(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 202210818102.9 (22)申请日 2022.07.12 (71)申请人 山东省计算中心 （国家超 级计算济 南中心） 地址 250000 山东省济南市经十路东首 科 学院路19号 申请人 齐鲁工业大学 (72)发明人 顾然　孟庆龙　丁文康　杨天嘉　 王丹　郝慧娟　郝凤琦　张让勇　 白金强　程广河　李成攻　唐勇伟　 (74)专利代理 机构 济南竹森知识产权代理事务 所(普通合伙) 37270 专利代理师 王臣超 (51)Int.Cl. G06F 16/9535(2019.01)G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 融合评论和评分的基于LDA和深度学习的推 荐方法 (57)摘要 一种融合评论和评分的基于LDA和深度学习 的推荐方法， 包括： 利用LDA主题模型挖掘所述评 论文本， 分别得到物品主题特征矩阵TI和用户主 题特征矩阵TU； 利用LFM隐语义模型对所述评分 进行矩阵分解， 分别得到物品潜在特征矩阵HI和 用户潜在特征矩阵HU； 最后通过双通道deepFM深 度学习推荐模型对物品特征和用户特征进行融 合， 以输出推荐评分。 本发明一是分别发挥LDA主 题模型和LFM隐语义模 型的优势对评论文本 数据 和评分数据建模， 得到更加精准的特征矩阵； 二 是把经典的deepFM深度学习推荐模型改进成一 种双通道deepFM深度学习推荐模型， 使得物品和 用户的潜在特征能够更充分的融合特征， 提取更 加全面的特征能够使 得推荐更加精 准， 效率更加 高。 权利要求书3页 说明书8页 附图1页 CN 115203548 A 2022.10.18 CN 115203548 A 1.一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其中， 用户产生购买行为 时 会在网络平台分别留有针对购买对象的： 评论文本和评分； 其特 征在于， 包括： 利用LDA主题模型挖掘所述评论文本， 分别得到物品主题特征矩阵TI和用户主题特征矩 阵TU； 利用LFM隐语义模型对所述评分进行矩阵分解， 分别得到物品潜在特征矩阵HI和用户潜 在特征矩阵HU； 最后通过双通道deepFM深度学习推荐模型对物品特征和用户特征进行融合， 以输出推 荐评分。 2.如权利要求1所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 在利用LDA主题模 型挖掘所述评论文本和利用LFM隐语义模型对所述评分进 行矩阵分解 之前还包括： 对所述评论文本和评分进行预处理， 以将评论文本和评分分别转换成数字序 列。 3.如权利要求1所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 所述通过双通道deepFM深度学习推荐模型对物品特征和用户特征进行融合， 最终输出 推荐评分的具体方法， 包括： 在所述双通道deepFM深度学习推荐模型包括第一因子分解机FM通道和第二因子分解 机FM通道； 在所述第一因子分解机FM通道， 把所述物品主题特征矩阵TI和物品潜在特征矩阵HI通 过第一因子分解机FM得到物品主题低阶特征 和物品潜在低阶特征 再将所述物品主 题低阶特征 和物品潜在低阶特征 相加得到物品融合低阶特征矩阵 然后， 将所述物 品融合低阶特 征 输入到深度神经网络中， 得到物品融合高阶特 征 同理， 在所述第二因子分解机 FM通道， 把所述用户主题特征矩阵TU和用户潜在特征矩阵 HU通过第二因子分解机FM得到用户主题低阶特征 和用户潜在低阶特征 再将所述用户 主题低阶特征 和用户潜在低阶特征 相加得到用户融合低阶特征矩阵 然后， 将所 述用户融合低阶特 征 输入到深度神经网络中， 得到用户融合高阶特 征 最后将物品融合高阶特征 和用户融合高阶特征 进行特征拼接计算以得到预测评 分， 然后根据评分进行个性 化推荐。 4.如权利要求3所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 将所述物品主题特 征矩阵TI输入第一因子分解机FM中计算出物品主题低阶特 征 在公式(I)中， w0表示全局偏差变量； n1表示物品主题低阶特征 中元素的个数； w1i表 示TI中第i个变量的权 重； TIi表示TI中第i个元 素的值； 将所述物品潜在特 征矩阵HI输入到第一因子分解机FM中， 得到物品潜在低阶特 征 权　利　要　求　书 1/3 页 2 CN 115203548 A 2上述公式(II)中， w0表示全局偏差变量； n2表示物品潜在低阶特征 中元素的个数； w2i 表示HI中第i个变量的权 重； HIi表示HI中第i个元 素的值。 5.如权利要求4所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 所述用户主题低阶特 征 由以下公式计算得 出： 上述公式(III)中， w0表示全局偏差变量； n3表示用户主题低阶特征 中元素的个数； w3i表示TU中第i个变量的权 重； TUi表示TU中第i个元 素的值； 所述用户潜在低阶特 征 由以下公式得 出： 上述公式(IV)中， w0表示全局偏 差变量； n4表示用户潜在低阶特征 中元素的个数； w4i 表示HU中第i个变量的权 重； HUi表示HU中第i个元 素的值。 6.如权利要求3所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 将所述物品主题低阶特征 和物品潜在低阶特征 相加得到物品融合低阶特征矩阵 表示矩阵相加。 7.如权利要求4所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 将所述用户主题低阶特征 和用户潜在低阶特征 相加得到用户融合低阶特征矩阵 表示矩阵相加。 8.如权利要求3所述一种融合评论和评分的基于LDA和深度 学习的推荐方法， 其特征在 于， 将物品融合低阶特 征矩阵 输入到深度神经网络计算出物品融合高阶特 征矩阵 在公式(VII) ‑(X)中， 为第i层的输出向量； ReLu(i)为第i层的激活函数； w(i)为第i权　利　要　求　书 2/3 页 3 CN 115203548 A 3