1.融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:包括以下步骤:
步骤A、从用户的历史记录中提取最近的p个物品,得到用户的隐式表达;
步骤B、从物品的被偏好记录中提取最近的q个用户,得到物品的隐式表达;
步骤C、从用户的评论中提取用户的特征偏好,计算用户对每个特征的注意力权重,获得用户的显式表达;
步骤D、从物品的评论中提取物品的特征信息,计算每个特征对物品的注意力权重,根据步骤C中用户的显式表达结果计算物品的特征信息对于用户的初步吸引力,再根据每个特征对物品的注意力权重以及物品的特征信息对于用户的初步吸引力,计算物品的每个特征对用户的最终吸引力,获得物品的显式表达;
步骤E、根据步骤A中用户的隐式表达和步骤C中用户的显式表达得到用户的最终表达;
根据步骤B中物品的隐式表达和步骤D中物品的显式表达得到物品的最终表达;
步骤F、产生推荐列表并给出推荐解释。
2.根据权利要求1所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:所述步骤C中用户显式表达的获得具体包括以下步骤:步骤c1、提取特征词:从用户的评论中提取出特征词,并将特征词转换为词向量,得到u
用户的特征词序列 fi表示用户u的第i个特征词的词向量;
步骤c2、捕捉时序信息:将特征词序列 根据时间送入GRU网络中,得到新的特征词序列 表示用户u的第i个特征词通过GRU后得到的包含时序信息的向量表示;
步骤c3、引入注意力机制:使用基于特征的注意力权重来衡量用户对特征的偏好程度,用户u对第i个特征的注意力权重的计算公式为:其中,Wu,bu为该层网络的可学习参数;
步骤c4、获得用户的显式表达:
3.根据权利要求1或2所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:所述步骤D中物品显式表达的获得具体包括以下步骤:步骤d1、提取特征词:从物品的评论中提取出特征词,并将特征词转换为词向量,得到v
物品的特征词序列 fi表示物品v的第i个特征词的词向量;
步骤d2、捕捉时序信息:将特征词序列 根据时间送入GRU网络中,得到新的特征词序列 表示物品v的第i个特征词通过GRU后得到的包含时序信息的向量表示;
步骤d3、引入注意力机制:使用基于特征的注意力权重来衡量特征对物品的表达强度,第i个特征对物品v的注意力权重的计算公式为:其中,Wv,bv为该层网络的可学习参数;
步骤d4、引入吸引力机制:根据用户特征计算物品的每个特征对于用户的初步吸引力,物品v的第i个特征对于用户u的初步吸引力计算公式为:其中,Wu,v,bu,v为该层网络的可学习参数;
步骤d5、计算物品v的第i个特征对于用户u最终吸引力,计算公式为:步骤d6、获得物品的显式表达:
4.根据权利要求1所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:所述步骤A中令v={v1,v2,...,vk}为该用户偏好的物品集合,vi表示第i个物y
品,将物品向量序列v={v1,v2,...,vp}输入多层感知机,得到用户的隐式表达U。
5.根据权利要求1所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:所述步骤B中令u={u1,u2,...,uq}为偏好该物品的用户集合,ui表示第i个用y
户,将用户向量序列u={u1,u2,...,uq}输入多层感知机,得到物品的隐式表达V。
6.根据权利要求1所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,x y
其特征在于:所述步骤E和步骤F之间还包括评分的预测,令用户的最终表达为U=[U :U]、x y
物品的最终表达为V=[V:V],用户i对物品j的预测评分为:
7.根据权利要求6所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:所述预测评分模型的参数可以通过如下优化得到:θ为模型参数的集合,λ为正则项系数。
8.根据权利要求7所述的融合用户隐式物品偏好与显式特征偏好的可解释推荐方法,其特征在于:所述模型的评估使用MAE和RMSE。