本發(fā)明涉及可解釋推薦方法，具體是一種用戶情感和意見一致的可解釋推薦方法及系統(tǒng)。

背景技術(shù)：

1、推薦系統(tǒng)在許多在線應用平臺中發(fā)揮著重要作用。他們提供建議以幫助用戶根據(jù)他們的喜好選擇最相關(guān)的項目。在各類文獻中，多種推薦算法已經(jīng)被提出，例如基于用戶/項目的協(xié)同過濾、矩陣分解和深度神經(jīng)網(wǎng)絡(luò)。然而，傳統(tǒng)的推薦方法無法向用戶解釋推薦結(jié)果。最近，研究人員研究了可解釋的推薦系統(tǒng)?？山忉屚扑]系統(tǒng)不僅可以為用戶提供推薦列表，還可以直觀地解釋為什么推薦這些項目。最重要的是，這些解釋有助于提高推薦系統(tǒng)的透明度、說服力、有效性、可信度和滿意度。

2、為了提高可解釋推薦系統(tǒng)的性能，最近的工作重點是使用用戶評論進行情感分析。一些方法利用推薦模塊的預測評分來調(diào)整生成的解釋的情感。然而，即使在評分較高的評論中，用戶也可能對產(chǎn)品的某個方面不滿意。例如，在某電商網(wǎng)站的購物評論中，用戶對購買的毛衣的制作工藝給予了很高的評分，但抱怨了該衣服的材質(zhì)。最近，一些方法考慮到用戶可能對產(chǎn)品的多個方面產(chǎn)生意見。它們以極性表示情感。例如，在電影推薦系統(tǒng)中，用戶對電影的不同方面(例如，演員、情節(jié)、視覺效果)發(fā)表評論，并在評論中表達他們對這些方面的情感(正面或負面)。這些方法使用相應的表示來代表積極和消極情感。然而，這些方法無法學習準確的情感表示來提供解釋，因為它們只使用簡單的評分信息進行情感分析。

3、為了獲得詳細的情感信息，許多方法開始將意見信息編碼到可解釋的推薦中。意見信息是情感在單詞層面上的表示形式。雖然典型的多任務學習方法試圖去認識生成包含用戶觀點的文本的重要性，但它仍然受限于模板的形式，這需要大量的人力來為不同的場景定義不同的模板。盡管評分形式簡單，但如果不考慮用戶情感和意見，不同解釋中的用戶意見表示相似度會非常高。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于對齊的用戶情感和意見的可解釋推薦方法。之前的可解釋推薦模型，要么利用情感分析，要么直接引入用戶意見，與之前的可解釋推薦模型相比，本發(fā)明嘗試通過同時利用情感分析和用戶意見信息挖掘的方式，并保持他們的一致，從而捕捉用戶對不同屬性的偏好。具體來說，本發(fā)明使用用戶的情感作為學習意見表示的前提。因此，本發(fā)明引入了涵蓋用戶特定偏好的情感表示，并將情感表示編碼到意見表示中以實現(xiàn)對齊。通過引入情感-意見對齊模塊，可以讓情感和意見信息保持一致，本發(fā)明方法提高了可解釋推薦系統(tǒng)的性能，豐富生成的解釋文本并解決了現(xiàn)有技術(shù)中存在的問題。

2、術(shù)語解釋：

3、sentires工具包，是一種名為sentires的短語級情感分析工具包，其專門設(shè)計用于從大規(guī)模的文本評論數(shù)據(jù)中提取產(chǎn)品特性和用戶情感。sentires工具包能夠精準地從產(chǎn)品的文本評論中提取“特征-觀點-情感”三聯(lián)詞，為產(chǎn)品反饋分析和市場調(diào)研提供有力支持。該工具包的核心功能之一，是具備檢測不同特征詞與意見詞上下文組合情緒的能力。sentires能夠識別并分析文本中特定特征詞(如“噪音”、“質(zhì)量”等)與意見詞(如“高”等)的搭配，并根據(jù)上下文準確判斷其情感傾向。例如，在“噪聲高”的語境中，工具包能夠識別出這通常代表“負面情緒”；而在“質(zhì)量高”的表述中，則能正確解讀為“積極的情緒”。

4、本發(fā)明的技術(shù)方案為：

5、一種用戶情感和意見一致的可解釋推薦方法，包括：

6、從電商網(wǎng)站公開的評論數(shù)據(jù)集中選擇不同規(guī)模的用戶歷史評論數(shù)據(jù)集并對其進行預處理，得到原始用戶評論數(shù)據(jù)；

