CN114386513B 一种集成评论与评分的交互式评分预测方法及系统 （吉林大学）

号一种集成评论与评分的交互式评分预测方本发明涉及一种集成评论与评分的交互式评分预测方法及系统，通过构建节点属性二部别从商品域和评论域两个方面更新特征属性二2构建特征属性二部图；所述特征属性二部图为模拟用户和商品之间异构交互的属性根据异构交互类型将所述特征属性二部图分为商品域子图和评论域子根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对应的根据所述用户融合特征和所述商品融合特征，利用前馈网络根据所述用户融合特征和所述商品融合特征，利用前馈网络构建节点属性二部图；所述节点属性二部图包括用户节通过独热编码技术将所述用户节点和商品节点对应转换为用户节点向量和商品节点通过词嵌入技术将所述历史评分转换为包含评论边向所述根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第利用特征转换矩阵对所述第一用户节点向量和3将转换后的第一用户节点向量、转换后的第一商品节点向量、转向量、转换后的第二商品节点向量和转换后的评论边向量分别作为新的第一用户节点向述根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所述第一根据第一用户节点对第一商品节点的所有评分分数和最大评分分数，得到归一化评根据属性图卷积网络前一层中的第一用户节点向量的邻居节点向量和所述聚合权重，用户节点向量的邻居节点向量为与属性图卷积网络前一层中的第一用户节点相连的第一根据属性图卷积网络最后一层的第一用户节点向量得到根据属性图卷积网络前一层中的第一商品节点向量的邻居节点向量和所述聚合权重，商品节点向量的邻居节点向量为与属性图卷积网络前一层中的第一商品节点相连的第一根据属性图卷积网络最后一层的第一商品节点向量得到述利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对应的所聚合与第二用户节点相连的第二商品节点向量与评论边向量，得到第一用户邻居向聚合与第二商品节点相连的第二用户节点向量与评论边向量，得到第一商品邻居向根据属性图卷积网络前一层中的第二用户节点向量和所述第一根据属性图卷积网络最后一层的第二用户节点向量得到根据属性图卷积网络前一层中的第二商品节点向量和所述第二4根据属性图卷积网络最后一层的第二商品节点向量得到根据自注意力权重矩阵和所述拼接用户特征计算所述用户根据所述用户特征融合权重、所述第一用户特征和所述第二用户述属性图卷积网络后一层中的第二用户节点向量和所述属性图卷积网络后一层中的第二表示所述图卷积网络第k层的参数矩阵；hu-re(k)表示图卷积网络第k层的第二用户节点向N(u)(k+1)表示所述第一聚合向量；hi-re(k+1)表示图卷积网络第k+1层的第二商品节点向u表示所述用户融合特征；hu-ra表示所述第一用户第一聚合模块，用于根据所述评分边向量利用属性图卷积网络分别聚第二聚合模块，用于利用属性图卷积网络聚合所述第二用户节点向用户特征融合模块，用于利用注意力机制融合所述第一用户特征和所述第二用户特5商品特征融合模块，用于利用注意力机制融合所述第一商品特征和所述第二商品特评分计算模块，用于根据所述用户融合特征利用前馈网络得到最终用户6分解和用户-商品历史记录来学习用户和商品的隐特征。然而，由于基于隐语义(latentfactor)学习的解决方案的固有障碍，基于协同过滤的方法容易受到数据稀疏和冷启动问[0009]根据所述评分边向量利用属性图卷积网络分别聚合所述第一用户节点向量和所[0010]利用属性图卷积网络聚合所述第二用户节点向量和与所述第二用户节点向量对[0011]利用属性图卷积网络聚合所述第二商品节点向量和与所述第二商品节点向量对[0012]利用注意力机制融合所述第一用户特征和所述第二用户特征，得到用户融合特[0013]利用注意力机制融合所述第一商品特征和所述第二商品特征，得到商品融合特7用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特[0026]图1示出了根据本发明的实施例1提供的一种用于评分预测的属性图卷