本发明涉及文本处理，尤其涉及一种基于融合置信度的用户表征学习推荐方法和系统。
背景技术：
1、近年来，推荐系统已广泛应用于新闻、电子商务、电影等多个领域。由于信息过载，消费者在网络平台上选择合适的产品变得越来越困难。因此，在许多在线平台中起着信息过滤作用的推荐系统，通过用户的历史行为数据，来了解用户的爱好和兴趣，并预测用户的偏好。
2、现有大多数基于评论的推荐方法，仍存在一些问题，例如大部分利用用户评论来构建用户特征时，并没有去除评论噪音，且无法筛选有效的用户评论去构建用户特征，大部分推荐模型缺乏评论的置信率对推荐模型的影响，影响了推荐性能。此外，现有线上平台的推荐系统中存在用户评分稀疏以及信息过载问题。
3、因此，有必要提供一种基于融合置信度的用户表征学习推荐方法和系统，以解决上述问题。
技术实现思路
1、本发明意在提供一种基于融合置信度的用户表征学习推荐方法和系统，以解决现有技术中现有方法构建的用户特征存在评论噪声，因用户评分稀疏、信息过载以及评论噪声导致用户偏好信息误差较大，进而造成模型预测精确度低等的技术问题，本发明要解决的技术问题通过以下技术方案来实现。
2、本发明第一方面提出一种基于融合置信度的用户表征学习推荐方法，包括：
3、收集同一用户对多种物品的第一类评论文本、不同用户对同一物品的第二类评论文本；将所收集的第一类评论文本和第二类评论文本输入预训练词向量模型，输出第一嵌入向量和第二嵌入向量；基于置信度函数，根据用户对不同物品的所有评分、同一物品所得到的所有评分，构建置信矩阵，并用作每一条评论文本的矫正系数;根据所构建的置信矩阵对所述第一嵌入向量和所述第二嵌入向量进行矫正后，再经卷积、池化后，进行特征交互学习，得到用户表征学习推荐模型；将待处理评论文本输入所述用户表征学习推荐模型，得到用户偏好推荐信息。
4、本发明第二方面提出一种基于融合置信度的用户表征学习推荐系统，采用本发明第一方面所述的基于融合置信度的用户表征学习推荐方法，所述用户表征学习推荐系统包括：数据收集模块，收集同一用户对多种物品的第一类评论文本、不同用户对同一物品的第二类评论文本；将所收集的第一类评论文本和第二类评论文本输入预训练词向量模型，输出第一嵌入向量和第二嵌入向量；
5、基于置信度函数，根据用户对不同物品的所有评分、同一物品所得到的所有评分，构建置信矩阵，并用作每一条评论文本的矫正系数;根据所构建的置信矩阵对所述第一嵌入向量和所述第二嵌入向量进行矫正后，再经卷积、池化后，进行特征交互学习，得到用户表征学习推荐模型；将待处理评论文本输入所述用户表征学习推荐模型，得到用户偏好推荐信息。
6、本发明第三方面提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面所述的基于融合置信度的用户表征学习推荐方法。
7、本发明第四方面提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面所述的基于融合置信度的用户表征学习推荐方法。
8、本发明实施例包括以下优点：
9、与现有技术相比，本发明利用用户评论和物品评论来学习用户偏好的有效性和用户与物品之间的互动性一致，并取得了的显著而稳定的改进，通过构建置信矩阵来衡量评分异常值与误导性评论之间的关系，并对评论文本进行矫正，进一步通过利用评论信息的交互性来构建用户和物品的交互潜在因素，以减少误导性评论对模型的影响，进而提高模型推荐准确性。
10、此外，利用最大后验估计理论构建了损失函数，并引入批量梯度下降算法来优化损失函数，以优化模型训练过程，能够获得更精确的用户表征学习推荐模型。
1.一种基于融合置信度的用户表征学习推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于融合置信度的用户表征学习推荐方法，其特征在于，所述基于置信度函数，根据用户对不同物品的所有评分、同一物品所得到的所有评分，构建置信矩阵，包括：
3.根据权利要求1所述的基于融合置信度的用户表征学习推荐方法，其特征在于，进一步包括：
4.根据权利要求3所述的基于融合置信度的用户表征学习推荐方法，其特征在于，进一步包括：
5.根据权利要求4所述的基于融合置信度的用户表征学习推荐方法，其特征在于，进一步包括：
6.根据权利要求1所述的基于融合置信度的用户表征学习推荐方法，其特征在于，进一步包括：
7.根据权利要求5所述的基于融合置信度的用户表征学习推荐方法，其特征在于，进一步包括：
8.一种基于融合置信度的用户表征学习推荐系统，其特征在于，采用权利要求1所述基于融合置信度的用户表征学习推荐方法，所述用户表征学习推荐系统包括：
9.根据权利要求8所述的基于融合置信度的用户表征学习推荐系统，其特征在于，所述基于置信度函数，根据用户对不同物品的所有评分、同一物品所得到的所有评分，构建置信矩阵，包括：
10.根据权利要求8所述的基于融合置信度的用户表征学习推荐系统，其特征在于，进一步包括：