7、通過對原始用戶評論數(shù)據(jù)進行產(chǎn)品屬性和用戶意見的提取，得到完整的數(shù)據(jù)樣本，并將數(shù)據(jù)樣本劃分為訓練集、驗證集和測試集；

8、基于訓練集構(gòu)建用戶-項目-特征的偏好評分矩陣，將得到結(jié)果映射到情感矩陣；

9、基于得到的情感矩陣，經(jīng)過映射得到相同維度的意見矩陣；

10、構(gòu)建評分預測目標函數(shù)，優(yōu)化預測的評分使其與真實評分接近；

11、構(gòu)建意見對齊優(yōu)化函數(shù)，使真實的用戶意見信息和預測的意見矩陣保持一致；

12、將對齊后的意見矩陣引入到文本生成模塊，將對齊后的意見矩陣和用戶及項目的表示作為文本生成模塊的輸入；

13、文本生成模塊基于編碼器-解碼器的結(jié)構(gòu)，借助注意力機制生成不同的文本序列，并取最大生成概率的序列作為最終結(jié)果；

14、通過設(shè)置超參數(shù)權(quán)衡不同部分的權(quán)重，得到最優(yōu)的目標模型表達式；

15、將待解釋推薦的數(shù)據(jù)預處理后通過最優(yōu)的目標模型表達式，實現(xiàn)推薦與解釋。

16、進一步優(yōu)選的，采集的用戶歷史評論數(shù)據(jù)集包括用戶唯一id、項目唯一id、用戶對項目的評論內(nèi)容、偏好評分。

17、根據(jù)本發(fā)明優(yōu)選的，對用戶歷史評論數(shù)據(jù)集進行預處理；包括：

18、過濾用戶和項目：移除用戶歷史評論數(shù)據(jù)集中交互次數(shù)少于若干次的用戶和項目；

19、去除無關(guān)信息；

20、標準化文本格式；把所有文本數(shù)據(jù)使用字符編碼轉(zhuǎn)換為統(tǒng)一的utf-8編碼，將所有文本統(tǒng)一轉(zhuǎn)換為小寫或大寫，將常見的縮寫和俚語替換為完整形式。

21、根據(jù)本發(fā)明優(yōu)選的，對原始用戶評論數(shù)據(jù)進行產(chǎn)品屬性和用戶意見的提取，包括：

22、使用sentires工具包從原始用戶評論數(shù)據(jù)中提取產(chǎn)品屬性和用戶意見，以及用作解釋的句子；

23、從詞匯上重新分析提取的特征和用戶意見，以確保特征和用戶意見分別是名詞和形容詞。

24、根據(jù)本發(fā)明優(yōu)選的，用戶-項目-特征的偏好評分矩陣如式(i)所示：

25、

26、式(i)，z為用戶-項目-特征的偏好評分矩陣，表示特征集合中第m個特征的嵌入向量，和是用戶u和項目i的潛在表示，||表示向量之間的連接操作；

27、將得到結(jié)果映射到情感矩陣；包括：

28、在得到用戶-項目-特征的偏好評分矩陣z后，使用mlp即情感感知機，以用戶-項目-特征的偏好評分矩陣z為輸入，以情感矩陣su,i為輸出，將用戶-項目-特征的偏好評分矩陣z映射為情感矩陣su,i；情感感知機包括權(quán)重ws、偏置項bs和激活函數(shù)σ；對于任意的用戶-項目-特征的偏好評分矩陣z，通過su,i＝σ(wsz+bs)計算出z對應的情感矩陣su,i。

29、根據(jù)本發(fā)明優(yōu)選的，基于得到的情感矩陣，經(jīng)過映射得到相同維度的意見矩陣包括：

30、情感矩陣如式(ii)所示：

31、su,i＝σ(wsz+bs)???(ii)

32、式(ii)中，情感矩陣su,i覆蓋了用戶對項目各個方面的情感，ws和bs是情感感知機的權(quán)重矩陣和偏置項，σ(·)表示sigmoid激活函數(shù)；