积网络模8[0027]图2示出了根据本发明的实施例1提供的一种集成评论与评分的交互式评分预测[0028]图3示出了根据本发明的实施例1提供的商品域子图和评论域子图被划分和融合[0029]图4示出了根据本发明的实施例2提供的一种集成评论与评分的交互式评分预测[0032]虽然本发明对根据本发明的实施例的系统中的某些模块任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性[0038](1)它们通常对用户和商品评论独立编码以表示其特征，并通过因子分解机将它9[0039](2)大多数方法在编码用户和商品特征时忽略了历史评分，它们仅将评分作为标[0040](3)尽管有些系统已经考虑在评论域和商品域中学习用户和商品特征，但他们仍[0041]针对以上问题，本实施例构建了一种用于评分预测的属性图卷积网络模型测层(PredictionLayer)，其中卷积神经网络又包括输入层(InputLayer)、嵌入层(EmbeddingLayer)和卷积神经网络层(CNNLayer)，卷积神经网络层(CNNLayer)又包括attributedBipartiteGraph，MABG)，在通过EmbeddingLayer映射为向量表示并用CNNPredictionLayer预测给定的用户p对于商品q的评[0042]参阅图2，本实施例利用评分预测的属性图卷积网络模型提供了集成评论与评分评分作为两种异构交互类型。[0046](1)构建节点属性二部图；所述节点属性二部图包括用户节点与商品节点通过历[0048](3)通过独热编码技术将所述用户节点和商品节点对应转换为用户节点向量和商ii+1n)Tj表示为由卷积核fj采用滑动窗口方式提取的第一评论特征；述商品域子图包括第一用户节点向量、包含评分分数的评分边向量和第一商品节点向量；[0063]基于这两个子图，本实施例提出了将评论特征和评分分杂特征转换和非线性激活在推荐任务中并不是必不可少的。考虑到预测准确性和计算成[0075]根据属性图卷积网络前一层中的第一用户节点向量的邻居节点向量和所述聚合的第一用户节点向量的邻居节点向量为与属性图卷积网络前一层中的第一用户节点相连[0076]根据属性图卷积网络前一层中的第一商品节点向量的邻居节点向量和所述聚合的第一商品节点向量的邻居节点向量为与属性图卷积网络前一层中的第一商品节点相连[0077]属性图卷积网络后一层中的第一用户节点向量和属性图卷积网络后一层中的第子图中与第一用户节点相连的所有第一商品节点，ueNi)表示为在商品域子图中与第一k层属性图卷积网络的第二ieMU)表示为在商品域子图中与第二用户节点相连的所有第二商品节点，ueNi)表示为在商品域子图中与第二商品节点相连的所有第二用户节点，AGGREGATE表示求向量均线性组合策略更新属性图卷积网络后一层中线性组合策略更新属性图卷积网络后一层中[0102]所述属性图卷积网络后一层中的第二用户节点向量和所述属性图卷积网络后一u-re(k)表示图卷积网络第k层的第二用户节点向量；hN(u)(k+1)表示所述第一聚合向量；hi-re(k+1)表示图卷积网络第k+1层的第二商品节点向量；hi-re(k)表示卷积网络第k层的[0108]因此，AGCN不仅可以通过图卷积操作捕获显式的用户-商品交互，还可以捕获用[0115]然后，根据自注意力权重矩阵和所述拼接用户特征计算所述根据自注意力权重矩阵和所述拼接商品特征计算所述商品[0116]以用户为例，用户节点评分域的用户特征融合权重和用户节点[0121]其中自注意力权重矩阵包括对称地，可以得到商品节点评分域的商品特征融合权重a:-mER和商品节点评分域的商品特征用户特征的融合权重；hu-re表示所述第二用户特征；au-re表示所述第二用户特征的融合权[0130]q=ReLU(FFN(FFN(h)))[0133]根据所述最终用户特征和所述最终商品特征，利用特征[0134]ju=q.oqs+p+B+Aiu和qi为学习到的最终用户特征和最终用户特征。u表示第一用户节点向v包括来自输入层的用户节点向量和商品节点向量以及来自卷积神经网络层输出包含在测试时为目标商品编写的评论。实验中，随机选择每个品类数据集的80％作为训练集，2[0153]2)若网站历史数据