1.一种面向注意力的语义敏感的标签推荐方法,其特征在于,包括:
1)、使用word2vec对标签进行预训练,将带有语义的标签嵌入表示;
2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中,对用户和商品特征的动态标签影响进行建模;
所述步骤2)具体包括:
2.1、首先使用注意力机制获取用户‑标签和项目‑标签的注意力得分:w(i,t)=h1(ReLU(huui+htti+bu))+b1w(j,t)=h2(ReLU(hvvi+httj+bv))+b2其中,w(i,t)表示用户‑标签的注意力得分,w(j,t)表示项目‑标签的注意力得分ui和vj表示用户i和项目j的向量表示,ti和tj分别表示用户和项目的标签;hu,hv和ht是注意力网络中的权重参数,bu和bv表示偏置参数,h1和h2表示外层的权重参数,b1和b2表示外层的权重参数,非线性激活函数使用ReLU函数;
2.2、使用softmax函数对标签的注意力得分进行归一化处理:其中:α为注意力大小,i表示用户,j表示项目,t表示标签,c为标签集合中的某个标签;
2.3、根据注意力评分,获得包含标签语义嵌入的用户和项目嵌入向量,完成对用户和商品特征的动态标签影响进行建模:其中,用户和项目嵌入向量表示为:
Ti表示用户标签集合,Tj表示项目标签集合,pi和qj表示用户和项目的特征向量;
3)、将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果,完成推荐。
2.根据权利要求1所述的面向注意力的语义敏感的标签推荐方法,其特征在于,所述步骤1)使用word2vec对标签特征进行预训练,将标签嵌入表示,该预训练过程的损失函数为:其中,T为单词数,wt是单词序列中的第t个单词,wt‑c:wt+c表示单词wt的上下文的连续单词。
3.根据权利要求2所述的面向注意力的语义敏感的标签推荐方法,其特征在于,将标签添加到外部语料库以训练标签嵌入表示,当标签包含多个单词,则将标签中所有单词的嵌入表示的平均值为标签的最终嵌入表示。
4.根据权利要求1所述的面向注意力的语义敏感的标签推荐方法,其特征在于,所述步骤3)将用户特征和项目特征与标签信息结合起来进行预测,获得带有基于标签信息的预测结果为:tij=pi qj=(pi,1qj,1,pi,2qj,2,...,pi,d,qj,d)其中,pi qj用户和项目特征按照元素得到乘积,d表示向量维度。
5.根据权利要求1所述的面向注意力的语义敏感的标签推荐方法,其特征在于,最终采用多层感知机预测评分结果为:其中,w1,w2和w为权重参数,b1,b2,b是偏置参数, 是最终预测的用户项目评分。