33、情感矩陣su,i轉(zhuǎn)換為意見矩陣該過程使用一個新的mlp即意見感知機；意見感知機以情感矩陣su,i為輸入，以意見矩陣為輸出，將情感矩陣su,i映射為意見矩陣意見感知機包括權(quán)重wo、偏置項bo和激活函數(shù)σ1；對于任意的情感矩陣su,i，計算出情感矩陣su,i對應的意見矩陣如式(iii)所示：

34、

35、式(iii)中，意見矩陣表示用戶對項目特征的意見，wo和bo是意見感知機的權(quán)重矩陣和偏置項，σ1(·)是非線性激活函數(shù)relu。

36、根據(jù)本發(fā)明優(yōu)選的，采用mse損失函數(shù)作為評分預測目標函數(shù)的表達式，如式(iv)、式(v)所示：

37、

38、

39、式(iv)、式(v)中，是訓練集，ru,i和分別表示真實評分和預測評分，wr表示評分預測函數(shù)的權(quán)重矩陣，br表示評分預測函數(shù)的偏置項，表示評分預測目標函數(shù)，由真實評分和預測評分的mse損失構(gòu)成。

40、根據(jù)本發(fā)明優(yōu)選的，構(gòu)建意見對齊優(yōu)化函數(shù)，使真實的用戶意見信息和預測的意見矩陣保持一致，包括：在訓練階段使用互信息最大化來最小化學習到的意見矩陣的表示與真實意見表示之間的距離。

41、進一步優(yōu)選的，對意見集進行負樣本采集，使得學習到的意見接近真實意見ou,i而遠離負樣本；意見對齊優(yōu)化函數(shù)被定義為式(vi)：

42、

43、式(vi)中，fθ(x,y)＝σ(x·wθ·y)，σ(·)表示sigmoid激活函數(shù)，僅在訓練過程中被使用，表示采集到的負樣本。

44、根據(jù)本發(fā)明優(yōu)選的，將對齊后的意見矩陣和用戶及項目的表示作為文本生成模塊的輸入，包括：再次引入用戶和項目的潛在表示，即和以區(qū)別于推薦任務并保證個性化評論的生成，學習到的意見矩陣作為生成過程的監(jiān)督信號，如式(vii)所示：

45、

46、式(vii)中，zg表示由對齊后的意見矩陣用戶潛在表示項目潛在表示聯(lián)合構(gòu)建的監(jiān)督信號，作為文本生成模塊的輸入。

47、根據(jù)本發(fā)明優(yōu)選的，基于編碼器-解碼器結(jié)構(gòu)，將文本生成模塊分為多層感知機編碼器和注意力解碼器；

48、文本生成模塊使用對齊后的意見矩陣作為輸入，生成系統(tǒng)為用戶u推薦的項目i的解釋文本；文本生成模塊基于編碼器－解碼器框架，包括基于多層感知機的編碼器即多層感知機編碼器和基于注意力機制的解碼器即注意力解碼器；多層感知機編碼器接收對齊后的意見矩陣作為輸入，并將編碼后的輸出傳遞給注意力解碼器；注意力解碼器接收多層感知機編碼器的輸出后將其解碼，并獲得多頭操作輸出；基于多頭操作輸出的整合以及交叉熵損失函數(shù)的優(yōu)化計算出詞的概率，并基于計算的詞概率輸出解釋文本；

49、多層感知機編碼器中，如式(viii)所示：

50、qenc＝φ(wezg+be)???(viii)

51、式(viii)中，qenc表示多層感知機編碼器的輸出，φ(·)是雙曲正切函數(shù)，we表示多層感知機編碼器的權(quán)重矩陣，be表示多層感知機編碼器的偏置項；

52、注意力解碼器中，注意力機制的計算如式(ix)所示：

53、

54、首先，計算注意力解碼器輸入的注意力分數(shù)，如式(x)、式(xi)所示：

55、

56、c＝concat(h1,h2,…,hh)???(xi)

57、式(x)、式(xi)中，h表示單頭注意力計算，r是注意力解碼器的輸入，c表示多頭操作的輸出，wq、wk、wv分別表示三個參數(shù)矩陣，hh是由注意力機制計算公式(x)計算的第h個單頭表示；

58、使用多層感知機編碼器輸出為q，注意力解碼器中掩碼自注意力機制的輸出為k和v，如式(xii)、式(xiii)所示：

59、

60、

61、分別表示與參數(shù)矩陣wq、wk歸一化為標準正態(tài)分布后的矩陣，hg表示基于歸一化后的矩陣計算的單頭注意力，表示由注意力機制計算公式(xii)計算的第h個單頭表示，cg表示由組合的多頭操作輸出；

