技術(shù)特征：

1.一種基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，包括以下步驟：

S1、獲取物品的用戶(hù)ID、物品ID、評(píng)分信息、評(píng)論信息和物品描述信息；

S2、將評(píng)分信息、評(píng)論信息和物品描述信息分別轉(zhuǎn)化成評(píng)分向量、評(píng)論向量和物品描述向量；

S3、將評(píng)分向量、評(píng)論向量和物品描述向量代入以下?lián)p失函數(shù)中，并通過(guò)梯度下降的方法進(jìn)行求解；其中，評(píng)論向量和物品描述向量為常量，評(píng)分向量為變量；

$\begin{array}{c}Loss=F-\frac{{\mathrm{\α}}_{r_p,r_q}}{e}\underset{p\>q}{\mathrm{\Σ}}\ln C\left(\left|\right|r_p|{|}_2^2-|\left|r_q\right|{|}_2^2\right)\\ +\frac{{\mathrm{\α}}_r}{e}\underset{\left(u,r,v\right)\∈R_r}{\mathrm{\Σ}}\frac{{\left(w_r^{T}r\right)}^2}{\left|\right|r|{|}_2^2}+\frac{{\mathrm{\α}}_c}{e}\underset{\left(u,c,v\right)\∈R_c}{\mathrm{\Σ}}\frac{{\left(w_c^{T}c\right)}^2}{\left|\right|c|{|}_2^2}+\frac{{\mathrm{\α}}_d}{e}\underset{\left(d,v\right)\∈R_d}{\mathrm{\Σ}}\frac{{\left(w_d^{T}d\right)}^2}{\left|\right|d|{|}_2^2}\end{array}$

其中，u表示用戶(hù)特征向量，v表示物品特征向量，r表示評(píng)分向量，w_r表示評(píng)分向量所處超平面的單位法向量；c表示評(píng)論向量，w_c表示評(píng)論向量所處超平面的單位法向量；d表示物品描述向量，w_d表示物品描述向量所處超平面的單位法向量，r_p，r_q分別指評(píng)分為p和q的評(píng)分向量，α_r，α_c，α_d分別代表r_p和r_q、r、c、d所占損失函數(shù)的權(quán)重，R_r，R_c，R_d分別表示已經(jīng)存在的評(píng)分關(guān)系集合、評(píng)論關(guān)系集合、物品描述關(guān)系集合，e是超參數(shù)，C(x)取sigmoid函數(shù)；

進(jìn)一步地，損失函數(shù)中的函數(shù)F為：

$\begin{array}{c}F=\underset{\left(u,r,v\right)\∈R_r}{\mathrm{\Σ}}dis{\left(\left(u-w_r^T{\mathrm{uw}}_r\right)+r-\left(v-w_r^T{\mathrm{vw}}_r\right)\right)}^2\\ +{\mathrm{\λ}}_c\underset{\left(u,c,v\right)\∈R_c}{\mathrm{\Σ}}dis{\left(\left(u-w_c^T{\mathrm{uw}}_c\right)+c-\left(v-w_c^T{\mathrm{vw}}_c\right)\right)}^2\\ +{\mathrm{\λ}}_d\underset{\left(d,v\right)\∈R_d}{\mathrm{\Σ}}dis{\left(c-\left(v-w_d^T{\mathrm{vw}}_d\right)\right)}^2\end{array}$

其中，dis(x)表示向量x的歐幾里得距離，λ_c和λ_d是權(quán)重參數(shù)，分別代表在函數(shù)F中評(píng)論信息和物品描述信息所占的比重；

S4、根據(jù)S3中的計(jì)算得到最終的變量u，v，w_r，w_c，w_d，通過(guò)以下公式得到用戶(hù)u對(duì)于物品v的推薦度p：

$p=1/\left(\right|\left|\right(v-w_r^T{\mathrm{vw}}_r)-(u-w_r^T{\mathrm{uw}}_r\left)\right|{|}_2^2+1).$

2.根據(jù)權(quán)利要求1所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，還包括以下步驟：

S5、得到同一用戶(hù)u對(duì)于多個(gè)物品的推薦度，并按降序排序，最終得到同一用戶(hù)u對(duì)于所述多個(gè)物品的推薦度排序。

3.根據(jù)權(quán)利要求1所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，在S2中，將評(píng)論信息轉(zhuǎn)化成評(píng)論向量的方法為：

S211、使用word2vec工具對(duì)評(píng)論信息中的每一個(gè)單詞進(jìn)行詞向量訓(xùn)練；

S212、得到每個(gè)單詞的詞向量后對(duì)該條評(píng)論的所有詞向量求平均值，作為最終的評(píng)論向量。

4.根據(jù)權(quán)利要求1所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，在S2中，將物品描述信息轉(zhuǎn)化成物品描述向量的方法為：

S211、使用word2vec工具對(duì)物品描述信息中的每一個(gè)單詞進(jìn)行詞向量訓(xùn)練；

S212、得到每個(gè)單詞的詞向量后對(duì)該條物品描述的所有詞向量求平均值，作為最終的物品描述向量。

5.根據(jù)權(quán)利要求3或4所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，在使用word2vec工具進(jìn)行詞向量訓(xùn)練時(shí)，采用skip-gram模型，向量維度大小取20。

6.根據(jù)權(quán)利要求3或4所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，其中，所有詞向量的平均值為：

$d=\frac{1}{\left|Q\right|}\underset{w\∈Q}{\Σ}vec\left(w\right)$

其中，Q是所述評(píng)論信息的單詞合集或者所述物品描述信息的單詞集合，w是每一個(gè)單詞，vec(w)表示w的詞向量。

7.根據(jù)權(quán)利要求1所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，在S3中，

${\mathrm{\α}}_{r_p,r_q}=\frac{num\left(r_p\right)*num\left(r_q\right)}{num{\left(R_r\right)}^2}$

其中，num(x)表示x的個(gè)數(shù)。

8.根據(jù)權(quán)利要求1所述的基于異構(gòu)信息的評(píng)分推薦方法，其特征在于，在S2中，將評(píng)分信息轉(zhuǎn)化成評(píng)分向量的方法為：將每一個(gè)可能出現(xiàn)的不同評(píng)分值對(duì)應(yīng)映射成一個(gè)隨機(jī)的虛擬向量。