型对于评论文本信息的编码方式，首先定义词嵌入函数f:M→R^d,其中M表示词典，可以将评论中的每个单词映射到一个d维稠密向量。每条评论都是一个长度为L的单词序列。然后每个单词映射到一个d维稠密向量。每条评论都是一个长度为L的单词序列，然后每条评论通过词嵌入函数转换为嵌入矩阵。在嵌入层的下一层为卷积层，卷积层包含n个神经元，每个神经元关联一个过滤器用于卷积操作产生新特征。

其中，

是用户u的第i条评论信息的嵌入矩阵，K_j是第j个卷积核，b_j是偏置项，z_j是第j个神经元产生的特征。然后经过最大池化操作，捕捉每个特征图中最重要的特征。融合连接操作将n个神经元产生的特征接在一起，得到一条评论的特征信息，如式所示：

通过聚合用户u的每条评论的表示得到用户u的评论表示，如式表示：

最大池化层的结果经过一个权重矩阵为W，偏移量为g的全连接层，得到最终的评论特征表示。

x_u＝^′(*O_u+)

项目聚合

用户项目图是表示用户和项目之间的交互信息，如图2所示。令G(B,E)表示用户物品二分图，其中B＝B_U∩B_V由用户顶点集合B_U和项目顶点集合B组成。对于数据集中每一个二元组(u，v)都有对应的边为e(b_u,b_v)，其中b_u∈B_U是用户u对应的顶点，b_v∈B_V是物品v对应的顶点。

项目聚合的目的是通过考虑用户界面与之互动过的项目来学习项目空间的用户潜在因子。在数学上表示：

其中，C(i)是用户u_i交互过的项目集，q_a为交互项目嵌入，Aggre_items为项目聚合函数是均值运算符。δ为非线性激活函数，W和b为神经网络的权值和偏秩。

公式中，a_i固定为

之后采用一个二层注意力网络参数化累加的均值a_i。注意力网络的输入是交互项目嵌入q_a和用户嵌入e_u。在形式上，注意力网络被定义为：

使用Softmax函数对上述注意得分归一化，得到最终的注意权重，可解释为交互对用户的项目-空间用户潜在因素的贡献为：

特征融合

前两个部分从用户-项目图和评论信息获取了用户不同角度的信息。之后将着2个特征串联输入MLP网络得到最终的用户潜在因子h_i。用户潜在因子h_i定义为：

其中，l为隐藏层索引。

项目建模

第二部分的项目建模的结构与用户建模一致，如图3所示。项目建模中的评论信息建模相对于用户建模中的评论信息建模部分，只是将用户的评论信息替换为项目的评论信息，从而得到项目的评论特征表示x_v。以及将用户建模中的项目聚合改为用户替换。用户聚合的过程如下：

用户聚合的目的是通过考虑项目界面与之互动过的用户来学习用户空间的项目潜在因子。同样，对于每个项目v_j,我们需要从与v_j交互过的用户集合(表示为B(j))中聚合信息。在数学上表示

之后也是利用两层神经网络注意力进制，去得到区分用户的重要性权重

在注意力层的输入为交互用户嵌入p_t与项目嵌入e_i的拼接

公式如下：

前两个部分从用户-项目图和评论信息获取了项目不同角度的信息后，将2个特征串联输入MLP网络得到最终的项目潜在因子。项目潜在因子z_j定义为：

其中，l为隐藏层索引。

评分预测

有了用户和项目的潜在因子即(h_i和z_j)，之后将其连接后

进行评分预测，如下所示：

其中，l为隐含层索引，r′_ij是用户u_i对u_j的预测评分。评论预测的模型结构如图4所示。

模型训练

因为本方法是对评分进行预测，所以选取评分预测中常见的均方误差作为损失函数，如下所示：

其中||是观察到的评分数量，而r_ij是由用户i在项目j上真实评分。为了优化目标函数，采用了RMSprop作为优化器。每次随机选择一个训练实例，并向其负梯度的方向更新每个模型参数。

实施例二

本实施例提供了一种多源信息融合的商品推荐***，包括：

上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。

上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。

所提出的***，可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个***，或一些特征可以忽略，或不执行。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种多源信息融合的商品推荐方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种多源信息融合的商品推荐方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种多源信息融合的商品推荐方法，其特征在于，包括：

2.如权利要求1所述的一种多源信息融合的商品推荐方法，其特征在于，所述获取用户-项目图以及用户评论信息进行用户建模，确定用户潜在因子，包括：

基于用户评论信息进行文本信息编码，得到用户评论特征；

3.如权利要求2所述的一种多源信息融合的商品推荐方法，其特征在于，所述基于用户评论信息进行文本信息编码，得到用户评论特征，包括：

利用词嵌入函数将用户评论信息转换为嵌入矩阵；

基于卷积层对嵌入矩阵进行卷积操作产生嵌入矩阵特征；

4.如权利要求2所述的一种多源信息融合的商品推荐方法，其特征在于，所述获取用户-项目图对项目进行聚合，学习项目空间的用户潜在因子，包括：

5.如权利要求1所述的一种多源信息融合的商品推荐方法，其特征在于，所述获取用户-项目图以及项目评论信息进行项目建模，确定项目的潜在因子，包括：

基于项目评论信息进行文本信息编码，得到项目评论特征；

从与每个项目交互过的用户集合中聚合信息；

6.如权利要求1所述的一种多源信息融合的商品推荐方法，其特征在于，所述将用户潜在因子和项目潜在因子进行拼接，得到用户-项目潜在因子，具体为：

其中，项目潜在因子z_j，用户潜在因子h_i。

7.如权利要求1所述的一种多源信息融合的商品推荐方法，其特征在于，所述基于用户-项目潜在因子进行评分预测，将用户-项目潜在因子通过MLP得到商品评分预测结果，利用商品评分预测结果对用户进行商品推荐，具体为：

r′_ij＝W^T*g_l-1

其中，l为隐藏层索引，r′_ij是用户u_i对u_j的预测评分；

将排名靠前的预测评分的物品推荐给用户。

8.一种多源信息融合的商品推荐***，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种多源信息融合的商品推荐方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种多源信息融合的商品推荐方法中的步骤。