62、在獲得經(jīng)過注意力機制處理的結(jié)果，并將多頭操作輸出cg整合起來進行殘差連接和層歸一化，如式(xiv)所示：

63、

64、式(xiv)中，σ(·)是relu激活函數(shù)，使用多層注意力機制學習更復雜的轉(zhuǎn)換；解釋文本使用交叉熵損失函數(shù)優(yōu)化生成的結(jié)果，如式(xv)所示：

65、

66、式(xv)中，gu,i＝{w1,w2,...,w|g|}是用戶u和項目i的真實解釋，|gu,i|是它的長度，p(yn)表示詞wn的輸出概率。

67、根據(jù)本發(fā)明優(yōu)選的，將式(v)中的評分預測目標函數(shù)式(vi)中的意見對齊優(yōu)化函數(shù)式(xv)中的交叉熵損失函數(shù)一起優(yōu)化，形成端到端的訓練；聯(lián)合目標函數(shù)即最優(yōu)的目標模型表達式如式(xvi)所示：

68、

69、式(xvi)中，θ是模型參數(shù)集，λo，λg是每個模塊在總?cè)蝿罩械臋?quán)重，λn是所有參數(shù)的正則化權(quán)重；將起始符號作為輸入，并將其輸出作為測試階段的輸入序列。

70、根據(jù)本發(fā)明優(yōu)選的，將待解釋推薦的數(shù)據(jù)預處理后通過最優(yōu)的目標模型表達式，實現(xiàn)推薦與解釋；包括：

71、數(shù)據(jù)準備及預處理：準備待解釋推薦的數(shù)據(jù)并進行所述預處理；

72、情感與意見對齊：基于預處理后的數(shù)據(jù)，構(gòu)建用戶-項目-特征的偏好評分矩陣；將偏好評分矩陣映射到情感矩陣；將情感矩陣換為相同維度的意見矩陣；

73、生成推薦與解釋：利用最優(yōu)的目標模型表達式，針對特定用戶生成推薦項目列表；將對齊后的意見矩陣引入到文本生成模塊中；借助注意力機制生成與推薦項目相關(guān)的文本序列；從生成的文本序列中，選擇生成概率最大的序列作為對該推薦項目的解釋。

74、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)用戶情感和意見一致的可解釋推薦方法的步驟。

75、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)用戶情感和意見一致的可解釋推薦方法的步驟。

76、一種用戶情感和意見一致的可解釋推薦系統(tǒng)，包括：

77、情感矩陣獲取單元，被配置為：使用評分預測作為推薦任務，得到學習到的情感矩陣；

78、意見矩陣獲取單元，被配置為：將情感矩陣轉(zhuǎn)換為意見矩陣，并通過情感-意見對齊模塊使情感矩陣與意見矩陣保持一致；其中，執(zhí)行負采樣以確保學習到的意見矩陣接近真實意見信息；

79、推薦結(jié)果生成單元，被配置為：利用基于注意力機制的模型為推薦結(jié)果生成解釋。

80、本發(fā)明的有益效果為：

81、1、通過引入情感-意見對齊，本發(fā)明實現(xiàn)了用戶情感和意見信息的有效對齊，顯著提升了推薦系統(tǒng)的性能。這種對齊不僅增強了推薦的準確性，而且使得推薦系統(tǒng)更能理解和貼近用戶的真實需求和偏好，從而為用戶提供了更加個性化的推薦服務。

82、2、本發(fā)明采用基于注意力機制的模型，為推薦結(jié)果生成解釋，這不僅提高了推薦系統(tǒng)的可解釋性，也大大豐富了生成的解釋文本的內(nèi)容和質(zhì)量。用戶可以更直觀地理解推薦結(jié)果的產(chǎn)生原因，進一步提升了用戶的使用體驗和滿意度。

83、3、通過執(zhí)行負采樣技術(shù)，本發(fā)明能夠確保學習到的意見矩陣更接近真實的用戶意見信息。這種技術(shù)提高了推薦系統(tǒng)的精準度和可靠性，有效地解決了現(xiàn)有技術(shù)中存在的問題，為用戶提供了更高質(zhì)量的推薦服務。同時，這種技術(shù)的引入也提升了系統(tǒng)的抗干擾能力，使得推薦結(jié)果更加穩(wěn)健和可信。