(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211019370.0 (22)申请日 2022.08.24 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 马汉达　李腾飞　 (74)专利代理 机构 南京智造力知识产权代理有 限公司 32382 专利代理师 汪芬 (51)Int.Cl. G06F 16/9535(2019.01) G06F 17/16(2006.01) (54)发明名称 一种基于注意力机制的融合特 征推荐方法 (57)摘要 本发明涉及推荐系统技术领域， 具体涉及一 种基于注 意力机制的融合特征推荐方法， 主要实 现步骤有： 数据集获取； 数据预处理时将用户的 社交网络融入用户的评分矩阵中； 将获得的用户 评分矩阵和用户视图矩阵分解再融合， 得到有用 户特征的矩阵和有项目特征的矩阵； 将融合后的 矩阵输入到多头注意力层获得对应特征权重； 对 比测试集与评价指标更新权重； 经过接待训练得 到最终的推荐方法。 本发明相较于传统的推荐 方 法， 选择了将多种用户项目特征融合， 如此可 以 在嵌入层的学习中同时接收与来自低阶、 高阶组 合部分的反馈， 从而学到更好特征表示， 提高推 荐精确度。 权利要求书3页 说明书7页 附图2页 CN 115422446 A 2022.12.02 CN 115422446 A 1.一种基于注意力机制的融合特 征推荐方法， 其特 征在于， 包括以下步骤： S1， 从亚马逊在线评论 集中获取 数据并获取到对应用户的社交网络； S2， 对获取的数据集进行 数据预处 理并获取用户评分矩阵Y和用户视图矩阵L； S3， 提取用户评分矩阵Y和用户视图矩阵L的用户特征和项目特征并融合得到用户特征 矩阵A和项目特 征矩阵B； S4， 将用户特 征矩阵A、 项目特 征矩阵B输入到多头自注意力层获得注意权值； S5， 通过用户特征矩阵A、 项目特征矩阵B的向量以及注意权值获得用户 ‑项目的表示， 根据用户 ‑项目的表示 生成推荐列表。 2.根据权利要求1所述的一种基于注意力 机制的融合特征推荐方法， 其特征在于： 所述 步骤1中的数据集包括用户i、 项目j、 评分r、 可靠性rel、 评价时间； 所述评分r为用户对项目的评分， 评分区间在1 ‑5， 将评分映射到对应[ ‑2,2]的区间， 小 于0对应糟糕的反映或消极的评价， 大于 0对应良好的反映或积极的评价； 所述可靠性rel为用户评分的可靠性， 可靠性rel根据帮助投票Hij、 用户在评论网络中 作为最近的评论 者mostij、 排名最高的评论 者topij的位置来评估； 其中帮助投票Hij为衡量该用户以往的评分对人有所帮助的程度， Hij∈(0,1)； 所述Hij公式如下： 其中， θj表示评价项目j的用户集合， helpful_votesij表示用户i为评价j点赞的集合， total_votesij表示用户i评价j点赞或反对的集 合； mostij表示最近的评论， 距离该用户评论时间越近的评论， 所占比重越高,mostij∈(0, 1)； 所述mostij公式如下： 其中βj表示对项目j发布反馈的用户集； |βj|‑i表示在第i个用户之后评价项目j的用户数量； s＝1指的是用户i对项目j发布的 评价被认为是最近的评论， s＝2则指的是第二近的评论； topij表示最靠前的评论， 评论越靠前， 所占比重越高,topij∈(0,1)； 所述topij公式如下： 其中ωj表示购买项目j的并提交评论的用户集；权　利　要　求　书 1/3 页 2 CN 115422446 A 2gij表示用户i购买项目j并评论之后， 这条评论在此商品中的帮助评分排名， |ωj| ‑i表 示在第i个用户之后购买项目j并阅读评论的数量； 由mostij和topij生成评估总分dij， 所述评估总分dij代 表该评价时效性与质量； 其中 为权重值， dij∈(0,1)； 根据此用户评价对他人有所帮助的程度Hij以及该评价时 效性与质量获得的评估总分dij去计算该用户评分的可靠性rel,rel∈(0,1)： 3.根据权利要求1所述的一种基于注意力 机制的融合特征推荐方法， 其特征在于， 所述 步骤2包含如下内容： S2.1， 对每一个项目j， 遍历所有评价过项目j的用户的社交网络， 选出拥有被关注人数 最多的人作为这个项目j的专家用户E， 通过评价此项目的用户i与 专家用户E的社会关系获 取到两人之间的社会信任强度Sc， 其中|E|是专 家用户E的被关注数量， |i|是当前用户的被关注数量； S2.2， 计算两个用户之间的相似性Ss， 其中|Ri∩RE|是当前用户i和专家用户E共同评价过的项目数量， |RE|是专家用户E评价 过的项目数量； S2.3， 权重w如下： 其中mc是两个用户评价项目数量中， 数量最少的值， k则是所有mc用户评价数量 的平均 值； 将社会信任强度和用户相似性进行加权组合， 获取到 两人最终相似度sim(i,E)， sim(i,E)＝(w*Sc)+((1‑w)Ss)； S2.4， 用户评分矩阵Y＝用户评分可靠性rel* 评分r*用户相似度sim(i,E)； S2.5， 用户视图矩阵L 为用户对于项目的视图交 互值， 其中1代 表浏览过， 0代 表未浏览。 4.根据权利要求1所述的一种基于注意力 机制的融合特征推荐方法， 其特征在于， 所述 步骤3包括以下内容： S3.1， 将奇异值分解应用于用户评分矩阵Y∈ R(n×m),分解成3个矩阵E`∈ R(K×n),So ∈R(K×K),F`∈R(K×m)， 将三个矩阵调整融合得到两个矩阵E＝[E`T*So1/2]T、 F＝[So1/2*F `T]， 分别是基于用户评分的用户的特 征向量和项目的特 征向量； 其中E`、 So、 F`分别是奇异值分解所产生的正交矩阵、 对角矩阵以及正交矩阵， 而Y＝E权　利　要　求　书 2/3 页 3 CN 115422446 A 3